城市盗窃犯罪是一种案件数量多、警务资源消耗大的犯罪类型。盗窃犯罪时空分布的精准化预测对提升布控、排查、巡逻等警务工作的效能具有支撑作用。目前,国内外针对犯罪预测方法的研究多局限于大时空尺度,准确率、精细度有限,预测结果对实际警务工作的指导性普遍不足。针对上述问题,本文研究了城市盗窃案件的时序特征与时空特征的分析、提取方法,结合环境影响因子,以“日”为时间尺度,以“社区”为空间尺度,建立了LSTM与ST-GCN融合的城市盗窃犯罪时空分布预测模型,并利用实际案例数据进行了验证。本文的研究内容和所取得的成果如下。(1)建立了LSTM与ST-GCN融合的城市盗窃犯罪预测模型。模型共分为3个模块,即时序特征提取模块、时空特征提取模块和特征融合模块。时序特征提取模块使用LSTM网络作为基础模型,用于提取每个社区的盗窃案件数量随着时间推移所产生的变化趋势。时空特征提取模块是由GCN和ST-Res Net融合产生的ST-GCN,用于提取盗窃案件的空间传播特征。特征融合模块使用GBDT模型对时序特征提取模块和时空特征提取模块所提取出的时序特征和时空特征进行融合。该模型以“日”为时间尺度,提取了临近性特征、周期性特征、趋势性特征等时空特征,以“社区”为空间尺度,提出了基于空间拓扑结构的预测方法,并以天气、“是否节假日”、“是否工作日”等变量作为外部特征,进行城市盗窃案件的时空分布预测。(2)对建立的城市盗窃犯罪预测模型进行了验证。本文统计了美国芝加哥市全部77个社区自2015年至2020年初的全部盗窃案件数据,以2015年至2019年的数据为训练集,对上述模型进行了训练。在测试集(2020年1月1日至3月10日的盗窃案件数据)上,本文提出的融合模型得到的RMSE为1.03、R~2为0.84,结果优于岭回归模型(RMSE为4.04、R~2为0.48)、随机森林回归模型(RMSE为3.91、R~2为0.53)和LSTM神经网络模型(RMSE为1.59、R~2为0.75)。此外,本文还提出了LSTM与GCN结合的社区发案数量等级分类预测模型,以验证上述融合模型在实际使用过程中对于各社区的预测结果的可靠性,该模型对各个社区的分类预测准确性均在80%以上,最高可达到100%.本文提出的LSTM与ST-GCN融合的城市盗窃犯罪预测模型预期可以为治安风险防控、警力资源配置、社区警务工作、大型活动安保等多种业务场景下的警务决策提供支持。