Using Predictive Analytics to Forecast Drone Attacks in Pakistan Adailson de Castro Marcio Mendes...
-
Upload
artur-fontes-chagas -
Category
Documents
-
view
214 -
download
0
Transcript of Using Predictive Analytics to Forecast Drone Attacks in Pakistan Adailson de Castro Marcio Mendes...
Using Predictive Analytics to Forecast Drone Attacks in Pakistan
Adailson de CastroMarcio Mendes
Uzma AfzalFederal Urdu University ofArts Science & TechnologyKarachi, Pakistan
Dr. Tariq MahmoodPAF - Karachi Institute ofEconomics & TechnologyKarachi, Pakistan
Roteiro
• Contextualização• Objetivo• Dados• Ferramentas• Preprocessamento• Modelagem e Forecasting• Conclusão
Drones• Unmanned Aerial Vehicles (UAV) or• Remotely Piloted Aerial Systems (RPAS).
• São empregados, no âmbito militar, em condições onde o vôo tripulado é considerado difícil e arriscado.
Drones
Drones
Objetivo• Aplicar tecnicas de previsão para medir futuros danos
• E prever ataques futuros para salvar vidas inocentes
Os Ataques
Fontes1. Pakistan Body Count (PBC) Website2. Cruzamentos das correspondencias
com1. entradas na wikipedia2. South Asia Terrorism Portal (SATP)
Website
• Cerca de 340 ataques registrados, desde Junho/2004 até junho/2013
Atributos
Atributos
Atributos
Curtose
Obliquidade
Média
Atributos
Número de ataques
JUN 2004 JUN 2013
Atributos
Mortes de Militantes
JUN 2004 JUN 2013
Atributos
Mortes de civis
JUN 2004 JUN 2013
Atributos
Feridos
JUN 2004 JUN 2013
AtributosSobreposição
JUN 2004 JUN 2013
Numero de ataquesMortes de civisMortes de militantes
Obs.: Escala Aproximada
Série temporal EstacionáriaUma série temporal é dita estacionária quando ela se desenvolve no tempo aleatoriamente ao redor de uma média constante, refletindo alguma forma de equilíbrio estável. O que facilita a previsão.
TransformaçãoNâo Estacionária -> estacionária
Diferenças sucessivas da série original
Primeira diferença:
Segunda diferença:
N-ésima diferença:
TransformaçãoEstacionária -> Não estacionária
Diferenças sucessivas da série original
Trend
Trend, ou tendência , é o movimento de uma serie tempo a longo prazo
Exemplo
SeasonSeasonality, ou sazonalidade , é o movimento de uma serie temporal em intervalos menores que um ano. Mensalmente, semanalmente, diariamente , e.g.
Exemplo
TransformaçãoEstacionária -> Não estacionária
Não é dito no artigo, mas provavelmente foram feitos testes de estacionaridade nas series temporais dos 4 parâmetros. Provavelmente também foi descoberto que as mesmas eram não estacionárias (um tanto quanto óbvio pelos gráficos), por isso a necessidade de se aplicar a transformação por uma função de diferenciação. Como é dito no artigo:
“In all four graphs, the mean value ischanging across different time periods, signaling the need to
apply a differencing function across consecutive timePeriods [...]”
Partial Autocorrelation function (PACF)
É usado uma função de auto correção parcial(Partial Auto correlation function, PACF) para identificar a extensão do “lag”(atraso) no modelo
Seja um valor da serie temporal no tempo t:
Auto correlação parcial do lag 1:
Auto correlação parcial do lag k:
Partial Autocorrelation function (PACF)
IBM SPSS Tool
Exponential Smoothing
Autoregressive Integrated Moving Average (ARIMA)
AutomatedExpert Modeler
Exponential Smoothing
+(1- )
𝑆0=𝑋 0
0<<1
Smoothing Factor (“Fator Suavizante”, tradução livre)
Previsão no tempo “t”
Valor observado no instante inicial
ARIMAAutoregressive Integrated Moving Average
(1−∑𝑖=1𝑝
𝜑𝑖𝐿𝑖) (1− 𝐿)𝑑𝑋 𝑡=𝛿+(1+∑𝑖=1
𝑞
𝜃𝑖𝐿𝑖)𝜀𝑡
Modelo ARIMA (p, d, q) ARIMA (autoregressive, Integrated, Moving)
Lag Operator Erro
Número de parâmetrosauto-regressivos,
Número de diferenças número de parâmetros da média móvel
𝐿𝑖=𝑋 𝑡 −𝑖/ 𝑋 𝑡𝑋 𝑡−𝑋 𝑡− 1=𝜀𝑡
ARIMAAutoregressive Integrated Moving Average
(1−∑𝑖=1𝑝
𝜑𝑖𝐿𝑖) (1− 𝐿)𝑑𝑌 𝑡=𝛿+(1+∑𝑖=1
𝑞
𝜃𝑖𝐿𝑖)𝜀𝑡
𝑌 𝑡 ¿ (1−𝐿 )𝑑 𝑋 𝑡
𝑌 𝑡=(𝛿+(1+∑𝑖=1𝑞
𝜃 𝑖𝐿𝑖)𝜀𝑡) /((1−∑𝑖=1
𝑝
𝜑𝑖𝐿𝑖)(1−𝐿 )𝑑 )
Dados observados vs Forecast
Dados observadosForecast
Expert Modeler
Dados observadosForecast
ARIMA Modelado Manualmente
Dados observados vs Forecast
Comparação de erros
Root Mean Squared Error (RMSE)
Dados observados Forecast
Expert Modeler
ARIMA Modelado Manualmente
Forecast
Forecast• Julho 2013: 2(ataques), 17
(militantes), 2(estrangeiros), 0 (feridos)
• Agosto 2013: Não houve ataques• Setembro 2013: 3(ataques), 6
(militantes), 12(civis e estrangeiros), 9 (feridos)
• Outubro 2013: 2(ataques), 5 (militantes), 3(civis), 5 (feridos)
• Novembro 2013: 2(ataques), 2 (militantes), 6(civis e estrangeiros), 10 (feridos)
• Dezembro 2013: 2(ataques), 0 (militantes), 9(civis), 3 (feridos)
Comparação do ARIMA e EM em 2012
Conclusão• O Expert Modeler, no IBM SPSS, se mostrou melhor, com menos erros que o ARIMA Modelado Manualmente.
• Os ataques tem grande número de civis mortos comparados com as mortes de militantes.
Obrigado, dúvidas?