区域安全风险研究系列_论文研读-02《基于I-MLKNN模型的恐怖袭击类型空间分布评估》

目录

文章目录

摘要

• 本文提出了一种基于反距离加权(IDW)和多标签k-最近邻(I-MLKNN)的网格尺度恐怖袭击评估模型，该模型考虑了17个社会经济和自然环境因素，并应用I-MLKNN评估模型对东南亚地区的恐怖袭击风险进行了评估。
• 结果表明，I-MLKNN多标签分类算法是评估恐怖袭击空间分布的理想工具，它可以评估不同类型的恐怖袭击的风险，从而揭示不同类型的恐怖袭击的分布规律。
• 恐怖袭击风险评估结果表明，东南亚地区的武装袭击、爆炸和设施/基础设施袭击为恐怖袭击高风险事件，泰国最南端和菲律宾为恐怖主义恐怖袭击高风险地区。
• 关键词:评估;恐怖袭击类型;I-MLKNN;多源因素

一、数据

• 恐怖袭击数据包括1970 - 2019年东南亚地区所有恐怖袭击的经度、纬度、类型、伤亡等属性（来源：GDT）。我们选取了最典型的17个与恐怖袭击相关的因素作为恐怖袭击的影响因素。社会经济数据包括民族多样性、主要毒品区域、人口密度、夜间灯光、住宿网点、餐饮网点、交通站点、宗教场所、政治场所等。自然资源数据包括平均降水量、平均气温、地形、到主要通航湖泊的距离、到无冰海洋的距离、到主要通航河流的距离等数据，这些数据在一定程度上可以影响恐怖袭击的情况。影响因子数据的来源见表1。表1 分析数据来源
• 所有数据预处理：使用ArcMap 10.3采样到0.1◦× 0.1◦网格。
• 为了统一尺度，对影响因子数据进行归一化处理。我们使用GIS软件和Python编程语言进行数据处理，包括ArcMap 10.3和Python 3.6。

二、方法

• 我们的方法框架如图1所示。首先，为了去除冗余特征和噪声数据，使用局部线性嵌入(LLE)算法对特征进行降维，并通过最大信息系数(MIC)计算降维前后特征之间的相关性。
• 其次，综合分析影响因素，从网格尺度上将MLKNN多标签分类算法与改进的反距离加权法融合，构建恐怖袭击类型评估模型。 利用MLKNN模型得到的每种类型的恐怖袭击在网格x上发生的概率与利用反距离加权得到的每种类型的恐怖袭击对网格x的平均影响按一定的规则融合。然后，计算每种类型的恐怖袭击在每个网格上发生的概率。
• 融合规则参照F1-Score。F1-Score是对分类问题的衡量。许多具有多分类问题的机器学习竞赛往往以F1-Score作为最终的评价方法。它是准确率和召回率的谐波平均值，最大值为1，最小值为0。因此，我们参照F1-Score的分类和测量指标来设定融合规则。
• 最后，采用5个评价指标对模型的有效性进行了验证。

三、结论

• I-MLKNN有两个参数a和k, a表示I-MLKNN中MLKNN的权值和距离逆权值，a越小，距离逆权值所占比例越大;k表示I-MLKNN中MLKNN的最近邻居。不同参数下I-MLKNN的5个评价代理值如图2所示。 图2 不同参数下的I-MLKNN结果。 (a) Hamming loss; (b) One-error; © Coverage; (d) Ranking loss; (e) Average precision.
• 在本文中，我们使用I-MLKNN算法在网格尺度上对东南亚地区不同类型的恐怖袭击的空间分布进行评估，得到了每个网格上不同类型的恐怖袭击发生的概率(如下图3所示)。图中，颜色越深表示该区域发生袭击的可能性越小，颜色越浅表示该区域发生此类恐怖袭击的风险越高。然后，运用层次分析法(AHP)对8类恐怖袭击事件的发生情况进行了评价。 图3 东南亚地区8类恐怖袭击的风险评估结果。(一)暗杀;(b)武装攻击;©轰炸/爆炸;(d)劫持;(e)劫持人质(街垒事件);(f)劫持人质(绑架);(g)攻击设施/基础设施;(h)非武装攻击
• 最后，我们分析八种类型的恐怖袭击的风险，并分析每个网格上所有类型的恐怖袭击的风险，即每个网格上发生恐怖袭击的概率，如图4所示。 图4 东南亚地区恐怖袭击的风险评估结果