Abstract

This contribution to the ViEWS prediction competition 2020 proposes using Markov modeling to model the change in the logarithm of battle-related deaths between two points in time in a country. The predictions are made using two ensembles of observed and hidden Markov models, where the covariate sets for the ensembles are drawn from the ViEWS country month constituent models. The weights for the individual models in the ensembles were obtained using a genetic algorithm optimizing the fit on the TADDA-score in a calibration set. The weighted ensembles of visible and hidden Markov models outperform the ViEWS prediction competition benchmark models on the TADDA score in the test period of January 2017 to December 2019 for all time steps. Forecasts until March 2021 predict increased violence primarily in Algeria, Libya, Tchad, Niger, and Angola, and decreased or unchanged levels of violence in most of the remaining countries in Africa. An analysis of the model weights in the ensembles shows that the conflict history constituent model provided by ViEWS was dominant in the ensembles.

Esta contribución a la competencia de predicciones 2020 del Sistema de Alerta Temprana de Violencia (Violence Early Warning System, ViEWS) propone utilizar la modelización de Márkov para elaborar un modelo del cambio en el logaritmo de las muertes relacionadas con batallas entre dos puntos temporales en un país. Las predicciones se elaboran con dos conjuntos de modelos observados y ocultos de Márkov, en los que los grupos de covariables de los conjuntos se obtienen de los modelos constituyentes mensuales de los países del ViEWS. La relevancia de los modelos individuales en los conjuntos se obtuvo mediante un algoritmo genético que optimiza el ajuste de la puntuación TADDA en un grupo de calibración. Los conjuntos ponderados de los modelos visibles y ocultos de Márkov superan los modelos de referencia de la competencia de predicciones del ViEWS en relación con la puntuación TADDA (Distancia absoluta orientada con aumento de dirección) en el período de prueba de enero de 2017 a diciembre de 2019 para todos los intervalos de tiempo. Las predicciones hasta marzo de 2021 pronostican un aumento en la violencia principalmente en Argelia, Libia, Chad, Níger y Angola, y niveles de violencia disminuidos o sin variaciones en la mayoría de los países restantes en África. Un análisis de la relevancia de los modelos en los conjuntos demuestra que los modelos constituyentes de la historia de conflictos que proporciona el ViEWS fueron dominantes en dichos conjuntos.

Cette contribution au concours de prévision ViEWS (Violence early-warning system, système d’alerte précoce sur la violence) 2020 propose d’utiliser la modélisation de Markov pour modéliser l’évolution du logarithme des décès liés aux conflits entre deux moments de l’histoire d’un pays. Les prédictions sont effectuées à l’aide de deux ensembles de modèles de Markov cachés et de modèles de Markov observés, et les jeux de covariables de ces ensembles sont tirés des modèles constituants par mois et pays du système ViEWS. Les pondérations des modèles individuels des ensembles ont été obtenues en utilisant un algorithme génétique optimisant l’ajustement sur le score TADDA (Distance absolue ciblée avec augmentation de direction) dans un jeu de calibration. Les ensembles pondérés de modèles de Markov visibles et cachés sont plus performants que les modèles de référence du concours de prédiction ViEWS pour ce qui est du score TADDA de la période de test de janvier 2017 à décembre 2019, et ce pour tous les pas de temps. Les prévisions jusqu’à mars 2021 ont permis de prédire une augmentation de la violence principalement en Algérie, en Libye, au Tchad, au Niger et en Angola, et une diminution ou un maintien des niveaux de violence dans la plupart des autres pays d’Afrique. Une analyse des pondérations des modèles dans les ensembles montre que le modèle constituant basé sur l’histoire des conflits fourni par ViEWS serait dominant dans les ensembles.

摘要

这项对 2020 年 ViEWS 预测竞赛的贡献建议使用马尔科夫模型来模拟一个国家两个时间点之间与战斗相关的死亡的对数变化。预测是使用观察和隐藏马尔可夫模型的两个集合进行的，其中集合的协变量集来自 ViEWS 国家月份构成模型。集成中各个模型的权重是使用遗传算法获得的，该算法优化了校准集中 TADDA 分数的拟合。在 2017 年 1 月至 2019 年 12 月的测试期间，在所有时间步长上，可见和隐藏马尔可夫模型的加权集成在 TADDA 分数上均优于 ViEWS 预测竞争基准模型。到 2021 年 3 月的预测预测，主要在阿尔及利亚、利比亚、乍得、尼日尔和安哥拉的暴力事件将会增加，非洲其余大多数国家的暴力程度有所下降或保持不变。对集成中模型权重的分析表明，ViEWS提供的冲突历史构成模型在集成中占主导地位。

这项对 Sistema de Alerta Temprana de Violencia（暴力早期预警系统，ViEWS）2020 年预测能力的贡献建议使用 Márkov 的建模来详细说明 cambio 模型，以相关 muertes con batallas entre dos puntos 的对数表示一个国家的时间。这些预测是用 Márkov 观察和隐藏的模型集进行详细说明的，因为这些集的协变量组是从 ViEWS 国家的每月组成模型中获得的。组合中各个模型的相关性导致遗传算法优化和调整 TADDA 分数进入校准组。在 2017 年至 12 月的 prueba de enero 期间，Márkov 的可见和隐藏模型的加权组合超过了与 TADDA 分数（Distancia absoluta orientada con aumento de dirección）相关的 Views 预测能力的参考模型2019 年 para todos los intervalos de tiempo。预计到 2021 年 3 月，暴力事件将增加，主要发生在阿格利亚、利比亚、乍得、尼日尔和安哥拉，而非洲其他大多数国家的暴力事件或变化程度较低。Análisis de la relevancia de los models en los conjuntos demuestra que los models constituyentes de la historia de conflictos que proporciona el ViewWS fuerondominancees en dichos conjuntos。

这项对 2020 年 ViEWS（暴力预警系统）预测竞赛的贡献建议使用马尔可夫模型来模拟一个国家历史的两个时刻之间与冲突相关的死亡对数的演变。使用两组隐马尔可夫模型和观察马尔可夫模型进行预测，这些组的协变量集取自 ViEWS 系统的月份和国家/地区的组成模型。通过使用遗传算法优化校准集中的 TADDA（随着方向增加的目标绝对距离）分数的拟合，获得了集成的各个模型的权重。从 2017 年 1 月到 2019 年 12 月测试期间，在所有时间步长上，可见和隐藏马尔可夫模型的加权集在 TADDA 得分中都优于 ViEWS 预测竞争参考模型。截至 2021 年 3 月的预测预测，暴力事件主要发生在阿尔及利亚、利比亚、乍得、尼日尔和安哥拉，而非洲其他大多数国家的暴力事件水平将下降或保持不变。对集成中模型权重的分析表明，基于 ViEWS 提供的冲突历史的组成模型将在集成中占主导地位。这适用于所有时间步骤。截至 2021 年 3 月的预测预测，暴力事件主要发生在阿尔及利亚、利比亚、乍得、尼日尔和安哥拉，而非洲其他大多数国家的暴力事件水平将下降或保持不变。对集成中模型权重的分析表明，基于 ViEWS 提供的冲突历史的组成模型将在集成中占主导地位。这适用于所有时间步骤。截至 2021 年 3 月的预测预测，暴力事件主要发生在阿尔及利亚、利比亚、乍得、尼日尔和安哥拉，而非洲其他大多数国家的暴力事件水平将下降或保持不变。对集成中模型权重的分析表明，基于 ViEWS 提供的冲突历史的组成模型将在集成中占主导地位。