[目的/意義]為實現(xiàn)對區(qū)域恐怖風險指數(shù)的短期預測,提出一種基于灰色關聯(lián)（Grey relational analysis, GRA）支持向量回歸（support vector regression, SVR）的恐怖風險預測模型。[方法/過程]引入科學知識圖譜對恐怖風險要素進行識別,并根據(jù)風險要素確定衡量指標;利用灰色關聯(lián)分析計算各影響指標與恐怖風險的關聯(lián)度,篩選出主要的影響指標構(gòu)建評估指標體系;通過網(wǎng)格搜索交叉驗證尋優(yōu)支持向量回歸機參數(shù),使用優(yōu)化后的參數(shù)建立支持向量回歸模型。[結(jié)果/結(jié)論]來自"一帶一路"沿線國家2008-2018年數(shù)據(jù)仿真結(jié)果表明,基于GRA-SVR的恐怖風險預測模型具備更優(yōu)的預測能力,該模型可在一定程度上彌補現(xiàn)有方法通用性不強、檢測結(jié)果與恐怖風險實際發(fā)生的相關性不高等不足,為我國國家安全戰(zhàn)略的制定和實施提供參考。 

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引 言
1 方法與原理
    1.1 灰色關聯(lián)算法
    1.2 支持向量回歸機理論
2 恐怖風險預測模型構(gòu)建
    2.1 恐怖風險要素提取
    2.2 恐怖風險指標體系構(gòu)建
    2.3 支持向量回歸機參數(shù)優(yōu)化
3 實驗與結(jié)果分析
4 結(jié)論與展望


【參考文獻】：
期刊論文
[1]基于灰色關聯(lián)分析的網(wǎng)絡謠言識別方法研究[J]. 魏陽,張鵬,蘭月新,夏一雪,邵珠旭.  情報雜志. 2017(12)
[2]面向社會安全事件的分布式神經(jīng)網(wǎng)絡攻擊行為分類方法[J]. 肖圣龍,陳昕,李卓.  計算機應用. 2017(10)
[3]基于貝葉斯方法和變化表的恐怖行為預測算法[J]. 薛安榮,毛文淵,王孟頔,陳泉湞.  計算機科學. 2016(12)
[4]基于隱馬爾可夫的恐怖事件預測模型[J]. 戰(zhàn)兵,韓銳.  解放軍理工大學學報(自然科學版). 2015(04)
[5]圖靈獎得主識別與預測研究——基于多文獻計量指標和支持向量機[J]. 唐川,唐卷,房俊民,劉春江.  情報雜志. 2015(02)
[6]共詞網(wǎng)絡的結(jié)構(gòu)與演化:概念與理論進展[J]. 張斌.  情報雜志. 2014(07)



本文編號：3700615