Traditional crime prediction models based on census data are limited, as they
fail to capture the complexity and dynamics of human activity. With the rise of
ubiquitous computing, there is the opportunity to improve such models with data
that make for better proxies of human presence i
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。