Forecasting global refugee flows: a machine learning approach using non-conventional data

Abstract

This study presents a novel forecasting framework for global refugee flows, incorporating non-conventional data sources such as Google Trends, the GDELT project event dataset, conflict forecasts, among others. Our main objective is to generate accurate predictions for the number of new refugee arrivals per country pair, in order to help facilitate effective humanitarian response. We develop a comprehensive global model which predicts refugee outflows and country-pair flows separately. Our results reveal a significant improvement in prediction accuracy by augmenting traditional variables with non-conventional data, with Random Forest and Gradient Boosting as effective regressors.Este estudio introduce un novedoso marco de forecasting para flujos globales de personas refugiadas, incorporando fuentes de datos no convencionales como Google Trends, el proyecto GDELT, entre otros. Nuestro objetivo principal es generar predicciones precisas para la cantidad de nuevos arribos de refugiados por pares de países, con el fin de facilitar una respuesta humanitaria efectiva. Desarrollamos un modelo global integral que predice flujos de emigrantes y flujos entre pares de países de manera individual. Nuestros resultados muestran una mejora significativa en la precisión de las predicciones al ampliar variables tradicionales con datos no convencionales, utilizando Random Forest y Gradient Boosting como regresores efectivos.