恐怖袭击作为一种具有政治与意识形态动机、相比普通犯罪更加暴力与极端的突发公共安全事件,对全球各国国土安全造成了极大的影响与危害。尽管各国政府投入了大量人力物力进行反恐工作,但全球恐怖袭击数量与危害仍呈现“越反越恐”的态势,因此对恐怖袭击进行有效防范成为公共安全的关注重点。恐怖袭击风险预测是防范恐怖袭击的关键问题,对于制定前瞻性的反恐策略并采取先发制人的打击措施,进而减轻恐怖主义威胁具有重要意义。在恐怖主义长期根源因素与恐怖袭击短期触发因素的耦合作用下,恐怖袭击具有复杂的时空传染特征,一方面在较小时空范围内出现与普通犯罪类似的近重复聚集,另一方面会发生向更远时空流动和改变袭击类型的犯罪转移,进而导致更大范围的风险升高。恐怖袭击的时空传染对风险预测具有重要影响,需要考虑该特征识别恐怖袭击风险关键影响因素,并在不同时空尺度上预测恐怖袭击风险。但现有研究缺乏分析犯罪转移对恐怖袭击时空传染特征的影响,同时指标选取与方法设计中也缺乏对该特征的充分考虑。基于此,本文分析了考虑犯罪转移的恐怖袭击时空传染特征,在预测视角下识别了影响恐怖袭击风险的关键因素,提出了针对不同时空尺度恐怖袭击风险的预测方法。具体研究内容如下:（1）结合犯罪学和组织行为学对恐怖袭击远端转移与类型转移的时空传染特征进行实证分析。采用犯罪学中的近重复、犯罪转移理论和组织行为学中的制度理论,分析了恐怖袭击风险在恐怖分子与反恐力量的双重作用下的传染模式。提出远端转移和类型转移两种犯罪转移假说,对恐怖袭击风险呈现“聚集—转移—再聚集”的传染特征进行解释。采用时空聚集传染检验方法及伊拉克的恐怖袭击数据进行了实证分析。研究表明不同类型恐怖袭击之间会相互刺激,先前已发生的袭击事件可能在较大空间范围和长达数周甚至更久的时间范围内,对后续恐怖袭击风险产生影响,为本文的恐怖袭击风险预测研究提供了基础。（2）提出基于随机森林内核的递归特征消除方法（RF-RFE）,从预测的视角对影响恐怖袭击风险的关键因素进行识别。构建了考虑多因素耦合时空传染的恐怖袭击风险演化模型,定性地分析长期根源因素和短期触发因素对恐怖袭击的影响,作为识别关键因素与定量指标的基础。提出的RF-RFE方法联立多个随机森林（RF）内核对指标重要性进行评估,采用递归特征消除（RFE）机制,逐步剔除重要性最低的指标,进而基于随机森林预测模型对指标精简结果进行验证。研究采用132个国家1984至2016年的数据进行分析,最终人口增长率、GDP增长率、先前恐怖袭击造成的人员损失等被识别为影响恐怖袭击风险的关键。研究表明恐怖主义长期根源因素与先前事件的传染作用对恐怖袭击风险具有重要影响,为提出恐怖袭击风险预测方法提供了关键因素与指标依据。（3）恐怖袭击的发生受到过去较大时空范围内袭击事件序列的影响,针对该时空传染特征,提出考虑长序列依赖的LSTM-SA预测方法,在“国家-日期”的时空尺度上对恐怖袭击事件发生时间进行预测。首先,提出恐怖袭击事件长序列依赖表达方法,在此基础上,构建了LSTM-SA预测模型,发挥了长短时记忆神经网络（LSTM）对于长序列预测的优势,同时利用自注意力（SA）结构改进了LSTM难并行化和在过长序列距离下仍可能表现不佳的局限性。实验采用伊拉克1984至2016年的数据,与RF、LSTM和LSTM-LQSA等模型进行对比,结果表明LSTM-SA模型具有最高的预测准确性。（4）针对恐怖袭击风险具有异质性、关联性与时变性的时空传染特征,提出基于TPSTGCN的恐怖袭击风险预测方法,在“省份-日期”的时空尺度上对不同省份的时变恐怖袭击风险进行预测。构建了三种图结构对跨省份及省份内的不同风险传染模式进行表达,作为预测的基础;采用加权融合策略将三种图结构进行综合,从而刻画不同省份之间的复杂风险关联关系;构建了TP-STGCN模型,结合LSTM与STGCN结构分别用于提取全图时序依赖特征和基于节点的时空特征,对恐怖袭击风险进行预测;进一步考虑恐怖主义长期根源因素的影响,设计了CARA机制对预测结果进行放缩。实验采用阿富汗34个省份2005至2018年的数据,与FNN、LSTM和STGCN等模型进行比较,验证了基于TP-STGCN的恐怖袭击风险预测方法的有效性。