一种利用背景变化预测恐怖行为的方法
【专利摘要】本发明公开了一种利用背景变化预测恐怖行为的方法，主要步骤为：变化表的生成、使用贝叶斯方法预测行为。在生成h?变化表时，将当前时刻的背景变化与h周期之后的行为变化结合，形成变化表中的一项纪录。预测时，在输入背景变化向量的前提下，贝叶斯方法从变化表中计算最大概率的分类结果，从而预测h周期的之后的行为。考虑到背景的变化可能会在时间序列上对组织行为产生持续的影响，因此建立加权贝叶斯模型。模型实现在时间滞差分别为1到H的情况下，计算在不同变化表中各种行为的概率，最后加权计算各种行为的概率。本发明为了能根据任意背景变化预测恐怖行为，利用贝叶斯方法可快速有效解决高维小样本分类问题的特性，提高了预测的精度。
【专利说明】
-种利用背景变化预测恐怖行为的方法
技术领域
[0001] 本发明属于数据挖掘中的组织行为预测技术，具体设及一种在改进的变化表上， 使用贝叶斯方法预测恐怖行为的算法。
【背景技术】
[0002] 恐怖行为是指实施者对非武装人员有组织地使用暴力或W暴力相威胁，通过将一 定的对象置于恐怖之中，来达成宗教、政治或意识形态上的目的。美国巧? 11"事件震惊了 全世界，使得恐怖组织成为全球的焦点，成为影响着世界和平的因素之一。最近，伊斯兰国 (ISIS)在中东的活动愈演愈烈。该组织于2014年11月在法国己黎发动报复性炸弹袭击事 件，造成了大量的无辜民众的伤亡，恐怖袭击再次成了主要关注目标。如何利用已有的信息 预测恐怖组织的行为，成为一个重要的课题。
[0003] 恐怖行为预测是知识挖掘的典型应用，它利用数据挖掘和机器学习的相关技术对 过去、现在恐怖组织策划实施的恐怖行为的情况进行科学的统计分析，然后预测其发展趋 势。恐怖预测不是证实过去，也不是说明现实，而是探索未来，预测恐怖主义组织的发展趋 势。其目的在于为采取有效的预防措施提供决策支持。恐怖袭击事件发生的原因包含政治、 经济和文化等方面的因素，各种因素交织在一起，使恐怖行为预测显得错综复杂。对恐怖行 为预测的研究不能单单考虑恐怖事件发生的时间、地点及影响程度等信息，而应W各类学 科(计算机数据挖掘技术与社会学，犯罪学等）为基础，综合考虑包括恐怖组织的政治、文 化、经济等背景因素，并通过对运些数据的分析为当局的决策提供更有效的支持。因此，分 析恐怖组织的背景知识与其行为之间的关系成为研究的热点。
[0004] 目前，基于背景知识预测恐怖行为的预测方法的基本思路基本相同，即根据组织 背景与行为之间的关系，构建组织的行为预测模型。具体来说，运些方法利用背景向量之间 的相似度预测对应的行为向量，再对预测的行为向量进行某种计算，得到行为向量中各行 为的概率，然后根据各行为的发生概率给出预测结果。然而，在现实中，组织一般具有反侦 查能力，其恐怖活动发生的时间、地点及行为强度等属性会因此改变。现有的大多数模型没 有考虑组织的运种改变及由此引起的行为变化。而考虑到了背景与行为之间的变化联系的 模型，虽然尝试通过学习组织改变行为的条件，构建了背景与行为之间的变化规则，但还存 在许多缺点。例如，模型只能根据变化表中存在的背景变化预测行为，且预测准确率较低而 时间复杂度高。
[0005] 本发明给出了一种基于变化表和贝叶斯方法的恐怖行为预测算法，该算法既可W 有效提取恐怖行为的背景知识子空间，又能确保利用提取的背景子空间进行预测的有效 性。
【发明内容】
[0006] 本发明依据组织的背景变化可能导致行为的改变运一思想，利用恐怖分子的背景 知识预测其行为。为了能够在任意的背景变化下预测组织行为，针对数据集高维小样本特 点，提出一种基于贝叶斯方法和变化表的恐怖行为预测算法。改进的变化表存储了背景与 行为已有的变化情况，使贝叶斯方法能方便地从中收集相关的变化信息。对于新的背景变 化，贝叶斯方法根据输入背景变化向量中各个元素对不同分类结果的影响程度进行综合判 断，从而能够在任意的背景变化下实现预测行为的目的。除此之外，对于高维小样本数据， 贝叶斯方法能够快速有效的预测。最后，考虑到背景的改变对行为的影响不是瞬时的，而是 会在一定的时间周期之内对行为产生持续影响。因此，该方法考虑在不同时间滞差下综合 预测组织行为。
[0007] 本发明利用恐怖组织的背景知识提取子空间的预测方法，包括W下步骤：
[0008] (1)原始数据集的预处理；
[0009] 原始数据由恐怖组织的基本信息、背景知识和行为活动构成，提取背景知识和行 为，将其标记为(CS(g)，AS(g))的向量对。其〔5(邑）=(&瓜，一，〔|?)表示数据中的背景属性， AS(g) = (Al，A2，…，AN)表示数据中设及到的行为属性。为了得到不同行为的背景子空间，需 要对数据做预处理，形成(CS(g)，Aj)的N个子数据集。若令g表示恐怖组织，恥表示数据集中 组织行为4撕子数据集，则1邑=(义1，町...，&1八义1=佔1，^2，...，灿，日^)，其中^属于背 景属性集CS(g)，aj属于行为属性集AS(g)。
[0010] (2)针对AS(g)中每一种待预测行为，生成改进的变化表；
[0011] 变化表是一种记录组织在时间序列上行为随其背景变化关系的数据存储结构，表 示背景的改变对行为变化的影响。对于整数h>l，h-变化表CTh(g，Aj)中时间段i的记录由背 景属性从时间段i-h到i-h+1的变化W及行为属性从巧lji+1的变化产生。如表1所示包含背 景和行为Aj的原始数据经过处理后，生成如表2所示的行为A北勺h-变化表CTh(g，Aj)。所述变 化表包括1步变化表和多步变化表。
[0012]
[0013]
[0014]
[001引表帥，PA康示上个周期的行为，LA康示当前时间的行为。
[0016] (3)利用贝叶斯方法，在生成的变化表上计算预测结果；
[0017] (4)使用多步加权贝叶斯模型，在不同步长的变化表上分别预测，并给出综合预测 结果：
[001引1)根据步数山构建1至化步的变化表口'4(旨，心），11=1，...，山；
[0019] 2)用h-变化表CTh(g，Aj)中的每一行的变化数据使用贝叶斯方法预测，得至顺测的 行为序列pyh;
[0020] 3)根据公式 rh = Co^PYh，Yh)/(D(PYh)*D(Yh))i/2(其中 Co^.)为协方差，D(.)为方 差)计算预测行为序列PYh与真实行为序列Yh的相关系数n;
[0021] 4)判断是否结束?如果没有，贝峭巧lj2)，计算下一个步长的相关系数;否则，进行下 一步。
[0022] 5)使用公式Wh= |孔|/S In I将得到的相关系数ri，r2，. .. 规一化，得到预测权 重系数wi，W2,. . .，WH; S |；ri|表示对相关系数求和，i = l，2，???H。
[0023] 6)对于每种行为，在各步变化表上使用贝叶斯分类预测，计算其目标函数maxi{ Xh (Wh冲h(Ci|X)/SkPh(Ck|X))}，选择使结果数值最大化的行为作为分类结果。其中，C康示每 种行为;h = l，...，H，表示变化表的步数。目标函数的关系式表示分别在巧化步变化表上， 计算行为Cl在所有行为的发生概率中的加权比重。
[0024] 本发明中的预测方法分为两个步骤:首先根据特定的恐怖行为生成与之对应的变 化表，然后在生成的变化表中预测此行为的发生情况。
[0025] 本发明中变化表的生成过程中的影响滞差h表示背景属性的变化会在h个时间周 期之后对行为属性变化产生影响，进而使用贝叶斯方法预测h步之后的恐怖行为。而多步贝 叶斯中和预测，综合考虑巧化步滞差影响下的预测情况，作出最终的预测结果。
[00%]本发明主要有W下两个方面的有益效果：
[0027] (1)在预测算法方面
[0028] 原始数据集中存在的高维小样本的特点，导致一般预测方法的效果欠佳。而贝叶 斯方法解决运一问题具有天然的优势，能够快速有效的作出预测。最后，考虑到背景的改变 对行为的影响不是瞬时的，而是会在一定的时间周期之内对行为产生持续影响。因此，算法 考虑在不同时间滞差下综合预测组织行为。对于每种行为而言，计算在各步变化表上使用 贝叶斯分类预测得到该行为的概率在所有分类结果概率中的比重之和，选择使结果数值最 大化的行为作为分类结果。
[0029] (2)在变化表生成方面
[0030] 改进的变化表存储了背景与行为已有的变化情况，使贝叶斯方法能方便地从中收 集相关的变化信息。对于新的背景变化，贝叶斯方法使用一定方法进行校准，根据输入背景 变化向量中各个元素对不同分类结果的影响程度进行综合判断，从而能够在任意的背景变 化下实现预测行为的目的。而且变化表的生成过程中的影响滞差h表示背景属性的变化会 在h个时间周期之后对行为属性变化产生影响，进而使用贝叶斯方法预测h步之后的恐怖行 为。
【附图说明】
[0031] 图1是本发明中多步加权贝叶斯预测方法的训练模块计算权重的流程图。
[0032] 图2是本发明中使用多步加权贝叶斯预测方法预测模块预测组织行为的流程图。
【具体实施方式】
[0033] 下面W表3所示的背景数据子集为例，结合图1、图2的多步加权贝叶斯预测模型中 的权重计算W及行为预测流程，详细说明本发明的算法流程。
[0037] 具体步骤如下：[0038] (1)利用表3的数据生成1步变化表，得到变化表如表4所示。
[0034] 表3中共设置了八个字段，分别标记为1'11116、(：1、〔2、〔3、〔4、〔5、〔6和4，其中1'11116标 记为记录在表中的时间序列，{01，〔2，〔3，〔4，巧，〔6}=〔5(旨)属于背景知识属性，4属于行为 属性。目的邮利用表3所示的背景知巧预测预测热怖行为A的发牛与否。
[0035]
[0036]
[0039]
[0040]
[0041]
[0042]
[0043] 表5中，使用贝叶斯分类需计算P (LA = 0 I X) W及P (LA = I I X)，然后分类概率的大 小，将较大概率的类标记作为分类预测结果。其中，根据贝叶斯定理，比较P(LA = OlX) W及P (LA=I Ix)的大小等价于比较P(XlLA = O)P(LA = O)和P(X I LA= DP(LA=I)的大小。其中，P (XlLA = O)P(LA = O)和P(XlLA=I)P(LA=I)分别表示在环境变化向量X下，行为为0的概率 和行为为1的概率。
[0044] 使用1步变化表预测的结果，即为预测恐怖组织1个时间周期之后的行为。例如，假 设当前的背景变化为：{(〇,〇)，（1，1)，（〇，1)，（〇,〇)，（1，〇)，（1，〇)，〇}，那么预测下一个时间 周期的行为为I，即发生该类恐怖活动。
[0045] (3)使用多步加权贝叶斯综合预测，假设给定的步数为2。
[0046] ①首先，如表帥所示方法，建立1步和2步变化表，结果如表4，表6所示。
[0047]
[004引
[0049]②其次，根据贝叶斯方法，对1步和2步变化表进行统计分类，得到结果如表5、表7 所示。
[(K)加 ]
[0051]③然后，使用预测得到的行为序列分别和真实的行为序列，计算每一步的相关系 数，完成归一化，作为该步变化表预测的权重，结果如表8所示。
[0化2]
[0053]④预测时，假设当前的背景变化向量X为：{(0,0)，（I，1),(0,1)，（0,0)，（1,0),(1, 〇)，〇}，分别在每步变化表中计算P(LA = OlX)和P(LA=IlX),同样使用P(XlLA = O)P(LA = O) 和P(X I LA= DP(LA=I)进行替换，计算结果如表9所示。
[0化4]
[0化5]当LA = O时，X h(wh冲h(Ci IX)/ X kPh(Ck IX)) =0.027*0.5+0.0610*0.5 = 0.044;
[0056]当LA= I时，X h(wh冲h(Ci IX)/ X kPh(Ck IX)) =0.9730*0.5+0.9390*0.5 = 0.956; [0化7]因为0.044小于0.956，预测结果为LA= 1，即发生恐怖活动。
[005引上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说 明，它们并非用W限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式 或变更均应包含在本发明的保护范围之内。
【主权项】
1. 一种利用背景变化预测恐怖行为的方法，其特征在于，利用背景与行为之间的变化 联系预测组织行为，包括如下步骤： (1) 原始数据集的预处理;所述原始数据由恐怖组织的基本信息、背景知识和行为活动 构成，提取背景知识和行为，将其标记为(CS(g)，AS(g))的向量对;其中CS(g) = (C1，C2，…， Cm)表示数据中的背景属性，AS(S) = U1, A2,- ,An)表示数据中涉及到的行为属性； 为了得到不同行为的背景子空间，需要对原始数据做预处理，形成(CS(g)，、）的N个子 数据集； (2) 针对AS(g)中每一种待预测行为，生成改进的变化表;所述改进的变化表是一种记 录组织在时间序列上行为随其背景变化关系的数据存储结构，表示背景的改变对行为变化 的影响，其存储内容包括背景与行为已有的变化情况;所述变化表包括1步变化表和多步变 化表。 (3) 利用贝叶斯方法，在生成的1步或多步变化表上计算预测结果； (4) 使用多步加权贝叶斯模型，在1步到H步的变化表上分别预测，并给出综合预测结 果。2. 根据权利要求1所述的一种利用背景变化预测恐怖行为的方法，其特征在于，所述步 骤(2)中生成变化表的方法包括:对于整数h>l，h-变化表CT h(g，~）中时间段i的记录由背景 属性从时间段i-h到i-h+Ι的变化以及行为属性从i到i+Ι的变化产生。3. 根据权利要求1所述的一种利用背景变化预测恐怖行为的方法，其特征在于，所述步 骤(3)的实现包括:对变化表进行统计分类，计算P(LA jIX)，然后根据行为概率的大小，将较 大概率的类标记作为分类结果;其中X表示环境变化向量，LA表示当前时间的行为。4. 根据权利要求1所述的一种利用背景变化预测恐怖行为的方法，其特征在于，步骤 (4)的实现包括如下步骤： 1) 根据步数H，构建1到H步的变化表CTh(g，Aj)，h=l，. . .，H; 2) 使用h-变化表CTh(g，~）中的每一行的变化数据使用贝叶斯方法预测，得到预测的行 为序列PY h; 3) 根据^=0^(?￥11丨)/(0(?￥11)祁(￥11))1/ 2;其中0^(.)为协方差，0(.)为方差，计算预 测行为序列PYh与真实行为序列Y h的相关系数rh; 4) 判断是否结束，如果没有结束，则跳到2)，计算下一个步长的相关系数;否则，进行下 一步。 5) 使用公式怖=|^1|/2卜1|将得到的相关系数^^...，^规一化，得到预测权重系 数W1，W2, · · ·，WH; 6) 对于每种行为，在各步变化表上使用贝叶斯分类预测，计算其目标函数maXl{Xh(Wh* PtXC11X)/Σ kPh(Ck IX) )}，选择使结果数值最大化的行为作为分类结果;其中，C1表示每种行 为;h=l，...，H，表示变化表的步数；目标函数的关系式表示分别在1到H步变化表上，计算 行为C i在所有行为的发生概率中的加权比重。
【文档编号】G06Q10/04GK105956982SQ201610300731
【公开日】2016年9月21日
【申请日】2016年5月4日
【发明人】薛安荣, 王孟頔, 毛文渊
【申请人】江苏大学