基于LVQ 神經網絡的特大城市非常規突發事件演化預測

袁薈嶺

（西安建筑科技大學，陜西 西安 710311）

按照《中華人民共和國突發事件應對法》中對突發事件的分類，頂層包括自然災害、事故災害、公共衛生事件和社會安全事件4 個大類，各領域專家學者對本學科范疇內的特定事件進行了大量研究。陶鵬等[1]通過建立聯防聯控機制的文本數據庫并開展內容分析，歸納出現實場景下聯防聯控機制的功能圖景及特點；于浩恬等[2]運用結構化方法分析歷史事件，構建案例情景庫，為建立情景-應對管理平臺打下基礎，實現對軌道交通運營系統的安全動態監管。

文獻中，突發事件有不同的分類體系。美國國土安全部將緊急情況分為生物威脅、化學威脅、干旱、地震、火災、洪水、放射性和核事故等自然災害。

在日本的“災害應對基本法”中，緊急情況分為自然災害和人為災害，前者包括天氣、地震和火山，后者包括技術災害和綜合災害。突發事件有不同的分類體系。根據國家質量監督檢驗檢疫總局和國家標準化管理委員會2017 年聯合發布的GB/T 35561—2017《突發事件分類與編碼》[3]，將突發事件概括為4 個一級分類、37 個二級分類、171 個三級分類。本研究將突發事件分為4 類，即自然災害、事故災難、公共衛生事件和社會安全事件。由于特大城市突發事件可能演化為多種類型的子事件，因此本文將特大城市突發事件演化描述為一個多標簽分類問題。一些最先進的方法包括多標簽支持向量機、多標簽集成分類器鏈、多標簽邏輯回歸和多標簽彈性網[4]。

1 研究評述

20 世紀80 年代，有學者以東京和大阪等首都圈的發展為例指出，一個城市發展到一定階段必然會比其他中小城市的發展速度慢[5]。從此關于特大城市發展的理論研究開始從城市布局、經濟結構、基礎設施、城市交通系統發展到對綜合問題的探索。張鋒[6]指出隨著特大城市人口的流動性、集聚度和規模性加劇，以自然災害、事故、公共衛生事件及群體性事件為重點的特大城市應急管理面臨嚴峻的風險挑戰。余珂等[7]提出特大城市具有人口高度密集、資源要素高度集聚、輻射能力大等顯著特征，需要聚焦特大城市人口特征、公共衛生防疫體系、城市治理等方面。

學習向量量化（Learning vector quantification，LVQ）是一種結構簡單、性能有效的監督學習方法。近年來，LVQ 神經網絡被應用在生活的各方面。李江等應用模糊C 均值聚類對臺區負荷的用電類型進行劃分，基于學習向量量化神經網絡建立LSF 預測模型；李建閩等[8]提出了一種基于雙分辨率S 變換和學習向量量化神經網絡的電能質量擾動信號檢測方法；舒大松[9]利用LVQ 神經網絡識別放射性核素。實驗結果表明，該模型具有良好的預測性能。

2 特大城市非常規突發事件演化分析

本節將介紹一種新方法，用于演化預測特大城市非常規突發事件。圖1 示意性描述了擬議方法的框架。首先，收集描述世界各地特大城市非常規突發事件的數據，對原始數據進行預處理生成可用分類算法處理的規則數據集；然后，用多標簽LVQ 分類算法處理數據，構建預測模型；最后，通過比較測試數據集中已識別的類別標簽和真實的緊急事件標簽，評估預測模型的有效性。

圖1 非常規突發事件演變預測框架研究

2.1 用于多標簽分類的LVQ

LVQ 神經網絡是一種基于距離的分類算法，屬于前向神經網絡的一種類型。LVQ 由在地圖上規則排列的神經元陣列組成。每個神經元都與一個定義類區域的原型相關聯。LVQ 以競爭性的方式訓練，通過計算輸入和每個原型之間的距離，只激活最佳匹配神經元（BMU）。采用這種方式，以BMU 為特征的類邊界被相應調整。當輸入與BMU 具有相同的類標簽時，它會對原型產生積極的影響。

為了適應訓練數據具有多標簽的特點，提出了一種LVQm 算法。對于每個輸入x，計算x與每個神經元之間的距離，得到BMU，就像在標準LVQ 中所做的那樣。類別匹配度由BMU 的標簽集和范圍從0（表示完全不相交的標簽集）到1（表示絕對相同的標簽集）的輸入來度量。閾值δ∈[0，1]用于確定是否調整BMU。如果匹配度不小于閾值，則按照匹配度和學習率的比例向輸入調整Proto-265 型BMU。代替常用的多數投票原則，MAP 神經元被分配了一個由所有不同的投影輸入實例的標簽組成的集合。LVQm 算法的具體實現過程如下。

2.2 績效評估

由于多標簽分類的評價比單標簽分類復雜，本文提出了一種基于績效評價的信息檢索和推薦方法。

3 多標簽學習矢量量化（LVQ）神經網絡模型求解

3.1 步驟

具體步驟如下：①給定實驗數據集，進行5 次交叉驗證，即將D分為5 次，其中4 次為訓練數據，其余為測試數據。②對于每個生成的訓練數據集，使用提出的LVQm 算法構建分類模型。閾值δ是根據標準的最佳值從預設列表{0，0.1，···，1}中選擇的，該標準可以是準確率、召回率、精確度、F1 或HL，具體取決于應用要求。③將測試數據輸入分類器，并根據預測度量對性能進行評估。④隨機數據分割，重復10 次，計算平均結果。

3.2 討論與建議

演變既是突發事件發展擴大的結果，也是非常規突發事件最典型的特殊性。基于應急管理的全生命周期，將非常規突發事件應急管理過程分為減少、準備、響應和恢復4 個階段。

在約簡階段，對可能的子事件進行預測后可阻止演化動因消滅在萌芽狀態，避免損失。要采用德爾菲法等成熟、穩健的專家調查方法來分析演變模式和對策，更要在事件的早期階段進行演變預測。

在準備階段，對事件演化預測結果的要求是及時預測和及早脫鉤。一旦預測到演變，就可以通過實時觀測和合理安排避讓和制導策略來應對，提前阻斷、減緩、轉移和消除破壞性能量。

在響應階段，演化子事件類型的預測結果強調決策的科學性和準確性。決策主體應根據驅動子事件的基本因素進行綜合評價，確保決策的科學性。決策的實施、實踐的管理需要處置主體的保障。

在恢復階段，對非常規突發事件的演變預測有助于全面監測和長期跟蹤。特大城市演化具有滯后性和多樣性，有必要及時跟蹤反饋結果，持續監測和跟蹤可能的進化路徑。

4 算例分析

4 個功能（NA、AC、HE 和SE）表示主要事件的類型，類標簽表示子事件的類型。圖2 概述了實驗數據的事件類型和子事件類型的分布。

圖2 事件類型和子事件類型的分布

非常規突發事件的演化預測可以歸結為一個多標簽分類問題。

給定數據集D={（x1，c1），（x2，c2），…，（xN，CN）}，其中xi是25 維的二進制向量，Ci是預定義類別標簽C={NA，AC，HE，SE}的子集，Ci≠?。該問題的目標是設計一種學習算法，生成一個能夠準確預測未知實例標簽的分類器f：D→P（C）。

使用5 倍交叉驗證對各種大小的地圖的特大城市數據的10 個時期的預測結果。對于每個模型，性能在于準確率（LVQm Acc 算法）、召回率（LVQm Rec 算法）、精確度（LVQm 預算法）、F1（LVQm-F1 算法）和HL（LVQm HL）算法。

圖3 顯示了使用LVQm-Accuracy 算法分別針對4種類型的子事件的誤拒率和誤警率。在2 種主要類型的子事件（即事故災難AC 和社會安全事件SE）上的錯誤拒絕率和錯誤警報率都比在另外2種次要類型（即自然災害NA 和公共衛生事件HE）上好得多。建議采用抽樣、閾值、成本敏感分類等方法來解決不平衡問題。

圖3 4 類子事件的誤拒率和誤報率

在對比研究中，采用KNN（K近鄰）和SVM（支持向量機）2 種廣泛使用的多標簽分類方法來預測突發事件的子事件類型。對于給定的K，計算未知實例與每個訓練樣本之間的距離，并選擇K個近鄰。然后通過所有檢索到的鄰居的標簽集對未知實例進行分類。本實驗還使用5 次交叉驗證進行10 個時期的實驗，如圖4 所示。在圖4 中，將KNN（分別取K=1、3、5、7）和支持向量機分別與中等大小的LVQm 的不同變體在準確率、召回率、精確度、F1 和HL 方面進行了比較。KNN 的K值越大，查全率越高，查準率越低。LVQm 的所有變種在綜合測度F1 方面都優于多標簽KNN 和支持向量機。

圖4 多標簽預測的性能比較

5 結論

本文的工作建立在傳統LVQ 算法的基礎上，提出利用一種新的更新規則來處理多標簽數據。提出的LVQ 分類器可以有效預測突發事件的演變。本文的貢獻表現在3 方面：首次嘗試通過對突發事件及其應對活動的刻畫來預測非常規突發事件的演變；LVQ 分類器采用新的學習方案，能夠有效處理多標簽數據，預測次生災害；利用世界各地特大城市非常規突發事件的真實數據集討論該預測模型效益。