随着社会和经济发展,被公安机关统称为侵财案件的盗窃、抢夺、抢劫以及诈骗等犯罪行为呈现高发态势,严重影响人民生活的安全感和幸福感。侵财案件的区域时空分布并非随机或均匀的,而是呈现出时空聚集性、周期性以及时空交互性,存在近重复发生现象。侵财案件的治安防控一直是公安部门的重要工作之一,因此基于侵财案件发生的时空规律,实现微观时间尺度的时空分布预测,对公安部门合理规划治安和巡防方案,有效打击犯罪具有重要意义。目前,基于犯罪时空规律的犯罪预测被广泛研究,但微观时间尺度的犯罪时空分布特征难以提取,成为犯罪预测的瓶颈问题,对进行更小时间尺度的犯罪预测产生制约;与此同时深度学习算法对图像特征识别效果优异,同样适用于稀疏案件分布特征的提取,因此结合深度学习算法的犯罪预测成为近年来热门方向之一。本文以侵财案件为研究对象,进行基于小时的侵财案件时空分布预测,通过分析侵财案件时空分布特征与环境影响因子,构建了基于时空残差网络(Deep Spatio-Temporal Residual Networks,ST-ResNet)的犯罪时空分布预测模型,建立了犯罪预测结果评价方法,对预测结果进行全面分析与评价。本文的研究内容和取得成果如下:(1)以侵财案件为研究对象,通过从时间和空间的角度对侵财案件进行统计分析,得出研究区域的侵财案件存在时空聚集性和周期性;随后基于侵财案件时空交互性的探究,验证了侵财案件存在明显的近重复发生现象;同时根据不同环境影响因子与侵财案件数量之间的关联性分析,确定了与侵财案件相关的环境影响因子;以上为预测模型的构建提供理论基础。(2)本文基于犯罪近重复现象,研究了 ST-ResNet模型参数设定机制和不同时刻案件分布特征的融合方法,建立了基于ST-ResNet的侵财案件时空分布预测模型,解决了稀疏案件分布特征难以提取的问题,实现了基于小时的侵财案件时空分布预测。(3)通过对预测模型拟合和犯罪预测结果准确度的分析,以及与不同时间、不同区域的真实案件数据对比,实现由模型拟合到真实数据分析,由总体到局部的犯罪预测结果评价流程,对ST-ResNet模型预测结果进行了全面的评价,结果显示ST-ResNet预测模型优于ST-CNN预测模型,并发现了 ST-ResNet模型的预测准确率存在时间、区域的差异。本文以苏州市核心区侵财案件为例,通过对比分析,在2.4km空间分辨率和2小时时间分辨率条件下,ST-ResNet模型的全市预测准确率为41%,预测准确度优于ST-CNN模型的35%。此外发现基于ST-ResNet模型的预测结果在不同时间、不同区域的预测准确度存在差异,高案件密度的苏州市姑苏区2013年平均预测准确度高达60%,其中最高月平均预测准确度约75%;低案件密度的苏州市虎丘区2013年平均预测准确率仅为10%;且不同时段的预测准确率也存在差异,2013年凌晨的平均预测准确率在15%左右,其他时段的案件预测准确率约为50%。综上所述,本文基于苏州侵财案件全市整体预测准确度约为41%,在不同时间、区域存在差异,但总体预测结果较好,为苏州市公安防控工作提供决策支持。