EN中文

Figure/Table detail

ST-Crime: A Retrieval Augmented Pre-trained Foundation Model for Environment-Dependent Crime Spatio-Temporal Prediction
WANG Tao, ZHANG Yifan, CHEN Peng
Journal of Geo-information Science, 2026, 28(1): 209-221.   DOI: 10.12082/dqxxkx.2026.250448

模型 介绍
LR[39] LR是传统的机器学习算法，本文仿照Sun等[15]的设置，将LR应用于整个历史犯罪记录，使其能从空间角度进行学习，而不是只输入时序特征导致其预测能力极大减弱
LSTM[40] LSTM是RNN的代表，基于RNN进行了改进，能够捕捉到时间序列中的长期依赖关系，在犯罪时空预测领域具有广泛应用[41-43]
MiST[14] MiST使用了编码器-解码器架构，编码器由LSTM层组成，解码器由RNN层组成，在编码器和解码器之间通过注意力机制引入案件类别关系和地理邻接关系
CF[15] CF使用图卷积网络提取空间依赖关系，利用带有扩散门控单元（Diffusion Convolutional Gated Recurrent Units, DCGRU）的循环神经网络捕捉时间动态
AGL-STAN[16] AGL-STAN不使用预定义图来建模研究单元之间的空间关系，而是通过自适应图学习模块来学习，并且时间感知自注意力模块基于的是Transformer架构，相较于循环神经网络架构不仅能更好地捕捉局部和全局的时间信息，还能做到并行计算
UrbanGPT[19] UrbanGPT以聊天大模型Vicuna[44]为主干，提出时空指令微调范式，将时空依赖编码器与大语言模型深度融合，使得时空上下文与LLM的文本语义空间对齐
UniFlow[21] UniFlow通过多视图时空分块机制将网格与图结构数据转换为统一序列，并引入可学习的时空记忆检索增强模块，处理并学习异构城市时空数据
ST-Crime(本文) ST-Crime通过统一犯罪数据格式，对多个城市的犯罪数据使用Transformer进行预训练，并设计犯罪时空记忆检索增强模块对共性时空模式进行学习存储
Tab. 3 Models introduction
Other figure/table from this article