王 娟 龍俊州 管雨翔

(中國人民警察大學(xué)，河北·廊坊 065000)

一、國內(nèi)外研究現(xiàn)狀

對歷史犯罪數(shù)據(jù)進行研究可以分析預(yù)測犯罪趨勢以及可能的發(fā)生地點和時間段，幫助相關(guān)部門更加深入地認知犯罪行為，提供決策支持，并預(yù)防犯罪。目前，國內(nèi)外學(xué)者對犯罪的分析與預(yù)測方面進行了大量研究，主要分為以下幾種。

(一)時間維度分析與預(yù)測

時間維度的犯罪分析與預(yù)測是對已有的犯罪時間序列進行分析，進而實現(xiàn)對犯罪時間序列的預(yù)測。常用的方法有：季節(jié)性分析，通過分析犯罪活動在不同季節(jié)中的變化，可以識別出季節(jié)性的犯罪模式；每周模式分析，犯罪活動通常在一天或一周內(nèi)呈現(xiàn)出特定的模式。通過分析不同時間段內(nèi)的犯罪數(shù)據(jù)，可以了解犯罪活動的高峰時段和低谷時段；時段聚類分析，通過使用聚類算法將犯罪數(shù)據(jù)分組成具有相似時間特征的群集。這樣可以識別出特定時間段內(nèi)犯罪活動的模式。表1為時間維度的相關(guān)研究。

表1 時間維度研究

(二)空間維度分析與預(yù)測

空間維度的犯罪分析與預(yù)測是基于地理位置信息進行犯罪模式和趨勢分析的方法。常用的方法有：熱點分析，通過使用地理信息系統(tǒng)(GIS)等工具，將犯罪數(shù)據(jù)映射到地圖上，從而找出犯罪熱點區(qū)域；空間聚類分析，通過使用聚類算法，將犯罪數(shù)據(jù)根據(jù)地理位置分組成具有相似特征的群集。這樣可以識別出具有相似犯罪模式的地理區(qū)域。表2為空間維度的相關(guān)研究。

表2 空間維度研究

(三)時空維度分析與預(yù)測

時空維度犯罪分析與預(yù)測是一種結(jié)合時間和空間維度的犯罪模式和趨勢分析方法。常用的方法有：時空聚類分析，通過結(jié)合時間和空間信息，利用聚類算法將犯罪數(shù)據(jù)分組成具有相似時空特征的群集，識別出具有相似時空模式的犯罪區(qū)域；空間回歸分析，將犯罪發(fā)生的地理位置和時間因素作為自變量，將犯罪數(shù)量作為因變量，預(yù)測未來某個地區(qū)在特定時間段內(nèi)的犯罪事件數(shù)量；時空數(shù)據(jù)可視化，利用地理信息系統(tǒng)(GIS)等工具，將犯罪數(shù)據(jù)以地圖形式進行可視化展示，可以更加直觀地理解犯罪模式和趨勢。表3為時空維度的相關(guān)研究。

表3 時空維度研究

二、搶劫類犯罪的時空分布

(一)研究區(qū)域與數(shù)據(jù)

溫哥華位于加拿大不列顛哥倫比亞省西南部太平洋沿岸，是加拿大的主要城市，同時也是不列顛哥倫比亞省最大的城市。根據(jù)2016年加拿大人口普查數(shù)據(jù)，溫哥華城區(qū)的常住人口為63.2萬人。溫哥華具有發(fā)達的制造業(yè)、高科技服務(wù)產(chǎn)業(yè)以及服務(wù)業(yè)，資源工業(yè)、食品行業(yè)、初級制造業(yè)和農(nóng)業(yè)也是其重要經(jīng)濟支柱產(chǎn)業(yè)。我國處于高速城市化進程，是世界最大的制造業(yè)國家，并且高科技產(chǎn)業(yè)飛速發(fā)展。溫哥華的犯罪研究對我國具有參考價值。根據(jù)數(shù)據(jù)評估網(wǎng)站NUMBEO的數(shù)據(jù)顯示，溫哥華雖然沒有進入全球國際城市犯罪榜單前一百名，但溫哥華以犯罪指數(shù)37.16排名第295位。本文選取溫哥華市數(shù)據(jù)開放目錄公布犯罪數(shù)據(jù)，并抽取2016-2020年溫哥華市地理犯罪數(shù)據(jù)。

丹佛市位于美國科羅拉多州中北部，是科羅拉多州的首府和最大的城市，人口大約為283萬。丹佛市是美國的食品工業(yè)城市和能源工業(yè)城市，本文抽取丹佛市警察局2017年到2021年的犯罪數(shù)據(jù)集進行區(qū)域風(fēng)險預(yù)測。

(二)搶劫類案件的時間序列研究

1.搶劫類案件的時間粗粒度分析

犯罪事件通常具有特定的分布特征，主要呈現(xiàn)時空的聚集性、距離衰減特征和時空臨近重復(fù)特點(1)張旭.基于機器學(xué)習(xí)的精細化可解釋公共盜竊犯罪分布研究[D].廣州大學(xué)，2022年。。根據(jù)重復(fù)受害理論，曾經(jīng)受過傷害的人或者曾經(jīng)發(fā)生過案件的地點再次遭受傷害或者再次發(fā)生案件的可能性比其他地點更高(2)Tom Daems. Repeat victimisation and the study of social control[J]. International Journal of the Sociology of Law，2005，(02).。本文通過Arcgis對溫哥華搶劫數(shù)據(jù)進行核密度分析，通過點要素來描述案件的分布情況，繪制密度熱點地圖，進行空間自相關(guān)分析，得出莫蘭指數(shù)和Z得分，判斷犯罪事件的空間聚集性。利用時間序列分析，分析搶劫犯罪在時間上的變動并進行統(tǒng)計。本文對溫哥華2016-2020年5年時間的搶劫案件進行時間序列分析。

犯罪時間是犯罪事件最重要的特征之一。分析案件發(fā)生的時間、案發(fā)次序等特征的方法被稱作時間序列分析(time series analysis)，是一種有效的描述性的模式(3)Derek J. Paulsen，Sean Bair，Dan Helms. Tactical Crime Analysis：Research and Investigation[M].Taylor and Francis：2009-08-19.。本文對2016～2020年溫哥華搶劫犯罪數(shù)據(jù)按年份和月份進行統(tǒng)計，分析犯罪事件在時間上的分布情況。如圖1可以觀察到搶劫數(shù)據(jù)在月份上的分布情況，搶劫類犯罪在月份的分布上，呈現(xiàn)出每年2月開始呈上升趨勢，7月或者八月達到峰值，11月后開始下降，次年2月開始再次上升。在年份的分布上，呈現(xiàn)出逐年下降的趨勢。通過對搶劫犯罪的時間序列分析，得出溫哥華搶劫案件在時間上呈現(xiàn)出按年份下降趨勢，以及按月份的周期性變化。

圖1 案件數(shù)量統(tǒng)計圖

2.時間細粒度分析

對搶劫案件進行多角度時間序列分析，更加全面地展示案件在時間上的分布以及規(guī)律，為后續(xù)研究提供參考。根據(jù)犯罪三角分析，當受害者在時間以及空間上與犯罪者相遇，便有案件成立的條件。

通過對案發(fā)時間按時段進行統(tǒng)計，獲得時段變量統(tǒng)計表4，繪制犯罪時段的犯罪熱力圖，如圖2。通過時段統(tǒng)計，下午(PM)發(fā)生搶劫的案件數(shù)量比上午(AM)要多；下午時段，從下午4點開始，案件發(fā)生的數(shù)量開始呈現(xiàn)上升趨勢，到晚上9點達到峰值，9點后開始下降；下午7點到晚上11點是搶劫案件的高發(fā)時段；上午時段，凌晨1點開始呈現(xiàn)下降趨勢，上午6點的案發(fā)數(shù)量最少，凌晨3點到7點時段發(fā)生搶劫事件為案發(fā)量少發(fā)時段?，F(xiàn)代社會，人們越來越關(guān)注夜間的生活，夜間的活動時間加長，人們也更愿意在夜晚投入時間(4)梁業(yè)穎.城市夜景觀規(guī)劃與居民夜間活動的營造[D].昆明理工大學(xué)，2012年。，而且夜晚減少了犯罪者暴露的可能，犯罪者更愿意在夜間活動。

圖2 不同時段犯罪熱圖

表4 時段變量統(tǒng)計

(三)搶劫類案件的空間分布研究

1.空間分布

除時間以外，犯罪的地理屬性也是犯罪的關(guān)鍵特征之一，利用不同的空間分析方法可以有效識別犯罪規(guī)律以及犯罪模式。本文主要根據(jù)搶劫犯罪的案發(fā)地的地理位置信息和區(qū)域柵格進行空間自相關(guān)分析，并且繪制犯罪核密度熱點圖。

2.空間自項關(guān)檢驗

基于莫蘭指數(shù)(GlobalMoran’s l)作為前設(shè)檢驗的空間自相關(guān)分析成為目前對于空間自相關(guān)分析的基本方式。莫蘭指數(shù)的取值范圍為[-1，1]，理論上，當莫蘭指數(shù)接近于1，其空間正相關(guān)性越大；反之，其空間成負相關(guān)；若莫蘭指數(shù)值為0，則認為空間成隨機性(5)許鋒.基于Moran指數(shù)和譜圖論的空間自相關(guān)測度方法優(yōu)化[J].城市發(fā)展研究，2021，(12).。

在函數(shù)中，空間里的第i個以及空間中的第j個的空間單元的線管屬性的屬性值由yi和yj代表，wi，j代表了空間權(quán)重，其中n是空間單元的數(shù)量(6)W-J Fu，Jiang P-K，Zhou G-M，et al. Using Moran's I and GIS to study the spatial pattern of forest littercarbon density in a subtropical region of southeastern China[J]. Biogeosciences，2014，(08).。

本文對2016～2020年溫哥華搶劫案件于溫哥華地區(qū)采取全局莫蘭指數(shù)的空間自相關(guān)檢驗，通過ArcGIS“漁網(wǎng)”工具對區(qū)域進行20*20劃分網(wǎng)格，統(tǒng)計5年以來搶劫犯罪的犯罪地址，進行自相關(guān)分析，計算Z得分，結(jié)果如圖3所示。根據(jù)分析結(jié)果所示，莫蘭指數(shù)(Moran I)的數(shù)值為0.677(指數(shù)大于0)，Z得分為28.530277，隨機產(chǎn)生這種聚類模式的可能性小于1%；莫蘭指數(shù)大于0，空間相關(guān)形成正相關(guān)，結(jié)果表明溫哥華搶劫類案件呈現(xiàn)出空間聚集性的特征。

圖3 空間自相關(guān)檢驗圖

3.空間核密度分析

絕大部分的問題在時間維度上不是均勻分布的，在空間維度上也不是均勻分布(7)Pieter H. Hartel，Marianne Junger. Book review：Crime and Everyday Life by Marcus Felson and Mary Eckert，5th edition[J]. Crime Science，2016，(01).。一般情況，熱點分為點熱點、線熱點、區(qū)域熱點。本次分析的對象為點熱點，即展示在特點地點或者重復(fù)受害的聚集的事件(8)Chainey Spencer，Ratcliffe Jerry. GIS and Crime Mapping[M].John Wiley &Sons，Inc.：2005-05-27.。利用Arcgis pro 導(dǎo)入“xy數(shù)據(jù)”，并選擇UMT投影，對研究區(qū)域進行核密度分析，得出2016年到2020年五年的犯罪熱點圖，如圖4.按年份統(tǒng)計觀察每年的熱點變化。

圖4 2016-2020 溫哥華犯罪核密度分析圖

圖5 支持向量與間隔

根據(jù)核密度分析結(jié)果觀察，搶劫案件集中，案件高發(fā)區(qū)重疊，滿足重復(fù)受害以及二八定理(9)Clarke，R.V.& Schultze，P.A (2005). Researching a problem.Washington，DC：Office of Community Oriented Policing Service.。2016年至2020年五年期間熱點區(qū)域比較穩(wěn)定，但在2016年至2017年期間，熱點區(qū)域發(fā)生了從北部向南部的犯罪轉(zhuǎn)移。

三、特征工程

(一)數(shù)據(jù)來源與預(yù)處理

搶劫類犯罪不僅侵害受害人的財產(chǎn)，同時也危害受害人的人身安全，搶劫犯罪的社會危害性大，并且容易由侵犯他人財務(wù)為主向更加惡劣的暴力行為轉(zhuǎn)變。為分析環(huán)境因素對搶劫犯罪以及故意傷害犯罪的影響，溫哥華于2016年進行人口普查，根據(jù)加拿大國家統(tǒng)計局獲取溫哥華各個區(qū)域人口，收入，就業(yè)率與失業(yè)率等特征數(shù)據(jù)，故本文抽取溫哥華2016年字段為“Mischief”的搶劫數(shù)據(jù)。本文數(shù)據(jù)來源為加拿大國家統(tǒng)計局溫哥華市數(shù)據(jù)開放目錄公布犯罪數(shù)據(jù)，包含特征區(qū)域總?cè)丝?、區(qū)域男性人口、區(qū)域女性人口、區(qū)域平均年齡、參與普查家庭人均規(guī)模、區(qū)域家庭平均規(guī)模、受助人群平均收入、稅后平均收入、就業(yè)占收入百分比、就業(yè)率、失業(yè)率、流動人口數(shù)、擁有房產(chǎn)人數(shù)、無房產(chǎn)人數(shù)、家庭平均收入，以及犯罪地理坐標。

美國丹佛市搶劫犯罪數(shù)據(jù)來源于丹佛市警察局，選取數(shù)據(jù)字段地理坐標、犯罪區(qū)域、行政區(qū)域、警察管轄區(qū)域、犯罪人員數(shù)量、是否既遂并且去除數(shù)據(jù)空值。

(二)特征選擇

選取分析特征并設(shè)置新索引，區(qū)域人口(“Reg”)、勞動占收入百分比(“Per”)、就業(yè)率(“Emp”)、失業(yè)率(“Unemp”)、擁有房產(chǎn)人數(shù)(“Own”)、無房產(chǎn)人數(shù)(“Rent”)如表5。將犯罪區(qū)域(“NEIGHBOURHOOD”)根據(jù)年案發(fā)數(shù)量進行搶劫風(fēng)險等級映射，劃分為高風(fēng)險區(qū)域、中風(fēng)險區(qū)域、低風(fēng)險區(qū)域(“2”“1”“0”)，高風(fēng)險區(qū)域每年搶劫類案件超過300，中風(fēng)險區(qū)每年搶劫類案件高于100小于300，低風(fēng)險區(qū)域每年搶劫類案件低于100。

表5 特征選取

將特征數(shù)據(jù)根據(jù)數(shù)據(jù)進行分級映射，得到特征統(tǒng)計表6。

表6 特征數(shù)據(jù)統(tǒng)計表

四、機器學(xué)習(xí)模型犯罪預(yù)測

(一)模型評價指標

在本文研究中，利用混淆矩陣對分類模型進行結(jié)果評估，混淆矩陣的結(jié)果可以直觀反映出分類模型的分類效果。其中，True Positive(TP)：真正例，分類模型將數(shù)據(jù)正樣本的歸類為P的次數(shù)；False Negative(TP)：真負例，分類模型將數(shù)據(jù)正樣本錯誤分類為N的次數(shù)；False Positive(FP)：假正例，分類模型將數(shù)據(jù)負樣本錯誤分類為P的次數(shù)；True Negative(FN)：假負例，分類模型將數(shù)據(jù)負樣本正確地分類為N的次數(shù)(10)于營，楊婷婷，楊博雄.混淆矩陣分類性能評價及Python實現(xiàn)[J].現(xiàn)代計算機，2021，(20).。

在分類模型中，召回率(Recall)為正確分類的正樣本與數(shù)據(jù)樣本的個數(shù)的比值：

精確率(Precision)為正確分類的正樣本與所有正樣本的個數(shù)的比值：

召回率(recall)的數(shù)值與FN的個數(shù)有關(guān)，當假負例(FN)的數(shù)量越大，召回率(recall)的數(shù)值就越低；當假負例(FN)的數(shù)量越小，召回率就越高。精確率(Precision)的數(shù)值與真正例(TP)和假正例(FP)的同時影響，真正例和假正例的樣本數(shù)量越少，則精確率就越高。本文為分類預(yù)測，以召回率和F值(檢驗分類效果)指標為主F值滿足以下公式：

1.支持向量機模型

支持向量機(SVC)是一種有監(jiān)督的線性分類學(xué)習(xí)器，它通過求解最大邊距平面對訓(xùn)練樣本集D={(x1，y1)，(x2，y2)，(x3，y3)，…，(xm，ym)}，yi∈{-1，+1}進行類別劃分。樣本空間的超平面可以通過以下的線性方程進行描述：

wTx+b=0(5)

其中w=(w1；w2；…；wd)為法向量，法向量決定超平面的方向；常數(shù)項b為位移量，決定了超平面與原點之間的距離。將超平面認定為(w，b)，則樣本空間的點(x)到超平面的距離公式為：

為使訓(xùn)練樣本的正確分類，令：

為了得到最大間隔，需要最大化‖w‖-1，這等價于最小化‖w‖2，得到支持向量機(SVC)的基本形式：

本文數(shù)據(jù)維數(shù)高，且為避免平面線性不可分的情況，將向量機(SVC)“核函數(shù)”選擇為高斯核函數(shù)(RBF)，高斯核表達式：

2.隨機森林模型

隨機森林模型(Random Forest)是以決策樹為基礎(chǔ)構(gòu)建的Bagging學(xué)習(xí)器上加入了隨機的屬性選擇過程。隨機森林模型在很多場景上均有運用，實現(xiàn)簡單，計算迅速，性能優(yōu)良。隨機森林模型通過從數(shù)據(jù)集進行抽樣，根據(jù)抽樣數(shù)據(jù)構(gòu)建n個決策樹模型。

隨機森林由決策樹構(gòu)建，決策樹模型為一種分類與回歸的方法，其中，熵代表著變量的不確定性，熵越大，隨機變量的不確定性越大。

信息增益(Informational Entropy)表示信息的不確定性減少的程度，特征A對訓(xùn)練數(shù)據(jù)集D的信息增益g(D，A)，定義為集合D的經(jīng)驗熵H(D)與特征A在給定條件下D的經(jīng)驗條件H(D|A)之差，為：

g(D，A)=H(D)-H(D|A)(10)

在分類的問題中，將概率分布的基尼指數(shù)定義為：

隨機森林分類模型根據(jù)決策樹投票情況得到最終的結(jié)果，如圖6。

圖6 隨機森林模型

3.XGboost模型

XGboost模型是Boosting模型的一種，XGboost模型會在從初始訓(xùn)練集中訓(xùn)練第一個決策樹，然后根據(jù)上一個樹的訓(xùn)練表現(xiàn)對訓(xùn)練集的樣本數(shù)據(jù)進行調(diào)整，以便于后一個樹的訓(xùn)練中錯誤的樣本得到下一個樹的更多關(guān)注，根據(jù)調(diào)整分布后的樣本來訓(xùn)練下一個樹，直到基學(xué)習(xí)器達到事先預(yù)定的值T，最后將這T個樹進行結(jié)合。

XGboost模型的目標函數(shù)包括了損失函數(shù)和正則項兩個部分：

損失函數(shù)達標率模型的對于數(shù)據(jù)的擬合程度，正則項可以用來對模型的復(fù)雜程度精選空值，樹的節(jié)點越多，其計算的時間越長，模型也就越大；正則項通過懲罰機制對樹的葉子節(jié)點進行控制，限制其樹的數(shù)量(11)張齊，李雪琛.基于機器學(xué)習(xí)的多標簽盜竊犯罪類型識別方法研究[J].中國人民公安大學(xué)報(自然科學(xué)版)，2023，(01).。

(三)Stacking集成模型構(gòu)建

Stacking集成學(xué)習(xí)模型是一種通過疊加分層的集成算法(12)章劉，陳逸菲，袁加偉，等.Stacking集成學(xué)習(xí)模型在混合式成績分類預(yù)測中的應(yīng)用[J].計算機系統(tǒng)應(yīng)用，2022，(07).Stacking是“學(xué)習(xí)法”的代表。Stacking模型會對最初始的訓(xùn)練數(shù)據(jù)進行訓(xùn)練，得到初級的學(xué)習(xí)器，然后生成一個新的數(shù)據(jù)集，將新的數(shù)據(jù)集對次級學(xué)習(xí)器進行訓(xùn)練，初級學(xué)習(xí)器的輸出會被次級學(xué)習(xí)器當作樣例進行輸入，如圖7。

圖7 Stacking模型示意圖

本文為預(yù)防過擬合現(xiàn)象，將采取5折交叉驗證的方式。在Stacking基學(xué)習(xí)器的選擇上，將選擇隨機森林模型、極度隨機樹模型、AdaBoost分類模型、Gradient Boost分類模型、第二層模型選擇為XGboost模型。

(四)模型預(yù)測結(jié)果分析

本文通過SKlearn機器學(xué)習(xí)庫構(gòu)建隨機森林模型、XGboost模型、支持向量機模型，通過分類結(jié)果繪制分類器混淆矩陣，結(jié)果如圖8。

圖8 模型混淆矩陣圖

根據(jù)混淆矩陣可得到SVC模型召回率 0.74，準確率為0.627；得到XGboost模型召回率為0.97，準確率為0.986；隨機森林分類模型得到召回率為0.96，準確率為0.984；Stacking集成模型召回率為0.99，準確率為0.996，如表7。

表7 模型評價表

本文Stacking集成模型在各項指標均上優(yōu)于單模型，為提高模型泛化能力與可靠性，下一步將對模型進一步優(yōu)化。

(五)模型優(yōu)化

模型特征對模型效果有著重要的影響。為提高Stacking模型F值(f1_score)，獲取特征相關(guān)度，繪制特征重要度排序圖，去除相關(guān)性低的特征，并且利用SelectKBest方法對余下特征進行過濾，在Stacking模型第一層構(gòu)建增加極端隨機樹模型、AdaBoost模型；極端隨機樹在特征選擇上采用的隨機采取特征，AdaBoost模型強調(diào)了自適應(yīng)性，并且在特征選擇上不需要特別的篩選，提高了模型的泛用性。繪制出特征重要度，模型特征相關(guān)性圖，如圖9。

圖9 特征相關(guān)性圖

繪制各個特征重要度排序圖，如圖10。

圖10 模型特征重要度

根據(jù)特征相關(guān)性與特征重要性，可利用SelectKBest方法可以保留特征K評分較高的相關(guān)特征，如地理維度差(LAD)、區(qū)域失業(yè)率(Unme)、無房產(chǎn)人數(shù)(Rent)區(qū)域家庭收入(Reg)等。

(六)模型實證

將Stacking基學(xué)習(xí)器中的樹的深度加深為10，利用美國丹佛市犯罪數(shù)據(jù)進行重復(fù)訓(xùn)練模型，將丹佛市搶劫類犯罪數(shù)據(jù)按照犯罪數(shù)量劃分為高風(fēng)險區(qū)域和低風(fēng)險區(qū)域，評價模型在應(yīng)對搶劫犯罪風(fēng)險區(qū)域二分類時預(yù)測效果，得到Stacking模型F值為0.94，召回率為0.97，準確率為0.94。繪制模型RUC曲線圖，如圖11。Stacking模型分類預(yù)測有較好效果且在其他國家也具有良好的效果。同時Stacking分類模型在搶劫類風(fēng)險分類預(yù)測上也具有良好的泛化性。

圖11 Stacking模型ROC曲線圖

五、總結(jié)

(一)主要研究結(jié)論

本文通過對溫哥華2016～2020年搶劫類犯罪數(shù)據(jù)進行時空分布分析，結(jié)合機器學(xué)習(xí)的方法分析了犯罪時空分布，以及環(huán)境因素對搶劫類犯罪風(fēng)險區(qū)域的等級預(yù)測，得出最優(yōu)模型，并且利用美國丹佛市數(shù)據(jù)驗證了模型在風(fēng)險區(qū)域預(yù)測分類的可靠性，得出以下結(jié)論：

1.在案件的案發(fā)時段上，得出案件案發(fā)時序發(fā)生規(guī)律，搶劫類犯罪多發(fā)于下午的6點和晚上的10點左右，存在時間規(guī)律；根據(jù)按月份上的統(tǒng)計分布，每年夏季的搶劫案件多于其他季節(jié)，并且呈現(xiàn)一定的周期性。

2.案件時空分布規(guī)律，搶劫類犯罪在時空分布上呈現(xiàn)空間和時間上的聚集性，該聚集性的隨機性可能小于1%(莫蘭指數(shù)大于0，Z得分大于2.58)，案件存在全局空間自相關(guān)性，犯罪熱點區(qū)域相對穩(wěn)定，2017年存在一定的犯罪熱點南移。

3.利用機器學(xué)習(xí)的Stacking模型對搶劫類犯罪的犯罪風(fēng)險區(qū)域進行分類預(yù)測，評價模型的優(yōu)劣，得出Stacking模型分類效果更優(yōu)，并通過美國丹佛市搶劫數(shù)據(jù)驗證模型可靠性，模型準確率達到90%以上。本文研究了溫哥華搶劫犯罪的時空分布，利用機器學(xué)習(xí)的方法通過區(qū)域人口年齡分布、家庭經(jīng)濟、區(qū)域教育水平環(huán)境分布、失業(yè)率等對搶劫罪風(fēng)險區(qū)域預(yù)測分類，挖掘出區(qū)域收入、失業(yè)率、房產(chǎn)等影響搶劫犯罪的主要因素，為犯罪分析提供思路，為我國犯罪防控提供借鑒并提供一定防控支持，有助于優(yōu)化警力資源配置。

(二)搶劫犯罪防控建議與對策

為減少搶劫犯罪的發(fā)生，營造良好治安環(huán)境，根據(jù)本文研究提出以下對策與建議：

1.人們可以減少夜間不必要的外出，提高民眾的防控被害意識。政府和媒體可以通過宣傳和教育，提高民眾對夜間外出的風(fēng)險和危害的認識，讓他們意識到夜間外出的必要性和不必要性。社區(qū)可以加強對夜間外出的管控，加強夜間娛樂場所管理等。政府和社區(qū)可以提供更多的夜間娛樂活動，例如夜市、文化活動等，讓民眾在夜間有更多的選擇，減少不必要的外出。家長可以加強對孩子的教育，讓他們意識到夜間外出的危險和不必要性，引導(dǎo)他們在家中進行有意義的活動。政府還可以提供更多夜間公共交通服務(wù)，讓民眾夜間出行更加便捷安全。

2.合理安排犯罪熱點區(qū)域警務(wù)巡邏工作。公安機關(guān)應(yīng)熟悉掌握區(qū)域的犯罪類型、犯罪時間、犯罪手段等信息，分析犯罪熱點區(qū)域的特點；根據(jù)犯罪熱點區(qū)域的特點，合理制定巡邏計劃，包括巡邏時間、巡邏路線、巡邏人員等；增加犯罪高發(fā)期巡邏頻率，加強對該區(qū)域的監(jiān)控和巡邏力度；利用監(jiān)控攝像頭、無人機等科技手段，對犯罪熱點區(qū)域進行監(jiān)控，及時發(fā)現(xiàn)和處理犯罪行為；根據(jù)犯罪熱點區(qū)域的情況，合理配置警力，確保巡邏人員的數(shù)量和質(zhì)量；加強與社區(qū)的聯(lián)系，熟悉社區(qū)犯罪情況，及時采取措施，預(yù)防和打擊犯罪行為；減少犯罪誘因，防止模仿型犯罪。

3.新型冠狀病毒肺炎疫情以來，全球經(jīng)濟下行，我國經(jīng)濟遭受影響。政府可以通過投資基礎(chǔ)設(shè)施、提供稅收減免和其他激勵措施來刺激經(jīng)濟增長，從而創(chuàng)造更多就業(yè)機會；提高各級各類教育教學(xué)水平，辦好人民滿意教育，增強就業(yè)競爭力；提供創(chuàng)業(yè)培訓(xùn)、貸款和其他支持措施，鼓勵人們創(chuàng)業(yè)和自主就業(yè)；擴大對外貿(mào)易和國際合作，創(chuàng)造更多就業(yè)機會；提供職業(yè)培訓(xùn)和技能提升計劃，幫助人們提高技能水平，從而增加他們的就業(yè)機會；降低稅收和減少管制，鼓勵企業(yè)創(chuàng)造更多就業(yè)機會；加強社會保障和福利，幫助失業(yè)者渡過難關(guān)，并鼓勵他們重新就業(yè)。

4.解決困難群眾住房問題，提供住房補貼降低住房成本以提高區(qū)域民眾個人房產(chǎn)持有率。政府還可以通過建設(shè)公共住房、提供住房補貼等方式，為低收入家庭提供住房保障；合理規(guī)劃土地利用，增加住房用地供應(yīng)，降低住房價格；鼓勵社會力量參與住房建設(shè)，如引導(dǎo)企業(yè)建設(shè)公共住房、鼓勵社會組織提供住房服務(wù)等方式，增加住房供應(yīng)；建設(shè)住房租賃市場，提高住房租賃便利性和透明度，降低住房租賃成本；提供住房貸款、住房租賃保證金貸款等方式，為民眾提供住房金融支持，降低住房購買和租賃的負擔；提高居民生活滿意度，有利于減少搶劫犯罪。