論文の概要: Predicting the Unpredictable: Reproducible BiLSTM Forecasting of Incident Counts in the Global Terrorism Database (GTD)

• arxiv url: http://arxiv.org/abs/2510.15136v1
• Date: Thu, 16 Oct 2025 20:53:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.392269
• Title: Predicting the Unpredictable: Reproducible BiLSTM Forecasting of Incident Counts in the Global Terrorism Database (GTD)
• Title（参考訳）: 予測不可能なBiLSTM予測 - Global Terrorism Database (GTD)におけるインシデントカウントの予測
• Authors: Oluwasegun Adegoke,
• Abstract要約: 我々は、GTD(Global Terrorism Database, 1970-2016)を用いた週次テロ事件の短期予測について研究する。 固定時間分割による再現可能なパイプラインを構築し, 強い古典的アンカーに対して双方向LSTM(Bidirectional LSTM)を評価する。 ホールドアウトテストセットでは、BiLSTMはRMSE 6.38に達し、LSTMアテンション(9.19; +30.6%)と線形ラグ回帰ベースライン(+35.4% RMSEゲイン)を上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study short-horizon forecasting of weekly terrorism incident counts using the Global Terrorism Database (GTD, 1970--2016). We build a reproducible pipeline with fixed time-based splits and evaluate a Bidirectional LSTM (BiLSTM) against strong classical anchors (seasonal-naive, linear/ARIMA) and a deep LSTM-Attention baseline. On the held-out test set, the BiLSTM attains RMSE 6.38, outperforming LSTM-Attention (9.19; +30.6\%) and a linear lag-regression baseline (+35.4\% RMSE gain), with parallel improvements in MAE and MAPE. Ablations varying temporal memory, training-history length, spatial grain, lookback size, and feature groups show that models trained on long historical data generalize best; a moderate lookback (20--30 weeks) provides strong context; and bidirectional encoding is critical for capturing both build-up and aftermath patterns within the window. Feature-group analysis indicates that short-horizon structure (lagged counts and rolling statistics) contributes most, with geographic and casualty features adding incremental lift. We release code, configs, and compact result tables, and provide a data/ethics statement documenting GTD licensing and research-only use. Overall, the study offers a transparent, baseline-beating reference for GTD incident forecasting.
• Abstract（参考訳）: 我々は,GTD(Global Terrorism Database, 1970-2016)を用いて,週ごとのテロ事件数の短期予測について検討した。 固定時間分割による再現可能なパイプラインを構築し,両方向LSTM(Bidirectional LSTM)を,強い古典的アンカー(シーズンナブ,リニア/ARIMA)と深いLSTM-Attentionベースラインに対して評価する。 ホールドアウトテストセットでは、BiLSTMはRMSE 6.38に達し、LSTM-Attention(9.19; +30.6\%)と線形ラグ回帰ベースライン(+35.4\% RMSEゲイン)を上回り、MAEとMAPEを並列的に改善した。 時間的記憶、トレーニング履歴の長さ、空間的粒度、ルックバックサイズ、特徴群は、長い歴史データに基づいて訓練されたモデルが最も一般的なことを示し、適度な見返り(20～30週間)は強い文脈を提供する。 特徴群解析により, 短水平構造(転がり数, 転がり数)が最も寄与し, 地形的, カジュアルな特徴が加わった。 コード、構成、コンパクトな結果表を公開し、GTDライセンスと研究専用の使用を文書化したデータ/倫理文を提供します。 全体として、この研究はGTDインシデント予測のための透明でベースラインビートな基準を提供する。

関連論文リスト

• Transforming Credit Risk Analysis: A Time-Series-Driven ResE-BiLSTM Framework for Post-Loan Default Detection [12.68085308605668]
  債務不履行の予測は信用リスク管理において重要な課題である。 本研究では,スライドウィンドウを用いたResE-BiLSTMモデルを提案する。 大規模なFreddie Mac US住宅ローンデータセットから44個の独立したコホートで評価されている。
  論文  参考訳（メタデータ） (2025-08-01T08:13:14Z)
• Solar Flare Prediction Using Long Short-term Memory (LSTM) and Decomposition-LSTM with Sliding Window Pattern Recognition [0.0]
  データセットは2003年から2023年までで、151,071のフレアイベントを含む。 スライディングウインドー技術は、不規則および規則化されたフレア時系列の時間準パターンを検出するために用いられる。 LSTMとDLSTMモデルは不規則時系列からのピークフラックスと待ち時間のシーケンスに基づいてトレーニングされ、LSTMとDLSTMはアンサンブルアプローチと統合され、3時間間隔の正規化時系列のスライディングウィンドウに適用される。 正規化された時系列に対するアンサンブルアプローチによるDLSTMは他のモデルよりも優れており、不規則な時系列で訓練されたモデルと比較して誤りが少なく、より正確な大きめの予測を提供する。
  論文  参考訳（メタデータ） (2025-07-07T13:17:38Z)
• AF-MAT: Aspect-aware Flip-and-Fuse xLSTM for Aspect-based Sentiment Analysis [0.6498237940960344]
  我々は,xLSTMの強みを利用するフレームワークであるAF-MAT(Aspect-aware Flip-and-Fuse xLSTM)を紹介する。 AF-MATは、専用アスペクトゲートを導入するAspect-awareMatrix LSTMメカニズムを備えており、メモリ更新中にターゲットアスペクトに意味のあるトークンを選択的に強調することができる。 AF-MATが最先端のベースラインを上回る3つのベンチマークデータセットの実験により、ABSAタスクの精度が向上した。
  論文  参考訳（メタデータ） (2025-07-01T22:21:33Z)
• Mitigating Forgetting in LLM Fine-Tuning via Low-Perplexity Token Learning [65.23593936798662]
  LLM生成データによる微調整により,目標タスクの性能が向上し,非目標タスクの劣化が低減されることを示す。 微調整後のLSMにおける破滅的忘れを緩和するために、トークンの難易度低減に基づく経験的説明を提供する最初の研究である。
  論文  参考訳（メタデータ） (2025-01-24T08:18:56Z)
• TopoFormer: Integrating Transformers and ConvLSTMs for Coastal Topography Prediction [0.0]
  textitTopoFormerは、変換器ベースのエンコーダと畳み込みの長い短期記憶層を統合する。 このアーキテクチャは、ビーチプロファイルデータに固有の長距離依存関係と局所化された時間パターンの両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-01-11T09:46:02Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。