基于小波神经网络的海上突发事件应急资源动态需求预测

张文芬， 杨家其

(武汉理工大学 交通学院，湖北 武汉 430063)



基于小波神经网络的海上突发事件应急资源动态需求预测

张文芬， 杨家其

(武汉理工大学 交通学院，湖北 武汉 430063)

近年来海洋综合开发势头迅猛,海上船舶运输业的发展迅速，然而在创造可观的经济效益和社会效益的同时，海上险情事故频发，应急资源需求复杂多变。本文尝试将小波理论应用于海上应急管理领域，运用小波神经网络模型预测未来周期内的海域险情事故数。在海域险情事故预测的基础上，结合应急资源种类、海域的风险程度等影响因素，引入平均风险月度系数，构建了海上突发事件应急资源动态需求概念模型，间接预测应急资源需求，并提出部分可替代应急资源需求的预测思路。并以山东海事辖区为例，验证了该方法的有效性和可行性。

交通运输规划与管理；动态需求；小波神经网络；应急资源；预测

0 引言

海上突发事件远离陆地、救援困难、发展迅速，海上应急救援就是与时间赛跑的过程，若是待海上突发事件发生后再组织应急资源至储备库，并从储备库调运至受灾海域，会严重阻碍救援工作。再考虑实际救援的情形，海上突发事件一旦发生，船员的重点在采取有效的措施控制事态的恶化，控制次生灾害的发生，且由于海洋气候环境多变，水域情况复杂，处置信息不明确，受灾程度无法准确估计，在较短时间内应急资源需求也难以确定。因此，海上突发事件应急资源储备库的应急资源应该提前储备。

海上突发事件应急资源是海上突发事件应急管理的物资基础，应急救援的前提。国内外专家学者在突发事件应急资源需求分类分级、应急资源需求的影响因素分析、应急资源需求的相关性与替代性和动态需求预测方面进行了大量研究。在突发事件应急资源需求分类分级方面：张永领[1]以应急救援的各个阶段的和应急资源的种类为基础梳理了应急资源的需求结构；Jiuh-Biing Sheu[2]采用聚类分析对不同区域的救援需求进行分组，然后采用多目标决策对各组需求进行排序；王婧、王海军[3]等运用模糊综合评价法对应急物资需求紧迫性进行分级研究；乔洪波[4]在应急物资分类的基础上，构建了应急需求分级评价指标体系，通过模糊综合评价法得到了应急物资的需求等级；程序芳[5]为解决应急物资要求较高但是运输资源相对有限的矛盾，建立基于应急物资需求分级的运输模式。

在应急资源需求的影响因素分析方面：P.Fiorucci[6]引入火灾传播动力学模型，从损失成本、资源的不兼容代价、转移成本等方面探讨了对应急资源需求的影响；F.Fiedrich[7]分析了地震后应急资源的在不同救援地点的失效情形，分析影响应急资源需求的间接因素；郭晓光、张晓东[8]指出应急资源的需求还受受灾地区的分布、自然灾害的种类影响。

应急资源需求的相关性与替代性方面：秦军昌、王刊良[9]分析响应期与恢复期物资需求的关系，考虑需求部分替代性的特点，建立了纵向一体化的资源库存模型；孙浩、达庆利[10]通过将需求相关系数对系统利润进行灵敏度分析，得到产品的单向替代和预测更新均可提高系统的总利润；李娟[11]指出当两期不确定性需求相关时，决策者偏好于获得不确定需求信息的更新，慕银平[12]研究了需求单向替代的情形，考虑替代成本、生产转换成本、库存成本建立了最优预测时阈的动态批量决策模型。

在应急资源需求预测方面：钱枫林[13]运用BP神经网络法预测地震中的死亡人数，从而能够间接预测应急资源的需求量；丁浩，石昊栋[14]采用案例推理模型对海上突发事件应急资源需求进行预测；Bingzhen Sun[15]采用模糊粗糙集理论对应急资源需求进行预测；陈超运用物资需求概念模型计算出灾后应急物资需求总量，并采用受灾区与储备点的吸引力指数模型进行各储备点的需求分配；黄钢[16]采用Logistic模型预测非常规突发事件应急血液需求总量，采用马尔科夫概率矩阵预测出状态转移变化的概率进而得到预测值，根据反馈信息更新建模数据；Moshe Ben-Akiva[17]通过分解需求、供给、供求之间的相互作用，提出了动态的出行预测模型；P.M. Cain[18]建立了动态需求的系统方法，以品牌市场占有率的时间序列为基础数据，对品牌份额进行预测；Dimitrios Vlachos[19]考虑经济和环境因素，以及制造业供应链的诸多影响因素，制定了长期的动态需求计划。

从文献综述可以看出，现有研究多从应急资源自身特性和历史消耗状况出发，分析应急资源需求，但海上突发事件数据库中很少涉及应急资源的需求信息，主要统计海上险情信息，包括险情次数、等级、人员财产损失，直接通过往年的需求数据预测未来周期内的需求情况不切实际。因此，本文考虑从海上突发事件的角度进行间接的应急资源需求预测。由于海上突发事件具有突发性和混沌性，海上突发事件确切发生的时间、地点、实际规模、具体形态和影响深度无法准确预测的，只能根据历年海上险情事故统计数据，对海上突发事件的险情规律进行总体把握，结合应急资源需求的其他影响因素，间接预测应急资源需求，制定未来周期内有针对性的应急资源需求计划。

1 海上突发事件应急资源动态需求分析

影响海上突发事件应急资源动态需求的因素有很多，主要有风险频次与等级，应急资源的种类，季节与海洋气候环境，海域的综合风险程度。

(1)风险频次与等级

应急资源动态需求与海域风险频次和等级有关，海域风险发生的频次越高，风险等级越高，需要投入到应急救援中的应急资源就较多，在单位周期内应急资源需求量也越大。

(2)应急资源的种类

应急资源动态需求与应急资源的种类有关，不同种类的应急资源在救援中所需的数量是各不相同的，根据海上突发件应急资源消耗的特征，可以将应急资源分为可重复使用的应急资源和一次性消耗的应急资源两大类。可重复使用的应急资源包括救助船舶、飞机、打捞浮筒、航标等；一次性消耗的应急资源包括消油剂、围油栏、灭火器等。在一定周期内，每次海上险情事故的发生都将消耗一定数量的一次性消耗的应急资源，由于一次性消耗资源不可再生，一旦开始调用、消耗需及时补充，因此，一次性消耗的应急资源需求量较大。

(3)季节与海洋气候环境

应急资源的动态需求与海上险情事故发生的季节和所处的海域气候环境有关，一般而言处于大风大浪高发的季节，海况越恶劣，海洋气候环境越复杂，海上险情事故救援就越困难，投入的应急资源消耗越大，应急资源需求量也越高。

(4)海域的综合风险程度

海上突发事件发生在不同的海域，风险事故所造成的影响程度也是有差异的。一般而言，海域的综合风险程度越高，风险事故的应急资源需求量就越大。例如，相同等级的火灾风险事故，若是发生在风险程度较低海域，则进行救援处理较为简单；若是发生在交通流量密集、危险品运输量偏大的海域，不仅使附近船舶安全受牵连，甚至会引发次生灾害，使得救援的难度加大，应急资源的需求量增多。

2 海上突发事件应急资源动态需求预测

2.1 基于小波神经网络的海域风险预测

小波神经网络是20世纪90年代由法国著名的信息科学研究机构IRISA的Zhang Qinghua[20]和Benveniste[21]提出，被广泛应用于许多领域，包括信号处理、语音识别、故障分析，近年来在短时交通流预测、电量和水库来水量预测、能源需求、物流成本分析[22～25]等领域也逐渐涉及。小波神经网络的核心就是将小波基函数取代BP神经网络隐含层节点的传递Sigmoid函数，能够根据非线性时间序列特点实现自适应优化模型结构，无需受人为因素的影响主观确定神经网络的层数和神经元个数，避免结构设计的盲目性和局部最优，这种基于伸缩和平移因子构成标准正交基能够较好地逼近历史数据序列，拟合精度较高。

近年的海上突发事件统计资料显示海域风险的发生具有不确定性，但呈现季节波动规律。针对这种特征的时间序列，小波神经网络融合了小波变换理论与人工神经网络思想，既能兼顾预测对象波动特征又具有较好的容错性和自适应性，用于海域风险的预测具有较好的预测效果，是一种有效可行的新方法。

图1 小波神经网络结构图

小波神经网络结构如图1所示，包含三层结构：输入层、隐含层、输出层。图中X1、X2、…Xm是输入元素；Y1、Y2、…Yn为输出值；ωik(i=1,2,…,m;k=1,2,…,l)表示输入层到隐含层神经元的权重系数；ωkj(j=1,2,…,n)表示隐含层神经元到输出层的权重系数。y(x)为隐含层的小波基函数，通常采用Morlet母小波函数，即y(x)=cos(1.75x)e-x2/2。

则可得到隐含层第k个节点输出如式1所示，输出层第j个节点的输出如式2所示：

(1)

(2)

小波神经网络把预测值的均方差函数作为目标函数，采用共轭梯度法优化参数ωik，ωkj，ak、bk，使得预测输出不断接近期望输出，可采用Matlab7.0软件进行编程，得到预测结果。

2.2 海域综合风险程度的测算

海域安全管理通常是按照海事局的管辖范围进行划分，由于各海事机构管辖范围大小不同，为统一风险因素的度量标准，可采用当量法，将实际风险因素值转化为标准面积的当量风险因素值(标准面积为5万平方米)，即当量风险因素值为实际风险因素值与面积转化系数的乘积，其中面积转化系数为标准面积与实际面积的比值。

2006年交通部综合规划司颁布的《海事船舶配备管理规定》中提出了沿海直属机构辖区水域风险测算方法和标准，本文将辖区水域风险程度的测算值作为海域综合风险值，海域综合风险因素表如表1所示。

表1 海域综合风险程度测算表

海域的综合风险程度(R)为各当量风险因素值(Ri)与当量风险因素门限值(Ki)比值的算术平均值，如公式3所示，其中下标i(i=1、2,…,6)表示风险因素的序号；为消除偶发因素的影响，取第i个当量近三年风险因素平均值作为Ri。海域综合风险值越大表明该海域的风险越高。

(3)

2.3 应急资源的月度系数

应急资源的月度系数反映了应急资源需求程度与时间的关系，系数越高说明应急资源的投入量越大。我国海域海洋环境气候季节差异较大，以渤海海域为例，恶劣的气象和海况集中在3～5月和10～12月，其中3～5月海域多雾、大风、雨，10～12月海域寒潮大风、冰雪，在此期间海上救援相对困难，应急资源的救援效用较其它月份低，因此应急资源季节系数较高。根据近年来海上险情救援经验和应急资源需求规律的统计，将几种主要应急资源的月度系数确定如表2所示。

表2 应急资源的月度系数表

3 海上突发事件应急资源动态需求预测的概念模型建立

聂高众[26]、方伟[27]、庞海云[28]考虑事故的伤亡人数、地区系数等因素，建立了应急资源需求的概念模型，从而间接计算应急资源的需求。本节借鉴这一思路，根据海域风险预测数、海域风险程度、气候环境等因素，建立海上突发事件应急资源动态需求预测的概念模型，如公式(4)所示。

DM=F×R×QM×SM

(4)

公式(4)中，DM表示单位时间周期内应急资源M的需求量；F表示单位周期内海域风险预测次数与平均风险次数的比值；QM为应急资源需求系数表示应急资源M标准风险需求量；R表示海域的综合风险程度；SM表示应急资源M的平均风险月度系数。

4 实例分析

为验证动态需求预测模型的有效性，本文以山东海事辖区为例，对海上突发事件应急资源的动态需求进行预测。山东海事局辖区海域为山东省行政辖区所属，横跨渤海和黄海两大海域，海岸线全长3345公里，占全国1/6的海岸线，山东海事辖区海域面积为15.95万平方公里，海洋资源丰富、海洋经济潜力巨大，主要航路包括成山头水域和长山水道，近五年船舶交通流量在持续增长后基本维持在高位，沿海港口24处，是我国港口最密集的区域之一，其中青岛港(主航道全长47km)、日照港、烟台港为三个亿吨大港，共有威海港、潍坊港、东营港、滨州港等700吨以上港口7个。

4.1 基于小波神经网络的海域风险预测

2009年1月至2014年5月(共65个月)山东海事局辖区的海上风险事故数统计情况如表3所示，平均风险次数为14次/月。本文将山东海事辖区的65项风险事故数作为基础数据，运用小波神经网络模型，预测未来一年时间内(12个月)的风险次数。

表3 山东海事局辖区的海上风险事故数统计

经过反复试算，在进行小波神经网络预测时，采用迭代预测的效果最好，即由前3个月的险情事故数来预测第4个月的险情事故数，运用matlab7.0编写程序，取最大迭代次数为100，学习速率为0.001。选取2009年1月-2013年5月的53个险情数据作为训练样本，对小波神经网络进行训练，确定网络模型中的节点和参数，小波神经网络训练拟合图如图2，网络预测值与实际值的拟合度较高，训练效果较好；再将2013年6月-2014年5月的12个险情数据作为检验样本，检验预测结果与实际结果的误差，如图3所示，绝对误差的累计值在合理的范围内并逐渐变小，模型检验效果较好。可见采用前3个月的险情事故数来预测第4个月的险情事故数时行之有效的，将2014年3月-2014年5月的三个风险数据作为输入预测得到2014年6月的风险数据，再将预测得到的数据作为输入预测下一个月的风险数据，依次类推。采用这种用迭代预测的思想进行预测时，预测的时间不宜过长，可根据实际数据的可得性，不断更新和充实数据库，更好的训练网络，提高未来时间内预测的精度。基于此，本文将运用小波神经网络模型预测未来一年的风险数据。2014年6月-2015年5月(共12个月)险情事故数如表4所示，预测期内3、5月和9、10、11月份为海上险情事故的高发时期，平均风险次数为16次/月。

表4 风险事故数预测表

图2 小波神经网络拟合图 图3 小波神经网络检验图

4.2 平均风险月度系数的测算

平均风险月度系数为月度风险事故数与月度系数的加权平均值，是综合考虑和风险次数和月度系数影响的指标，也是动态需求影响因素的集中体现。结合海上突发事件应急资源的月度系数表2和山东海事辖区风险事故预测表4，易得该辖区在未来一年的预测期(2014年3月～2015年2月)内的平均风险月度系数为：

=1.19

4.3 海域风险程度的计算

据山东海事年鉴、山东海事局水上通航安全形势分析报告，分析2011年-2013年辖区船舶交通流量、大、重大事故次数、遇险人数、货物吞吐量、船舶载运危险货物运输量、旅客吞吐量统计情况，并计算出各风险因素的平均值和当量风险值，得到山东海事辖区风险因素统计表如表5所示。其中，计算当量风险值是采用本文2.2部分提出的当量法，由于山东海事辖区海域面积为15.95万平方公里，标准海域面积为5万平方公里，可得到面积转化系数为5/15.95=0.3135，结合这一面积转化系数，将风险因素的平均值转化为当量风险值。将表1中的当量风险门限值和表5中的当量风险值带入到公式3中，可得到山东海域综合风险值为：

表5 山东海事辖区风险因素统计表

4.4 应急资源需求系数

应急资源需求系数为标准风险条件下应急资源的配置数量。首先依据海上应急救援的相关规定，分析标准风险条件下山东海事辖区配备的海上巡逻船和消油剂的配备要求。

(1)海事巡逻船的标准配备

依据《海事船舶配备管理规定》关于海上巡逻船配置标准，将巡逻船划分为60米级巡逻船、40米级巡逻船、30和20米级巡逻船三种类型，其中60米级巡逻船是28000平方千米配置一艘的标准；40米级巡逻船的配置标准为40米级巡逻船数量=(7+重要进港航道长度)/35+700万吨岛屿港口(区)数量；30和20米级巡逻船配置数量为港口数量的两倍。结合山东海事辖区的概况，可计算出在标准风险条件下，山东海事辖区需配备的60米级巡逻船为57艘，40米级巡逻船为21艘，30和20米级巡逻船48艘。

(2)消油剂标准配备

山东海事辖区从事危险货物作业的码头或泊位有153个，专门从事油类作业的码头或泊位98个，其靠泊能力从1000吨到30万吨级不等，5000吨以下的油码头占81%，青岛港拥有30万吨和20万吨级级原油码头各一座，日照港拥有10万吨级和30万吨级原油码头各一座。依据交通行业标准JT/T451-2009《港口码头溢油应急设备配备要求》中的海港码头溢油应急设备配备标准如表6所示，易计算得到山东海事辖区应该配置192.5吨消油剂。

表6 海港码头溢油应急设备配备标准

4.5 山东海事辖区海上突发事件应急资源动态需求预测

由于海上突发事件应急资源的种类繁多，需求预测原理大致相同，本文仅以两类典型的海上突发事件应急资源，即海事巡逻船和消油剂为例，探讨海上突发事件应急资源的动态需求预测规律。在4.4部分中已经计算得到了标准风险条件下应急资源需求系数，本部分综合考虑山东海事辖区海域的风险程度，并结合海域风险波动情况和不同种类应急资源的月度系数，实现应急资源需求的动态预测。依据海上突发事件应急资源动态需求预测的概念模型，令预测周期为一年，可得到概念模型中的各参数的值为F=16/14=1.14；R=1.71；SM=1.19。将各参数值带入到公式3-4中，结合应急资源的需求系数得到山东海事辖区海事巡逻船的需求为：

60米巡逻船的需求数量为D60m=1.14×1.71×57×1.19=132艘 40米巡逻船的需求数量为D40m=1.14×1.71×21×1.19=49艘 30米和20米巡逻船的需求数量为D30m=1.14×1.71×48×1.19=111艘

山东海事辖区消油剂的需求为D消油剂=1.14×1.71×192.5×1.19=447吨。

依据上述需求预测模型可将各类应急资源需求量逐一算出，然而在实际的海上突发事件救援活动中，由于存在不平衡的需求替代关系，各类应急资源并非独立储备和调用。海上突发事件应急资源可分为专业应急资源和常规应急资源，专业应急资源有特定用途，通用性较差，资源需求替代性不明显，可独立进行储备和调用；常规应急资源需求中单向替代和双向替代性具有普遍性，例如围油栏储备不足时可增调消油剂来降低油污污染达到救援的效果。综合考虑应急资源需求的替代成本、储存和转化成本以及需求替代性的强弱可确定出各类常规应急资源的需求替代系数，某类应急资源的需求替代系数越大，相应的资源储备量也越大，尤其是在本文研究的动态需求情形下，替代性的价值随着需求的不确定性而增加，一方面能减少资金的暂用情况，另一方面还有助于提高应急救援的综合服务水平。

5 结论与展望

由于海上险情事故具有不确定性和动态波动的特点，本文尝试将小波理论应用于海上应急管理领域，运用小波神经网络模型预测未来周期内的险情事故次数，且预测效果较好。考虑海域风险动态变化的特点，并结合应急资源种类、海域的风险程度等影响因素，引入平均风险月度系数，构建了海上突发事件应急资源动态需求概念模型，间接预测应急资源需求，并提出部分可替代应急资源需求的预测思路。并以山东海事辖区为例，预测未来一年海上突发事件两类有代表性的应急资源动态需求状况，验证了该方法的可行性。

需要说明的是，在运用小波神经网络进行险情事故预测时，若能收集到更多的历年险情统计数据，模型的拟合效果将越好，预测结果精度将越高；在确定应急资源需求系数时，若能尽量缩小海域范围(如按照海事处的口径统计)，港口、航道、码头的数据更为准确，按照交通行业计算的应急资源需求系数则会越规范，从而降低应急资源动态需求预测的误差；在进行各类应急资源需求预测时，若引入需求替代系数并考虑最大替代数量计算出具体的需求量将更加符合海上突发事件应急救援的实际，可作为下一阶段研究的方向。

[1] 张永领.突发事件应急资源的需求结构研究[J].灾害学,2010,25(4):127-132.

[2] Sheu J B. Dynamic relief-demand management for emergency logistics operations under large-scale disasters[J]. Transportation Research Part E, 2010, (46): 1-17.

[3] 王婧,王海军.应急救援中应急物资需求紧迫性分级研究[J].计算机工程与应用,2013,49(5):4-7.

[4] 乔洪波.应急物资需求分类及需求量研究[D].北京:北京交通大学硕士学位论文,2009.19-35.

[5] 程序芳.不确定条件下应急资源供给和配置研究[D].上海:上海交通大学硕士学位论文,2010.25-33.

[6] P.Fiorucci F, Gaetani, Minciardi R. Real time optimal resource allocation in natural hazard management[C].IEMSS 2004.

[7] F.Fiedrich Gehbauer F, Rickers U. Optimized resource allocation for emergency response after earthquake disasters[J]. Safety Science, 2000, 35: 41-57.

[8] 郭晓光,张晓东.基于随机需求的应急物资库存量模型研究[J].北京交通大学学报(社会科学版)，2012.11(3):68-73.

[9] 秦军昌,王刊良.一个跨期应急物资库存模型及其解析仿真求解算法[J].运筹与管理,2008,17(4):45 -51.

[10] 孙浩,达庆利.随机环境下考虑需求替代的闭环供应链决策模型[J].计算机集成制造系统,2011,17(10):2238-2247.

[11] 李娟,黄培清,顾 锋.两期不确定性需求下的供应链供需博弈[J].管理工程学报,2009, 23(1):99-103.

[12] 慕银平.需求替代的两产品动态批量最优预测时阈研究[J].管理科学学报,2011,14(3):10-23.

[13] 钱枫林,崔健.BP神经网络模型在应急需求预测中的应用——以地震伤亡人数预测为例[J].中国安全科学学报,2013,23(4):20-25.

[14] 丁浩,石昊栋.基于案例推理的我国石油企业海外突发事件应急物资需求预测[J].中国安全生产科学技术,2013,9(9):177-182.

[15] Bingzhen Sun, Weimin Ma, Haiyan Zhao. A fuzzy rough set approach to emergency material demand prediction over two universes[J]. Applied Mathematical Modelling, 2013, 37(10): 7062-7070.

[16] 黄钢.非常规突发事件应急血液保障特性和需求预测模型的研究[D].成都:西南交通大学硕士学位论文,2012.24-31.

[17] Moshe Ben-Akiva1, Jon Bottom, Song Gao, Haris NKoutsopoulos, Yang Wen. Towards Disaggregate Dynamic Travel Forecasting Models[J]. Tsinghua Science Aan Technology, 2007,12(2): 115-130.

[18] Cain P M. Modelling and forecasting brand share: a dynamic demand system approach[J]. International Journal of Research in Marketing, 2005, (12): 203-220.

[19] Dimitrios Vlachos, Patroklos Georgiadis, Eleftherios Iakovou. A system dynamics model for dynamic capacity planning of remanufacturing in closed-loop supply chains[J]. Computers & Operations Research, 2007, (34): 367-394.

[20] Zhang Q H, Benveniste A. Wavelet network[J]. IEEE Trans on Neural Network, 1992, 3(6): 889- 898.

[21] Baskshi B R. Step phanopoulous wavelet-net: a multi-resolution hierarchical neural network with localization learning[J]. American Institute Chemical Engineering Journal, 1993, 39(1): 57- 81.

[22] 朱顺应,王红,向红艳.交通流参数及交通事件动态预测方法[M].南京:东南大学出版社,2008.81- 87.

[23] 牛东晓,邢棉.时间序列的小波神经网络预测模型的研究[J].系统工程理论与实践,1999,(5):89-92.

[24] 张伟,王聪聪,马文丽,徐英.基于小波神经网络的水库来水量预测模型[J].三峡大学学报(自然科学版),2011,33(1):9-12.

[25] 王钰,鲍勤.基于小波神经网络的中国能源需求预测模型[J]. 系统科学与数学, 2009,29(11):1542-1551.

[26] 聂高众,高建国,苏桂武,王建明.地震应急救助需求的模型化处理[J].资源科学,2001,23(1):69-76.

[27] 方伟.突发事件应急资源需求模型分析[J].廊坊师范学院学报(自然科学版),2012,12( 4):24-26.

[28] 庞海云.突发性灾害事件下应急物资分配决策优化过程研究[D].浙江:浙江大学,博士学位论文,2012.69-72.

Dynamic Demand Forecast of Maritime Emergency Response Resources Based on Wavelet Neural Network

ZHANG Wen-fen, YANG Jia-qi

(TransportationSchool,WuhanUniversityofTechnology,Wuhan430063,China)

For the past few, ocean exploitation and maritime industry have developed rapidly, creating considerable economic and social benefits. Maritime accidents are frequent, and emergency resource demand is complex. This paper attempts to apply wavelet theory into maritime emergency management, predicting the number of maritime accidents in the future in the use of wavelet neural network (WNN) model. Based on the prediction of marine accidents, combined with factors ,such as the type of emergency resources ,the degree of waters risk and monthly average risk factor, the dynamic demand forecast model of emergency resource is built predicting the requirements indirectly. At last, the paper takes the Shandong maritime jurisdiction as example to verify the effectiveness and feasibility of the method.

WNN; emergency resources; dynamic demand; forecast

2014- 05-21

国家自然基金资助项目(51279153);三峡库区水上突发事件应急资源配置鲁棒优化研究；国家交通部科技项目(2012-329-811-130)：海上突发事件应急资源配置优化模型与仿真研究

张文芬(1987-)，女，湖北武汉人，博士研究生，研究方向：应急管理；杨家其(1964-)，男，湖北鄂州人，教授，博士生导师，研究方向：运输安全、应急物流。

F252.21

A

1007-3221(2015)04- 0198- 08