Urban crime is an ongoing problem in metropolitan development and attracts general concern from the international community. As an effective means of defending urban safety, crime prediction plays a crucial role in patrol force allocation and public safety. However, urban crime data is a macro result of crime patterns overlapped by various irrelevant factors that cause inhomogeneous noises—local outliers and irregular waves. These noises might obstruct the learning process of crime prediction models and result in a deviation of performance. To tackle the problem, we propose a novel paradigm of <underline>Du</underline>al-<underline>ro</underline>bust Enhanced Spatial-temporal Learning <underline>Net</underline>work (DuroNet), an encoder-decoder architecture that possesses an adaptive robustness for reducing the effect of outliers and waves. The robustness is mainly reflected on two aspects. One is a locality enhanced module that employs local temporal context information to smooth the deviation of outliers and dynamic spatial information to assist in understanding normal points. The other is a self-attention-based pattern representation module to weaken the effect of irregular waves by learning attentive weights. Finally, extensive experiments are conducted on two real-world crime datasets before and after adding Gaussian noises. The results demonstrate the superior performance of our DuroNet over the state-of-the-art methods.

中文翻译：

---

杜罗网

城市犯罪是大都市发展中的一个持续存在的问题，受到国际社会的普遍关注。作为保卫城市安全的有效手段，犯罪预测在巡逻力量分配和公共安全中发挥着至关重要的作用。然而，城市犯罪数据是犯罪模式与各种不相关因素重叠的宏观结果，这些因素会导致不均匀的噪声——局部异常值和不规则波。这些噪声可能会阻碍犯罪预测模型的学习过程并导致性能偏差。为了解决这个问题，我们提出了一种新颖的<underline>Du</underline>al-<underline>ro</underline>bust 增强时空学习<underline>Net</underline>work（DuroNet）范式，一种编码器-解码器架构，具有自适应鲁棒性，可减少异常值和波动的影响。鲁棒性主要体现在两个方面。一个是局部增强模块，它使用局部时间上下文信息来平滑异常值的偏差和动态空间信息来帮助理解正常点。另一种是基于自注意力的模式表示模块，通过学习注意力权重来削弱不规则波的影响。最后，在添加高斯噪声前后的两个真实犯罪数据集上进行了广泛的实验。结果证明了我们的 DuroNet 优于最先进的方法。一个是局部增强模块，它使用局部时间上下文信息来平滑异常值的偏差和动态空间信息来帮助理解正常点。另一种是基于自注意力的模式表示模块，通过学习注意力权重来削弱不规则波的影响。最后，在添加高斯噪声前后的两个真实犯罪数据集上进行了广泛的实验。结果证明了我们的 DuroNet 优于最先进的方法。一个是局部增强模块，它使用局部时间上下文信息来平滑异常值的偏差和动态空间信息来帮助理解正常点。另一种是基于自注意力的模式表示模块，通过学习注意力权重来削弱不规则波的影响。最后，在添加高斯噪声前后的两个真实犯罪数据集上进行了广泛的实验。结果证明了我们的 DuroNet 优于最先进的方法。在添加高斯噪声之前和之后，对两个真实世界的犯罪数据集进行了广泛的实验。结果证明了我们的 DuroNet 优于最先进的方法。在添加高斯噪声之前和之后，对两个真实世界的犯罪数据集进行了广泛的实验。结果证明了我们的 DuroNet 优于最先进的方法。