该研究利用不同的在线新闻网站进行犯罪数据爬取、词干提取，运用了位置查找算法、余弦相似度、朴素贝叶斯分类器以及一种自定义的犯罪预测模型来估计特定地点的犯罪率，并对犯罪地点进行排名和预测未来的犯罪发生率。

May, 2023

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

本文研究了超过 150 篇文章，探讨了机器学习和深度学习算法在犯罪预测方面的应用，分析了犯罪预测所需的数据集和机器学习和深度学习的主要方法，并提出了可用于提高预测准确性的因素和未来研究方向，为犯罪预测领域的研究人员提供有价值的参考。

Mar, 2023

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

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

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

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

使用随机森林回归器对城市指标对犯罪的影响进行了研究，发现失业率和文盲率是描述巴西城市凶杀案的最重要变量，这种机器学习的方法有望帮助制定更有针对性的公共政策。

Dec, 2017

本研究使用空间时间残差网络预测了洛杉矶不同区域在小时层面的犯罪分布情况，通过和其他预测方法的比较证明了其更高的准确度，并提出使用三值化技术解决实际资源短缺的问题。

Nov, 2017

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