基于机器学习算法预测恐怖袭击风险

DOI:

评审日期

出版日期

注解: 本文致力于基于各种机器学习算法的比较，分析和预测恐怖主义行为的风险。 为了确定最重要的指标，通过量化综合考虑了三十多个外部和内部风险因素，并构建了一组初始数据。 该研究分析了1992年至2020年期间136个国家的多层面社会经济和政治数据。 还预测了四个指标，反映了恐怖袭击的预期成功，社会经济后果的可能性以及恐怖主义的普遍损害。 除了经典的分析模型之外，还比较了可用于分析多维数据的其他四种机器学习算法的有效性。 为了预测恐怖袭击的风险，创建了一个随机森林模型，并根据统计标准评估模型的有效性和准确性。 为了确定最重要的初始指标，使用了随机森林中递归消除特征的方法。 这项研究的主要结果是确定了预测恐怖主义风险的最重要指标，并减少了冗余指标，这使得人们可以更好地了解攻击的主要特征。 同时，结果表明，有必要采取适当的积极措施，不仅以强制拘留，情报和反应行动的形式，而且还要改善国家的稳定，实现社会平衡，提高公民的生活质量。

出版日期: