与机器学习模型预测社会事件的影响

由于随机性的性质,预测的临时事时空的事件是非常困难的。估计未来时空的事件的影响,另一方面,与因果关系链地址一个启发式的问题,理解原因和带来宝贵的研究机会,制定弹性,和计划的开发活动。虽然许多人认为,社会事件的出现是中性的,他们对人类社会的影响,另一方面,可以有利或有害的。例如,时间持续时间和空间拥堵造成的交通事故后果每天巨大的社会经济损失。而被低估的颠覆性技术的事为风险投资家带来数以百万计的利润。因此,预测和量化的水平破坏有害的事件将费用和利润的有利事件将获得具有很大的研究价值和应该达到现场所有人的利益。

最近几十年见证了机器学习模型的突出表现在各种各样的任务,比如功能学习、分类和模式识别。用大量的数据生成的无所不在地部署传感器(即。气候、交通速度传感器、传感器网络、社会网络、政治民意调查,等等),我们相信将会有巨大的研究机器学习模型的机会估计未来社会事件的影响。不同于异常检测在模式挖掘领域,社交活动矿业和影响评估的解决学习的问题表示从多个异构数据源(即事件。、社交媒体、城市传感器、新闻文章和研究出版物)和预测未来社会从多个方面影响。评估范围的时空事件的社会影响与机器学习模型,我们宣布四个主要目标方向的研究课题:1)学习事件的表征,2)量化的影响事件,3)建模活动的模式,和4)预测事件的趋势。

提交可能包括但不限于:

——学习的代表性事件:模型,可以提取代表特征融合的异构传感器数据和制定社会事件的定义

——量化的影响事件:模型可以量化的社会影响特定的目标域。这些影响包括时间持续时间、空间拥挤,局部影响

——建模事件的模式:模型能够认识到学习的模式从异构数据源和推广模式在其他领域

——预测趋势的事件:模型,预测未来趋势的社会事件鉴于异构传感器数据的结合,并激发进一步的研究