基于案例推理的非常规突发事件资源需求预测

王 晓,庄亚明

(东南大学 系统工程研究所,江苏 南京 211189)

●危机管理

基于案例推理的非常规突发事件资源需求预测

王 晓,庄亚明

(东南大学 系统工程研究所,江苏 南京 211189)

近年来非常规突发事件频繁发生,严重危害了人民的生命财产安全,而如何及时预测灾害发生后的资源需求成为一个重要课题。文章提出了一种精确的预测方法,将模糊集理论,神经网络 Hebb学习规则和多元线性回归与案例推理法相结合。这种方法很好地解决了非常规突发事件资源需求预测这类信息不完备、不精确问题,能够比较准确的作出资源的需求预测。该模型对灾害资源需求预测具有一定的参考价值。

非常规;预测;CBR;模糊理论;神经网络;多元回归

一、引 言

我国是遭受非常规突发事件最严重的国家之一,每年造成的人员伤亡逾百万,经济损失高达几千亿元。因此如何在较短的时间内对非常规突发事件所需要的资源进行分析预测成为一个重要的课题。常用的预测方法主要有类比法、趋势外推法、回归分析法、时间序列预测法、灰色系统模型预测法,组合预测,以及神经网络预测法等。由于非常规突发事件具有突然性、信息高度缺失性,蔓延性和复杂性、多范畴性等性质,用一般的预测方法进行预测是不准确的。

近些年来国内一些学者采用不同的预测方法对非常规突发事件的资源需求进行了预测,取得了一定的成果。林建新(2009)[1]等人,建立了预测应急交通需求分布的运输问题数学模型,提出了一个改进的应急交通需求时变曲线函数,根据此函数获得时变的宏观交通需求信息。郭瑞鹏根据物资需求的特点,将模糊推理与案例推理相结合,建立了应急物资需求模型[2];傅志妍等利用案例推理的关键因素模型来预测应急物资需求[3]。

本文在以往研究的基础上,根据非常规突发事件与案例相似法的相似性,主要利用案例推理法进行预测,同时将模糊集理论,神经网络与案例推理相结合,通过模糊化案例的属性,以及利用神经网络对权值进行训练调整,同时,还将资源进行了分类预测,改进了以往算法的精确度,提高了非常规突发事件预测的效率和精度。在得出相似案例之后,根据多元回归理论,对资源需求进行了预测。

二、资源需求预测用到的基本原理

(一)案例推理

案例推理[4][5](Case-Based Reasoning,CBR)是目前人工智能中一种新兴的推理方法,最早起源于美国耶鲁大学Roger Schank教授在其 1982年的著作《Dynamic Memory》中所作的描述。它是一种模仿人类推理和思考过程的方法论,也是一种构建智能计算机系统的方法论。CBR来源于人的认知心理活动:人们在面临一个新问题时,往往把以前使用过的与该问题类似的案例联系起来,运用过去解决该事例的经验和方法来解决当前问题。它可以较好地模拟专家的联想、直觉、类比、归纳、学习和记忆等思维过程,其核心思想是在进行问题求解时,使用以前求解类似问题的经验和获取的知识来推理,针对新旧情况的差异做相应的调整,从而得到新问题的解并形成新的案例加入到案例库中去,随着案例库的增长,系统的 “经验”将会越来越丰富。

CBR技术就是采用匹配的方法,找出与问题相似的案例,其理论基础是相似原理。案例推理的工作流程如图 1所示。

图1 案例推理的工作流程

首先对新问题进行特征描述,根据这些特征,从案例库中检索相似案例,比较旧案例与新问题的异同之外,对旧案例进行调整,从而获得新问题的解,案例推理关键关键技术如下:

(1)案例的表示与组织:如何抽取案例的特征变量,并以一定的结构在计算机中组织、存储。

(2)案例的索引与检索:如何确定最佳相似案例,如何定义新、旧问题的相似度。

(3)案例的调整:如何将根据旧案例得出新解。

(4)案例的学习:将新解增添到案例库中,扩充案例库中案例的种类与数量,进一步从案例知识中提取浅层规则知识或修改深层模型知识。

(二)贴近度

根据模糊集理论,我们可以用贴近度来计算两个案例之间相似度。贴近度表示两个模糊集的接近程度的度量,有公理化数学定义[6]。

定义:下述映射N称为贴近度:

设模糊集 A、B、C属于 F(X),则下述映射为贴近度:

N:F(X)×F(X)→[0,1],(A,B)|→N(A,B)

且满足条件:

N(A,A)=1,N(X,Φ )=0,N(A,B)=N(B,A),若 A,B,C∈F(X),满足 :|μA(x)-μC(x)|≥ |μA(x)-μB(x)|,∀ x∈X

则有:

N(A,C)≤N(A,B)

三、资源需求模型构建

(一)资源需求的影响因素确定

(二)模型的建立

1.模糊化处理

为了使各个案例的属性在统一的量纲上,对案例库中的案例进行模糊化处理,案例 Ci对特征因素 fj(j=1,2,…,m)的隶属度记为μCi(fj),则案例库中案例 Ci对应的特征向量集为:

2.利用 Hebb学习规则确定属性权值

神经网络中大部分前馈网络都是学习网络,它们的分类能力和模式识别能力一般都强于反馈网络。因此在处理非常规突发事件时,我们采用前馈网络,利用 Hebb学习规则(只适合前馈网络)对权值进行调整,把案例库中的每个案例作为一个神经元,根据 n个神经元之间的关系,来对权值进行训练。

学习信号等于神经元的输出,

权向量中,每个分量的调整由下式确定:

因此,调整后的权值为:ωij(t+1) =ωij(t) +Δ ωij

其中 f(x)为激活函数,激活函数可以为阶跃函数、线性函数、S型函数、高斯函数,但是一般采用 S型函数[7],

其中,η为学习率,一般取 1.由于用 Hebb学习规则进行训练后的权值和不等于 1,因此需要进行归一化处理,在本文中取权值向量的单位向量,然后对单位向量的每个值进行平方处理。

3.计算案例相似性

利用贴近度和权值,首先对资源需求中的每种需求,根据专家经验给出关系属性因素的重要性的权值,然后计算出非常规突发事件的特征因素与案例库中各案例特征因素的贴近度,根据我们的定义,贴近度即表示案例的相似度,在进行预测时,根据专家经验给定一个阈值τ,案例检索完成后,取超过相似度阈值的案例中的需求作为最终参考的需求预测结果。并且贴近度越大说明目标案例与案例库中的此案例越相似。

4.目标案例需求预测

根据给定的阈值,我们可以得到相近案例需求的集合:

d={d1,d2,…,dk},k=1,2,…,且 k≤n

根据得到的相似案例,利用多元回归模型[7]来对目标案例进行需求预测。

理论回归模型为:

将相似案例的数据输入,利用Matlab的多元线性回归函数进行计算,求得β的值,然后将预测案例的模糊属性值输入,得到资源需求值。

四、仿真实例

取预测某次地震发生后所需资源为例来进行仿真。假设案例库中地震相关方面的案例有三个,即 C= {C1,C2,C3},从地震突发事件中抽取出与资源需求关系最为密切的 5各属性值即 F={震级大小,地震持续时间,地震波及范围,震区人口密度,震区建筑设施状况},从地震突发事件中抽取出与资源需求关系最为密切的 5各属性值即 F={震级大小,地震持续时间,地震波及范围,震区人口密度,震区建筑设施状况},对案例进行模糊化处理为:

确定权值,按照资源的分类,不同的资源与不同属性的关系不同,因此对应的权值也不同。因此针对将三类资源进行分开预测。本文中只对其中一种资源进行仿真,其它类的算法与本例相同。假设预测的资源为物力资源,假设根据专家经验给出的权值为ω={0.3,0.1,0.2,0.3,0.1},利用神经网络的 Hebb学习规则对权值进行调整,ωij(t+1)=ωij(t) +Δ ωij,经过训练得出权值为:

ω={0.275,0.186,0.211,0.181,0.147}

计算目标案例与案例库中的案例的相似度,即贴近度:

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

NL(T,C3) =0.56375。

根据专家经验给出的阈值为 0.55,因此相似案例为 2,3。假设案例 2,3的物力资源需求分别为 20万单位,25万单位。根据多元回归理论,

利用Matlab的回归函数,解得多元回归方程为:y=15+12.5x3,因此目标案例的物力资源需求为 D=23.75万单位。本例给出的案例个数较少,规律表现的不是很明显,当有大量案例输入时,相关性比较显著。

五、结束语

CBR已被应用到许多领域,本文建立了模糊集理论和神经网络与之相结合的非常规突发事件中资源需求预测的模型,该模型简明、快速、准确。本模型为非常规突发事件资源需求预测提供了一种快速有效的方法,对于准确把握应急资源需求以及对于高效、妥善处置非常规突发事件是至关重要的。

[1]林建新,韦献兰,吴海燕,等.基于 S-曲线的时变交通应急疏散需求预测 [J].交通信息与安全,2009,27(3):92-96.

[2]郭瑞鹏,应急物资动员决策的方法与模型研究 [D].北京理工大学,2006.

[3]傅志妍,陈坚.灾害应急物资需求预测模型研究 [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]张颖,刘艳秋.软计算方法 [M].北京:科学出版社,2002.

[7]郑小平,高金吉,刘梦婷.事故预测理论与方法 [M].北京:清华大学出版社,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

教育部人文社会科学基金一般项目 (09YJA630021);江苏省自然科学基金一般项目 (BK2009290);江苏省交通科学研究计划项目 (09R12);江苏省软科学基金一般项目 (SBR20090383)

王 晓 (1987—),女,山东潍坊人,硕士研究生,研究方向:系统工程;

庄亚明 (1964—),男,江苏宜兴人,经济管理学院副教授,研究方向:产业组织理论。

[责任编辑:程 靖 ]