莫回有点奇怪，虽然他自己就是玩大数据起家的，但是他对犯罪这个领域基本没有太多经验，所以他对于这个领域大数据是否能够起作用也不太敢确定。
莫回找到这个软件的验收报告，在报告里给出了检验数据，按照京都市警察局的验收实测，使用这个系统之后，犯罪率平均下降了15%，报警电话数量下降了30%，很多案件都是现场抓获。警员按照系统提示，在某段时间加强某个区域的巡逻，准确了抓获了正在进行犯罪得罪犯。
真行啊！
大数据居然能够预测犯罪！
看到这里，莫回来了兴趣，他想了想，调出这个系统的产品需求书，开始认真研究这个系统的设计思想。
经过几天的研究，莫回发现，这个系统的设计思想比较有意思，首先将犯罪行为进行分类，比如分成入室盗窃案、诈骗案、盗窃案、抢劫案、强奸案等等类型。
然后根据每种犯罪得类型进行进一步分析，比如入室盗窃案又分偶发和惯犯，其中还有团伙和单人犯罪，然后根据既有的犯罪历史数据进行分析，寻找其中的共性特点，比如某个地段属于高发地段，某个地段发生概率非常小；比如这些盗窃案存在时间特征，一般年前、节前高发，夜晚高发，等等。
这些规律被找出来之后，开始将既往犯罪数据以时间、地点、人数、类型的参数输入地图中，在地图中进行综合分析。
通过各种算法寻找各关键参数之间的潜在规律之外，整个京都在地图上被划分成数以万计的单元空间，每个空间可能只代表一栋楼，一个院落，一座商场、一个小区之类的。
然后这些空间单元开始被赋值，既往的犯罪数据按照时间线在地图上打点，随着时间的推移，随着既往犯罪数据开始打点，整个京都内部十几万个单元的赋值开始变化。
赋的这个值其实就是该单元内，犯罪行为发生的概率值，这个值随时都处在变化过程中，并且时刻受到周围其他相邻单元的影响。
当既往犯罪数据随着时间轴的前进，逐步落点在地图上之后，每个单元的犯罪概率值在不断变化的同时，也开始不断的修正。
当整个20年的时间轴全部演进完成，某个单元即时的犯罪概率与时间、与周边单元犯罪发生、与犯罪类型等等之间的关系，就通过大数据算法被找出了各种潜在的规律。
这些规律被重新带入到计算方法中，更新犯罪概率的算法，让它与既往数据达到最佳的吻合，到了这时候，整个系统基本就调整完成。
它就可以开始预测将要发生的犯罪了，并且它还将根据最新的犯罪数据随时进行微调，始终保持最佳的预测状态。