基于案例推理的非常規突發事件資源需求預測

王 曉,莊亞明

(東南大學 系統工程研究所,江蘇 南京 211189)

●危機管理

基于案例推理的非常規突發事件資源需求預測

王 曉,莊亞明

(東南大學 系統工程研究所,江蘇 南京 211189)

近年來非常規突發事件頻繁發生,嚴重危害了人民的生命財產安全,而如何及時預測災害發生后的資源需求成為一個重要課題。文章提出了一種精確的預測方法,將模糊集理論,神經網絡 Hebb學習規則和多元線性回歸與案例推理法相結合。這種方法很好地解決了非常規突發事件資源需求預測這類信息不完備、不精確問題,能夠比較準確的作出資源的需求預測。該模型對災害資源需求預測具有一定的參考價值。

非常規;預測;CBR;模糊理論;神經網絡;多元回歸

一、引 言

我國是遭受非常規突發事件最嚴重的國家之一,每年造成的人員傷亡逾百萬,經濟損失高達幾千億元。因此如何在較短的時間內對非常規突發事件所需要的資源進行分析預測成為一個重要的課題。常用的預測方法主要有類比法、趨勢外推法、回歸分析法、時間序列預測法、灰色系統模型預測法,組合預測,以及神經網絡預測法等。由于非常規突發事件具有突然性、信息高度缺失性,蔓延性和復雜性、多范疇性等性質,用一般的預測方法進行預測是不準確的。

近些年來國內一些學者采用不同的預測方法對非常規突發事件的資源需求進行了預測,取得了一定的成果。林建新(2009)[1]等人,建立了預測應急交通需求分布的運輸問題數學模型,提出了一個改進的應急交通需求時變曲線函數,根據此函數獲得時變的宏觀交通需求信息。郭瑞鵬根據物資需求的特點,將模糊推理與案例推理相結合,建立了應急物資需求模型[2];傅志妍等利用案例推理的關鍵因素模型來預測應急物資需求[3]。

本文在以往研究的基礎上,根據非常規突發事件與案例相似法的相似性,主要利用案例推理法進行預測,同時將模糊集理論,神經網絡與案例推理相結合,通過模糊化案例的屬性,以及利用神經網絡對權值進行訓練調整,同時,還將資源進行了分類預測,改進了以往算法的精確度,提高了非常規突發事件預測的效率和精度。在得出相似案例之后,根據多元回歸理論,對資源需求進行了預測。

二、資源需求預測用到的基本原理

(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,最早起源于美國耶魯大學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程的方法論,也是一種構建智能計算機系統的方法論。CBR來源于人的認知心理活動:人們在面臨一個新問題時,往往把以前使用過的與該問題類似的案例聯系起來,運用過去解決該事例的經驗和方法來解決當前問題。它可以較好地模擬專家的聯想、直覺、類比、歸納、學習和記憶等思維過程,其核心思想是在進行問題求解時,使用以前求解類似問題的經驗和獲取的知識來推理,針對新舊情況的差異做相應的調整,從而得到新問題的解并形成新的案例加入到案例庫中去,隨著案例庫的增長,系統的 “經驗”將會越來越豐富。

CBR技術就是采用匹配的方法,找出與問題相似的案例,其理論基礎是相似原理。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

首先對新問題進行特征描述,根據這些特征,從案例庫中檢索相似案例,比較舊案例與新問題的異同之外,對舊案例進行調整,從而獲得新問題的解,案例推理關鍵關鍵技術如下:

(1)案例的表示與組織:如何抽取案例的特征變量,并以一定的結構在計算機中組織、存儲。

(2)案例的索引與檢索:如何確定最佳相似案例,如何定義新、舊問題的相似度。

(3)案例的調整:如何將根據舊案例得出新解。

(4)案例的學習:將新解增添到案例庫中,擴充案例庫中案例的種類與數量,進一步從案例知識中提取淺層規則知識或修改深層模型知識。

(二)貼近度

根據模糊集理論,我們可以用貼近度來計算兩個案例之間相似度。貼近度表示兩個模糊集的接近程度的度量,有公理化數學定義[6]。

定義:下述映射N稱為貼近度:

設模糊集 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

為了使各個案例的屬性在統一的量綱上,對案例庫中的案例進行模糊化處理,案例 Ci對特征因素 fj(j=1,2,…,m)的隸屬度記為μCi(fj),則案例庫中案例 Ci對應的特征向量集為:

2.利用 Hebb學習規則確定屬性權值

神經網絡中大部分前饋網絡都是學習網絡,它們的分類能力和模式識別能力一般都強于反饋網絡。因此在處理非常規突發事件時,我們采用前饋網絡,利用 Hebb學習規則(只適合前饋網絡)對權值進行調整,把案例庫中的每個案例作為一個神經元,根據 n個神經元之間的關系,來對權值進行訓練。

學習信號等于神經元的輸出,

權向量中,每個分量的調整由下式確定:

因此,調整后的權值為:ωij(t+1) =ωij(t) +Δ ωij

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

其中,η為學習率,一般取 1.由于用 Hebb學習規則進行訓練后的權值和不等于 1,因此需要進行歸一化處理,在本文中取權值向量的單位向量,然后對單位向量的每個值進行平方處理。

3.計算案例相似性

利用貼近度和權值,首先對資源需求中的每種需求,根據專家經驗給出關系屬性因素的重要性的權值,然后計算出非常規突發事件的特征因素與案例庫中各案例特征因素的貼近度,根據我們的定義,貼近度即表示案例的相似度,在進行預測時,根據專家經驗給定一個閾值τ,案例檢索完成后,取超過相似度閾值的案例中的需求作為最終參考的需求預測結果。并且貼近度越大說明目標案例與案例庫中的此案例越相似。

4.目標案例需求預測

根據給定的閾值,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

根據得到的相似案例,利用多元回歸模型[7]來對目標案例進行需求預測。

理論回歸模型為:

將相似案例的數據輸入,利用Matlab的多元線性回歸函數進行計算,求得β的值,然后將預測案例的模糊屬性值輸入,得到資源需求值。

四、仿真實例

取預測某次地震發生后所需資源為例來進行仿真。假設案例庫中地震相關方面的案例有三個,即 C= {C1,C2,C3},從地震突發事件中抽取出與資源需求關系最為密切的 5各屬性值即 F={震級大小,地震持續時間,地震波及范圍,震區人口密度,震區建筑設施狀況},從地震突發事件中抽取出與資源需求關系最為密切的 5各屬性值即 F={震級大小,地震持續時間,地震波及范圍,震區人口密度,震區建筑設施狀況},對案例進行模糊化處理為:

確定權值,按照資源的分類,不同的資源與不同屬性的關系不同,因此對應的權值也不同。因此針對將三類資源進行分開預測。本文中只對其中一種資源進行仿真,其它類的算法與本例相同。假設預測的資源為物力資源,假設根據專家經驗給出的權值為ω={0.3,0.1,0.2,0.3,0.1},利用神經網絡的 Hebb學習規則對權值進行調整,ωij(t+1)=ωij(t) +Δ ωij,經過訓練得出權值為:

ω={0.275,0.186,0.211,0.181,0.147}

計算目標案例與案例庫中的案例的相似度,即貼近度:

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

NL(T,C3) =0.56375。

根據專家經驗給出的閾值為 0.55,因此相似案例為 2,3。假設案例 2,3的物力資源需求分別為 20萬單位,25萬單位。根據多元回歸理論,

利用Matlab的回歸函數,解得多元回歸方程為:y=15+12.5x3,因此目標案例的物力資源需求為 D=23.75萬單位。本例給出的案例個數較少,規律表現的不是很明顯,當有大量案例輸入時,相關性比較顯著。

五、結束語

CBR已被應用到許多領域,本文建立了模糊集理論和神經網絡與之相結合的非常規突發事件中資源需求預測的模型,該模型簡明、快速、準確。本模型為非常規突發事件資源需求預測提供了一種快速有效的方法,對于準確把握應急資源需求以及對于高效、妥善處置非常規突發事件是至關重要的。

[1]林建新,韋獻蘭,吳海燕,等.基于 S-曲線的時變交通應急疏散需求預測 [J].交通信息與安全,2009,27(3):92-96.

[2]郭瑞鵬,應急物資動員決策的方法與模型研究 [D].北京理工大學,2006.

[3]傅志妍,陳堅.災害應急物資需求預測模型研究 [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.軟計算方法 [M].北京:科學出版社,2002.

[7]鄭小平,高金吉,劉夢婷.事故預測理論與方法 [M].北京:清華大學出版社,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

教育部人文社會科學基金一般項目 (09YJA630021);江蘇省自然科學基金一般項目 (BK2009290);江蘇省交通科學研究計劃項目 (09R12);江蘇省軟科學基金一般項目 (SBR20090383)

王 曉 (1987—),女,山東濰坊人,碩士研究生,研究方向:系統工程;

莊亞明 (1964—),男,江蘇宜興人,經濟管理學院副教授,研究方向:產業組織理論。

[責任編輯:程 靖 ]