犯罪分析中的可解释时空建模：基于图神经网络的抢劫预测

《Expert Systems with Applications》：Explainable Spatiotemporal Modeling in Crime Analytics: Robbery Prediction via Graph Neural Networks

　　

• •
  一种可解释的时空残差图神经网络（SRGCNN）被应用于入室盗窃风险预测。
• •
  该模型整合了公共安全应用程序中的细粒度公民感知数据。
• •
  图神经网络（GNN）框架大幅超越传统分类器（平均AUC ≈ 0.85）。
• •
  可解释人工智能（XAI）揭示"可疑活动"报告是入室盗窃最重要的预测因子之一。
• •
  消融实验表明，时间连接对预测准确性尤为关键。

引言

犯罪预测是一项高风险挑战，对公共健康、社会公平和经济活力具有深远影响（Moradi 等人，2026年）。鉴于所涉及的复杂、动态和多维度数据，犯罪预测代表了人工智能（AI）的一项强大且必要的应用，为建模和缓解核心社会问题提供了一种途径（Liu, Biljecki, 2022年; de Santos, Coelho, Cacho, de Araújo, 2024年）。

为应对这一挑战，深度学习（DL）架构，特别是图神经网络（GNN），已成为一种强有力的工具。在地理空间人工智能（GeoAI）领域，GNN通过将区域表示为图中的节点、将其关系（如街道连接）表示为边，在建模犯罪的复杂时空动态方面表现出色（Jin, Liang, Fang, Shao, Huang, Zhang, Zheng, 2023年; Wang, Zhang, Piao, Lin, Hu, Yin, 2025年）。然而，采用基于GNN的架构意味着一种权衡：从独立网格单元到连通图拓扑结构的转变虽然提供了更优的空间保真度，但在预处理阶段引入了不可忽视的计算开销，而传统机器学习模型并不需要这一开销（Jin 等人，2023年）。

当强大的GeoAI模型被部署在社会敏感场景中时，其"黑箱"特性便成为一种关键弊端（Liu, Zhang, & Biljecki, 2024年）。GNN等复杂模型的不透明性引发了关于公平性、问责制以及算法偏见可能放大现有不平等的重大伦理关切。在预测性警务这一高风险领域，模型输出会影响资源分配，可理解性不是一种奢侈品，而是一种伦理上的必然要求（Ers?z, Ers?z, Marcelloni, & Ruffini, 2025年）。这推动了可解释人工智能（XAI）的兴起，XAI致力于使模型决策对人类利益相关者透明且可理解（Zhang 等人，2022年）。尽管可理解性（内在模型透明度）和可解释性（事后说明）有所不同，但在应用场景中这两个术语经常被互换使用（Tjoa & Guan, 2023年）。

在此基础上，本研究开发了一个由AI驱动的系统，能够预测特定区域中特定类型犯罪的发生。该系统设计为使用犯罪报告应用程序的数据，其中包括公民报告的各种犯罪事件和可疑活动。这些平台赋予公民直接向执法部门报告事件的能力，旨在提高官方响应速度并培养社区安全共享责任意识（Wood, Ross, & Johns, 2022年）。

本研究通过开发可解释的时空建模框架，应对准确且透明地预测抢劫风险这一挑战。我们独特地整合了三个尖端元素：(1) 来自智利专用安全应用程序的细粒度公民感知地理数据，涵盖犯罪和可疑活动；(2) 一种能够捕捉城市空间复杂网络拓扑结构的GNN架构；以及(3) 一个可解释的AI组件，以确保模型透明度和可审计性。主要目标是为城市政府和警察局提供一个不仅能预测而且可解释的决策支持系统，从而实现对公共安全资源的高效公平分配。

本研究的主要贡献有三点：

• 1.
  我们对来自专用公民安全应用程序的独特数据集提供了新颖的分析。我们的结果首次提供了实证证据，表明不同类别的公民报告（如可疑活动）作为抢劫等高影响犯罪前兆的预测能力，为城市规划者和执法机构提供了可操作的见解。
• 2.
  我们首次将时空残差图卷积神经网络（SRGCNN）改编并应用于抢劫预测这一特定任务。此外，我们展示了如何在犯罪分析场景中，利用集成梯度（IG）和GNNExplainer等技术，为时空图预测生成特征级和节点级解释。
• 3.
  我们提出了一个可解释的预测性警务框架，架起了公民感知和可解释GeoAI这两种新兴范式之间的桥梁。我们的方法不仅能生成准确的犯罪预测，还揭示了某些区域风险更高的原因和位置。此外，我们框架的可解释性为决策提供了可审计的基础，有助于确保预测性警务保持问责、公平，并以安全应用数据得出的实证证据为依据。

本研究探索以下研究问题（RQ）：

• (RQ1):
  通过GNN架构整合时空依赖关系，在多大程度上能够提升抢劫风险模型相对于传统分类器的预测准确性？
• (RQ2):
  不同类别的公民感知数据（如可疑活动与其他安全报告）在预测未来抢劫事件时具有怎样的预测能力，它们如何为模型的预测做出贡献？
• (RQ3):
  模型的空间和时间组件分别如何为其预测性能做出贡献？

本文其余部分结构如下：第2节回顾了AI与城市科学在犯罪模式分析方面的融合。第3节描述了所提出的时空数据处理和可解释预测框架。第4节报告了使用智利犯罪应用数据的实验结果。第5节讨论了研究发现并承认了方法的局限性。最后，第6节提供了主要结论并提出了未来的发展方向。

各节摘要

相关工作

犯罪分析旨在应用高级数据分析技术来理解、建模并最终预防犯罪活动（Mandalapu, Elluri, Vyas, Roy, 2023年; Oatley, 2022年）。本节回顾了城市科学、犯罪学和AI交叉领域的文献，为一种利用公民感知数据的可解释图方法构建了逻辑论证。

用于抢劫预测的基于GNN的提案系统

本节介绍了我们基于安全应用报告预测犯罪频率的框架。主要目标是预测未来时间间隔内不同城市区域中各类犯罪的 occurrence，从而实现主动资源分配和明智的公共安全策略。该框架改编自跨行业数据挖掘标准流程（CRISP-DM）（Wirth & Hipp, 2000年），该流程概述了数据科学周期的几个阶段，如下所述。

实验结果

本节描述实验设置并总结主要发现。我们首先介绍SOSAFE数据集，概述为准备训练数据所应用的预处理步骤，并解释第4.1节中详述的时空建模设计。接着，我们展示基于所提出的SRGCNN的AI系统获得的主要结果，并将其性能与传统表格分类器（如随机森林）进行比较，如第4.2节所述。

讨论与局限性

本研究的主要意义在于验证了一个负责任的预测性警务的端到端框架。通过将公民感知数据与可解释的GeoAI模型相结合，我们为执法机构透明地利用新型数据源提供了一个模板。

尽管在城市分析中，与公开犯罪数据集进行基准测试是常见的做法，但由于数据逻辑的根本差异，本研究未使用这些数据源。公开数据集通常由官方记录组成……

结论与未来工作

本研究通过将公民感知数据与SRGCNN相结合，开发了一个准确且可解释的城市抢劫预测框架。我们的结果表明，基于GNN的架构大幅提高了相对于传统分类器的预测性能（平均AUC ≈ 0.85），同时揭示可疑活动报告是未来犯罪的高度显著前兆。

首先，关于RQ1，我们的结果表明通过GNN架构整合时空依赖关系……

作者协议声明

我们声明本手稿是原创的，之前未曾发表，目前也未在其他地方考虑出版。

我们确认手稿已为所有署名作者阅读并批准，且没有满足作者标准但未列出的其他人。我们进一步确认手稿中作者的排列顺序已获我们所有人批准。

我们理解通讯作者是编辑部的唯一联系人……

未引用参考文献

缺少引用图B1、图B2、图B3、图B4、图B5、图B6、图B7、图B8、图B9、表A1、表A2、表A3。

CRediT作者贡献声明

Carla Vairetti：构思、监督、撰写——初稿准备。Sebastián Maldonado：构思、方法论、撰写——初稿准备。Richard Weber：项目管理、调查、撰写——初稿准备。Joaquín Roa：调查、数据管理、软件与实验、撰写——初稿准备。

Carla Vairetti|Sebastián Maldonado|Richard Weber|Joaquín Roa