目录

第1章犯罪时空预测方法的发展历程

1.1犯罪时序预测

1.2犯罪时空预测

1.3犯罪学理论对时空预测的支撑

1.3.1日常活动理论

1.3.2犯罪模式理论

1.3.3NAE与GA理论

1.4基于深度学习的犯罪时空预测原理

第2章犯罪时空分布的统计学规律

2.1犯罪活动的时间分布规律

2.1.1数据集与数据处理

2.1.2犯罪时序分析方法

2.1.3犯罪时间分布规律

2.2犯罪活动的空间分布规律

2.2.1数据集与数据处理

2.2.2犯罪空间分析方法

2.2.3犯罪空间分布规律

第3章犯罪时空数据处理方法

3.1犯罪数据采集方法

3.1.1犯罪案件数据采集方法

3.1.2犯罪相关要素数据采集方法

3.1.3犯罪数据的脱敏方法

3.2犯罪数据预处理方法

3.2.1缺失值、异常值与重复值的处理方法

3.2.2反地理编码方法

3.2.3非数值特征转换方法

3.3犯罪时空数据处理方法

3.3.1空间网格划分方法

3.3.2空间拓扑结构提取方法

3.3.3时空单元与标签设置方法

3.3.4数据标准化方法

3.3.5训练与测试数据集划分方法

第4章犯罪时空预测模型

4.1深度学习的基本原理

4.1.1卷积神经网络

4.1.2循环神经网络与长短期记忆网络

4.1.3图卷积网络

4.2基于深度学习的犯罪时空预测模型

4.2.1基于LSTM的犯罪时序预测模型

4.2.2基于CNN的犯罪时空预测模型

4.2.3ResNetLSTM与注意力机制融合的犯罪时空预测模型

4.3犯罪时空预测模型的验证

4.3.1犯罪时空预测模型的验证方案

4.3.2验证结果分析与讨论

第5章基于犯罪预测结果的辅助决策

5.1贝叶斯网络

5.1.1贝叶斯网络的概念

5.1.2贝叶斯网络模型构建

5.2基于犯罪预测结果的动态辅助决策方法

5.2.1犯罪风险防控贝叶斯网络模型构建方法

5.2.2犯罪风险防控贝叶斯网络节点敏感性分析

5.3犯罪风险防控动态辅助决策场景分析

5.3.1理想情况下的警务资源配置策略

5.3.2有限成本情况下的警务资源配置策略

5.3.3警务策略的“效益/成本”分析

参考文献