本發明公布了一種基于位置推薦改進算法的恐怖襲擊事件風險評估方法，包括：要素處理、區域劃分、風險評估、模型驗證步驟；針對恐怖襲擊事件，從格網尺度將聚類算法與位置推薦算法結合，在基于位置推薦算法中引入影響要素分區過程以及恐襲事件的空間特征，在綜合分析恐怖襲擊事件影響要素的基礎上對恐怖襲擊事件進行空間風險評估并通過了模型的有效性檢驗。本發明方法極大提高了恐怖襲擊評估的準確性與精確性。

技術領域

本發明涉及恐怖襲擊事件評估方法，具體涉及一種利用改進基于位置推薦算法對恐怖襲擊事件進行風險評估的高效方法，屬于恐怖襲擊風險評估技術領域。

背景技術

恐怖襲擊對人民生命和財產安全造成了極大的危害，嚴重影響了國際社會穩定和經濟發展。因此，探索恐怖襲擊發生的規律性、建立恐怖襲擊風險評估模型對國家的安全穩定與全球反恐的形勢具有重要意義。

國內外大量學者為尋求解決有關恐怖主義威脅的各種問題作出了巨大努力，然而關于恐襲事件的風險評估仍然是一個復雜性和不確定性的難題。當前恐襲評估面臨著新的挑戰，一方面，互聯網的存在使得全球社會各個角落、各個階層和各個領域聯系更加緊密，有關恐襲評估的敏感變量和擾動變量空前增多；另一方面，由于全球數字化進程的空前推進和各種先進數據采集手段的應用，恐襲評估能夠從各個角度獲得比以前更多類型、更大體量的相關數據，從而也需要更靈巧、更高效的復雜數據處理能力。

在諸多的相關工作中，Blair等人主導的一項恐襲預測項目使用2008年數據和神經網絡成功預測了2010年利比里亞沖突，且準確率在0.65—0.74之間；Sivasamy等人提出了一種新的預測方法，即采用混合平均模型(MABM)對南亞恐怖襲擊造成的平民傷亡數據進行擬合并預測2014年的平民傷亡事件；Raghavan等人采用隱馬爾可夫模型為恐怖組織活動情況建立模型，檢測該組織的突發情況；Saha提出了一種預測未來攻擊的方法，使用一類功能強大的機器學習算法(稱為集成學習(ensemble learning))來預測可能發生攻擊的武器和目標。但是，上述對于恐怖襲擊的研究方法很少考慮影響恐怖襲擊的多源要素；且大都是從國家或地區尺度展開；一般是從恐襲事件發生的時間序列或者就事件本身方面入手，并未考慮恐襲事件發生的空間分布特征。

風險評估是量化測評某一事件或事物帶來的影響或損失的可能程度，而恐怖襲擊空間風險評估是從空間分析角度對恐怖襲擊發生的位置與發生風險進行評估，包括但不限于利用已發生恐怖襲擊的位置來評估未發生恐襲事件位置的風險。現有的相關方法未考慮恐襲事件發生的空間分布特征，恐怖襲擊評估的準確性與精確性不高。

發明內容

針對現有方法存在的問題，本發明提供一種基于位置推薦改進算法的恐怖襲擊事件風險評估方法，針對恐怖襲擊事件，從格網尺度將聚類算法與位置推薦算法結合，在基于位置推薦算法中引入影響要素分區過程以及恐襲事件的空間特征，在綜合分析恐怖襲擊事件影響要素的基礎上對恐怖襲擊事件進行空間風險評估并通過了模型的有效性檢驗。該方法極大提高了恐怖襲擊評估的準確性與精確性。

本發明提供的技術方案是：

一種基于位置推薦改進算法的恐怖襲擊事件風險評估方法，針對恐怖襲擊事件，通過引入影響要素分區過程和恐襲事件的空間特征建立恐怖襲擊空間風險評估模型；所述恐怖襲擊空間風險評估模型從格網尺度將聚類算法與位置推薦算法結合，綜合分析恐怖襲擊事件影響要素，由此實現對恐怖襲擊事件進行空間風險評估；

建立恐怖襲擊空間風險評估模型包括：要素處理、區域劃分、風險評估、模型驗證步驟。具體過程包括：