摘 要

预防犯罪是当今社会的一个关键问题，犯罪预测在其中有着极其重要的作用。目前有许多结合犯罪影响因素进行犯罪预测的方法，于是本文主要研究了影响犯罪数量预测的时间因素和空间因素，利用这些影响因素建立几个算法模型并比较不同算法模型之间的性能差异和结果差异。其中针对这两个相互关联的因素重点分析和使用聚类连续条件随机场模型，利用自回归模型发现时间上的相关性，并利用树状聚类算法来找出高度相关的区域，实现将时间和空间因素结合在一起进行犯罪预测。实验中以芝加哥市的公开历史犯罪记录为数据集，以对实验模型进行训练，并将预测结果进行比较分析，并通过多次实验评估各模型的性能，最终发现重点分析的聚类连续条件随机场的性能表现优于其它所有对比模型。

关键词：犯罪预测；时空因素；聚类连续条件随机场

Abstract

This Crime prevention is a key issue in today's society, where crime prediction plays an extremely important role. At present, there are many methods of crime prediction combined with crime influencing factors, so this paper mainly studies the time and space factors that affect the prediction of the number of crimes, and uses these influencing factors to establish several algorithm models and compare the performance differences and results between different algorithm models difference. Among them, focus on the analysis of these two interrelated factors and use Clustered Continuous Conditional Random Field model, use autoregressive model to find the correlation in time, and use the tree clustering algorithm to find out the highly correlated areas to achieve the time Combining spatial factors with crime prediction. In the experiment, the public historical crime records of Chicago were used as the data set to train the experimental model, and compare and analyze the prediction results, and evaluate the performance of each model through multiple experiments. Finally, it was found that The performance of the Clustered Continuous Conditional Random Field for the key analysis is better than all other comparative models.

Key Words：Crime Prediction；Time and Space Factors；Clustered CCRF

目 录

摘 要 I

Abstract II

目 录 1

第1章 绪论 1

1.1 研究背景 1

1.2 国内外研究现状 1

1.3 研究内容 2

第2章 模型原理 4

2.1 聚类连续条件随机场模型 4

2.1.1 时间因素 4

2.1.2 空间因素 6

2.1.3 模型细节 7

2.2 对比模型 10

2.3 本章小结 11

第3章 实验 12

3.1 数据描述 12

3.2 整体框架 12

3.3 实验结果 13

3.4 结果分析 14

3.5 本章小结 15

第4章 系统演示 16

4.1 系统分析与设计 16

4.1.1 系统分析 16

4.1.2 系统体系结构 16

4.1.3 系统模块设计 16

4.1.4 系统开发工具 17

4.2 系统实现 17

4.2.1 程序主界面 17

4.2.2 数据输入界面 18

4.2.3 结果展示界面 19

4.3 本章小结 20

第5章 总结与展望 21

参考文献 22

致谢 24

第1章 绪论

1.1 研究背景

犯罪预测是以当前记录的犯罪数据为基础，并以一定的策略和技术分析处理数据，从数据中发现与犯罪案件发生相关联的因素，对这些因素进行分析和研究，最终对某一地区当前的犯罪现象结构以及未来某一时间段的犯罪趋势作判断。犯罪预测是制定预防犯罪战略和战术的重要科学依据^[1]。

预防犯罪是社会中的关键问题，一直以来被政府和学术界广泛关注。特别是当今世界全球各国的政治、经济和文化发展速度远远大于以往任何一个时代，而犯罪不仅危及个人财产安全，且容易使社会秩序不稳定，毫无疑问是阻碍飞速发展的一个重要因素。在目前大数据和信息化的趋势下，全国各城市都建立了比较完整的犯罪记录数据库，数据库中详细地记录着当地已发生的犯罪事件的相关资料。但大多数数据库中的数据得不到更有效的利用，只能供警察或有关人员在处理案件时进行普通的查询和统计。而目前犯罪无论是从作案方法还是发生数量上看都比以往发展得更为迅速。但事实说明用传统的预测方法准确地预测犯罪十分困难，针对这些情况，有必要运用更多的资源和创新方法，使用科学而先进的手段进行犯罪预测并提高犯罪预测的精准度，从而对犯罪更为有力的打击，更有效率地维持社会的稳定。

社会和科学技术的不断发展使得对待犯罪的态度逐渐由从前的发生后处理为主变为重视犯罪发生前的预防工作。现如今，犯罪预测已在刑事司法系统中占据越来越重要的地位，要做好犯罪预防，减少犯罪案件，就要做好犯罪预测。犯罪预测有两个重要目标，一是采取预防措施，智能配置执法资源；二是协助刑事司法系统维护社会秩序。对于执法机构而言，犯罪预测有助于干预犯罪分子的犯罪行为，同时防止犯罪发生。现在世界大多数国家都十分重视犯罪预测的技术：一方面，一些预防犯罪的智能系统已经可以投入应用，另一方面，研究人员从多个不同的角度对犯罪分析和预测进行了许多研究，包括犯罪热点分析、犯罪发生率分析和不同规模的犯罪预测。

为打造智慧城市、透明化政府工作，政府开放了大量的数据，这些数据使得对犯罪数量进行监督、分析与挖掘成为可能。本课题运用机器学习理论和算法，利用在线平台的数据库或数据接口导入地区的有关信息，如地理位置、人口数量、历史犯罪数据等，根据数据建立犯罪预测模型，预测未来犯罪数量；同时借助模型预测的结果，可以将警力优先集中于犯罪机率高的案件，把握黄金时间快速抓捕犯罪嫌疑人归案，提高效率。