[發明專利]一種融合多種數據挖掘技術的恐怖襲擊事件評估決策方法

有效

• 申請號: 202010140051.X
• 申請日: 2020-03-03
• 公開（公告）號: CN111369416B
• 公開（公告）日: 2023-09-22
• 發明（設計）人: 趙鵬;王保衛;華欣玥;陳正嘉
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06Q50/26
• 分類號: G06Q50/26;G06Q10/04;G06Q10/0635
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種融合多種數據挖掘技術的恐怖襲擊事件評估決策方法，其特征在于，包括以下步驟：

(1)利用熵權評價法計算每條恐怖襲擊事件的危害程度進而對恐怖襲擊事件進行量化分級；

(2)通過K均值聚類算法找出多條作案者信息的簇中心進而得出恐怖分子關于典型事件的嫌疑度，實現對危害性較高的組織予以精準防范和打擊；

(3)以已發生的恐怖襲擊事件數據作為樣本，利用多元線性回歸模型分析攻擊類型、目標類型、武器類型等的變化趨勢以反映地區反恐整體態勢建立恐怖襲擊事件發展態勢評估模型；所述恐怖襲擊事件發展態勢評估模型包含恐怖襲擊事件爆發頻次的預測模型、恐怖襲擊事件空間分布分析模型；

(4)利用詞頻-逆文檔算法對三年內所有事件的事件摘要進行詞頻重要性統計，從而提取與反恐事件相關的關鍵詞，繼而分析恐怖事件的主要原因；

所述步驟(1)包括以下步驟：

(11)將每條恐怖襲擊記錄稱為一個評價對象，每一個對象的屬性稱為決策因子，由評價對象組成一個危害性樣本矩陣R′為

R′＝(r′_ij)_m×n????????(1)

其中，r′_ij為第j個評價對象的i個決策因子的數據，m和分別為n決策因子和評價對象的個數；

(12)對危害性樣本矩陣R′進行標準化處理，并進行求熵的計算，得到樣本矩陣中指標i的信息熵H_i為

其中，當f_ij＝0時，令f_ij?ln?f_ij＝0；

(13)求出各評價對象的決策因子所對應的熵權大小w_i為：

危險性指標向量W為：

W＝(w₁,w₂,...,w_s,...,w_i)^T????(5)

(14)以加權求和的方法量化不同恐怖襲擊事件的危害性大小，建立恐怖事件危害程度計算模型如下：

其中，T_j為第j個評價對象的危害程度,w_ir_ij表示第j個評價對象在第i個決策因子上的貢獻程度；

所述步驟(2)包括以下步驟：

(21)依據輪廓系數評估方法選出合適的聚類數目，將恐怖襲擊事件分為一些不同的簇類，同時考慮簇內部的相似關系，選擇簇中心點作案者代表簇內部所有事件的作案者，若簇中心點無作案者，則計算歐式距離選擇離中心點最近且有作案者的點代替中心點；

(22)對每個簇篩選出的作案者依據作案次數和案件的危險程度選出危險性程度不同的作案者，把作案者制造的恐怖事件記錄和典型事件看成兩組多維向量，進而依靠用VSM相似度計算模型確定各嫌疑者與該案件的相關性，即嫌疑度：

其中，表示典型襲擊事件中的任意一起的特征向量，記為事件1，表示危害性最高的五個恐怖組織作案的典型事件特征向量，記為事件2，余弦值越小說明這兩起事件相關性較低，反之相關性高，即相關性越高，嫌疑度也越高；

步驟(3)所述的恐怖襲擊事件爆發頻次的預測模型為：

Fre_t＝α₀+α₁x_1(t-12)+…+α₂x_2(t-24)??????(12)

其中，t表示時刻，t取區間[1,36]內的整數，但為了避免0和負下標的出現，在計算回歸系數時，t＝25,26,27,...,36，Fre_t為t時刻的事件頻次，x_1(t-12)為t時刻所在年份的前一年的同月份的事件頻次，x_1(t-12)為t-12＝13,14,...,24時刻所對應的爆發頻次，x_2(t-24)為t時刻所在年份的前年的同月份的事件頻次，因此x_2(t-24)為t-24＝1,2,...,12時刻所對應的爆發頻次，α₀，α₁，α₂為求取的模型回歸系數；預測時，取t＝37,38,...,48；這樣，未來一年爆發頻次即可被預測；

步驟(3)所述恐怖襲擊事件空間分布分析模型為：

F_i＝c₁Z_i+c₂W_i+c₃R_i+c₄p_i??????(14)

其中，F_i表示第i個地區的反恐系數，Z_i表示第i個地區的武器傷害度，W_i表示第i個地區的地區危害性，R_i表示第i個地區的死亡總數，p_i表示第i個地區的事件頻發次數，設置加權系數c₁＝c₂＝c₃＝c₄＝0.25；

所述步驟(4)通過以下公式實現：

其中，f_i表示詞i在文本中出現的詞頻，N表示文本集總數，N_i表示包含詞i的文本個數，a1。