犯罪时空预测的挑战
犯罪活动每年给美国带来损失和处理成本高达4.9万亿美元
现有模型泛化能力弱，依赖大量城市标注数据
模型难以跨城市迁移，需要重新设计和训练
什么是环境依赖型犯罪？
发生概率、时间及空间分布受到城市物理环境因素显著影响的犯罪行为，呈现出高度时空聚集性
✓ 环境依赖型犯罪
• 入室盗窃（Burglary）
• 抢劫（Robbery）
• 重罪袭击（Felony Assault）
• 重大盗窃（Grand Larceny）
✗ 非环境依赖型犯罪
• 网络犯罪
• 金融诈骗
• 贪污腐败
• 依赖互联网或社会关系网络
犯罪预测方法的演进
传统统计模型
• 核密度估计
• 热点分析
• 自激点过程
• 着眼整体趋势
机器学习模型
• 随机森林
• 贝叶斯模型
• LSTM+自编码器
• 处理异构数据
深度学习模型
• GNN+RNN
• Transformer架构
• 注意力机制
• 捕捉复杂依赖
核心创新：ST-Crime基础模型
生成式预训练 + 提示学习
通过在大规模多城市犯罪数据上进行掩码时空重建预训练，学习通用的犯罪时空分布表示，再通过提示微调机制快速适应不同城市
核心思想
从多个历史执法记录丰富的城市中提取犯罪活动的共性时空模式，构建可迁移的知识库。部署至新城市时，自动从知识库中检索匹配的共性模式，融合本地特征与共性知识，实现准确预测。
ST-Crime的三大核心组件
犯罪张量构建
将异构犯罪数据转化为统一的标准化表示
• 将研究区域划分为N个地理单元
• 构建时间序列T = (t₁, t₂, ..., tₖ)
• 系统性反映所有类别犯罪的发生情况
• 为模型提供统一输入格式
Transformer主干网络
捕获犯罪时空分布的跨区域、跨时间全局依赖关系
• 利用自注意力机制
• 通过掩码建模进行预训练
• 从多城市数据中学习可迁移模式
• 深入分析时空复杂关联
犯罪时空记忆检索增强
从共性时空模式中检索提示，增强预测性能和泛化能力