High resolution conflict forecasting with spatial convolutions and long short-term memory

战斗 武装冲突 人文学科 政治学 地图学 地理 哲学 法学 考古
作者
Benjamin J. Radford
出处
期刊:International Interactions [Taylor & Francis]
卷期号:48 (4): 739-758 被引量:4
标识
DOI:10.1080/03050629.2022.2031182
摘要

The 2020 Violence Early Warning System (ViEWS) Prediction Competition challenged participants to produce predictive models of violent political conflict at high spatial and temporal resolutions. This paper presents a convolutional long short-term memory (ConvLSTM) recurrent neural network capable of forecasting the log change in battle-related deaths resulting from state-based armed conflict at the PRIO-GRID cell-month level. The ConvLSTM outperforms the benchmark model provided by the ViEWS team and performs comparably to the best models submitted to the competition. In addition to providing a technical description of the ConvLSTM, I evaluate the model's out-of-sample performance and interrogate a selection of interesting model forecasts. I find that the model relies heavily on lagged levels of battle-related fatalities to forecast future decreases in violence. The model struggles to forecast escalations in violence and tends to underpredict the magnitude of escalation while overpredicting the spatial spread of escalation.El concurso de predicciones del sistema de alerta temprana sobre la violencia (Violence Early Warning System, ViEWS) de 2020 desafió a los participantes a producir modelos predictivos de conflictos políticos violentos a altas resoluciones espaciales y temporales. Este documento presenta una red neuronal recurrente de memoria convolucional a corto y largo plazo (convolutional long short-term memory, ConvLSTM) capaz de predecir el cambio de registro en las muertes relacionadas con las batallas como resultado de los conflictos armados de estado a nivel de mes de celda de PRIO-GRID. La ConvLSTM supera el modelo de referencia proporcionado por el equipo de ViEWS y funciona de manera similar a los mejores modelos presentados en el concurso. Además de proporcionar una descripción técnica de la ConvLSTM, analizo el rendimiento del modelo fuera de la muestra y cuestiono una serie de interesantes previsiones del modelo. Considero que el modelo se basa, principalmente, en niveles rezagados de víctimas mortales a causa de las batallas para predecir las futuras disminuciones de la violencia. El modelo se esfuerza por predecir las escaladas de la violencia y tiende a predecir con poca frecuencia la magnitud de la escalada, pero con más frecuencia la propagación espacial de esta.Le concours 2020 du système d'alerte précoce sur la violence (Violence Early Warning System, ViEWS) a mis les participants au défi de produire des modèles prédictifs des conflits politiques violents à hautes résolutions temporelles et spatiales. Cet article présente un réseau de neurones récurrents à mémoire convolutive à long terme à court terme (ConvLSTM) capable de prévoir l'évolution logarithmique des décès liés aux combats résultant de conflits armés étatiques au niveau Cellule par mois de la grille PRIO. La ConvLSTM surpasse le modèle de référence fourni par l'équipe ViEWS et offre des performances comparables à celles des meilleurs modèles soumis pour le concours. En plus de fournir une description technique de la ConvLSTM, j'évalue les performances hors échantillon du modèle et j'interroge une sélection de prévisions intéressantes du modèle. J'ai constaté que le modèle dépendait fortement des niveaux décalés des décès liés aux combats pour prévoir les futures diminutions de la violence. Le modèle peine à prévoir les escalades de la violence et tend à sous-estimer la magnitude de l'escalade tout en surestimant sa propagation spatiale.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
anna发布了新的文献求助10
1秒前
勤奋梨愁发布了新的文献求助10
2秒前
2秒前
潘善若发布了新的文献求助10
2秒前
momo发布了新的文献求助10
3秒前
3秒前
7秒前
9秒前
诺奇完成签到,获得积分10
11秒前
潘善若发布了新的文献求助10
13秒前
乖猫要努力应助猪猪hero采纳,获得10
13秒前
16秒前
16秒前
科目三应助不学无术采纳,获得10
16秒前
MrSong完成签到,获得积分10
20秒前
20秒前
momo发布了新的文献求助10
20秒前
小曾应助安静的万声采纳,获得10
21秒前
高贵的飞阳完成签到,获得积分10
21秒前
小梦发布了新的文献求助10
22秒前
22秒前
23秒前
科研通AI5应助GooJohn采纳,获得10
24秒前
Ava应助yyy采纳,获得10
28秒前
善学以致用应助yyy采纳,获得10
28秒前
共享精神应助yyy采纳,获得10
28秒前
李健的小迷弟应助yyy采纳,获得10
28秒前
JamesPei应助yyy采纳,获得10
28秒前
共享精神应助yyy采纳,获得10
28秒前
潘善若发布了新的文献求助10
28秒前
LL完成签到,获得积分10
29秒前
hu完成签到,获得积分10
31秒前
31秒前
32秒前
久久应助CSPC001采纳,获得10
33秒前
TaoBijiang完成签到,获得积分10
34秒前
34秒前
善学以致用应助勤奋梨愁采纳,获得10
35秒前
loststarts应助yyy采纳,获得10
35秒前
科研助手6应助yyy采纳,获得10
35秒前
高分求助中
A new approach to the extrapolation of accelerated life test data 1000
ACSM’s Guidelines for Exercise Testing and Prescription, 12th edition 500
‘Unruly’ Children: Historical Fieldnotes and Learning Morality in a Taiwan Village (New Departures in Anthropology) 400
Indomethacinのヒトにおける経皮吸収 400
Phylogenetic study of the order Polydesmida (Myriapoda: Diplopoda) 370
基于可调谐半导体激光吸收光谱技术泄漏气体检测系统的研究 350
Robot-supported joining of reinforcement textiles with one-sided sewing heads 320
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 3989263
求助须知:如何正确求助?哪些是违规求助? 3531418
关于积分的说明 11253814
捐赠科研通 3270066
什么是DOI,文献DOI怎么找? 1804884
邀请新用户注册赠送积分活动 882084
科研通“疑难数据库(出版商)”最低求助积分说明 809136