研究使用深度学习的 ST-ResNet 预测洛杉矶地区的实时犯罪分布，通过对原始犯罪数据进行空间和时间的正则化处理，采用细节残差卷积单元的层次结构来训练多因素犯罪预测模型，实验证明了该模型具有高度准确的预测能力。

Jul, 2017

本研究利用监督学习技术预测犯罪活动，通过分析先前犯罪活动记录和模式，该系统基于决策树和 K 最近邻算法进行预测，同时使用随机森林算法和 Adaboost 提高准确性，并使用过采样来提高准确性。

Mar, 2020

利用人类移动数据增强的深度学习架构已经显示出能提高利用历史犯罪数据训练的短期犯罪预测模型的准确性。本文提出了一种新型的迁移学习框架，通过将在有丰富移动数据的源地区训练的深度学习犯罪预测模型权重传输到目标地区，对其本地犯罪预测模型进行微调，从而提高犯罪预测准确性。结果显示该迁移学习框架提高了移动数据稀缺的目标城市的 F1 得分，尤其是在可用移动数据月份数较少的情况下。我们还展示了这种 F1 得分的提升在美国不同类型的犯罪和各种城市中都是普遍的。

Jun, 2024

通过统计分析以及利用 Apriori 算法找出犯罪热点、利用决策树分类器及朴素贝叶斯分类器预测潜在的犯罪类型，再结合人口统计数据对犯罪数据集进行分析，以识别可能影响社区安全的因素。通过该研究，可以提高人们对危险区域的认识，并帮助机构预测特定地点在特定时间内的犯罪行为。

Aug, 2015

利用大规模人类流动数据来构建一种可以预测不同类型犯罪在各行政区划内发生年度数量的模型，并提高预测的准确性，并且对主要犯罪类别的预测特征进行了深入分析，为城市政策或执法部门提供了有价值的信息。

Jun, 2018

本文研究犯罪现象受到生理、社会和经济等因素影响，特别是针对通过时空信息预测盗窃这一单一犯罪案件的时空模型和不同算法进行探究，其中 XGBoost 算法表现最优，F1 分数为 0.86。

Apr, 2023

本研究提出了一种新颖的深度学习架构，结合了预处理方法和处理方法来提高预测的公平性，结果表明相比于偏见校正方法和没有任何偏见校正的模型，所提出的模型在提高犯罪预测的公平性方面取得了进步，但牺牲了一定的准确性。

Jun, 2024

提出了一种基于超图自监督学习的空间 - 时间犯罪预测框架，用于解决标签稀缺问题，并在两个真实犯罪数据集上得到了显着优于现有基线的评估结果。

Apr, 2022

提出了一种增强型移动流量预测方案，该方案结合了每日移动流量高峰时间的聚类策略和新颖的多时间卷积网络与长短期记忆模型 (multi TCN-LSTM)，实验结果显示与最先进技术相比，性能提升达到 28％，证实了该方法的功效和可行性。

Dec, 2023

使用手机数据和人口统计数据，基于聚合的匿名化人类行为数据进行犯罪预测，实验结果表明，该犯罪预测模型在伦敦的真实犯罪数据上的准确率接近 70%，结果对数据驱动式犯罪分析具有重要意义。

Sep, 2014