动态注意力（DynAttn）：可解释的高维时空预测框架（及其在冲突死亡预测中的应用）
应用统计
2025-12-29 v1 机器学习
摘要
预测冲突相关死亡数目是政治科学和政策分析中的核心挑战，这些死亡数据稀疏、呈现突发性且高度非平稳。我们介绍 DynAttn，一种用于高维时空计数过程的可解释动态注意力预测框架。DynAttn 结合滚动窗口估计、共享弹性网特征门控、紧凑的权重绑定自注意力编码器，以及零膨胀负二项（ZINB）似然分布。该体系结构产生校准的多时段预测，即预期伤亡人数和超出概率，同时通过特征门控、消融分析和弹性系数测度保留透明的诊断信息。我们使用来自 VIEWS 预测系统的全球国家层面和高分辨率 PRIO-Grid 层面的冲突数据，对 DynAttn 进行评估，将其与 established 的统计和机器学习方法进行比较，包括 DynENet、LSTM、Prophet、PatchTST 和官方 VIEWS 基线。在从一个到十二个月的预测时段上，DynAttn 在预测准确性上始终显著优于其他方法，在稀疏网格层面设置中尤其取得了大幅提升，因竞争模型常在此类场景下不稳定或性能急剧下降。除了预测性能外，DynAttn 还 enables 对区域冲突动态进行结构化解释。在我们的应用中，跨区域分析表明，短期冲突持续性和空间扩散构成核心预测支柱，而气候压力则是条件性放大器或主要驱动器，具体取决于冲突场域。
引用
@article{arxiv.2512.21435,
title = {Dynamic Attention (DynAttn): Interpretable High-Dimensional Spatio-Temporal Forecasting (with Application to Conflict Fatalities)},
author = {Stefano M. Iacus and Haodong Qi and Marcello Carammia and Thomas Juneau},
journal= {arXiv preprint arXiv:2512.21435},
year = {2025}
}