當今世界恐怖襲擊事件頻繁發(fā)生,通過對嫌疑人進行預(yù)測分析,有利于盡早發(fā)現(xiàn)新生或者隱藏的恐怖分子并對其進行針對性打擊,以減少人員和財產(chǎn)損失。為此,使用機器學(xué)習(xí)方法,提取恐怖襲擊事件的多方面特征,對一個或多個嫌疑人進行預(yù)測。采用貝葉斯優(yōu)化對Bagging、決策樹、隨機森林和全連接神經(jīng)網(wǎng)絡(luò)4種算法進行尋優(yōu),將預(yù)處理后的數(shù)據(jù)輸入優(yōu)化后的算法模型對恐怖襲擊事件嫌疑人進行預(yù)測,以準確率、召回率、精度和F₁值作為指標評價算法性能。實驗結(jié)果表明,當預(yù)測結(jié)果僅輸出一個嫌疑人時,基于樹的算法預(yù)測結(jié)果普遍較好,其中Bagging算法的預(yù)測精度最高為0.911,而全連接神經(jīng)網(wǎng)絡(luò)可以得到多個嫌疑人的預(yù)測結(jié)果,其預(yù)測精度為0.877 8。 

【文章頁數(shù)】：6 頁

【文章目錄】：
0 概述
1 問題分析與數(shù)據(jù)收集
2 恐怖襲擊事件制造者預(yù)測模型
    2.1 數(shù)據(jù)處理
        2.1.1 預(yù)處理
            1)事件發(fā)生的日期和地點:
            2)使用的武器和目標的性質(zhì):
            3)傷亡人數(shù):
            4)可識別的負責(zé)的團體或個人的信息:
        2.1.2 數(shù)據(jù)集劃分
    2.2 機器學(xué)習(xí)分類模型
    2.3 評價指標
    2.4 超參數(shù)優(yōu)化
3 實驗與結(jié)果分析
    3.1 實驗環(huán)境
    3.2 結(jié)果分析
        1)Bagging算法的最佳模型內(nèi)置參數(shù):
        2)隨機森林的最佳模型內(nèi)置參數(shù):
        3)決策樹的最佳模型內(nèi)置參數(shù):
        4)全連接神經(jīng)網(wǎng)絡(luò)的最佳模型內(nèi)置參數(shù):
4 結(jié)束語


【參考文獻】：
期刊論文
[1]A Neuro-Fuzzy Crime Prediction Model Based on Video Analysis[J]. ZOU Beiji,Nurudeen Mohammed,ZHU Chengzhang,ZHANG Ziqian,ZHAO Rongchang,WANG Lei.  Chinese Journal of Electronics. 2018(05)
[2]集成學(xué)習(xí)之隨機森林算法綜述[J]. 王奕森,夏樹濤.  信息通信技術(shù). 2018(01)
[3]基于改進神經(jīng)網(wǎng)絡(luò)的恐怖襲擊風(fēng)險預(yù)警系統(tǒng)[J]. 項寅.  災(zāi)害學(xué). 2018(01)
[4]我國反恐問題定量分析研究綜述[J]. 王一伊.  情報雜志. 2017(11)
[5]基于支持向量機的嫌疑人特征預(yù)測[J]. 李榮崗,孫春華,姬建睿.  計算機工程. 2017(11)
[6]改進的GA-BP神經(jīng)網(wǎng)絡(luò)模型在財產(chǎn)犯罪預(yù)測中的應(yīng)用[J]. 李衛(wèi)紅,聞磊,陳業(yè)濱.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2017(08)
[7]基于多模塊貝葉斯網(wǎng)絡(luò)的恐怖襲擊威脅評估[J]. 魏靜,王菊韻,于華.  中國科學(xué)院大學(xué)學(xué)報. 2015(02)
[8]基于隨機森林的分類器在犯罪預(yù)測中的應(yīng)用研究[J]. 孫菲菲,曹卓,肖曉雷.  情報雜志. 2014(10)
[9]恐怖主義犯罪發(fā)展特點分析[J]. 王雪梅.  環(huán)球法律評論. 2013 (01)
[10]基于Probit的犯罪嫌疑人判定方法研究[J]. 羅森林,劉崢,郭亮,閆廣祿,張蕾.  北京理工大學(xué)學(xué)報. 2011(11)



本文編號：3665886