Abstract

This paper explores three different model components to improve predictive performance over the ViEWS benchmark: a class of neural networks that account for spatial and temporal dependencies; the use of CAMEO-coded event data; and the continuous rank probability score (CRPS), which is a proper scoring metric. We forecast changes in state based violence across Africa at the grid-month level. The results show that spatio-temporal graph convolutional neural network models offer consistent improvements over the benchmark. The CAMEO-coded event data sometimes improve performance, but sometimes decrease performance. Finally, the choice of performance metric, whether it be the mean squared error or a proper metric such as the CRPS, has an impact on model selection. Each of these components–algorithms, measures, and metrics–can improve our forecasts and understanding of violence.

En este artículo se exploran tres componentes diferentes del modelo para mejorar el rendimiento predictivo con respecto a la referencia ViEWS: una clase de redes neuronales que tienen en cuenta las dependencias espaciales y temporales, el uso de datos de eventos codificados por CAMEO, y la puntuación de probabilidad de rango continuo (CRPS), que es una métrica de puntuación adecuada. Predecimos los cambios en la violencia estatal en toda África a nivel mensual. Los resultados muestran que los modelos de redes neuronales convolucionales de gráficos espacio-temporales ofrecen mejoras consistentes sobre el punto de referencia. Los datos de eventos codificados por CAMEO a veces mejoran el rendimiento, pero otras veces lo empeoran. Por último, la elección de la métrica de rendimiento, ya sea el error cuadrático medio o una métrica propia como la CRPS, influye en la selección del modelo. Cada uno de estos componentes (algoritmos, medidas y métricas) puede mejorar nuestras previsiones y nuestra comprensión de la violencia.

Cet article explore trois composantes de modèles différentes pour améliorer les performances prédictives par rapport à la référence de ViEWS (Violence early-warning system, système d’alerte précoce sur la violence) : une classe de réseaux de neurones qui prennent en compte les dépendances spatiales et temporelles ; l’utilisation de données d’événements codées par CAMEO (Conflict and Mediation Events Observations, Observation des événements de médiation et de conflit) ; et le CRPS (Continuous Rank Probability Score, Score de probabilité de catégories ordonnées de variables continues), qui est une métrique de score propre. Nous effectuons des prédictions des évolutions de la violence étatique en Afrique au niveau grille/mois. Les résultats montrent que les modèles à réseaux convolutifs de neurones graphiques spatiotemporels offrent des améliorations constantes par rapport à la référence. Les données d’événements codées par CAMEO améliorent parfois les performances mais peuvent aussi parfois les réduire. Enfin, le choix de la métrique de performances, qu’il s’agisse de l’erreur quadratique moyenne ou d’une métrique de score propre telle que le CRPS, a un impact sur la sélection du modèle. Chacune de ces composantes - algorithmes, mesures et métriques - peut améliorer nos prévisions et notre compréhension de la violence.

摘要

本文探讨了三种不同的模型组件，以提高 ViEWS 基准的预测性能：一类考虑空间和时间依赖性的神经网络；使用 CAMEO 编码的事件数据；和连续等级概率得分（CRPS），这是一个适当的评分指标。我们以网格月为单位预测整个非洲国家暴力的变化。结果表明，时空图卷积神经网络模型提供了对基准的一致改进。CAMEO 编码的事件数据有时会提高性能，但有时会降低性能。最后，性能指标的选择，无论是均方误差还是适当的指标，如 CRPS，都会对模型选择产生影响。这些组件中的每一个——算法、度量、

本文探讨了三个不同的模型组件，以提高相对于 ViEWS 基准的预测性能：一类考虑空间和时间依赖性的神经网络、使用 CAMEO 编码的事件数据和评分。 ，这是一个适当的评分指标。我们每月预测整个非洲国家暴力的变化。结果表明，时空图卷积神经网络模型提供了对基准的一致改进。CAMEO 编码的事件数据有时会提高性能，但有时会使情况变得更糟。最后，性能指标的选择，无论是均方根误差还是专有指标，如 CRPS，影响模型选择。这些组成部分（算法、度量和指标）中的每一个都可以提高我们对暴力的预测和理解。

本文探讨了不同模型的三个组成部分，以提高与 ViEWS 参考（Violence early-warning system, système d'alert précoce sur la暴力）融洽的预测性能：一类理解空间依赖和时间关系的神经元评论；l'utilisation de données d'événements codeées par CAMEO（Conflict and Mediation Events Observations, Observation des événements de médition et de conflit）；以及 CRPS（Continuous Rank Probability Score，连续变量的有序类别的概率分数），这是一个适当的分数度量。Nous effectuons des predictions des évolutions de la暴力 étatique en Afrique au niveau grille/mois。结果是，神经元图时空卷积响应的模型没有不断改进，以供参考。Les données d'événements codées par CAMEO améliorent parfois les performances mais peuvent aussi parfois les réduire。简而言之，性能指标的选择，即二次误差的年龄或 CRPS 的分数指标的年龄，对模型的选择有影响。Chacune de ces composantes - algorithmes, mesures et métriques - peut améliorer nos previsions et nore comréhension de la暴力。qu'il s'agisse de l'erreur quadratique moyenne ou d'une métrique de score propre Telle 认为 CRPS，对模型的选择有影响。Chacune de ces composantes - algorithmes, mesures et métriques - peut améliorer nos previsions et nore comréhension de la暴力。qu'il s'agisse de l'erreur quadratique moyenne ou d'une métrique de score propre Telle 认为 CRPS，对模型的选择有影响。Chacune de ces composantes - algorithmes, mesures et métriques - peut améliorer nos previsions et nore comréhension de la暴力。