突發(fā)事件應(yīng)急救援物資需求預(yù)測(cè)的方法研究

陳方超 管俊陽(yáng) 王道重 劉旭寧

（山東省青島市91206部隊(duì) 山東 青島 266108）

近年來(lái)，我國(guó)突發(fā)事件頻發(fā)，在突發(fā)事件造成重大損害之后，相關(guān)的應(yīng)急救援人員必須迅速的展開救援工作，最大程度的減少社會(huì)財(cái)產(chǎn)損失和保證生命財(cái)產(chǎn)安全。而能否準(zhǔn)確預(yù)測(cè)出突發(fā)事件應(yīng)急物資需求，直接關(guān)系到救援活動(dòng)的效率和順利進(jìn)行，因此如何對(duì)應(yīng)急物資需求加以合理、準(zhǔn)確地預(yù)測(cè)是當(dāng)下亟須解決的課題。目前，有不少學(xué)者就該課題做了相應(yīng)的研究。文獻(xiàn)［1］基于歸一化處理后的歐氏算法，建立了案例推理－關(guān)鍵因素模型，進(jìn)行應(yīng)急物資需求預(yù)測(cè)；文獻(xiàn)［2］提出了1種將模糊集理論、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則和多元線性回歸與案例推理法相結(jié)合的應(yīng)急物資需求預(yù)測(cè)方法等。文獻(xiàn)［3］利用模糊相似優(yōu)先比的算法，從源案例庫(kù)中尋找與目標(biāo)案例最佳相似的樣本案例，并通過(guò)最佳相似樣本案例的數(shù)據(jù)資料和規(guī)律，抽取主要因素，進(jìn)行目標(biāo)案例的需求預(yù)測(cè)等。

但是，以上既有研究均未考慮時(shí)間對(duì)案例相似度的影響、也未采用過(guò)運(yùn)用改進(jìn)后的關(guān)聯(lián)度算法與案例推理相結(jié)合的方法來(lái)解決該問(wèn)題?；诖耍P者引入熵值法確定權(quán)重，考慮時(shí)間因素對(duì)權(quán)重調(diào)整和能較好解決該問(wèn)題的關(guān)聯(lián)度算法計(jì)算相似度，尋求最佳相似源案例，以便很好解決應(yīng)急物資需求問(wèn)題。

1 案例推理技術(shù)

案例推理（CBR）技術(shù)是人工智能領(lǐng)域中較新崛起的1種重要的問(wèn)題求解和學(xué)習(xí)方法。筆者為了解決問(wèn)題的需要采用的思路如圖1 所示。首先，從源案例庫(kù)中搜索到符合該問(wèn)題的相似案例；然后檢查是否滿足相應(yīng)的條件，若滿足則可輸出最佳相似案例得以重用，獲取相應(yīng)的信息，若不滿足，則只能對(duì)其進(jìn)行修正，來(lái)符合所求問(wèn)題，得到新案例；最后，保留新案例至案例庫(kù)，以便下次使用。

圖1 案例推理技術(shù)流程圖Fig.1 Case reasoning technology flow chart

2 應(yīng)急物資需求預(yù)測(cè)模型建立

為了能夠較為準(zhǔn)確的預(yù)測(cè)突發(fā)事件發(fā)生后的應(yīng)急救援物資需求，有效及時(shí)地救援受害人群。筆者對(duì)預(yù)測(cè)應(yīng)急物資需求建立了以下數(shù)學(xué)模型，首先，對(duì)案例進(jìn)行了詳細(xì)描述；然后，將特征因素值的歸一化，運(yùn)用了熵值法確定權(quán)重，引入時(shí)間因素對(duì)權(quán)重進(jìn)行調(diào)整，更加科學(xué)準(zhǔn)確的獲得影響因素權(quán)重系數(shù)；最后，通過(guò)灰色關(guān)聯(lián)度算法計(jì)算出目標(biāo)案例與源案例間的相似度，得到最佳相似案例。

2.1 案例的表示

設(shè)P＝｛P1，P2，…，Pn｝是源案例集。其中：Pi是第i個(gè)源案例。Z＝｛Z1，Z2，…，Zm｝是案例的屬性集。其中：Zj是第j個(gè)屬性，記目標(biāo)案例為T＝｛T1，T2，…，Tm｝，則有屬性矩陣

2.2 特征因素影響權(quán)重系數(shù)的確定

權(quán)重是用來(lái)衡量多屬性決策問(wèn)題各屬性間的相對(duì)重要性的，它的取值精確度直接影響著應(yīng)急物資需求分析的準(zhǔn)確性［1－6］。據(jù)文獻(xiàn)［7］的研究可知，本文采用熵值法可以更好的來(lái)確定權(quán)重系數(shù)。

1）特征因素值的歸一化。由于一般不同的特征因素在同一案例中數(shù)值相差懸殊且有時(shí)相同的特征因素在不同案例中的數(shù)值相差也很大，從而需要對(duì)特征因素值進(jìn)行歸一化處理，使得數(shù)值都在［0，1］的區(qū)間上。

經(jīng)過(guò)向量歸一化處理后，得到新的案例屬性值和案例庫(kù)中各源案例屬性值，歸一化后的屬性矩陣如下：

2）熵值法確定特征因素影響權(quán)重系數(shù)。假設(shè)n個(gè)評(píng)價(jià)對(duì)象，m個(gè)評(píng)價(jià)指標(biāo)，對(duì)于某項(xiàng)指標(biāo)，指標(biāo)值的變異程度越大，熵值越小，則該指標(biāo)在綜合評(píng)價(jià)中所起的作用越大；如果某項(xiàng)指標(biāo)的指標(biāo)值全部相等，則該指標(biāo)在綜合判定中不起作用；否則，相反。所以，可根據(jù)各項(xiàng)特征項(xiàng)值的差異程度，利用信息熵這個(gè)工具，計(jì)算出各特征因素的影響權(quán)重。

步驟1。計(jì)算第j項(xiàng)指標(biāo)的熵為：

此時(shí)ej取極大值，即klnn

若設(shè)k＝1／lnn，于是有0≤ej≤1。則

步驟2。計(jì)算第j項(xiàng)指標(biāo)的差異性系數(shù)pj＝1－ej，其值越大，指標(biāo)所起的作用就越大。

步驟3：計(jì)算特征因素j的影響權(quán)重系數(shù)

3）權(quán)重調(diào)整。突發(fā)事件是由致災(zāi)因子等因素之間相互作用的復(fù)雜系統(tǒng)，各因素與時(shí)間緊密聯(lián)系，隨時(shí)間相應(yīng)變化。根據(jù)文獻(xiàn)的研究，特征權(quán)重應(yīng)隨環(huán)境、時(shí)間的變化而變化。時(shí)間越相近的案例，越具有參考價(jià)值；相反，可能不予采納。為此，本文引入時(shí)間因素，得到更加科學(xué)準(zhǔn)確地權(quán)重值［8－9］。

通過(guò)引入時(shí)序調(diào)整系數(shù)引入時(shí)序調(diào)整系數(shù)μi，μi＝η×ΔT（i＝1，2，…，n），ΔT為時(shí)間跨度，單位為年（例如，2008～2012 年的時(shí)間跨度為4年）；η為時(shí)間跨度系數(shù)，通常取η＝0.1。對(duì)第i個(gè)案例的第j個(gè)權(quán)重進(jìn)行調(diào)整，調(diào)整后的特征項(xiàng)權(quán)重為

為使調(diào)整后的權(quán)重之和仍為1。需要相應(yīng)調(diào)整其他特征項(xiàng)的權(quán)重

2.3 最佳相似源案例的確定

傳統(tǒng)的灰色關(guān)聯(lián)度算法用各特征指標(biāo)的灰色關(guān)聯(lián)度來(lái)表示指標(biāo)的局部相似度，然后將各局部相似度加權(quán)平均得到總體相似度。因各個(gè)指標(biāo)的重要程度不一樣，筆者采用改進(jìn)的局部灰色關(guān)聯(lián)算法，在計(jì)算局部相似度時(shí)將權(quán)重納入到比較環(huán)境的計(jì)算中［10－12］。其表達(dá)式如下。

式中：ξ∈［0，1］為分辨系數(shù)，一般取ξ＝0.5；wj為不同特征指標(biāo)的權(quán)重。

由式（10）可得n×m個(gè)屬性指標(biāo)關(guān)聯(lián)相似度，則構(gòu)成相似配置實(shí)例檢索的灰色相似矩陣

目標(biāo)案例Tj與源案例Xij在指標(biāo)j上的灰色距離為

顯然，式（14）滿足相似度取值范圍為（0，1］，距離取值范圍為［0，∞］的要求。函數(shù)Gd是目標(biāo)案例與源案例之間的廣義權(quán)距離，反映了目標(biāo)案例與源案例基于灰色關(guān)聯(lián)理論的相對(duì)距離。在n維空間上，根據(jù)歐幾里得距離公式，目標(biāo)案例T與源案例Xi的灰色距離。

目標(biāo)案例T與源實(shí)例Xi在整個(gè)n維空間上的復(fù)合灰色相似度為

從結(jié)果中取最佳相似案例，若目標(biāo)案例與源案例的相似度大于設(shè)定的閾值τ，則認(rèn)為很相似。否則，調(diào)整修改最佳相似案例，得到新問(wèn)題的解決方案，此時(shí)得到的需求即為所求需求。然后將新案例保存到案例庫(kù)，以便下次使用。

3 實(shí)例分析

設(shè)有源案例5個(gè)，其中每個(gè)案例有特征因素5個(gè)，1個(gè)時(shí)間跨度項(xiàng)，已知在不考慮時(shí)間因素影響下運(yùn)用式（4）～（7）計(jì)算可得源案例與目標(biāo)案例的各特征項(xiàng)因素在本案例中的權(quán)重系數(shù)見表1。

表1 特征因素對(duì)目標(biāo)案例的影響權(quán)重系數(shù)Tab.1 Characteristic factors on the influence of the target case weight coefficient

據(jù)式（10）～（14）可得在未考慮時(shí)間因素優(yōu)化權(quán)重時(shí)的特征因素局部相似度和案例相似度，見表2。

表2 案例間初始局部相似度和全局相似度Tab.2 Case similarity between initial local and global similarities

據(jù)式（8）～（14）可算得在考慮時(shí)間因素調(diào)整權(quán)重時(shí)的影響權(quán)重系數(shù)和調(diào)整后的案例相似度，見下圖2。

若本文取案例相似度閾值τ＝0.5，由表2可以看出，在不考慮時(shí)間影響因子的條件下，案例5是求得的最相似的案例，其他案例與目標(biāo)案例的相似度也均大于0.5，所有的案例均符合判斷條件，可選擇最相似案例5作為重用案例，抽取相關(guān)信息對(duì)突發(fā)事件應(yīng)急救援物資做出預(yù)測(cè)。但是綜合全面地考慮各種影響因素后，由上圖可以看出，案例3與目標(biāo)案例最為相似，最相似案例卻變?yōu)榘咐?，而案例1、案例2、案例5相似度均低于閾值τ＝0.5，不符合條件，不予采用；其中，案例4在未考慮時(shí)間影響因子時(shí)，和案例3與目標(biāo)案例的相似度相等均為0.78，在考慮了時(shí)間因素調(diào)整了影響權(quán)重系數(shù)后，跨度為1年的案例3與目標(biāo)案例的相似度遠(yuǎn)大于跨度為4年的案例4的相似度值，即與目標(biāo)案例時(shí)間越接近的案例更加相似，完全符合實(shí)際生活現(xiàn)象。故可采取的最相似案例為案例3，可選擇最相似案例3作為重用案例，抽取相關(guān)信息對(duì)突發(fā)事件應(yīng)急救援物資做出預(yù)測(cè)。綜上可知，全面合理考慮后的計(jì)算結(jié)果更加準(zhǔn)確科學(xué)。

圖2 調(diào)整后權(quán)重系數(shù)和調(diào)整后的全局相似度Fig.2 Adjusted weight coefficient and adjusted global similarity

4 結(jié)束語(yǔ)

為了能夠較為準(zhǔn)確的預(yù)測(cè)突發(fā)事件發(fā)生后的應(yīng)急救援物資需求，筆者通過(guò)考慮特征因素值的歸一化和時(shí)間因素的影響，采用了熵值法確定權(quán)重，引入時(shí)間因素對(duì)權(quán)重進(jìn)行調(diào)整，更加科學(xué)準(zhǔn)確的獲得了影響因素權(quán)重系數(shù)，很好的避免了目標(biāo)案例與源案例之間的實(shí)際不相似而計(jì)算結(jié)果相似的缺陷。此外，采用了能較準(zhǔn)確計(jì)算相似度的改進(jìn)關(guān)聯(lián)度算法來(lái)計(jì)算源案例與目標(biāo)案例間的相似度，尋求最佳相似源案例。實(shí)例結(jié)果表明，在全面考慮了以上各因素后，找出的相似源案例更加合理，運(yùn)用該方法可以提高了應(yīng)急物資需求預(yù)測(cè)的準(zhǔn)確性。

［1］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.Fu Z Y，Chen J.Research on Emergency material demand forecast modal in disaster［J］.Logistics Sci－Tech，2009（10）：11－13.

［2］王 曉，莊亞明.基于案例推理的非常規(guī)突發(fā)事件資源需求預(yù)測(cè)［J］.西安電子科技大學(xué)學(xué)報(bào)，2010（7）：22－26.Wang X，Zhuang Y M.Forecasting model of unconventional emergency incident′s resource journal of demand based－on reasoning［J］.Journal of Xidian University，2010（7）：22－26.

［3］張曉磊，楊西龍，展麗瀟.基于模糊相似推理的應(yīng)急物資需求預(yù)測(cè)模型研究［J］.物流技術(shù)，2012（3）：229－231.Zhang X L，Yang X L，Zhan L X.Study on fuzzy similarity inference based model for emergency material demand forecasting［J］.Logistics Technology，2012（3）：229－231.

［4］顧東曉，李興國(guó)，梁昌勇，等.案例檢索及權(quán)重優(yōu)化方法研究及應(yīng)用［J］.系統(tǒng)工程學(xué)報(bào)，2009（12）：764－768.Gu D X，Li X G，Liang C Y，et al.Research on case retrieval with weight optimizing and its application［J］.Journal of Systems Engineering，2009（12）：764－768.

［5］劉德元，朱昌鋒.基于案例模糊推理的應(yīng)急物資需求預(yù)測(cè)研究［J］.蘭州交通大學(xué)學(xué)報(bào)，2013，32（4）：119－123.Liu D Y，Zhu C F.Forecasting research of emergency supplies demand based on the case of fuzzy reasoning［J］.Journal of Lanzhou Jiaotong University，2013，32（4）：119－123.

［6］宋曉宇，劉春會(huì)，常春光.基于改進(jìn)GM（1，1）模型的應(yīng)急物資需求量預(yù)測(cè)［J］.沈陽(yáng)建筑大學(xué)學(xué)報(bào)，2010（11）：1214－1218.Song X Y，Liu C H，Chang C G.Forecasting of emergency supplies demand based on the improved GM（1，1）model［J］.Journal of Shenyang Jianzhu University，2010（11）：1214－1218.

［7］王 靖，張金鎖.綜合評(píng)價(jià)中確定權(quán)重向量的幾種方法比較［J］.河北工業(yè)大學(xué)學(xué)報(bào)，2001（4）：52－57.Wang J，Zhang J S.Comparing several journal of methods of assuring weight vector in synthetical evaluation［J］.Hebei University of Technology，Assering.2001（4）：52－57.

［8］Aha D W.The omnipresence of case－based reasoning in science and application ［J］.Knowledge－Based Systems，1998，11（5／6）：261－273.

［9］楊 健，楊曉光.一1基于k－NN 的案例相似度權(quán)重調(diào)整算法［J］.計(jì)算機(jī)工程與應(yīng)用，2007（23）：12－15.Yang J，Yang X G.A case based on the similarity of the right to re－adjust k－NN algorithm［J］.Com－puter Engineering and Applications，2007（23）：12－15.

［10］賀 曉，劉景寧，李淑霞.基于灰色關(guān)聯(lián)理論的案例推理在故障智能診斷系統(tǒng)中的應(yīng)用［J］.中國(guó)機(jī)械工程，2004.15（22）：2022－2026.He X，Liu J N，Li S X.Application of case－based reasoning based on grey－relational theory in fault intelligent diagnosis system［J］.China Mechanical Engineering，2004，15（22）：2022－2026.

［11］王俊驊，趙新勇，叢浩哲.高速公路網(wǎng)突發(fā)交通事件時(shí)空影響預(yù)測(cè)模型［J］.交通信息與安全，2013（1）：77－82.Wang J H，Zhao X Y，Cong H Z.Prediction model of freeway network traffic incident space－time effect［J］.Journal of Transport Information and Safety，2013（1）：77－82.

［12］金茂菁.我國(guó)智能交通系統(tǒng)技術(shù)發(fā)展現(xiàn)狀及展望［J］.交通信息與安全，2012（5）：1－5.Jing M Q.Design and Implementation of simulator for traffic signal controller［J］.Journal of Transport Information and Safety，2012（5）：1－5.