利用深度神经网络预测未来恐怖活动

摘要

当今文明面临的最重要威胁之一是恐怖主义。恐怖主义不仅扰乱社会秩序，而且影响人们的生活质量，使人们的身心受到压抑，无法享受生活。文明越进步，人们就越努力探索保护人类不受恐怖主义侵害的不同机制。在反恐中使用了不同的技术，以保护社会中个人的生命，并提高一般的生活质量。最近，机器学习方法被用来开发基于人工智能(AI)的反恐技术。由于最近深度学习在机器学习领域越来越受欢迎，在这篇论文中，我们将探索这些技术来理解恐怖活动的行为。基于深度神经网络(DNN)建立了五种不同的模型来了解恐怖活动的行为，如袭击是否会成功?或者这次袭击是否是自杀式袭击?或者在攻击中会使用什么武器?或者将会实施什么类型的攻击? Or what region is going to be attacked? The models are implemented in single-layer neural network (NN), five-layer DNN, and three traditional machine learning algorithms, i.e., logistic regression, SVM, and Naïve Bayes. The performance of the DNN is compared with NN and the three machine learning algorithms, and it is demonstrated that the performance in DNN is more than 95% in terms of accuracy, precision, recall, and F1-Score, while ANN and traditional machine learning algorithms have achieved a maximum of 83% accuracy. This concludes that DNN is a suitable model to be used for predicting the behavior of terrorist activities. Our experiments also demonstrate that the dataset for terrorist activities is big data; therefore, a DNN is a suitable model to process big data and understand the underlying patterns in the dataset.

一。介绍

恐怖主义是当今文明面临的最重要威胁之一，它已影响到全世界人民的生活质量[1个]。恐怖主义是指蓄意使用不加区分的、非法的权力和暴力在一般民众中制造恐怖，以达到某些政治、金钱、宗教或法律目的。霍夫曼对恐怖主义的定义[2个]是“故意制造，并通过暴力恐惧剥削或暴力来实现政治变革的威胁。”恐怖主义的目标是通过比较一个人在更大的规模产生恐惧，焦虑和不确定性造成不稳定。根据全球恐怖主义数据库（GTD），在2019年独自1411起不同的恐怖袭击事件发生，造成6,362人死亡，并严重影响到个人的生活在社会的质量。世界地图的显示不同恐怖活动的可视化图中给出了1个（图片来源：https://www.start.umd.edu/gtd/)。橙色表示事故伤亡人数的高强度值。地图显示，南亚和中东地区的恐怖主义发生率非常高。

恐怖主义事件的反应是不断的恐惧感、无助感、恐惧和愤怒，以及对某些种族或宗教团体的不容忍或侵略。同样重要的是，理解人民对恐怖主义事件的情绪反应，以便我们能够设计援助，有效地帮助那些遭受这些问题之苦的人，否则他们不会作出反应，进行另一项恐怖主义活动作为报复。人们对恐怖主义进行了几十年的研究，以了解导致恐怖主义行为的主要因素，或了解如何进行反恐，或了解恐怖主义的社会和经济影响[三,4个]. 然而，由于恐怖主义的复杂性，很难找到一个有效的解决办法，作为一种反恐手段来保护个人的生命。识别恐怖分子的意识形态和预测未来的恐怖袭击已被证明是一个非常重要和耗时的过程。

机器学习算法最近被用来研究恐怖主义的不同因素[5个,6个]。NN，尤其是DNN之所以如此受欢迎，主要是因为最近有大量的标签数据可用。电脑科技的进步[7个–9个已经能够创建强大的计算机系统，用DNN进行所需的计算。本文利用NN和DNN模型对导致恐怖活动的不同因素进行预测。该模型有助于执法机构在事件实际发生前做出预测，并可能造成宝贵的生命损失。预测的因素解释如下。(我)自杀：预测恐怖活动是否会自杀。(2)成功：预测恐怖活动是否成功。（三）武器类型：对恐怖活动中使用的一般武器类型进行分类。（四）地区：对恐怖活动的目标地区进行分类。（五）攻击类型：将实施的攻击类型归类为恐怖活动。

这些预测是很重要的，以执行反恐理解。深学习可以有效地使这些预测，可以帮助执法机构制定机制，以对付恐怖分子和保护个人的生命。随着这些工具的帮助下，恐怖活动可以，才可以真正发生在生活中，基础设施，或法律方面作出残害停止。

论文的其余部分安排如下。相关工作在章节中进行了说明2个突出该领域目前最先进的研究工作。拟议的方法载于第三节. 并对数据集进行了详细的分析，说明了神经网络和DNN用于不同因素预测的体系结构。结果显示在第四节，论文的结论是第五节有可能的未来研究方向。

2.相关工作

恐怖主义可以对一个社会产生非常严重的影响，可以对人们产生巨大的影响。过去几十年，人们对这一问题进行了广泛的研究，以了解其原因，以及如何建立有效的反恐机制以减少恐怖活动的发生。机器学习算法和数据挖掘技术也被用于了解恐怖活动中涉及的不同因素。2004年，Singh等人开发的自适应安全分析和监测(ASAM)系统[10在康涅狄格大学进行了讨论。该系统使用了隐马尔可夫模型(HMMs)和贝叶斯网络(BNs)。该系统可以实时检测、跟踪和预测潜在的恐怖活动。本文演示了ASAM在2004年雅典奥运会上的漏洞分析。2004年，Tranchita等人在[11]包括内部和外部、自然和非自然或人为事件。他们开发了一种新的安全分析方法，可以预测事件的不确定性。

在[12， Godwin等人开发了一种视觉分析方法，以有效识别相关实体，如恐怖组织、事件和基于2D布局的位置。本文从生物信息学的角度进行了序列比较，并对其进行了修正，纳入了时间元素。该论文声称，该系统揭示了实体之间的关系，而这些实体使用传统方法是不容易检测到的。2009年，Ozgul等人[13]提出了一个集成框架，它可以使用4种不同的分类器对恐怖组织进行分类和预测：朴素贝叶斯、K-NN、迭代二分法3和决策树桩。作者证明，与单个模型相比，集成框架具有更好的图形。2011年，Dixon等人。[14]开发了一种基于神经网络的反恐框架。作者使用了一个由犯罪学家和心理学家设计的游戏来生成数据，以测试人工智能技术是否适合寻找反恐怖主义。作者研究了神经网络，并取得了60%的成功率来识别欺骗行为。2014年，Pilley [15使用CLOPE算法预测恐怖组织。

2016年，Toure和Gangopadhyay [16]从实时系统收集事件数据，以建立一个计算不同地点恐怖主义风险水平的风险模型。提出了一套规则和风险模型，对未来的恐怖活动进行预测。这篇论文声称其准确率高达96%。在萨哈等人的另一项研究中。[17在2017年，作者预测了攻击类型、使用的武器类型和目标类型，即，攻击对象的类型，使用集成学习算法。该论文声称其准确度在79%到86%之间。2017年，Mo等人[18]重点是利用数据挖掘技术从GTD中预测恐怖事件。采用支持向量机、朴素贝叶斯和logistic回归，其准确率高达78%。在[19]，丁等人。使用机器学习方法（NNET、SVM和随机森林）模拟恐怖袭击的风险。该模型能够预测恐怖事件可能发生的地点，成功率为96%。2017年，Garg等人。[20.]研究了2016年9月18日4名不同恐怖分子对安全部队发动恐怖袭击前推特的情绪和生存状况。最后一次转发、转发次数、最爱次数等因素被用来研究微博的情感。

Verma等人利用SVM、ANN、Naïve Bayes、Random Forest和Decision Trees五种不同的机器学习模型对2018年的攻击类型、攻击区域和武器类型进行了预测。[21]，报告的准确率约为90%。2018年，Li等人。[22通过提出一个综合框架，使用社会网络分析、小波变换和模式识别方法来了解恐怖组织的动态并最终预测攻击行为。论文声称该框架对恐怖组织的行为做出了准确的预测。Zhang等[23]2018年，利用1970年至2016年东南亚地区恐怖袭击的数据，改进了多源因素和空间特征的位置推荐算法。利用该模型建立了恐怖袭击的空间风险评估模型。这篇论文声称达到了88%的准确率。

在郝等人的另一项研究中。[24，他们使用了地理空间统计数据来分析印度支那恐怖袭击的时空演变。随机森林被用来预测恐怖袭击的风险使用15个驱动因素。2019年，Agarwal等人[25]重点分析了GTD的数据集，并对可能打击恐怖主义的不同因素进行了预测。利用支持向量机、随机森林、logistic回归等不同的数据挖掘和机器学习算法，对数据集进行了理解，并对恐怖袭击的成功率、参与恐怖袭击的群体以及参与恐怖袭击的不同外部因素的影响等不同因素进行了预测。2019年，Kalaiarasi等人。[26]利用k-NN算法和随机森林技术，开发多分类器对不同的恐怖活动进行分组和预测。他们使用GTD数据集来侦测恐怖主义。2019年，Maniraj等人。[27开发了一个系统，可以根据时间、地点、袭击类型、目标动机、武器类型和可用性来检查恐怖组织的增长或衰退。他们分析了GTD数据集，并使用了能够预测不同区域攻击概率的机器学习算法。2019年，克里斯蒂在他的论文中28]利用机器学习算法对巴基斯坦境内无人认领的恐怖主义事件的动态进行了研究。他们对恐怖分子的攻击、目标、武器类型、空间攻击和攻击的杀伤力等属性进行了预测。这项研究试图将未经证实的恐怖袭击与已知的恐怖组织相匹配。2019年，Ahmad等人。[29]提出了一种基于情感分析的社会化媒体极端隶属度检测与分类方法。重点是将tweets分为两类：极端分子类和非极端分子类。系统采用基于深度学习的情感分析方法对微博进行分类。2020年的其他类似研究可以在[30.–32]。

以往的研究都是利用机器学习和深度学习技术制作基于ai的恐怖主义模型。目前最先进的研究论文都是基于对恐怖主义模式的理解，并提出了不同的解决方案来分析恐怖主义的因素。但是，对于未来恐怖活动的预测，以及预测成功、自杀、武器类型、袭击类型、地区等不同因素，还没有进行研究工作。显然，在利用深度学习来建模和预测未来恐怖活动方面存在研究空白。本文通过比较传统机器学习和深度神经网络的性能，认为深度神经网络是一种适合预测未来恐怖活动的模型。

三。拟议方法

3.1。数据分析

在本节中，将对数据集进行详细分析。还说明了对数据集执行的预处理。

3.1.1条。特征选择

国家联盟的恐怖主义和应对研究，以恐怖主义为（START）已经准备被称为全球恐怖主义数据库（GTD）数据集（https://www.start.umd.edu/gtd). GTD包含1970年至2018年的恐怖活动信息，包括181000多起不同的恐怖事件。本文采用34个属性（有些属性是多余的，因此被丢弃）进行分析。表中给出了这些属性和说明1个。

3.1.2条。恐怖活动不同因素预测

以下是神经网络和深度神经网络将被训练学习的不同因素。

(1)自杀. 此字段指示攻击是否为自杀。1 = “是”表示事件是自杀式袭击。0 = “否”表示没有迹象表明事件是自杀式袭击。数据集的维度是 。90%的数据用于培训（315104个实例），10%用于测试（35012个实例）。“是”和“否”类都有175058个实例。

（2） 成功. 这个字段表示恐怖袭击的成功。1 = “是”表示事件成功。0 = “否”表示事件未成功。数据集的维度是 。数据集的90%作为训练（290937个实例），10%作为测试（32327个实例）。每个类有161632个实例。

（3） 武器类型. 此字段指示事件中使用的一般武器类型。在数据集中，使用13个不同的标签来表示不同类型的武器。这些标签解释如下。（一）生物学的（二）化学品（三）放射性的（四）留空(5)火器（六）炸药（七）假武器（八）燃烧的（九）混战(10)车辆(不包括车辆携带的爆炸物，即如汽车或卡车炸弹)（十一）破坏的设备（十二）其他（十三）未知的

该数据集的尺寸 。数据集的90%作为训练（998200个实例），10%作为测试（110912个实例）。每个类有92426个实例。

（4） 地区。该字段表示12个不同的区域。下面将对这些区域进行说明。（一）北美（二）中美洲和加勒比（三）南美洲（四）东亚(5)东南亚（六）南亚（七）中亚（八）西欧（九）东欧(10)中东和北非（十一）撒哈拉以南非洲（十二）澳大拉西亚和大洋洲

该数据集的尺寸 。90%的数据集作为训练(545,119个实例)，10%作为测试(60,569个实例)。每个类有50,474个实例。

(5)攻击类型. 这一领域表明了一般的攻击方法和广泛使用的战术类别。在数据集中，给出了9个不同的标签，并在下面进行了说明。（一）暗杀（二）武装攻击（三）轰炸/爆炸（四）劫持(5)劫持人质（路障事件）（六）劫持人质（绑架）（七）设施/基础设施的攻击（八）徒手攻击（九）未知的

该数据集的尺寸 。90%的数据集用于培训（861517个实例），10%用于测试（95725个实例）。每个类都有88255个实例。

3.1.3条。文本到数字

在GTD数据集中，有些特征是文本格式的，例如组名、国家名等。不可能用NN或DNN格式的文本数据处理特征。将文本数据转换为数字有多种技术，如TFIDF、Word2Vec、GloVe、One-hot编码等，本文利用sklearn库的LabelEncoder类将非数字数据转换为数字数据，因为标签是散列的，可以与数字标签进行比较。

3.1.4条。丢失的数据

数据集包含许多丢失的值，即单元格不包含任何数据，当由NN处理时，这些数据将生成NaN。可以使用不同的插值技术来填充丢失的数据。本文利用sklearn库的SimpleImputer来填充缺失的数据。我们已经用意思沿着每一列。

3.1.5条。处理不平衡的阶级

在对数据集进行分析时，发现数据在不同的类中不平衡。在一些类中，有更多的实例，而其他类的实例很少。非平衡数据训练的NN和DNN是有偏的[33]向具有类多个实例。为了保持数据平衡的形式，缺点:合成少数过采样技术由Chawla等人提出。2002年[34]后来作为一个工具在Python中使用[35岁使用)。本文提出的神经网络和神经网络都是在平衡数据上进行训练的。

3.1.6条。标准化

在GTD中，数据在不同的范围内。某些列的值为0和1，而其他列的值为数百或数千。在这种情况下，学习算法很难学习模式并收敛到全局最小。因此，重要的是，在由学习模型处理数据之前，将数据规范化，即在0到1或-1到1的范围内。本文利用sklearn库的minmaxscalage，对特征的每个值减去所有值的平均值，再除以标准差，将-1到1范围内的数据进行转换。标准化公式用方程式表示(1个)，其中是给定特征的所有样本，是按特征列出的所有样本的平均值，并且是标准偏差。

3.2条。学习模式

在这一部分中，解释了用于预测恐怖活动的学习模型。开发了两种不同的模型。一种是基于神经网络，另一种是基于DNN。NN公司[36个–38个]是要执行计算的不同节点的图。这些节点通过加权边相互连接。一些节点被分类为具有输入特征的输入节点，而一些节点被称为进行预测的输出节点。在前向传播过程中，权值矩阵与输入特征相乘，最终进行预测。我们开发了五种不同的型号。我们将在一个模型中解释学习过程预测。共有34个特征，其中33个是输入特征，1个是输出特征，用于对攻击是否是自杀进行分类。为了进行训练，我们将所有数据存储在一个矩阵中。我们有恐怖主义活动的实例;因此，所表示的输入矩阵的大小是 。为了训练神经网络，我们需要提供与输入特征相同大小的权值矩阵。如果第一层有10个单位，则权重矩阵的大小为 。我们使用Glorot统一初始化器随机初始化这些权重。我们还需要提供一种由 。乘法的公式如方程式所示(2个)，其中示出的权重为隐藏层，显示出偏见，并且表示输入矩阵。有一个非线性函数，ReLU[39个]，计算为 。

对于输出层，我们将隐藏层的输出乘以不同的权重。假设我们在隐藏层有10个单位，在输出层有1个单位，那么权重矩阵的维数是 。我们还需要在这一层增加一个偏差。在输出层进行的计算如方程式所示(三)，其中和显示输出层和是输入向量。在输出层，[40个]的计算公式为

在神经网络的训练阶段，进行预测，表示为如等式（三)。然后计算损失，并将预测值与实际值进行比较。我们使用二元交叉熵损失，如式(4个)，其中表示样本数和显示实际的输出值。在反向传播过程中，对输出层和隐含层取损耗的导数，利用梯度下降等优化技术更新权值[41个]、动量梯度下降[42个]，RMSProp公司[43个]，还有亚当[44个]。梯度下降的反向传播如式(5个)，其中是学习率，为损失函数式(4个)，和和都是重量和偏见。神经网络模型的训练算法预测，用梯度下降优化算法，在算法中给出1个。

图中给出了神经网络的结构示例2个. 该图显示了包含输入数据的输入层。这些数据通过和如等式（2个)。将隐含层的输出传递到输出层和并按公式计算(三). 从输出层，损耗函数按公式计算(4个). 在反向传播过程中，考虑到实际的并预测 ,如下式所示：

一个DNN[45岁,46个]比单层NN有更多层。通常，两个以上的隐藏层被认为是DNN。大得多的DNN有100层。例如，ResNet[47个]有152层。DNN最近在不同领域取得了进展，并在不同的应用中达到了最先进的精度，如[48个–50个]. 图中给出了DNN的一个示例架构三. DNN中正向传播的计算与NN相同。一个隐藏层的相同计算现在计算为隐藏层。输出层计算公式中给出的结果(三). 损失按公式计算(4个），得到实际和预测的误差 。在反向传播期间，的值和对每一层使用梯度下降优化算法进行更新，如式(5个)。

算法中给出了DNN的算法2个. 首先，使用Glorot统一初始化器初始化所有层的权重和偏差[51个]。然后，在正向传播的线性函数和非线性激活(即。,ReLU [39个])在每一层计算。最后一层用二元交叉熵损失函数计算损失。如果是二元分类，乙状结肠[40个]使用激活函数，如果是多类分类，则使用softmax[52个]使用。然后，在反向传播过程中，在每一层取损失函数相对于权重和偏差的导数。使用梯度下降法更新权重和偏差。

梯度下降优化解释在算法1个和2个. 但梯度下降法是一种非常基本的优化算法，只能用来解释这一概念。有更先进的优化算法，如带动量的梯度下降法[42个],RMSprop [43个]，还有亚当[44个]. 在本文中，我们使用Adam优化来进行学习过程，因为它是用于深层神经网络训练的最有效的优化算法之一。Adam优化可以在方程式（6）中用数学表示，其中存储带有层偏移校正的过去梯度的指数加权平均值 , 计算层的过去梯度的平方的指数加权平均值 , 和是控制两个指数加权平均值的超参数，是学习率，统计Adam优化所采取的步骤数，是指层数，以及是为避免被零除错误而添加的微小值。

这项研究工作的主要目标是探索新的技术，在深度学习中了解不同的参数，如自杀，成功，武器类型，袭击类型，以及导致恐怖活动的袭击区域。这些因素有助于执法机构制定反恐战略。深度学习算法使用最新的优化技术来学习GTD可利用的这一大数据的模式，并做出合理的预测和分类。尽管许多研究人员已经在使用人工智能解决方案进行反恐方面进行了研究，但没有人研究过使用深度学习来理解恐怖主义因素的有效机制。随着数据和计算量的增加，深度学习最近变得非常流行[53个,54个]权力。据作者所知，没有一项全面的工作致力于利用深度学习算法对恐怖主义因素进行预测和分类。因此，从深度学习的角度研究未来恐怖活动的预测问题，充分发挥深度神经网络的潜力是明智的。

四。结果

4.1条。集群实验装置

表中给出了本文所有实验的工作环境2个。

4.2。NN和DNN的体系结构

在实验中对本文中，NN由具有10个单位的一个隐藏层的。DNN的由5个隐藏层。所述第一层具有100个单位，第二层具有50个单位，第三层具有30个单元，第四层具有10个单元，和第五层具有5个单位。这两种型号都训练了500个时代，用亚​​当[44个]在Keras中实现的优化器，学习率为0.001。格洛特一致初始值设定项[51个]用于权重和偏差的初始化。在网格中随机搜索，选择不同的层数组合、每层单元数、优化技术等。模型使用TensorFlow执行[55岁]库，从而利用集群的并行性。

4.3条。列车和试验数据集的精度

神经网络和神经网络计算的每次迭代训练和测试数据集的精度如图所示4个。在500次迭代下，NN的自杀预测精度如图所示4（甲）DNN上的如图所示4（b）. 可以看出，DNN的列车精度比NN更稳定。虽然神经网络经过500次迭代后的精度与DNN非常接近，但在DNN中通过训练和测试获得的稳定性是有希望的，并且在不同的测试数据集中给出了更好的精度。在神经网络中进行成功预测的每次迭代精度如图所示4（c）在DNN中，如图所示4（d）。NN是不能够使经过200次迭代的任何改善，精度保持86％左右。但在DNN，测试准确率在92％左右。这相比于NN通过DNN演示的性能提升。在每个迭代上对于在NN型武器预测精度示于图4 (e)。可以看出，经过100次迭代，精度仍然接近72％。在DNN精度示于图4 (f)经过100次迭代，精度接近92%。这证明了DNN与NN相比在精度上的改进。区域预测的神经网络精度如图所示4 (g)。达到的最高精确度约为80%。但如图所示，在DNN中可以达到95%以上的准确率4 (h)。实验表明，与NN相比，DNN在性能上有明显的提高。神经网络对攻击类型预测的准确性如图所示4(我). 如图所示，准确率在78%左右。但如图所示，DNN的准确度约为92%4（j）. 所有这些实验都表明，随着层数的增加，网络能够在大数据中学习到更复杂的非线性，从而能够有效地进行预测。

4.4条。NN和DNN中准确度、准确度、召回率和F1得分的比较

到计算准确度，精密度，调用和F1-得分的公式在公式给出（7个). TP为真阳性，TN为真阴性，FP为假阳性，FN为假阴性。图中给出了NN和DNN计算的列车和试验数据集的精度比较5个。所有这些实验证明，DNN能够实现超过91％的准确度在这两个火车站和测试数据集。最大精度的自杀数据集，也就是98％左右实现。的精度，调用和F1-分数在由NN和DNN计算测试数据的比较在图中给出6个. 可以看出，DNN在准确率、召回率和F1得分上都达到了91%以上。这是另一个证明，随着层数的增加，网络能够学习数据集中的特征，并能够做出有效的预测。

4.5条。混淆矩阵

混淆矩阵是机器学习分类问题中的一种性能度量方法。在二进制分类的情况下，表是显示真阳性，真阴性，假阳性，假阴性。在多类分类的情况下，表的大小等于类数量的平方。图中给出了DNN计算的自杀和成功的混淆矩阵7个。武器类型、区域和攻击类型的混淆矩阵如图所示八. 一个对角值较大的混淆矩阵证明了模型的高精度。如图所示，混淆矩阵在对角线上有很高的值，因此DNN被证明是一个有效的预测模型。

4.6条。ROC曲线

ROC（接收机工作特性）曲线显示了分类模型在分类阈值下的性能。曲线显示两个参数：真阳性率（TPR）和假阳性率（FPR）。这些参数在方程式中定义(八)。DNN在预测自杀、成功、武器类型、地域、攻击类型时计算的ROC如图所示9个。ROC结果表明，DNN能够进行分类，准确率达94%以上。

4.7条。神经网络和DNN与传统机器学习算法的比较

本节将基于神经网络和DNN的模型与传统机器学习算法进行性能比较，即、logistic回归、支持向量机和朴素贝叶斯。列车和测试的平均正确率与平均正确率、召回率、f1分的比较见表三。这些结果表明，DNN是最适合这类数据集的模型，因为它是大数据的一个例子，当有大数据和更深的网络时，性能会提高。传统的机器学习算法，如logistic回归、SVM和朴素贝叶斯(Naive Bayes)，包括一个单层的神经网络，无法捕获数据集中的模式，因此最大性能约84%。但在DNN中，平均可以达到95%的准确率。

5个。结论

恐怖主义是任何时候对人类生命最重要的威胁。它不仅会影响个人的生活质量，而且会影响整个社会的生活质量。对恐怖主义的恐惧限制了人们对国家发展的贡献。在每个国家，应对恐怖主义都是政府的首要任务。他们寻求技术手段来了解涉及恐怖主义的不同因素以及如何应对这些因素，以便完全停止或减少恐怖主义活动。机器学习是一种学习恐怖主义不同因素的情感模型，可以成为执法机构应对恐怖主义的重要工具。在这篇论文中，我们研究了基于ai的解决方案，以了解恐怖主义的不同因素，可以帮助我们预测未来的恐怖活动。我们已经确定了5个不同的因素，这对预测反恐行动很重要。这些因素包括袭击的类型是否为自杀式袭击，袭击是否成功，可能使用什么类型的武器，可能针对什么地区，以及将使用什么类型的恐怖分子。我们在传统机器学习技术的基础上开发了不同的模型，但结果表明这些模型不能做出高精度的预测。 We have developed NN- and DNN-based models, and the results have demonstrated that DNN-based models are the most accurate. The model based on DNN has demonstrated more than 95% accuracy compared to other state-of-the-art techniques in machine learning. These deep learning-based techniques can help governments and law enforcement agencies to understand the factors of terrorism and to design strategies to deal with terrorism before a terrorist activity can actually happen.

数据可用性

用于支持本研究结果的数据可根据要求从相应的作者处获得。

利益冲突

作者声明本论文的发表不存在利益冲突。

致谢

该项目由吉达阿卜杜勒阿齐兹国王大学科学研究系（DSR）资助，批准号为DF-461-156-1441。因此，作者感谢DSR提供的技术和财政支持。

参考

1. 五、 Kumar，M.Mazzara，A.Messina和J.Lee，“数据挖掘技术在分析全球恐怖袭击中的联合应用，预防和预测打击恐怖主义”智能系统和计算的进步，斯普林格，柏林，德国，2019年。查看位置：谷歌学术搜索
2. B、 霍夫曼，“基地组织前途未卜”冲突与恐怖主义研究，第36卷，第8期，第635-653页，2013年。查看位置：发布者网站|谷歌学术搜索
3. T、 Krieger和D.Meierrieks，“什么导致了恐怖主义？”公共选择，第147卷，no。2011年3-27页，1-2查看位置：发布者网站|谷歌学术搜索
4. N. Ouassini和A.维尔马，“社会经济不平等和人口条件：在恰尔肯德邦恐怖主义的微观层面分析，”受害者学与受害者司法杂志，第1卷，no。1，第63-84，2018。查看位置：发布者网站|谷歌学术搜索
5. R、 Alhamdani，M.Abdullah和I.Sattar，“基于深度学习的全球恐怖主义数据库推荐系统”国际机器学习和计算杂志卷。8，第571-576，2018。查看位置：谷歌学术搜索
6. Y、 Saeed，K.Ahmed，M.Zareei，A.Zeb，C.Vargas Rosales和K.M.Awan，“使用模糊建模和人工神经网络的车内认知路径决策”IEEE访问，第7卷，20262-20272页，2019年。查看位置：发布者网站|谷歌学术搜索
7. S、 A.A.Shah、I.Uddin、F.Aziz、S.Ahmad、M.A.Al-Khasawneh和M.Sharaf，“预测工作场所旷工的强化深层神经网络”复杂性，第2020卷，文章编号5843932，第1-12页，2020年。查看位置：发布者网站|谷歌学术搜索
8. 一、 Uddin，“模拟微线程多核心体系结构的多层次抽象”建模与仿真开放期刊，第3卷，第4期，第159-190页，2015年。查看位置：发布者网站|谷歌学术搜索
9. 一、 UDDI，“微线程多核心体系结构中并发操作的高级模拟”GSTF计算期刊（JoC）， 2015年第4卷第21页。查看位置：发布者网站|谷歌学术搜索
10. S、 Singh，J.Allanach，H.Tu，K.Pattipati和P.Willett，“通过ASAM系统对恐怖事件进行随机建模”，in2004年IEEE系统、人与控制论国际会议论文集，第5673-5678，海牙，荷兰，2004年10月。查看位置：发布者网站|谷歌学术搜索
11. A、 Torres和C.Tranchita，“安全分析中考虑恐怖主义的事件分类和行动状态”，inIEEE-PES电力系统会议录，第1265-1271页，纽约，纽约，美国，2004年10月。查看位置：发布者网站|谷歌学术搜索
12. R、 K.Alex Godwin，R.Chang和W.Ribarsky，“全球恐怖主义数据库中实体关系的可视化分析”，in2008年国防与安全会议录：食品安全特别会议，视觉分析，资源受限的嵌入式和传感器网络，以及三维成像和显示，第6983卷，奥兰多，佛罗里达州，美国，2008年。查看位置：发布者网站|谷歌学术搜索
13. F. Ozgul, Z. Erdem，和C. Bowerman，“利用群体检测算法预测未解决的恐怖袭击”，刊于情报与安全信息学，H.Chen，C.C.Yang，M.Chau和S.-H.Li编辑，第25-30页，斯普林格，柏林，德国，2009年。查看位置：谷歌学术搜索
14. S.迪克森，M.迪克森，J.埃利奥特，E.旅客和D. J. Mullier，“反恐的神经网络”，在智能系统研究与开发，M.Bramer、M.Petridis和L.Nolle编辑，第229-234页，斯普林格，伦敦，英国，2011年。查看位置：谷歌学术搜索
15. P、 H.Pilley，“使用clope算法的反恐群体预测模型综述”国防管理杂志，第4卷，第2期。1,2014。查看位置：发布者网站|谷歌学术搜索
16. 一、 Toure和A.Gangopadhyay，“预测恐怖事件的实时大数据分析”，in2016年美国电气与电子工程师协会国土安全技术研讨会（HST）会议记录，第1-6页，沃尔瑟姆，马萨诸塞州，美国，2016年5月。查看位置：发布者网站|谷歌学术搜索
17. S.萨哈，拉美一体化协会H.，A Kurian表示，和A.八宿，“未来的恐怖袭击预测使用机器学习技术，” 2017年。查看位置：谷歌学术搜索
18. 李建华，“基于数据的恐怖事件预测”，李建华，“基于数据的恐怖事件预测”，北京大数据分析的IEEE第二届国际学术会议论文集（ICBDA），第239-244页，中国北京，2017年3月。查看位置：发布者网站|谷歌学术搜索
19. F、 Ding，Q.Ge，D.Jiang，J.Fu和M.Hao，“使用多学科数据集和机器学习方法了解恐怖主义事件的动态”《公共科学图书馆•综合》，第12卷，文章编号：e0179057 2017。查看位置：发布者网站|谷歌学术搜索
20. P、 Garg，H.Garg和V.Ranga，“使用twitter对乌里恐怖袭击的情绪分析”，in2017年计算、通信和自动化国际会议记录（ICCCA），第17-20页，大诺伊达，印度，2017年6月。查看位置：发布者网站|谷歌学术搜索
21. C、 Verma，S.Malhotra和V.Verma，“使用机器学习对恐怖袭击进行预测建模”国际纯数学与应用数学杂志《中国日报》，2018年第119卷第06页。查看位置：谷歌学术搜索
22. Z、 李德孙，李斌，李志军，李志军，“基于小波变换模式识别的恐怖组织行为预测”自然与社会中的离散动力学，第2018卷，第1-16页，2018年。查看位置：发布者网站|谷歌学术搜索
23. 十张，M.金，傅J.，M.浩C.羽和X.谢，“关于加上多源因素的恐怖袭击风险评估，”国际地理信息杂志，第7卷，第9期，2018年。查看位置：发布者网站|谷歌学术搜索
24. M. Hao，D. Jiang，F. Ding，J. Fu，S. Chen，“利用GIS和随机森林方法模拟印度支那半岛恐怖主义事件的时空格局”国际地理信息杂志卷。8，没有。3，P。133，2019。查看位置：发布者网站|谷歌学术搜索
25. P. Agarwal, M. Sharma, S. Chandra，“机器学习方法在预测恐怖袭击中的比较”，刊于当代计算的2019第十二届国际大会（IC3）的诉讼，第1-7页，印度诺伊达，2019年8月。查看位置：发布者网站|谷歌学术搜索
26. S. Kalaiarasi，A.梅塔，D. Bordia和Sanskar“使用全球恐怖主义数据库（GTD）和机器学习算法来预测恐怖主义和威胁，”国际工程与先进技术杂志，第9卷，第1期，第5995-6000页，2019年。查看位置：发布者网站|谷歌学术搜索
27. S、 P.Maniraj，D.Chaudhary，V.H.Deep和V.P.Singh，“使用机器学习算法的数据聚合和恐怖组织预测”国际新技术与工程杂志，第8卷，第4期，第1467-1469页，2019年。查看位置：发布者网站|谷歌学术搜索
28. E、 克里斯蒂，“了解巴基斯坦无人认领恐怖主义事件的动态：机器学习方法”，缅因大学，奥罗诺，美国，2019年。查看位置：谷歌学术搜索
29. S. Ahmad, M. Z. Asghar, F. M. Alotaibi, I. Awan，“使用情绪分析技术检测和分类基于社会媒体的极端主义从属关系，”以人为中心的计算与信息科学，第9卷，第1期，2019年。查看位置：发布者网站|谷歌学术搜索
30. 桂、陈、聂，“以深度学习深入分析长三角铁路与企业发展”，复杂性，第2020卷，文章编号5192861，25页，2020年。查看位置：发布者网站|谷歌学术搜索
31. 十、 于，张，吴，等，“静态图像中人类动作识别的深度集成学习”复杂性，第2020卷，文章编号9428612,23页，2020。查看位置：发布者网站|谷歌学术搜索
32. K. Niu, J. Guo, Y. Pan等人，“利用神经成像和个人特征数据对自闭症谱系障碍进行分类的多通道深度关注神经网络，”复杂性，第2020卷，文章编号1357853，第9页，2020年。查看位置：发布者网站|谷歌学术搜索
33. A. B.欧文，“无限不均衡回归”机器学习研究杂志，第8卷，第761-7732007页。查看位置：谷歌学术搜索
34. N、 V.Chawla，K.W.Bowyer，L.O.Hall和W.P.Kegelmeyer，“烟雾：合成少数族裔过采样技术”人工智能研究杂志，第16卷，第321-3572002页。查看位置：发布者网站|谷歌学术搜索
35. G. Lemaitre, F. Nogueira, C. K. Aridas，“不平衡学习:解决机器学习中不平衡数据集诅咒的python工具箱”，机器学习研究杂志，第18卷，第17期，第1-5页，2017年。查看位置：谷歌学术搜索
36. S、 海金，神经网络:全面的基础，普伦蒂斯霍尔私人有限公司，上鞍河，新泽西州，美国，第二版，1998年。
37. K.格尼，介绍神经网络，泰勒和弗朗西斯公司，布里斯托尔，宾夕法尼亚州，美国，1997年。
38. Y、 LeCun，B.Boser，J.S.Denker等人，“反向传播应用于手写邮政编码识别”神经计算，第1卷，no。第541-551页，1989年12月。查看位置：发布者网站|谷歌学术搜索
39. V. Nair和G. E. Hinton， <直线单元改进受限制的玻尔兹曼机器>，刊于第27届国际机器学习会议论文集，ICML ' 10，第807-814页，海法，以色列，2010年6月。查看位置：谷歌学术搜索
40. G、 Cybenko，“通过一个乙状窦函数的叠加来近似，”控制、信号和系统数学卷。2，没有。4，第303-314，1989。查看位置：发布者网站|谷歌学术搜索
41. S、 Ruder，“梯度下降优化算法概述”，2016年，http://arxiv.org/abs/1609.04747。查看位置：谷歌学术搜索
42. N.钱，“关于梯度下降学习算法的势头来看，”神经网络，第12卷，第1期，第145-151页，1999年。查看位置：发布者网站|谷歌学术搜索
43. T、 Tieleman和G.Hinton，“第6.5课-RmsProp：用梯度除以其最近震级的运行平均值，”COURSERA：用于机器学习的神经网络，第4卷，第2期，第26-31页，2012年。查看位置：谷歌学术搜索
44. D、 P.Kingma和J.Ba，“亚当：随机优化方法”，2014年，http://arxiv.org/abs/1412.6980。查看位置：谷歌学术搜索
45. 一、 古德费罗，Y.本吉奥和A.库尔维尔，深度学习，麻省理工学院出版社，剑桥，马萨诸塞州，美国，2016年。
46. L. Deng, D. Yu，深度学习:方法和应用，现为出版商公司，汉诺威，马萨诸塞州，美国，2014年。
47. K、 何，张，任，孙，“图像识别的深度残差学习”2016年IEEE计算机视觉与模式识别会议记录（CVPR），第770-778，拉斯维加斯，内华达州，美国，2015年6月。查看位置：发布者网站|谷歌学术搜索
48. 王建民，“深度神经网路之目标侦测”，国立台湾科技大学资讯工程学研究所硕士论文第26届神经信息处理系统国际会议纪要，第2卷，2553-2561页，库伦联合公司，塔霍湖，内华达州，美国，2013年。查看位置：谷歌学术搜索
49. P、 Mamoshina，A.Vieira，E.Putin和A.Zhavoronkov，“深度学习在生物医学中的应用”分子药剂学第13卷，no。5，第1445-1454页，2016。查看位置：发布者网站|谷歌学术搜索
50. W、 刘志旺，刘学良，曾学良，刘学良，阿尔萨迪，“深层神经网络架构及其应用研究综述”神经计算，第234卷，第11-26页，2017年。查看位置：发布者网站|谷歌学术搜索
51. 十、 Glorot和Y.Bengio，“理解训练深前馈神经网络的困难”，in国际人工智能与统计会议记录（AISTATS'10），意大利撒丁岛，2010年5月。查看位置：谷歌学术搜索
52. 王建民，“二叉分类器的软-最大组合之多类分类”，国立中山大学计算机科学与工程研究所硕士论文第四届多分类器系统国际会议论文集，MCS ' 03，第125-134页，斯普林格·维拉格，卡利亚里，意大利，2003年。查看位置：谷歌学术搜索
53. M、 Fatima，A.Baig和I.Uddin，“医院病人监测的可靠和节能的mac机制”国际先进计算机科学和应用杂志，第9卷，no。10日,2018年。查看位置：发布者网站|谷歌学术搜索
54. I. Uddin, A. Baig和A. A. Minhas，“处理智能手机成瘾的受控环境模型，”国际先进计算机科学和应用杂志，第9卷，第9期，2018年。查看位置：发布者网站|谷歌学术搜索
55. M、 阿巴迪、巴勒姆、陈等著，《张量流：大型机器学习系统》，年第12届USENIX操作系统设计与实现会议记录，OSDI'16，第265-283页，USENIX协会，萨凡纳，美国，佐治亚州，2016年11月。查看位置：谷歌学术搜索

版权

版权所有©2020 M.Irfan Uddin等人。这是一篇在知识共享署名许可协议，它允许在任何媒体中不受限制地使用、分发和复制，前提是正确引用了原始作品。