CN103745305A

CN103745305A - 一种面向城市安全突发事件的双向反馈自适应协调方法

Info

Publication number: CN103745305A
Application number: CN201310714497.9A
Authority: CN
Inventors: 陈庭贵; 周广澜; 许翀寰
Original assignee: Zhejiang Gongshang University
Current assignee: Zhejiang Gongshang University
Priority date: 2013-12-20
Filing date: 2013-12-20
Publication date: 2014-04-23

Abstract

一种面向城市安全突发事件的双向反馈自适应协调方法，引入复杂系统理论、双向反馈技术实现突发事件的协调、管理，首先建立基于城市安全数据双向反馈的安全智能管理系统自我适应机制；其次构建基于城市安全数据双向反馈的安全智能管理系统自我学习机制；再次提出基于城市安全数据双向反馈的安全智能管理系统自我调整机制，最后通过建立基于城市安全数据双向反馈的安全智能管理系统自我优化机制，实现城市突发事件的数字化管理。本发明提供了一种提升智能化程度、实时性良好、实用性强的面向城市安全突发事件的双向反馈自适应协调方法。

Description

一种面向城市安全突发事件的双向反馈自适应协调方法

技术领域

本发明涉及一种城市安全突发事件处理系统，尤其涉及一种面向城市安全突发事件的双向反馈自适应协调方法，特别适用于城市公共安全应急处理方面的问题。

背景技术

城市公共安全数据的双向反馈是指：安全事故过程中，一方面，将公共安全救援方案通过物联网系统反馈给安全事故现场，如高层建筑的应急救援指示引导灯等，引导现场事故人员自我救援；另一方面，通过远程启动布置在现场的高性能传感设备，持续跟踪和监控事故过程状态，采集安全事故过程状态数据，并反馈给系统，进行应急救援方案的调整和优化。在城市公共安全数据的双向反馈中，复杂适应系统理论是进行方案优化和救援的有力保障。

复杂适应系统（Complex Adaptive System，简称CAS）理论是由美国Holland教授于1994年在Santa Fe Institute（SFI）研究所成立十周年时正式提出的。CAS理论是目前计算机模型研究复杂性系统时最常用的一种理论，其认为具有适应性的主体与环境（包括主体之间）反复相互影响、相互作用是系统演变和进化的主要动力。CAS理论的提出，对复杂性适应系统研究是一大贡献，它为人们认识、理解、控制和管理复杂系统提供了一种新的思路和方法。

发明内容

为了克服已有城市公共安全突发事件处理方式的智能化程度低、实时性较差的不足，本发明提供了一种提升智能化程度、实时性良好、实用性强的面向城市安全突发事件的双向反馈自适应协调方法。

本发明解决其技术问题所采用的技术方案是：

一种面向城市安全突发事件的双向反馈自适应协调方法，所述协调方法包括以下步骤：

1)基于城市安全数据双向反馈的安全智能管理系统自我适应过程：复杂自适应系统对城市多层次信息监测点进行自动调整，通过对城市安全事故过程中城市公共安全物联网各监控节点的过程数据变化情况，启动安全事故现场应急救援终端设备，并结合原有现场物联网终端设备，自适应重构最优的城市公共安全物联网应急数据采集体系；

2)基于城市安全数据双向反馈的安全智能管理系统自我学习过程：城市公共安全智能系统根据城市安全物联网数据中心的历史数据资料，并结合当前安全事故过程状态数据，进行自我学习和加工，形成新的学习经验，不断根据安全事故进程，更新城市公共安全应急救援方案；

3)基于城市安全数据双向反馈的安全智能管理系统自我调整过程：将安全事故划分为五种演化的阶段，即城市安全事故的发生、城市安全事故的蔓延、城市安全事故的转换、城市安全事故的衍生以及城市安全事故的耦合；给出了公共安全事故救援方法自我调整的概念模型，通过对正在发生的安全事故发生状态的判断，进而运用生成模拟矩阵、最佳投影方向等方法对事故的程度进行评价，得到安全事故状态阶段与事故程度的数据；运用数据分析和挖掘算法对安全事故现场的物联网信息进行分析，并结合安全事故的本体，实现事故模式的发现与匹配，进而根据安全事故的历史数据的多少，运用长期随机时间序列分析和短期随机时间序列分析方法，最终给出城市安全事故的救援方案；

4)基于城市安全数据双向反馈的安全智能管理系统自我优化过程：通过设计城市事故化解的应急物资救援方案的Agent-DEVS模型群，构建基于HLA的应急物资救援协同环境，实现基于SVM的城市安全物资救援方案的自动优化，摸索出城市事故化解应急物资救援的可行技术路线。

进一步，所述步骤2）中，自我学习过程为：①首先根据物联网数据采集系统所采集到的历史事故数据，建立相应的历史事故数据库，并结合专家构建历史事故的模型库，细分事故的类型并给出相应的处理措施，在此基础上，利用CAS等理论方法对历史数据进行自我学习，将历史资料转变为学习经验并进一步提炼为模型库；②将学习经验分类别地充实更新到智能系统中，对于已有的事故类型，将本学习经验直接进行扩展；而对于新发生的类型，一方面需要更新事故类型list，另一方面，构建智能系统中该类型的事故参照模型；③当城市安全事故发生时，根据物联网发回的数据，结合智能系统判断事故类型、破坏程度以及危险系数等信息，借助智能系统中模型库进行安全事故的前景预测，实施动态的跟踪变化，并提出总体救援水平等级和具体救援措施两方面信息，实现动态调整救援方案的同时，保持相对有预期的救援水平等级，实现救援效果的最优化；④当城市安全事故发生时，公共安全智能系统还能根据既定的规则，结合安全事故的现场状态，对安全事故的现场数据进行自我加工，其关键因素在于先前构建的城市安全事故领域本体，从而实现自动的加工，并将加工后的数据自主导入到历史资料中；⑤在救援方案进行实施之后，根据救援方案的具体措施、等级，以及救援的实际效果，对救援方案进行人工总结和自动反馈，评价救援方案实施的效果，并将其反馈到历史数据中，实现安全智能系统的自动学习和更新。

本发明以城市管理过程中突发事件为研究对象，引入复杂系统理论、双向反馈技术，充分考虑城市突发事件特征，提出一种面向城市安全突发事件的双向反馈自适应协调方法。通过该方法帮助政府部门实现对城市公共安全的监控、管理。

引入复杂系统理论、双向反馈技术实现突发事件的协调、管理，首先建立基于城市安全数据双向反馈的安全智能管理系统自我适应机制；其次构建基于城市安全数据双向反馈的安全智能管理系统自我学习机制；再次提出基于城市安全数据双向反馈的安全智能管理系统自我调整机制，最后通过建立基于城市安全数据双向反馈的安全智能管理系统自我优化机制，实现城市突发事件的数字化管理。

本发明的有益效果在于：本发明有效克服了对城市安全突发事件管理困难的问题，使得政府部门能够对城市突发安全事件实现有效的监督与管理，提升智能化程度、实时性良好、实用性强，具有良好的应用价值。

附图说明

图1是城市公共安全智能检测体系的演化的示意图。

图2是安全智能管理系统的自我学习过程的示意图。

图3是安全智能管理系统的自我调整过程的示意图。

图4是城市公共安全应急救援模型的自我优化过程的示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图4，一种面向城市安全突发事件的双向反馈自适应协调方法，包括以下步骤：

1)基于城市安全数据双向反馈的安全智能管理系统自我适应过程：主要是设计出能够对城市多层次信息监测点进行自动调整的复杂自适应系统，通过对城市安全事故过程中城市公共安全物联网各监控节点的过程数据变化情况，启动安全事故现场应急救援终端设备，并结合原有现场物联网终端设备，自适应重构最优的城市公共安全物联网应急数据采集体系。在城市多层次信息监测系统中，由于安全事故的发生而使得原先的监测点数据发生变化，从而使得安全环境发生了改变，促发安全智能管理系统进行适应性学习。这其中又可以分为两种情况：对于较为渐进的改变，结合适应性学习，通过采取启动安全事故现场应急救援终端等措施，安全智能管理系统能够使安全事故现场达到平衡状态。但对于具备突变性质的变化，如果没有较好的处置措施，安全智能系统对安全事故现场的掌控有可能陷入混乱的状态，从而给安全事故应急救援带来极大阻碍，如图1所示；

2)基于城市安全数据双向反馈的安全智能管理系统自我学习过程：自我学习主要是通过设计自我学习的机制，让城市公共安全智能系统能根据城市安全物联网数据中心的历史数据资料，并结合当前安全事故过程状态数据，进行自我学习和加工，形成新的学习经验，不断根据安全事故进程，更新城市公共安全应急救援方案，如图2所示。具体过程为：①首先根据物联网数据采集系统所采集到的历史事故数据，建立相应的历史事故数据库，并结合专家构建历史事故的模型库，细分事故的类型并给出相应的处理措施。在此基础上，利用CAS等理论方法对历史数据进行自我学习，将历史资料转变为学习经验并进一步提炼为模型库；②将学习经验分类别地充实更新到智能系统中，对于已有的事故类型，将本学习经验直接进行扩展；而对于新发生的类型，一方面需要更新事故类型list，另一方面，构建智能系统中该类型的事故参照模型；③当城市安全事故发生时，根据物联网发回的数据，结合智能系统判断事故类型、破坏程度以及危险系数等信息，借助智能系统中模型库进行安全事故的前景预测，实施动态的跟踪变化，并提出总体救援水平等级和具体救援措施两方面信息，实现动态调整救援方案的同时，保持相对有预期的救援水平等级，实现救援效果的最优化；④当城市安全事故发生时，公共安全智能系统还能根据既定的规则，结合安全事故的现场状态，对安全事故的现场数据进行自我加工，其关键因素在于先前构建的城市安全事故领域本体，从而实现自动的加工，并将加工后的数据自主导入到历史资料中；⑤在救援方案进行实施之后，根据救援方案的具体措施、等级，以及救援的实际效果，对救援方案进行人工总结和自动反馈，评价救援方案实施的效果，并将其反馈到历史数据中，实现安全智能系统的自动学习和更新；

3)基于城市安全数据双向反馈的安全智能管理系统自我调整过程：自我调整则是通过设计城市公共安全智能决策系统的自我调整机制，支持系统根据城市公共安全事故过程状态数据，通过高性能数据分析和挖掘算法模型，实现对于城市公共安全应急救援方案的自主、及时、智能的自我调整，如图3所示。城市安全事故的现场过程状态与安全事故的性质密切相关，因此，我们首先将安全事故划分为五种演化的阶段，即城市安全事故的发生、城市安全事故的蔓延、城市安全事故的转换、城市安全事故的衍生以及城市安全事故的耦合。在明确了安全事故演化的基础上，给出了公共安全事故救援方法自我调整的概念模型。通过对正在发生的安全事故发生状态的判断，进而运用生成模拟矩阵、最佳投影方向等方法对事故的程度进行评价，得到安全事故状态阶段与事故程度的数据。在此基础上，运用数据分析和挖掘算法对安全事故现场的物联网信息进行分析，并结合安全事故的本体，实现事故模式的发现与匹配，进而根据安全事故的历史数据的多少，运用长期随机时间序列分析和短期随机时间序列分析方法，最终给出城市安全事故的救援方案；

4)基于城市安全数据双向反馈的安全智能管理系统自我优化过程：通过对安全事故可用应急救援资源的实时跟踪，结合城市公共安全事故现场过程状态数据变化，设计城市公共安全应急救援方案的自我优化算法及机制，支持城市公共安全智能化管理方案的自我优化。在此，这里通过设计城市事故化解的应急物资救援方案的Agent-DEVS模型群，构建基于HLA的应急物资救援协同环境，实现基于SVM的城市安全物资救援方案的自动优化，最终摸索出城市事故化解应急物资救援的可行技术路线，具体如图4所示。

Claims

1.一种面向城市安全突发事件的双向反馈自适应协调方法，其特征在于：所述协调方法包括以下步骤：

2.如权利要求1所述的一种面向城市安全突发事件的双向反馈自适应协调方法，其特征在于：所述步骤2）中，自我学习过程为：①首先根据物联网数据采集系统所采集到的历史事故数据，建立相应的历史事故数据库，并结合专家构建历史事故的模型库，细分事故的类型并给出相应的处理措施，在此基础上，利用CAS等理论方法对历史数据进行自我学习，将历史资料转变为学习经验并进一步提炼为模型库；②将学习经验分类别地充实更新到智能系统中，对于已有的事故类型，将本学习经验直接进行扩展；而对于新发生的类型，一方面需要更新事故类型list，另一方面，构建智能系统中该类型的事故参照模型；③当城市安全事故发生时，根据物联网发回的数据，结合智能系统判断事故类型、破坏程度以及危险系数等信息，借助智能系统中模型库进行安全事故的前景预测，实施动态的跟踪变化，并提出总体救援水平等级和具体救援措施两方面信息，实现动态调整救援方案的同时，保持相对有预期的救援水平等级，实现救援效果的最优化；④当城市安全事故发生时，公共安全智能系统还能根据既定的规则，结合安全事故的现场状态，对安全事故的现场数据进行自我加工，其关键因素在于先前构建的城市安全事故领域本体，从而实现自动的加工，并将加工后的数据自主导入到历史资料中；⑤在救援方案进行实施之后，根据救援方案的具体措施、等级，以及救援的实际效果，对救援方案进行人工总结和自动反馈，评价救援方案实施的效果，并将其反馈到历史数据中，实现安全智能系统的自动学习和更新。