数据驱动下的城市安全态势分析是指以公共安全事件数据为基础,从数据驱动视角识别安全威胁,进而通过基础数据呈现对“态”的分析,并利用模型预测进行“势”的防控,对城市进行安全态势的分析有利于提高响应速度、降低威胁程度,对于城市安全响应及应急处理能力等方面具有重要意义。论文以基于派出所的泰森多边形为研究单元,围绕B市主城区2016年至2017年五类刑事案件,通过全局和局部Moran’s I指数检验犯罪案件空间格局的分布模式,采用核密度估计法识别犯罪点模式下的风险热点,利用标准差椭圆、趋势分析探究B市主城区犯罪案件的时空演变特征。在时空分析的基础上,对犯罪热点区域的空间影响因素进行深入探讨。综合运用空间兴趣点(Point of Interest,POI)与多时相高分二号遥感影像等多源数据,对可能的地理空间影响要素进行获取、解译和显示,采用统计分析中的相关分析和主成分分析(Principal Component Analysis,PCA)提取犯罪相关影响因子,并解释以上相关地理空间因子对五类城市犯罪空间分布的影响。最后,论文基于上述犯罪相关因子作为初始解释变量,引入Johnson解释变量和PCA第一主成分因子建立最小二乘法模型(the Ordinary Least Squares model,OLS)和地理加权回归模型(Geographically Weighted Regression model,GWR),探究自变量影响因子与因变量犯罪率之间的关系,构建拟合度较高的犯罪预测模型,从而洞悉和评估城市安全风险。研究发现:在遥感信息提取的过程中,采用PCA降维技术和模糊C均值聚类算法(Fuzzy c-means,FCM)、K均值聚类算法(K-means)对高分二号遥感影像进行多尺度分割,为支持向量机SVM分类器(Support Vector Machine,SVM)面向对象的分类过程奠定基础,对比原始聚类算法的分割结果,均表明联合PCA预处理的聚类算法能得到更高质量的分割结果;在时空分析上,研究区域在六至七月份呈现犯罪率高值的时态特征,具有“东西”走向且“离心型犯罪化”的空间表现;通过16个初始影响因素相关分析,其中有10个变量对犯罪率存在较强的正相关影响,并采用全局Moran’s I指数检验变量之间较强的空间自相关性,引入主成分分析建立基于主成分因子的最小二乘法模型和地理加权回归模型,消除影响因子强相关性;在回归模型检验上,基于PCA分析与Johnson检验的OLS、GWR模型具有较高的拟合度。此研究结果可为犯罪高风险区域精准防控提供指导,对风险因子分析和犯罪预测建模提供参考。