摘要
针对现有的恐怖袭击风险预测模型忽略事件中链接信息的问题,提出了一种基于深度自编码的恐怖袭击风险预测模型。该模型通过两个深度自编码器分别学出恐怖袭击事件中的链接信息和属性信息低维特征表示,然后将两个低维表示水平连接作为第三个自编码器的输入来获得恐怖事件的低维特征表示,最后通过逻辑斯蒂回归模型进行分类,从而将预测问题转化为分类问题。在PIT(the Profile in Terror project)知识库中收集的恐怖袭击事件上进行仿真实验,结果表明该方法预测精度达到85.53%,证明了该模型的优越性。
引文
[1]Camps-Valls G,Tuia D,Bruzzone L,et al.Advances in Hyperspectral Image Classification:Earth Monitoring with Statistical Learning Methods[J].IEEE Signal Processing Magazine,2014,31(1):45-54.
[2]傅子洋.基于贝叶斯网络的暴力恐怖活动研究[D].天津:天津科技大学,2016.
[3]罗子娟,缪伟鑫.基于随机子空间的恐怖袭击预测方法研究[C]//第六届中国指挥控制大会论文集(下册).2018:327-329.
[4]项寅.基于改进神经网络的恐怖袭击风险预警系统[J].灾害学,2018,33(1):183-189.
[5]WANG D X,PENG C,ZHU W W.Structural Deep Network Embedding[C]//Acm Sigkdd International Conference on Knowledge Discovery&Data Mining,San Francisco,USA,Aug13-17,2016,22:1225-1234.
[6]周志华.机器学习[M].北京:清华大学出版社,2016.