盗窃类警情是以非法占有为目的的一类犯罪案件,在我国呈现高发态势,严重影响人民生活的安全感和幸福感,一直是公安部门治安防控的重点。随着我国城镇化进程不断深入,城市空间扩张、人口迁移等变化使得盗窃类警情的情况更加复杂,防控形势愈加严峻。盗窃类警情属于可防性的犯罪案件,它的时空分布并非是随机的,通过识别和提取盗窃类警情的时空分布特征,预测基于小时级、社区级的微观时空尺度下盗窃类警情的时空分布情况,有利于警方更高效地分配警力进行巡防工作,迫使犯罪分子因警察的威慑效应而终止犯罪,实现对此类犯罪的有效打击。目前,基于犯罪时空分布特征的犯罪预测方法和模型被广泛研究,但基于微观时空尺度的统计会造成犯罪警情分布稀疏,导致犯罪时空分布特征难以识别和提取,是微观尺度下犯罪预测面临的主要瓶颈。而随着深度学习算法的快速发展,对图像特征识别和长时间序列记忆的能力显著提升,打破了这些瓶颈和制约,结合深度学习算法的犯罪预测方法和模型研究成为发展趋势。本文以苏州市吴中区盗窃类警情为研究对象,通过分析盗窃类警情时空分布情况和犯罪近重复现象,确定合适的微观时空研究尺度,进一步融合相关环境影响因子,构建了基于卷积长短期记忆网络(Conv LSTM)的盗窃类警情时空分布预测模型,实现对基于小时级、社区级微观时空尺度下的盗窃类警情时空分布的预测,同时建立盗窃类警情预测评价方法,综合评价预测结果。本文的研究内容和取得成果如下:(1)通过对研究区域盗窃类警情的时间分布和空间分布情况进行特征分析,发现研究区域内的盗窃类警情时空分布具有时间周期性、邻近性、趋势性和空间聚集性特征,证明研究区盗窃类警情的可预测性。在此基础上对盗窃类警情的时空交互性进行探究,分析了盗窃类警情近重复现象,计算其有效的时空范围,结合盗窃类警情时空分布特征分析结果,确定观察研究对象的合适微观时空尺度。通过分析多种环境影响因子与盗窃类警情之间的相关性,筛选与研究区内盗窃类警情密切相关的环境影响因子。为实现微观时空尺度下稀疏盗窃类警情时空分布特征学习方法,构建基于Conv LSTM网络的盗窃类警情时空分布预测模型提供基础。(2)通过自适应空间分辨率方法、Conv LSTM网络设计、相关环境影响因子融合和预测结果评价方法这四个部分,构建基于Conv LSTM网络的盗窃类警情时空分布预测模型,解决了稀疏盗窃类警情分布特征难以识别的问题,记忆了盗窃类警情长时间序列的依赖关系,实现了基于小时级、社区级微观时空尺度的盗窃类警情时空分布预测。(3)根据预测模型拟合程度和预测结果准确性两方面的指标,对不同时段、不同月份、综合预测结果进行对比分析,实现盗窃类警情时空分布预测评价流程。结果表明,基于Conv LSTM网络的盗窃类警情时空分布预测模型可以有效实现微观时空尺度下的盗窃类警情预测。模型预测结果受盗窃类警情数量影响,在盗窃类警情数量较大的时段,预测效果会更好。同时对基于Conv LSTM网络的盗窃类警情时空分布预测模型与其他基于深度学习的预测模型进行对比分析,结果显示本文构建的预测模型优于基于盗窃类警情的CNN预测模型和基于盗窃类警情的FC-LSTM预测模型。