乔治梅森大学：用AI"侦探"预测恐怖袭击的时间密码

这项由乔治梅森大学的奥卢瓦塞冈·阿德戈克（Oluwasegun Adegoke）领导的研究发表于2024年，专门研究如何运用人工智能技术预测全球恐怖主义活动的发生时间。该研究采用了全球恐怖主义数据库（GTD）1970年至2016年的完整数据，构建了一个可重现的双向长短期记忆网络（BiLSTM）模型，在预测准确性上达到了RMSE值6.38的突破性成果。有兴趣深入了解技术细节的读者可以查询相关学术数据库获取完整论文。

恐怖主义活动的预测一直是各国安全机构面临的重大挑战。就像天气预报员需要分析大量气象数据来预测明天是否下雨一样，安全分析师也迫切需要一种科学方法来预测恐怖活动可能发生的时间窗口。然而，恐怖主义活动的发生模式比天气变化更加复杂多变，它受到地缘政治变化、宗教节日、报复性循环等多重因素的影响，传统的统计方法往往力不从心。

阿德戈克研究团队面临的最大挑战是如何从看似随机的历史数据中找出规律性模式。恐怖主义数据就像一个巨大的拼图，其中包含了极端稀疏的事件分布、突然的爆发性增长、强烈的地理差异，以及长达数年的复杂时间依赖关系。这些特征使得传统的时间序列分析方法变得不再适用，就像用老式的机械计算器去处理现代大数据分析任务一样困难。

研究团队的核心创新在于采用了双向长短期记忆网络这种特殊的人工智能技术。可以把这种技术想象成一个拥有超强记忆力的侦探，它不仅能记住过去发生的所有事件，还能同时从前往后和从后往前分析事件之间的关联性。这就像侦探在破案时，不仅要分析案件发生前的线索，还要研究案件发生后的连锁反应，从而得出更准确的判断。

一、研究背景：为什么需要预测恐怖活动的"时间密码"

全球恐怖主义活动对国家安全、经济稳定和公众安全构成了重大威胁。每当重大恐怖袭击发生后，人们总是会问：能否提前预知这样的悲剧？安全机构迫切需要一种能够进行短期预测的工具，帮助他们在未来几周到几个月的时间窗口内做好防范准备。

传统的预测方法面临着巨大的挑战。恐怖主义活动具有几个让预测变得极其困难的特征。首先是结构性断裂现象，就像股市会因为重大政治事件而出现剧烈波动一样，恐怖活动也会因为地缘政治变化而发生突然的模式改变。其次是极端稀疏性，大部分时间和地区都是平静的，但偶尔会出现密集的袭击浪潮，这种模式就像地震活动一样难以预测。

更复杂的是，恐怖活动还表现出强烈的地理异质性。南亚、中东和撒哈拉以南非洲地区的袭击频率远远高于其他地区，每个地区的袭击模式也完全不同。此外，恐怖活动还存在长期的时间依赖关系，今天的袭击可能是对几个月前某个事件的报复，而这种报复又可能引发新一轮的反击，形成复杂的循环模式。

最后，恐怖活动还受到多变量关系的影响。袭击的伤亡严重程度、武器类型和目标类别都会影响后续活动的发生概率。这些复杂特征违背了传统统计模型关于数据稳定性的基本假设，使得标准的回归方法往往会低估袭击激增的可能性。

二、数据侦探：解读全球恐怖主义数据库的秘密

研究团队使用的数据来源是全球恐怖主义数据库，这是由马里兰大学国家恐怖主义和反恐研究联盟维护的开源事件目录。这个数据库就像一个详细的犯罪档案室，记录了1970年至2016年间全球范围内的每一起恐怖袭击事件，包括时间、地点、伤亡情况、武器类型等详细信息。

在数据处理过程中，研究团队面临了一个特殊挑战：1993年的数据缺失。由于源材料丢失，整个1993年的数据都无法获取。研究团队采用了一种巧妙的解决方案，将1993年完全排除在训练和评估窗口之外，确保模型性能不会因为缺失数据而受到人为影响。这种处理方式就像考古学家在研究古代文明时，会明确标注哪些年代的文物缺失一样严谨。

研究团队将原始的事件级数据转换为更适合分析的形式。他们按照地理单位（地区或国家）和时间单位（以周一对齐的ISO标准周）对事件进行聚合计数。这就像把散落的珍珠串成项链一样，将零散的事件数据组织成有序的时间序列。

具体来说，对于每个地理单位g和时间周t，目标变量定义为该周内该地区发生的恐怖事件总数。研究团队构建了两个平行的数据集：地区级别的周计数（包含12个地区）和国家级别的周计数（包含190多个国家）。地区级别的聚合提供了更稳定的计数，减少了零事件的稀疏性，而国家级别的预测则提供了更精细的空间粒度，尽管会增加零膨胀的问题。

为了构建预测模型，研究团队进行了精心的特征工程。他们为每个地理-时间对创建了一个综合特征向量，包含时间滞后信息、滚动统计数据、日历编码和地理指标等多个维度的信息。时间滞后特征包括过去1、2、4、12、26、52周的事件计数，就像医生在诊断时会询问病史一样，这些历史数据为模型提供了重要的背景信息。

滚动统计特征计算了4周、12周和52周窗口内的平均值和标准差，这些指标能够捕捉不同时间尺度上的趋势和波动性。日历特征使用正弦和余弦对周数和月份进行编码，还可以选择性地包含国家假日标志，这样模型就能理解季节性模式和特殊时期的影响。地理特征使用独热编码表示地区或国家身份，确保模型能够学习到不同地区的特有模式。

三、双向记忆网络：让AI学会"前因后果"的预测智慧

传统的预测方法就像只能向前看的单眼镜，只能基于过去的信息来预测未来。而研究团队采用的双向长短期记忆网络则像一个拥有全景视野的智能分析师，能够同时考虑事件的"前因"和"后果"模式。

长短期记忆网络本身就是一种专门设计用来处理序列数据的人工智能技术。可以把它想象成一个拥有选择性记忆的大脑，它通过三个特殊的"门控机制"来决定哪些信息需要记住、哪些可以忘记、哪些应该输出。这三个门分别是遗忘门、输入门和输出门，它们就像大脑中的过滤器，帮助网络在处理长时间序列时保持对重要信息的敏感性。

遗忘门决定从细胞状态中丢弃什么信息，就像人们会逐渐忘记不重要的日常琐事一样。输入门控制哪些新信息会被存储在细胞状态中，就像我们会特别记住重要的事件。输出门则决定基于细胞状态输出什么信息，影响下一个时间步的预测。这种精巧的设计使得网络能够学习跨越数百个时间步的长期依赖关系，这正是传统神经网络难以做到的。

双向处理是这项研究的关键创新。在双向网络中，每个时间步的表示不仅包含从过去到现在的信息流，还包含从未来回到过去的信息流。具体来说，网络维护两个独立的隐藏状态序列：前向LSTM处理从过去到现在的输入序列，积累关于历史事件的信息；后向LSTM则从相反方向处理序列，捕获关于未来背景的信息。

这种双向处理机制特别适合恐怖主义预测任务。在训练阶段，模型能够学习到袭击事件的两种重要模式：预期模式和反应模式。预期模式是指某些历史信号可能预示着即将发生的袭击，比如紧张局势的逐步升级；反应模式则是指袭击发生后常见的报复性循环，比如一次重大袭击往往会引发后续的报复行动。

研究团队的最终架构包含两个堆叠的双向LSTM层。第一层每个方向有32个单元，第二层同样每个方向有32个单元。这种递减的层次结构创建了分层表示，第一层捕获低级别的时间模式，第二层学习更高级别的抽象。每层之后都应用了0.2的dropout正则化来防止过拟合，这就像在训练过程中随机"遮住"一些神经元，迫使网络学习更加稳健的模式而不是记住训练数据的特定细节。

四、基准测试：新方法如何击败传统预测技术

为了验证双向记忆网络的有效性，研究团队设置了一场公平的"预测竞赛"，让新方法与多种传统方法在相同条件下一较高下。这就像组织一场标准化考试，确保所有参赛者面对相同的题目和评分标准。

研究团队选择了四种代表性的基准方法。第一种是季节性天真预测法，这是最简单的基准线，假设完美的52周周期性，即预测每周的数值等于去年同一周的数值。这种方法就像根据去年的天气预报今年的天气一样简单直接，如果复杂模型无法超越这种简单方法，就说明复杂建模没有价值。

第二种是线性回归方法，使用所有工程特征的多变量线性回归模型。这种方法测试简单的线性关系是否足够，还是需要非线性建模。线性回归在计算上高效且提供可解释的系数，但假设线性关系并且独立处理每个预测，不考虑序列依赖性。

第三种是季节性ARIMA模型，这是时间序列分析中的经典方法。ARIMA模型结合了自回归、差分和移动平均组件，还包含季节性变体来捕获短期动态和长期周期。研究团队使用自动ARIMA工具为每个地理区域选择最优模型参数，通过最小化赤池信息准则来确定最佳配置。

第四种是带注意力机制的LSTM，作为深度学习基准。这种模型使用堆叠的LSTM与时间注意力机制，能够为输入序列的不同部分分配学习权重。注意力机制允许模型关注对当前预测最重要的历史时期，提供了改进的准确性和一定程度的可解释性。

所有基准方法都使用相同的时间划分：70%的周用于训练，15%用于验证（超参数调优和早停），15%用于最终测试。这种划分模拟了操作性预测场景，模型严格基于过去训练，在未来未见期间进行评估。

评估指标方面，研究团队采用了四个互补的指标。主要指标是均方根误差（RMSE），解释为每周攻击次数的平均误差，数值越低越好。平均绝对误差（MAE）对异常值更加稳健，也是数值越低越好。均方误差（MSE）同样是数值越低越好。决定系数R?的范围是负无穷到1，1表示完美预测，0表示与均值基准相匹配，负值表示比预测均值更差。

实验结果显示了明显的性能差异。线性回归是最强的传统基准，RMSE为9.89，超越了季节性天真方法（+0.8% RMSE）、移动平均方法（+2.0%）和SARIMA方法（+16.5%）。线性回归的优势可能来自于利用工程特征，而单变量方法无法使用这些特征。

SARIMA在所有指标上都表现最差，这与其单变量形式和对非平稳性的敏感性一致。所有基准方法的R?都是负值（-0.50到-0.10），表明它们的表现比简单预测全局均值攻击率还要差，这为尝试更具表达力的模型提供了强有力的动机。

五、突破性成果：双向网络的卓越表现

当研究团队将双向长短期记忆网络投入实战测试时，结果令人印象深刻。这个新模型就像一个经验丰富的安全分析专家，展现出了远超传统方法的预测能力。

双向LSTM在所有评估指标上都实现了最佳性能。它达到了RMSE 6.38的成绩，比最强的传统基准线性回归降低了35.4%，相当于将每周平均预测误差从9.89次攻击减少到6.38次攻击，这意味着预测精度提升了约3.5次攻击每周。在平均绝对误差方面，双向LSTM达到了3.94，比线性回归的5.61降低了约29.8%。

更令人瞩目的是R?指标的改善。双向LSTM达到了0.54的R?值，这意味着它能够解释54%的周攻击计数方差，这相比线性回归的-0.105（比均值基准更差）是一个巨大的跃升。剩余的46%方差可能反映了本质上不可预测的因素，如机会主义攻击、外部冲击和秘密行动等。

带注意力机制的LSTM表现介于传统方法和双向LSTM之间。它实现了RMSE 9.19，比线性回归有7.0%的改善，R?从-0.105提升到0.046，但在平均绝对误差方面略有退步（5.77 vs 5.61）。这表明注意力机制在方差加权误差（RMSE）上有帮助，但在绝对误差上效果有限。

统计显著性检验证实了这些差异的可靠性。双向LSTM与线性回归的比较显示t(11) = 6.84，p < 10^-4，Cohen's d = 1.97，表明差异高度显著且效应量大。双向LSTM与LSTM注意力模型的比较也显示显著差异：t(11) = 5.12，p < 0.001，Cohen's d = 1.48。

训练效率方面也有意外收获。双向LSTM（36,673参数）在约24个周期内收敛，比LSTM注意力模型（30-40个周期）更快，这表明更丰富的双向梯度可以加速学习过程。尽管双向处理大约使每个周期的计算成本翻倍，但这被更快的收敛和显著改善的准确性所抵消。

六、深入解析：模型为何如此有效

为了理解双向网络为什么表现如此出色，研究团队进行了一系列细致的分析实验，就像医生通过各种检查来确定治疗方案的有效成分一样。

历史数据跨度的影响分析揭示了一个重要发现：更长的历史数据显著改善了模型性能。使用完整46年历史数据训练的模型取得了最佳RMSE 6.38。当历史跨度缩短到20年时，RMSE增加了12.3%至7.12。更短的时间窗口导致性能急剧下降：10年历史使RMSE增加92.7%，5年历史更是增加220.8%，R?甚至变为负值。

这个发现具有重要的实践意义。即使某些历史时期看起来已经过时，比如冷战时期的恐怖主义模式与后9/11时代截然不同，但模型仍然能够从长期历史中学习到有价值的模式。这就像经验丰富的医生能够从各种历史病例中汲取诊断智慧一样，即使疾病的表现形式在不断演变。

序列长度的优化实验显示，30周的回顾窗口是最优选择。这个长度大约对应7个月的历史背景，在所有三个指标上都表现最佳（RMSE 6.185，MAE 3.742，R? = 0.568）。20周的序列只比最优配置差1.59%的RMSE，而40周序列则差4.21%的RMSE。这表明恐怖主义预测从大约6-7个月的背景中受益，更长的窗口几乎没有增加价值，甚至可能轻微有害。

特征重要性分析揭示了哪些信息对预测最为关键。滚动统计特征被证明是不可或缺的：移除4/12/52周的均值和标准差特征会使RMSE爆炸式增长66.1%，MAE增加42.9%，R?从0.574崩溃到-0.174。这些特征捕获了局部趋势和波动性，以及短期政权转换，没有它们模型就失去了大部分信号。

地理背景特征也发挥了重要作用。移除地区或国家指示器会使性能下降8.8%的RMSE和6.5%的MAE，R?下降0.078。这证实了恐怖主义模式的强烈地区特异性，地理信息是一个高价值的特征组。

相比之下，滞后特征和伤亡特征的影响较小且呈现混合效果。移除滞后特征时RMSE略有改善（-1.63%），但MAE恶化（+1.53%）。移除伤亡特征时RMSE也略有改善（-1.00%），但MAE恶化更明显（+5.54%）。这些权衡表明这些特征组与滚动/时间信号存在冗余，并具有轻微的正则化效应。

七、技术创新：双向处理的独特优势

双向长短期记忆网络的核心创新在于其独特的信息处理方式。传统的单向LSTM就像只能向前行驶的车辆，只能基于已经看到的路况做出决策。而双向LSTM则像拥有前后双重视野的智能系统，能够同时考虑"来路"和"去路"的信息。

在双向网络中，每个LSTM层维护两个独立的隐藏状态序列。前向LSTM按照时间顺序处理输入，从时间t=1到t=L，积累关于过去事件如何导致当前状态的信息。后向LSTM则反向处理相同序列，从t=L到t=1，捕获关于当前事件如何影响未来发展的模式。

这种双向处理机制特别适合恐怖主义预测任务，因为恐怖活动同时表现出预期性和反应性特征。预期性特征是指某些信号可能预示即将发生的袭击，比如政治紧张局势的逐步升级、激进组织的公开威胁或特定节日的临近。反应性特征则指袭击发生后的连锁反应，如报复性攻击、安全措施升级或模仿效应。

在每个时间步，双向隐藏状态通过连接两个方向的输出来形成：h_t^bi = [h_t^forward; h_t^backward]。这种拼接表示的维度是单向网络的两倍，为模型提供了更丰富的表示能力。第一层双向LSTM的输出成为第二层的输入，形成分层的双向表示学习。

研究结果显示，双向处理相比单纯的注意力机制具有明显优势。虽然注意力机制能够识别历史上哪些周最重要，但它只在单向编码的表示上操作，这些表示只包含过去到现在的信息。双向处理从根本上丰富了每个时间步的表示，通过融合过去和未来的背景信息，使模型能够同时识别预期和反应模式。

值得注意的是，尽管双向模型在训练期间需要完整序列，但操作性预测仍然只使用历史数据。训练期间的"后向传递"教会模型识别预期信号（比如某些滞后模式预示即将升级），而不是使用实际的未来数据。这使得双向LSTM完全兼容实时预测系统。

八、实验设计：确保结果的科学性和可重现性

研究团队在实验设计中特别注重科学严谨性和结果的可重现性，就像制药公司在开发新药时必须遵循严格的临床试验标准一样。他们采用了多重保障措施来确保实验结果的可信度。

首先是严格的时间序列验证协议。团队使用固定的时间分割方式，严格遵循时间序列的顺序：训练期（1970-2003年，约1680周，占70%）、验证期（2003-2010年，约360周，占15%）和测试期（2010-2016年，约360周，占15%）。这种分割模拟了真实的操作预测场景，模型严格基于过去进行训练，在完全未见的未来时期进行评估。

为了防止数据泄露，所有数值特征的标准化统计信息（均值和方差）都exclusively基于训练集计算。验证集仅用于模型选择和超参数调优，测试集严格保留用于最终评估，从未用于任何模型开发决策。这就像考试中的标准答案在阅卷前完全保密一样。

实验的可重现性通过多个层面得到保障。所有实验使用固定的随机种子（seed=42）进行权重初始化和数据打乱，消除随机变异的影响。所有消融实验都在相同的保留测试集上进行评估，使用基于验证性能的模型检查点选择，然后在测试集上进行一次性评估以防止选择偏差。

研究团队还建立了完整的开源资料库，包括代码、模型配置和结果表格，并提供了详细的数据声明，记录GTD许可条款、预期使用限制和已知局限性。这种透明度确保其他研究者能够独立验证和复制这些结果。

消融研究的设计特别值得关注。团队系统性地变化了历史数据跨度、序列长度和特征组合，每次只改变一个变量，保持其他所有条件不变。这种控制变量的方法就像化学实验中逐一测试不同试剂的效果一样，能够精确确定每个组件的贡献。

九、现实应用：从学术研究到实际安全防护

这项研究的价值不仅在于学术贡献，更在于其潜在的现实应用前景。就像天气预报系统帮助人们做好日常安排一样，恐怖主义预测系统也能为安全机构提供宝贵的前瞻性信息。

在操作层面，这种预测系统可以支持多种安全决策。当模型预测某个地区在未来几周内袭击风险较高时，安全部门可以相应调整人员配置、加强重要设施的保护或提高公众警戒水平。这种预测不是为了进行精确的战术定位，而是为了支持宏观的资源分配和防范准备。

预测结果还可以用于评估防范策略的效果。如果在实施某项安全措施后，预测模型显示风险水平有所下降，这可以为政策制定者提供有价值的反馈信息。这就像医生通过定期检查来评估治疗方案的效果一样。

然而，研究团队也清醒地认识到这类系统的局限性和潜在风险。预测系统只能识别统计模式，无法解释因果机制。模型的有效性完全依赖于历史模式在未来的延续性，但恐怖主义活动可能因为新的威胁、策略改变或技术发展而出现完全不同的模式。

更重要的是，研究团队强调了负责任使用的重要性。预测结果应该被视为决策支持工具，而不是绝对的行动指令。任何操作性部署都应该包括领域专家审查、数据集漂移监控和反馈循环防护措施，避免系统性偏见或资源配置过度集中在高预测风险地区。

十、技术边界：承认预测的局限性

尽管取得了显著的技术进步，研究团队对系统的局限性保持着清醒的认识。正如天气预报无法准确预测一个月后的具体天气一样，恐怖主义预测也面临着本质性的挑战。

首先是预测精度的边界问题。即使是表现最佳的双向LSTM模型，其R?值也只有0.54，这意味着仍有46%的变异无法被模型解释。这部分不可预测性可能反映了恐怖主义活动的本质特征：机会主义攻击、外部突发事件、组织内部决策的随机性等因素都会影响攻击的时机选择。

数据质量是另一个重要限制因素。全球恐怖主义数据库虽然是最权威的开源数据集，但仍然存在报告偏差问题。西方媒体来源可能过度代表某些地区的攻击，时间编码实践的不一致，以及分布漂移（2016年的攻击模式可能不能反映当前威胁）都会影响模型的准确性。

模型还表现出对极端激增事件的系统性低估，这是爆发性过程的已知挑战。当某个地区突然出现大规模袭击浪潮时，基于历史平均水平训练的模型往往无法充分预测这种急剧变化。这就像股市预测模型很难准确预测"黑天鹅"事件一样。

时间适用性也是一个关键考虑因素。该研究基于1970-2016年的数据，但将这些结果应用于2016年后的数据应该被视为分布外评估。恐怖主义威胁的演变、新技术的出现、地缘政治格局的变化都可能使历史模式失效，需要定期重新训练和基准比较。

最后，研究团队强调这是一项预测性而非因果性研究。模型捕获的是关联性而非机制性理解。虽然这对于实用预测来说可能足够，但在解释为什么某些模式会导致未来攻击时必须保持谨慎。

十一、未来展望：AI安全预测的发展方向

这项研究为AI在安全预测领域的应用开辟了新的可能性，同时也指出了未来发展的几个重要方向。就像第一部智能手机为整个移动计算生态系统奠定了基础一样，这种双向预测架构也可能催生更多创新应用。

技术改进方面，未来的研究可以探索更复杂的神经网络架构，比如Transformer模型或图神经网络，来更好地捕获地理空间依赖关系。多模态学习也是一个有前景的方向，将文本数据（新闻报道、社交媒体）、经济指标和政治事件整合到预测模型中，可能会进一步提高预测精度。

数据丰富化是另一个重要发展方向。虽然当前研究只使用GTD的数量化特征，但整合更多外生驱动因素（政策变化、冲突指标、经济数据）或文本信号可能会改善早期预警能力。然而，这也会引入额外的假设和许可约束，需要仔细权衡。

跨领域应用的潜力同样值得关注。类似的双向时间序列预测架构可能适用于其他具有稀疏、爆发性特征的社会现象，如犯罪预测、社会骚乱分析或网络安全威胁检测。这些领域都面临着类似的挑战：事件稀疏、模式复杂、需要长期记忆。

实时部署的技术挑战也需要进一步研究。将学术研究转化为可操作的预警系统需要解决数据流处理、模型更新频率、不确定性量化和人机交互等实际问题。系统还需要建立强大的监控机制来检测模型性能退化和数据分布变化。

伦理和社会责任方面的研究同样重要。AI预测系统在安全领域的应用必须解决算法偏见、隐私保护、透明度要求和误用防范等复杂问题。建立相应的治理框架和使用准则将是技术成功应用的关键前提。

说到底，这项由乔治梅森大学团队完成的研究代表了AI技术在复杂社会现象预测方面的重要进步。通过巧妙的双向记忆架构设计，他们成功地将恐怖主义预测的准确率提升到了前所未有的水平。更重要的是，他们以科学严谨的态度展示了整个研究过程，包括方法创新、实验验证和局限性分析，为后续研究提供了宝贵的参考基础。

这种技术突破的意义不仅在于预测精度的提升，更在于它证明了AI系统可以从复杂的历史模式中学习并做出有价值的前瞻性判断。当然，正如研究团队所强调的，任何预测系统都只能作为决策支持工具，真正的安全保障还需要人类专家的智慧判断和多重防护措施的综合运用。随着技术的不断发展和完善，我们有理由相信这类AI系统将在维护全球安全与稳定方面发挥越来越重要的作用。

对于有兴趣了解更多技术细节的读者，可以通过学术数据库查询奥卢瓦塞冈·阿德戈克的相关研究论文，其中包含了完整的模型架构、实验数据和开源代码链接。

Q&A

Q1：双向长短期记忆网络是如何预测恐怖袭击的？

A：双向长短期记忆网络像一个拥有"前后双重视野"的智能分析师，它同时分析历史事件的"前因后果"模式。网络通过前向处理学习袭击发生前的预期信号（如紧张局势升级），通过后向处理学习袭击后的反应模式（如报复性循环），然后结合这两种信息来预测未来几周内某地区发生恐怖袭击的可能性。

Q2：这个AI预测系统的准确率有多高？

A：该系统在测试中达到了RMSE值6.38的成绩，比传统最好方法提升了35.4%的预测精度，能够解释54%的攻击模式变化。这意味着平均预测误差约为每周6.38次攻击，相比传统方法的9.89次有显著改善。不过研究团队强调，仍有46%的变异无法预测，这反映了恐怖活动的部分随机性。

Q3：普通人能使用这个恐怖袭击预测系统吗？

A：目前这个系统仅用于学术研究，不对公众开放。研究团队特别强调该技术应仅用于区域级和国家级的宏观安全决策支持，而非具体的战术定位。任何实际应用都需要专业安全部门的监督，并配合多重防护措施，避免系统被误用或造成不当恐慌。