| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 引言 | 第10-11页 |
| 1 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 环境犯罪学理论体系 | 第12-14页 |
| 1.2.2 犯罪出行实证研究 | 第14-15页 |
| 1.2.3 犯罪人出行预测研究 | 第15-16页 |
| 1.2.4 国内外研究对比 | 第16页 |
| 1.3 研究内容与数据来源 | 第16-18页 |
| 1.3.1 研究内容 | 第16-18页 |
| 1.3.2 数据来源 | 第18页 |
| 1.4 论文的组织安排 | 第18-20页 |
| 2 盗窃电动自行车案件的时空分布态势 | 第20-29页 |
| 2.1 研究方法 | 第20-21页 |
| 2.1.1 核密度估计 | 第20-21页 |
| 2.1.2 Knox分析 | 第21页 |
| 2.2 盗窃电动自行车案件时空分布特征分析 | 第21-28页 |
| 2.2.1 盗窃电动自行车案件时间分布特征分析 | 第21-24页 |
| 2.2.2 盗窃电动自行车案件空间分布特征分析 | 第24-27页 |
| 2.2.3 盗窃电动自行车案件时空分布特征分析 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 3.盗窃电动自行车案件犯罪人出行距离分析 | 第29-47页 |
| 3.1 犯罪人空间出行整体态势 | 第29-35页 |
| 3.1.1 盗窃电动自行车案件空间出行方向及趋势 | 第29-32页 |
| 3.1.2 盗窃电动自行车案件犯罪人出行距离统计 | 第32-35页 |
| 3.2 不同个体特征下犯罪出行距离统计及差异性检验 | 第35-43页 |
| 3.2.1 分析方法 | 第35-37页 |
| 3.2.2 主要分析结果 | 第37-43页 |
| 3.3 盗窃电动自行车案件不同个体特征下犯罪出行机制 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 盗窃电动自行车案件犯罪出行距离影响因素综合分析 | 第47-61页 |
| 4.1 分析数据与变量 | 第47-49页 |
| 4.1.1 分析数据 | 第47页 |
| 4.1.2 数据处理及变量提取 | 第47-49页 |
| 4.2 研究方法 | 第49-50页 |
| 4.2.1 因子分析 | 第49页 |
| 4.2.2 最优尺度回归 | 第49-50页 |
| 4.3 盗窃电动自行车案件犯罪出行距离影响因素分析 | 第50-60页 |
| 4.3.1 盗窃电动自行车案件空间地理环境特征分析 | 第50-54页 |
| 4.3.2 盗窃电动自行车案件犯罪出行距离影响因素分析 | 第54-60页 |
| 4.4 本章小结 | 第60-61页 |
| 5.盗窃电动自行车案件犯罪人落脚点预测 | 第61-85页 |
| 5.1 盗窃电动自行车案件预测模型构建 | 第61-62页 |
| 5.2 基于犯罪出行距离分布的犯罪人落脚点位置预测 | 第62-71页 |
| 5.2.1 模型构建 | 第62-63页 |
| 5.2.2 实验及训练过程 | 第63-67页 |
| 5.2.3 验证分析 | 第67-68页 |
| 5.2.4 软件开发及应用展示 | 第68-71页 |
| 5.3 基于机器学习方法的犯罪人落脚点用地类型预测 | 第71-84页 |
| 5.3.1 模型构建 | 第71-73页 |
| 5.3.2 模型算法 | 第73-76页 |
| 5.3.3 实验及训练过程 | 第76-80页 |
| 5.3.4 预测结果分析 | 第80-82页 |
| 5.3.5 软件开发及应用展示 | 第82-84页 |
| 5.4 本章小结 | 第84-85页 |
| 结论 | 第85-87页 |
| 参考文献 | 第87-92页 |
| 在学研究成果 | 第92-93页 |
| 致谢 | 第93-94页 |
