利用机器学习与大规模数据预测庇护相关迁移流
应用统计
2022-05-25 v3 机器学习
摘要
所谓2015–16年“难民危机”的影响持续主导着欧洲的政治议程。迁移流突然而出乎意料，令各国政府措手不及，并暴露出迁移预测领域的显著不足。迁移是一个复杂系统，其特征是偶发性变化，其背后的因果因素相互作用、高度依赖语境且短暂易逝。相应地，迁移监测依赖分散的数据，而预测方法聚焦于特定迁移流，且结果常常不一致，难以在区域或全球层面推广。在此我们表明，整合官方统计与非传统数据源的大规模自适应机器学习算法能够有效预测庇护相关迁移流。我们关注欧盟（EU）国家受理的、由全球所有原籍国国民提交的庇护申请；只要具备充分的迁移或庇护数据，同样的方法可应用于任何情境。我们利用三个层级的数据——原籍国的地理定位事件与互联网搜索、欧盟边境不规则越境的侦测、以及目的国的庇护认可率——以高精度有效预测个别庇护迁移流至多提前四周的情况。独特地，我们的方法 a) 监测原籍国潜在的迁移驱动因素以早期察觉变化；b) 在滑动时间窗口上分别建模国与国之间的个别迁移流；c) 估计个别驱动因素（包括滞后效应）的影响；d) 提供至多提前四周的庇护申请预测；e) 评估驱动因素模式随时间如何转变，以描述迁移系统的运作与变迁。
引用
@article{arxiv.2011.04348,
title = {Forecasting asylum-related migration flows with machine learning and data at scale},
author = {Marcello Carammia and Stefano Maria Iacus and Teddy Wilkin},
journal= {arXiv preprint arXiv:2011.04348},
year = {2022}
}