人工智能在應急管理領域的技術應用研究

張懿，黃江蘭，田立勤，欒尚敏

(華北科技學院，計算機學院，三河 101601)

0 引言

1955年，John McCarthy與Marvin Lee Minsky以及Claude Elwood Shannon一同作為發起者，在達特茅斯學院邀請眾多專家學者開會共同研討人工智能，在會議上正式確立人工智能(Artificial Intelligence)為一專業術語，開始了人工智能學術角度的專精研究。達特茅斯會議是人工智能誕生的標志性事件[1]，奠定了人工智能快速發展的基調，而發展至今的深度學習、識別技術在城市應急管理領域的研究，對于分析事故，改善城市安全具有重要意義。

1 機器學習應用

機器學習是指可以提供計算機能力而無需顯式編程的研究領域。Tom Mitchell定義機器學習為：對于某類給定的任務T和合理的性能度量P，如果某計算機程序在T上以P衡量的性能隨著經驗E而自我完善，性能逐步提高，則稱該計算機程序從經驗E學習[2]。機器學主要解決的是聚類、分類、預測和降維四類問題，可分類為有監督學習、無監督學習、深度學習等。在應急管理領域使用機器學習技術對于數據的訓練處理是非常重要的。

1.1 監督學習

監督學習是指用有標簽的數據集來預測新數據的值或類型，主要進行模型的預測泛化處理。若預測的是離散數值，該類學習稱為分類。預測的是連續數值，則該類學習稱為回歸。

分類是利用實際模型來預測屬性和標簽未知的對象類別的一種描述尋找和分類數據類型以及概念的過程，分類可以達到利用模型預測不知道的對象的目的。若涉及兩個類別，稱為二分類(binary classification)任務，若涉及多個類別，稱為多分類任務(multi-class classification)，例如事故多責任判定，文件分類判定技術等[3]。

(1)

線性回歸的一般形式為：

Y=β0+β1X1+β2X2+β3X3+…+βpXp+ε

(2)

其中ε～N(0,σ2)，β0～βp為未知參數，全部建模殘差平方之和ε應盡量達到最小，并且用1進行殘差平方之和的偏執擬合。對β0～βp求偏導并等于0，得到正規方程：

XTXβ=XTY

(3)

=(XTX)-1XTY

(4)

找到最小的β，就可以擬合構造直線找到數據的關系。但是在實際問題中常常會有X的屬性個數大于樣本個數的情況，即XTX不是滿秩矩陣或者正定矩陣，則會得到多個，且都能使誤差平方和達到最小化，選擇哪個解作為輸出，將由學習算法的歸納偏好決定。常見的做法是引入正則化項，如嶺回歸等。

邏輯回歸是在線性回歸的求解結果上添加輸入值為z的Sigmoid函數：

(5)

其中：

z=ω0x0+ω1x1+ω2x2+…+ωnxn(6)

Sigmoid函數圖像類似階躍函數，目的是將數值結果轉化成0到1之間的概率來實現Logistic回歸，計算回歸系數和特征值的乘積并且求和，最后把結果代到Sigmoid激活，可以得出一個范圍在0～1之間的數值，可畫出一條分類線。大于0.5的數據被映射為1，小于0.5的數據則被映射為0。[5]從而輸出離散的分類。屬于監督學習的常見模型有線性分類器、SVM等。監督學習算法有：K-近鄰算法(K-Nearest Neighbors，KNN)[6]、決策樹(Decision Trees)[7]、樸素貝葉斯(Naive Bayes)[8]等。

1.2 無監督學習

無監督學習是指用完全無標簽的數據集來預測新數據的值或類型，假設數據空間中相似樣本一般距離較近來將樣本進行分類。在無監督學習中，關聯分析、聚類問題和維度減少是三種重要問題。關聯分析指發現不同事物同時出現的概率，廣泛應用于購物籃問題。[9]聚類分析是指將訓練數據集里的數據分成很多個小組，每個小組形成一個“簇”(cluster)，預先并不設置類別，訓練數據無標簽，目的是聚合相似的數據，但是不探討數據小組的具體內容，最后根據結果差別得出信息。維度約減是指在減少數據維度的同時又不損失有意義的信息，可以利用特征提取法和特征選擇法來實現，特征選擇法是選擇原始變量的子集，而特征提取法是把數據從高維度向低維度進行轉換。

1.3 深度學習

深度學習(Deep Learning)概念源于M-P模型[10]與Hopfield神經網絡[11]。人工神經網絡(ANN)代表著一種自上而下的思路，類似于生物大腦神經元的作業機理與運行機制，每個神經元通過特定的激勵函數，處理并計算來自另外的神經元傳入信號，信號輸入到輸入層，經由隱層處理，再到達輸出層，這一過程達到了分層學習的目的。深度學習模型是一些幾何函數一個個地作用在數據上參與運算，這些運算被組織成為層，層進行堆疊則形成圖。

圖1 一個深度學習結構圖

圖中圓代表一個神經節點，相鄰的層節點之間彼此有鏈接，同層或越層節點彼此之間無連接。Layer1為一個輸入層，最終計算出來的H函數即預測值的層為輸出層，中間的層為負責數據變換的隱層，每一條直線代表了該節點到下一節點的權重，而且會存在偏置b，權重(weight)是在訓練過程中需要學習的參數，其中保存著模型的知識，權重把這些層進行參數化，得出預測值后，用損失函數即真實值和預測值的誤差最小化來衡量網絡準確性，為這些權重找到合適值即深度學習。

在《懸崖上的愛》中，野生動物研究專家方東升是個一出場就自帶光環的人物，他常年在野外考察，在研究領域獲獎無數，深受包括岳西在內的學生敬仰和崇拜。但讓方東升在野生動物研究這條路上抵達巔峰的，卻是多年前的一場婚姻危機給他帶來的性命威脅。方東升最初在事業上的成功吸引了許多女性，一時間女人的肉體成了是他獵物①，讓他充分享受到征服的快感。

從輸入層通過隱層到輸出層的運動為正向傳播。相應的，建立神經網絡時，會出現初始的權重與誤差，迭代一次后，該誤差與成本函數梯度在外層通過隱層返回，可減少錯誤，此時網絡的權重會被更新，即為誤差反向傳播。深度學習是學習樣本數據的表示層次與內在規律[12]，是多層的神經網絡模型且層和層之間的聯系更為復雜，通過分層提取信息進行學習，達到了高效的目的。深度學習主要涵蓋四個發展路徑。分別是卷積神經網絡(CNN)[13]、生成網絡[14]、序列模型[15]、增強學習[16]。

在人工智能以及大數據的新技術思維背景之下，通過應急管理部和各級政府的數字化轉型，事后完善恢復系統也愈發成熟。發展迅速且火熱的深度學習技術通過訓練數據、提高算法和建模精度使得事故的善后恢復和預防大大提高了效果，規模龐大且有效的數據是深度學習技術得以提高的重要來源，對于各類突發事件各環節的數據進行訓練，可以為事前預防系統提供更加準確的分析處理能力，利用建模來可視化數據，做到更加智能的預防，從而提高智慧城市應急管理系統的響應能力。

2 數據挖掘

數據挖掘(Data Mining)是一種涉及統計學、數據庫技術以及機器學習的綜合性技術。主要分為預測性數據挖掘和描述性數據挖掘兩類[17]。

應急管理信息大數據系統的構建是至關重要的，在事發響應、事中處理的過程中，由于各種突發事故所處的具體條件和環境不相同，各個時間段的特殊形勢、規模、性質和后果不同，受到事故影響的人民群眾情況不同，因此事中處理的步驟程序也各有不同。人工智能在事中處理系統中的應用，主要體現在良好控制的環節當中，其中最重要的是社會輿論。社會輿論是突發事件發生后在社會上流傳最快的消息之一，一般分為正向輿論和負面輿論。正向輿論可以對事故的處理起到激勵作用，消解人民對于事故發生后的恐慌情緒，但負面的輿論以及謠言往往會引起人們的恐慌和反社會情緒，從而嚴重擾亂社會秩序，間接地影響事故的處理與社會恢復。

表1中列出十大經典數據挖掘算法(Top 10 data mining algorithms)[18]。

表1 十大數據挖掘算法

為了控制負面輿論，數據挖掘技術會作為合理的處理手段運用到各種社交網絡和各大網絡平臺中，根據相關關鍵詞對或將造成負面輿論的言語或謠言進行自動捕捉和刪除，將嚴重危害社會穩定的散播謠言人員的網絡IP捕獲，避免負面信息的滋生，從而起到控制事態的作用。

3 語音識別

語音識別是一種使機器識別并且理解人類語音輸入信號含義的一種模式識別技術，該技術旨在將語音轉換為命令編碼或者字符文本，設計一定的程序使計算機明白人類講話的語義并進行合理判斷。

圖2 語音識別流程圖

首先對采集的非平穩語音信號進行預處理，過濾掉無用信息及其背景噪聲，然后運用特定方法計算語音聲學參數來提取相應的特征參數，再模式識別提取到的參數。其中包含兩階段：第一階段是訓練，即提取語音樣本的特征參數作為訓練數據，設置模型參數初始值時要相對合理，使識別系統的識別效果達到最好；之后進行識別，把要識別的語音信號特征依據特定規則進行對照處理，最終利用模式識別算法得出需要的結果。特征參數的選擇決定了識別結果的準確度與模板庫是否準確、模型參數的優劣。

隱馬爾可夫模型(HMM)理論假設時間序列系統是由一系列隱狀態構成，不同的隱狀態之間的轉換是系統運行的本質，來觀察并分析語音基礎時間序列[26]。

顯式馬爾可夫模型可看作一個以一定概率自動轉換狀態的過程，具有無后效性的特性即：

P(pt=Si|pt-1=Sj,pt-2=Sk,……)=P(pt=Si|pt-1=Sj)

(7)

其中t>1，Sk為一時刻的任意狀態。還具有齊次性的特點即：

P(pt=Si|pt-1=Sj)=P(pu=Si|pu-1=Sj)

(8)

其中u為任意時刻，說明狀態轉移概率與時間無關。而隱馬爾可夫模型則是雙重隨機過程，不僅狀態之間的轉移是一個隨機過程，而且狀態的輸出也是一個隨機過程。此外，隱馬爾可夫模型的輸出僅與當前狀態有關，具有輸出獨立性。

先進行時間序列分段，然后根據時序性與相似性來聚類這些時間序列分段，把每個聚類看作一種隱狀態從而得出狀態轉移概率矩陣，建立基于分段的初始隱馬爾科夫模型，對隱狀態下的時間序列分段的分布做出估計，由于隱含因子直接存在轉換概率，就可以得到與顯式狀態之間的輸出概率，再利用迭代法，對初始隱馬爾科夫模型不斷精確直到得出最終模型。文獻[27]最終得出的隱馬爾科夫模型的每一種狀態都可以和接收到的語音幀一一對應，現如今傳統的隱馬爾科夫模型廣泛運用在時間歸一法，在事故救援與分析成因有廣泛應用前景。

4 計算機視覺

計算機視覺(Computer Vision，CV)是利用了攝像機以及電腦替代人眼使得計算機擁有人類的雙眼所具有的分割、分類、識別、跟蹤、判別決策等功能。

4.1 物體識別檢測

物體識別和檢測即給定一張輸入圖片，算法能夠自動找出圖片中的常見物體，并將其所屬類別及位置輸出。物體分類與檢測在很多領域有廣泛應用，包括安防領域的人臉識別、行人檢測、智能視頻分析、行人跟蹤等，交通領域的交通場景物體識別、車輛計數、逆行檢測、車牌檢測，以及互聯網領域的基于內容的圖像檢索、相冊自動歸類等[28]。

在事故預防過程中，人工智能下的視頻識別技術得以運用，通過視頻資料的讀取和識別，來監測并判定其中的內容是否符合預先設定的報警條件，如果條件符合則通過傳感器觸發報警。基本的對人識別內容有人的舉動、人的面目表情、人的步態等信息，而對物識別可識別物品缺失，線路故障、區域變化、滯留監測等。運用視頻識別，可有效地代替人工的查找和報告事故隱患，達到應急響應智能化的轉變。但該技術仍有許多缺陷，很多理想效果并未完全實現。

4.2 語義分割

語義分割是將圖片中的物體場景分割出來，是自動駕駛、醫學圖像處理、圖像檢索、目標分類等視覺分析的基礎。例如，在自動駕駛領域，需要對道路、行人、車輛等復雜情況進行分析，從而才能對汽車發出操作指令。在對這些物體分析之前，首先需要進行語義分割，即將事故道路、行人以及車輛分割出來。在醫學圖像處理領域，首先要將病灶區分割出來，才能對病灶進行量化分析[29]。

5 結語

隨著人工智能發展日趨成熟，怎樣將不斷涌現的技術在應急管理體系各層次深度融合、綜合應用，給城市應急管理與安防行業提出了更高的挑戰，尤其是經過此次新冠疫情后，突發衛生公共問題會使得人工智能的應用領域不斷擴展與深入，使損失降到最低，為國家發展創造更大的價值。