論恐怖襲擊風險評估的多源性因素
On the Risk Assessment of Terrorist Attacks Coupled with Multi-Source Factors
這是ISPRS期刊2018年8月份的一篇論文，文章圍繞建立基於多源影響因素的恐怖襲擊事件風險評估模型，採用基於多源因素和空間特性來改進傳統位置推薦算法，並從精確度、召回率和F-Measure三方面評估模型的可行性。
背景
恐怖襲擊風險評估是一個複雜而不確定性的問題。一方面，與恐怖襲擊相關的敏感變量和干擾變量的數量出現了前所未有的增長；另一方面，相關數據收集更加方便和全面。
數據源：東南亞1970-2016年+17個影響因素（社會和自然資源）
已有工作
1.研究的特點： 聚焦於個別或全國性數據
（1）機器學習
機器學習方法可以從已知信息中提取因子向量，形成模式識別和分類，然後利用樣本外的數據進行模式驗證和預測；還可以根據不同的數據輸入自動重新識別因子向量，重構衝突模式，調整預測輸出結果；同時可以廣泛適應和集成非結構化數據。
（2）神經網絡
BP神經網絡預測模型等
2.研究的特點： 時間序列方法
（1）混合平均模型
（2）小波神經網絡（WNN）
分析恐怖襲擊時間序列的最佳模型。
3.研究的特點： 聚焦於恐怖襲擊事件本身
（1）結合考慮貝葉斯(NB)， K近鄰(KNN)，迭代二分法3 (ID3)，決策殘差(DS)
該方法具有較好的精度和較低的分類錯誤率。
（2）隱馬爾科夫模型
（3）基於冪律分佈來計算單個事件的可能性
總結
考慮多源因素以及空間分佈！！！
研究方法
1.概括
將多源因素、空間因素和區域劃分集成到位置推薦算法中，具體步驟如下：
首先，採用聚類方法對東南亞地區進行區域劃分，通過相關分析得到各因素的權重；
其次，利用地理位置活動的聚類因素對位置推薦算法進行改進，通過劃分恐怖襲擊位置因素和恐怖襲擊屬性數據完成對恐怖襲擊的空間風險評估。區域劃分和風險評估流程：
2.方法
（1）區域劃分
首先根據因子數據考慮研究區域的空間劃分，然後利用相關分析方法確定各影響因子對各子區域恐怖襲擊的影響程度，影響程度是加權的。文章中採用經典的無監督學習方法，四種聚類方法進行比較，選擇最佳的聚類方法作爲最終的分區算法，得到加權網絡：
K-means算法
BIRCH算法
DBSCAN算法
SOM算法
（2）風險評估
==相似性計算：==歐幾里得度量
==空間特徵分析：==核密度分析
·利用加權因子的數據進行位置推薦算法，計算每個網格之間的相似性，然後根據恐怖襲擊的嚴重程度構建核密度函數
·將相似度與核密度結合起來，對每個沒有發生恐怖襲擊的網格計算0-1分
（3）空間的風險評估
利用加權因子的數據計算了未發生恐怖襲擊的土地網格與恐怖襲擊的網格之間的相似性;
然後選擇與沒有恐怖襲擊的網格相似度最高的三個網格;
我們對三個網格的核密度值及其對應的相似度值的平均值進行加權。
其中計算的分數是指在沒有出現恐怖襲擊的網格區域中發生恐怖襲擊事件的可能性程度。
計算流程如下：
總結
文章利用GTD數據庫中的緯度、經度和傷亡人數等屬性，並結合多源因素研究恐怖襲擊，建立一個風險評估模型。文章總體來說採用的算法不難，最主要的創新點是多源因素融合和空間特性的劃分計算，但文章評論恐怖襲擊事件的風險比較單一，只是從傷亡人數等屬性上進行判斷。
第一次寫博客，先這樣了，練練手，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-.