基于CBR與RBR的應急決策支持系統設計與實現

張奕 卜凡亮

摘 要：針對突發事件應急決策主要使用技術CBR與RBR各自的不足，提出一種CBR與RBR相融合的方法。使用CBR對RBR進行輔助，首先使用CBR檢索出相似歷史案例，然后使用RBR技術對歷史案例的解決策略進行修改，解決了由CBR生成解決策略需要人工修正導致的決策速度慢、決策不準確等問題，降低了規則推理所需規則的復雜度及其獲取難度，實現了CBR與RBR結合的應急決策輔助系統。該系統較單一CBR在預案生成速度以及準確性上都有明顯提高。

關鍵詞：案例推理;規則推理;應急決策;決策支持

DOI：10. 11907/rjdk. 182580

中圖分類號：TP319文獻標識碼：A文章編號：1672-7800（2019）002-0055-05

Abstract： Aiming at the shortcomings of the two techniques used in emergency decision support system， CBR and RBR， a method for the fusion of CBR and RBR is proposed. CBR is used to assist RBR. First， CBR is used to retrieve similar historical cases. Then RBR is used to modify the resolution strategy of retrieved historical case. It solves the problems of slow decision-making and inaccurate results caused by manual correction of the decision-making method of CBR generation. It reduces the complexity of the rules required for RBR and the difficulty of rule acquisition. The emergency decision support system combining CBR and RBR is realized. The system has obvious improvement in the speed and the accuracy of the emergency plan generation compared with the traditional CBR.

Key Words：case-based reasoning; rule-based reasoning; emergency decision; decision support

0 引言

近年來，突發事件頻發，給人民群眾的生命財產造成巨大損失。突發事件的發生具有信息不完備、時間緊迫性和任務復雜性三大特點，增加了應急救援難度。目前，應對突發事件主要靠事先制訂的文本預案，對決策者指導性不強，作用不明顯，因此亟需建立一套突發事件應急決策支持系統，以幫助決策者在最短時間內制訂出科學合理的決策方案，有效地開展應急救援行動，減少突發事件造成的損失[1]。

目前，突發事件應急決策支持系統主要采用兩種技術：①案例推理（Case Based Reasoning，CBR），運用相似的歷史問題決策方法解決當前問題，能夠有效解決問題，但在實際應用中幾乎沒有完全相同的問題，因此案例修正顯得十分重要，而CBR系統中案例修改基本上都由人工完成，需要較長時間;②規則推理（Rule Based Reasoning，RBR），具有決策準確、有效實用等特點，可往往也需要花費較長時間，而且需要較多人力及物力進行規則編寫，但突發事件的緊迫性需要決策者快速制訂應急決策方案。因此，越來越多的人提出將CBR與RBR相結合，以實現優勢互補，同時克服兩者缺點。李洋等[2]、羅杰文等[3]均提出CBR與RBR相結合的預案生成系統，王重洋等[4]提出將CBR與RBR結合應用于土地空間布局上，但他們均是在CBR檢索中無滿足相似度閾值的歷史案例時，使用RBR解決當前方法。本文提出CBR與RBR兩種技術相結合的方法構造決策支持系統，將RBR技術融入CBR技術，輔助于CBR中案例錄入，然后將案例推理生成的決策方案，使用規則推理代替人工對歷史案例進行修正，加快案例推理速度，簡化所需規則，便于規則管理，并且解決了RBR難以獲取規則的問題，同時減少了規則獲取的人力物力，具有快速、準確、成本低等特點。

1 系統總體設計

1.1 功能需求分析

結合應急決策需求分析，系統主要由5個模塊組成：用戶模塊、規則推理模塊、案例推理模塊、案例管理模塊和規則管理模塊。系統功能模塊如圖1所示。

（1）用戶模塊。負責用戶登陸、管理，以及對當前突發事件信息進行錄入。

（2）案例推理模塊。對當前待決策案例進行檢索，檢索出滿足相似度閥值的歷史案例，生成待優化決策方案，對檢索過程中屬性權重進行修改。

（3）規則推理模塊。利用規則引擎與規則數據庫，依據不同突發事件種類，自動生成案例表示所需屬性;對當前錄入的突發事件進行預處理;修正待優化決策方法，生成優化決策方案。

（4）案例管理模塊。維護案例推理用到的歷史案例， 實現對案例的增加、刪除、修改、查詢等功能。

（5）規則管理模塊。維護規則推理用到的規則，實現對規則的增加、刪除、修改、查詢等功能。

1.2 系統功能流程

當突發事件發生時，規則推理依據不同突發事件種類生成案例表示所需屬性，用戶依據原始信息提取對應屬性值，案件信息錄入完成后，運用規則推理對當前突發事件進行預處理，然后使用案例推理對案例庫中的歷史案例進行相似度匹配，對高于相似度閥值的歷史案例進行選擇，生成待優化決策方案。若時間緊迫，則直接選擇相似度最高的歷史案例生成待優化決策方案，再將當前案例屬性值以及歷史案例屬性值使用規則引擎和規則庫進行規則推理，在待優化決策方案上生成優化決策方案，使用優化決策方案對此次突發事件提供參考。突發事件解決后，需要記錄執行效果，利用執行效果對優化決策方案進行修正生成最優決策方案，將修正結果保存入案例庫中，同時修正規則庫中的規則（見圖2）。

2 主要功能模塊

2.1 案例推理模塊

CBR是模仿人的思維方式產生的一種技術，當人們遇到難題時，會回想過去類似問題的解決策略[5]。CBR的核心就是重用，將歷史成功案例儲存入案例數據庫，通過相似度匹配算法得出當前待決策案例的相似案例，完成對于當前案例的決策。系統采用CBR最常用的“4-R”理論[6]。

（1）查詢（Retrieve）。檢索出滿足相似度閥值的歷史案例。

（2）重用（Reuse）。選擇高于相似度閥值的歷史案例，用于解決當前問題。

（3）修改（Revise）。對歷史案例進行修改，通常都是人工修改，需要時間較長，但是突發事件一般都事發突然，決策者往往沒有足夠時間作出決策[7]。本文提出使用規則推理進行修正，減少了決策時間，提高了準確性。

（4）保存（Retain）。問題成功解決后，將案例添加入案例庫。

2.1.1 案例表示方法

系統采用三元組的案例表示方法，具體為：問題描述、解決策略描述、執行效果描述 [8]。每一元組都由多個屬性組成。問題描述分為公共要素與專項要素兩部分，公共要素為一般突發事件都具有的屬性，專項要素需要根據不同種類突發事件，運用規則推理方法自動生成對應屬性，對屬性的選取需要將案例描述清楚，還需要與規則推理模塊配合使用[9]。

2.1.2 案例檢索

案例檢索使用應用最廣泛的最近鄰策略[10]。屬性權重使用層次分析法[11]，對應公式為：

其中，[Sim（Cq，Ci）]為案例庫中第q個案例與第i個案例的相似度，m為問題描述中屬性個數，[wj]為第j個屬性的權重，[Sim（Cjq，Cji）]為第q個案例與第i個案例第j個屬性的相似度，即案例i與案例q的案例相似度為所有屬性相似度的加權和。將案例描述變量分為枚舉型、數值型、模糊語言型變量[12]。

（1）枚舉型變量。枚舉型變量都會有固定取值范圍，并且變量兩兩之間并無關系。相似度計算公式為：

（2）數值型變量。采用基于距離的方法和負指數函數計算相似度，公式為：

其中，[Cjmax]為所有案例中屬性j的最大值，[Cjmin]為所有案例中屬性j的最小值。

（3）模糊語言型變量。若j屬性為模糊型變量，將模糊語言型變量轉換為三角模糊數， [Yj=（yj0，yj0？yjn）]對于[yjm（0

案例q、案例i對于屬性j的三角模糊數分別為：

使用基于距離的方法和負指數函數計算相似度，公式為

其中，[dajmax]為j屬性對應n個三角模糊數第一個位置的最大值，其中[dajmin]為j屬性對應n個三角模糊數第一個位置的最小值。

2.2 規則推理模塊

規則推理模塊本質是基于規則的專家系統，是專家系統的重要分支。規則推理的核心是：當事實滿足規則特定條件時，執行特定的事件或操作。規則推理模塊使用的知識包括事實（用來表示待推理的已知數據或信息）和規則（產生式規則）[13-14]。 規則由條件和動作組成，格式一般為[15]：

對初始方案進行優化，規則推理模塊主要由4部分組成：①推理引擎。是規則推理的核心，由模式匹配器和議程管理器組成;②規則庫。存儲規則的倉庫;③工作區。用于存放待推理事實;④執行機。執行滿足IF條件的規則所對應的操作。

以規則推理模塊主要功能對案例推理所得方案進行修正為例，具體為當前工作區存放當前案例以及案例推理模塊中檢索的相似案例，規則庫中存放事先添加好的規則，之后推理引擎開始工作，執行機對歷史案例的決策方法進行修正。以火災突發事件為例，歷史案例中火災發生時間為白天，而當前案例火災發生時間為夜晚，對解決策略的修正是適當增加照明車數量，規則庫中相應規則為：

規則推理專家系統的建立需要較大人力、物力，本文通過案例推理與規則推理相結合，使用規則推理進行修正，減少了規則制定所需成本。

系統使用Drools規則引擎[16]。Drools是Jboss門下的開源商業規則引擎，具有開源、社區非?；钴S、易使用、免費、JSR94（Java Rule Engine API）兼容、工具集強大等特點。

Drools是為Java量身定做的規則引擎，實現了ReteOO 算法以及Leaps算法。ReteOO對面向對象系統的Rete算法進行了增強和優化，支持4種格式的規則儲存（DRL、DSL、Descision Tables和XML）。Drools的規則引擎包括3部分：模式匹配器、議程和執行引擎。模式匹配器將依據規則庫與事實集決定規則是否被執行，議程管理待執行規則的執行順序，執行引擎負責執行規則。工作原理如圖3所示。

Drools的優點還體現在規則制定及修改上。Jboss官方提供了Drools Guvnor，用于對規則進行集中管理發布，在大多數決策支持系統中，規則的添加都需要開發人員以及應急領域專家共同完成。規則的可讀性和用戶友好性較差，Drools提供了DSL（領域特殊語言）解決該問題。DSL相當于一個轉換器，它能將應急決策術語轉換成規則語言，使得決策者只需關注應急領域知識，便可進行規則制訂以及修改。

3 系統實現

3.1 開發環境

系統采用B/S構架，使用JavaEE企業級應用進行設計的Web應用系統，電腦操作環境為Windows 10操作系統， 采用Myeclipse開發工具，使用Drools規則引擎技術，Web服務器為tomcat-6.0.51，后臺數據庫為MySQL5.5[17]。系統使用經典的三層架構進行設計，視圖層通過jsp和Servlet實現，業務邏輯層則使用Java代碼以及Drools實現，數據訪問層使用JDBC技術與MYSQL數據庫連接[18]。

3.2 實例分析

本文以事故災害中的高層建筑類火災為例，待決策案例為北京某大廈火災，首先提取當前待決策案例的描述屬性[19]。對待決策案例使用規則推理進行預先處理，然后進行案例檢索，得到歷史案例對于當前待決策案例的相似度，選取相似度閥值為70%，高于閥值的歷史案例如表1所示。

選擇相似度最高的廣州某大廈火災案例生成待優化決策方案，當前案例及歷史案例公共要素詳細信息如表2所示。當前案例以及歷史案例專項要素詳細信息如表3所示。

對待優化決策方案進行規則推理，生成優化決策方案。人員、車輛調度情況如表4所示[20] 。其中調度數量后加號為規則推理后的修正結果。

優化決策方案應急舉措如表5所示。

突發事件結束后，利用效果描述域對待優化決策方案進行優化，生成最優方案存入案例數據庫中，后對規則庫進行修改，本次應急決策結束。

4 結語

本文從理論和工程兩方面實現了CBR與RBR相結合的應急決策系統，彌補了單純使用CBR技術的不足，以火災高層突發事件為例進行驗證，該系統具有決策速度快、準確、實用性強、成本低等特點。同時，由于缺少火災突發事件的專業知識，在案例屬性選取、決策方法以及規則編寫方面有一些不足。在實際應用中，需經驗豐富的應急專家對規則庫以及案例庫作進一步完善，對于屬性檢索權重也需進行相應修改。

參考文獻：

[1] ZHOU L， WU X H， XU Z H， et al. Emergency decision making for natural disasters： an overview[J]. International Journal of Disaster Risk Reduction，2018（27）：567-576.

[2] 李洋，李星，吳秋云，等. 基于CBR+RBR的快速應急預案生成方法[J]. 兵工自動化，2013，32（5）：31-35.

[3] 羅杰文，施智平，何清，等. 一種CBR與RBR相結合的快速預案生成系統[J]. 計算機研究與發展，2007（4）：660-666.

[4] 王重洋，邱炳文，龍榮，等. 基于本體案例推理與規則推理的土地利用空間布局研究[J]. 資源科學，2013，35（2）：353-361.

[5] LóPEZ B. Case-based reasoning： a concise introduction[J]. Synthesis Lectures on Artificial Intelligence & Machine Learning，2013，7（1）：1-103.

[6] VERMA L， SRINIVASAN S，SAPRA V. Integration of rule based and case based reasoning system to support decision making[C]. 2014 International Conference on Issues and Challenges in Intelligent Computing Techniques （ICICT）， 2014：106-108.

[7] LIAO Z， MAO X， HANNAM P M， et al. Adaptation methodology of CBR for environmental emergency preparedness system based on an improved genetic algorithm[J].? Expert Systems with Applications an International Journal， 2012， 39（8）：7029-7040.

[8] AMAILEF K，LU J. Ontology-supported case-based reasoning approach for intelligent m-Government emergency response services[J]. Decision Support Systems，2013，55（1）：79-97.

[9] 周尤明. 突發事件本體論知識管理的動態性、開放性框架設計[J]. 軟件導刊，2018，17（6）：53-57.

[10] 張春曉. 案例推理的認知改進策略及學習性能研究[D]. 北京：北京工業大學，2014.

[11] JING K， ZHAO X，CHEN Z. Emergency rescue decision method based on CBR in coal mine accidents[C]. 2008 4th International Conference on Wireless Communications， Networking and Mobile Computing，2008：1-4.

[12] 李永海. 基于相似案例分析的決策方法與應用研究[D]. 沈陽：東北大學，2014.

[13] 王記偉. 基于規則推理的應急事件自動處理技術研究[D]. 上海：東華大學，2009.

[13] 謝曉珊. 基于知識元的突發事件推演規則驗證方法研究[D]. 大連：大連理工大學，2017.

[15] 羅宇恒. 基于知識推理的應急群決策支持系統的研究與設計[D]. 廣州：廣州大學，2013.

[16] 李春芳，譚慶平. 面向業務的Drools規則引擎改進[J]. 計算機應用與軟件，2015，32（5）：20-23+29.

[17] 侯智文，卜凡亮. 公安民用無人機實名登記系統的設計與實現[J]. 中國人民公安大學學報：自然科學版，2018，24（3）：69-74.

[18] FOGLI D，GUIDA G. Knowledge-centered design of decision support systems for emergency management[J]. Decision Support Systems， 2013，55（1）：336-347.

[19] ZHANG B S，LI X Y， LI J. Research on emergency case ontology model based on ABC ontology[C]. International Conference on Management Science and Engineering，2013：227-233.

[20] 劉君，胡偉超，孫廣林. 公路突發事件應急預案自動生成系統開發及應用[J]. 中國安全生產科學技術，2017，13（10）：53-58.

（責任編輯：何 麗）