Abstract

The article examines the potential of multi-model ensemble learning techniques for conflict research and applies an ensemble averaging framework to the prediction task of the 2020 ViEWS armed conflict forecasting competition. The goal is to predict changes of conflict intensity in fifty-four African countries for 6 months into the future. The presented ensemble combines six individual models, using two tree-based learning algorithms, incorporating two distinct data foundations and two geographical selections into a unified forecasting framework. In one of the two applied datasets, the combination of conflict variables from recent months is implemented to train for inter-temporal connections of previous conflict levels. The second dataset contains important structural, economic, political, and social information relevant for each individual case. Both datasets are used to predict changes in conflict levels. The framework structure and the combination method are presented in detail, and the prediction results for both test periods between 2014–2016 and 2016–2019 are evaluated regarding their quality. The effect of the ensemble structure and the performance of all individual components is comprehensively examined. Real forecasts over the timespan of six months into the future are presented for the upcoming months of October 2020 through March 2021 generated from data available until August 2020. The paper concludes with the presentation and examination of three selected case forecasts for Egypt, Cameroon, and Mozambique.

El artículo examina el potencial de las técnicas de aprendizaje de conjuntos multimodelos para la investigación de conflictos y aplica un marco de promedio de conjuntos a la tarea de predicción del concurso de previsión de conflictos armados; ViEWS 2020 ViEWS. 2020. ViEWS Prediction Competition. Preliminary evaluation for the scoring committee. Department of Peace and Conflict Research, Uppsala University. [Google Scholar]. La meta es predecir los cambios en la intensidad de los conflictos en cincuenta y cuatro países africanos durante seis meses en el futuro. El conjunto presentado combina seis modelos individuales, que utilizan dos algoritmos de aprendizaje basados en árboles, y que incorporan dos bases de datos distintas y dos selecciones geográficas en un marco de previsión unificado. En uno de los dos conjuntos de datos aplicados, se implementa la combinación de variables de conflicto de los últimos meses para estudiar las conexiones intertemporales de los niveles de conflicto anteriores. El segundo conjunto de datos contiene información estructural, económica, política y social importante para cada caso individual. Ambos conjuntos de datos se utilizan para predecir los cambios en los niveles de conflicto. La estructura del marco y el método de combinación se presentan en detalle, y se evalúa la calidad de los resultados de la predicción para ambos períodos de prueba entre 2014-2016 y 2016-2019. Se analiza a fondo el efecto de la estructura del conjunto y el funcionamiento de todos los componentes individuales. Se presentan previsiones reales a seis meses, para los próximos meses de octubre de 2020 a marzo de 2021, generados a partir de los datos disponibles hasta agosto de 2020. El artículo concluye con la presentación y el análisis de tres previsiones de casos seleccionados de Egipto, Camerún y Mozambique.

Cet article examine le potentiel des techniques d’apprentissage ensembliste multi-modèles pour les recherches sur les conflits et applique un cadre de moyennage ensembliste à la tâche de prédiction du concours de prévision des conflits armés ViEWS (violence early-warning system, système d’alerte précoce sur la violence) 2020. L’objectif est de prédire les changements d’intensité des conflits dans cinquante-quatre pays africains sur les six mois à venir. L’ensemble présenté combine six modèles individuels en utilisant deux algorithmes d’apprentissage basés sur des arbres et en intégrant deux fondations de données distinctes et deux sélections géographiques à une infrastructure de prévision unifiée. Dans l’un des deux jeux de données appliqués, la combinaison des variables de conflit des derniers mois est implémentée pour entraîner les algorithmes sur les relations inter-temporelles des intensités de conflits précédentes. Le deuxième jeu de données contient d’importantes informations structurelles, économiques, politiques et sociales concernant chacun des cas individuels. Les deux jeux de données sont utilisés pour prédire les changements d’intensité des conflits. La structure de l’infrastructure et la méthode de combinaison sont présentées en détails et la qualité des résultats des prédictions est évaluée pour les deux périodes de test, 2014-2016 et 2016-2019. L’effet de la structure ensembliste et les performances de toutes les composantes individuelles sont examinés en profondeur. Les prévisions réelles sur une période de six mois sont présentées pour les mois à venir qui étaient octobre 2020 à mars 2021. Ces prévisions avaient été générées à partir des données disponibles jusqu’août 2020. L’article conclut par une présentation et un examen d’une sélection de prévisions pour trois cas, ceux de l’Égypte, du Cameroun et du Mozambique.

摘要

本文检验了多模型集成学习技术在冲突研究中的潜力，并将集成平均框架应用于 2020 年 ViEWS 武装冲突预测竞赛的预测任务。目标是预测未来 6 个月内 54 个非洲国家的冲突强度变化。所呈现的集合结合了六个单独的模型，使用两个基于树的学习算法，将两个不同的数据基础和两个地理选择合并到一个统一的预测框架中。在两个应用数据集中的一个中，实施了最近几个月的冲突变量的组合，以训练先前冲突级别的跨时连接。第二个数据集包含与每个案例相关的重要结构、经济、政治和社会信息。这两个数据集都用于预测冲突级别的变化。详细介绍了框架结构和组合方法，并对 2014-2016 年和 2016-2019 年两个测试期的预测结果进行了质量评估。综合检查了整体结构的效果和所有单个组件的性能。根据截至 2020 年 8 月的可用数据生成的 2020 年 10 月至 2021 年 3 月未来几个月内的未来六个月时间跨度的真实预测。本文最后介绍和检查了埃及、喀麦隆和莫桑比克。并对 2014-2016 年和 2016-2019 年两个测试期的预测结果进行质量评估。综合检查了整体结构的效果和所有单个组件的性能。根据截至 2020 年 8 月的可用数据生成的 2020 年 10 月至 2021 年 3 月未来几个月内的未来六个月时间跨度的真实预测。本文最后介绍和检查了埃及、喀麦隆和莫桑比克。并对 2014-2016 年和 2016-2019 年两个测试期的预测结果进行质量评估。综合检查了整体结构的效果和所有单个组件的性能。根据截至 2020 年 8 月的可用数据生成的 2020 年 10 月至 2021 年 3 月未来几个月内的未来六个月时间跨度的真实预测。本文最后介绍和检查了埃及、喀麦隆和莫桑比克。

本文检验了多模型 conjuntos 学习技术在冲突调查中的潜力，并将 conjuntos promedio 标记应用于武装冲突预测的预测范围；2020 年观看次数意见。2020 年。意见预测比赛。评分委员会的初步评估。乌普萨拉大学和平与冲突研究系。 [谷歌学术]. 元是预测未来地震期间五个和四个非洲国家冲突强度的变化。本小组将其各个模型结合起来，这些模型使用基于树的学习算法，并将不同的数据库和地理选择合并到一个统一的预测报告中。在 uno de los dos conjuntos de datos aplicados 中，实施了 conflicto de los últimos meses para estudiar las intertemporal connections de los niveles de conflicto anteriores 的变量组合。El segundo conjunto de datos contiene informationación estructural, económica, politica y social important para cada caso individual。Ambos conjuntos de datos se utilizan para predecir los cambios en los niveles de conflicto。详细介绍了marco的结构和组合方法，并对2014-2016年和2016-2019年的prueba ambos期预测结果的质量进行了评估。Se analiza a fundo el efecto de la estructura del conjunto y el funcionamiento de all los componentes individuales。Se presentan reales 预测 seis meses，para los próximos meses de octubre de 2020 à marzo de 2021，generados à partir de los datos disponible hasta agosto de 2020.，喀麦隆和莫桑比克。Se analiza a fundo el efecto de la estructura del conjunto y el funcionamiento de all los componentes individuales。Se presentan reales 预测 seis meses，para los próximos meses de octubre de 2020 à marzo de 2021，generados à partir de los datos disponible hasta agosto de 2020.，喀麦隆和莫桑比克。Se analiza a fundo el efecto de la estructura del conjunto y el funcionamiento de all los componentes individuales。Se presentan reales 预测 seis meses，para los próximos meses de octubre de 2020 à marzo de 2021，generados à partir de los datos disponible hasta agosto de 2020.，喀麦隆和莫桑比克。

本文探讨了多模型集成学习技术在冲突研究中的潜力，并将集成平均框架应用于 ViEWS（暴力预警系统）2020 年暴力预警的预测任务。未来六个月内 54 个非洲国家的冲突强度。所呈现的集合使用两种基于树的学习算法结合了六个单独的模型，并将两个独立的数据基础和两个地理选择集成到一个统一的预测框架中。在两个应用的数据集中之一，结合最近几个月的冲突变量来训练算法对先前冲突强度的跨期关系进行训练。第二个数据集包含有关每个个案的重要结构、经济、政治和社会信息。这两个数据集都用于预测冲突强度的变化。详细介绍了基础设施的结构和组合方法，并对 2014-2016 年和 2016-2019 年两个测试期的预测结果质量进行了评估。深入研究了集合结构的效果和所有单个组件的性能。