不确定性森林：基于树集成估计未来冲突概率分布

对 PRIO-GRID-month (pgm) 级别暴力冲突死亡人数的预测 characterized by 高水平不确定性，限制了其在实际应用中的实用性。我们讨论了该预测任务的两种主要不确定性来源：暴力冲突的本质以及数据限制，将冲突预测嵌入更广泛的机器学习不确定性量化文献中。基于此，我们发展了量化冲突预测不确定性的策略，由传统点预测转向完整的预测分布。我们的 метод将多个基于树的分类器和分布回归器组合在自定义 AutoML setup 中，为每个 pgm individually 估计分布。我们还测试了区域模型在空间集成中的集成，以降低数据需求并消除冲突情境间的系统性差异作为潜在降低不确定性的途径。模型 consistently 优于基于冲突历史的多项基准，对未来一年的预测表现良好。模型总体指标的细微差异凸显了需理解其行为的必要性，这在本案例中表现为极端高零稀疏性。针对这一问题，我们通过仿真实验补充评估，表明模型反映有意义的性能提升，这些提升可追溯到冲突受影响地区。最后，我们展示区域模型集成不降低性能，为未来集成额外数据源开辟了可能性。