基于案例推理的非常規(guī)突發(fā)事件資源需求預(yù)測(cè)

王 曉,莊亞明

(東南大學(xué) 系統(tǒng)工程研究所,江蘇 南京 211189)

●危機(jī)管理

基于案例推理的非常規(guī)突發(fā)事件資源需求預(yù)測(cè)

王 曉,莊亞明

(東南大學(xué) 系統(tǒng)工程研究所,江蘇 南京 211189)

近年來(lái)非常規(guī)突發(fā)事件頻繁發(fā)生,嚴(yán)重危害了人民的生命財(cái)產(chǎn)安全,而如何及時(shí)預(yù)測(cè)災(zāi)害發(fā)生后的資源需求成為一個(gè)重要課題。文章提出了一種精確的預(yù)測(cè)方法,將模糊集理論,神經(jīng)網(wǎng)絡(luò) Hebb學(xué)習(xí)規(guī)則和多元線性回歸與案例推理法相結(jié)合。這種方法很好地解決了非常規(guī)突發(fā)事件資源需求預(yù)測(cè)這類信息不完備、不精確問(wèn)題,能夠比較準(zhǔn)確的作出資源的需求預(yù)測(cè)。該模型對(duì)災(zāi)害資源需求預(yù)測(cè)具有一定的參考價(jià)值。

非常規(guī);預(yù)測(cè);CBR;模糊理論;神經(jīng)網(wǎng)絡(luò);多元回歸

一、引 言

我國(guó)是遭受非常規(guī)突發(fā)事件最嚴(yán)重的國(guó)家之一,每年造成的人員傷亡逾百萬(wàn),經(jīng)濟(jì)損失高達(dá)幾千億元。因此如何在較短的時(shí)間內(nèi)對(duì)非常規(guī)突發(fā)事件所需要的資源進(jìn)行分析預(yù)測(cè)成為一個(gè)重要的課題。常用的預(yù)測(cè)方法主要有類比法、趨勢(shì)外推法、回歸分析法、時(shí)間序列預(yù)測(cè)法、灰色系統(tǒng)模型預(yù)測(cè)法,組合預(yù)測(cè),以及神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法等。由于非常規(guī)突發(fā)事件具有突然性、信息高度缺失性,蔓延性和復(fù)雜性、多范疇性等性質(zhì),用一般的預(yù)測(cè)方法進(jìn)行預(yù)測(cè)是不準(zhǔn)確的。

近些年來(lái)國(guó)內(nèi)一些學(xué)者采用不同的預(yù)測(cè)方法對(duì)非常規(guī)突發(fā)事件的資源需求進(jìn)行了預(yù)測(cè),取得了一定的成果。林建新(2009)[1]等人,建立了預(yù)測(cè)應(yīng)急交通需求分布的運(yùn)輸問(wèn)題數(shù)學(xué)模型,提出了一個(gè)改進(jìn)的應(yīng)急交通需求時(shí)變曲線函數(shù),根據(jù)此函數(shù)獲得時(shí)變的宏觀交通需求信息。郭瑞鵬根據(jù)物資需求的特點(diǎn),將模糊推理與案例推理相結(jié)合,建立了應(yīng)急物資需求模型[2];傅志妍等利用案例推理的關(guān)鍵因素模型來(lái)預(yù)測(cè)應(yīng)急物資需求[3]。

本文在以往研究的基礎(chǔ)上,根據(jù)非常規(guī)突發(fā)事件與案例相似法的相似性,主要利用案例推理法進(jìn)行預(yù)測(cè),同時(shí)將模糊集理論,神經(jīng)網(wǎng)絡(luò)與案例推理相結(jié)合,通過(guò)模糊化案例的屬性,以及利用神經(jīng)網(wǎng)絡(luò)對(duì)權(quán)值進(jìn)行訓(xùn)練調(diào)整,同時(shí),還將資源進(jìn)行了分類預(yù)測(cè),改進(jìn)了以往算法的精確度,提高了非常規(guī)突發(fā)事件預(yù)測(cè)的效率和精度。在得出相似案例之后,根據(jù)多元回歸理論,對(duì)資源需求進(jìn)行了預(yù)測(cè)。

二、資源需求預(yù)測(cè)用到的基本原理

(一)案例推理

案例推理[4][5](Case-Based Reasoning,CBR)是目前人工智能中一種新興的推理方法,最早起源于美國(guó)耶魯大學(xué)Roger Schank教授在其 1982年的著作《Dynamic Memory》中所作的描述。它是一種模仿人類推理和思考過(guò)程的方法論,也是一種構(gòu)建智能計(jì)算機(jī)系統(tǒng)的方法論。CBR來(lái)源于人的認(rèn)知心理活動(dòng):人們?cè)诿媾R一個(gè)新問(wèn)題時(shí),往往把以前使用過(guò)的與該問(wèn)題類似的案例聯(lián)系起來(lái),運(yùn)用過(guò)去解決該事例的經(jīng)驗(yàn)和方法來(lái)解決當(dāng)前問(wèn)題。它可以較好地模擬專家的聯(lián)想、直覺(jué)、類比、歸納、學(xué)習(xí)和記憶等思維過(guò)程,其核心思想是在進(jìn)行問(wèn)題求解時(shí),使用以前求解類似問(wèn)題的經(jīng)驗(yàn)和獲取的知識(shí)來(lái)推理,針對(duì)新舊情況的差異做相應(yīng)的調(diào)整,從而得到新問(wèn)題的解并形成新的案例加入到案例庫(kù)中去,隨著案例庫(kù)的增長(zhǎng),系統(tǒng)的 “經(jīng)驗(yàn)”將會(huì)越來(lái)越豐富。

CBR技術(shù)就是采用匹配的方法,找出與問(wèn)題相似的案例,其理論基礎(chǔ)是相似原理。案例推理的工作流程如圖 1所示。

圖1 案例推理的工作流程

首先對(duì)新問(wèn)題進(jìn)行特征描述,根據(jù)這些特征,從案例庫(kù)中檢索相似案例,比較舊案例與新問(wèn)題的異同之外,對(duì)舊案例進(jìn)行調(diào)整,從而獲得新問(wèn)題的解,案例推理關(guān)鍵關(guān)鍵技術(shù)如下:

(1)案例的表示與組織:如何抽取案例的特征變量,并以一定的結(jié)構(gòu)在計(jì)算機(jī)中組織、存儲(chǔ)。

(2)案例的索引與檢索:如何確定最佳相似案例,如何定義新、舊問(wèn)題的相似度。

(3)案例的調(diào)整:如何將根據(jù)舊案例得出新解。

(4)案例的學(xué)習(xí):將新解增添到案例庫(kù)中,擴(kuò)充案例庫(kù)中案例的種類與數(shù)量,進(jìn)一步從案例知識(shí)中提取淺層規(guī)則知識(shí)或修改深層模型知識(shí)。

(二)貼近度

根據(jù)模糊集理論,我們可以用貼近度來(lái)計(jì)算兩個(gè)案例之間相似度。貼近度表示兩個(gè)模糊集的接近程度的度量,有公理化數(shù)學(xué)定義[6]。

定義:下述映射N稱為貼近度:

設(shè)模糊集 A、B、C屬于 F(X),則下述映射為貼近度:

N:F(X)×F(X)→[0,1],(A,B)|→N(A,B)

且滿足條件:

N(A,A)=1,N(X,Φ )=0,N(A,B)=N(B,A),若 A,B,C∈F(X),滿足 :|μA(x)-μC(x)|≥ |μA(x)-μB(x)|,? x∈X

則有:

N(A,C)≤N(A,B)

三、資源需求模型構(gòu)建

(一)資源需求的影響因素確定

(二)模型的建立

1.模糊化處理

為了使各個(gè)案例的屬性在統(tǒng)一的量綱上,對(duì)案例庫(kù)中的案例進(jìn)行模糊化處理,案例 Ci對(duì)特征因素 fj(j=1,2,…,m)的隸屬度記為μCi(fj),則案例庫(kù)中案例 Ci對(duì)應(yīng)的特征向量集為:

2.利用 Hebb學(xué)習(xí)規(guī)則確定屬性權(quán)值

神經(jīng)網(wǎng)絡(luò)中大部分前饋網(wǎng)絡(luò)都是學(xué)習(xí)網(wǎng)絡(luò),它們的分類能力和模式識(shí)別能力一般都強(qiáng)于反饋網(wǎng)絡(luò)。因此在處理非常規(guī)突發(fā)事件時(shí),我們采用前饋網(wǎng)絡(luò),利用 Hebb學(xué)習(xí)規(guī)則(只適合前饋網(wǎng)絡(luò))對(duì)權(quán)值進(jìn)行調(diào)整,把案例庫(kù)中的每個(gè)案例作為一個(gè)神經(jīng)元,根據(jù) n個(gè)神經(jīng)元之間的關(guān)系,來(lái)對(duì)權(quán)值進(jìn)行訓(xùn)練。

學(xué)習(xí)信號(hào)等于神經(jīng)元的輸出,

權(quán)向量中,每個(gè)分量的調(diào)整由下式確定:

因此,調(diào)整后的權(quán)值為:ωij(t+1) =ωij(t) +Δ ωij

其中 f(x)為激活函數(shù),激活函數(shù)可以為階躍函數(shù)、線性函數(shù)、S型函數(shù)、高斯函數(shù),但是一般采用 S型函數(shù)[7],

其中,η為學(xué)習(xí)率,一般取 1.由于用 Hebb學(xué)習(xí)規(guī)則進(jìn)行訓(xùn)練后的權(quán)值和不等于 1,因此需要進(jìn)行歸一化處理,在本文中取權(quán)值向量的單位向量,然后對(duì)單位向量的每個(gè)值進(jìn)行平方處理。

3.計(jì)算案例相似性

利用貼近度和權(quán)值,首先對(duì)資源需求中的每種需求,根據(jù)專家經(jīng)驗(yàn)給出關(guān)系屬性因素的重要性的權(quán)值,然后計(jì)算出非常規(guī)突發(fā)事件的特征因素與案例庫(kù)中各案例特征因素的貼近度,根據(jù)我們的定義,貼近度即表示案例的相似度,在進(jìn)行預(yù)測(cè)時(shí),根據(jù)專家經(jīng)驗(yàn)給定一個(gè)閾值τ,案例檢索完成后,取超過(guò)相似度閾值的案例中的需求作為最終參考的需求預(yù)測(cè)結(jié)果。并且貼近度越大說(shuō)明目標(biāo)案例與案例庫(kù)中的此案例越相似。

4.目標(biāo)案例需求預(yù)測(cè)

根據(jù)給定的閾值,我們可以得到相近案例需求的集合:

d={d1,d2,…,dk},k=1,2,…,且 k≤n

根據(jù)得到的相似案例,利用多元回歸模型[7]來(lái)對(duì)目標(biāo)案例進(jìn)行需求預(yù)測(cè)。

理論回歸模型為:

將相似案例的數(shù)據(jù)輸入,利用Matlab的多元線性回歸函數(shù)進(jìn)行計(jì)算,求得β的值,然后將預(yù)測(cè)案例的模糊屬性值輸入,得到資源需求值。

四、仿真實(shí)例

取預(yù)測(cè)某次地震發(fā)生后所需資源為例來(lái)進(jìn)行仿真。假設(shè)案例庫(kù)中地震相關(guān)方面的案例有三個(gè),即 C= {C1,C2,C3},從地震突發(fā)事件中抽取出與資源需求關(guān)系最為密切的 5各屬性值即 F={震級(jí)大小,地震持續(xù)時(shí)間,地震波及范圍,震區(qū)人口密度,震區(qū)建筑設(shè)施狀況},從地震突發(fā)事件中抽取出與資源需求關(guān)系最為密切的 5各屬性值即 F={震級(jí)大小,地震持續(xù)時(shí)間,地震波及范圍,震區(qū)人口密度,震區(qū)建筑設(shè)施狀況},對(duì)案例進(jìn)行模糊化處理為:

確定權(quán)值,按照資源的分類,不同的資源與不同屬性的關(guān)系不同,因此對(duì)應(yīng)的權(quán)值也不同。因此針對(duì)將三類資源進(jìn)行分開(kāi)預(yù)測(cè)。本文中只對(duì)其中一種資源進(jìn)行仿真,其它類的算法與本例相同。假設(shè)預(yù)測(cè)的資源為物力資源,假設(shè)根據(jù)專家經(jīng)驗(yàn)給出的權(quán)值為ω={0.3,0.1,0.2,0.3,0.1},利用神經(jīng)網(wǎng)絡(luò)的 Hebb學(xué)習(xí)規(guī)則對(duì)權(quán)值進(jìn)行調(diào)整,ωij(t+1)=ωij(t) +Δ ωij,經(jīng)過(guò)訓(xùn)練得出權(quán)值為:

ω={0.275,0.186,0.211,0.181,0.147}

計(jì)算目標(biāo)案例與案例庫(kù)中的案例的相似度,即貼近度:

NL(T,C1) =0.5485;NL(T,C2) =0.60415;

NL(T,C3) =0.56375。

根據(jù)專家經(jīng)驗(yàn)給出的閾值為 0.55,因此相似案例為 2,3。假設(shè)案例 2,3的物力資源需求分別為 20萬(wàn)單位,25萬(wàn)單位。根據(jù)多元回歸理論,

利用Matlab的回歸函數(shù),解得多元回歸方程為:y=15+12.5x3,因此目標(biāo)案例的物力資源需求為 D=23.75萬(wàn)單位。本例給出的案例個(gè)數(shù)較少,規(guī)律表現(xiàn)的不是很明顯,當(dāng)有大量案例輸入時(shí),相關(guān)性比較顯著。

五、結(jié)束語(yǔ)

CBR已被應(yīng)用到許多領(lǐng)域,本文建立了模糊集理論和神經(jīng)網(wǎng)絡(luò)與之相結(jié)合的非常規(guī)突發(fā)事件中資源需求預(yù)測(cè)的模型,該模型簡(jiǎn)明、快速、準(zhǔn)確。本模型為非常規(guī)突發(fā)事件資源需求預(yù)測(cè)提供了一種快速有效的方法,對(duì)于準(zhǔn)確把握應(yīng)急資源需求以及對(duì)于高效、妥善處置非常規(guī)突發(fā)事件是至關(guān)重要的。

[1]林建新,韋獻(xiàn)蘭,吳海燕,等.基于 S-曲線的時(shí)變交通應(yīng)急疏散需求預(yù)測(cè) [J].交通信息與安全,2009,27(3):92-96.

[2]郭瑞鵬,應(yīng)急物資動(dòng)員決策的方法與模型研究 [D].北京理工大學(xué),2006.

[3]傅志妍,陳堅(jiān).災(zāi)害應(yīng)急物資需求預(yù)測(cè)模型研究 [J].物流科技,2009,(10):11-13.

[4]Rosinao,Weber Kevind,Ashley Stefanie.Bruninghaus.Textual case-based reasoning[J]. The Knowledge Engineering Review,2006,20(3):255–260.

[5]Enric Plaza,Lorraine,Mcginty.Distributed case-based reasoning[J]. The Knowledge Engineering Review,2006,20(3):261–265.

[6]張穎,劉艷秋.軟計(jì)算方法 [M].北京:科學(xué)出版社,2002.

[7]鄭小平,高金吉,劉夢(mèng)婷.事故預(yù)測(cè)理論與方法 [M].北京:清華大學(xué)出版社,2009.

ForecastingM odel of Unconventional Emergence Incident's Resource Demand Based on Case-based Reason ing

WANG Xiao,ZHUANG Ya-ming
(Institute of Systems Engineering,SoutheastUniversity,Nanjing211189,China)

In recent years the unconventional emergence incident occurred frequently,which is seriously harmful to people's lives and property.So how to predict resource requirements after disasters t imely become an important issue.This paper presents an accurate prediction method-case-based reasoning,combined with fuzzy set theory,neural ne twork Hebb learning rule and multiple linear regression.This approach can make quite accurate resources demand forecasts for this kind of information incomplete,not precise question.At the same time,thismodel has some reference value to the prediction of the disaster resource demand

unconventional;forecasting;CBR;fuzzy theory;neural network;multiple regression

F062.6

A

1007—5097(2011)01—0115—03

10.3969/j.issn.1007-5097.2011.01.027

2010—03—15

教育部人文社會(huì)科學(xué)基金一般項(xiàng)目 (09YJA630021);江蘇省自然科學(xué)基金一般項(xiàng)目 (BK2009290);江蘇省交通科學(xué)研究計(jì)劃項(xiàng)目 (09R12);江蘇省軟科學(xué)基金一般項(xiàng)目 (SBR20090383)

王 曉 (1987—),女,山東濰坊人,碩士研究生,研究方向:系統(tǒng)工程;

莊亞明 (1964—),男,江蘇宜興人,經(jīng)濟(jì)管理學(xué)院副教授,研究方向:產(chǎn)業(yè)組織理論。

[責(zé)任編輯:程 靖 ]