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?