基于情景推理的震災(zāi)初期救援物資需求預(yù)測

張儒 齊金平 閆森 黃思云

[摘要]震后救援物資響應(yīng)是救援工作的重要環(huán)節(jié)，考慮到震后初期信息匱乏與案例推理預(yù)測結(jié)果精度低，采用情景推理對救援物資需求進(jìn)行預(yù)測：通過對震災(zāi)歷史案例庫的分析，構(gòu)建知識元表示模型對震災(zāi)情景進(jìn)行表達(dá)?；谠颇Ｐ蛦l(fā)式算法獲取情景檢索特征屬性的權(quán)重，再運(yùn)用改進(jìn)的最近鄰檢索算法對案例間情景進(jìn)行檢索，最后利用派生重演法對檢索出的最相似案例進(jìn)行重用修正。以中國地震歷史數(shù)據(jù)作為實(shí)驗(yàn)分析具體案例，結(jié)果表明本文方法對提高災(zāi)后應(yīng)急物資預(yù)測精度具有良好的效果。

[關(guān)鍵詞]案例推理;情景分析;需求預(yù)測;震災(zāi)救援物資

[中圖分類號]F224.0???? [文獻(xiàn)標(biāo)識碼]A???? [文章編號]1005-152X（2022）03-0039-06

Demand Forecasting of Relief Materials for Early Post-earthquake Rescue Based on Scenario Reasoning

ZHANG Ru， QI Jinping， YAN Sen， HUANG Siyun

（Mechatronics T&R Institute， Lanzhou Jiaotong University， Lanzhou 710600， China）

Abstract： The paper pointed out that， in the event an earthquake， considering the lack of information and the low precision of case- based reasoning prediction results in the early post-strike stage， the paper used scenario reasoning to predict the reliefmaterials demand. By analyzing earthquake histories in case library， the paper constructed a knowledge element representation model to express the earthquake scenarios. Based on the heuristic algorithm of the cloud model， it obtained the weights of the scenario retrieval feature attributes， used the improved k-nearest neighbor （KNN） algorithm to retrieve the scenarios among cases， and used the derived recapitulation method to reuse and correct the most similar cases retrieved. The paper took the historical earthquake data in China as the specific cases for experiment， which showed that the proposed method has good effect on improving the prediction accuracy of post-earthquake emergency supplies.

Keywords： case-based reasoning; scenario analysis; demand forecasting; earthquake reliefmaterial

0 引言

地震災(zāi)害（文中統(tǒng)一簡稱震災(zāi)）是我國主要自然災(zāi)害類型之一，一半以上的大中型城市都處于震級5.1以上的地區(qū)。雖然無法控制震災(zāi)的發(fā)生，但通過有效的救援方案，可以很大程度上降低震災(zāi)造成的傷亡與損失。因此，如何快速、精確地預(yù)測出震災(zāi)后救援物資的需求量，是當(dāng)前災(zāi)后救援的熱點(diǎn)問題。而災(zāi)害初期由于信息缺失，救援物資需求預(yù)測面臨不確定性和約束條件的復(fù)雜性，傳統(tǒng)的時間序列與神經(jīng)網(wǎng)絡(luò)模型難以對救援物資做出精確預(yù)測，而選用案例推理（case-based reasoning）來輔助救援物資的需求預(yù)測是一種直接而有效的方法。

目前提高案例推理預(yù)測精度的關(guān)鍵技術(shù)主要是案例間相似度檢索的問題：于峰[1-3]設(shè)計(jì)了生物分類學(xué)方法的救援案例庫的族譜特征，將災(zāi)害事件鏈與相似度相結(jié)合，并解釋說明了族譜中的橫縱關(guān)系。王慶榮[4]通過粗糙集確定案例屬性之間的權(quán)重系數(shù)，針對震災(zāi)數(shù)據(jù)特征提出消耗策略的定義，采用消耗策略在檢索時進(jìn)行優(yōu)化調(diào)整。張濤[5]基于電視節(jié)目案例表達(dá)中存在的多值情境，構(gòu)建多值符號情境的局部相似度計(jì)算模式，針對案例重用中目標(biāo)案例與相似案例的情境匹配，構(gòu)建基于差異情境的情境系數(shù)調(diào)整規(guī)則。吳書金[6]為了提高相似度的檢索速度，運(yùn)用模糊C均值聚類算法先進(jìn)行初步篩選。王寧[7]對應(yīng)急案例進(jìn)行情景劃分研究，對應(yīng)急情景序列知識結(jié)構(gòu)進(jìn)行分析，提出了應(yīng)急管理案例的情景表示方法及存儲模式。姜卉[8]將應(yīng)急事件情景定義為應(yīng)急事件的態(tài)勢集合，并將情景概念引入應(yīng)急事件的實(shí)時決策中。

綜上所述，案例推理預(yù)測方法適用于災(zāi)后信息貧乏期，并且可以避免用小樣本數(shù)據(jù)建模時容易出現(xiàn)的過擬合現(xiàn)象。然而選取整體案例進(jìn)行預(yù)測容易造成檢索上的不準(zhǔn)確，從而影響需求預(yù)測精度，并且案例表示大多是基于知識表示的常用方法（XML、本體、語義網(wǎng)絡(luò)等），這些方法缺乏對案例進(jìn)行更細(xì)粒度的劃分，難以體現(xiàn)對事件的描述，導(dǎo)致檢索結(jié)果不精確。因此在案例推理預(yù)測中加入情景的概念，通過情景要素的拼接最大程度地模擬震災(zāi)情景，并利用知識元模型對情景進(jìn)行表達(dá)，滿足情景案例推理的需要。檢索后，部分案例因沒有類似經(jīng)驗(yàn)易導(dǎo)致預(yù)測誤差過大，影響預(yù)測精度，所以在檢索完成后利用派生重演法對檢索結(jié)果進(jìn)行修正，以提升預(yù)測精度。

1 震災(zāi)救援案例情景化表示

1.1 震災(zāi)案例的情景構(gòu)成劃分

知識元對于某事物的表述為一個三元組Sn={An， Bn，Cn}，An表示對應(yīng)事物的概念及屬性名稱，Bn表示對應(yīng)的屬性狀態(tài)集，Cn表示屬性狀態(tài)間的相互關(guān)系。對于任意事物 b ∈Bn 可用屬性知識元 Sb表示為 Sb={db，eb，fb}。

將應(yīng)急情景劃分為三部分內(nèi)容：事件、影響、應(yīng)急管理行為，分別用Incident、Effect、Action表示，用Sit- uation表示情景，情景構(gòu)成可以表示為：Situation={I， E，A}。

1.2 情景表示框架

根據(jù)震災(zāi)事件描述，將事件分為時間、空間、主體三個子集，表示為：Incident={t，s，m}。

在情景中影響部分可再分為環(huán)境、安全性、財(cái)產(chǎn)，表示為：Effect={u，c，a}。影響所包含的三部分可再進(jìn)行細(xì)分，環(huán)境可劃分為天氣、道路，表示為：u={w，r}等。

應(yīng)急管理行為的詳細(xì)構(gòu)成包含應(yīng)急行為基本要素、應(yīng)急處置方案、應(yīng)急保障等方面，表示為：Action={be、ed、es}。

各子集還可以繼續(xù)細(xì)劃延伸，并且可以用樹型結(jié)構(gòu)對其進(jìn)行表達(dá)，情景表示模型框架如圖1所示。

1.3 情景要素表達(dá)

基于1.2節(jié)所述的震災(zāi)救援情景表示框架以及震災(zāi)情景要素篩選細(xì)劃規(guī)則，最終選擇出震災(zāi)救援情景要素為：事件情景、影響情景以及應(yīng)急管理情景，見表1。

2 基于情景推理的物資需求預(yù)測

2.1 案例推理

本文運(yùn)用案例推理的R5模型（如圖2所示）對震后救援物資進(jìn)行預(yù)測，即檢索、重用、修正、重分配和存儲。

2.2 情景檢索與匹配

以情景檢索為基礎(chǔ)，根據(jù)震災(zāi)案例的特性與內(nèi)容，采用最近鄰檢索（KNN）算法檢索。

設(shè)αn 為第 n個屬性的權(quán)重，KNN權(quán)重取值在0到 1之間，m是參與檢索特征屬性的總數(shù)，則KNN 的數(shù)學(xué)模型為：

式中 Sim（su ，sk）表示兩震災(zāi)事件之間的相似度， sim（sun ，skn）表示兩情景屬性之間的相似度。

2.2.1 情景屬性相似度算法。通過結(jié)構(gòu)與案例情景要素屬性的雙重檢索方式檢索案例間情景匹配度。

（1）數(shù)值表述型。采用加權(quán)海明距離的反函數(shù)

計(jì)算數(shù)值表達(dá)型情景要素間的相似度。

其中 sim（sun ，skn）（1）表示數(shù)值表達(dá)型情景要素間的相似度。

（2）區(qū)間數(shù)值型。當(dāng)情景屬性為區(qū)間數(shù)時，設(shè)待求解案例情景屬性區(qū)間為 sun ∈[au ， bu]，源案例情景屬性區(qū)間為skn∈[ak ， bk]，則有：

其中 sim（sun ，skn）（2）表示區(qū)間數(shù)值型情景要素間相似度，[au（i） ， b ]表示待求案例某一特定情景屬性區(qū)間u（i）， [ak（i） ， b ]表示源案例某一特定情景屬性區(qū)間k（i）。

其中sim（sun ，skn）（3）表示符號型情景要素間的相似度。

（4）模糊語義型

其中 sim（sun ，skn）（4）表示模糊語義型情景要素間相似度。 cu ，du ，eu表示待求案例情景屬性值三角模糊數(shù)，ck? ，dk? ，ek 表示源案例情景屬性值三角模糊數(shù)，將模糊語義轉(zhuǎn)化為三角模糊數(shù)并規(guī)范在[0，1]區(qū)間內(nèi)，分別為：（0，0，0.2）、（0.1，0.3，0.4）、（0.3，0.5，0.7）、（0.6，0.7，0.9）、（0.8，1.0，1.0）。

綜上，設(shè)某情景屬性的權(quán)重為ωn，則情景屬性總體相似度PRSimsu ，sk為：

對情景要素進(jìn)行相似度比較時，僅考慮共有屬性，忽略其缺失屬性。

2.2.2 結(jié)構(gòu)相似度。結(jié)構(gòu)相似度表示案例發(fā)生地與時間點(diǎn)等直觀因素的相似度。結(jié)構(gòu)相似度有兩類計(jì)算方法，一種是待求案例與源案例同等重要，另一種以待求案例情景為重，本文主要以待求解案例為主，則設(shè)結(jié)構(gòu)相似度為COSim（su ，sk）計(jì)算公式為：

其中P表示待求解案例整體相似度，Q表示源案例整體相似度。

2.2.3 全局相似度。綜上所述，設(shè)情景與結(jié)構(gòu)權(quán)重分別為φ1與 φ2，其中相似度權(quán)重的確定由各自相似度結(jié)果之間的差異程度來決定，其程度越大權(quán)重越高?？傻萌窒嗨贫萕SSim（su ，sk）為：

2.3 案例重用修正

案例檢索階段得到的解通常不能完全適用于目標(biāo)案例，因此還需修正檢索出的解以得到更好的物資方案。利用派生重演法實(shí)現(xiàn)對待求解案例救援物資需求量的重用修正。

如果得到的解不適用，將該解排除后重新檢索。設(shè)αi表示源案例的物資量，α表示上一步檢索到的目標(biāo)案例物資量，則有如下預(yù)先估計(jì)的范圍：

通過分析相似度最高的源案例的災(zāi)后報(bào)告，依照待求解案例情景屬性與災(zāi)后報(bào)告進(jìn)行回溯分析，并評估當(dāng)前災(zāi)情，判斷是否應(yīng)增減物資量以提升救援效果。

3 實(shí)驗(yàn)分析

本文以震災(zāi)救援中所需的帳篷需求量為研究對象，采用情景案例推理方法對帳篷需求量進(jìn)行預(yù)測。實(shí)驗(yàn)數(shù)據(jù)來源于歷年新聞報(bào)道、官方記載及其他論文已有數(shù)據(jù)等。

3.1 數(shù)據(jù)與信息整理

統(tǒng)計(jì)以往地震案例的數(shù)據(jù)信息，見表2，設(shè)地震災(zāi)害源案例集中有16個源案例p1至p16，源案例的情景屬性集為is1至as9，其中is1表示震災(zāi)發(fā)生地點(diǎn)，is2表示震災(zāi)發(fā)生時間，is3表示里氏震級，es4表示房屋倒塌數(shù)，es5表示震災(zāi)涉及的人員數(shù)量，es6表示震災(zāi)發(fā)生時期當(dāng)?shù)厝丝诿芏?，es7表示道路受損情況，es8表示次生災(zāi)害威脅，as9表示帳篷數(shù)量。為了檢驗(yàn)方法的有效性，將信息缺失的案例情景要素值設(shè)為缺失值，反映震后救援物資需求預(yù)測的實(shí)際情況。

3.2 權(quán)重獲取

選用正態(tài)云模型對震災(zāi)情景要素的權(quán)重進(jìn)行計(jì)算。根據(jù)情景要素集合，建立權(quán)重范圍，相應(yīng)的描述及云特征數(shù)字見表3。

首先對is1的權(quán)重進(jìn)行打分。然后通過逆向云得到案例情景屬性權(quán)重的云模型與數(shù)字特征，最后根據(jù)熵與超熵生成云圖，如圖3 所示，由圖3（a）-圖3 （c）云圖凝聚性逐漸增加，表示概念形成。

第二次得到的打分為（0.662，0.1262，0.051），熵與超熵減小。第三次得到的打分為（0.6460，0.1341，0.031），從圖3可以看出，云圖中的散點(diǎn)逐漸聚攏，圖3（c）云圖的形態(tài)表示第三次打分中，權(quán)重的取值較為合理，由此確定is1的權(quán)重為0.646。震災(zāi)情景要素屬性的權(quán)重見表4。

3.3 相似度計(jì)算

本文構(gòu)造的震災(zāi)情景案例庫包含16個案例，選取 p10～p16的地震案例，作為待解決案例進(jìn)行案例相似度檢索，設(shè)為q10～q16，并得出相似度的計(jì)算結(jié)果，見表5。

計(jì)算結(jié)果見表5，以檢索出的案例救援物資方案作為待求解情景sq救援物資預(yù)測的起點(diǎn)。

3.4 確定最佳匹配案例并預(yù)測

假設(shè)案例相似度閾值為0.6，從相似度計(jì)算結(jié)果可以得出，滿足條件的與目標(biāo)案例q10相似的案例有6個案例，并且p8為最佳匹配相似案例，對案例進(jìn)行重用，即p8是將要實(shí)施的物資預(yù)測方案。

為了驗(yàn)證情景推理方法的有效性，將CBR、粗糙集案例推理和情景推理方法進(jìn)行比較分析，CBR方法的案例匹配結(jié)果見表6，各檢索方法的精確率見表7。

上述結(jié)果表明，本文方法的預(yù)測效果較好，精確度較高，較整體案例推理的精確度提高了18.6%。

3.5 案例重用修正

檢索得到q10與p9相似度高，且p9不存在不適用 表6 傳統(tǒng)相似度計(jì)算結(jié)果問題，具有一定借鑒價(jià)值，但由圖4可知，q10、q15預(yù)測結(jié)果較其他目標(biāo)案例誤差較大。通過對p9、p5的帳篷量進(jìn)行更新，利用2.3節(jié)方法得到目標(biāo)案例帳篷量新的需求范圍 q10∈17259， 37769、q15∈16078， 24506。

通過分析源案例的災(zāi)后報(bào)告，判斷案例間相似情形，并以源案例為模版結(jié)合預(yù)估的目標(biāo)案例的帳篷量對目標(biāo)案例進(jìn)行修正，得到案例重用修正后的目標(biāo)帳篷需求數(shù)量，見表8。

將修正完成的預(yù)測結(jié)果與實(shí)際數(shù)量進(jìn)行對比（如圖5 所示）發(fā)現(xiàn)，預(yù)測精度較修正前又提升了7.6%。

4 結(jié)語

本文采用基于情景案例推理方法進(jìn)行震后初期物資需求量預(yù)測的研究，將云模型與知識元的情景表達(dá)概念引入案例的檢索與表示中，建立震后初期多層次情景結(jié)構(gòu)，采用KNN對案例間情景要素進(jìn)行檢索與匹配，并對檢索出的最相似案例進(jìn)行了修正。本文將情景要素概念融入到震災(zāi)案例中，并通過基于知識元的案例情景化劃分與表示方法，解決了對震災(zāi)情景描述缺乏的問題，降低了進(jìn)行情景案例推理的難度。同時篩選出用于震后的情景要素表達(dá)，通過云模型得到檢索特征屬性權(quán)重，提高了檢索的精度。

情景案例推理方法不僅適用于震災(zāi)信息缺乏時期，并且情景推理還能彌補(bǔ)整體案例推理造成的檢索結(jié)果不準(zhǔn)確缺陷。實(shí)例表明情景推理方法較整體案例推理物資需求預(yù)測的精度提高了18.6%，并且對部分誤差過大案例進(jìn)行重用修正，預(yù)測精度較之前又提升了7.6%。

基于情景案例推理方法進(jìn)行震后初期物資需求量預(yù)測的方法，不僅為有效預(yù)測震后初期物資量提供了一條新的途徑，并且對災(zāi)害事件鏈的推導(dǎo)也具有一定的借鑒意義。

[參考文獻(xiàn)]

[1] 于峰，李向陽，孫欽瑩，等.突發(fā)事件情景應(yīng)對案例庫族譜設(shè)計(jì)[J].系統(tǒng)工程理論與實(shí)踐，2015，35（10）：2596-2605.

[2] 于峰，李向陽.基于基因結(jié)構(gòu)的復(fù)雜應(yīng)急案例表示方法[J].系統(tǒng)工程理論與實(shí)踐，2017，37（3）：677-690.

[3] 于峰，李向陽，劉昭閣.城市災(zāi)害情景下應(yīng)急案例本體建模與重用[J].管理評論，2016，28（8）：25-36.

[4] 王慶榮，馬辰坤.面向案例消耗推理的應(yīng)急物資預(yù)測[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（22）：281-287.

[5] 張濤，翁康年，張倩帆，等.基于情境案例推理的播前收視率預(yù)測方法[J].管理工程學(xué)報(bào)，2020，34（6）：156-164.

[6] 吳書金，汪濤，全琪.基于模糊聚類和直覺模糊推理的合成旅油料需求預(yù)測[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019，28（12）：205-211.

[7] 王寧，郭瑋，黃紅雨，等.基于知識元的應(yīng)急管理案例情景化表示及存儲模式研究[J].系統(tǒng)工程理論與實(shí)踐，2015，35（11）：2939-2949.

[8] 姜卉.應(yīng)急實(shí)時決策中的情景表達(dá)及情景間關(guān)系研究[J].電子科技大學(xué)學(xué)報(bào)（社科版），2012，14（1）：48-52.

[9]谷夢瑤，李光海，戴之希.融合事故表征和CBR 的特種設(shè)備事故預(yù)測研究[J/OL].計(jì)算機(jī)工程與應(yīng)用：2020：1-14[2021-04-19].https：//kns.cnki.net/kcms/detail/11.2127.TP.20201204.1714.022. html.

[10]王蘭英，郭子雪，張玉芬，等.基于直覺模糊案例推理的應(yīng)急物資需求預(yù)測模型[J].中國礦業(yè)大學(xué)學(xué)報(bào)，2015，44（4）：775-780.

[11]錢靜，劉奕，劉呈，等.案例分析的多維情景空間方法及其在情景推演中的應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐，2015，35（10）：2588-2595.

[12] DETTINGER M D，HUGHES M，DAS T，etal.Design and quantification of an extreme winter storm scenario for emergency preparedness and planning exercises in cali- fornia[J].Natural Hazards，2012，60（3）：1085-1111.

[13]郭繼東，楊月巧.地震應(yīng)急物資需求預(yù)測的模糊案例推理技術(shù)[J].中國安全生產(chǎn)科學(xué)技術(shù)，2017，13（2）：176-180.

[14] DUAN H，LIU C，ZENG Q，etal.Refinement-based hierarchical modeling and correctness verification of cross-organization collaborative emergency response processes[J].IEEE Trans- actions on Systems，Man，and Cybernetics：Systems，2018，50（8）： 2845-2859.

[15]王延章.模型管理的知識及其表示方法[J].系統(tǒng)工程學(xué)報(bào)，2011，26（6）：850-856.

[16]嚴(yán)愛軍，趙輝，王普.基于可信度閾值優(yōu)化的案例推理評價(jià)分類方法[J].控制與決策，2016，31（7）：1 253—1 257.

[17] HONDULA D M，KURAS E R，LONGO J，etal.Toward precision governance：infusing data into public manage- ment of environmental hazards[J].Public Management Review，2018，20（5）：746-765.

[18] MOHAMMADI R，GHOMI S M T F，ZEINALI F.A new hybrid evolutionary based RBF networks method for forecasting time series：A case study of forecasting emer- gency supply demand times series[J].Engineering Appli-cations of Artificial Intelligence，2014（36）：204-214.

[19]郭子雪，韓瑞，齊美然.基于多元模糊回歸的應(yīng)急物資需求預(yù)測模型[J].河北大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，37（4）：337—342.

[20]袁曉芳.基于情景分析與CBR的非常規(guī)突發(fā)事件應(yīng)急決策關(guān)鍵技術(shù)研究[D].西安：西安科技大學(xué)，2011.

[21]左文澤.基于情景分析的城市應(yīng)急救援調(diào)度研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2019.