浙江大学研究人员开发出预测恐怖主义活动的人工智能工具

近日，由浙江大学数据科学中心Andre Python 博士领导的国际研究团队开发了一种机器学习算法，可实现在精细时空尺度内预测和解释全球非政府组织在合法战争（非国家恐怖主义）之外发动的恐怖主义袭击事件。相关研究成果发表在Science Advances上。

为了研究全球所有可能发生长期恐怖袭击活动的地区，研究人员以"周"为单位，共设计2100万个时间网格单元，将其覆盖在26,551个空间网格单元之上，每个空间单位尺寸为50×50 km。如此，在2002年至2016年期间的795周中，全球所有可人居地区得以全部被覆盖研究。在此时空设计基础上，构建基于可解释树机器学习算法模型，同时运行基准预测模型作为对比，对全球每个周单元内发生恐怖主义活动的概率进行预测和解释。根据已有恐怖主义理论，该模型设定使用20项具有结构特征的时不变变量，可以代表诸如人均国内生产总值（GDP）等因素的影响；又设定14项具有程序特性动态变量，代表已发生恐怖主义活动影响未来可能发生恐怖主义活动的风险事实。在此基础上，进一步评估34个相关特征变量与全球13个地区恐怖袭击活动之间的相关性。研究发现有些特征是具有全球性和区域性，即某些特征变量与发生恐怖袭击活动之间的相关性在全球不同区域都表现出相似性，而其它一些特征则在不同地区呈现出不一样的相关性模式。

研究发现，在精细时空尺度上对复杂社会现象进行预测，理论上知情的机器学习算法比仅使用程序特征的简约模型表现更好。模型的可解释性除了其预测能力之外还有更重要的优势。因为模拟结果与现有社会学理论具有相通性，因此有助于在建模者和实践者之间建立信任，是增进机器学习算法对整个研究学界有价值的关键一步。

图: 南亚非政府恐怖袭击活动网格尺度周预测快照(50 ×50 km) (绿格：预测有袭击，与实际状况符合；白格：预测无袭击，与实际符合；黄格：预测有袭击，但实际未发生；红格：预测无袭击，但实际有袭击). 制图: ANDRE PYTHON (2021)

全文链接：https://advances.sciencemag.org/content/7/31/eabg4778

来源：浙江大学