预测难以预知的事：基于 BiLSTM 的全球恐怖主义数据库 (GTD) 事件计数预测
摘要
我们研究了使用全球恐怖主义数据库 (GTD, 1970--2016) 进行短期预测恐怖主义事件计数的任务。我们构建了一个具有固定时间划分的可复现管道，并将基于双向 LSTM (BiLSTM) 的方法与强大的经典基准（季节性朴素法、线性/ARIMA 模型）以及一个深度 LSTM-Attention 基准进行比较。实验结果显示，BiLSTM 在 held-out 测试集上取得 RMSE 6.38，优于 LSTM-Attention (9.19; 提升 30.6\%) 和一个线性滞后回归基准（RMSE 提升 35.4\%），同时在 MAE 和 MAPE 等指标上也取得了并行的改进。对模型进行消融实验，考察了时间记忆、训练历史长度、空间粒度、回望大小以及特征组的影响，结果表明：在长历史数据上训练的模型泛化能力最佳；适中的回望窗口 (20--30 周) 提供了强大的上下文；双向编码对于捕捉窗口内的 build-up 和 aftermath 模式至关重要。特征组分析表明，短期结构（滞后计数和滚动统计）贡献最大，地理位置和伤亡特征仅提供增量提升。我们公开了代码、配置文件和紧凑的结果表格，并提供了 GTD 许可证和研究-only 使用的资料/伦理声明。总体而言，本研究为 GTD 事件预测提供了一个透明且超越基准的参考。
引用
@article{arxiv.2510.15136,
title = {Predicting the Unpredictable: Reproducible BiLSTM Forecasting of Incident Counts in the Global Terrorism Database (GTD)},
author = {Oluwasegun Adegoke},
journal= {arXiv preprint arXiv:2510.15136},
year = {2025}
}
备注
12 pages, 5 figures, 2 tables. Code & reproducibility: https://github.com/Davidavid45/Deep-Learning-in-Counterterrorism Data/ethics: GTD used under research-only terms; no raw GTD is redistributed