当前位置: X-MOL 学术International Interactions › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
High resolution conflict forecasting with spatial convolutions and long short-term memory
International Interactions ( IF 1.5 ) Pub Date : 2022-03-15 , DOI: 10.1080/03050629.2022.2031182
Benjamin J. Radford 1
Affiliation  

Abstract

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.



中文翻译:

具有空间卷积和长短期记忆的高分辨率冲突预测

摘要

2020 年暴力早期预警系统 (ViEWS) 预测竞赛挑战参与者以高空间和时间分辨率制作暴力政治冲突的预测模型。本文提出了一种卷积长短期记忆 (ConvLSTM) 循环神经网络,该网络能够在 PRIO-GRID 单元月级别预测基于状态的武装冲突导致的与战斗相关的死亡人数的对数变化。ConvLSTM 优于 ViEWS 团队提供的基准模型,并与提交给比赛的最佳模型相当。除了提供 ConvLSTM 的技术描述外,我还评估了模型的样本外性能并询问了一系列有趣的模型预测。我发现该模型在很大程度上依赖于与战斗相关的死亡人数的滞后水平来预测未来暴力的减少。该模型难以预测暴力升级,往往低估升级的幅度,同时高估升级的空间传播。

El concurso de predicciones del sistema de alerta early sur la暴力(Violence Early Warning System,ViEWS)de 2020 要求参与者制作预测模型 predictivos de conflictos politicos暴力和 altas resoluciones espaciales y temporales。本文档介绍了一个红色神经元循环记忆卷积 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我的 PRIO-GRID 单元格。ConvLSTM supera el modelo de referencia proporcionado por elequipo de ViEWS y funciona de manera 类似于 los best models 提出的 en el concurso。还要提供 ConvLSTM 的技术描述,Analizo el rendimiento del modelo fuera de la muestra y cuestiono una serie de interesantes 预测 del modelo。考虑到该模型主要基于凡人受害者的 rezagados 水平,以引发战斗以预测未来暴力的减少。El modelo se esfuerza por predict las escaladas de la暴力和倾向预测 con poca frequency la magnitud de la escalada, pero con más frecuencia la propagación espacial de esta。

2020 年暴力早期预警系统 (ViEWS) 竞赛挑战参与者以高时间和空间分辨率制作暴力政治冲突的预测模型。本文提出了一种短期长期卷积记忆循环神经网络 (ConvLSTM),该网络能够在 PRIO 网格的逐月级别预测由国家武装冲突导致的与战斗相关的死亡的对数演化。ConvLSTM 优于 ViEWS 团队提供的参考模型,并提供与提交给比赛的最佳模型相当的性能。除了提供 ConvLSTM 的技术描述外,我评估模型的样本外性能并查询一系列有趣的模型预测。我发现该模型严重依赖与战斗相关的死亡的滞后水平来预测未来暴力的减少。该模型难以预测暴力升级,并且倾向于低估升级的幅度,同时高估其空间蔓延。

更新日期:2022-03-15
down
wechat
bug