數據處理在現代資訊系統中至關重要。有效的數據處理能幫助組織從大量數據中提取出有價值的資訊，為後續的決策提供基礎。同時，良好的數據清理、轉換與整合過程能降低錯誤率，增加模型的可靠性。特別是在軍事、金融等高風險領域，數據處理的精確性直接影響任務成敗，以下就數據的清理流程與研究方法進行介紹。

數據處理

國防部網站上有109年至113年每天的中共解放軍臺海周邊海、空域動態，雖然經過模糊化，但裡面每天出現的機種類型和區域已足夠進行分類和推理，經過資料的整理，統計出大約有20種機型，每天有不一樣的活動動態(如表一)，每一行代表一個時間點的軍事設備部署情況。對於每一行數據，程序創建一個圖，其中節點代表不同類型的軍事設備（如戰鬥機、轟炸機等），節點的值表示該設備的活動的區域代號。我們把它整理成CSV文件，藉由pandas的dataframe函式庫進行分析。

表一：整理後的資料集的一部分

多層次感知演算法

因為除了空警500外一共有19種機型，並且我們需要知道的是「是否會出現空警500」這個1個答案，因此建立三個輸入層為19個神經節點(用來輸入除空警500外的19種機型出現況況)、隱藏層為3個節點(用來給神經網路交叉比對)，輸出層為1個節點(用來輸出空警500出現機率)的類神經網路， 並定義神經網路間傳遞的方式若數值小於0歸零，數值大於0則為線性之激勵函式（activation function），經過將誤差函數微分並且求極小值的過程後，我們的模型準確度在8成。 如果我們發現某個機型(如轟六)與空警500的關係密切，出現轟六往往會出現空警500，那麼顯示在轟六的權重便會比其他機型高出許多。 初次推理後結果並不如我們預期，因此需要檢討相關變數以提升模型的準確率。

因此我們嘗試將美艦通過與議員訪臺事件加入分析。 共軍執行任務的理由可能為了例行訓練、演習、或是運用軍事力量威嚇踏入範圍的敵對勢力，例行的訓練或演習很容易有規律的週期，但若是威嚇敵對勢力這種突發事件就沒有所謂的週期，因次我們把歷史上的變因(議員訪臺以及美艦通過臺海)加入模型內，藉以提升模型的準確性。經過增加變數，模型的準確度增加為85.92%。

表二：三種藉由權重分析空警500出現時的搭配機種組合

使用圖神經網路分析

節點分類

試著試著使用圖神經網路結構來提升訓練 ，首先將資料集內的特徵進行分類，分成無人機(TB001, CH4,GJ2,WZ7, BZK)、戰鬥機(J10,J11,J16,SU30)、偵查任務機(Y9EW, Y8EW,Y8ELINT,Y8ASW, Y8REC,Z9)、以支援機種 (Y20,Y9CC) , C2(KJ500)，其中無人機與偵察任務機擔任集群，保障集群由Y20,Y9CC擔任，突擊集群由H6, JH7擔任，KJ-500擔任指管中心，戰鬥機可能擔任掩護集群以及保障集群之中。

圖的連接規則：

把圖的連接遵循上述的規則，表示彼此的關係(如圖三)：

1. KJ500（預警機）與所有其他節點相連，表示其為指揮中心。
2. 戰鬥機組（J10, J11, J16, SU30）和偵察任務飛機組（Y9EW, Y8ELINT, Y8ASW, Y8REC）只與中心節點（KJ500, H6, JH7, Y20, Y9CC）相連，因偵察任務機組負責提供關鍵資訊給屬於指揮或打擊的機組。
3. 無人機與直升機組（BZK, WZ7, Z9, CH4, TB001）也只與中心節點相連，無人機與直升機負責提供。
4. 中心節點之間互相連接。
5. 如果兩個機種出現的區域類似，也會建立連接。

建立網路模型

有了基本的圖神經網路結構後，我們使用PyTorch Geometric庫實現GNN模型。模型包含兩層圖卷積層（GCNConv）和一個全連接層。模型的輸入是圖的節點特徵和邊的訊息，輸出是一個二元分類（預測KJ500是否出現）。後續再將模型使用Adam優化器進行訓練，計算損失後再進行反向傳播直到損失無法下降為止。

模型評估：評估指標包括準確率、AUC（曲線下面積）和平均交叉熵。這些指標全面反映了模型的分類性能和預測的確定性。我們定義準確率為：

第一張圖顯示 ROC 曲線（接收者操作特徵曲線），AUC（曲線下的面積）為 1.0，表明模型的分類能力非常好，能夠完美區分正負類別。ROC 曲線越靠近左上角，AUC 越接近 1，說明模型性能越優異。此曲線用於衡量模型的靈敏度與特異度的平衡。 第二張圖是混淆矩陣，用於展示分類結果。圖中顯示模型在 68 個負類別樣本中正確預測了 68 個，有 1 個負類別樣本被錯誤預測為正類別。對於正類別樣本，模型正確預測了 2 個。

圖:ROC 曲線（接收者操作特徵曲線）

圖:AUC

為了比較使用圖神經網路與多層次感知演算法的效能，其中圖神經網路 (GNN) 的準確率最高，達到 0.9859，這意味著它能夠較為準確地預測樣本，而GNN 的 AUC 為 1.0000，這表明它在不同的分類下均有很好的區分能力，具有的平均交叉熵也最低，僅為 0.0654，表明它的預測不確定性最小，並且預測結果更接近真實值，根據這些數據，圖神經網路 (GNN) 在準確率、AUC 和平均交叉熵上均優於多層次感知演算法，顯示出它在此任務上的強大表現。

使用「Prophet」預測戰備警巡與西南空域活動

像部隊活動這種多半具有週期性，我們可以結合上述的資料集每天的活動數量與戰備警巡的日期進行進一步的分析，戰備警巡為中共東部戰區位臺灣周邊海空域進行之例行性海空兵力聯合巡邏活動，在戰備警巡實施期間，我們可以由發布的新聞稿中觀察到中共軍機和船艦的活動大幅增加，機型種類也更加完整，中共發言人在例行記者會解釋：「戰備警巡主要目的在進一步提升部隊實戰化訓練水平，增強捍衛國家主權和領土完整的打仗能力，共軍將持續練兵備戰，繼續常態組織有關軍事行動」，而戰備警巡發生的時間往往都在晚上或是清晨，雖然只在我24浬處進行，但軍事行動已具備「猝然攻擊」的戰術戰法，使我國軍最前線海空人員疲於奔命，藉由統計戰備警巡新聞報導的資料，可以大致推估戰備警巡週期大月在6-14天不等，但這僅是藉由統計資料直觀判斷的結果，如果加上深度學習工具，我們更能做到「預測」，我們可以運用由 Facebook 核心科學資料小組。(Facebook Core Data Science Team )發表的「Prophet」程式庫，進行時間序列預測， 「Prophet」程式庫主要是綜合趨勢、季節性、假日或特殊事件等資訊進行預測，被廣泛運用股市或是銷售量預測，經由這套工具分析戰備警巡與時間週期的關係我們可以得到以下結論。 (一)戰備警巡執行週期約在6-14天，發生時間以周三到周五頻率為最高，週六為發生頻率較低的時間： 這也與我們觀察的數據一致，藉由系統得出的執行週期，可推測未來20天哪幾天共軍執行戰備警巡的機率較高(如圖六)。 (二)結合戰備警巡的時間可以提升預測空警500機率的準確度： 我們假設空警500的出現與戰備警巡有很大的關聯性，因此可以將戰備警巡的因素加入評估，可以藉由「Prophet」這套工具來進行分析， 經過分析後可以得知戰備警巡與美艦通過臺海對於空警500的出現有顯著的影響，幾乎每一次中共空軍戰備警巡都會出現空警500，因此若是加入戰備警巡時間與其他機種出現次數作為變量，空警500預測準確度可得到進一步提升(如圖六)

###運用「Prophet」程式庫預測戰備警巡時間圖

結論與未來展望

1.研究成果總結本研究透過深度學習技術，成功建立了預測共機活動的模型系統，取得以下具體成果： 建立了具有80%以上準確度的空警500預測模型，能夠根據其他機型組合預測空警500出現機率。 發現特定機型組合(如殲10、殲11、運8電戰、BZK等)與空警500的高度關聯性，並歸納出三種主要的空中編組模式。 運用Prophet工具成功預測戰備警巡週期(6-14天)，並發現其與空警500出現有顯著相關性。 透過區域活動分析，揭示當空警500出現時，其他機型(如運八電偵機、無偵七、轟六)會減少西南部活動而增加東部活動的趨勢。 2 .中共空中作戰訓練模式反映了其明確的戰略布局。在西南空域的平時演練與演訓中，空中預警機擔任前線指揮中心，電偵機和警戒機作為先遣部隊，為後方轟六轟炸機的攻擊行動提供掩護，而圖神經網路技術則為我們提供這些空中陣形的可能性。習近平提出的「實戰化訓練」亦即「理念仗在哪裡打，兵就在哪裡練」。海空聯合遠程飛行訓練正是這一戰略思維的具體實踐。從訓練方式和目標來看，美軍可能是其主要假想敵，而臺灣的西南空域則是其練兵場所。東部戰區與南部站區於此空域部署同等規模兵力進行區域接力監視，空警500(KJ-500)則扮演中繼與指揮的角色。