基于稀疏 Temporal Fusion Transformer 与 Gaussian Process 混合模型的地缘政治事件预测：中东与美国冲突动态案例研究
机器学习
2025-06-27 v1 机器学习
应用统计
统计计算
摘要
从全球事件、语言和语调数据库（GDELT）等数据源预测地缘政治冲突是国家安全面临的一项关键挑战。此类数据固有的稀疏性、突发性和过散性导致包括 Temporal Fusion Transformer（TFT）在内的标准深度学习模型无法产生可靠的长程预测。我们引入了 STFT-VNNGP，这是一种通过克服这些局限性而赢得 2023 年威胁检测算法（ATD）竞赛的混合架构。为弥合这一差距而设计，我们的模型采用两阶段过程：首先，TFT 捕捉复杂的时间动态以生成分位数预测。这些分位数随后作为变分最近邻 Gaussian Process（VNNGP）的输入信息，执行有原则的时空平滑与不确定性量化。在预测中东和美国冲突动态的案例研究中，STFT-VNNGP 始终优于独立的 TFT，展现出卓越的预测突发性事件周期时机与规模的能力，特别是在长程视野下。这项工作提供了一个稳健的框架，可从具有挑战性的事件数据中生成更可靠、更具可操作性的情报，并且所有代码和工作流程均已公开以确保可复现性。
引用
@article{arxiv.2506.20935,
title = {Forecasting Geopolitical Events with a Sparse Temporal Fusion Transformer and Gaussian Process Hybrid: A Case Study in Middle Eastern and U.S. Conflict Dynamics},
author = {Hsin-Hsiung Huang and Hayden Hampton},
journal= {arXiv preprint arXiv:2506.20935},
year = {2025}
}