基于情景推理的震灾初期救援物资需求预测

张儒 齐金平 闫森 黄思云

[摘要]震后救援物资响应是救援工作的重要环节，考虑到震后初期信息匮乏与案例推理预测结果精度低，采用情景推理对救援物资需求进行预测：通过对震灾历史案例库的分析，构建知识元表示模型对震灾情景进行表达。基于云模型启发式算法获取情景检索特征属性的权重，再运用改进的最近邻检索算法对案例间情景进行检索，最后利用派生重演法对检索出的最相似案例进行重用修正。以中国地震历史数据作为实验分析具体案例，结果表明本文方法对提高灾后应急物资预测精度具有良好的效果。

[关键词]案例推理;情景分析;需求预测;震灾救援物资

[中图分类号]F224.0     [文献标识码]A     [文章编号]1005-152X（2022）03-0039-06

Demand Forecasting of Relief Materials for Early Post-earthquake Rescue Based on Scenario Reasoning

ZHANG Ru， QI Jinping， YAN Sen， HUANG Siyun

（Mechatronics T&R Institute， Lanzhou Jiaotong University， Lanzhou 710600， China）

Abstract： The paper pointed out that， in the event an earthquake， considering the lack of information and the low precision of case- based reasoning prediction results in the early post-strike stage， the paper used scenario reasoning to predict the reliefmaterials demand. By analyzing earthquake histories in case library， the paper constructed a knowledge element representation model to express the earthquake scenarios. Based on the heuristic algorithm of the cloud model， it obtained the weights of the scenario retrieval feature attributes， used the improved k-nearest neighbor （KNN） algorithm to retrieve the scenarios among cases， and used the derived recapitulation method to reuse and correct the most similar cases retrieved. The paper took the historical earthquake data in China as the specific cases for experiment， which showed that the proposed method has good effect on improving the prediction accuracy of post-earthquake emergency supplies.

Keywords： case-based reasoning; scenario analysis; demand forecasting; earthquake reliefmaterial

0 引言

地震災害（文中统一简称震灾）是我国主要自然灾害类型之一，一半以上的大中型城市都处于震级5.1以上的地区。虽然无法控制震灾的发生，但通过有效的救援方案，可以很大程度上降低震灾造成的伤亡与损失。因此，如何快速、精确地预测出震灾后救援物资的需求量，是当前灾后救援的热点问题。而灾害初期由于信息缺失，救援物资需求预测面临不确定性和约束条件的复杂性，传统的时间序列与神经网络模型难以对救援物资做出精确预测，而选用案例推理（case-based reasoning）来辅助救援物资的需求预测是一种直接而有效的方法。

目前提高案例推理预测精度的关键技术主要是案例间相似度检索的问题：于峰[1-3]设计了生物分类学方法的救援案例库的族谱特征，将灾害事件链与相似度相结合，并解释说明了族谱中的横纵关系。王庆荣[4]通过粗糙集确定案例属性之间的权重系数，针对震灾数据特征提出消耗策略的定义，采用消耗策略在检索时进行优化调整。张涛[5]基于电视节目案例表达中存在的多值情境，构建多值符号情境的局部相似度计算模式，针对案例重用中目标案例与相似案例的情境匹配，构建基于差异情境的情境系数调整规则。吴书金[6]为了提高相似度的检索速度，运用模糊C均值聚类算法先进行初步筛选。王宁[7]对应急案例进行情景划分研究，对应急情景序列知识结构进行分析，提出了应急管理案例的情景表示方法及存储模式。姜卉[8]将应急事件情景定义为应急事件的态势集合，并将情景概念引入应急事件的实时决策中。

综上所述，案例推理预测方法适用于灾后信息贫乏期，并且可以避免用小样本数据建模时容易出现的过拟合现象。然而选取整体案例进行预测容易造成检索上的不准确，从而影响需求预测精度，并且案例表示大多是基于知识表示的常用方法（XML、本体、语义网络等），这些方法缺乏对案例进行更细粒度的划分，难以体现对事件的描述，导致检索结果不精确。因此在案例推理预测中加入情景的概念，通过情景要素的拼接最大程度地模拟震灾情景，并利用知识元模型对情景进行表达，满足情景案例推理的需要。检索后，部分案例因没有类似经验易导致预测误差过大，影响预测精度，所以在检索完成后利用派生重演法对检索结果进行修正，以提升预测精度。

1 震灾救援案例情景化表示

1.1 震灾案例的情景构成划分

知识元对于某事物的表述为一个三元组Sn={An， Bn，Cn}，An表示对应事物的概念及属性名称，Bn表示对应的属性状态集，Cn表示属性状态间的相互关系。对于任意事物 b ∈Bn 可用属性知识元 Sb表示为 Sb={db，eb，fb}。

将应急情景划分为三部分内容：事件、影响、应急管理行为，分别用Incident、Effect、Action表示，用Sit- uation表示情景，情景构成可以表示为：Situation={I， E，A}。

1.2 情景表示框架

根据震灾事件描述，将事件分为时间、空间、主体三个子集，表示为：Incident={t，s，m}。

在情景中影响部分可再分为环境、安全性、财产，表示为：Effect={u，c，a}。影响所包含的三部分可再进行细分，环境可划分为天气、道路，表示为：u={w，r}等。

应急管理行为的详细构成包含应急行为基本要素、应急处置方案、应急保障等方面，表示为：Action={be、ed、es}。

各子集还可以继续细划延伸，并且可以用树型结构对其进行表达，情景表示模型框架如图1所示。

1.3 情景要素表达

基于1.2节所述的震灾救援情景表示框架以及震灾情景要素筛选细划规则，最终选择出震灾救援情景要素为：事件情景、影响情景以及应急管理情景，见表1。

2 基于情景推理的物资需求预测

2.1 案例推理

本文运用案例推理的R5模型（如图2所示）对震后救援物资进行预测，即检索、重用、修正、重分配和存储。

2.2 情景检索与匹配

以情景检索为基础，根据震灾案例的特性与内容，采用最近邻检索（KNN）算法检索。

设αn 为第 n个属性的权重，KNN权重取值在0到 1之间，m是参与检索特征属性的总数，则KNN 的数学模型为：

式中 Sim（su ，sk）表示两震灾事件之间的相似度， sim（sun ，skn）表示两情景属性之间的相似度。

2.2.1 情景属性相似度算法。通过结构与案例情景要素属性的双重检索方式检索案例间情景匹配度。

（1）数值表述型。采用加权海明距离的反函数

计算数值表达型情景要素間的相似度。

其中 sim（sun ，skn）（1）表示数值表达型情景要素间的相似度。

（2）区间数值型。当情景属性为区间数时，设待求解案例情景属性区间为 sun ∈[au ， bu]，源案例情景属性区间为skn∈[ak ， bk]，则有：

其中 sim（sun ，skn）（2）表示区间数值型情景要素间相似度，[au（i） ， b ]表示待求案例某一特定情景属性区间u（i）， [ak（i） ， b ]表示源案例某一特定情景属性区间k（i）。

其中sim（sun ，skn）（3）表示符号型情景要素间的相似度。

（4）模糊语义型

其中 sim（sun ，skn）（4）表示模糊语义型情景要素间相似度。 cu ，du ，eu表示待求案例情景属性值三角模糊数，ck  ，dk  ，ek 表示源案例情景属性值三角模糊数，将模糊语义转化为三角模糊数并规范在[0，1]区间内，分别为：（0，0，0.2）、（0.1，0.3，0.4）、（0.3，0.5，0.7）、（0.6，0.7，0.9）、（0.8，1.0，1.0）。

综上，设某情景属性的权重为ωn，则情景属性总体相似度PRSimsu ，sk为：

对情景要素进行相似度比较时，仅考虑共有属性，忽略其缺失属性。

2.2.2 结构相似度。结构相似度表示案例发生地与时间点等直观因素的相似度。结构相似度有两类计算方法，一种是待求案例与源案例同等重要，另一种以待求案例情景为重，本文主要以待求解案例为主，则设结构相似度为COSim（su ，sk）计算公式为：

其中P表示待求解案例整体相似度，Q表示源案例整体相似度。

2.2.3 全局相似度。综上所述，设情景与结构权重分别为φ1与 φ2，其中相似度权重的确定由各自相似度结果之间的差异程度来决定，其程度越大权重越高。可得全局相似度WSSim（su ，sk）为：

2.3 案例重用修正

案例检索阶段得到的解通常不能完全适用于目标案例，因此还需修正检索出的解以得到更好的物资方案。利用派生重演法实现对待求解案例救援物资需求量的重用修正。

如果得到的解不适用，将该解排除后重新检索。设αi表示源案例的物资量，α表示上一步检索到的目标案例物资量，则有如下预先估计的范围：

通过分析相似度最高的源案例的灾后报告，依照待求解案例情景属性与灾后报告进行回溯分析，并评估当前灾情，判断是否应增减物资量以提升救援效果。

3 实验分析

本文以震灾救援中所需的帐篷需求量为研究对象，采用情景案例推理方法对帐篷需求量进行预测。实验数据来源于历年新闻报道、官方记载及其他论文已有数据等。

3.1 数据与信息整理

统计以往地震案例的数据信息，见表2，设地震灾害源案例集中有16个源案例p1至p16，源案例的情景属性集为is1至as9，其中is1表示震灾发生地点，is2表示震灾发生时间，is3表示里氏震级，es4表示房屋倒塌数，es5表示震灾涉及的人员数量，es6表示震灾发生时期当地人口密度，es7表示道路受损情况，es8表示次生灾害威胁，as9表示帐篷数量。为了检验方法的有效性，将信息缺失的案例情景要素值设为缺失值，反映震后救援物资需求预测的实际情况。

3.2 权重获取

选用正态云模型对震灾情景要素的权重进行计算。根据情景要素集合，建立权重范围，相应的描述及云特征数字见表3。

首先对is1的权重进行打分。然后通过逆向云得到案例情景属性权重的云模型与数字特征，最后根据熵与超熵生成云图，如图3 所示，由图3（a）-图3 （c）云图凝聚性逐渐增加，表示概念形成。

第二次得到的打分为（0.662，0.1262，0.051），熵与超熵减小。第三次得到的打分为（0.6460，0.1341，0.031），从图3可以看出，云图中的散点逐渐聚拢，图3（c）云图的形态表示第三次打分中，权重的取值较为合理，由此确定is1的权重为0.646。震灾情景要素属性的权重见表4。

3.3 相似度计算

本文构造的震灾情景案例库包含16个案例，选取 p10～p16的地震案例，作为待解决案例进行案例相似度检索，设为q10～q16，并得出相似度的计算结果，见表5。

计算结果见表5，以检索出的案例救援物资方案作为待求解情景sq救援物资预测的起点。

3.4 确定最佳匹配案例并预测

假设案例相似度阈值为0.6，从相似度计算结果可以得出，满足条件的与目标案例q10相似的案例有6个案例，并且p8为最佳匹配相似案例，对案例进行重用，即p8是将要实施的物资预测方案。

为了验证情景推理方法的有效性，将CBR、粗糙集案例推理和情景推理方法进行比较分析，CBR方法的案例匹配结果见表6，各检索方法的精确率见表7。

上述结果表明，本文方法的预测效果较好，精确度较高，较整体案例推理的精确度提高了18.6%。

3.5 案例重用修正

检索得到q10与p9相似度高，且p9不存在不适用 表6 传统相似度计算结果问题，具有一定借鉴价值，但由图4可知，q10、q15预测结果较其他目标案例误差较大。通过对p9、p5的帐篷量进行更新，利用2.3节方法得到目标案例帐篷量新的需求范围 q10∈17259， 37769、q15∈16078， 24506。

通过分析源案例的灾后报告，判断案例间相似情形，并以源案例为模版结合预估的目标案例的帐篷量对目标案例进行修正，得到案例重用修正后的目标帐篷需求数量，见表8。

将修正完成的预测结果与实际数量进行对比（如图5 所示）发现，预测精度较修正前又提升了7.6%。

4 结语

本文采用基于情景案例推理方法进行震后初期物资需求量预测的研究，将云模型与知识元的情景表达概念引入案例的检索与表示中，建立震后初期多层次情景结构，采用KNN对案例间情景要素进行检索与匹配，并对检索出的最相似案例进行了修正。本文将情景要素概念融入到震灾案例中，并通过基于知识元的案例情景化划分与表示方法，解决了对震灾情景描述缺乏的问题，降低了进行情景案例推理的难度。同时筛选出用于震后的情景要素表达，通过云模型得到检索特征属性权重，提高了检索的精度。

情景案例推理方法不仅适用于震灾信息缺乏时期，并且情景推理还能弥补整体案例推理造成的检索结果不准确缺陷。实例表明情景推理方法较整体案例推理物资需求预测的精度提高了18.6%，并且对部分误差过大案例进行重用修正，预测精度较之前又提升了7.6%。

基于情景案例推理方法进行震后初期物资需求量预测的方法，不仅为有效预测震后初期物资量提供了一条新的途径，并且对灾害事件链的推导也具有一定的借鉴意义。

[参考文献]

[1] 于峰，李向陽，孙钦莹，等.突发事件情景应对案例库族谱设计[J].系统工程理论与实践，2015，35（10）：2596-2605.

[2] 于峰，李向阳.基于基因结构的复杂应急案例表示方法[J].系统工程理论与实践，2017，37（3）：677-690.

[3] 于峰，李向阳，刘昭阁.城市灾害情景下应急案例本体建模与重用[J].管理评论，2016，28（8）：25-36.

[4] 王庆荣，马辰坤.面向案例消耗推理的应急物资预测[J].计算机工程与应用，2021，57（22）：281-287.

[5] 张涛，翁康年，张倩帆，等.基于情境案例推理的播前收视率预测方法[J].管理工程学报，2020，34（6）：156-164.

[6] 吴书金，汪涛，全琪.基于模糊聚类和直觉模糊推理的合成旅油料需求预测[J].计算机系统应用，2019，28（12）：205-211.

[7] 王宁，郭玮，黄红雨，等.基于知识元的应急管理案例情景化表示及存储模式研究[J].系统工程理论与实践，2015，35（11）：2939-2949.

[8] 姜卉.应急实时决策中的情景表达及情景间关系研究[J].电子科技大学学报（社科版），2012，14（1）：48-52.

[9]谷梦瑶，李光海，戴之希.融合事故表征和CBR 的特种设备事故预测研究[J/OL].计算机工程与应用：2020：1-14[2021-04-19].https：//kns.cnki.net/kcms/detail/11.2127.TP.20201204.1714.022. html.

[10]王兰英，郭子雪，张玉芬，等.基于直觉模糊案例推理的应急物资需求预测模型[J].中国矿业大学学报，2015，44（4）：775-780.

[11]钱静，刘奕，刘呈，等.案例分析的多维情景空间方法及其在情景推演中的应用[J].系统工程理论与实践，2015，35（10）：2588-2595.

[12] DETTINGER M D，HUGHES M，DAS T，etal.Design and quantification of an extreme winter storm scenario for emergency preparedness and planning exercises in cali- fornia[J].Natural Hazards，2012，60（3）：1085-1111.

[13]郭继东，杨月巧.地震应急物资需求预测的模糊案例推理技术[J].中国安全生产科学技术，2017，13（2）：176-180.

[14] DUAN H，LIU C，ZENG Q，etal.Refinement-based hierarchical modeling and correctness verification of cross-organization collaborative emergency response processes[J].IEEE Trans- actions on Systems，Man，and Cybernetics：Systems，2018，50（8）： 2845-2859.

[15]王延章.模型管理的知识及其表示方法[J].系统工程学报，2011，26（6）：850-856.

[16]严爱军，赵辉，王普.基于可信度阈值优化的案例推理评价分类方法[J].控制与决策，2016，31（7）：1 253—1 257.

[17] HONDULA D M，KURAS E R，LONGO J，etal.Toward precision governance：infusing data into public manage- ment of environmental hazards[J].Public Management Review，2018，20（5）：746-765.

[18] MOHAMMADI R，GHOMI S M T F，ZEINALI F.A new hybrid evolutionary based RBF networks method for forecasting time series：A case study of forecasting emer- gency supply demand times series[J].Engineering Appli-cations of Artificial Intelligence，2014（36）：204-214.

[19]郭子雪，韓瑞，齐美然.基于多元模糊回归的应急物资需求预测模型[J].河北大学学报（自然科学版），2017，37（4）：337—342.

[20]袁晓芳.基于情景分析与CBR的非常规突发事件应急决策关键技术研究[D].西安：西安科技大学，2011.

[21]左文泽.基于情景分析的城市应急救援调度研究[D].哈尔滨：哈尔滨工业大学，2019.