近10年来犯罪时空预测国内外研究与实践进展
贺日兴, 陆宇梅, 姜超, 邓悦, 李欣然, 时东

Progress in Research and Practice of Spatial-temporal Crime Prediction over the Past Decade
HE Rixing, LU Yumei, JIANG Chao, DENG Yue, LI Xinran, SHI Dong
表3 2013—2021年犯罪预测研究中4类犯罪在不同时空尺度下的优势模型
Tab. 3 The best performing models for four types of crime at different spatial-temporal scales in crime prediction studies from 2013 to 2021
犯罪类型 时间尺度 空间尺度 预测效果 模型方法 研究区
偷窃 微观
微观 RMSE:0.0284[64] BP神经网络 美国芝加哥
PAI:37.9[65] 数据驱动的格林函数方法(DDGF)+自激点过程 美国芝加哥
微观 中观 RMSE:1.03[27] LSTM和时空图卷积网络(ST-GCN)相结合的方法 美国芝加哥
Precision:0.775[66] 随机森林 菲律宾马尼拉
抢劫 微观 微观 PAI:10.3[69] 时空协克里金算法 中国ZG市XT警区
微观 中观 RMSE:0.145[33] 随机森林 菲律宾马尼拉
宏观 微观 Precision:0.775[66] 随机森林 美国达拉斯
宏观 中观 PAI:40[67] 线性判别分析与K-近邻算法集成模型(LDAKNN) 中国江西省南昌市主城区
RMSE:0.4左右[68] 基于密度的聚类算法(DBSCAN) 美国达拉斯
入室盗窃 微观
微观 PAI:15.3[69] 时空神经网络-门控循环单元(STNN-GRU) 美国波特兰
PAI:8 [17] 加入公平性的霍克斯过程 美国印第安纳波利斯
中观 微观 RMSE:2.264[37] 综合拉普拉斯近似框架 荷兰阿姆斯特丹20个社区
Precision:0.24左右[39] 逻辑回归与多层感知器(MLP)集成模型 比利时某城市
PAI:78.5[16] 旋转网格最大化(RGPM)+随机森林 美国波特兰
宏观 中观 PAI:17.5[69] 基于密度的聚类(DBSCAN) 美国达拉斯
盗窃机动车 微观 微观 Precision:0.863[70] 时空神经网络-门控循环单元(STNN-GRU) 美国波特兰
PAI:6[17] 加入公平性的霍克斯过程 美国印第安纳波利斯
中观 中观 PAI:10.3[69] 基于密度的聚类(DBSCAN) 美国达拉斯