研究生数学建模：恐怖袭击事件分级

特征：人员伤亡、经济损失、时间、地点（人口容量、GDP）等

财产损失

特征：

攻击类型、武器类型、受害子类型、国家、地区、入选标准（1、2、3、doubtterr）

攻击类型

1. 暗杀（1/0）
2. 武装袭击（1/0）
3. 轰炸爆炸（1/0）
4. 劫持（1/0）
5. 设施攻击（1/0）
6. 徒手攻击（1/0）
7. 未知（1/0）

8. 攻击成功（1/0）
9. 自杀式袭击（suicide）

   武器类型

9. 生化武器、放射性武器（1/0）
10. 核武器
11. 轻武器
12. 炸弹
13. 燃烧武器
14. 治乱武器
15. 交通工具
16. 破坏设备
17. 未知

受害者类型

18. 商业
19. 政府
20. 警察
21. 军事
22. 流产有关
23. 运输（机场（飞机）或巴士、火车、高铁运输）
24. 教育机构
25. 食物或水供应
26. 媒体设施
27. 海事
28. 非政府组织
29. 其他

地区

30. 北美
31. 南美
32. 东亚
33. 东南亚
34. 南亚
35. 中亚
36. 西欧
37. 东欧
38. 中东和北非
39. 撒哈拉以南非洲
40. 澳大利亚

入选标准

41. 标准1
42. 标准2
43. 标准3

–

44. 疑似恐怖主义

输出：

1. 灾难性的
2. 重大的
3. 较小的
4. 无损失
5. 未知

1. 设置propextent中为空的部分为0，这样就可以去除property

K-means聚类结果分析

样本数

10953\times 17

聚类结果（5类）

统计	类1	类2	类3	类4	类5
数量	2497	4645	134	1854	1823

Spectral Clustering聚类结果分析

样本数

10953\times 17

聚类结果（5类）

统计	类1	类2	类3	类4	类5
数量	10883	1	15	1	53

分段后K-means聚类结果分析

样本数

10953\times 36

聚类结果（5类）

统计	类1	类2	类3	类4	类5
数量	6339	1541	1474	725	874

分段后Spectral Clustering聚类结果分析

样本数

10953\times 36

聚类结果（5类）

统计	类1	类2	类3	类4	类5
数量	9472	26	1343	93	19

增大死亡数以及财产损失权重，分段后K-means聚类结果分析

样本数

10953\times 36

聚类结果（5类）

统计	类1	类2	类3	类4	类5
数量	1541	735	7203	1474	0

增大死亡数以及财产损失权重，分段后Spectral Clustering聚类结果分析

样本数

10953\times 36

聚类结果（5类）

统计	类1	类2	类3	类4	类5
数量	9471	1	1349	39	93