CN108734402B - 基于虚拟案例的非常规突发事件应急管理决策方法及系统 - Google Patents
基于虚拟案例的非常规突发事件应急管理决策方法及系统 Download PDFInfo
- Publication number
- CN108734402B CN108734402B CN201810503544.8A CN201810503544A CN108734402B CN 108734402 B CN108734402 B CN 108734402B CN 201810503544 A CN201810503544 A CN 201810503544A CN 108734402 B CN108734402 B CN 108734402B
- Authority
- CN
- China
- Prior art keywords
- case
- rule
- rules
- information
- virtual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开了一种基于虚拟案例的非常规突发事件应急管理决策方法及系统,该方法包括:将收集到的历史案例信息以统一架构组织起来存入案例库;对案例库中的案例知识进行分析与挖掘,生成关联规则,与专家规则、常识性规则以产生式规则的形式存入规则库;将规则库中的规则翻译成Drools规则引擎能够识别的drl规则文件;调用规则引擎将输入的当前事件的情景信息与规则文件中的规则进行匹配推理,基于决策者风险态度将推理结果生成虚拟案例;决策者与计算机之间不断迭代交互的联想‑反馈‑修正,最终得到决策方案。通过本发明能够充分复用案例与人的知识,同时发挥人的创造性思维,解决非常规突发事件的难预测、相关辅助决策信息缺乏的问题。
Description
技术领域
本发明属于应急决策领域,更具体地,涉及一种基于虚拟案例的非常规突发事件应急管理决策方法及系统。
背景技术
非常规突发事件,由于预兆不明显、诱因复杂、演变迅速、罕见性强,常伴随着潜在次生衍生危害,破坏性强、影响面广,采用常规管理方式难以应对等特点,如何快速应对各种非常规突发事件,做出合理有效的决策,是世界各国共同面临的迫切问题。
现有的辅助决策方法,关注并且应用较多的是基于案例的应急决策方法。通常是通过检索历史上发生过的相似案例,进行修改、评估后形成备选方案,用于对事件现状做出预测、给出历史上的决策行为提供参考,用以指导解决当前问题。在突发事件应急管理领域,基于案例推理的方法常应用于辅助决策中,但这种方式往往依赖于历史案例,只能从过去相似历史案例中提取知识供决策人参考,决策人容易根据历史处理方式采取相似行为,形成一种局限的思维方式。当没有相似的历史案例作为数据支撑时,比如应对历史上尚未发生过的非常规突发事件,基于案例推理的方法则不能很好的发挥作用。此外,现有的案例数量虽然多,但仍有相当一部分是以纸质形式或采用影音方式记录,而通过电子文档保存的案例往往编写形式多样、存在信息缺漏的问题,因此实际可高效利用案例数量少、知识零散,没有一个统一的结构化的标准将应急案例知识整合起来进行复用。对于已有案例,也未能充分挖掘案例中蕴含的知识。
规则推理是人工智能领域一种有效和实用的推理手段,在应急决策领域也得到了充分应用,以基于规则推理的专家系统为代表,规则能够将专家知识形式化的描述出来,用以模仿专家在处理实际问题时的关联推理能力,且规则易于理解。但在实际应用中,常常存在规则相关领域的规则缺乏的情况,显然,仅仅依赖专家的处置经验来生成规则的方式仍是不够的,需要一种能够解决应急领域规则缺乏的方法,并且保证提供规则的质量。关联规则在数据挖掘领域作为一种重要的知识发现手段,已在商业数据分析中获得了成功的应用,比如文本分类,商品交易分析,网络入侵检测,隐私保护数据挖掘,医疗病理信息分析等。将关联规则应用到突发事件辅助决策领域是一条可行之路,可在一定程度上解决实际推理中规则缺乏的问题,但在面对复杂多变的非常规突发事件时,尤其是对事件的突发和各种衍变情况,很难用规则对其进行详尽描述。
总之,无论是案例推理还是规则推理,都只是为决策者提供辅助决策信息的一种手段,帮助决策者尽可能的做出理性决策,最后做出决策的仍然是决策者,尤其是应对存在高度不确定、先例少的非常规突发事件时,很大程度是由决策者依赖直觉进行决策。而人作为决策主体,在处理实际问题时,往往能够依据自身历史处置经验并结合人的创造性思维,从多种角度对当前情形进行分析、做出大胆假设,从而做出应对。但在缺乏数据支撑与一定的引导的情况下,很难发挥出人的创造性思维在决策中所起的作用。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于虚拟案例的非常规突发事件应急管理决策方法及系统,由此解决现有案例推理和规则推理在面对存在高度不确定、先例少的非常规突发事件时,存在的决策准确度低的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于虚拟案例的非常规突发事件应急管理决策方法,包括:
将收集到的历史案例信息以案例-情景-子事件的架构组织起来存入案例库;
对所述案例库中的案例知识进行分析与挖掘,生成历史案例处置的关联规则,并与专家规则及常识性规则以产生式规则的形式存入规则库;
将所述关联规则及所述专家规则及常识性规则翻译成Drools规则引擎能够识别的drl规则文件;
通过规则引擎将输入的当前事件的情景信息与所述drl规则文件中的规则进行匹配及推理,进而基于决策者风险态度将推理结果生成虚拟案例,其中,所述虚拟案例中包含对所述当前事件发展的预测信息及相应的处置信息;
获取决策者根据所述预测信息及相应的处置信息输入的联想信息,并根据所述联想信息生成新的虚拟案例,然后获取所述决策者根据所述新的虚拟案例的预测信息及相应的处置信息输入的下一次联想信息,再根据所述下一次联想信息生成下一次虚拟案例,直至得到最终的应急管理决策方案。
优选地,所述对所述案例库中的案例知识进行分析与挖掘,生成历史案例处置的关联规则,并与专家规则及常识性规则存入规则库,包括:
从所述案例库中发现频繁项集,依据预设支持度与预设置信度生成历史案例处置的关联规则,并与专家规则及常识性规则存入规则库,其中,支持度表示某个数据项在整个数据集合中出现的频率,置信度表示某一规则在整个数据集合中出现的频率。
优选地,所述将所述关联规则及所述专家规则及常识性规则翻译成Drools规则引擎能够识别的drl规则文件,包括:
根据各drl规则文件的存放路径为每个drl规则文件生成一个命名空间;
对于任意一条满足在对象M的A属性的值为A时,将对象N的B属性赋值为B的目标规则,判断drl规则文件中是否导入了对象M,若没有导入,则导入对象M,并根据对象M的名称生成相应的查询语句声明;
若已导入对象M,则为目标规则设置规则名称,并设置目标规则不允许重复激活;
根据目标规则的条件部分设置drl规则文件的条件部分,根据目标规则的结果部分设置drl规则文件的结果部分;
在工作空间中查询对象N的实例n,若实例n存在并且实例n对应的B属性对应的属性值为空,那么将B赋值给B属性,并更新工作空间中的实例n,否则,创建一个新的实例n,并将新实例n对应的B属性赋值为B,将新实例n插入到工作空间。
优选地,所述通过规则引擎将输入的当前事件的情景信息与所述drl规则文件中的规则进行匹配及推理,进而基于决策者的风险态度将推理结果生成虚拟案例,包括:
根据预设规则阈值,过滤掉规则文件中置信度小于所述预设规则阈值的规则得到过滤后的规则集合;
规则引擎调用所述规则集合与客观事实进行匹配,得到结果集合Res;
在所述结果集合Res中将与决策者风险态度一致的Resi提取出来并按照εi的大小从高到低进行排序,用来优先生成虚拟案例,对剩余结果案例的排序:若决策者的风险态度为风险追逐型,则优先排列中立型结果案例,其次是保守型结果案例,其内部通过风险系数的大小进行排序;若决策者的风险态度为风险规避型,则优先排列中立型结果案例,其次是风险型结果案例;若决策者的风险态度为风险中立型,则不区分剩余的结果案例的风险类型,直接按照风险系数从小到大进行排列,其中,Resi表示所述结果集合Res中的第i个结果,εi表示Resi的风险系数;
依次取出排序好的结果案例,对其中包含的内容进行解析,依次解析案例基本信息、案例下的事件信息及事件下的情景信息中的规则,并根据规则中的属性值生成虚拟案例的案例信息、事件信息和情景信息;
生成过程中记录每个虚拟案例使用的规则,虚拟案例的风险型数值、中立型数值和保守型数值则依次依据所调用规则的风险型数值、中立型数值和保守型数值的平均值进行计算,并计算虚拟案例的风险系数与成立概率,最后进行可视化处理后输出。
优选地,所述生成虚拟案例的案例信息、事件信息、情景信息,包括:
若案例的某个属性存在相同的多个值,则该属性只取其中一个值;若存在不同的多个值,则生成新的虚拟案例并赋值,直到所有案例基本属性的值全部使用;
若事件信息的某个属性存在相同的多个值,则该属性只取其中一个值;若存在不同的多个值,则检查该案例下的事件个数,若事件数小于第一预设个数,则在该案例下生成新的事件并赋值,否则创建一个新的虚拟案例,并在其下创建新的事件进行赋值;
若情景信息的某个属性存在相同的多个值,则该属性只取其中一个值;若存在不同的多个值,则查看该案例下的情景个数,若情景个数小于第二预设个数,则在该事件下生成一个新的情景并赋值,否则检查该案例下的事件数,若事件数小于所述第一预设个数,则新生成一个事件,并在该事件下生成一个新的情景进行赋值,否则创建一个新的虚拟案例,并生成新的事件、情景进行赋值。
按照本发明的另一方面,提供了一种基于虚拟案例的非常规突发事件应急管理决策系统,包括:
案例知识结构化模块,用于将收集到的历史案例信息以案例-情景-子事件的架构组织起来存入案例库;
规则生成模块,用于对所述案例库中的案例知识进行分析与挖掘,生成历史案例处置的关联规则,并与专家规则及常识性规则存入规则库;
规则转换模块,用于将所述关联规则及所述专家规则及常识性规则翻译成Drools规则引擎能够识别的drl规则文件;
虚拟案例生成模块,用于通过规则引擎将输入的当前事件的情景信息与所述drl规则文件中的规则进行匹配及推理,进而基于决策者的风险态度将推理结果生成虚拟案例,其中,所述虚拟案例中包含对所述当前事件发展的预测信息及相应的处置信息;
决策顿悟模块,用于获取决策者根据所述预测信息及相应的处置信息输入的联想信息,并根据所述联想信息生成新的虚拟案例,然后获取所述决策者根据所述新的虚拟案例的预测信息及相应的处置信息输入的下一次联想信息,再根据所述下一次联想信息生成下一次虚拟案例,直至得到最终的应急管理决策方案。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明的基于虚拟案例的决策支持方法通过规则生成模型,利用FP-growth算法对案例进行挖掘分析,结合专家经验以及常识经验生成规则并转换为规则文件,被规则引擎调用进行推理,虚拟案例生成模型则将推理结果转换为结构化的虚拟案例的形式提供给决策者。“决策-顿悟”模型则用来描述不同风险偏好的决策者不断的做出假设,并从虚拟案例中获得相应的决策提示,最终做出决策的人机交互过程。因此,这种基于虚拟案例的决策支持方法不仅能够在案例库中没有相似历史案例支持的情况下,给予决策者相应提示,而且能够在整个人机交互的过程中充分发挥人的创造性思维能力,引导决策者进行发散思考,并对决策者做出的各种假设提供数据支撑,以更好的应对各种非常规突发事件。
附图说明
图1是本发明实施例提供的一种基于虚拟案例的非常规突发事件应急管理决策方法的流程示意图;
图2是本发明实施例提供的一种自然灾害事件类型的分层结构示意图;
图3是本发明实施例提供的一种将规则翻译成Drools规则引擎可以识别的drl规则文件的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
现有的突发事件应急决策方法多数是采用基于案例的方法进行决策,其主要思路是从现有的案例中找出相似的案例进行分析和加工修改,最终得到决策方案。这种方法在缺乏类似案例支持或者案例较少的情况下,特别是针对非常规突发事件,决策效果并不是很好。本发明针对缺乏案例支持的非常规突发事件,提出了一种基于虚拟案例的决策支持方法,通过结合当前情景信息,利用案例库中的历史数据、决策者的风险偏好信息以及决策者的联想信息,生成虚拟案例为决策者提供决策提示,进而促使决策者产生新的联想。通过这种不断交互迭代的“决策-顿悟”的方式,得到最终的解决方案。而这种人机互动的方式,使决策者能够有效应对各种不确定突发事件。在应对尚未发生过相似情景的突发事件时,这种决策支持方法能够弥补现有突发事件案例数量有限的不足,发挥计算机快速计算和人类创造性思维的特点,采用计算机持续提供相关候选虚拟案例、决策者联想思考的方式为突发事件应急决策提供有效支持。
本发明中的虚拟案例指案例库中没有、历史上尚未发生过但很有可能发生的事件或情景的组合。这里的“可能”有两层含义,一方面指客观上存在发生的可能性。因为规则推理中使用的关联规则,蕴含着由条件到结果发生的可能性,当发生的情形与规则的条件部分相匹配时,规则的结果部分是在现实世界中可能发生的;而另一方面,“可能”还指人在整个决策过程中的主观意向,决策者通过浏览决策提示,将产生一些联想信息,认为当前情景下可能还会发生某些状况,这里的“可能”来自于决策者的主观判断,是由决策者自身累计的历史处置经验与从虚拟案例中获得的反馈产生的。
如图1所示是本发明实施例提供的一种基于虚拟案例的非常规突发事件应急管理决策方法的流程示意图,包括:
(1)将收集到的历史案例信息以案例-情景-子事件的架构组织起来存入案例库;
本发明实施例中的案例库指:采用现有的“案例-情景-子事件”突发事件案例结构体系,对突发事件案例用规范的术语进行结构化描述后组成的由历史经验和应急知识组成的数据库。这种“案例-情景-子事件”突发事件案例结构体系,案例层次结构清晰、信息全面,从中提取的规则具有较高的可用性。
(2)对案例库中的案例知识进行分析与挖掘,生成历史案例处置的关联规则,并与专家规则及常识性规则以产生式规则的形式存入规则库;
本发明中的规则是知识的形式化描述,分为两类:关联规则和自定义规则。关联规则通过对案例库中的案例采用相应的关联规则挖掘算法生成,而自定义规则通过将专家的领域知识和普通人的常识性知识进行规范化表示生成。最后将二者采取统一的表达形式,过滤掉一些不合理的规则,存放于规则库,便于处理。而规则库中的规则通常情况下,需要转换成规则引擎可识别的形式。
首先进行预处理,过滤掉一些包含重复含义的属性,同时人工过滤掉一些可能推理出无意义的结果的案例属性,比如案例创建人、案例创建时间等,避免产生一些无意义的规则。
以描述案例事件信息的事件类型这个属性为例:在以三三制为基础的结构化案例中,事件类型分为三级:分别是一级事件类型、二级事件类型、三级事件类型,其中一级事件类型分为:自然灾害事件、事故灾难事件、公共卫生事件、社会安全事件。以自然灾害事件为例,其关系如下图2所示。由图可以看出,三级事件类型可以确定一级事件类型与二级事件类型。虽然这种三级分层表达的结构将事件类型清晰的表达出来,但在进行规则挖掘时,我们认为这三个属性下的信息表达是有“冗余”的,只需要三级事件类型的信息即可,它涵盖了一、二级事件类型所表示的信息。
除此之外,一些案例概要的信息也需要“剔除”。例如“案例创建时间”、“创建者名称”等,利用这部分属性挖掘出来的关联规则没有太大实际意义。
通过FP-growth算法从预处理后的案例库中发现频繁项集,然后依据预设的支持度与置信度生成关联规则,其中,支持度表示某个数据项在整个数据集合中出现的频率,置信度表示规则A→B在整个数据集合中出现的频率。其中,支持度表示为:置信度表示为: N表示数据集中有N条数据链,Sum(A)表示包含项集A的数据链的数量,Sup(A)表示A的支持度,Sup(A∪B)表示A∪B的支持度。
当Conf(A→B)>min_conf时,输出关联规则。其中min_conf表示最小置信度。
在本发明实施例中,当案例库中的案例数量增加或者案例信息丰富时,挖掘出的关联规则会相应增加或者发生变化。除此之外,当录入的自定义的规则信息发生变化时,原来生成的规则文件将不再适用,需要有一种方式来自动更新规则文件。
以产生在对象M的属性attrA的值为A时,将对象N的attrB属性赋值为B的规则为例,A和B表示的是对象的属性值。这里的对象,指的可以是案例基本信息、案例应急行动、案例应急资源、案例应急任务、案例环境信息等,attrA、attrB则是指这对象的某个属性,比如案例基本信息下的地理位置、关键词,或案例应急行动下的行动类型、执行地点、执行者级别等,A和B则是这些属性对应的具体值。
本发明挖掘的关联规则以及自定义规则的条件、结果均为上述各种对象的属性所对应的值。如图3所示,将上述规则翻译成Drools规则引擎可以识别的drl规则文件的步骤如下:
a)根据各drl规则文件的存放路径为每个drl规则文件生成一个命名空间;
b)对于任意一条满足在对象M的A属性的值为A时,将对象N的B属性赋值为B的目标规则,判断drl规则文件中是否导入了对象M,若已导入,则执行步骤c),否则导入对象M,并根据对象M的名称生成相应的查询语句声明;
c)为目标规则设置规则名称,并设置目标规则不允许重复激活;
d)根据目标规则的条件部分设置drl规则文件的条件部分;
e)根据目标规则的结果部分设置drl规则文件的结果部分;
f)在工作空间中查询对象N的实例n,若实例n存在并且实例n对应的B属性对应的属性值为空,那么将B赋值给B属性,并更新工作空间中的实例n,否则,创建一个新的实例n,并将新实例n对应的B属性赋值为B,将新实例n插入到工作空间;
其中,在本发明实施例中的实例表示对象下的具体事实情况,比如对于对象自然环境,可以存在如下三个实例:实例1:自然环境(天气=晴天),实例2:自然环境(天气=雨天,风速=5m/s),实例3:自然环境(天气=大雪)。
g)检测是否还有未处理的规则,若有则执行步骤b),否则结束处理。
(3)通过规则引擎将输入的当前事件的情景信息与drl规则文件中的规则进行匹配及推理,进而基于决策者的风险态度将推理结果生成虚拟案例,其中,虚拟案例中包含对所述当前事件发展的预测信息及相应的处置信息;
通过步骤(2)将规则转换为规则引擎可以识别的规则文件后,经过Drools规则引擎的规则调用与当前情景信息输入或联想信息的输入匹配生成的结果集,结合决策者的风险态度以及案例的风险属性,优先将决策者可能感兴趣的推理结果按照之前讲述的“案例-事件-情景”的结构将组织起来,以结构化虚拟案例的形式供决策者查看。
其中,决策者风险态度衡量方式为:可以使用遗传算法来改进BP神经网络,通过对决策者的性别、年龄、是否参加过应急管理培训、决策者的处置经验、自信程度、实际平均准确度以及决策者查看不同风险属性的案例时长这些参数作为神经网络的输入,决策者的风险态度作为输出来预测决策者的风险态度。
其中,虚拟案例风险评价包括:
a)案例风险的主观评价统计与案例风险程度参数设计
案例风险的主观评价结果用于衡量案例的风险属性,可将案例按照该主观评价统计结果划分为不同风险属性,而案例风险程度则用于衡量该案例属于某种风险类型的程度,这两个参数都将用于对不同风险态度的决策者提供个性化决策支持作为提示依据。假设案例库中的案例集合为Ω,则Ω=<C,E,S,A>.其中C表示案例的基本信息,E表示案例下的事件信息,S表示事件下的情景信息,A表示案例的风险属性信息。假设C有p个属性,E有q个属性,S有w个属性,则C={attrC1,attrC2...attrCp},E={attrE1,attrE2...attrEq},S={attrS1,attrS2...attrSw},A={α,β,γ,ε}.attrCi表示案例基本信的第i个属性对应的属性值,attrEi与attrSi类推。α,β,γ取值为整数,分别表示案例的风险型数值、中立型数值、保守型数值,数值的大小用于衡量案例是哪一种风险类型。ε表示案例的风险系数,用于描述该案例属性某个风险类型的程度。因此案例集合Ω可按式(1)进行划分:
Ωi(Ci,Ei,Si,αi,βi,γi,εi)表示案例库中的某一个具体案例,αi,βi,γi分别表示该案例的风险数值、中立数值、保守数值,εi表示该案例的风险系数。虚拟案例的风险类型由式(2)定义,案例的风险程度则由式(3)计算:
当αi=βi=γi时,εi=0,认为该案例可作为三种类型的任意其中一种进行后续计算。
b)规则与结果集合的风险属性值参数设计
为了能够统计生成的虚拟案例的风险属性值,进行风险类型划分并计算虚拟案例的风险程度,需要统计生成虚拟案例时所调用的规则、以及规则生成的结果集的风险属性值。设规则库中的规则集合为R,案例库中有n个案例,则将R在逻辑上分为n+1个集合,划分的原则:若某条规则的RHS部分的属性值与案例Ωi中的某个属性值相同,则将该规则划分到子集Ri(1≤i≤n)。规则子集Rn+1用于存放专家的领域规则与用户录入的常识性规则,这里称为自定义规则。其中,RHS表示规则的结果部分,比如规则“如果天气好然后心情好”,则LHS表示规则的条件部分,如天气好,RHS表示规则的结果部分,如心情好。
因此规则集合R定义如下式(4):
其中的取值则按如下方式:当1≤i≤n时,根据Ri划分的原理的值由专家参考Ωi的αi,βi,γi值给出;当i=n+1时,规则集合Rn+1中的每条规则的rn+1j的由用户自定义设置。confr为规则的置信度。若rij为关联规则,则confr在关联规则挖掘时已计算出;若rij为自定义规则,则confr由用户取值,取值范围为0≤confr≤1,表示该规则成立的程度。
c)虚拟案例风险属性与成立概率参数设计
为了能够给不同风险态度的决策者有针对性的提供不同风险属性的虚拟案例,达到个性化辅助决策的效果,需要对生成的虚拟案例计算风险属性与成立概率。设最终生成的虚拟案例集合V=<C,E,S,A,P>则是由若干个Resi组合而成,其中P代表虚拟案例的成立概率,C、E、S、A的含义与之前讲述的相同。
因此对单个的虚拟案例Vs可按如下定义:
函数g用于若干个Resi转换成结构化的虚拟案例Vs的过程,w表示一个完整的虚拟案例是由w个Resi转换得到,mi表示Resi中包含有mi条规则。因此,对虚拟案例Vs,其成立概率Ps可通过式(9)计算:
其中,在上述各公式中的上标r是用来表示规则对应的参数,上标R用来表示结果集合对应的相关参数。
虚拟案例作为提供决策提示信息的一种手段,可以利用决策者的风险态度,有针对性的对不同决策者生成定制化的虚拟案例。生成虚拟案例过程如下:
1)根据决策者给定的规则阈值t,过滤掉规则文件中所有conf<t的规则;
2)规则引擎调用过滤后的规则集合R与客观事实进行匹配,调用Rete算法匹配并生成结果集合Res;
其中,客观事实用来和规则的条件部分进行匹配,比如今天天气为晴气温35度,存在两个客观事实,如天气为晴,气温为35度,这些客观事实被加载到工作内存中。
3)在结果集合Res中将与决策者风险态度一致的Resi提取出来并按照的大小从高到低进行排序,用来优先生成虚拟案例,对其余的Resi的排序,按照如下方式:若决策者的风险态度为风险追逐型,则优先排列中立型Resi其次是保守型Resi,其内部通过的大小进行排序;若决策者的风险态度为风险规避型,则优先排列中立型Resi其次是风险型Resi;若决策者的风险态度为风险中立型,则不区分剩余的Resi风险类型,直接按照从小到大进行排列;
4)依次取出排序好的Resi,对其中包含的内容进行解析,依次解析中的设从其中读取的每个属性值依次设为 依次用于生成虚拟案例的案例信息、事件信息、情景信息,为使虚拟案例中的信息分布尽可能均匀,根据分析案例库中实际的案例数据,在生成时,建议将每个虚拟案例下的事件个数的最大值设置为6,每个事件下的情景最大个数设置为4,取值可根据实际应用情况进行调整。生成的原则如下:
若案例的某个属性存在相同的多个值,则该属性只取其中一个值;若存在不同的多个值,则生成新的虚拟案例并赋值,直到所有案例基本属性的值全部使用;
若事件信息的某个属性存在相同的多个值,则该属性只取其中一个值;若存在不同的多个值,则检查该案例下的事件个数。若事件数小于6,则在该案例下生成新的事件并赋值。否则创建一个新的虚拟案例,并在其下创建新的事件进行赋值。
若情景信息的某个属性存在相同的多个值,则该属性只取其中一个值;若存在不同的多个值,则查看该案例下的情景个数。若情景个数小于4,则在该事件下生成一个新的情景并赋值。否则检查该案例下的事件数。若事件数小于6,则新生成一个事件,并在该事件下生成一个新的情景进行赋值。否则创建一个新的虚拟案例,并按之前的步骤生成新的事件、情景进行赋值。
(4)获取决策者根据预测信息及相应的处置信息输入的联想信息,并根据所述联想信息生成新的虚拟案例,然后获取决策者根据新的虚拟案例的预测信息及相应的处置信息输入的下一次联想信息,再根据下一次联想信息生成下一次虚拟案例,直至得到最终的应急管理决策方案。
其中,“决策-顿悟”的主体由计算机和决策者组成。计算机接收用户输入并通过调用相应的决策模型进行计算,将推理的结果以可视化的形式反馈给决策者。决策者作为决策核心,在浏览决策提示时,可以将产生的联想信息作为新的输入,并再次获得决策提示,从而对之前的联想进行验证或进行调整,并产生新的联想。这种“联想-反馈-修正”的过程是可以不断重复进行的,在这样的一个循环的过程中帮助决策者形成最终的决策方案。这种方式结合了人类创造性思维的特点,使决策者不再受限于历史处置行为,去进行发散思考来应对多变的突发事件,同时又使决策者能够从虚拟案例中获取经验知识来处理当前问题,得到较为合理的决策方案。而在这整个“决策-顿悟”的过程中,还将决策者自身的风险态度纳入模型计算,为决策者提供个性化的决策支持。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于虚拟案例的非常规突发事件应急管理决策方法,其特征在于,包括:
将收集到的历史案例信息以案例-情景-子事件的架构组织起来存入案例库;
对所述案例库中的案例知识进行分析与挖掘,生成历史案例处置的关联规则,并与专家规则及常识性规则以产生式规则的形式存入规则库;
将所述关联规则及所述专家规则及常识性规则翻译成Drools规则引擎能够识别的drl规则文件;
通过规则引擎将输入的当前事件的情景信息与所述drl规则文件中的规则进行匹配及推理,进而基于决策者的风险态度将推理结果生成虚拟案例,其中,所述虚拟案例中包含对所述当前事件发展的预测信息及相应的处置信息;
获取决策者根据所述预测信息及相应的处置信息输入的联想信息,并根据所述联想信息生成新的虚拟案例,然后获取所述决策者根据所述新的虚拟案例的预测信息及相应的处置信息输入的下一次联想信息,再根据所述下一次联想信息生成下一次虚拟案例,直至得到最终的应急管理决策方案。
2.根据权利要求1所述的方法,其特征在于,所述对所述案例库中的案例知识进行分析与挖掘,生成历史案例处置的关联规则,并与专家规则及常识性规则存入规则库,包括:
从所述案例库中发现频繁项集,依据预设支持度与预设置信度生成历史案例处置的关联规则,并与专家规则及常识性规则存入规则库,其中,支持度表示某个数据项在整个数据集合中出现的频率,置信度表示某一规则在整个数据集合中出现的频率。
3.根据权利要求1所述的方法,其特征在于,所述将所述关联规则及所述专家规则及常识性规则翻译成Drools规则引擎能够识别的drl规则文件,包括:
根据各drl规则文件的存放路径为每个drl规则文件生成一个命名空间;
对于任意一条满足在对象M的A属性的值为A时,将对象N的B属性赋值为B的目标规则,判断drl规则文件中是否导入了对象M,若没有导入,则导入对象M,并根据对象M的名称生成相应的查询语句声明;
若已导入对象M,则为目标规则设置规则名称,并设置目标规则不允许重复激活;
根据目标规则的条件部分设置drl规则文件的条件部分,根据目标规则的结果部分设置drl规则文件的结果部分;
在工作空间中查询对象N的实例n,若实例n存在并且实例n对应的B属性对应的属性值为空,那么将B赋值给B属性,并更新工作空间中的实例n,否则,创建一个新的实例n,并将新实例n对应的B属性赋值为B,将新实例n插入到工作空间。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述通过规则引擎将输入的当前事件的情景信息与所述drl规则文件中的规则进行匹配及推理,进而基于决策者的风险态度将推理结果生成虚拟案例,包括:
根据预设规则阈值,过滤掉规则文件中置信度小于所述预设规则阈值的规则得到过滤后的规则集合;
规则引擎调用所述规则集合与客观事实进行匹配,得到结果集合Res;
在所述结果集合Res中将与决策者风险态度一致的Resi提取出来并按照εi的大小从高到低进行排序,用来优先生成虚拟案例,对剩余结果案例的排序:若决策者的风险态度为风险追逐型,则优先排列中立型结果案例,其次是保守型结果案例,其内部通过风险系数的大小进行排序;若决策者的风险态度为风险规避型,则优先排列中立型结果案例,其次是风险型结果案例;若决策者的风险态度为风险中立型,则不区分剩余的结果案例的风险类型,直接按照风险系数从小到大进行排列,其中,Resi表示所述结果集合Res中的第i个结果,εi表示Resi的风险系数;
依次取出排序好的结果案例,对其中包含的内容进行解析,依次解析案例基本信息、案例下的事件信息及事件下的情景信息中的规则,并根据规则中的属性值生成虚拟案例的案例信息、事件信息和情景信息;
生成过程中记录每个虚拟案例使用的规则,虚拟案例的风险型数值、中立型数值和保守型数值则依次依据所调用规则的风险型数值、中立型数值和保守型数值的平均值进行计算,并计算虚拟案例的风险系数与成立概率,最后进行可视化处理后输出。
5.根据权利要求4所述的方法,其特征在于,所述生成虚拟案例的案例信息、事件信息、情景信息,包括:
若案例的某个属性存在相同的多个值,则该属性只取其中一个值;若存在不同的多个值,则生成新的虚拟案例并赋值,直到所有案例基本属性的值全部使用;
若事件信息的某个属性存在相同的多个值,则该属性只取其中一个值;若存在不同的多个值,则检查该案例下的事件个数,若事件数小于第一预设个数,则在该案例下生成新的事件并赋值,否则创建一个新的虚拟案例,并在其下创建新的事件进行赋值;
若情景信息的某个属性存在相同的多个值,则该属性只取其中一个值;若存在不同的多个值,则查看该案例下的情景个数,若情景个数小于第二预设个数,则在该事件下生成一个新的情景并赋值,否则检查该案例下的事件数,若事件数小于所述第一预设个数,则新生成一个事件,并在该事件下生成一个新的情景进行赋值,否则创建一个新的虚拟案例,并生成新的事件、情景进行赋值。
6.一种基于虚拟案例的非常规突发事件应急管理决策系统,其特征在于,包括:
案例知识结构化模块,用于将收集到的历史案例信息以案例-情景-子事件的架构组织起来存入案例库;
规则生成模块,用于对所述案例库中的案例知识进行分析与挖掘,生成历史案例处置的关联规则,并与专家规则及常识性规则存入规则库;
规则转换模块,用于将所述关联规则及所述专家规则及常识性规则翻译成Drools规则引擎能够识别的drl规则文件;
虚拟案例生成模块,用于通过规则引擎将输入的当前事件的情景信息与所述drl规则文件中的规则进行匹配及推理,进而基于决策者的风险态度将推理结果生成虚拟案例,其中,所述虚拟案例中包含对所述当前事件发展的预测信息及相应的处置信息;
决策顿悟模块,用于获取决策者根据所述预测信息及相应的处置信息输入的联想信息,并根据所述联想信息生成新的虚拟案例,然后获取所述决策者根据所述新的虚拟案例的预测信息及相应的处置信息输入的下一次联想信息,再根据所述下一次联想信息生成下一次虚拟案例,直至得到最终的应急管理决策方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810503544.8A CN108734402B (zh) | 2018-05-23 | 2018-05-23 | 基于虚拟案例的非常规突发事件应急管理决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810503544.8A CN108734402B (zh) | 2018-05-23 | 2018-05-23 | 基于虚拟案例的非常规突发事件应急管理决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734402A CN108734402A (zh) | 2018-11-02 |
CN108734402B true CN108734402B (zh) | 2021-06-11 |
Family
ID=63936183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810503544.8A Active CN108734402B (zh) | 2018-05-23 | 2018-05-23 | 基于虚拟案例的非常规突发事件应急管理决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734402B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147985A (zh) * | 2019-05-05 | 2019-08-20 | 珠海泰坦软件系统有限公司 | 一种基于规则的档案库房设备事件联动管理方法及系统 |
CN110727792A (zh) * | 2019-10-17 | 2020-01-24 | 重庆法谷大数据有限公司 | 一种司法裁判规则数据库的构建方法、数据库及查询方法 |
CN111105075A (zh) * | 2019-11-25 | 2020-05-05 | 上海建科工程咨询有限公司 | 一种基于案例推理的塔吊风险事故预测方法及系统 |
CN111061679B (zh) * | 2019-12-16 | 2023-03-14 | 上海市研发公共服务平台管理中心 | 一种基于rete和drools规则的科技创新政策速配的方法和系统 |
CN111415286A (zh) * | 2020-03-04 | 2020-07-14 | 青岛海信网络科技股份有限公司 | 一种交通枢纽应急事件辅助研判方法及装置 |
CN112446503B (zh) * | 2020-11-19 | 2022-06-21 | 华南师范大学 | 多人决策防范潜在伦理风险虚拟实验方法和机器人 |
CN114861361A (zh) * | 2022-05-19 | 2022-08-05 | 成都飞机工业(集团)有限责任公司 | 一种航空失效快速决策方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013083A (zh) * | 2010-12-01 | 2011-04-13 | 深圳市天维尔通讯技术有限公司 | 一种基于预案生成应急行动方案的方法及系统 |
CN103679611A (zh) * | 2013-12-17 | 2014-03-26 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于案例推理的城市综合应急智能仿真系统及其运行方法 |
CN104463759A (zh) * | 2014-11-28 | 2015-03-25 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于数字预案的决策指挥一体机及其运行方法 |
CN105741218A (zh) * | 2016-03-04 | 2016-07-06 | 公安部道路交通安全研究中心 | 应急预案生成服务器、方法、系统以及客户端 |
CN106295050A (zh) * | 2016-08-19 | 2017-01-04 | 武汉理工大学 | 船舶应急预案仿真与评价系统及方法 |
CN106599264A (zh) * | 2016-12-22 | 2017-04-26 | 国家行政学院 | 一种基于大数据的突发事件演化推理方法及系统 |
CN106815315A (zh) * | 2016-12-23 | 2017-06-09 | 国家行政学院 | 一种基于突发事件情景链的情景推理方法及系统 |
CN107945082A (zh) * | 2017-10-09 | 2018-04-20 | 中国电子科技集团公司第二十八研究所 | 一种应急预案生成方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9324120B2 (en) * | 2013-06-07 | 2016-04-26 | Emergency University, Inc. | Method and apparatus for emergency response notification |
-
2018
- 2018-05-23 CN CN201810503544.8A patent/CN108734402B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013083A (zh) * | 2010-12-01 | 2011-04-13 | 深圳市天维尔通讯技术有限公司 | 一种基于预案生成应急行动方案的方法及系统 |
CN103679611A (zh) * | 2013-12-17 | 2014-03-26 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于案例推理的城市综合应急智能仿真系统及其运行方法 |
CN104463759A (zh) * | 2014-11-28 | 2015-03-25 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于数字预案的决策指挥一体机及其运行方法 |
CN105741218A (zh) * | 2016-03-04 | 2016-07-06 | 公安部道路交通安全研究中心 | 应急预案生成服务器、方法、系统以及客户端 |
CN106295050A (zh) * | 2016-08-19 | 2017-01-04 | 武汉理工大学 | 船舶应急预案仿真与评价系统及方法 |
CN106599264A (zh) * | 2016-12-22 | 2017-04-26 | 国家行政学院 | 一种基于大数据的突发事件演化推理方法及系统 |
CN106815315A (zh) * | 2016-12-23 | 2017-06-09 | 国家行政学院 | 一种基于突发事件情景链的情景推理方法及系统 |
CN107945082A (zh) * | 2017-10-09 | 2018-04-20 | 中国电子科技集团公司第二十八研究所 | 一种应急预案生成方法和系统 |
Non-Patent Citations (2)
Title |
---|
A hybrid knowledge-base system approach for;Jiang Q等;《Advanced Materials Research.Trans》;20131231;第2234-2237页 * |
基于框架和案例推理的应急预案表示和优选方法的研究设计;谷岩;《计算机科学》;20120630;第163-169页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108734402A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734402B (zh) | 基于虚拟案例的非常规突发事件应急管理决策方法及系统 | |
Dias et al. | Concept lattices reduction: Definition, analysis and classification | |
US7509235B2 (en) | Method and system for forecasting reliability of assets | |
CN110458324B (zh) | 风险概率的计算方法、装置和计算机设备 | |
CN111834010B (zh) | 一种基于属性约简和XGBoost的病毒检测假阴性识别方法 | |
Hájek | Credit rating analysis using adaptive fuzzy rule-based systems: an industry-specific approach | |
Maulana et al. | Logistic model tree and decision tree J48 algorithms for predicting the length of study period | |
CN111600761A (zh) | 一种基于运维业务风险告警分析归并方法 | |
García-Vico et al. | Fepds: A proposal for the extraction of fuzzy emerging patterns in data streams | |
Ibrahim et al. | Fractional calculus-based slime mould algorithm for feature selection using rough set | |
CN113688169B (zh) | 基于大数据分析的矿山安全隐患辨识与预警系统 | |
Loor et al. | Contextualizing naive Bayes predictions | |
Pohl et al. | Active online learning for social media analysis to support crisis management | |
CN115099344A (zh) | 模型训练方法和装置、用户画像生成方法和装置、设备 | |
Meekins et al. | ROC with cost Pareto frontier feature selection using search methods | |
Carson et al. | A Hybrid Decision Tree-Neural Network (DT-NN) Model for Large-Scale Classification Problems | |
Diamantopoulos et al. | Towards interpretable defect-prone component analysis using genetic fuzzy systems | |
CN114282875A (zh) | 流程审批确定性规则和语义自学习结合判定方法及装置 | |
Mehta et al. | Categorical Crime Rate Analysis and Prediction | |
He et al. | A novel multi-stage ensemble model for credit scoring based on synthetic sampling and feature transformation | |
Fávero et al. | Analogy-based effort estimation: A systematic mapping of literature | |
Sree Divya et al. | XGBoost Classifier to Extract Asset Mapping Features | |
Gupta et al. | Exploratory Data Analysis of Titanic Survival Prediction using Machine Learning Techniques | |
US20220027799A1 (en) | Content classification method and classification model generation method | |
CN115878817A (zh) | 基于知识图谱的核电信息推荐方法、系统与计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |