论文部分内容阅读
人与野生动物冲突问题正在逐步演变成一个全球性问题,处于冲突中的人类可能遭受经济损失、精神损失和人身伤亡危害,而冲突涉及的野生动物由于人类的仇恨心理可能面临更高的灭绝风险,甚至危及地球的生物多样性。冲突对双方都造成了巨大伤害,冲突风险预警是解决冲突的有效方法之一,研究人与野生动物的冲突风险预测方法,提前预警冲突的发生,对降低双方遭受的伤害、维护物种多样性、更好地开展野生动物保护工作具有重要意义。本文选取北京市2009-2017年的野生动物造成损失事件数据,在对数据进行时间间隔划分和空间网格划分处理后,从热点预测和区域数量预测两个角度,设计并实现了三大冲突预测算法:(1)基于Xgboost的冲突热点预测算法,主要提出了一套将冲突预测问题转化为统计学分类问题的方法,采用Xgboost算法进行分类建模尝试,并与传统分类算法进行对比验证。(2)针对区域冲突数量预测这一时间序列问题,提出了网格搜索结合BIC准则的ARIMA模型自动参数优化方法。(3)引入深度学习技术,设计基于长短期记忆神经网络(LSTM)的冲突数量预测算法,并基于冲突数据的空间相关特性进行优化。算法实验结果显示:(1)在冲突热点预测中,Xgboost相比其他分类算法有着最佳的预测精度和泛化性能,AUC为0.864,预测准确率为85.5%,对热点区域的预测精确率达到90.6%,预测精度达到实际应用需求。(2)逻辑回归的预测精度平均为91%,在注重查准能力的冲突预测实际应用中,逻辑回归与Xgboost都是良好的选择。(3)ARIMA的预测效果与数据时空划分的方式高度相关,在时间划分间隔为3天、网格划分维度30×30之下,ARIMA预测的平均绝对百分比误差MAPE低至13.6%。(4)在相同的区域冲突数量时序数据集上,LSTM相较ARIMA的平均绝对百分比误差MAPE降低了3.63%,但时间成本极大增加,空间LSTM算法相较普通LSTM预测MAPE降低了1.19个百分点。(5)综合考虑精度和效率,在区域冲突数量预测实际应用中,自动参数优化ARIMA模型是比LSTM更佳的选择。