Abstract

The ViEWS problem is to forecast changes in the level of state-based violence for each of the next six months at the PRIO-GRID and country level. For this competition and toward the goal of improving sub-national and country level forecasts, we experiment with combinations of automated machine learning (autoML) systems and limited datasets that emphasize the endogenous nature of conflict. Two core findings emerge: autoML improves predictive performance and the Dynamics model performs best. The data used for the Dynamics model is limited to measures of state-based violence built from the event-level violence data plus those describing the spatial and temporal structure of the data. The intent is to capture spatial and temporal conflict dynamics while not overfitting to exogenous factors, which is especially problematic with flexible autoML algorithms and the types of highly disaggregate data used here. At the PGM level, this model won the ViEWS competition for “predictive accuracy” and split the win for “originality.” Beyond the ViEWS competition, we expect conflict forecasting models that couple advanced autoML systems with variables that reflect a diverse set of conflict dynamics to have high predictive performance, especially at sub-national and sub-annual aggregations.

El problema del ViEWS es que predice los cambios en el nivel de violencia estatal de cada uno de los próximos seis meses a nivel de PRIO-GRID y de país. En el marco de esta competencia y con el objetivo de mejorar las predicciones a nivel regional y nacional, probamos combinaciones de sistemas de aprendizaje automático (autoML) y conjuntos de datos limitados que ponen de relieve la naturaleza endógena de los conflictos. Hay dos resultados principales: el autoML mejora el rendimiento predictivo y el modelo Dynamics es el que mejor funciona. Los datos utilizados para el modelo Dynamics se limitan a las medidas de la violencia a nivel estatal establecidas a partir de los datos de la violencia sobre eventos más los que describen la estructura espacial y temporal de los datos. La intención es captar la dinámica espacial y temporal de los conflictos sin caer en el exceso de ajuste de los factores exógenos, lo que supone un problema, sobre todo con los algoritmos autoML flexibles y los tipos de datos altamente desagregados que se utilizan aquí. A nivel de PGM, este modelo ganó la competencia del ViEWS tanto por su “precisión predictiva” como por su “originalidad”. Más allá de la competencia del ViEWS, esperamos que los modelos de previsión de conflictos que combinan sistemas avanzados de autoML con variables que reflejan un conjunto diverso de dinámicas de conflicto tengan un alto resultado predictivo, sobre todo en agregados regionales y semestrales.

La problématique du ViEWS (Violence early-warning system, système d’alerte précoce sur la violence) est de prévoir les évolutions du niveau de violence étatique pour chacun des six prochains mois au niveau de la grille PRIO et au niveau national. Pour ce concours et dans l’objectif d’améliorer les prévisions au niveau infranational et au niveau national, nous avons expérimenté des combinaisons de systèmes de machine learning automatisés (autoML) et de jeux de données limités mettant l’accent sur la nature endogène des conflits. Deux résultats fondamentaux sont apparus : l’autoML améliore les performances prédictives et le modèle Dynamiques est le plus efficace. Les données utilisées pour le modèle Dynamiques sont limitées aux mesures de la violence étatique établies à partir des données sur la violence au niveau des événements ainsi que de celles qui décrivent la structure spatiale et temporelle des données. L’objectif est de capturer les dynamiques spatiales et temporelles des conflits tout en évitant un ajustement excessif aux facteurs exogènes, ce qui est particulièrement problématique avec les algorithmes d’autoML flexibles et les types de données très désagrégées qui sont utilisés ici. Au niveau PGM, ce modèle a remporté le concours ViEWS à la fois dans les catégories « Précision prédictive » et « Originalité ». Au-delà du concours ViEWS, nous nous attendons à ce que les modèles de prévision des conflits qui allient des systèmes avancés d’autoML à des variables reflétant un ensemble diversifié de dynamiques de conflits aient de hautes performances prédictives, en particulier aux niveaux d’agrégation infranationaux et infra-annuels.

摘要

ViEWS 的问题是在 PRIO-GRID 和国家层面预测未来六个月每个月的国家暴力水平的变化。对于本次比赛，为了改善次国家和国家层面的预测，我们尝试结合自动化机器学习 (autoML) 系统和强调冲突内生性的有限数据集。出现了两个核心发现：autoML 提高了预测性能，而 Dynamics 模型表现最佳。用于动力学模型的数据仅限于基于事件级别的暴力数据以及描述数据的空间和时间结构的数据构建的基于状态的暴力测量。目的是捕捉空间和时间冲突动态，同时不过度拟合外生因素，这对于灵活的 autoML 算法和此处使用的高度分解数据类型尤其成问题。在 PGM 层面，该模型以“预测准确性”赢得了 ViEWS 比赛，并以“原创性”分胜负。除了 ViEWS 竞赛之外，我们期望将先进的 autoML 系统与反映各种冲突动态的变量相结合的冲突预测模型具有较高的预测性能，尤其是在次国家和次年度的聚合中。

El problema del ViewWS 是预测 los cambios en el nivel de暴力 estatal de cada uno de los próximos seis meses a nivel de PRIO-GRID y de país。在这种能力的标志中，为了改善区域和国家层面的预测，probamos 自动学习系统 (autoML) 和有限数据集的组合，以减轻冲突的内生自然性。主要结果：autoML 提高了预测性能，Dynamics 模型是更好的功能。Dynamics 模型所使用的数据仅限于暴力的媒体，从暴力清醒事件的数据到一个稳定的水平状态，而不是描述数据的时空结构。目的是捕捉冲突的空间和时间动态，而不会过度调整外生因素阿奎。在 PGM 级别，该模型获得了 ViEWS 的能力，无论是“预测精度”还是“独创性”。更多关于 ViEWS 的能力，希望将先进的 autoML 系统与反映冲突腾根动态的多样化组合的变量相结合的冲突预测模型在区域和半年聚合中获得高预测结果，清醒的待办事项。sobre todo con los flexible autoML algoritmos y los typos de datos altamente desagregados que se utilizan aquí。在 PGM 级别，该模型获得了 ViEWS 的能力，无论是“预测精度”还是“独创性”。更多关于 ViEWS 的能力，希望将先进的 autoML 系统与反映冲突腾根动态的多样化组合的变量相结合的冲突预测模型在区域和半年聚合中获得高预测结果，清醒的待办事项。sobre todo con los flexible autoML algoritmos y los typos de datos altamente desagregados que se utilizan aquí。在 PGM 级别，该模型获得了 ViEWS 的能力，无论是“预测精度”还是“独创性”。更多关于 ViEWS 的能力，希望将先进的 autoML 系统与反映冲突腾根动态的多样化组合的变量相结合的冲突预测模型在区域和半年聚合中获得高预测结果，清醒的待办事项。

ViEWS（暴力预警系统，暴力预警系统）的问题是在 PRIO 电网和国家层面预测未来六个月每个月国家暴力水平的变化。在本次比赛中，为了改善地方和国家层面的预测，我们尝试了自动机器学习 (autoML) 系统和有限数据集的组合，强调冲突的内生性。出现了两个基本结果：autoML 提高了预测性能，而 Dynamics 模型是最有效的。用于动力学模型的数据仅限于从事件级暴力数据以及描述数据的空间和时间结构的数据中得出的国家暴力测量。目标是捕捉冲突的空间和时间动态，同时避免过度调整外生因素，这对于此处使用的灵活 autoML 算法和高度分散的数据类型尤其成问题。在 PGM 级别，该模型在“预测准确性”和“原创性”两个类别中都赢得了 ViEWS 比赛。除了 ViEWS 比赛之外，