在情报主导警务理念的推动下,提升犯罪情报的分析研判能力是公安机关加强犯罪防控、合理警务决策的关键环节,因此实现犯罪情报的精准预测尤为重要。近些年,随着大数据浪潮的到来,数据驱动的犯罪情报预测也成为了学术界的研究热点。研究者们在犯罪态势预测、特定犯罪类型的发生概率预测、特定人群的犯罪概率预测、犯罪类型预测等研究方向都进行了一定的探索。但是,在这些方向的研究还不够充分,研究者们所提出的预测技术较少、预测技术的精准度还需要进一步的提高。尤其是在犯罪类型预测这一方向,由于受到实验数据的限制——据笔者调研现在公开的、适用于该方向研究的仅有旧金山犯罪数据库,该方向的研究成果非常匮乏、所实现的预测技术的精准度也相对较低,进而无法满足公安实战需求。因此笔者专门从H市公安实战部门搜集了涉及50种犯罪类型的145962个违法犯罪案件样本,形成了总数据量为1605582的数据库。本文提出基于时间-犯罪类型计数向量化和密集型神经网络的犯罪类型预测、基于密集型神经网络和长短期记忆神经网络相融合的犯罪类型预测等2项犯罪类型预测算法,并在本文所搜集的旧金山犯罪数据库和H市犯罪数据库上验证了这2项算法的先进性。针对现有的犯罪类型预测算法没有充分挖掘时间属性和犯罪类型之间关系的问题,本文提出了基于时间-犯罪类型计数向量化和密集型神经网络的犯罪类型预测算法。主要包括基于时间-犯罪类型计数向量化的特征构建和基于密集型神经网络的预测两个步骤。其中,时间-犯罪类型计数向量化技术可更充分地挖掘犯罪时间和犯罪类型之间的关联关系;所设计调试的密集型神经网络可更好地拟合所构建特征和犯罪类型之间的关系。为了验证算法的有效性和普适性,本文同时在H市犯罪数据库和旧金山犯罪数据库上进行了实验验证。针对现有的犯罪类型预测算法没有考虑案件发生的先后顺序而无法实现使用现有数据对未来案件类型进行预测的问题,本文提出了基于密集型神经网络和长短期记忆神经网络相融合的犯罪类型预测算法。首先,分别建立密集型神经网络和长短期记忆神经网络,并分别在训练集上进行训练;然后,将两者的输出结果输入到一个新的神经网络中进行训练,实现两种神经网络的融合。其中,密集型神经网络的使用可以有效拟合所构建特征和犯罪类型之间的关系;长短期记忆神经网络的使用可以挖掘违法犯罪案件在时间维度上的先后逻辑关系。同样,通过在旧金山犯罪数据库和H市犯罪数据库上的对比实验证实了本算法的先进性。