基于Lightgbm算法的恐怖袭击预警模型构建研究

摘要：

[研究目的]在GTD海量恐怖主义活动数据中,存在特征影响恐怖袭击目标实现,使用机器学习方法建立恐怖袭击预警模型,可为反恐预警提供决策支持.[研究方法]通过预测恐怖袭击目标实现风险,可发现恐袭预警重要性特征.对135维GTD特征进行特征筛选、归一化、独热编码、卡方检验、PCA降维,利用Lightgbm算法在内四种机器学习算法测试评估,并根据Lightgbm算法特征重要性,控制变量并重复实验得到重点及突增点特征.[研究结果]综合评价指标,证明Lightgbm算法在表现上优于其他机器学习算法,在保证样本类别1∶1均衡的前提下,910次实验其平均准确率为0.7986,召回率为0.7852,f1值为0.7832,平均运行时间为3.57s.Lighgbm算法在GTD数据上可有效提高分类效果,attacktype突增点特征及前十四顺位特征应作为重点特征辅助预警决策.

关键词：恐怖主义、恐怖袭击、反恐预警、预警模型、GTD、Lightgbm、特征工程、机器学习

所属期刊栏目：41

分类号：G359;D631(情报学、情报工作)

资助基金：北京市社会科学基金项目;中国人民公安大学基本科研业务费重点项目;公安学科基础理论研究专项项目;中国人民公安大学公共安全风险防控教育部工程研究中心学生科研项目

在线出版日期：2022-11-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：21-28,98