面向突发事件应急决策的情景建模方法

张 磊,王延章,陈雪龙,王 宁

(大连理工大学信息与决策技术研究所,辽宁大连116024)

1 引 言

非常规突发事件是指前兆不充分,具有明显复杂性特征和潜在次生衍生危害,破坏性严重,采用常规的管理方式难以应对处置的突发事件,其应急管理是一个开放的复杂巨系统,具有多主体、多因素和多尺度及多变性的特征,决策者需依据事件实时情形做出科学地应对[1,2].传统的“预测—应对”决策范式难以应对处置,必须采用“情景—应对”型决策范式.而情景是决策者进行决策应对的依据和基础,因此,如何对非常规突发事件的情景进行建模成为“情景—应对”理论研究的重要内容之一.

非常规突发事件情景是人类对事件与外界环境以及事件之间作用影响关系的描述,具有系统性特征.情景可以通过深入分析情景的要素进行更细致的刻画[3].王等[4]将情景的结构要素分为致灾因子、承灾体和孕灾环境,陈等[5]在此基础上将突发事件的应急活动加入情景表示中,运用分层递阶结构对情景的要素进行层次划分并构建了情景的层次表示模型.情景是决策者应对非常规突发事件时所面临的真实情况,仲等人[6]以承灾体为例探讨了情景模型实体化的约束问题,解决了情景生成过程中数据不合理以及缺失补偿的问题,对非常规突发事件的真实情景的模拟仿真奠定了基础.

情景随着时间不断变化,情景按照事件发展规律和外界干扰下产生新的情景的过程称为情景的演变[7].Yang等[8]将情景演化的过程划分初始情景向中间情景演化和中间情景向发展情景演化两个阶段.分析情景的演化过程就是结合定量分析方法和定性分析方法分析推演情景的要素在未来可能处于的状态[9].针对非常规突发事件演变不确定性以及应对复杂性等特征,李等[10]基于突发事件的结构化描述框架和相关案例分析将突发事件的发展演化方式总结为四种：直链式演化方式、发散式演化方式、集中式演化方式和循环式演化方式.Durak等[11]从模型驱动工程角度出发,将情景演化的过程理解成一系列的模型变换过程;Ahmed等[12]从知识工程视角出发,将情景演化的过程看作是知识、模型、数据的综合集成过程;盛等[13]从系统复杂性、开放式预先设想以及序贯性三个角度综合分析情景的演化机理,构建了突发事件情景演化系统模型.上述研究从不同角度对非常规突发事件的情景模型研究提供了很好的基础和思路,但其主要侧重从宏观角度定性地分析非常规突发事件的情景及其演化过程,缺乏数据支撑的定量分析模型,难以满足决策者实时把握情景的需求.为了解决该问题,国内外学者尝试将一些定量分析方法集成到情景模型的研究中.如刘等[14]将社会演化理论与病毒传播的自然机理融合起来,利用演化博弈理论仿真不同情景下疫情的传播过程;Abdalla等[15]基于WebGIS提出了一种情景模型的构建方法,实现了对洪水灾害的演化模拟;杨等[16]结合SOC(Self-Organized Criticality)模型和多Agent仿真技术构建了特大森林火灾事故的情景推演模型;Dettinger等[17]设计了暴风雨的情景模型,利用WRF(Weather Research and Forecasting)模拟仿真了情景的演化过程.杨等[18]基于GERT(Graphical Evaluation Review Technique)网络构建了非常规突发事件的情景推演模型,解决了情景推演中的共力耦合问题.夏等[19]在贝叶斯网络模型上加入时间因素,构建了情景推演的动态贝叶斯网络模型;文献[20]在对事件情景要素构成和情景对事件演变作用的分析基础上,构建了由情景要素属性状态识别到事件演变描述的概率规则,为构建突发事件链提供可能.

上述文献运用不同理论方法建立了非常规突发事件情景演化的定量分析模型,更好的揭示和描述了情景的演化过程,但大部分仅适应用于单一领域事件(如洪水)的演化或某一具体问题分析(如耦合),而且建立的模型较为单一,对其他类型突发事件不具有普适性.此外,情景表示是情景模型构建与推演分析的重要基础,而上述对情景表示的研究大部分集中在情景要素的描述上,缺乏对情景要素间的关联关系的分析,尤其是从较微观层面对要素间关系的深入分析更是少之更少.因此,本文通过弱化事件的概念和强化元素状态变化过程作为事件存在物质基础的观点,从相对微观层面刻画非常规突发事件的情景,构建一种能够综合诠释非常规突发事件的情景知识表示模型,解决应急管理跨学科、跨领域的知识综合诠释问题,摆脱对已知事件(链)经验性知识的依赖,进而提升模型的灵活性和对非常规突发事件的适应性.

非常规突发事件情景是一个涉及自然、生态、社会和心理等变化万千、混沌百态的要素的复杂系统,人们对情景即将发生什么样的状态以及其出现的可能性和危害程度等问题缺乏足够的了解和认识.因此,对情景的建模既要能够描述情景中事件与事件、事件与环境间的内在关联模式,也要能够解决不确定情况下的推演问题.本文运用系统科学理论从微观视角分析非常规突发事件的情景要素构成及要素间复杂的关联关系,提出情景的知识表示模型作为情景建模的知识支撑,解决非常规突发事件应急管理跨学科、跨领域的交叉融合问题;在此基础上,构建适用于非常规突发事件情景表示与推演的贝叶斯网络模型,利用贝叶斯网络推理对情景的状态及其可能性进行预测分析,解决非常规突发事件情景在不确定情况下无法推演分析的不足问题;最后,通过舟曲泥石流灾害事件验证本文提出模型的可行性与有效性.

2 非常规突发事件情景表示

2.1 情景概念

自2008年国家自然科学基金委员会启动“非常规突发事件应急管理研究”重大研究计划后,国内一些学者对情景的概念和内涵进行了深入的探讨.目前,虽然对情景概念有着某些共识的成分,但远未达成共识.文献[21]对国内情景概念的研究进行总结、提炼和分类,并根据应急管理的现实需求,将情景分为与突发事件应急预案有关的“聚类型”情景和与非常规突发事件应急决策有关的“决策型”情景.本文研究情景是为突发事件应对决策提供依据和支持的,因此采用其“决策型”情景的概念,认为非常规突发事件的情景是“景况和情势的结合”,是一种决策主体所面对的主观与客观相融合、静态与动态相交织、广义与狭义相结合的事件发生发展的“景况”和“情势”[21].

情景的“景况”是对情景当前状态客观、静态地描述,由事件自身发展以及发展过程中外界干扰所共同决定的.情景的状态通过情景中要素来体现,情景要素分为致灾因子、孕灾环境和承灾体[4].致灾因子表示对事件发生和发展起推动作用的直接致灾因素,具体分为自然致灾因子和人为致灾因子;承灾体是各种致灾因子作用的对象;孕灾环境指灾害发生发展时所处的环境因素的集合,包含自然环境和社会环境.情景的“情势”是对“景况”未来发展趋势的分析,主要通过要素间的因果关系进行分析.为了使我们的研究更有意义,本文研究的情景指非常规突发事件相对稳定时的状态,事件在相邻两个状态间保持稳定或变化不明显可以忽略不考虑.

2.2 情景知识表示模型

合理的知识表示方法不仅可以使决策者从更深层次地去认知事件,还能够通过良好的逻辑推理规则进行演化分析.当前使用较多的谓词逻辑表示法、产生式表示法、框架表示法、语义网络表示法、面向对象表示法和基于本体的知识表示法等数种表示方法在相关领域的理论和应用研究都有较大的成果,但也存在一些不足[22].虽然一些学者使用复合的表示方法来弥补不足,但其研究仍主要面向某一特定学科或领域,难以满足跨学科、跨领域的交叉融合需求.其中,基于本体或范畴论的方法虽然一定程度上解决了跨领域、跨学科知识综合诠释问题,但概念间关系的显性描述工作量巨大,会造成推理不完备的隐患[23].

非常规突发事件情景要素繁多且结构复杂,需要多学科、多领域的知识予以支撑.陈等[23]借鉴本体论思想,在文献[24]提出的共性知识模型基础上,从非常规突发事件应急管理客观系统本原的角度构建了知识元模型,揭示了应急管理客观系统的个体要素运动行为及其综合联系机理与规律,解决了非常规突发事件应急管理跨学科、跨领域的知识融合和推理问题.结合情景概念和知识元模型,本文将情景表示为

其中S表示事件的情景;st={s,t}表示情景的时空属性,即情景当前时刻t和所考虑的空间区域s;K={K1,K2,K3}={ki|i=1,2,...,|K1|,|K1|+1,|K1|+2,...,|K1|+|K2|,|K1|+|K2|+1,|K1|+|K2|+2,...,|K1|+|K2|+|K3|}表示情景的要素集合,K1,K2,K3分别代表致灾因子、孕灾环境和承灾体的集合,|·|表示集合中元素的个数,ki表示情景的要素;R表示情景的结构—-情景中要素间的关系描述.

要素是构成情景的基本单元,对∀ki∈K用对象知识元模型描述为

其中Ni为要素的概念集,表示要素的属性集,Ri表示属性间的关系集合.Ii={iiα|1≤α≤|Ii|}为要素的输入属性集,表示影响要素状态的外部环境因素的集合(如影响泥石流形成的水源条件、地形条件等);Si={siβ|1≤β≤|Si|}为要素的状态属性集,用来描述情景演化过程中要素的状态(如泥石流的流速、容重等),特别地,sie∈{0,1}为ki的触发状态变量,是要素触发或没触发的标志(如泥石流的含沙量属性达到阈值,则泥石流的触发状态变量取值为1,表示形成泥石流,否则取值为0,表示未形成泥石流);Oi={oiγ|1≤γ≤|Oi|}为要素的输出属性集,表示要素对外界造成影响或破坏的因素集合(如泥石流的冲击力),三者间存在如下关系

其中F1表示要素的状态属性依赖于输入属性,F2表示要素是状态属性间存在相互作用关系,F3表示要素的状态属性决定其输出属性,为状态属性的子集,满足条件为属性关系集的子集.

联系是普遍存在的,正是由于要素间的相互作用关系才构成了情景的演化与发展.情景的结构R用关联矩阵描述为

其中rij∈{0,1}表示要素ki与kj间的关联关系,n为情景包含的要素个数.

若rij=1表示ki作用于或影响kj,二者之间的关系通过要素的属性间关系构建(如图1所示,图中大圆圈表示要素,小圆圈表示要素的属性,实线箭头表示属性间关系,空心箭头表示要素间ki影响kj,虚线箭头连接的属性表示两个要素所共有的属性,即Ij与Oi的交集),即要素ki的输出属性Oi与kj的输入属性Ij间存在关系：否则rij=0,表示ki与kj间无直接作用关系,即Ij∩Oi=∅.特别地,当i=j时,rij=1表示要素自身的影响,即要素自身的属性间关系.

图1 情景的要素间关系图Fig.1 The relationship of scenario element

3 基于情景表示的贝叶斯网络模型

情景的知识表示模型从事件本身、事件属性以及属性间关系三个角度给出了情景的结构化知识表示,对情景中要素构成及其联系机制进行了微观的刻画,为模型的构建提供了知识支撑.但在非常规突发事件情景推演中,由于事件发展的随机性和复杂性以及人类认知的不完全和不一致性,给情景推演分析带来了大量不确定性.而贝叶斯网络被广泛应用于不确定性问题的表示和推理,与其他不确定知识模型相比,具有图形化表示、因果关系清晰、可理解性强、支持不完全数据推理和不确定推理的特点[25].因此,本文运用贝叶斯网络来扩展情景知识表示模型中的不确定性表示和推理.

3.1 非常规突发事件情景模型的构建

结合知识元从领域特征和内在机理上可形成网络的特点[23]与贝叶斯网络的思想,构建情景的贝叶斯网络模型SN=＜V,E,P＞,其中V为网络中节点变量的集合;E为网络中有向边集合,表示节点之间的依赖关系,即因果关系;P为网络中节点间依赖关系的强度集合,即条件概率分布表的集合.

1)情景贝叶斯网络模型的变量表示

SN的变量集V=I∪S∪O,其中表示输入变量集,表示状态变量集,表示输出变量集,Ii为要素ki的输入属性集,Si为要素ki的状态属性集,Oi为要素ki的输出属性集,n为情景中要素的个数.特别地,对于∀vm∈I,若满足条件那么该输入变量的值由与其对应的输出变量的值决定.

网络模型的变量vk∈V代表情景中要素属性则变量vk用属性知识元模型描述为

其中pvk表示变量的可测特征(如可测量或可描述),dvk表示当变量可测时的测度量纲(如取值类型、取值区间等),fvk表示变量的变化规律(如时变性等).

2)情景贝叶斯网络模型的结构分析

贝叶斯网络中变量间的关系是对情景的结构关系进行刻画.变量vi和vj间的依赖关系eij:vi→vj用有序对＜vi,vj＞表示,那么

根据上节对情景模型的结构分析可知,情景中的结构关系主要分为要素自身内部的属性间关系和要素间的关联关系,即E={eij|i/=j}∪{eii},i,j∈N∗,其中eii表示要素自身内部的属性间依赖关系,eij表示要素间的依赖关系.

图2 情景演化结构关系图Fig.2 The structure relationship of scenario inference

一般地,要素属性间依赖关系主要分为一对一、一对多、多对一和多对多共4种结构关系.如图2所示,一对一结构关系是情景中要素的一个属性作用于另一个属性的结构(图2(a));一对多结构关系是情景中要素的一个属性作用于多个属性的结构(图2(b)),其可以分解为多个图2(a)所示的一对一关系;多对一结构关系是情景中多个属性作用于一个属性的结构(图2(c));多对多结构关系是情景中要素的多个属性作用于多个属性的结构(图2(d)),其可以分解为多个多对一关系.综上所述,属性间依赖关系均可分解为一对一和多对一两种基本结构关系,这种依赖关系用关系知识元模型描述为

其中Krj表示属性间关系rj的名称,prj描述关系的映射属性(如结构、隶属、线性、非线性、模糊、随机及具体的映射函数等),为关系的输入集,为关系的输出集,frj为映射函数,即

使用概率关系P={p(vi|πi)}描述变量间依赖关系frj,是对变量间依赖关系的一种可能性度量.特别地,概率值为0表示事件不可能发生,概率值为1表示事件一定会发生.其中0≤p(vi|πi)≤1表示vi的父节点集πi对vi的影响.那么,要素属性间依赖关系Kr可进一步描述为：

(i)一对一关系.设SN中变量vi和vj存在一对一结构关系,如图2(a)所示.则vi和vj间依赖关系表示为

其中p(vi),p(vj)分别表示变量vi和vj的状态的可能性,p(vj|vi)表示变量vj在变量vi已经发生条件下的发生概率.

(ii)多对一关系.设SN中变量v1,v2,...,vi-1作用于变量vi,如图2(c)所示.那么

其中p(v)={p(v1),p(v2),...,p(vi-1)}为关系输入集,p(vi|v1,v2,...,vi-1)表示变量vi在影响变量v1,v2,...,vi-1发生的条件下的发生概率,表示变量v1,v2,...,vi-1发生的联合概率,p(vk),k=1,2,...,i表示变量vk状态的可能性.

3.2 基于贝叶斯网络的情景推演

非常规突发事件的情景演化过程是情景中要素属性的状态不断变化的过程,即利用贝叶斯网络结构计算某些变量的取值及其可能性.根据上节构建的贝叶斯网络模型,以贝叶斯网络的部分已知的输入变量和状态变量为证据变量,由这些证据变量的集合构成证据集合,其余需要计算的状态变量和输出变量为目标变量,构成目标集合.然后运用贝叶斯网络推理方法进行推演.设情景中包含要素k1,k2,...,kn共n个,其中要素ki为致灾因子,推演步骤如下：

步骤1根据证据集合和式(8)、式(9)计算要素ki的触发状态变量sie;

步骤2判断要素ki是否触发,若未触发,停止计算,否则转入步骤3;

步骤3计算要素ki的其他变量(目标变量);

步骤4判断ki的输出属性是否影响其他要素,即判断Oi∩Ij,j/i是否为∅.若为∅,停止计算,否则转入步骤5；

步骤5将ki的输出属性的值赋给对应要素kj的输入属性,令i=j,转步骤1继续计算.

4 实例分析

4.1 实验背景

2010年8月,甘肃省舟曲县城东北部山区突降短历时、高强度暴雨,引发县城东北部的三眼峪、罗家峪等地发生特大山洪泥石流,造成大片村民房屋和县城建筑被摧毁,数万群众遭遇空前劫难,成为我国历史上有记录以来的泥石流灾害之最.本节以舟曲泥石流灾害为例,验证前文提出模型的科学性和有效性.

舟曲县地处西秦岭地址构造带南部陇南山地,主城区建于三眼峪等泥石流沟堆积扇上.三眼峪沟流域由大眼峪沟和小眼峪沟呈“Y”形构成,其中大眼峪主沟长5.3 km,沟床平均比降为27.2%,沟口堆积区南北长约2 050 m,平均比降为9.8%,面积0.87 km2.8月7日该地区降雨量达77.3 mm/h,主沟区单位面积内供给泥石流的固体物质总量分别为203.6×104m3,泥石流横截面泥深高达10.4 m,流量高达约1 800 m3/s;大眼峪沟单位面积供给泥石流的固体物质总量为184.5×104m3,泥石流横截面泥深高达9.5 m,流量高达约1 500m3/s,一次最大冲出量为152.18×104m3[26].

4.2 情景表示

根据舟曲泥石流灾害事件的描述和情景表示模型,将该事件的情景描述为

其中S′表示三眼峪泥石流情景,时空属性st′的当前时间t和情景所考虑的空间范围s,K′和R′分别为情景要素集和情景关系结构.情景模型构建过程就是人们对事件的要素和要素关系的深入的认知过程,按照图3所示流程选取事件情景的要素(见表1),然后结合第二部分对情景结构的描述方法分析S′中要素间关系(见式(11)).泥石流突发事件涉及要素很多,篇幅所限,为更好地说明问题,本例仅选取了泥石流灾害中的最重要的3个要素,并对要素的属性做了必要的删减.

其中r21=1表示孕灾环境泥石流沟对致灾因子泥石流有影响作用(如沟的纵降比对泥石流速度的影响),r13=1表示致灾因子泥石流对承灾体建筑物有破坏作用.

图3 情景模型构建过程Fig.3 The modeling process of scenario

表1 情景模型的要素集Table 1 The set of scenario element

4.3 情景模型构建与推演

根据上一小节构建的事件情景表示模型S′知,泥石流沟与泥石流拥有共同属性i11,i12,泥石流与建筑物拥有共同属性i31(表1中粗体字所示).以要素的属性Ai为节点(节点描述见表2),属性间关系Ri为边(边的描述见表3),i=1,2,3,情景中要素所共有属性(表1中粗体字)为连接点将泥石流沟、泥石流和建筑物三个要素关联,构建泥石流冲击建筑物情景的贝叶斯网络模型.

表2 网络模型节点变量描述表(部分)Table 2 The variable table of network model

根据建立的贝叶斯网络模型,以{i11,i13,i14,i32,s21,s22,s23,s31}为证据变量,状态变量S和输入变量I的剩余变量与输出变量O为目标变量.在泥石流事件情景推演分析过程中,目标变量中属于输入变量的值由与其相同的输出变量指派,如建筑物的输入变量i31的值等于泥石流的输出变量o11的值;其他目标变量通过变量消元算法[27]计算得出.本实验数据选自文献[26,28]中对舟曲三眼峪沟泥石流的调查数据,表3中对属性间的不确定性关系的描述通过表4中数据进行统计学习得出.

表3 泥石流的属性间条件概率表(部分)Table 3 The conditional probabilities among attributes

表4 泥石流属性数据表(部分)[26]Table 4 The attribute data of debris f l ow

表5 情景中变量取值(部分)Table 5 The value of scenario variables

本文对舟曲泥石流中的三眼峪主沟的沟口上游和大眼峪沟干沟沟口上游两处泥石流事件进行演化推理.以大眼峪泥石流为例,沟床纵降比p(i12＞0.2)=1,横切面泥深p(i14＞5)=1,那么变量泥石流速度状态概率

即泥石流速度大于5 m/s的可能性为0.972,小于5 m/s的可能性为0.028.其他变量状态取值见表5,其中带*为证据变量.

4.4 结果分析

实验结果从情景模型表示和推演效果两方面展开.

1)本文提出的情景模型表示方法更具有本原性和普适性.

情景模型构建的目的是为了应用模型去深度揭示事件的内在规律,以便控制或干预事件向人们所期待的状态发展和变化.而知识表示模型的不同是导致演化模型间差异的根源.

情景模型的获得或建立的过程就是对其概念属性、内部及外部联系及其变化在主观世界的表述的抽象过程,基于事物的概念和属性可进一步认知事物的子事物层次及结构,辨识挖掘事物内部的子事物以及各种属性间的形式逻辑或辩证逻辑关系,揭示事物变化的逻辑或定性作用机理.当前学者将系统动力学、贝叶斯网络、GERT网络、博弈论等众多理论方法与工具应用于非常规突发事件情景模型研究中,对非常规突发事件的情景模型构建提供了很好的基础,是对情景演化分析的有益尝试.但是利用上述理论工具进行情景模型构建往往以事件的经验性知识作为知识来源(如要素间的复杂关系),对于极其罕见或无先例的事件将难以应对.知识元可以从本原角度对事物对象本身及其属性进行刻画,而事物对象属性间的关系可通过知识元间的关系进行形式化表示,二者可以很好地支撑认知过程中概念属性模型和结构关系模型的形成,为集成多学科、多领域的知识提供了基本保障.本文将知识元模型引入到情景模型研究中,将复杂的事件分解为简单的要素,通过知识元模型刻画描述事件的要素,弱化事件的概念,构建以已知的要素知识元作为知识来源的情景模型.其不仅可以帮助决策者从事件本身、事件属性以及属性间关系三个方面更清晰地认知事件,还可以从相对微观的视角分析事件演化的深层机制以应对非常规突发事件所呈现出前所未有的新情况,极大地提升了模型对非常规突发事件的适应性.

此外,现有的情景模型结构较为单一,由于关系知识元模型的可扩展性(隶属、非线性、模糊、随机及具体的映射函数),使得本文提出基于知识元的情景表示模型可以更好地集成和管理相关各专业的模型以解决特定的问题,具有较好的可扩展性.

2)在情景表示模型基础上构建的贝叶斯网络模型推演效果良好,基本符合实际情形.

本文在基于知识元的情景表示基础上,运用贝叶斯网络扩展知识元模型中的不确定性关系,构建了情景的贝叶斯网络模型.以三眼峪沟的主沟沟口上游和大眼峪干沟沟口上游两处泥石流事件为例,验证模型的可靠性.根据各变量的状态概率值对变量进行预测,选择变量概率较大的状态值为其在已知证据条件下的推演结果.将两次模型中各变量的推演结果与实际取值对比(见表6).

表6 推演结果与实际情形对比Table 6 Comparison between inference and the practice

表7 目标变量推演偏差值Table 7 Inference error of target variables

贝叶斯网络模型是一种概率性的预测模型,而预测的效果可以通过预测检验方法来评估.Brier评分法[29]是对离散事件的概率预测效果的评价方法,设贝叶斯网络模型的目标变量µ有n≥2种可能状态µ1,µ2,...,µn,µi表示变量µ处于第i个状态.令p(µi)表示变量µ取值为µi的概率,s(i)为变量µ为第i个状态的标志.当µ的实际取值为µi时,s(i)=1,否则s(i)=0.那么,网络模型目标变量的预测结果与实际情形的偏差表示为

若µl是变量µ的实际状态值,则s(l)=1,那么式(14)可变为

根据第2.1节对情景概念的分析可知,本文所研究的情景是对非常规突发事件演化过程的离散化描述,因此可以采用Brier评分法检验情景推演的效果.根据式(14′)计算情景模型中各目标变量的推演偏差(见表7),表中B1,B2,B3,B4,B5分别表示属性s1e,s12,s11,o11,s3e的推演偏差.根据文献[30]设定阈值为0.6,若B≤0.6,则情景模型推演的结果符合要求,反之,不符合要求.且当B越小,预测效果越好.从表7中可知,各变量的推演结果均符合要求,且大眼峪和三眼峪的整体推演偏差分别为准确性良好.且根据表6可知,推演的结果基本上与实际取值相符.综上,通过本文提出的知识表示方法描述非常规突发事件情景是可行的,其不仅可直观简洁的描述事件间的相互作用关系,还可以通过演化分析辅助决策者把握事件的发展态势,为及时有效的应对措施的制定提供科学依据.

5 结束语

本文以非常规突发事件的情景为研究对象,从宏观和微观两个层面提出了非常规突发事件情景建模方法.首先,针对非常规突发事件应急管理涉及到跨学科、跨领域的问题,构建了一种以知识元模型为基础的非常规突发事件情景知识表示模型,全面刻画了情景中要素构成方式及关联机制,为情景的构建及其推演分析提供知识支撑;然后,以情景要素的输入属性、状态属性和输出属性为变量,借助属性间相互作用关系,构建适用于情景描述的贝叶斯网络模型,利用贝叶斯网络推理方法分析模型中各变量的状态取值及其可能性,从相对微观的视角刻画情景演化特性;最后,以泥石流灾害为例说明了本方法的应用过程和推演效果.实验证明,运用本文提出的方法建立情景模型推演结果与实际基本相符且效果良好,能够为应急决策提供科学有效地依据.

本文提出的方法是对非常突发事件情景构建与推演研究的一次有益尝试.但在推演应用中,由于贝叶斯网络模型自身的特点(如先验知识)使得描述和处理不确定性问题时具有较重的主观色彩.因此,如何有效的结合模糊理论、灰色系统理论和粗糙集等方法对情景的不确定性进行更客观的描述和处理是本文建模时需要解决的一个问题,同时也是本文研究继续深入的一个重要研究方向.此外,情景模型的构建以知识元为基础,然而知识的获取是困扰基于知识的系统普遍推广应用的瓶颈,结合大数据技术进行海量数据的知识发现也是进一步深入研究的重要工作.

参考文献:

[1]韩智勇,翁文国,张 维,等.重大研究计划“非常规突发事件应急管理研究”的科学背景,目标与组织管理.中国科学基金,2009,23(4)：215—220.Han Z Y,Weng W G,Zhang W,et al.Backgrounds,targets,and organization of the major research plan“study on unconventional emergencies management”.Bulletin of National Natural Science Foundation of China,2009,23(4)：215—220.(in Chinese)

[2]范维澄.国家突发公共事件应急管理中科学问题的思考和建议.中国科学基金,2007,21(2)：71—76.Fan W C.Advisement and suggestion to scientif i c problems of emergency management for public incidents.Bulletin of National Natural Science Foundation of China,2007,21(2)：71—76.(in Chinese)

[3]武旭鹏,夏登友,李健行.非常规突发事件情景描述方法研究.中国安全科学学报,2014,24(4)：159—165.Wu X P,Xia D Y,Li J X.Study on method for describing unconventional emergency scenario.China Safety Science Journal,2014,24(4)：159—165.(in Chinese)

[4]王颜新,李向阳,徐 磊.突发事件情境重构中的模糊规则推理方法.系统工程理论与实践,2012,32(5)：954—962.Wang Y X,Li X Y,Xu L.Fuzzy rules reasoning method in emergency context reconstruction.System Engineering：Theory&Practice,2012,32(5)：954—962.(in Chinese)

[5]陈 晨,俞 政,张新梅.考虑应急活动的非常规突发事件情景刻画研究.中国安全科学学报,2014,24(10)：163—168.Chen C,Yu Z,Zhang X M.Study on characterization of unconventional emergency scenarios considering emergency activities.China Safety Science Journal,2014,24(10)：163—168.(in Chinese)

[6]仲秋雁,郭艳敏,王 宁.基于知识元的情景生成中承灾体实体化约束模型.系统工程,2012,30(5)：75—80.Zhong Q Y,Guo Y M,Wang N.The hazard-affected bodies constraints model in the generation of unconventional emergency scenario based on knowledge element.Systems Engineering,2012,30(5)：75—80.(in Chinese)

[7]姜 卉,黄 钧.罕见重大突发事件应急实时决策中的情景演变.华中科技大学学报：社会科学版,2009,23(1)：104—108.Jiang H,Huang J.The study on the issues of scenario evolvement in real-time decision making of infrequent fatal emergencies.Journal of Huazhong University of Science and Technology：Social Science,2009,23(1)：104—108.(in Chinese)

[8]Yang Y,Li L.A new assumption in generation mechanism of emergency plan under the perspective of“scenariotask”[C]//International Conference on Management Science and Engineering.New York：IEEE Press,2013：2263—2270.

[9]Yuan X F,Li H X.Research on the IDSS of unconventional emergency management based on scenario analysis and CBR//2nd IEEE International Conference on Emergency Management and Management Sciences.New York：IEEE Press,2011：45—48.

[10]李勇建,乔晓娇,孙晓晨,等.基于系统动力学的突发事件演化模型.系统工程学报,2015,30(3)：306—318.Li Y J,Qiao X Q,Sun X C,et al.Modeling the evolution of emergency based on system dynamics.Journal of Systems Engineering,2015,30(3)：306—318.(in Chinese)

[11]Durak U,Topcu O,Siegfried R,et al.Scenario development：A model-driven engineering perspective//4th International Conference on Simulation and Modelling Methodologies,Technologies and Applications.New York：IEEE Press,2014：117—124.

[12]Ahmed D M,Sundaram D,Piramuthu S.Knowledge-based scenario management-process and support.Decision Support Systems,2010,49(4)：507—520.

[13]盛 勇,孙庆云,王永明.突发事件情景演化及关键要素提取方法.中国安全生产科学技术,2015,11(1)：17—21.Shegn Y,Sun Q Y,Wang Y M.Emergency scenario evolution and extraction method of key elements.Journal of Safety Science and Technology,2015,11(1)：17—21.(in Chinese)

[14]刘德海,王维国,孙 康.基于演化博弈的重大突发公共卫生事件情景预测模型与防控措施.系统工程理论与实践,2012,32(5)：937—946.Liu D H,Wang W G,Sun K.Scenario forecasting model and prevention-control measurements of important public health event based evolutionary game.System Engineering：Theory&Practice,2012,32(5)：937—946.(in Chinese)

[15]Abdalla R,Niall K.WebGIS-based f l ood emergency management scenario//International Conference on Advanced Geographic Information Systems&Web Services.New York：IEEE Press,2009：7—12.

[16]杨 帆,杨 青.基于能量随机分布的特大森林火灾SOC模型.系统工程,2014,32(7)：124—131.Yang F,Yang Q.The SOC model of forest f i res based on emergy random distribution.Systems Engineering,2014,32(7)：124—131.(in Chinese)

[17]Dettinger M D,Ralph F M,Hughes M,et al.Design and quantif i cation of an extreme winter storm scenario for emergency preparedness and planning exercises in California.Natural Hazards,2012,60(3)：1085—1111.

[18]杨保华,方志耕,刘思峰,等.基于GERTS网络的非常规突发事件情景推演共力耦合模型.系统工程理论与实践,2012,32(5)：963—970.Yang B H,Fang Z G,Liu S F,et al.Model of co-coupling in unconventional incidents based on GERTS network.Systems Engineering：Theory&Practice,2012,32(5)：963—970.(in Chinese)

[19]夏登友,钱新明,段在鹏.基于动态贝叶斯网络的非常规突发灾害事故情景推演.东北大学学报：自然科学版,2015,36(6)：897—902.Xia D Y,Qian X M,Duan Z P.Scenario deduction model of unconventional emergency based on dynamic Bayesian network.Journal of Northeastern University：Natural Science,2015,36(6)：897—902.(in Chinese)

[20]曲 毅,仲秋雁,马骁霏,等.基于情景的突发事件演变概率规则推理方法.系统工程学报,2014,29(4)：571—578.Qu Y,Zhong Q Y,Ma X F,et al.The event evolution scenario-based reasoning method via probability rules.Journal of Systems Engineering,2014,29(4)：571—578.(in Chinese)

[21]李仕明,张志英,刘 樑,等.非常规突发事件情景概念研究.电子科技大学学报：社会科学版,2014,16(1)：1—5.Li S M,Zhang Z Y,Liu L,et al.Research on scenario concepts of unconventional emergencies.Journal of University of Electronic Science and Technology of China：Social Sciences,2014,16(1)：1—5.(in Chinese)

[22]徐宝祥,叶培华.知识表示的方法研究.情报科学,2007,25(5)：690—694.Xu B X,Ye P H.Research on the method of knowledge representation.Information Science,2007,25(5)：690—694.(in Chinese)

[23]陈雪龙,董恩超,王延章,等.非常规突发事件应急管理的知识元模型.情报杂志,2011,30(12)：22—26.Chen X L,Dong E C,Wang Y Z,et al.Knowlege unit model for emergency management of unconventional incident.Journal of Intelligence,2011,30(12)：22—26.(in Chinese)

[24]王延章.模型管理的知识及其表示方法.系统工程学报,2012,26(6)：850—856．Wang Y Z.Knowledge and representation of method management.Journal of Systems Engineering,2012,26(6)：850—856.(in Chinese)

[25]徐 磊.基于贝叶斯网络的突发事件应急决策信息分析方法研究.哈尔滨：哈尔滨工业大学,2013.Xu L.Research on emergency events decision making information analysis method based on Bayesian network.Harbin：Harbin Institute of Technology,2013.(in Chinese)

[26]胡向德,毕远宏,魏 洁.甘肃舟曲三眼峪沟泥石流的形成条件与发展趋势.中国地质灾害与防治学报,2011,22(2)：55—60.Hu X D,Bi Y H,Wei J.Conditions leading to the destructive debris f l ow at the Sanyanyu Gulley and its occurrence trend.The Chinese Journal of Geological Hazard and Control,2011,22(2)：55—60.(in Chinese)

[27]Dechter R.Bucket elimination：A Unifying Framework for Probabilistic Inference//Learning in Graphical Models.Netherlands：Springer,1998：75—104.

[28]胡向德,王根龙,赵 成,等.舟曲“8.8”三眼峪特大泥石流特征值分析.西北地质,2011,44(3)：44—52.Hu X D,Wang G L,Zhao C,et al.Analyses of characteristic values for Sanyanyu debris f l ow in Zhouqu county on August 8,2010.Northwestern Geology,2011,44(3)：44—52.(in Chinese)

[29]Renooij S.Forecast verif i cation and the uncertain truth//Proceedings of the 16th Belgium-Netherlands Conference on Artif i cial Intelligence.Netherlands,2004：275—282.

[30]裘江南,刘丽丽,董磊磊.基于贝叶斯网络的突发事件链建模方法与应用.系统工程学报,2012,27(6)：739—750.Qiu J N,Liu L L,Dong L L.Modeling method and application of emergent event chain based on Bayesian networks.Journal of Systems Engineering,2012,27(6)：739—750.(in Chinese)