文献类型：期刊文章

作　　者：柳林[1,2,3] 刘文娟[1] 廖薇薇[1] 余洪杰[1] 姜超[1] 林荣平[1] 纪佳楷[1] 张政[1]

LIU Lin;LIU Wenjuan;LIAO Weiwei;YU Hongjie;JIANG Chao;LIN Rongping;JI Jiakai;ZHANG Zheng(Center of Integrated Geographic Information Analysis, School of Geography and Planning, Sun Yat-Sen University, Guangzhou 510275, China;Center of Geographic Information Analysis for Public Security, School of Geographic Sciences, Guangzhou University, Guangzhou 510006, China;Department of Geography, University of Cincinnati, Cincinnati OH45221-0131, Ohio, USA)

机构地区：[1]中山大学地理科学与规划学院综合地理信息研究中心,广州510275 [2]广州大学地理科学学院公共安全地理信息分析中心,广州510006 [3]辛辛那提大学地理系,美国辛辛那提oh452210131

出　　处：《地理科学进展》

基　　金：国家自然科学重点基金项目(41531178);广东省自然科学基金研究团队项目(2014A030312010);国家自然科学基金项目(41171140);广东省科技计划项目(2015A020217003)~~

年　　份：2018

卷　　号：37

期　　号：6

起止页码：761-771

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2017_2018、CSSCI、CSSCI2017_2018、JST、RCCSE、ZGKJHX、核心刊

摘　　要：犯罪预测对于制定警务策略、实施犯罪防控具有重要意义。机器学习和核密度是2类主流犯罪热点预测方法,然而目前还鲜有研究对这2类方法在不同时间周期下的犯罪预测效果进行系统比较,本文试图对此进行补充。本文以2013-2016年5月的公共盗窃犯罪历史数据作为输入,分别对比了在接下来2周、1个月、2个月、3个月4个不同时间周期随机森林方法与基于时空邻近性的核密度方法的犯罪热点预测效果,结果发现:在各时间周期上,随机森林分类热点预测方法的面积和案件量命中率均比时空核密度方法准确性高;并且2种方法均能有效地识别犯罪热点中的高发区域,其中在较小范围较短时间内随机森林识别热点中的高发区效率更高,而在较大范围较长时间周期上时空核密度方法识别高发区更优。

关 键 词：时空核密度  随机森林算法  犯罪热点预测  犯罪高发区识别  

分 类 号：D917[法学类]