论恐怖袭击风险评估的多源性因素

On the Risk Assessment of Terrorist Attacks Coupled with Multi-Source Factors

这是ISPRS期刊2018年8月份的一篇论文，文章围绕建立基于多源影响因素的恐怖袭击事件风险评估模型，采用基于多源因素和空间特性来改进传统位置推荐算法，并从精确度、召回率和F-Measure三方面评估模型的可行性。

背景

恐怖袭击风险评估是一个复杂而不确定性的问题。一方面，与恐怖袭击相关的敏感变量和干扰变量的数量出现了前所未有的增长；另一方面，相关数据收集更加方便和全面。
数据源：东南亚1970-2016年+17个影响因素（社会和自然资源）

已有工作

1.研究的特点： 聚焦于个别或全国性数据
（1）机器学习
机器学习方法可以从已知信息中提取因子向量，形成模式识别和分类，然后利用样本外的数据进行模式验证和预测；还可以根据不同的数据输入自动重新识别因子向量，重构冲突模式，调整预测输出结果；同时可以广泛适应和集成非结构化数据。
（2）神经网络
BP神经网络预测模型等

2.研究的特点： 时间序列方法
（1）混合平均模型
（2）小波神经网络（WNN）
分析恐怖袭击时间序列的最佳模型。

3.研究的特点： 聚焦于恐怖袭击事件本身
（1）结合考虑贝叶斯(NB)， K近邻(KNN)，迭代二分法3 (ID3)，决策残差(DS)
该方法具有较好的精度和较低的分类错误率。
（2）隐马尔科夫模型
（3）基于幂律分布来计算单个事件的可能性

总结
考虑多源因素以及空间分布！！！

研究方法

1.概括

将多源因素、空间因素和区域划分集成到位置推荐算法中，具体步骤如下：
首先，采用聚类方法对东南亚地区进行区域划分，通过相关分析得到各因素的权重；
其次，利用地理位置活动的聚类因素对位置推荐算法进行改进，通过划分恐怖袭击位置因素和恐怖袭击属性数据完成对恐怖袭击的空间风险评估。区域划分和风险评估流程：

2.方法

（1）区域划分
首先根据因子数据考虑研究区域的空间划分，然后利用相关分析方法确定各影响因子对各子区域恐怖袭击的影响程度，影响程度是加权的。文章中采用经典的无监督学习方法，四种聚类方法进行比较，选择最佳的聚类方法作为最终的分区算法，得到加权网络：
K-means算法
BIRCH算法
DBSCAN算法
SOM算法

（2）风险评估
==相似性计算：==欧几里得度量
==空间特征分析：==核密度分析
·利用加权因子的数据进行位置推荐算法，计算每个网格之间的相似性，然后根据恐怖袭击的严重程度构建核密度函数
·将相似度与核密度结合起来，对每个没有发生恐怖袭击的网格计算0-1分

（3）空间的风险评估
利用加权因子的数据计算了未发生恐怖袭击的土地网格与恐怖袭击的网格之间的相似性;
然后选择与没有恐怖袭击的网格相似度最高的三个网格;
我们对三个网格的核密度值及其对应的相似度值的平均值进行加权。
其中计算的分数是指在没有出现恐怖袭击的网格区域中发生恐怖袭击事件的可能性程度。
计算流程如下：

总结

文章利用GTD数据库中的纬度、经度和伤亡人数等属性，并结合多源因素研究恐怖袭击，建立一个风险评估模型。文章总体来说采用的算法不难，最主要的创新点是多源因素融合和空间特性的划分计算，但文章评论恐怖袭击事件的风险比较单一，只是从伤亡人数等属性上进行判断。

第一次写博客，先这样了，练练手，哈哈哈！！！

引用

[1]: Xun Z , Min J , Jingying F , et al. On the Risk Assessment of Terrorist Attacks Coupled with Multi-Source Factors[J]. ISPRS International Journal of Geo-Information, 2018, 7(9):354-.