用空间统计和机器学习分析布宜诺斯艾利斯犯罪热点

本项目面向布宜诺斯艾利斯Palermo区，结合空间统计与机器学习算法，打造犯罪分析工具，为城市规划者和安全部门提供可视化的犯罪热点预测及风险区域识别，助力数据驱动的城市安全决策。

现代城市管理中，犯罪预防与安全规划日益依赖数据科学。传统犯罪统计仅能呈现历史案件位置，无法预测未来风险。空间统计学与机器学习的结合，为安全部门提供新视角——通过分析历史数据空间规律，预测高风险区域。本开源项目聚焦Palermo街区，将地理空间数据转化为直观可视化结果，帮助决策者科学分配警力、规划安全设施。

项目核心价值在于封装复杂技术环节为友好工具，无编程背景用户可通过界面操作获得专业分析结果。系统支持三种主流机器学习模型：XGBoost（梯度提升能力优异）、随机森林（集成树提升稳定性）、逻辑回归（简洁易解释基准），用户可选择并比较效果。可视化采用颜色编码地图：红色高概率、绿色安全、蓝色标记近期案件，非技术用户也能快速理解。

工具背后依赖R语言数据科学生态：用caret和tidymodels训练调优模型，ggplot、tmap、leaflet实现地图可视化，sf和sp处理地理空间数据转换与运算。架构隐藏技术复杂性于简洁界面后，同时提供完整源代码和文档，供技术人员学习空间统计与地理可视化。

工具目标用户广泛：城市规划部门优化公共照明与监控布局；警察部门调整巡逻路线与警力部署；社区组织开展针对性安全宣传；普通居民了解周边安全状况。数据驱动决策打破经验依赖，提升城市安全治理的科学性与公平性。

系统支持导出多种格式报告：保存地图截图/PDF用于演示，导出CSV原始数据进一步分析。报告提供按街区、时间段、犯罪类型细分的统计信息，帮助从多维度理解犯罪模式。灵活输出适用于实时监控、定期安全评估及长期趋势分析，数据积累形成时间序列支持季节性变化、政策效果评估等深入分析。

当前项目聚焦Palermo区域，数据覆盖有限，其他城市应用需自行准备数据调整边界。犯罪预测敏感，结果应作为参考而非唯一依据，避免算法偏见导致不公平。展望：开源技术在社会治理潜力大，随更多城市开放数据、开发者参与，工具或演化成通用城市安全分析平台，提供全球可复用解决方案。