应用可解释机器学习算法，首次在精细时空尺度范围绘制全球反恐预测图，不仅与国际安全理论相互验证，更为决策者提供可信任防控依据，对我国一带一路驻外企业和同胞的生命和经济保护有重要意义。

This work offers the first predictive global map of violent events using interpretable machine learning algorithms. The results bring key insights into the dynamics of violent events at fine spatiotemporal scales worldwide while providing a framework for theory assessment and policy-relevant information to reinforce international security.

Andre Python博士先后在英国牛津大学、帝国理工大学、圣安德鲁斯大学、瑞士洛桑大学、弗里堡大学等国际顶尖大学工作学习多年，受教于著名气候变化学家Martin Beniston教授（2007年Nobel和平奖分享者之一）和德国统计学专家Janine Illian教授。其研究领域广泛，致力于统计学与自然科学和人文科学的交叉研究。通过开发和应用空间模型以更好的研究具有空间分布现象其背后的机理，包括流行病学、国际安全等。他的科研项目先后获得众多科研基金会资助，包括中国科学技术部、英国工程与物理科学研究委员会、欧洲研究理事会、比尔盖茨梅琳达基金会、苏格兰基金会以及浙江大学教育基金会等。2019年，Andre获得亚马逊公司“AWS机器学习奖金”，用于激励其在应用贝叶斯研究领域的发展。Andre的研究工作目前在多个高水平学术期刊发表，包括Science Advances, Journal of Conflict Resolution, Political Geography, Journal of the Royal Statistical Society (RSS)等。其科研成果更被介绍至广大非本专业领域读者群，多次受邀在英美统计学会权威会刊Significance上撰文评论，并受Taylor & Francis集团旗下CRC出版社与美国统计学会(ASA)邀请出版统计学应用英文专著一部。

负责人：Andre Python

2002-2016年世界各地恐怖事件的位置和空间领域

全球恐怖主义的动画预测图

大约20年前， 一系列有组织的恐怖袭击活动在纽约世贸大厦和五角大楼燃起滚滚浓烟，导致3000多无辜平民的丧生，即著名的911事件。自此，全球各科研机构对威胁国家安全的恐怖主义活动开始大量研究，试图了解其发生机制，以期未来可以更好的防范这种致命性行为的发生。从研究方法的角度来看，目前的主流研究仍旧以定量分析为主要手段，例如对区域性恐怖袭击案例进行描述性分析。但很少有研究方法可以提供可靠、准确的短期预测，而这恰恰是决策者进行防范布置过程中最需要的信息。

类似911这样的事件具有显著“黑天鹅”事件属性，是几乎不可预测的——这些事件在一段非常长的时间内可能只发生一次。然而大数据分析可以在一定程度上帮助确定最可能发生的时间和地点范围。Science Advances杂志于美国东部时间7月30日刊登了一项由浙江大学数据科学研究中心主导的国际化团队开展的相关工作。该团队发展了最新机器学习算法，可实现在精细时空尺度内预测和解释全球非政府组织在合法战争之外发动的武装袭击事件。为了研究全球所有可能发生威胁国际安全的地区，研究人员以“周”为单位，共设计2100万个时间网格单元，将其覆盖在26,551个空间网格单元之上，每个空间单位尺寸为50×50 km。如此，在2002年至2016年期间的795周中，全球所有可人居地区得以全部被覆盖研究。在此时空设计基础上，研究人员构建基于可解释树机器学习算法模型，同时运行基准预测模型作为对比，对全球每个周单元内发生袭击事件的概率进行预测和解释。

在长期受到袭击重创的地区，机器学习算法的预测表现是非常好的，然而在较长期以来很少受到袭击的地区进行预测仍旧是一个挑战。如果要阻止一个区域内发生大规模武装袭击事件，就需要在更大的潜在不安全区域内进行重要信息的铺查。可以预见的是，随着可解释机器学习算法的不断发展，在未来将更容易为研究界和实践者所应用，具有巨大的利用前景。