A Crime Prediction Model Incorporating Regional Spatial Similarity Characteristics and Spatiotemporal Characteristics of Events

LIN Yihang; ZHENG Kun; XIA Shuhao; QI Li; DAI Jie; CAI Xuan; ZHU Qinggang

doi:10.13203/j.whugis20230395

您当前的位置：

首页 >

文章列表页 >

A Crime Prediction Model Incorporating Regional Spatial Similarity Characteristics and Spatiotemporal Characteristics of Events

Cartography and GIS | 更新时间：2026-11-05

- A Crime Prediction Model Incorporating Regional Spatial Similarity Characteristics and Spatiotemporal Characteristics of Events
- Geomatics and Information Science of Wuhan University Vol. 50, Issue 11, Pages: 2311-2324(2025)
- 作者机构：
  
  1.中国地质大学(武汉)地理与信息工程学院，湖北武汉，430074
  2.公安部第三研究所，上海，200031
  3.新疆生产建设兵团第十四师昆玉市公安局,新疆昆玉，848116
- 作者简介：
- 基金信息：
- DOI：10.13203/j.whugis20230395
  CLC： P208
- Received：30 May 2024，
  
  Published：05 November 2025
- 稿件说明：
移动端阅览
林逸航,郑坤,夏书豪，等.融合区域空间相似性特征与事件时空特征的犯罪预测模型[J].武汉大学学报（信息科学版）,2025,50(11):2311-2324.

LIN Yihang,ZHENG Kun,XIA Shuhao,et al.A Crime Prediction Model Incorporating Regional Spatial Similarity Characteristics and Spatiotemporal Characteristics of Events[J].Geomatics and Information Science of Wuhan University,2025,50(11):2311-2324.
林逸航,郑坤,夏书豪，等.融合区域空间相似性特征与事件时空特征的犯罪预测模型[J].武汉大学学报（信息科学版）,2025,50(11):2311-2324. DOI：10.13203/j.whugis20230395

LIN Yihang,ZHENG Kun,XIA Shuhao,et al.A Crime Prediction Model Incorporating Regional Spatial Similarity Characteristics and Spatiotemporal Characteristics of Events[J].Geomatics and Information Science of Wuhan University,2025,50(11):2311-2324. DOI：10.13203/j.whugis20230395

摘要

犯罪预测可预测区域内犯罪活动概率和趋势，优化执法资源分配、降低犯罪率并提高社会安全。由于犯罪事件存在空间相似性、周期性、空间异质性等变化规律，现有的犯罪预测方法较少考虑犯罪区域空间相似性特征，并在面对时空数据的长时空依赖问题上具有较强的局限性，导致预测效果有限。针对此问题，设计了一种融合区域空间相似性特征与事件时空特征的犯罪事件时空分布预测模型。该模型分为空间相似性特征捕捉和预测两部分，分别由区域空间相似性特征捕捉网络与基于特征融合编码的犯罪预测网络组成。模型利用空间通道注意力机制，以多图卷积网络为基础，设计了一个空间通道注意力多图卷积网络，实现空间相似性特征的捕捉。在此基础上，通过可嵌入线性序列表示犯罪事件信息，再融合捕捉到的犯罪区域空间相似性特征，建立了具有时空犯罪特征表示编码；为增强预测模型的长时空依赖性，设计了一种基于多头时空注意力机制的Transformer预测网络。为验证提出模型的有效性，通过美国芝加哥及洛杉矶地区不同时期的犯罪事件数据进行了实验，并与STGCN、 ST-ResNet和ConvLSTM方法进行了对比。实验结果表明，在不同区域，所提出的模型不仅在大尺度上的表现优于其他模型

而且在小尺度上表现出更强的准确性和稳定性。

Abstract

Objective

Crime forecasting can predict the probability and trend of criminal activities in a region

optimize the allocation of law enforcement resources

reduce crime rates and improve social security. Because of the changing laws of spatial similarity

periodicity and spatial heterogeneity of crime events

existing crime prediction methods give less consideration to the characteristics of spatial similarity in crime regions and have strong limitations in facing the problem of long-term spatial and temporal dependence on spatial and temporal data

resulting in limited prediction effects.

Methods

The model is divided into two parts: spatial similarity feature capture and prediction

which are composed of a regional spatial similarity feature capture network and a feature fusion coding-based crime prediction network

respectively. The model utilizes the spatial channel attention mechanism and designs a spatial channel attention multi-graph convolutional network based on a multi-graph convolutional network to achieve spatial similarity feature capture. On this basis

the crime event information is represented by embeddable linear sequences

and then the captured spatial similarity features of the crime region are fused to establish a spatiotemporal crime feature representation coding; in order to enhance the long spatiotemporal dependence of the prediction model

a Transformer prediction network based on the multi-head spatiotemporal attention mechanism is designed. To validate the effectiveness of the proposed model

the paper conducts experiments with crime event data from different periods in Chicago and Los Angeles areas and compares it with STGCN

ST-ResNet and ConvLSTM methods.

Results

The experimental results show that the proposed model not only outperforms other models on large scales but also exhibits stronger accuracy and stability on small scales in different regions.

Conclutions

The methodology improves the accuracy of crime prediction.

关键词

Keywords

references

LIANG W C ， WANG Y Q ， TAO H C ， et al . Towards Hour-Level Crime Prediction： A Neural Attentive Framework with Spatial-Temporal-Categorical Fusion ［J］. Neurocomputing ， 2022 ， 486 ： 286 - 297 .

RAYHAN Y ， HASHEM T . AIST： An Interpretable Attention-Based Deep Learning Model for Crime Prediction ［J］. ACM Transactions on Spatial Algorithms and Systems ， 2023 ， 9 （ 2 ）： 1 - 31 .

HOU M M ， HU X F ， CAI J T ， et al . An Integrated Graph Model for Spatial-Temporal Urban Crime Prediction Based on Attention Mechanism ［J］. ISPRS International Journal of Geo-Information ， 2022 ， 11 （ 5 ）： 294 .

李卫红，闻磊，陈业滨 . 改进的GA-BP神经网络模型在财产犯罪预测中的应用［J］. 武汉大学学报（信息科学版）， 2017 ， 42 （ 8 ）： 1110 - 1116 .

LI Weihong ， WEN Lei ， CHEN Yebin . Property Crime Forecast Based on Improved GA-BP Neural Network Model ［J］. Geomatics and Information Science of Wuhan University ， 2017 ， 42 （ 8 ）： 1110 - 1116 .

LI Z H ， HUANG C ， XIA L H ， et al . Spatial-Temporal Hypergraph Self-Supervised Learning for Crime Prediction ［C］// IEEE 38th International Conference on Data Engineering （ICDE）， Kuala Lumpur， Malaysia ， 2022 .

CATLETT C ， CESARIO E ， TALIA D ， et al . Spatiotemporal Crime Predictions in Smart Cities： A Data-Driven Approach and Experiments ［J］. Pervasive and Mobile Computing ， 2019 ， 53 ： 62 - 74 .

OSGOOD D W . Poisson-Based Regression Analysis of Aggregate Crime Rates ［J］. Journal of Quantitative Criminology ， 2000 ， 16 （ 1 ）： 21 - 43 .

VULTUREANU-ALBIŞI A ， BĂDICĂ C . Optimizing Regularized Multiple Linear Regression Using Hyperparameter Tuning for Crime Rate Performance Prediction ［C］// World Conference on Information Systems and Technologies ， Azores， Portugal ， 2021 .

RAZA D M ， VICTOR D B . Data Mining and Region Prediction Based on Crime Using Random Forest ［C］// International Conference on Artificial Intelligence and Smart Systems （ICAIS）， Coimbatore， India ， 2021 .

BUTT U M ， LETCHMUNAN S ， HASSAN F H ， et al . Spatiotemporal Crime Predictions by Leveraging Artificial Intelligence for Citizens Security in Smart Cities ［J］. IEEE Access ， 2021 ， 9 ： 47516 - 47529 .

SIRISHA U M ， BELAVAGI M C ， ATTIGERI G . Profit Prediction Using ARIMA， SARIMA and LSTM Models in Time Series Forecasting： A Comparison ［J］. IEEE Access ， 2022 ， 10 ： 124715 - 124727 .

SAUNDERS J ， HUNT P ， HOLLYWOOD J S . Predictions Put into Practice： A Quasi-Experimental Evaluation of Chicago’s Predictive Policing Pilot ［J］. Journal of Experimental Criminology ， 2016 ， 12 （ 3 ）： 347 - 371 .

CHANDRA B ， GUPTA M ， GUPTA M P . A Multivariate Time Series Clustering Approach for Crime Trends Prediction ［C］// IEEE International Conference on Systems， Man and Cybernetics ， Singapore ， 2008 .

YADAV R ， KUMARI SHEORAN S . Modified ARIMA Model for Improving Certainty in Spatio-temporal Crime Event Prediction ［C］// The 3rd International Conference and Workshops on Recent Advances and Innovations in Engineering （ICRAIE）， Jaipur， India ， 2018 .

BROWN D E ， OXFORD R B . Data Mining Time Series with Applications to Crime Analysis ［C］// IEEE International Conference on Systems， Man and Cybernetics e-Systems and e-Man for Cybernetics in Cyberspace （Cat No 01CH37236）， Tucson， AZ， USA， 2001 .

MATEREKE T ， NYIRENDA C N ， GHAZIASGAR M . A Comparative Evaluation of Spatiotemporal Deep Learning Techniques for Crime Prediction ［C］// IEEE AFRICON ， Arusha， Tanzania ， 2021 .

CORTEZ B ， CARRERA B ， KIM Y J ， et al . An Architecture for Emergency Event Prediction Using LSTM Recurrent Neural Networks ［J］. Expert Systems with Applications ， 2018 ， 97 ： 315 - 324 .

YAN J H ， HOU M M . Predicting Time Series of Theft Crimes Based on LSTM Network ［J］. Data Analysis and Knowledge Discovery ， 2020 ， 4 （ 11 ）： 84 - 91 .

MESKELA T E ， AFEWORK Y K ， AYELE N A ， et al . Designing Time Series Crime Prediction Model Using Long Short-Term Memory Recurrent Neural Network ［J］. International Journal of Recent Technology and Engineering （IJRTE）， 2020 ， 9 （ 4 ）： 402 - 405 .

WANG B ， LUO X Y ， ZHANG F B ， et al . Graph-Based Deep Modeling and Real Time Forecasting of Sparse Spatiotemporal Data ［J］. ArXiv e-Prints ， 2018 ： arXiv： 1804.00684 .

HUANG C ， ZHANG J B ， ZHENG Y ， et al . DeepCrime： Attentive Hierarchical Recurrent Networks for Crime Prediction ［C］// The 27th ACM International Conference on Information and Knowledge Management ， Torino， Italy ， 2018 .

ZHUANG Y ， ALMEIDA M ， MORABITO M ， et al . Crime Hot Spot Forecasting： A Recurrent Model with Spatial and Temporal Information ［C］// IEEE International Conference on Big Knowledge （ICBK）， Hefei， China ， 2017 .

郜世伟 . 基于ConvLSTM网络的盗窃类警情时空分布预测模型研究［D］. 南京：南京师范大学， 2020 .

GAO Shiwei . Research on Spatial and Temporal Distribution Prediction Model of Theft Based on ConvLSTM Network ［D］. Nanjing ： Nanjing Normal University ， 2020 .

WANG B ， ZHANG D ， ZHANG D H ， et al . Deep Learning for Real Time Crime Forecasting ［J］. ArXiv e-print ， 2017 ， 1707 ： 03340 .

ZHANG H ， ZHANG J ， WANG Z L ， et al . An Adaptive Spatial Resolution Method Based on the ST-ResNet Model for Hourly Property Crime Prediction ［J］. ISPRS International Journal of Geo-Information ， 2021 ， 10 （ 5 ）： 314 .

SUN Y T ， CHEN T ， YIN H Z . Spatial-Temporal Meta-Path Guided Explainable Crime Prediction ［J］. World Wide Web ， 2023 ， 26 （ 4 ）： 2237 - 2263 .

HAN X G ， HU X F ， WU H G ， et al . Risk Prediction of Theft Crimes in Urban Communities： An Integrated Model of LSTM and ST-GCN ［J］. IEEE Access ， 2020 ， 8 ： 217222 - 217230 .

WANG Y Q ， GE L ， LI S Y ， et al . Deep Temporal Multi-Graph Convolutional Network for Crime Prediction ［C］// International Conference on Conceptual Modeling ， Vienna， Austria ， 2020 .

LI Z ， ZHANG X Y ， XU F ， et al . A Multi-scale Video Surveillance Based Information Aggregation Model for Crime Prediction ［J］. Alexandria Engineering Journal ， 2023 ， 73 ： 695 - 707 .

QIAN Y T ， PAN L ， WU P ， et al . GeST： A Grid Embedding Based Spatiotemporal Correlation Model for Crime Prediction ［C］// IEEE 5th International Conference on Data Science in Cyberspace （DSC）， Hong Kong， China ， 2020 .

王增利，刘学军，陆娟，等 . 犯罪网络构建及其时空分析：以入室盗窃为例［J］. 武汉大学学报（信息科学版）， 2018 ， 43 （ 5 ）： 759 - 765 .

WANG Zengli ， LIU Xuejun ， LU Juan ， et al . Construction and Spatial-Temporal Analysis of Crime Network： A Case Study on Burglary ［J］. Geomatics and Information Science of Wuhan University ， 2018 ， 43 （ 5 ）： 759 - 765 .

MA Y ， WANG S H ， AGGARWAL C C ， et al . Multi-Dimensional Graph Convolutional Networks ［M］// SIAM International Conference on Data Mining ， Calgary， Canada ， 2019 .

VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention Is all You Need ［C］// The 31st International Conference on Neural Information Processing Systems ， Long Beach， California， USA， 2017 .

ZHOU T ， MA Z Q ， WEN Q S ， et al . FEDformer： Frequency Enhanced Decomposed Transformer for Long-Term Series Forecasting ［C］// International Conference on Machine Learning ， Hawaii， USA ， 2022 .

DOSOVITSKIY A ， BEYER L ， KOLESNIKOV A ， et al . An Image Is Worth 16×16 Words： Transformers for Image Recognition at Scale ［J］. arXiv e-Print ， 2020 ， 2010 ： 11929 .

BERTASIUS G ， WANG H ， TORRESANI L . Is Space-Time Attention all You Need for Video Understanding？［C］// International Conference on Machine Learning ， online ， 2021 .

TOBLER W R . A Computer Movie Simulating Urban Growth in the Detroit Region ［J］. Economic Geography ， 1970 ， 46 ： 234 - 240 .

ZHAO X Y ， TANG J L . Modeling Temporal-Spatial Correlations for Crime Prediction ［C］// ACM on Conference on Information and Knowledge Management ， Singapore ， 2017 .

YI F ， YU Z W ， ZHUANG F Z ， et al . An Integrated Model for Crime Prediction Using Temporal and Spatial Factors ［C］// IEEE International Conference on Data Mining （ICDM）， Singapore ， 2018 .

KIPF T N ， WELLING M . Semi-supervised Classification with Graph Convolutional Networks ［J］. arXiv e-Print ， 2016 ， 1609 ： 02907 .

WOO S ， PARK J ， LEE J Y ， et al . CBAM： Convolutional Block Attention Module ［M］// Computer Vision-ECCV 2018 . Cham ： Springer International Publishing ， 2018 ： 3 - 19 .

TU W C ， LIU M Y ， JAMPANI V ， et al . Learning Superpixels with Segmentation-Aware Affinity Loss ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， Salt Lake City， UT， USA， 2018 .

ZHANG J C ， SHEN X L ， ZHUO T Q ， et al . Brain Tumor Segmentation Based on Refined Fully Convolutional Neural Networks with a Hierarchical Dice Loss ［J］. arXiv e-Print ， 2017 ， 1712 ： 09093 .

YANG Y M ， LIU X . A Re-Examination of Text Categorization Methods ［C］// The 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval ， Berkeley， California， USA， 1999 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

DCMR-Net： A Multi-scale Residual Denoising Network for Seismic Records with Complex Noise

Landslide Susceptibility Assessment Model Based on Positive Sample Buffering with Transformer-CNN Integration：A Case Study of Baoji City

Deep Learning-Based Joint Local and Non-local Phase Filtering for InSAR Images

Water Extraction of High Spatial Resolution Remote Sensing Image Fusing Scale Attention Mechanism

Multi-level Feature Attention Fusion Network for Water Extraction from Multi-source SAR Images

Related Author

NI Sidao

ZHANG Han

ZHANG Chengfeng

CHEN Guanzhi

CHEN Peinan

TANG Xingyou

LI Jiuyuan

BIAN Zice

Related Institution

School of Earth and Space Sciences, University of Science and Technology of China

State Key Laboratory of Precision Geodesy, Innovation Academy for Precision Measurement Science and Technology, Chinese Academy of Sciences

College of Geology Engineering and Geomatics, Chang'an University

Key Laboratory of Space Photoelectric Detection and Sensing of Ministry of Industry and Information Technology

College of Astronautics, Nanjing University of Aeronautics and Astronautics

AI问答

⁰