Las ciudades atraen a un gran número de habitantes debido a sus sectores industriales y comerciales más avanzados y a condiciones de vida más abundantes y convenientes. Según las estadísticas, más de la mitad de la población mundial reside en áreas urbanas, contribuyendo a la prosperidad de las ciudades. Sin embargo, también conlleva más riesgos de delincuencia a la ciudad. La predicción del crimen basada en datos espacio temporales, junto con la implementación de múltiples patrullas y respuestas de drones no tripulados, puede reducir efectivamente la tasa de criminalidad de una ciudad. Este documento utiliza técnicas de aprendizaje automático y minería de datos, predice incidentes criminales en pequeñas áreas geográficas con marcos temporales cortos y propone un algoritmo de bosque aleatorio basado en sobremuestreo, que supera a otros algoritmos de predicción en términos de rendimiento. Los resultados de la investigación indican que el algoritmo de bosque aleatorio basado en sobremuestreo puede predecir eficazmente los delitos con una tasa de precisión de hasta el 95% y un valor de AUC cercano a 0.99. Basándose en los resultados de la predicción del crimen, este documento propone una estrategia de respuesta de patrulla multi-dron para patrullar y responder a áreas de alto crimen predichas, que se basa en la agrupación de objetivos y algoritmos genéticos combinados. Esta estrategia puede ayudar con la planificación de patrullas de preaviso dentro de un rango horario. Este documento tiene como objetivo combinar las predicciones de eventos criminales con respuestas de crucero de origen público para identificar proactivamente posibles delitos, proporcionando una solución efectiva para reducir las tasas de criminalidad urbana.