文章总结： 本文提出犯罪时空预测基础模型ST-Crime，以Transformer为骨干，结合时空记忆检索增强与自适应图学习机制提取多城市共性模式。在四城市超30万条数据实验中，该模型在充分训练、少样本及零样本场景下指标均显著优于次优模型，有效解决泛化弱与数据依赖问题，为环境依赖型犯罪预测提供统一方案。 综合评分： 77 文章分类： 其他

【成果速递】ST-Crime：面向环境依赖型犯罪时空预测的检索增强预训练基础模型

原创

汪韬，陈鹏 汪韬，陈鹏

安全防范与风险评估重点实验室

2026年5月2日 15:36 河南

在小说阅读器读本章

去阅读

成果速递

ST-Crime：面向环境依赖型犯罪时空预测的检索增强预训练基础模型

摘要：

【目的】针对环境依赖型犯罪时空预测中模型泛化能力弱、依赖大量城市标注数据的问题，本文提出了一种基于生成式预训练与提示学习的基础模型ST-Crime，旨在提升环境依赖型犯罪时空预测的准确性以及对新环境的泛化性能。

【方法】该方法首先将犯罪数据统一表示为张量形式，以Transformer为主干网络捕获全局时空依赖，并设计了犯罪时空记忆检索增强模块，通过时空记忆、犯罪类型交互与自适应图学习机制，从多城市数据中提取共性时空模式并生成提示信息以增强模型表达能力。

【结果】实验使用2019年全年纽约、洛杉矶、旧金山、芝加哥4个城市总计超过30万条的犯罪数据，涵盖入室盗窃、抢劫、 重罪袭击与重大盗窃4类典型环境依赖型犯罪。在充分训练场景（即使用纽约、洛杉矶、旧金山3个城市全年数据进行模型训 练）下，ST-Crime在3个城市上的Macro-F1分别达到0.7397、0.6433、0.6652，Micro-F1达到0.6871、0.6018、0.5375，相较于各城市次优模型，Macro-F1分别提升了1.57%、4.30%和6.45%，Micro-F1分别提升了1.15%、6.06%和9.63%，提升效果显著。在少样本与零样本推理场景（使用芝加哥数据，前者仅用20%数据微调，后者直接推理）下，其Macro-F1也分别达到0.6586与 0.6031，Micro-F1达到0.5969与0.5653，相较于次优模型，Macro-F1分别提升了7.02%和7.73%，Micro-F1分别提升了3.41%和9.51%，展现出优秀的跨城市泛化能力。

【结论】 ST-Crime能够有效捕捉犯罪时空分布特性，并在充分训练、少样本与 零样本等不同数据条件下均表现出色，为环境依赖型犯罪时空预测任务提供了统一的解决方案。

关键词：犯罪时空预测；提示学习；通用模型； Transformer；注意力机制；检索增强生成；掩码预训练；自适应图学习

编辑：马文洁

审核：陈鹏

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：安全防范与风险评估重点实验室 汪韬，陈鹏 汪韬，陈鹏《【成果速递】ST-Crime：面向环境依赖型犯罪时空预测的检索增强预训练基础模型》