文献类型：期刊文章

作　　者：柳林[1,2,3,4] 纪佳楷[1,2] 宋广文[3] 廖薇薇[1,2] 余洪杰[1,2] 刘文娟[1,2]

LIU Lin;JI Jiakai;SONG Guangwen;LIAO Weiwei;YU Hongjie;LIU Wenjuan(School of Geography and Planning,Sun Yat-sen University,Guangzhou 510275,China;Guangdong Provincial Engineering Research Center for Public Security and Disaster,Guangzhou 510275,China;Center of Geographic Information Analysis tor Public Security,School of Geographic Sciences,Guangzhou 510006,China;Department of Geography,University of Cincinnati,Cincinnati OH 45221-0131,Ohio,USA)

机构地区：[1]中山大学地理科学与规划学院,广州510275 [2]广东省公共安全与灾害工程技术研究中心,广州510275 [3]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 [4]辛辛那提大学地理系,辛辛那提OH 45221-0131

出　　处：《地球信息科学学报》

基　　金：国家重点研发计划项目(2018YFB0505500、2018YFB0505503);国家自然科学基金重点项目(41531178);广州市科学研究计划重点项目(201804020016);广东省自然科学基金研究团队项目(2014A030312010)~~

年　　份：2019

卷　　号：21

期　　号：11

起止页码：1655-1668

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：机器学习是当前犯罪热点预测的主流方法,随机森林算法因需要的数据量较小、有较好的预测能力和预测精确度、且有较高的可理解度,更是被广泛应用,代表地理环境和建成环境的多源数据也被广泛用于模型改进的尝试实践中,但这些实践都只考虑研究区整体的预测精度变化情况,并未区分不同区域犯罪热点预测结果的差异及其原因。因此,本文以公共场所侵财犯罪为例,根据历史犯罪分布情况及过往犯罪热点分布规律,将研究区分为稳定高发热点网格、较高发热点网格、偶发热点网格及非热点网格这4类,并依据社会失序理论、日常活动理论和犯罪模式理论,选取城中村范围、路网密度及POI(餐饮、娱乐、商场3类设施)密度这3个具有代表性的协变量加入到随机森林预测模型中,探讨预测结果精度的变化情况。根据2017年26个双周的犯罪热点预测实验的预测结果,得到以下结论:加入协变量后,研究区整体、稳定高发热点网格及较高发热点网格的预测精度都有不同程度的提高,分区模型的精度显著高于整体模型的精度,说明考虑空间分异对提高模型精度起重要作用。

关 键 词：犯罪热点预测  公共场所侵财犯罪  随机森林  建成环境 空间分异 稳定高发热点网格  警务策略

分 类 号：D92[法学类]