以往研究证明,犯罪出行行为受犯罪人的个体特征、犯罪地点的空间环境和不同时间段的影响。目前国内外在犯罪出行研究领域已开展了较为丰富的研究,但在犯罪人的出行行为描述方面仍存在一定不足,如对于犯罪人的空间出行距离计算主要采用的是以曼哈顿距离为代表的近似法,且在犯罪人的个体特征方面缺乏对犯罪人的社会化特征如组织性、团体性的深入探索。因此,本文针对犯罪人空间出行距离计算及影响因素分析上的不足,基于北京市2015-2017年入室盗窃类案件数据,对不同犯罪人的出行距离及其影响要素进行了系统研究。利用百度地图开放平台计算并比较了犯罪人暂住地到发案地间的欧式数据、曼哈顿距离、步行距离、骑行距离、驾车距离和公交距离等6种出行距离,并结合犯罪人暂住地和发案地的空间要素特征、时间特征和犯罪人的个体特征等,分析了影响犯罪人空间出行距离的因素变量,并利用机器学习算法对犯罪人的暂住地和发案地进行了预测。分析表明:犯罪人的暂住地到发案地之间的步行距离最短、公交距离最大,但在受空间要素、时间和犯罪人的个体特征影响性上不存在明显差异,证明了空间距离测度对犯罪人的出行行为没有明显影响;犯罪人的暂住地与发案地周边的空间要素分布对其空间出行的影响均显著,暂住地和发案地的目标越集中、道路通达性越高、热点效应越强,则越容易对犯罪人产生吸引;在时间特征上,犯罪人的空间出行距离在每年的年初和每月的月初偏低,在休息日偏高,在一天内下午和晚间偏高;在犯罪人的个体特征上,不同犯罪人空间出行距离存在明显区别,其中,男性、中年和团体等特征的犯罪人具有更远的出行距离;通过对多种分类算法的预测模型对比,岭回归预测效果能够达到高于80%的准确度,优于KNN、朴素贝叶斯、随机梯度下降分类器、支持向量机、多层感知机等算法。本文工作进一步丰富和补充了国内犯罪地理学领域的实证研究,对于侦查、防控等领域的公安实战化工作有一定的价值。