基于案事件的犯罪热点时空分析研究开题报告.doc

福州大学硕士研究生论文开题报告论文题目基于案事件的犯罪热点时空分析研究姓 名学 号115520012性 别男导 师吴升教授学科专业地图学与地理信息系统研究方向空间信息网络共享与服务技术学 院福建省空间信息工程研究中心开题报告时间、地点2013-01-21科学楼15层1509导师审核意见该开题报告结合国家863重大项目课题的任务需求，开展基于案事件的犯罪热点时空分析研究，选题依据充分，综述较为全面，研究内容合理，方案可行，同意开题。导师签名： 年 月 日审核小组意见该开题报告拟对犯罪热点的时空分布及成因等展开研究，具有重要的实际应用价值。论文研究内容设置合理，开题报告从犯罪时空分布模型等方面进行文献综述，建议结合研究内容，补充拟采用方法的国内外研究现状进行论述。技术路线中“总体框架研究”进行具体化，以免造成误解。同意修改后开题报告通过 。审核小组成员签名： 年 月 日院领导意见 院领导签名： 年 月 日一、论文选题依据（包括本课题国内外研究现状述评，研究的理论与实际意义，对科技、经济和社会发展的作用等）1 选题依据1.1 研究背景1998年公安部为适应我国在现代经济和社会条件下实现动态管理和打击犯罪的需要，实现“科技强警”，增强公安系统统一指挥、快速反应、协调作战、打击犯罪的能力，提高公安工作效率和侦察破案水平，提出建设“金盾工程”，即公安通信网络与计算机信息系统的建设，其中包括公安工作信息化标准和规范体系建设，公安工作信息化运行管理体系建设等。2001年，国务院原则通过“金盾工程”的立项。随着“金盾工程”的建设，我国公安工作信息化进入了新的发展阶段1。针对犯罪的空间分析从19世纪就已经开始，犯罪热点制图从原始的手工图钉地图不断发展到现在与各种分析技术相结合的计算机自动制图2。我国的犯罪空间分析起步较晚，现阶段正积极推进全国警用地理信息系统应用平台的建设和使用，使空间统计的方法更多的应用在实际工作中，其中对案件的时空分析属于系统的核心部分，可以大大提高警情分析和预报的效率。但是目前的实践还是初步的，其中存在一些不完善的方面，例如时间和空间的结合，微观环境与犯罪的相互关系以及犯罪成因分析等。此外，政府各个部门缺乏统一的信息共享平台，使一些能为犯罪研究提供重要依据的统计数据难以获得或者高效利用。和谐稳定的社会环境和社会治安密切联系在一起，社会主义和谐社会需要社会治安作为保障。然而，在社会治安问题当中，抢劫盗窃犯罪又是一种高频发的犯罪活动，因此，研究抢劫盗窃犯罪热点时空分布，对于巩固社会主义和谐，促进经济发展具有重要的现实意义。1.2 研究意义将犯罪热点时空分析应用于公安业务中，从大量犯罪案件中分析出更深层次的信息，帮助决策者了解案件的分布规律，获得有价值的犯罪案件信息，实现了业务数据的深度利用和增值服务，具有重要意义。具体体现在以下两方面：在案事件侦破方面，实现对案件时空分布聚集特征准确和清晰的识别与表达，为决策者提供参考，提高空间统计方法的实际应用价值。在警力配置方面，通过对犯罪的预测，有助于发现案件高发区域以及案件高发时间，科学、合理安排警力，维护社会安全稳定，有效预防犯罪。2 文献综述2.1 犯罪空间分布模式识别犯罪空间分布识别为犯罪空间分析提供首要依据，是从总体上研究犯罪时空分布特征。犯罪数据常表现为“区域统计数据”和“犯罪位置”，因此，犯罪空间分布识别可分为“基于区域统计数据的分布识别”和“基于离散点的分布识别”。(1) 基于区域统计数据的分布模式识别“基于区域统计数据的分布模式识别”通过空间自相关分析方法进行。地理学第一定律指出，任何事物都与其周围事物存在联系，与其越相近的事物联系越紧密3。这就意味着地区间的犯罪行为一般都存在某种空间效应，这种效应主要包括空间异质性和空间依赖性。前者指区域间缺乏均质性，如经济、人口、警力配备等方面的差异，导致犯罪分布存在空间差异性。空间依赖性又称为空间自相关性，指一个地区犯罪数据统计值与其他地区相关，用以度量犯罪统计数据的聚集度，一般分为全局和局部两种指标4。全局指标用于探测整个研究区域内犯罪空间分布模式，目前有Morans I 、Gearys C、Getis-Ord s G 及连接数等指标5。但是，全局指标未考虑区域要素的空间异质性，有时会掩盖局部状态不稳定性，可结合局域指标来识别犯罪统计数据的局域聚集情况，目前有Moran散点图、局域Morans I、局域Getis-Ord s G 等方法6。(2) 基于离散点的分布模式识别“基于离散点的分布模式识别”的基础是犯罪位置及其距离等特征，具体有空间分布描述性分析、样方分析、距离分析等方法。空间分布描述性分析主要有中心位置、标准距离、标准差椭圆等空间统计指标，主要反映犯罪的聚集中心、聚集程度和分布趋势等特征7。样方分析分别统计随机分布假设和实际分布下每个指定样方内的犯罪数量，如果更少的样方内拥有比期望更多的犯罪数量，则表示该犯罪分布聚集8。距离分析包括了最近邻指数和Ripleys K 函数等方法。最近邻指数分析是将实际分布下犯罪位置之间的最近邻距离与随机分布下相比，如果比随机分布情形下的最近邻距离更小，则认为该犯罪分布聚集，通过K 阶近邻指数可以适应多尺度聚集效应分析。Ripleys K 函数则是以每个犯罪点为圆心，计算给定距离内犯罪总数的平均值，然后除以研究区的犯罪点密度，如果大于期望值，则表示该犯罪分布聚集9。最近邻指标相对Ripleys K而言原理简单，计算简便，因而应用更为广泛10。极值效应、局部聚集效应对空间分布描述性分析应用影响较大，而样方分析存在样方形状、大小选择等问题，距离分析则存在边界效应、尺度效应及可变区域单元等问题。可以将上述犯罪空间分布识别方法进行扩展，如利用时间K函数研究犯罪在何种时间尺度下分布聚集性最强，通过时空K函数判断犯罪在何种时空尺度下存在互动。也有学者直接利用时间序列模型、受试者特征曲线等研究犯罪时间分布特征11, 12。2.2 犯罪热点探测犯罪热点探测是指通过某种方法识别犯罪高发且彼此分离的区域或时段，分为“基于区域统计数据的热点探测方法”和“基于离散点的热点探测方法”。(1) 基于区域统计数据的热点探测基于区域统计数据的热点探测，一般是以某种辖区为单元计算犯罪总量、犯罪率等统计指标，从而确定某时段内的“犯罪热点地区”或某辖区内的“犯罪热点时段”，也可以对犯罪类型进行分析，从而探测“犯罪热点类型”，该方法常为警方进行辖区整治、警力调整以及考核等提供依据，但受可变区域单元以及统计指标选择等因素影响。基于区域统计数据的热点探测方法有专题图法、局部Moran指数法和局域Getis-Ord s G统计方法等。 而这其中局部Moran指数法和局域Getis-Ord s G统计方法是最为常用的热点分析方法。(2) 基于离散点的犯罪热点探测基于离散点的犯罪热点探测主要是指点模式分析中的空间聚类方法，主要有犯罪位置数量统计法、分割法、层级聚类法、密度估计法等13。犯罪位置数量统计法是通过统计某位置的实际犯罪数量来探测“犯罪热点位置”，该方法比较适用于通过地址比对而产生的犯罪离散点数据。分割法是将所有犯罪点划分到特定几个分组中从而形成热点地区，如K 均值聚类，该方法通过分组数来控制聚集规模，但存在主观性、随意性等问题。层级聚类法首先将一些犯罪点按搜索半径或聚集所需最少犯罪数量等规则进行聚类，然后在这些小聚类基础上产生更高一级的大聚类，如最近邻分级聚集、STAC 聚集等。该方法可以通过人为改变聚类参数来调整聚集规模，并按照一定规则产生层级不等的聚集，满足了警方对犯罪热点宏观与微观的不同处置要求14。密度估计法是将研究区域划分为若干网格后计算每个网格内犯罪发生密度。它不仅可以识别犯罪高发区域中心，而且可以逐渐向周边形成一个犯罪发生密度由高至低的连续区域15, 16。在实际应用中，可以将这些探测技术相互结合，发挥各自优势并进行相互验证等。另外，还可以结合相关权重或基准变量如人口、建筑物密度等进行犯罪热点聚集的“风险调整”，既能避免热点的形成仅仅是由于人口聚集而形成，也能探测到那些犯罪绝对数量相对较少但人口分布也稀疏的“高风险”区域17。犯罪热点的形成，表示不同地区的犯罪活动有差异，意味着潜在的社会及空间过程也不同，所使用的犯罪热点探测手段也必须随之调整18，目前也没有哪一种方法适用于所有类型犯罪19，而且绝大多数犯罪热点探测技术仅仅是针对犯罪数据本身，并未深入考虑犯罪背后因素。因此，务必要将探测结果与实际相结合，以使分析更加合理可靠。2.3 犯罪热点制图犯罪热点制图历史最早可以追溯至19世纪早期，纽约市警察局通过在挂图上插上不同颜色的“大头针”表示已发生的不同类型犯罪，从而直观显示不同的犯罪热点地区。20世纪20-30年代, 芝加哥大学的社会学家通过制图来检验青少年犯罪与社会之间的相关关系，被认为是20世纪初犯罪热点制图研究的一个重要里程碑。90年代以后, 随着计算机及GIS 技术的快速发展，犯罪热点制图也进入到实际应用阶段。目前，犯罪热点制图可归纳为专题制图法、几何图示法、连续表面法等。(1) 专题制图法是应用最早也是最广泛的热点制图方法20。通过离散点分布图、饼状图等传统方式表示犯罪热点，但对大数据量或小比例尺数据而言，可能会由于犯罪位置相同或者专题图本身重叠而不利于表达。也可以根据辖区内犯罪统计数据，用不同颜色表示不同程度的犯罪热点。可变区域单元问题使得颜色专题制图方法显得有些主观，虽然有学者提出使用网格单元代替辖区，但网格大小和形状的主观选择对制图结果仍然产生了重要影响12。(2) 几何图示法主要有椭圆法、最小凸包多边形法。此类方法的首要任务是利用某种热点探测方法得到每个热点所包含的犯罪离散点。椭圆法是根据这些离散点计算空间分布描述性分析方法中的各项指标，进而以椭圆表示“犯罪热点”。最小凸包多边形法是将这些犯罪离散点的最外围点首尾相接，以表示每个“犯罪热点”的边界划分，但极易受到极值影响，在警方实际工作中并不常用。几何图示法的主要优点是直观简洁，也不受辖区单元限制，但表现形式显得机械、武断。(3) 连续表面法的制图依据是空间插值和密度估计热点探测法21。该方法可形成犯罪密度由高到低的连续表面，其表现形式也更符合视觉要求。通过不同插值、密度估计函数及窗宽大小的选择可以控制连续表面的平滑程度，通过不同的权重进行热点“风险调整”。 该方法最大难点在于对插值及密度估计窗宽大小的选择，一般而言，窗宽越大，形成的犯罪热点连续表面越平滑，但受边缘效应的影响也越大，也可能因此而忽略某些真正的犯罪热点区域，如果窗宽过窄，则极易造成过多的峰值，形成“零碎”的热点区域。在犯罪热点的时间维度制图方面，可以通过时间轴等各类专题图来表示犯罪热点时段。通过将不同时间段内犯罪热点区域进行对比分析或者通过时空立方体模型22，实现犯罪热点时空互动表达。由于对犯罪热点理解不同，其研究方法或理论依据亦不同，而且犯罪热点很大程度上受犯罪数据的计算方法、研究尺度、人的感知等多方面影响，使得不同人员对同一犯罪分布的热点制图结果也不尽相同甚至大相径庭。2.4 犯罪热点成因分析犯罪热点形成与特定的地理、环境规律息息相关23，深刻揭示犯罪热点成因，可为制定犯罪防控决策提供科学依据。一般认为，犯罪热点成因分析是犯罪地理学、环境犯罪学重要研究内容之一24，并在其研究过程中，先后产生了可防卫空间、情景预防、日常活动、理性选择、犯罪型态、同心圆等犯罪理论25, 26，为深入开展犯罪热点成因分析提供依据和支撑，使得犯罪空间分析目标更加明确、分析结果更加合理。实际工作中，应根据犯罪数据拓扑形式、犯罪热点层级以及分析目的，基于合适的犯罪理论选择确当的研究方法，以科学指导犯罪空间成因分析，另一方面，新的成因分析方法也可能会带来新的犯罪分析理论，两者往往是相互促进，交替发展。通常情况下，对区域犯罪统计数据，可通过空间描述性分析、相关性分析、空间回归分析27, 28、尺度空间聚类、空间探索性数据分析、灰色关联法29等方法研究犯罪热点形成与社会、经济、环境之间的关系，最近几年来，有学者将空间计量经济模型如面板数据分析、地理加权回归模型引入犯罪热点成因分析中，大大拓宽了该领域的研究思路30，这些方法或模型同样受可变区域单元问题影响。而对离散点犯罪数据，主要是利用路径分析、最近邻距离分析、核密度估计等方法研究特定时空要素如场所、交通等对犯罪热点的影响31。通过上述空间分析、空间统计以及相关计量经济分析方法在犯罪热点成因研究中的应用，说明犯罪热点形成与人口分布中心、交通、娱乐设施、商业区分布、失业率、教育、年龄、婚姻、信仰、不平等收入、社会不利家庭、出租屋、种族、用地类型32等有着显著的成因关系。在国内，许多学者基于城市与区域、建筑空间、城市规划、城市空间环境33、区位及城市功能分区34、居民视角的居住环境等层面，利用案例分析法、统计分析法、理论分析法、抽样调查法、回归法等分析方法35，对中国犯罪热点的综合成因进行研究，并产生了诸如城市犯罪空间盲区等概念，为犯罪热点成因分析以及犯罪预防和控制，提供了新的思路和分析方法36, 37。犯罪热点时空分布成因异常复杂，不同地区环境的差异导致犯罪热点成因也不尽相同，即使同一地区，在不同时间内的犯罪成因也有所不同。目前利用多类要素的具体时空分布如场所、卡点、巡逻路线等对犯罪热点成因的定量研究及综合影响分析相对较少，在犯罪热点形成机理以及内在驱动方面也缺乏全面深入研究。2.5 犯罪热点预测犯罪热点时空分布会随着时间不同、地区差异而发生变化38。环境犯罪学中“二八规则”指出：几乎80% 的事件往往只和20% 的人或事件有关。对犯罪而言，就是说绝大部分犯罪发生在很小一部分地区或时段内，且仅与少数犯罪行为者有关39。这就意味着犯罪分布及热点形成并非无章可循，可以基于犯罪热点成因分析及时空转移规律进行犯罪预测。根据警方对预测结果的不同需求，犯罪预测可以分为长期预测和短期预测。长期预测主要为警方制定宏观规划以及各种政策服务，而短期预测为特定时间内的警力资源调控以及决策支持服务。具体有时间序列预测法、统计分析预测法及点模式分析预测法。(1) 时间序列预测分析方法，是根据以前犯罪变化趋势预测未来犯罪发展，它的前提是假定犯罪的发展变化在时间上具有连续性，如自回归移动平均法、指数平滑法、加权平均法等40, 41。该方法主要突出时间因素在预测中的作用，然而，犯罪热点的形成与外界因素如警方巡防措施、空间环境等有密切联系，当这些外界因素发生较大变化时，其预测结果必然会与实际状况严重不符，因此该方法常用于短期犯罪预测。(2) 统计分析预测方法，是对辖区犯罪数据进行归类并发现规律，然后解释并预测，是一种数据定量处理及预测技术，如证据权重法、计量经济模型42、面板数据分析方法等。该方法忽略犯罪发生的实际位置特征，并不能预测具体的犯罪热点区域，且在预测过程中很少考虑犯罪空间分布及其相互作用等特性，可能使得预测结果有偏甚至无效。(3) 点模式分析预测方法的基础是“基于离散点的犯罪热点探测方法”43, 44，结合各种犯罪理论如日常活动、理性选择等建立犯罪空间选择模型，预测犯罪行为发生地和个体犯罪行为，利用距离衰减函数、人工神经网络等方法预测系列犯罪的行为人居住地或犯罪发生时空的概率45，这种方法考虑了人口、环境等特定要素对犯罪分布的影响和犯罪行为发生空间的选择过程，并能直接用犯罪制图方式直观表达，但在定量预测方面相对显得较弱。国内有学者提出一种基于Agent 模拟的犯罪热点预测模型，它基于日常活动理论并且具备信息反馈机制，具有时空动态性，可以用来进行犯罪热点时空预测研究46，另外，有学者通过构建区域覆盖加权模型，使得对连续犯罪的预测准确率有了明显提高47。与其他社会现象预测类似，犯罪热点预测需要建立在对犯罪驱动机制及发生机理深入研究基础上。目前，犯罪热点预测精度研究显得相对较少，仅仅通过犯罪数据本身表现的某种规律或犯罪与某几类特定要素之间的关系进行，在预测的准确性及自适应性等方面尚待进一步论证48。二、论文的研究内容、研究目标,以及拟解决的关键问题（包括具体研究与开发的主要内容、目标和要重点解决的关键技术问题）1 研究目标以犯罪案事件数据为例，通过对犯罪热点时空分析的探索性研究，总结出一套合适的犯罪热点时空分析技术框架，为公安业务中分析犯罪数据提供有价值的依据。通过研究实现对案件时空分布准确和清晰的识别与表达，为公安工作提高办案、破案效率，合理分配警力资源提供决策辅助。2 研究内容论文尝试通过对犯罪热点时空分析的探索性研究，总结出一套合适的犯罪热点时空分析技术框架，通过研究实现对案件时空分布准确和清晰的识别与表达。研究内容为：（1） 犯罪热点时空分析的总体技术框架研究：在研究公安管理和决策需求，以及国内外相关理论、技术和方法的基础上，建立总体技术框架。（2） 犯罪热点时空分析：考虑犯罪社会危害程度，利用加权标准差椭圆法和加权Ripleys  K函数，发现时空分布趋势和犯罪热点。 （3） 犯罪热点成因分析：应用基于变量简化的相关性分析，研究犯罪热点及分布趋势与社会经济要素之间的相互关系，如与该辖区房价、流动人口等统计数据之间的关系。3 拟解决的关键问题(1) 对国内外现有犯罪热点分析的技术进行总结与梳理。(2) 犯罪热点分布识别的算法研究。(3) 相关因子分析方法的探索与研究。三、拟采取的研究方案及可行性分析 (包括研究的基本思路，研究过程拟采用的方法和手段，现有研究条件和基础，研究开发方案和技术路线等)1 技术路线结合犯罪热点分析相关文献，本文技术路线如图3-1所示： 图3-1 犯罪热点时空分布的应用研究流程2 现有研究的条件和基础本文研究方案的制定是在分析现有的技术、调查现有业务的基础上，阅读大量国内外相关文献资料后进行客观总结归纳、并与导师的多次讨论后确定的。本文用来作为热点分析的数据，可以借用福建省公安厅中的现有数据，拟选取福州市的入室盗窃、抢劫、盗窃自行车这三类案事件数据用以研究，在其基础上进行抽取、重组织后加以利用。 3 研究方案3.1案件空间分布模式识别(1) 标准差椭圆是用来描述点集空间分布情况的一种有效且直观的工具。点集所描述和代表的通常是具有一定的方向偏离的特定地理现象19。通过椭圆之间的细微的不同，同样可察出不同犯罪类型间的差异或同类案件在不同时间的差异，短轴表示案件聚集程度的高低，长轴反映案件扩散的方向，公式(1-3)为标准差椭圆计算公式，分为三步实现：1.以和为中心点，将每个案件点代入公式(1)，使所有点的坐标都以平均中心为参照进行坐标转换，按照公式计算出一个椭圆的旋转角度2.根据第一步得到的值，分别计算沿着X轴和沿着Y轴的标准差，如公式(2)所示，N代表点的数量，分母中的2是为了使估算值无偏差，因为沿着轴有两个已知常量（X均值和Y均值）；3.根据第二步得到的结果计算标准差椭圆的X轴和y轴。 (1) (2) (3) (2) Ripley'K方法与最邻近指数法相比，还考虑了次邻接情况。Ripley于1976年提出这一统计量，是对多阶邻点统计量的扩展。在分析具体问题时，相邻的点的聚集程度未必相同，所以Ripley'K方法更加全面地捕获研究K域的局部变异特征。K函数的实现分为4歩。求出步长为的缓冲区内点的个数式中，、分别表示具体的点和点；为点和点之间的距离；为指示函数，如果 <，则=1，否则=0。将第一步结果与研究区点的分布密度的倒数相乘得到K函数。对边界点构建缓冲区时，缓冲区的一部分会落在区域外，使结果失真。解决边界问题最简单的方法是引入一个权重,，表示以点为中心，并且落在研究区域内的缓冲区占整个缓冲区的比例。引入权重后的K函数表达式为对于随机点模式，函数的理想估计值为，如果值大于，则为聚集模式，反之为分散模式。所以最后的结果用差值形式检验是否存在聚集。下式为Ripley'K公式3.2 相关因子分析相关因子分析，用于解释变量的简化，能够将大量可能的变量减少为一些重要的因子。由于对犯罪率的研究涉及到大量社会经济相关因素，解释变量的数量庞大，则所有单个变量的独立解释重要性就越小，得不到满意的解释值，故将因子分类。以下是因子分析的步骤，(1) 变量选择和相关矩阵的计算，矩阵值的标准化变量公式为：=Z其中，为第j个变量为在对象k中的观察值；为第j个变量在所有对象中观察值的平均值；为第j个变量的标准差；为第j个变量在对象k中的标准化的值；Z为因子分析基本表达。然后利用Kaiser-Meyer-Olkin(KMO)标准值MSA进行检验因子分析的可行性，MSA大于0.6为勉强合适，大于0.7为一般，大于0.8为合适。(2)因子的提取，确定因子载荷，即因子和变量之间的相关系数，分析相关矩阵和载荷矩阵之间的关系，公式如下：R为相关矩阵；Z'为标准化原始数据矩阵的转置矩阵。(3)累枳方差贡献率的确定，通常累积方差贡献率小于1，用来约定因子解释总体方差的百分比；（4）因子的数量，利用Kaiser标准提取特征值大于1的因子；（5)因子解释，确定了因子数量后，需要试图利用关系背后隐含的原因解释因子，如果一个变量在很多因子上的载荷大于等于0.5，需要解释每个因子；（6）确定因子得分，公式为其中P为因子得分；A为因子载荷；为逆矩阵。4 研究方案可行性本文研究方案的制定是在阅读和学习大量国内外相关文献资料后进行客观总结归纳，以及与吴升老师、毛政元老师、博士生等课题组成员的多次讨论基础上进行的。这些文献资料均来源于国内外学术专著、学术论文数据库。而且课题组成员对本文的支撑课题已经有较长时间的研究，对研究工作已有比较深刻的认识。同时，课题获得国家863项目“海峡西岸公共安全应急指挥与位置服务应用示范”的支持。本文的研究以福建省为示范区，需要福建省案事件相关数据。由于数据的保密性，在此只列出论文相关的犯罪案件数据的几个关键属性：案件名称，案发时间，案件类别，案发地（区、县），案发地派出所，案件级别，作案人数等，并且数据的时间跨度大。四、本课题的特色与创新之处1 预期成果综合目前所阅读的文献以及了解的信息，预计论文工作将取得如下结果：1） 研究出一套犯罪热点时空分析的总体技术框架。2） 研究出犯罪热点时空分布识别的新算法，实现对案件时空分布准确和清晰的识别与表达。3） 完成学位论文，发表学术论文1-2篇。2 创新之处1） 目前国内很少有人提出犯罪热点时空分析的总体技术框架。2） 考虑犯罪的社会危害程度，进行犯罪风险热点时空分析，更清晰准确地表达犯罪时空分布趋势和犯罪风险热点。3 论文进度安排2012年12月-2013年1月 阅读相关文献以及论文开题2013年2月-2013年5月 犯罪热点时空分析的总体技术框架研究2013年6月-2013年10月 犯罪风险热点时空分析2013年11月-2014年1月 犯罪热点成因分析2014年2月-2014年3月 论文初稿2014年4月-2014年5月 论文修改及预答辩2014年6月 论文正式答辩五、参考文献1程日能. 数据挖掘技术在警务综合信息系统的应用研究D. 广东工业大学, 2011.2王帅. 犯罪案件时空热点分析研究D. 首都师范大学, 2012.3李小文, 曹春香, 常超一. 地理学第一定律与时空邻近度的提出J. 自然杂志, 2007, 29(2): 69-71.4陈彦光. 基于Moran统计量的空间自相关理论发展和方法改进J. 地理研究, 2009, 28(6): 1449-1463.5Mitchel A. The ESRI Guide to GIS Analysis, Volume 2: Spatial Measurements & Statistics. In. ed.: Redlands, California, United States of America: ESRI Press; 2005.6Mitchell A. GIS Analysis Volume 2: Spatial Measurements & Statistics. In. ed.: ESRI Press; 2005.7张志杰, 彭文祥, 周艺彪等. 空间点模式分析中离散趋势的描述研究及应用J. 中国卫生统计, 2009, (5).8王超, 赵文吉, 周大良. 基于 GIS 的犯罪分析系统研究与设计J. 首都师范大学学报: 自然科学版, 2010, 31(003): 47-52.9王劲峰, 廖一兰, 刘鑫. 空间数据分析教程M. 科学出版社, 2010.10陈鹏, 李锦涛, 马伟. 犯罪热点的分析方法研究J. 中国人民公安大学学报: 自然科学版, 2012, 18(3): 53-57.11Cohen J, Garman S, Gorr W. Empirical calibration of time series monitoring methods using receiver operating characteristic curvesJ. International Journal of Forecasting, 2009, 25(3): 484-497.12Gorr W L. Forecast accuracy measures for exception reporting using receiver operating characteristic curvesJ. International Journal of Forecasting, 2009, 25(1): 48-61.13孙吉贵, 刘杰, 赵连宇. 聚类算法研究J. 软件学报, 2008, 19(1): 48-61.14刘启亮, 李光强, 程涛等. 基于场论的空间聚类算法J.15颜峻, 袁宏永, 疏学明等. 用于犯罪空间聚集态研究的优化聚类算法J. 清华大学学报: 自然科学版, 2009, (2): 176-178.16颜峻. 基于时空数据挖掘的社会安全(刑事)事件成因研究D. 清华大学, 2009.17Levine N. CrimeStat III: A Spatial Statistics Program for the Analysis of Crime Incident Locations (version 3.1), Ned Levine & Associates, Houston, National Institute of Justice, WashingtonJ. TX/National Institute of Justice: Washington, DC, 2004.18Gorr W, Olligschlaeger A, Thompson Y. Short-term forecasting of crimeJ. International Journal of Forecasting, 2003, 19(4): 579-594.19Eck J, Chainey S, Cameron J, et al. Mapping crime: Understanding hotspotsJ. 2005.20Poulsen E, Kennedy L W. Using dasymetric mapping for spatially aggregated crime dataJ. Journal of Quantitative Criminology, 2004, 20(3): 243-262.21Harries K. Extreme spatial variations in crime density in Baltimore County, MDJ. Geoforum, 2006, 37(3): 404-416.22Cusimano M, Marshall S, Rinner C, et al. Patterns of urban violent injury: a spatio-temporal analysisJ. PloS one, 2010, 5(1): e8669.23陈鹏, 疏学明, 颜峻等. 犯罪活动在一天内的发生时间规律J. 清华大学学报: 自然科学版, 2009, (012): 2032-2035.24梅建明. 论环境犯罪学的起源, 发展与贡献J. 中国人民公安大学学报: 社会科学版, 2007, 22(5): 66-72.25杨英姿. 国外城市社区空间环境与犯罪关系理论研究综述J. 现代城市研究, 2011, 2: 78-85.26Brantingham P, Brantingham P. 5. Crime pattern theoryJ. Environmental criminology and crime analysis, 2008: 78.27Andresen M A. Crime measures and the spatial analysis of criminal activityJ. British Journal of Criminology, 2006, 46(2): 258-285.28Phillips P, Lee I. Criminal cross correlation mining and visualizationJ. Intelligence and Security Informatics, 2009: 2-13.29王法辉. 基于GIS的数量方法与应用M. 商务印书馆, 2009.30颜峻, 疏学明, 袁宏永. 盗窃犯罪空间分布与地理因素的关联J. 清华大学学报: 自然科学版, 2010, (2): 174-176.31Cracolici M F, Uberti T E. Geographical distribution of crime in Italian provinces: a spatial econometric analysisJ. Jahrbuch für Regionalwissenschaft, 2009, 29(1): 1-28.32王法辉. 社会科学和公共政策的空间化和 GIS 的应用J. ACTA GEOGRAPHICA SINICA, 2011, 66(8).33毛媛媛, 戴慎志. 犯罪空间分布与环境特征以上海市为例J. 城市规划学刊, 2006, (3): 85-93.34王益澄, 林玲. 东部沿海城市犯罪问题的城市地理学研究J. 宁波大学学报 (人文科学版), 2009, 22(1).35颜峻, 袁宏永, 疏学明. 社会安全事件空间分布研究J. 中国安全科学学报, 2008, 18(7): 39-42.36王发曾. 城市犯罪中特殊空间盲区的综合治理J. 华东政法大学学报, 2007, (5): 56-62.37王发曾. 城市犯罪空间盲区的综合治理研究J. 地理研究, 2010, (001): 57-67.38Ratcliffe J H. Detecting spatial movement of intra-region crime patterns over timeJ. Journal of Quantitative Criminology, 2005, 21(1): 103-123.39Clarke R V, Eck J. Become a problem-solving crime analyst: In 55 small stepsJ. No: ISBN 0-9545607-0-1, 2003: 127.40王欣. 治安预测方法与技术比较研究J. 中国人民公安大学学报: 自然科学版, 2011, 17(3): 29-35.41Gorr W, Harries R. Introduction to crime forecastingJ. International Journal of Forecasting, 2003, 19(4): 551-555.42Deadman D. Forecasting residential burglaryJ. International Journal of Forecasting, 2003, 19(4): 567-578.43Laukkanen M, Santtila P, Jern P, et al. Predicting offender home location in urban burglary seriesJ. Forensic science international, 2008, 176(2): 224-235.44Liu H, Brown D E. Criminal incident prediction using a point-pattern-based density modelJ. International journal of forecasting, 2003, 19(4): 603-622.45Xue Y, Brown D E. Spatial analysis with preference specification of latent decision makers for criminal event predictionJ. Decision support systems, 2006, 41(3): 560-573.46陈鹏, 疏学明, 袁宏永等. 时空犯罪热点预测模型研究J. 系统仿真学报, 2011, 23(9): 1782-1786.47薛钟, 乔良, 王峰等. 连续犯罪预测的区域覆盖加权模型 (AOWM)J. 数学的实践与认识, 2010, (015): 212-217.48G