基于大数据分析恐怖袭击风险预测研究与仿真_龚伟志

以此类推， 迭代处理后， 根据式（ 2 ） 可得恐怖袭击风险预
（ 5）
∑c 。
i i =1
1 p1 1 p1 p1 v p2 c2〈a p2 ， b p2 〉 c2 ， Ｒ p = （ p， c， vp ） = = ck ， v pk c k〈a pk ， b pk 〉
［2 ］
。 由于恐怖袭击风险预测技术具有深
远的意义。因此， 成为了业内人士研究的重点课题， 受到了
。
针对上述问题， 提出了基于大数据分析的恐怖袭击风险 预测方法。建立恐怖袭击风险综合评判的大数据分析模型，
— 30 —
采用大数据分析模型对恐怖袭击历史数据中隐含的可演化 信息进行学习， 利用所获取的结果进行未来的恐怖袭击预 测。预测过程中融入多步时间序列预测中的递推计算的思 想， 将每一步预测的不确定性作为下一次预测迭代的输入要 素加以充分的考虑， 提升预测精确度。 仿真结果证明， 基于 大数据分 析 的 恐 怖 袭 击 风 险 预 测 方 法 精 确 度 和 效 率 都 比 较高。
n
N， N ， N N
[
]
（ 7）
式中， 由 N 代表所评价的恐怖袭击风险结果的等级， 由J代 ck （ k = 1， 2， ， n ） 表示恐 表恐怖袭击风险结果的等级个数， V kj 代表 N j 关于恐怖袭击 怖袭击风险危险性等级 N j 的特征， 风险特征 c k 所约束的量值范畴。 5 ） 通过下式可以确定待评恐怖袭击风险单元的大数据 分析集合 p， c ， v p， c 〈a ， b 〉
第 32 卷
第 04 期
计
算机仿真2015 年 04 月
文章编号： 1006 － 9348 （ 2015 ） 04 － 0030 － 04
基于大数据分析恐怖袭击风险预测研究与仿真
1 2 龚伟志 ， 刘增良 ， 王 1 1 烨 ， 徐建宏
（ 1． 北京科技大学自动化学院， 北京 100083 ； 2． 国防大学信息指挥与作战教研部， 北京 100091 ） 摘要： 在对恐怖袭击风险预测过程中， 在建立预测模型时， 由于受到恐怖袭击带有伪装性的影响， 存在大量的伪装性样本和 干扰性数据， 真实的样本不充足 、 可统计数据波动较大。导致预测过程很容易受到干扰， 存在预测精度低的问题。提出了大 数据分析的恐怖袭击风险预测方法 。建立恐怖袭击风险综合评判的大数据分析模型， 采用大数据分析模型对恐怖袭击历史 数据中隐含的可演化信息进行学习， 利用所获取的结果进行未来的恐怖袭击预测。预测过程中融入多步时间序列预测中的 将每一步预测的不确定性作为下一次预测迭代的输入要素加以充分考虑， 提升预测精确度。 仿真结果证 递推计算的思想， 明， 采用大数据分析的恐怖袭击风险预测方法精确度和效率都比较高 。 关键词： 风险预测； 大数据分析模型； 大数据 中图分类号： TP23 文献标识码： B
Ｒesearch and Simulation of Terrorist Attack Ｒisk Prediction Based on Big Data Analysis
GONG Wei － zhi 1 ，LIU Zeng － liang 2 ，WANG Ye 1 ，XU Jian － hong1
该式是对第 i 个恐怖袭击风险预测值进行修正， 修正的 ^ 方法是将其预测值加上其预测误差 c i － c i 和由 γ i 代表的该 恐怖袭击风险与待评恐怖袭击风险关联度的乘积， 将修正后 的值作为第 i － 1 个相似的恐怖袭击风险预测值 。 令 i － 1， 则上式可以整理为 ^ c0 = γ 1 c1 + （ 1 － γ 1 ） ^ c1 能够得出下式 ^ c1 = γ 2 c2 + （ 1 － γ 2 ） ^ c2 则 ^ c0 = γ 1 c1 + （ 1 － γ 1 ） ^ c2 + （ 1 － γ 1 ） （ 1 － γ 2 ） ^ c2 测值为 c = γ 1 c1 + （ 1 － γ 1 ） ^ c1 = γ 1 c1 + （ 1 － γ 1 ） [γ c + （1 － γ ） c ^2 ] = 2 2 2 γ 1 c1 + γ 2 （ 1 － γ 1 ） c2 + γ N （ 1 － γ 1 ） （ 1 － γ2 ） （ 1 － γ n － 1 ） c n + （ 1 － γ1 ） （ 1 － γ2 ） （ 1 － γ n ） ^ cn ^ cn = 其中， 1 n
针对采用传统算法建立预测模型时样本空间不充足 、 数
2
恐怖袭击风险预测原理
恐怖袭击风险预测系统需要依据详细数据才可以体现
提出了基于大数据分析的恐怖袭击风险 据波动较大的问题， 预测方法。 3． 1 恐怖袭击大数据分析模型的组建 大数据分析模型在恐怖袭击风险预测过程中的核心作 用是在对恐怖袭击特征元分析的基础上， 构建相关的大数据 分析模型。具体步骤如下详述： 1 ） 在风险预测过程中， 针对待评价恐怖袭击区域 n 搜集 c2 ， ， ck ） ， 对应的 各有关恐怖袭击风险的评价指标 c（ c = c1 ， v2 ， ， vk ） ， 数据是 v（ v = v1 ， 依据需要将恐怖袭击风险指标划 2， ， m） 。 分为若干级 j（ j = 1 ， 2） 由 数 据 库 给 出 每 个 风 险 指 标 各 等 级 的 数 据 范 围 v jk [ v jk = （ a jk ， b jk ） ] 。 3 ） 将待评恐怖袭击风险区域的有关指标代入各等级的 风险集合中进行多指标评定 。 4 ） 确定评判的恐怖袭击风险等级及各评判等级所具有 （ 1） 的恐怖袭击风险特征的数量范围 。具体的步骤如下详述： v p 代表节域。 设 Ｒ j 代表经典域， 可用由 Ｒ 代表的具有相同特征的大数据分析的形式来 c2 ， ， c n ） 大数据分析的 Ｒ1 ， Ｒ2 ， Ｒj 。 表达 j 个相同特征（ c1 ， 得出下式 （ 2） Ｒ = （ 3） （ 4）
（ 8）
考虑到权值呈指数级递减， 关联度排第四的权值已经很 小， 因此， 只须选取关联度最大的三个指标 。 将恐怖袭击风 险预测公式整理为 c = γ 1 c1 + γ 2 （ 1 － γ 1 ） c2 + γ 3 （ 1 － γ 1 ） （ 1 － γ 2 ） c3 + （ 1 －
6 ） 在基于大数据分析的恐怖袭击风险预测过程中， 依据 对风险条件的分析， 将分析范围分为若干单元， 针对待评风 险预测单元， 将恐怖袭击风险每个评价指标详细的性状数据 定量化， 依据下式对每个指标完成极差化无量纲处理 — 31 —
q' ij =
{
q ij － q min j min q max － j j q max － q ij j max q j － q min j
（ 1． School of Automation and Electrical Engineering， University of Science and Technology Beijing， 100083 ，China； 2． National Defense University PLA China，Beijing 100091 ，China） ABSTＲACT： A risk prediction method of terrorist attack is presented based on big data analysis． A data analysis model of comprehensive evaluation for major terrorist attack risk is established，the implied information in the historical data is studied by using big data analysis model to the terrorist attacks，and the future terrorist attacks are predicted by using the obtained results． Ｒecursive calculation of multi － step time sequence is applied to the prediction process，every step will predict the uncertainty as a factor to give full consideration to the input of the next prediction iteration，and the prediction accuracy is improved． The simulation result proves that theproposed method has high precision and efficiency． KEYWOＲDS： Ｒisk prediction； Big data analysis model； Big data 3］ 文献［ 提出了基于人工神经网络的恐怖袭击风险预测 方法。依据人工神经网络以任意精度逼近非线性函数的特 点来完成对恐怖袭击风险的预测 。 该方法精确度虽然较为 4］ 准确， 但是存在收敛速度慢， 容易拟合的问题。文献［ 采用 了正则化回声状态网络预测模型进行恐怖袭击风险预测， 该 方法虽然效率较高， 但是存在过分依赖经验 、 缺乏普适性的 5］ 缺点。文献［ 重点研究了基于支持向量机算法的恐怖袭击 风险预测方法。在 VC 维理论和结构风险最小化原理的基础 之上进行对恐怖袭击进行风险预测 。 该方法适应性较强， 但 是存在计算较为繁琐、 耗时长的问题
γ 1 ） （ 1 － γ 2 ） （ 1 － γ 3 ） （ c1 + c2 + c3 ） / 3
（ 6）
综上所述可以说明恐怖袭击风险预测原理， 但是针对采 用传统算法进行风险预测时在建立预测模型时样本空间不 数据波动较大的缺陷， 存在预测精度低的问题 。 充足、