基于知識元的突發(fā)事件風(fēng)險熵預(yù)測模型研究

于海峰,王延章,盧小麗,王　寧

(大連理工大學(xué)管理與經(jīng)濟學(xué)部,遼寧大連116024)

基于知識元的突發(fā)事件風(fēng)險熵預(yù)測模型研究

于海峰,王延章,盧小麗,王寧

(大連理工大學(xué)管理與經(jīng)濟學(xué)部,遼寧大連116024)

突發(fā)事件風(fēng)險預(yù)測中受到多因素高維數(shù)據(jù)和小樣本數(shù)據(jù)信息不完備的約束,無法定量識別和描述事件風(fēng)險的不確定性.本文根據(jù)突發(fā)事件已認(rèn)知的知識要素描述事件的共性本體特征,構(gòu)建了基于知識元的突發(fā)事件風(fēng)險預(yù)測模型.該模型利用狀態(tài)監(jiān)測系統(tǒng)的實時數(shù)據(jù),根據(jù)最佳投影方向?qū)τ^測樣本數(shù)據(jù)進行降維,將投影特征值隱含的風(fēng)險信息在風(fēng)險指標(biāo)論域內(nèi)進行擴散,獲得突發(fā)事件不同風(fēng)險等級發(fā)生的概率,利用風(fēng)險熵預(yù)測突發(fā)事件發(fā)生的可能性.以2008年長沙突發(fā)雨雪冰凍事件為例,對提出的風(fēng)險預(yù)測方法的可行性和有效性進行了驗證.研究結(jié)果表明,基于知識元的突發(fā)事件風(fēng)險熵能夠定量地反映概率事件發(fā)生時傳遞的風(fēng)險信息,可為應(yīng)急管理部門科學(xué)決策提供依據(jù).

知識元;突發(fā)事件;風(fēng)險熵;風(fēng)險預(yù)測

1　引　言

隨著經(jīng)濟增長和社會進步,人類賴以生存的環(huán)境不斷惡化,各類突發(fā)事件頻繁發(fā)生,造成的危害程度不斷擴大,給人類的生存與發(fā)展帶來不可預(yù)料的災(zāi)難性后果.風(fēng)險分析就是對誘發(fā)突發(fā)事件的不確定因素進行系統(tǒng)分析,定量化研究事件發(fā)生的可能性.及時、準(zhǔn)確地獲取突發(fā)事件的風(fēng)險信息是政府應(yīng)急管理部門主動應(yīng)對突發(fā)事件的前提,管理決策者可以根據(jù)風(fēng)險的變化情況科學(xué)地制定應(yīng)急策略,控制事件發(fā)展、降低事件帶來的損失.

根據(jù)突發(fā)事件應(yīng)急管理的生命周期,從時間維度上可以將事件風(fēng)險分析分為事前風(fēng)險分析、事中風(fēng)險分析和事后風(fēng)險分析.事前風(fēng)險分析是應(yīng)用研究區(qū)域的歷史資料數(shù)據(jù)對突發(fā)事件潛在的危險性進行評估,評判事件的風(fēng)險是否達(dá)到可被接受的程度,屬于事件安全期的預(yù)測性風(fēng)險分析,主要目的是為制定防災(zāi)減災(zāi)策略提供幫助;事中風(fēng)險分析是根據(jù)研究區(qū)域的實時狀態(tài)觀測數(shù)據(jù)對突發(fā)事件的破壞性進行評估,預(yù)測事件風(fēng)險的變化直至事件過程結(jié)束,屬于事件發(fā)展期的監(jiān)測性風(fēng)險分析,主要目的是為應(yīng)急管理決策提供依據(jù);事后風(fēng)險分析是利用研究區(qū)域的損失統(tǒng)計數(shù)據(jù)對突發(fā)事件造成的破壞性進行評估,全面評估事件造成的損毀程度,屬于事件消亡期的實測性風(fēng)險分析,主要目的是為災(zāi)損補償和規(guī)劃重建提供服務(wù).

在突發(fā)事件的風(fēng)險研究中,學(xué)者從不同視角對事件風(fēng)險進行了評價,多以歷史資料數(shù)據(jù)為依據(jù),屬于事前階段的風(fēng)險評估或者事后階段的損失評估,而對突發(fā)事件發(fā)生時的實時風(fēng)險分析研究較少.例如, Guikema基于歷史數(shù)據(jù)采用統(tǒng)計學(xué)習(xí)理論對自然災(zāi)害風(fēng)險進行了分析[1],Guzzetti等采用傳統(tǒng)概率的方法對區(qū)域滑坡災(zāi)害的風(fēng)險進行了評價研究[2],Iliadis等應(yīng)用基本模糊概念研究自然災(zāi)害風(fēng)險分析[3],王文圣等探討集對分析法在自然災(zāi)害風(fēng)險度評價中的應(yīng)用[4],鄒強等提出了基于可變模糊集理論的洪水災(zāi)害風(fēng)險分析方法[5],丁繼新等借助災(zāi)害熵的概念提出了區(qū)域泥石流災(zāi)害危險性定量分析方法[6].突發(fā)事件的事前風(fēng)險分析不論多么完美,也只能遏止突發(fā)事件的發(fā)生發(fā)展,卻不能做到全面阻止;事后風(fēng)險分析無法降低突發(fā)事件造成的經(jīng)濟損失和人員傷亡,對應(yīng)急管理的目標(biāo)并無太大意義.因此,只有開展事中風(fēng)險分析研究,才能實現(xiàn)真正意義上的突發(fā)事件“應(yīng)急”管理.

由于歷史資料數(shù)據(jù)獲取不充分、提供信息不完備,以往發(fā)生的事件不能夠指引未來事件的發(fā)展態(tài)勢.而突發(fā)事件演化過程的影響因素多,實時觀測樣本數(shù)據(jù)少且維數(shù)高,使得風(fēng)險信息不完備,導(dǎo)致無法定量描述事件風(fēng)險的不確定性,很難獲得可靠的突發(fā)事件風(fēng)險分析結(jié)果.應(yīng)急管理已經(jīng)趨于常態(tài)化,因此有必要建立科學(xué)有效的突發(fā)事件事中實時風(fēng)險分析方法.為克服突發(fā)事件風(fēng)險預(yù)測中的多因素高維數(shù)據(jù)、小樣本數(shù)據(jù)信息不完備、不確定信息難以量化的束縛,本文將投影尋蹤方法、信息擴散理論和信息熵三種方法相結(jié)合,提出基于知識元的突發(fā)事件風(fēng)險熵預(yù)測模型.

2　突發(fā)事件知識元

突發(fā)事件是受時空條件約束的諸多耦合因素相互作用的復(fù)雜系統(tǒng),具有一定的結(jié)構(gòu)并表現(xiàn)出特定的行為[7].突發(fā)事件結(jié)構(gòu)體現(xiàn)了系統(tǒng)要素及其相互作用關(guān)系,其行為包括系統(tǒng)的狀態(tài)和變化過程[8].突發(fā)事件知識元正是在突發(fā)事件系統(tǒng)觀點的框架下,從事件狀態(tài)及引發(fā)這一狀態(tài)突變的要素出發(fā),包含突發(fā)事件所應(yīng)有的基本結(jié)構(gòu)要素和行為要素的最小基本單元.

2.1知識元模型的建立

王延章[9]認(rèn)為模型是客觀事物屬性及其變化的抽象表述,是客觀事物對象或系統(tǒng)在人們主觀知識域上映像的表述,并基于知識工程的理論與方法,提出了一個模型管理的共性知識體系,建立了相應(yīng)的知識元模型如下

本文采用式(1)的模型共性知識對突發(fā)事件知識元進行描述,式中變量含義如表1所示.

表1　突發(fā)事件知識元模型各變量含義Table 1　The variable meaning in emergency knowledge element model

設(shè)a∈Am,屬性狀態(tài)集對應(yīng)的知識元

設(shè)r(r∈Rm)為Am×Am上的一個映射關(guān)系,屬性映射關(guān)系集對應(yīng)的知識元

式(2)和式(3)中變量含義如表2所示.

表2　突發(fā)事件知識元模型屬性狀態(tài)集和映射關(guān)系集各變量含義Table 2　The variable meaning of attribute state set and mapping relationship set in emergency knowledge element model

突發(fā)事件的應(yīng)急管理具有高度的復(fù)雜性,應(yīng)對過程中需要決策者充分利用多學(xué)科、多領(lǐng)域、多渠道的知識,進行實時決策.本體論的方法雖然在一定程度上可以解決跨學(xué)科、跨領(lǐng)域知識綜合的問題,但概念間顯性描述工作量巨大,極易產(chǎn)生知識推理不完備的隱患.將知識元模型擴展應(yīng)用于應(yīng)急管理領(lǐng)域中,使得多學(xué)科、多領(lǐng)域之間的知識融合成為可能.而且通過知識元屬性間關(guān)系的隱性描述方法,可以解決知識推理不完備的問題,能夠為突發(fā)事件應(yīng)急管理提供綜合知識支持.

2.2知識元模型的優(yōu)勢

運用式(1)知識元模型描述人類已認(rèn)知的突發(fā)事件,與采用其它知識元模型相比主要具有以下三點優(yōu)勢:一是有利于描述突發(fā)事件,突發(fā)事件知識元模型從知識元的屬性、屬性特征以及屬性之間的映射關(guān)系等方面闡述了知識要素的構(gòu)成形式與關(guān)聯(lián)機制,在這方面具有其它知識元模型無可比擬的優(yōu)勢.二是有利于揭示突發(fā)事件演化的本質(zhì)特征,式(1)弱化事件的概念,強化屬性變化是突發(fā)事件發(fā)生和演化過程存在的前提基礎(chǔ).以知識和屬性為出發(fā)點,從突發(fā)事件發(fā)生演化的本質(zhì)上研究突發(fā)事件的共性規(guī)律.三是有利于建立突發(fā)事件之間的鏈接關(guān)系,通過事件知識元之間屬性的相互匹配,不同事件客體的輸入屬性集合和輸出屬性集合就會形成交集,自動地建立起突發(fā)事件之間的鏈接關(guān)系.

因此,采用知識元模型描述的突發(fā)事件,通過建立AIr和AOr之間的映射關(guān)系fr,分析fr響應(yīng)過程來研究突發(fā)事件風(fēng)險分布情況.

3　突發(fā)事件風(fēng)險預(yù)測模型

對于已認(rèn)知而未掌握內(nèi)在變化規(guī)律的突發(fā)事件,雖然可以采用知識元模型對其進行描述,確定輸入屬性狀態(tài)集AIr和輸出屬性狀態(tài)集AOr,但無法從突發(fā)事件發(fā)生演化機理入手,建立各屬性狀態(tài)之間的映射關(guān)系fr,更無法根據(jù)fr分析突發(fā)事件風(fēng)險情況.本文針對此類情況,在突發(fā)事件知識元基礎(chǔ)上,獲取研究對象觀測數(shù)據(jù)的時間序列,采用投影尋蹤方法、信息擴散理論和信息熵理論,建立突發(fā)事件風(fēng)險預(yù)測模型,將輸入屬性狀態(tài)集AIr中所隱含的風(fēng)險信息向輸出屬性狀態(tài)集AOr擴散,研究輸入到輸出之間的非線性映射關(guān)系fr(如圖1所示),獲得突發(fā)事件的風(fēng)險熵,從而預(yù)測突發(fā)事件發(fā)生的可能性.

圖1　突發(fā)事件知識元風(fēng)險預(yù)測模型輸入輸出屬性狀態(tài)集映射關(guān)系Fig.1　The mapping relationship from input attribute state set to output attribute state set in emergency risk forecasting model based on knowledge element

突發(fā)事件風(fēng)險預(yù)測模型包括以下五個步驟.

步驟1突發(fā)事件知識元描述.

采用式(1)知識元模型描述人類已認(rèn)知的突發(fā)事件,建立AIr和AOr,明確事件輸入元素和輸出元素,以及各屬性狀態(tài)之間的關(guān)系.輸入元素通常選擇變動性較大且其變動對事件風(fēng)險分析產(chǎn)生較大影響的因素,輸出元素為風(fēng)險信息擴散后獲得的風(fēng)險熵.

步驟2知識元輸入元素樣本數(shù)據(jù)預(yù)處理.

獲取輸入屬性狀態(tài)集AIr中元素各類狀態(tài)突變的臨界值E=(E1,E2,...,Eg),將其作為突發(fā)事件風(fēng)險等級的標(biāo)準(zhǔn).獲取研究對象AIr元素t-n時刻至t時刻觀測數(shù)據(jù)集X={X1,X2,...,Xn},將其作為風(fēng)險預(yù)測的觀測樣本數(shù)據(jù).設(shè)E的元素值為{e(i,j)|i=1,2,...,w;j=1,2,...,g},X的元素值為{x(i,j)|i=1,2,...,n;j=1,2,...,g},其中g(shù)為AIr中元素個數(shù),w為風(fēng)險等級個數(shù),n為觀測樣本個數(shù), e(i,j)為第i個風(fēng)險等級第j個元素的臨界標(biāo)準(zhǔn)值,x(i,j)為第i時刻第j個元素的觀測值.對e(i,j)和x(i,j)采用極值歸一化處理,消除各元素值的量綱,統(tǒng)一各元素值的范圍,e*(i,j)和x*(i,j)為元素歸一化值.

步驟3知識元輸入元素樣本數(shù)據(jù)降維.

1)尋找最佳投影方向

采用投影尋蹤方法[10,11]尋找g維的突發(fā)事件風(fēng)險等級標(biāo)準(zhǔn)值e*(i,j)投影到一維空間的最佳投影方向α*=(α(1),α(2),...,α(g)),其各分量的大小實際上反映了輸入屬性狀態(tài)集AIr中各元素對突發(fā)事件的影響程度,值越大則對應(yīng)的元素對事件影響程度越大.

2)風(fēng)險等級標(biāo)準(zhǔn)降維

根據(jù)最佳投影方向,將g維的風(fēng)險等級標(biāo)準(zhǔn)值e*(i,j)投影到一維空間,獲取突發(fā)事件風(fēng)險等級標(biāo)準(zhǔn)值的一維投影z*E(i).

利用標(biāo)準(zhǔn)值的投影z*E(i)與風(fēng)險等級值y*(i)進行數(shù)據(jù)擬合,建立突發(fā)事件知識元AIr中各元素標(biāo)準(zhǔn)值一維投影與事件風(fēng)險等級值之間映射關(guān)系y*(i)=f(z*E(i)).

3)觀測樣本數(shù)據(jù)降維

根據(jù)突發(fā)事件風(fēng)險等級標(biāo)準(zhǔn)的最佳投影方向α*=(α(1),α(2),...,α(g)),將t-n時刻至t時刻g維觀測樣本數(shù)據(jù)x*(i,j)向一維空間投影,獲取觀測數(shù)據(jù)的一維投影值z*D(i).

利用映射關(guān)系y*(i)=f(z*E(i)),計算突發(fā)事件知識元輸入元素n個時刻觀測樣本的風(fēng)險等級值y*(i).

步驟4知識元輸入元素風(fēng)險信息向輸出擴散.

設(shè)y*(i)的指標(biāo)論域為V={v1,v2,...,vw},采用信息擴散理論[12]將輸入元素t-n時刻至t時刻觀測樣本的風(fēng)險等級值y*(i)所攜帶的風(fēng)險信息擴散到V中的所有點,將n個觀測樣本落在vk處的頻率值作為t+1時刻突發(fā)事件不同風(fēng)險等級發(fā)生的概率值p(vk).

步驟5計算t+1時刻知識元風(fēng)險熵.

根據(jù)信息熵理論與方法[13],將風(fēng)險等級自信息量的數(shù)學(xué)期望作為突發(fā)事件的風(fēng)險熵

計算t+1時刻突發(fā)事件風(fēng)險等級的信息量,作為事件的風(fēng)險熵,從而預(yù)測t+1時刻突發(fā)事件發(fā)生的可能性.

將風(fēng)險熵作為突發(fā)事件知識元模型的輸出屬性狀態(tài)集AOr的元素,為主動應(yīng)對突發(fā)事件、控制事件發(fā)展、降低事件帶來的損失提供科學(xué)的決策依據(jù).

4　實例分析

2008年1月中旬至2月上旬,中國南方地區(qū)發(fā)生了歷史罕見的低溫雨雪冰凍事件,其中湖南省受災(zāi)最為嚴(yán)重,被綜合評估為特大型氣象災(zāi)害.此次突發(fā)雨雪冰凍事件主要由四次天氣過程造成[14],分別發(fā)生在1月10日至1月16日、1月18日至1月22日、1月25日至1月29日、1月31日至2月2日.其中第一次過程為強冷空氣過程,之后冷空氣勢力不強,以擴散、滲透形式南下,造成持續(xù)性雨雪、冰凍天氣.前三次雨雪范圍呈逐漸擴大趨勢,以第三次過程雨雪、冰凍強度最強、范圍最大,第四次過程整體呈南壓減弱趨勢.2月2日以后,持續(xù)性的雨雪天氣過程趨于結(jié)束.本文以這場突發(fā)雨雪冰凍事件為例,以長沙市為研究區(qū)域,對提出的風(fēng)險預(yù)測方法進行實例驗證.

4.1雨雪冰凍事件知識元屬性狀態(tài)

雨雪冰凍事件的發(fā)生與平均氣溫、相對濕度、24h降水量、平均風(fēng)速、日照時間等因素密切相關(guān),將這些誘發(fā)因素作為雨雪冰凍事件知識元的輸入屬性集元素.“風(fēng)險熵”反映了雨雪冰凍事件過程中的不確定程度,將其作為輸出屬性集的元素.因此,采用知識元模型描述雨雪冰凍事件,輸入屬性狀態(tài)集AIr包含5個元素,輸出屬性狀態(tài)集AOr包含1個元素,各屬性值如表3所示.

表3　突發(fā)雨雪冰凍事件知識元描述Table 3　The sudden freezing rain and snow event described by knowledge element model

4.2雨雪冰凍事件知識元數(shù)據(jù)來源

1)雨雪冰凍事件風(fēng)險等級標(biāo)準(zhǔn)依據(jù)

根據(jù)國家氣象行業(yè)相關(guān)標(biāo)準(zhǔn)和湖南省氣象地方標(biāo)準(zhǔn),并結(jié)合長沙地區(qū)歷史同期氣象數(shù)據(jù),建立雨雪冰凍事件風(fēng)險等級標(biāo)準(zhǔn),如表4所示.雨雪冰凍事件風(fēng)險等級標(biāo)準(zhǔn)為4級,每級標(biāo)準(zhǔn)對應(yīng)5個輸入元素,屬于4組5維數(shù)據(jù).

表4　突發(fā)雨雪冰凍事件風(fēng)險等級標(biāo)準(zhǔn)Table 4　The risk grade standard of the sudden freezing rain and snow event

為反映日平均氣溫與其它年份同期氣溫的差異程度,在事件等級標(biāo)準(zhǔn)中引入氣溫異常度

2)觀測樣本數(shù)據(jù)來源

突發(fā)雨雪冰凍事件知識元輸入元素的觀測數(shù)據(jù)來源于中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)提供的中國地面國際交換站氣候資料日值數(shù)據(jù)集和月值數(shù)據(jù)集,版本為3.0,數(shù)據(jù)集包含了中國194個國際交換站1951年以來地面日值數(shù)據(jù)和月值數(shù)據(jù).選取湖南省長沙站(57679)的氣象觀測數(shù)據(jù),時間序列為2008年1月1日到2008年2月10日,采用極值歸一化的方法對獲取的觀測樣本數(shù)據(jù)進行預(yù)處理.

4.3雨雪冰凍事件第一次天氣過程風(fēng)險預(yù)測

采用本文提出的突發(fā)事件風(fēng)險預(yù)測模型,利用D-10日至D日知識元輸入元素觀測數(shù)據(jù)的時間序列,計算D+1日突發(fā)事件風(fēng)險熵,預(yù)測D+1日突發(fā)事件發(fā)生的可能性.以2008年初雨雪冰凍事件的第一次天氣突變過程為例,說明事件風(fēng)險的預(yù)測過程.

4.3.1風(fēng)險預(yù)測

1)最佳投影方向

對表4中雨雪冰凍事件風(fēng)險等級標(biāo)準(zhǔn)的樣本進行歸一化處理,采用投影尋蹤方法尋找最佳投影方向.本文利用RAGA優(yōu)化方法,選定父代初始種群規(guī)模為n=400,交叉概率pc=0.80,變異概率pm=0.05,優(yōu)秀個體數(shù)目選定為50個,加速次數(shù)為7,得出最佳投影方向α*=(0.427 7,0.376 7,0.483 1,0.466 8,0.473 1).

2)風(fēng)險等級標(biāo)準(zhǔn)降維

將α*代入式(4),得各個風(fēng)險等級標(biāo)準(zhǔn)值的一維投影z*E(i)=(0,0.771 0,1.428 6,2.227 5).運用回歸分析,建立z*E(i)與風(fēng)險等級值y*(i)的多項式關(guān)系如下

對回歸效果進行檢驗,其中R2=0.999 8,表明擬合程度好,檢驗結(jié)果顯著.尋蹤誤差見下表.

表5　雨雪冰凍事件風(fēng)險等級標(biāo)準(zhǔn)投影尋蹤誤差分析表Table 5　The error analysis of projection pursuit for risk grade standard of the sudden freezing rain and snow event

3)觀測樣本數(shù)據(jù)降維

根據(jù)最佳投影方向α*,獲取2008年長沙氣象站1月1日～1月16日輸入元素觀測樣本數(shù)據(jù)的時間序列的一維投影值z*D(i),利用式(9)計算觀測數(shù)據(jù)的風(fēng)險等級值y*(i),如表6所示.

表6　長沙氣象站1月1日至1月16日歸一化觀測數(shù)據(jù)、一維投影值和風(fēng)險等級值Table 6　The normalized observed data,unidimensional projection value and risk grade value of the Changsha weather station from January 1 to January 16th

4)知識元輸入元素風(fēng)險信息向輸出擴散

選取雨雪冰凍事件風(fēng)險等級值y*(i)的指標(biāo)論域V={v1,v2,v3,v4}={I,II,III,IV},利用表6中y*(t)進行信息擴散,得到長沙市1月11日至1月16日雨雪冰凍事件四個風(fēng)險等級的概率值,如表7所示.

表7　長沙市1月11日至1月16日雨雪冰凍事件風(fēng)險概率值Table 7　The risk probability value of the freezing rain and snow event of Changsha from January 1 to January 16th

5)計算雨雪冰凍事件知識元的風(fēng)險熵

將表7中事件四個風(fēng)險等級的概率值代入式(6),逐日計算風(fēng)險熵,如表8所示,以此反映長沙市1月11日至1月16日發(fā)生雨雪冰凍事件的可能性.

表8　長沙市1月11日至1月16日雨雪冰凍事件逐日風(fēng)險熵Table 8　The daily risk entropy of the freezing rain and snow event of Changsha from January 1 to January 16th

4.3.2風(fēng)險分析

1)風(fēng)險熵值變化情況分析

由表8可知,第一次天氣突變過程中,風(fēng)險熵的變化呈現(xiàn)出上升的態(tài)勢.風(fēng)險熵的增加說明天氣系統(tǒng)正從規(guī)則有序的狀態(tài)向無規(guī)則無序的狀態(tài)發(fā)展,一旦進入無序狀態(tài)必將導(dǎo)致突發(fā)事件的發(fā)生.因此,采用本文提出的預(yù)測方法獲得的風(fēng)險熵符合熵增的變化規(guī)律,說明本文方法的正確性和有效性.

2)事件風(fēng)險變化趨勢分析

由表6可知,16個氣象觀測日的風(fēng)險等級值呈現(xiàn)出波動上升趨勢,由1日1.827 0上升至10日2.433 4,上升幅度達(dá)到33.2%.10日后,風(fēng)險等級值一直維持在較高水平.這一結(jié)果表明,從1月1日開始,長沙市天氣狀況不斷惡化,突發(fā)雨雪冰凍事件的可能性逐漸增加,最終在1月10日爆發(fā)了一場歷史罕見的雨雪冰凍事件.

3)事件風(fēng)險等級程度分析

由表7可知,長沙市1月11日發(fā)生雨雪冰凍事件風(fēng)險等級為I、II、III、IV的概率分別為0.040 8、0.840 8、0.118 4、0.0.此預(yù)測結(jié)果表明,1月11日突發(fā)雨雪冰凍事件低風(fēng)險的概率較高,即事件的危險比較低.同時,由于風(fēng)險等級為III的發(fā)生概率為0.118,此結(jié)果預(yù)示著仍有出現(xiàn)高風(fēng)險的可能性.為此,政府管理部門需要密切關(guān)注氣象變化情況,盡早做好防災(zāi)減災(zāi)的工作準(zhǔn)備,降低事件造成的人員傷亡和財產(chǎn)損失.

4)事件知識元輸入元素影響程度分析

最佳投影方向中各分量的大小實質(zhì)上反映了突發(fā)事件知識元輸入元素對事件等級的影響程度,值越大則對應(yīng)的輸入元素對事件等級的影響程度越大.突發(fā)雨雪冰凍事件的最佳投影方向α*=(0.427 7,0.376 7, 0.483 1,0.466 8,0.473 1),該結(jié)果表明,知識元輸入元素對事件等級的影響程度依次為:24h降水量＞日照時間＞平均風(fēng)速＞氣溫異常度＞相對濕度.

4.4雨雪冰凍事件全過程逐日風(fēng)險預(yù)測

利用雨雪冰凍事件知識元輸入元素觀測數(shù)據(jù)的時間序列,提取D-10日至D日觀測數(shù)據(jù),采用上述方法,預(yù)測D+1日事件的風(fēng)險熵.1月17日至2月10日逐日風(fēng)險熵如圖2所示.

圖2　雨雪冰凍事件逐日風(fēng)險熵變化曲線圖Fig.2　The change curve of the daily risk entropy of the freezing rain and snow event

由圖2可知,2008年初雨雪冰凍事件中的四次天氣突變過程,對應(yīng)的風(fēng)險熵歷經(jīng)了四次上升過程,第一次和第三次天氣過程的風(fēng)險熵值最大,2月2日后開始下降.而文獻[14]也指出,在這四次天氣過程中,第一次和第三次產(chǎn)生的影響最為嚴(yán)重,2月2日天氣過程結(jié)束.以上分析結(jié)果表明,本文方法預(yù)測出的風(fēng)險熵變化情況與文獻[14]所描述的實際天氣變化過程相吻合,說明了風(fēng)險熵預(yù)測方法的可行性.風(fēng)險熵是用來度量突發(fā)事件風(fēng)險的多變性，進而預(yù)測突發(fā)事件發(fā)生的可能性.風(fēng)險熵的增加說明突發(fā)雨雪冰凍事件的可能性在增大，同時可以提示應(yīng)急管理部門要采取積極應(yīng)對措施，抵御雨雪冰凍事件，降低事件造成的損失.因此,可以利用風(fēng)險熵對天氣系統(tǒng)變化的不確定性進行定量表示,從量上反映概率事件發(fā)生時傳遞的風(fēng)險信息.

5　結(jié)束語

突發(fā)事件風(fēng)險預(yù)測分析已成為應(yīng)急管理研究的重要內(nèi)容,但由于風(fēng)險預(yù)測中事件誘發(fā)因素多、觀測樣本少維數(shù)高、風(fēng)險信息難以量化,尚未建立行之有效的突發(fā)事件風(fēng)險預(yù)測模型.本文利用對各類突發(fā)事件已認(rèn)知的知識要素描述事件的共性本體特征,提出了基于知識元的突發(fā)事件風(fēng)險預(yù)測模型,給出了模型的具體步驟.以2008年南方突發(fā)雨雪冰凍事件為例,以長沙市為研究區(qū)域,對提出的風(fēng)險預(yù)測方法進行實例檢驗.實例分析結(jié)果表明本文提出的突發(fā)事件風(fēng)險預(yù)測方法能夠根據(jù)觀測樣本的時間序列,對研究區(qū)域突發(fā)事件風(fēng)險進行定量的評估和預(yù)測.

本文提出突發(fā)事件風(fēng)險預(yù)測的建模方法對于已經(jīng)建立實時狀態(tài)監(jiān)測系統(tǒng)的重點區(qū)域或?qū)ο箢A(yù)測突發(fā)事件的風(fēng)險性具有一定的借鑒意義,能夠輔助決策者科學(xué)制定應(yīng)急方案、及時應(yīng)對突發(fā)事件、控制事件發(fā)展、降低事件帶來的損失.隨著突發(fā)事件共性本體特征認(rèn)知的不斷深入,事件知識元描述將更加全面,以此預(yù)測突發(fā)事件風(fēng)險性必將更加準(zhǔn)確.關(guān)于如何確定突發(fā)事件風(fēng)險熵的閾值并根據(jù)閾值確定應(yīng)急預(yù)案啟動時機的問題,本文作者將做進一步深入研究.

[1]Guikema S D.Natural disaster risk analysis for critical infrastructure systems:An approach based on statistical learning theory. Reliability Engineering and System Safety,2009,94(4):885–860.

[2]Guzzetti F,Reichenbach P,Ardizzone F,et al.Estimating the quality of landslide susceptibility models.Geomorphology,2006, 81(1/2):166–184.

[3]Iliadis L S,Spartalis S I.Fundamental fuzzy relation concepts of a D.S.S.for the estimation of natural disasters’risk.Mathematical and Computer Modelling,2005,42(7):747–758.

[4]王文圣,金菊良,李躍清.基于集對分析的自然災(zāi)害風(fēng)險度綜合評價研究.四川大學(xué)學(xué)報:工程科學(xué)版,2009,41(6):6–12.Wang W S,Jin J L,Li Y Q.Risk degree assessment of natural disaster based on set pair analysis method.Journal of Sichuan University: Engineering Science Edition,2009,41(6):6–12.(in Chinese)

[5]鄒強,周建中,周超,等.基于可變模糊集理論的洪水災(zāi)害風(fēng)險分析.農(nóng)業(yè)工程學(xué)報,2012,28(5):126–132. Zou Q,Zhou J Z,Zhou C,et al.Flood disaster risk analysis based on variable fuzzy set theory.Transactions of the Chinese Society of Agricultural Engineering,2012,28(5):126–132.(in Chinese)

[6]丁繼新,楊志法,尚彥軍,等.區(qū)域泥石流災(zāi)害的定量風(fēng)險分析.巖土力學(xué),2006,27(7):1071–1076. Ding J X,Yang Z F,Shang Y J,et al.Quantitative risk analysis of regional debris flow hazards.Rock and Soil Mechanics,2006, 27(7):1071–1076.(in Chinese)

[7]裘江南,師花艷,葉鑫,等.基于事件的定性知識表示模型.系統(tǒng)工程,2009,27(10):1–8. Qiu J N,Shi H Y,Ye X,et al.Qualitative knowledge representing model based on events.Systems Engineering,2009,27(10):1–8. (in Chinese)

[8]裘江南,劉麗麗,董磊磊.基于貝葉斯網(wǎng)絡(luò)的突發(fā)事件鏈建模方法與應(yīng)用.系統(tǒng)工程學(xué)報,2012,27(6):739–750. Qiu J N,Liu L L,Dong L L.Modeling method and application of emergent event chain based on Bayesian network.Journal of Systems Engineering,2012,27(6):739–750.(in Chinese)

[9]王延章.模型管理的知識及其表示方法.系統(tǒng)工程學(xué)報,2011,26(6):850–856. Wang Y Z.Knowledge and representation of model management.Journal of Systems Engineering,2011,26(6):850–856.(in Chinese)

[10]Friedman J H,Tukey J W.A projection pursuit algorithm for exploratory data analysis.IEEE Transactions on Computer,1974,C-23: 881–890.

[11]付強,趙小勇.投影尋蹤模型原理及其應(yīng)用.北京:科學(xué)出版社,2006:96. Fu Q,Zhao X Y.Principle and Application of Projection Pursuit Model.Beijing:Science Press,2006:96.(in Chinese)

[12]黃崇福.自然災(zāi)害風(fēng)險評價—-理論與實踐.北京:科學(xué)出版社,2005:152–158. Huang C F.Risk Assessment of Natural Disaster:Theory and Practice.Beijing:Science Press,2005:152–158.(in Chinese)

[13]姜丹.信息論與編碼.第3版.合肥:中國科學(xué)技術(shù)大學(xué)出版社,2009:11. Jiang D.Information Theory and Coding.3 Edition.Hefei:University of Science and Technology of China Press,2009:11.(in Chinese)

[14]葉成志,吳賢云,黃小玉.湖南省歷史罕見的一次低溫雨雪冰凍災(zāi)害天氣分析.氣象學(xué)報,2009,67(3):488–500. Ye C Z,Wu X Y,Huang X Y.A synoptic analysis of the unprecedented severe event of the consecutive cryogenic freezing rain in Hunan Province.Acta Meteorologica Sinica,2009,67(3):488–500.(in Chinese)

Emergency risk entropy forecasting model based on knowledge element

Yu Haifeng,Wang Yanzhang,Lu Xiaoli,Wang Ning
(Faculty of Management and Economics,Dalian University of Technology,Dalian 116024,China)

The emergency risk prediction is limited by multi factor,high dimensional data,small samples and incomplete information not fully distinguishing risk of emergency.This paper provided a method of emergency risk prediction based on knowledge element which described the common ontological characteristics of the emergency.By using real-time data of condition monitoring system,this model reduced the dimensionality of the observed data through the optimum projection direction,diffused the risk information contained in the projected characteristic value into the risk index universe,attained the risk probability of emergency risk levels, and forecasted the emergency possibility through risk entropy.The study took the events of freezing rain and snow in Changsha,China,in Early 2008 as an example to prove the feasibility and validity of the risk prediction method.The results showed that the emergency risk entropy based on knowledge element could quantitatively reflect the risk information when the probability event happen.The finding could provide a scientific basis for the emergency management.

knowledge element;emergency;risk entropy;risk forecast

C931

A

1000-5781(2016)01-0117-10

10.13383/j.cnki.jse.2016.01.012

2013-06-04;

2013-09-30.

國家自然科學(xué)基金重大研究計劃重點資助項目(91024029);國家自然科學(xué)基金資助項目(41201174;71373034);教育部人文社科基金資助項目(12YJC790131);遼寧省經(jīng)濟社會發(fā)展資助項目(2013lslktjjx-09).

于海峰(1975—),男,黑龍江哈爾濱人,博士生,研究方向:應(yīng)急管理,復(fù)雜系統(tǒng)分析與建模,Email:yuhaifeng75@163.com;

王延章(1952—),男,遼寧開原人,博士,教授,博士生導(dǎo)師,研究方向:電子政務(wù)、復(fù)雜系統(tǒng)分析、應(yīng)急管理,Email: yzwang@dlut.edu.cn;

盧小麗(1976—),女,遼寧鳳城人,博士,副教授,碩士生導(dǎo)師,研究方向:環(huán)境管理、旅游管理,Email:luxiaoli@dlut.edu.cn;

王寧(1973—),男,吉林白城人,博士,副教授,碩士生導(dǎo)師,研究方向:信息與決策技術(shù)、電子政務(wù)、應(yīng)急管理,Email: wn@dlut.edu.cn.