CN109523061A - 一种基于情景分析的突发事件应急决策方法 - Google Patents
一种基于情景分析的突发事件应急决策方法 Download PDFInfo
- Publication number
- CN109523061A CN109523061A CN201811230978.1A CN201811230978A CN109523061A CN 109523061 A CN109523061 A CN 109523061A CN 201811230978 A CN201811230978 A CN 201811230978A CN 109523061 A CN109523061 A CN 109523061A
- Authority
- CN
- China
- Prior art keywords
- event
- knowledge
- emergency
- characteristic element
- characteristic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000007726 management method Methods 0.000 claims description 29
- 230000000694 effects Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 239000012141 concentrate Substances 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 241000772415 Neovison vison Species 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000011524 similarity measure Methods 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 9
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 230000035484 reaction time Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 description 8
- 206010039203 Road traffic accident Diseases 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000010485 coping Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于情景分析的突发事件应急决策方法,本发明涉及突发事件应急决策方法。本发明的目的是为了解决现有突发事件反应机制设置不合理,应急管理人员直接凭借经验或者使用人工神经网络划分等方法对突发事件展开应急决策并不能很好的缩短反应时间,不符合实际情况,导致突发事件应急管理效率低以及准确率低问题。一种基于情景分析的突发事件应急决策方法具体过程为:步骤一、构建基础情景库;步骤二、从目标情景中抽取目标情景的特征要素知识元,然后将目标情景的特征要素知识元输入到基础情景库中进行检索与匹配,得到对应的应急决策方案;本发明属于应急交通管理领域。
Description
技术领域
本发明涉及突发事件应急决策方法,属于应急交通管理领域。
背景技术
目前,各个城市中的常规应急管理机制已经非常发达,但是随着突发事件数量的增加, 城市应急反应时间对突发事件应急反应时间有着极大的影响,为了提升突发事件应急决策 的运行效率,学者提出了很多优化方式。
国内方面对应急决策管理研究相对起步较晚。薛澜提出了一种基于马尔可夫链的决策 主体多属性应急决策方法。王庆全采用多数据融合方法,有效解决非常规突发事件信息源 不一致、数据异构等问题。
现阶段,很多学者对非常规突发事件应急决策方法进行了研究。管理学领域的学者利 用数理统计与概率分析、优化分析、数据链分析、情景建模等方法,对应急管理决策进行 了建模。智能方法例如群智能方法、模糊理论、人工神经网络、支持向量机、遗传算法等在灾害预测及评估相关决策领域中已得到有效应用。这些智能方法的最大特点就是可以处理非线性、复杂性、不确定性信息,通过自学习或者训练,可以对环境动态适应,为决策 主体提供辅助决策。
智能技术现在主要应用于控制与制导、路径优化等领域,在非常规突发事件应急决策 方面的应用还很少见。同时,计算机辅助决策是根据现有案例库、决策准则库等与事件有 关的数据进行决策,而非常规突发事件具有罕见性,其收集的数据存在不完整、不匹配、 效率低等特征,使得后期的应急决策存在很大难度。
目前的情景分析与推演技术主要用于企业管理、经济规划、税负分析等,如何创造性 的把这些领域的相关技术应用于非常规突发事件的应急决策领域,构建情景数据库和反馈 机制,提出识别各关键要素之间的耦合作用优化方法的研究很有必要。
综上,现有突发事件反应机制设置不合理,应急管理人员直接凭借经验或者使用人工 神经网络划分等方法对突发事件展开应急决策并不能很好的缩短反应时间,不符合实际情 况,导致突发事件应急管理效率低、应急决策方案选取准确率低的问题。
发明内容
本发明的目的是为了解决现有突发事件反应机制设置不合理,应急管理人员直接凭借 经验或者使用人工神经网络划分等方法对突发事件展开应急决策并不能缩短反应时间,不 符合实际情况,导致应急决策方案选取准确率低问题,而提出一种基于情景分析的突发事 件应急决策方法。
一种基于情景分析的突发事件应急决策方法具体过程为:
步骤一、构建基础情景库;
步骤二、从目标情景中抽取目标情景的特征要素知识元,然后将目标情景的特征要素 知识元输入到基础情景库中进行检索与匹配,得到对应的应急决策方案;具体过程为:
步骤二一、确定基础情景库中的历史事件特征要素的权重;
将基础情景库中的历史事件特征要素所占的权重设为Wi,特征要素共n个,则n个特征要素的权重满足
n取值为正整数;
步骤二二、根据权重在基础情景库中的历史事件中筛选出权重与当前目标情景中事件 最接近的3个目标事件;
步骤二三、分析最接近的3个目标事件中目标情景中事件的特征要素与基础情景库中 的历史事件特征要素在结构上的相似性,基于结构上的相似性再进行目标情景中事件的特 征要素集合P和基础情景库中的历史事件的特征要素集合Q事件的特征要素的相似度计 算,基于结构相似性和特征要素的相似度进行两者的综合相似度的计算;
选取综合相似度最大值对应的历史事件的特征要素集合Q为目标情景中事件的特征 要素在历史事件的特征要素库中的最相似情景;
根据最相似情景对应的历史事件的特征要素集合Q,得到对应的应急决策方案。
本发明的有益效果为:
本发明的目的在于提出一种更加科学的突发事件应急决策方法。本方法通过目标情景 与源情景库的检索与匹配,从源情景库中筛选出最有参考价值的源情景,对最有参考价值 源情景的决策方案进行修改和校正,给出以适用于目标情景的决策方案。该方法可以应对 传统“预测-应对”应急决策方式无法解决的突发性事件。本方法快捷有效,极大加强了 决策的效率与准确度。其次本方法考虑了源情景与目标情景的适应性问题,虽然源情景可 能无限接近目标情景状态,但是为了更好地适应不同的目标情景,需对源情景中的应急决 策方案进行修正,进而提交给决策者。使决策方法更加科学化,更好地适应了突发事件的 复杂性和不确定性。本方法还构建了科学的评价体系,对应急处置结果进行评价分级,有 利于决策的改进。在评价之后择优进行入库,扩充源情景库。并且随着突发事件的增多,源情景库越来越丰富,提高了突发事件应急管理效率和应急决策方案选取的准确率。
本发明可以提升决策效率10%以上,为应急救援争取了宝贵的时间。更好地满足了 应急情境下的决策需求,给出的决策方案也更加科学合理。
附图说明
图1为应急知识元体系图;
图2为情景匹配图;
图3为应急决策修正框图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式的一种基于情景分析的突发 事件应急决策方法具体过程为:
本发明方法是一种基于情景分析的突发事件应急决策方法。本方法通过目标情景与源 情景库的检索与匹配,从源情景库中筛选出最有参考价值的候选源情景,将候选源情景的 决策方案进行修改与优化。决策者根据收到的经过修改和校正的应急决策方案,对突发事 件进行处置。通过对应急决策方案的处置效果进行评价,得到理论最优决策方案,输入并 丰富源情景库。
步骤一、构建基础情景库;
通过知识元理论体系和情景建模理论的方法,规范地表述情景库中的源情景,这样可 以方便后续获取源情景特征信息,形成一个统一规范的情景库表达范式。然后开始收集信 息,建立应急处置情景库。
步骤二、突发事件爆发后,从目标情景中抽取目标情景的特征要素知识元,然后将目 标情景的特征要素知识元输入到基础情景库中进行检索与匹配,得到对应的应急决策方 案;具体过程为:
从情景中抽取出情景要素知识元,然后进行知识元的检索与匹配。突发事件爆发后, 我们分析目标情景,获取目标情景要素知识元;然后将目标情景要素知识元输入到情景库 中进行检索和匹配,得到相近的候选源情景及其情景要素知识元。这一步可能得到多个候 选源情景与情景要素知识元。我们要分别计算候选源情景、候选源情景要素知识元与目标 情景、目标情景要素知识元的相似度,筛选出最具有参考价值的候选源情景。
具体过程为:
步骤二一、确定基础情景库中的历史事件特征要素的权重;
知识元权重确定相对复杂,由于各类突发事件涉及的特征要素种类数量差异较大,在 设置的过程中需要相应领域的专家知识和经验给予指导。同样,情景的对比、修正也是一 个需要专家不断给予指导和修正的过程。在确定权重时,将基础情景库中的历史事件特征 要素(图中第4排)所占的权重设为Wi,特征要素共n个,则n个特征要素的权重满足
n取值为正整数;
步骤二二、根据权重在基础情景库中的历史事件中筛选出权重与当前目标情景中事件 最接近的3个目标事件;
可将一个突发事件情景分解成若干知识元,知识元组成分为属性信息和知识元内容, 将情景要素事件、承灾载体、应急管理活动可细分为更小的知识元。当进行情景检索时, 根据权重在基础情景库中的历史事件中筛选出权重与当前目标情景中事件最接近的的3 个目标事件,从而找到与当前目标情景最相近的一个或几个具体情景。
步骤二三、由于突发事件自身的紧急性,要求匹配算法要满足情景库检索的高效率、 高精度等要求。参考相关学者的研究,本算法釆用二重检索策略—情景库结构与情景要素 双检索。
首先,将当前目标情景按照情景库统一结构进行规范表示,分析最接近的3个目标事 件中目标情景中事件的特征要素与基础情景库中的历史事件特征要素在结构上的相似性, 基于结构上的相似性再进行目标情景中事件的特征要素集合P和基础情景库中的历史事 件的特征要素集合Q事件的特征要素的相似度计算,基于结构相似性和特征要素的相似度 进行两者的综合相似度的计算;
选取综合相似度最大值对应的历史事件的特征要素集合Q为目标情景中事件的特征 要素在历史事件的特征要素库中的最相似情景;
根据最相似情景对应的历史事件的特征要素集合Q,得到对应的应急决策方案(应急 决策方案为现有的,根据历史事件已经调整好的什么时间对应什么应急决策方案)。
候选源情景修正
这一过程主要是针对源情景的应急管理决策方案。当得到最具有参考价值的候选源情 景后,虽然它可能无限接近目标情景状态,但我们考虑到突发事件的复杂性和不确定性, 因此需对候选源情景中的应急决策方案加以修改和优化,提交给决策者。
决策方案的修正过程,具体过程为:
计算情景检索中筛选出的权重与当前目标最接近的的3个情景的综合相似度,取综合 相似度值最大的历史事件,即得到历史事件所对应的应急方案;对历史事件所对应的应急 方案进行修正;
决策者通过分析从情景库中得到的最具有参考价值候选源情景的最优应急决策方案 与真实突发事件目标情景之间的联系,依据收集的突发事件客观信息以及决策者本身的知 识储备,将从情景库中得到的最优应急决策方案进行修正,得出最终应急决策方案。决策 方案的修正过程,如图3所示;
对应急决策方案进行评价。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中构建基础情 景库;
通过知识元理论体系和情景建模理论的方法,规范地表述情景库中的源情景,这样可 以方便后续获取源情景特征信息,形成一个统一规范的情景库表达范式。然后开始收集信 息,建立应急处置情景库。
具体过程为:
步骤一一、构建知识元模型:
具体的情景模型的构建借鉴王延章提出的模型共性知识表示法,构建突发事件共性知 识元模型,把知识元模型作为刻画突发事件应急管理案例的基础知识元模型。每个应急管 理案例看作是由多个基础知识元模型的实例对象依据逻辑关系组合而成,从而可从细粒度 上管理和组织应急管理案例知识,同时可以提高案例知识的重用能力。
知识元模型包括突发事件知识元(一个突发事件比如严重车祸、恶劣天气、地质灾害、 社会安全等导致的事故;)、承载载体知识元(该突发事件的损害车辆数,受伤人数,损失 财产等)、应急管理活动知识元;
突发事件知识元包括恶劣天气知识元、地质灾害知识元、交通运输生产事故知识元、 桥隧结构事故知识元、社会安全事故知识元;
承载载体知识元包括环境知识元、财产知识元;
应急管理活动知识元包括基本要素知识元、应急处置知识元、应急方案知识元、应急 保障资源知识元;
具体的应急知识元体系如图1:
步骤一二、构建情景;
步骤一三、构建基础情景库:
根据构建的知识元模型和情景对突发事件历史事件进行收集并分类,记录入库,构建 基础情景库作为算法运行的基础数据。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述
恶劣天气知识元包括暴雨事件知识元、台风事件知识元、海雾事件知识元、霜冻事件 知识元;
地质灾害知识元包括地震灾害知识元、海啸灾害知识元;
交通运输生产事故知识元包括交通运输事故知识元、危化品泄露事故知识元、火灾事 故知识元;
桥隧结构事故知识元包括桥梁结构事故知识元、隧道结构事故知识元;
社会安全事故知识元包括群体性事件知识元、恐怖袭击事件知识元;
环境知识元包括水环境知识元、空气环境知识元、道路环境知识元;
财产知识元包括人员知识元、交通知识元、道路设施知识元、生命线工程知识元、建 筑物知识元;
基本要素知识元包括响应时间知识元、应急结束知识元;
应急处置知识元包括预测与预警知识元、善后处置知识元;
应急方案知识元包括应急体制知识元(应急体制知识元是应急组织形式的制度,限于 上下之间有层级关系的国家机构、地方单位以及企业等机构设置,隶属关系和权利划分等 方面的具体体系和组织制度的总称)、应急机制知识元(应急机制知识元是应急管理内部构 造、功能及其各部分的机理即相互关系)、应急预案知识元;
应急保障资源知识元包括应急人力资源知识元、医疗卫生知识元、消防知识元、道路 疏通知识元;
交通运输事故知识元包括轻微交通事故知识元、一般交通事故知识元、应急交通事故 知识元、危险交通事故知识元;
道路环境知识元包括路面知识元、交通流知识元、路侧知识元;
应急人力资源知识元包括专业救援队伍知识元、公安交警知识元、军队知识元、专家 知识元、医护人员知识元、消防人员知识元、路政管理人员知识元、养护人员知识元。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤一二中 构建情景;具体过程为:
情景既有现实中静态数据的内容,又具有行为规则以及相关参数演化的抽象信息。一 般地,情景是某类事件在某个时间点上的状态以及两个时间点间变化的规律。从情景的定 义中可以看出,情景的构成包括现实与抽象两部分的内容,而且从知识元的角度来对情景 进行分析,整个情景在构成上是分级的,情景要素之间存在着嵌套的关系。将每一个细化 到最基础的情景要素作为一个知识元,通过对知识元的描述来实现对情景要素的描述,再 通过知识元之间的层层级联最终实现情景内容变化的描述。
情景的基本要素空间划分为事件、载体、应急管理活动3部分内容,分别用Case、Object、Activity表示,用Scenario表示情景,则情景的构成如式(1)所示:
Scenario={C,O,A} (1)
其中,C、O、A分别表示事件(Case)、载体(Object)和应急管理活动(Activity);
在情景的构成中,事件指的是突发事件内容;
载体指的是突发事件影响的承灾载体;
应急管理活动是指针对突发事件本身,所采取的应急管理活动内容;
事件、载体与应急管理活动的内容通过知识元的不断细分直到不可分割为止。
事件化分为时间、空间以及主体三部分内容,事件的主体由灾害体(地震过后产生的 泥石流)和衍生灾害体(地震过后泥石流产生的堰塞湖)构成,每个灾害体又各有具体的构成内容,可以通过不同知识元进行描述。
应急管理活动包括事件基本要素(时间、地点)、应急处置措施(预测与预警、事后处置)、应急方案(体制、机制、预案等)、应急保障资源(人力资源、医疗卫生资源、消 防、路政与运输管理)等内容。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤二三中 由于突发事件自身的紧急性,要求匹配算法要满足情景库检索的高效率、高精度等要求。 参考相关学者的研究,本算法釆用二重检索策略—情景库结构与情景要素双检索。
首先,将当前目标情景按照情景库统一结构进行规范表示,分析最接近的3个目标事 件中目标情景中事件的特征要素与基础情景库中的历史事件特征要素在结构上的相似性, 基于结构上的相似性再进行目标情景中事件的特征要素集合P和基础情景库中的历史事 件的特征要素集合Q事件的特征要素的相似度计算,基于结构相似性和特征要素的相似度 进行两者的综合相似度的计算;
选取综合相似度最大值对应的历史事件的特征要素集合Q为目标情景中事件的特征 要素在历史事件的特征要素库中的最相似情景;
根据最相似情景对应的历史事件的特征要素集合Q,得到对应的应急决策方案。
具体过程为:
按照相似度的大小从高到低排列,就可以找寻出一个或若干个相似情景,获取相似情 景的应急管理活动方案及实施效果,从而达到了辅助决策的目的。情景匹配算法的流程图, 如图2所示;
该匹配算法可以全面良好地表达出历史情景与当前目标情景之间的相似度,按照相似 度的排列,快速寻出一个或若干个相似情景。同时可以消除因情景的情景要素相关值残缺 而无法进行相似度计算的影响,全面反映了当前目标情景与历史情景之间地相似性,已取 得非常好的效果。
步骤二三一、目标情景中事件的特征要素与基础情景库中的历史事件的特征要素在结 构上的相似性计算过程为:
突发事件各个情景变量的重要程度不尽相同,因此我们需要对不同的情景要素分配不 同的权重,将目标情景中事件的第j个特征要素的权重设置为Wj,在一个完整的情景中, 目标情景中所有的事件的特征要素权重之和为1,表述为式(2):
其中,m表示目标情景中事件包含的特征要素数量,Wj表示目标情景中事件的第j个特征要素的权重;m取值正整数;
目标情景中事件的特征要素与历史事件的特征要素可能不完全相同,因此首先需要进 行情景结构相似度的计算。
设目标情景中事件的特征要素集合为P,基础情景库中的历史事件的特征要素集合设 为Q;
结构相似性的计算公式为:
这种方法是将当前目标事件的特征要素与历史事件的特征要素视为同等地位,
其中,S(P,Q)表示P和Q的结构相似度;WP∩Q为目标情景中事件的特征要素集合P 和历史事件的特征要素集合Q交集的权重之和;WP∪Q为目标情景中事件的特征要素集合 P和历史事件的特征要素集合Q并集的权重之和;P和Q交集表示P和Q都包含的事件 的特征要素;P和Q的并集表示P或Q中包含的事件的特征要素;a为目标情景中事件 的特征要素集合P和历史事件的特征要素集合Q交集中事件的特征要素的总量;b表示P 和Q并集中事件的特征要素的总量;Wk为目标情景中事件的特征要素集合P和历史事件 的特征要素集合Q交集中第k个特征要素的权重;Wl为目标情景中事件的特征要素集合 P和历史事件的特征要素集合Q并集中第l个特征要素的权重;k表示P和Q交集中事件 的第k个特征要素;l表示P和Q并集中事件的第l个特征要素的数量;
a≤min(k,l);
b≥max(k,l);
a≤b;
筛选出结构相似性大于0.5的情景中事件的特征要素,计算特征要素相似度及综合相 似度;
步骤二三二、计算特征要素相似度;
由于突发事件有多种,每一类突发事件中包含很多情景,每种突发事件的情景要素多 种多样,复杂而多变,因此本文根据突发事件中情景要素所包含信息内容的不同,
将特征要素划分为三种类型,分别为:
1)概念表述型(比如厄尔尼诺现象);这种特征要素通常用明确的术语表示,是一种 确定性的概念描述。
2)数值表述型(比如车祸,几辆车,伤几个人、火灾);这种特征要素通常是精确的数值。
3)模糊表述型(比如地震(房屋人员经济)、风灾);这种特征要素可以认为是概念表述型与数值表述型的叠加。
概念表述型,用文本语义来进行相似度计算,即式(4):
其中,sim(Pk,Qk)表示P和Q的第k个事件的特征要素的相似度,Pk表示筛选出的结构相似性大于0.5的情景中当前目标事件的特征要素集合中第k个事件的特征要素;Qk表示筛选出的结构相似性大于0.5的情景中历史事件的特征要素集合中第k个事件的特征要素;
数值表述型相似度计算采用加权的海明距离反函数的方法计算,即式(5):
sim(Pk,Qk)=1-distsim(Pk,Qk)=1-|Pk-Qk|/|maxk-mink| (5)
其中,maxk和mink分别表示第k个事件的特征要素的最大值和最小值; distsim(Pk,Qk)为加权海明距离;
模糊表述型相似度计算可以有多种算法,使用积分方法能够较精确地计算其相似度, 但是工作量非常巨大,而且必须由专家确定隶属度函数,即式(6):
其中,事件的特征要素的属性值X(特严重、严重、一般、轻微等)落在区间(x1,x2),属性值Y落在区间(Y1,Y2);f1(X),f2(Y)是情景要素的属性隶属度函数(f(x)即为隶属度 函数,通过将x1、x2、y1、y2带入到f(x),得到f1(x),f2(y));(x1,x2),(Y1,Y2)分别为属性 值X和属性值Y的区间阈值;c为目标情景中事件的特征要素集合P和历史事件的特征要 素集合Q交集中事件的特征要素的总量;d表示P和Q并集中事件的特征要素的总量;
步骤二三三、综合相似度计算
由前文已知,突发事件中的一个完整情景需要对不同的情景要素分配不同的权重,且 情景要素权重之和为1。但当前目标情景的情景要素集合P与历史情景的非空情景要素集 合Q中的情景要素可能不完全相同,因此,需用当前目标事件的特征要素集合P与历史事件的特征要素集合Q的交集(相同的情景要素)来计算相似度,需将交集中情景要素 的权重进行重新分配。依据交集中情景要素重新分配的权重值以及各个情景要素的相似 度,计算所有情景要素的加权相似度,如式(7)所示:
其中,sim(P,Q)为目标事件的特征要素集合P和历史事件的特征要素集合Q的综合相似度;WP∩Q为目标情景中事件的特征要素集合P和历史事件的特征要素集合Q交集的 权重之和;Wk为目标情情中事件的特征要素集合P和历史事件的特征要素集合Q交集中 第k个特征要素的权重;a为目标情景中事件的特征要素集合P和历史事件的特征要素集 合Q交集中事件的特征要素的总量;
综合相似度等于情景库结构相似度与情景要素加权相似度的乘积。
选取综合相似度sim(P,Q)最大值对应的历史事件的特征要素集合Q为目标情景中事 件的特征要素在历史事件的特征要素库中的最相似情景;
根据对应的历史事件的特征要素集合Q得到对应的应急决策方案。
候选源情景修正
这一过程主要是针对源情景的应急管理决策方案。当得到最具有参考价值的候选源情 景后,虽然它可能无限接近目标情景状态,但我们考虑到突发事件的复杂性和不确定性, 因此需对候选源情景中的应急决策方案加以修改和优化,提交给决策者。
决策方案的修正过程,具体过程为:
计算情景检索中筛选出的权重与当前目标最接近的的3个情景的综合相似度,取综合 相似度值最大的历史事件,即得到历史事件所对应的应急方案;对历史事件所对应的应急 方案进行修正;
决策者通过分析从情景库中得到的最具有参考价值候选源情景的最优应急决策方案 与真实突发事件目标情景之间的联系,依据收集的突发事件客观信息以及决策者本身的知 识储备,将从情景库中得到的最优应急决策方案进行修正,得出最终应急决策方案。决策 方案的修正过程,如图3所示;
其它步骤及参数与具体实施方式一至四之一相同。
所述对应急决策方案进行评价;具体过程为:
决策者根据收到的经过修改和优化的应急决策方案,对突发事件进行处置。根据应急 处置结果,评估应急处置评价结果,例如计算突发事件应急决策方案的综合效率、纯技术 效率、规模效率以及规模报酬,确定突发事件应急决策方案各项的投入冗余和产出不足。 最后根据应急处置评价结果调整突发事件应急决策方案,得到理论最优应急决策方案。
一、对应急决策方案进行非期望产出处理;
将非期望产出的原始数据,例如:救援物资到达时间、经济损失额度,取相反数,再加上一个足够大的数M,求和得到Y并使其值大于零,以转换后的数据作为非期望产出 的数据,并将其作为普通产出进行处理。根据上文五种方法,本文选取单调递减转换方法 来进行转换计算,具体公式如式(8)、(9)所示:
Y1=-救援物资到达时间+M1 (8)
Y2=-经济损失额度+M2 (9)
式中,Y1为反应时间,Y2为经济损失额度,M1为max{t1,t2,...,tn′},t1为第一个决策单元中救援物资到达时间,tn′为第n′个决策单元中救援物资到达时间;M2为max{s1,s2,...,sn′},s1为第一个决策单元中经济损失额度,sn′为第n′个决策单元中经济损 失额度;
二、根据非期望产出计算评价模型;
设:有性质相同(例如都是交通事故)的L个应急站点,即L个决策单元DMU,每 个DMU有α种投入指标和β种产出指标,γef为第f个DMU的第e个投入指标的投入值; Zgf为第f个DMU的第g个产出指标的产出值;第f个DMU的投入指标向量为 x=(x1j,x2j,…,xmj)T,第j个DMU的产出指标向量为y=(y1j,y2j,…,ypj)T,vi为第i个投入指标的 权重,ur为第r种产出指标的权重;则任一DMU的效率评价指数表示为式(10):
式中,f=1,2,…,L;e=1,2,…,α;r=1,2,…,β;
选取适当的权系数v和u,使得hj≤1;假设对第j0个决策单元进行相对效率评价,一般来说,hj0越大,表明DMUj0能够用相对较少的输入而得到相对较多的输出。因此,以 DMUj0的效率评价指数hj0为目标,以权重v和u为变量,以所有DMU的效率指数为约 束,得到突发事件应急资源配置效率的评价模型,f0=1,2,…,L;
如式(11)所示:
式中,Zgf0为第f0个DMU的第g个产出指标的产出值;γef0为第f0个DMU的第e 个投入指标的投入值;f0=1,2,…,L;
利用线性规划对偶理论,可以通过对偶规划来判断DMUj0的有效性。为应用方便,引入松弛变量s-和s+剩余变量,从而将上述评价模型表示为式(12):
式中,θ为对maxhj0求对偶;
对公式(12)求转置:
上角标T为转置;
θ为对maxhj0求对偶,
其中,s-=(s-1,s-2,…,s-m)T是与投入相对应的松弛变量组成的向量,s+=(s+1,s+2,…,s+p)T是与产出相对应的剩余变量组成的向量;
设λ0、s0-、s0+、θ0是线性规划问题的最优解,则有:
(1)当θ0=1,s0-=0,s0+=0时,该决策单元为DEA有效,表明该决策单元DMU技 术有效且规模有效;
θ0为DEA技术效率;
(2)当且仅当θ0=1时,该决策单元为弱DEA有效,表明该决策单元DMU技术有 效或规模有效;
(3)当θ0<1,该决策单元为非DEA有效,此时必定存在投入冗余或是产出不足。
筛选入库情景的依据为实施方式四中应急处置的评价结果。
交通事故的二次分级
情景入库
应急决策方案评价后,将当前目标情景进行分析,形成符合情景库规范表达形式的要 素知识元,将其加入到情景库中,以备将来使用。
实施例一:
现假设某地发生一起特大交通运输类突发事件,以此突发事件为例,实际应用情景- 应对过程,进行匹配。
表1突发事件情景
(1)结构相似度计算
S(P,Q)等于P和Q交集情景要素的权重之和除以P和Q并集情景要素的权重之和。
结构相似度计算结果见表2:
表2结构相似度计算结果
筛选出与目标情景结构相似度大于0.5的情景,计算各情景与目标情景的要素相似度 及综合相似度。
(2)要素相似度、综合相似度计算
数值表述型:采用加权的海明距离反函数的方法计算数值型情景要素,即式(14):
sim(Pi,Qi)=1-dist(Pi,Qi)=1-|Pi-Qi|/|maxi-mini| (14)
其中Pi,Qi分别表示情景要素的具体数值;maxi和mini分别表示第i个情景要素的最大值和最小值。
概念表述型:利用编辑距离表示两个字符串之间的相似度。编辑距离,指的是两个字 符串之间,由一个转换成另一个所需的最少编辑操作次数。
计算所有情景要素的综合相似度,即式(15):
目标情景与交通运输事故类情景综合相似度计算结果如下表:
表3综合相似度计算结果
(3)救援方案确定
通过情景综合相似度判断,情景7与目标突发事件情景综合相似度达到84%,远高于其他情景,故认为情景7为目标情景在该情景库中的最相似情景。
目标情景应急救活动方案预警等级为4级,在应急过程中共派出救护车58辆,、警车 50辆、牵引车3辆、清障车5辆以及吊车5辆,共出动医护人员206人、公安交警110 人、救援人员100人、消防人员310人、路政人员10人、养护人员20人、卫生人员120 人参与救援。
参考最相似情景应急活动方案,结合目标情景实际情况对方案进行修正后,得出目标 情景应急活动方案,预警等级为4级,可以考虑派出救护车55辆、警车45辆、消防车 50辆、牵引车3辆以及清障车5辆,共出动医护人员200人、公安交警100人、消防人 员300人、路政养护人员30人参与救援。
(4)方案评价
决策者根据情景库提交的应急决策方案,对该特大交通运输类突发事件进行处置。9 时8分,现场救援工作基本结束,经统计,处置结果为该突发事件最终造成22人死亡、20人受伤,2辆车被损毁以及公路设施受损,直接经济损失896.58余万元。
根据应急决策方案实施情况,可选取各自适宜的评价方法。本例中选取数据包络分析 方法评价该特大交通运输类突发事件的处置效率,计算其综合效率、纯技术效率、规模效 率以及规模报酬等,并根据指标的投入冗余和产出不足对决策方案进行优化调整。
案例特大交通运输类突发事件应急处置效率评价结果见表4:
表4特大交通运输类突发事件应急处置效率各指标
(5)是否入库
根据评级模型计算出的投入冗余和产出不足,调整应急处置方案,将调整后综合效率 为1的该特大交通运输类突发事件应急处置方案入库,完成数据库的更新。
Claims (5)
1.一种基于情景分析的突发事件应急决策方法,其特征在于:所述方法具体过程为:
步骤一、构建基础情景库;
步骤二、从目标情景中抽取目标情景的特征要素知识元,然后将目标情景的特征要素知识元输入到基础情景库中进行检索与匹配,得到对应的应急决策方案;具体过程为:
步骤二一、确定基础情景库中的历史事件特征要素的权重;
将基础情景库中的历史事件特征要素所占的权重设为Wi,特征要素共n个,则n个特征要素的权重满足
n取值为正整数;
步骤二二、根据权重在基础情景库中的历史事件中筛选出权重与当前目标情景中事件最接近的3个目标事件;
步骤二三、分析最接近的3个目标事件中目标情景中事件的特征要素与基础情景库中的历史事件特征要素在结构上的相似性,基于结构上的相似性再进行目标情景中事件的特征要素集合P和基础情景库中的历史事件的特征要素集合Q事件的特征要素的相似度计算,基于结构相似性和特征要素的相似度进行两者的综合相似度的计算;
选取综合相似度最大值对应的历史事件的特征要素集合Q为目标情景中事件的特征要素在历史事件的特征要素库中的最相似情景;
根据最相似情景对应的历史事件的特征要素集合Q,得到对应的应急决策方案。
2.根据权利要求1所述一种基于情景分析的突发事件应急决策方法,其特征在于:所述步骤一中构建基础情景库;具体过程为:
步骤一一、构建知识元模型:
知识元模型包括突发事件知识元、承载载体知识元、应急管理活动知识元;
突发事件知识元包括恶劣天气知识元、地质灾害知识元、交通运输生产事故知识元、桥隧结构事故知识元、社会安全事故知识元;
承载载体知识元包括环境知识元、财产知识元;
应急管理活动知识元包括基本要素知识元、应急处置知识元、应急方案知识元、应急保障资源知识元;
步骤一二、构建情景;
步骤一三、构建基础情景库:
根据构建的知识元模型和情景对突发事件历史事件进行收集并分类,记录入库,构建基础情景库。
3.根据权利要求2所述一种基于情景分析的突发事件应急决策方法,其特征在于:所述
恶劣天气知识元包括暴雨事件知识元、台风事件知识元、海雾事件知识元、霜冻事件知识元;
地质灾害知识元包括地震灾害知识元、海啸灾害知识元;
交通运输生产事故知识元包括交通运输事故知识元、危化品泄露事故知识元、火灾事故知识元;
桥隧结构事故知识元包括桥梁结构事故知识元、隧道结构事故知识元;
社会安全事故知识元包括群体性事件知识元、恐怖袭击事件知识元;
环境知识元包括水环境知识元、空气环境知识元、道路环境知识元;
财产知识元包括人员知识元、交通知识元、道路设施知识元、建筑物知识元;
基本要素知识元包括响应时间知识元、应急结束知识元;
应急方案知识元包括应急预案知识元;
应急保障资源知识元包括应急人力资源知识元、医疗卫生知识元、消防知识元、道路疏通知识元;
应急人力资源知识元包括专业救援队伍知识元、公安交警知识元、军队知识元、专家知识元、医护人员知识元、消防人员知识元、路政管理人员知识元、养护人员知识元。
4.根据权利要求3所述一种基于情景分析的突发事件应急决策方法,其特征在于:所述步骤一二中构建情景;具体过程为:
情景的基本要素空间划分为事件、载体、应急管理活动3部分内容,分别用Case、Object、Activity表示,用Scenario表示情景,则情景的构成如式(1)所示:
Scenario={C,O,A} (1)
其中,C、O、A分别表示事件Case、载体Object和应急管理活动Activity;
在情景的构成中,事件指的是突发事件内容;
载体指的是突发事件影响的承灾载体;
应急管理活动是指针对突发事件本身,所采取的应急管理活动内容;
事件化分为时间、空间以及主体三部分内容,事件的主体由灾害体和衍生灾害体构成;
应急管理活动包括事件基本要素、应急处置措施、应急方案、应急保障资源。
5.根据权利要求4所述一种基于情景分析的突发事件应急决策方法,其特征在于:所述步骤二三中分析最接近的3个目标事件中目标情景中事件的特征要素与基础情景库中的历史事件特征要素在结构上的相似性,基于结构上的相似性再进行目标情景中事件的特征要素集合P和基础情景库中的历史事件的特征要素集合Q事件的特征要素的相似度计算,基于结构相似性和特征要素的相似度进行两者的综合相似度的计算;
选取综合相似度最大值对应的历史事件的特征要素集合Q为目标情景中事件的特征要素在历史事件的特征要素库中的最相似情景;
根据最相似情景对应的历史事件的特征要素集合Q,得到对应的应急决策方案;
具体过程为:
步骤二三一、目标情景中事件的特征要素与基础情景库中的历史事件的特征要素在结构上的相似性计算过程为:
目标情景中事件的第j个特征要素的权重设置为Wj,目标情景中所有的事件的特征要素权重之和为1,表述为式(2):
其中,m表示目标情景中事件包含的特征要素数量,Wj表示目标情景中事件的第j个特征要素的权重;m取值正整数;
设目标情景中事件的特征要素集合为P,基础情景库中的历史事件的特征要素集合设为Q;
结构相似性的计算公式为:
其中,S(P,Q)表示P和Q的结构相似度;WP∩Q为目标情景中事件的特征要素集合P和历史事件的特征要素集合Q交集的权重之和;WP∪Q为目标情景中事件的特征要素集合P和历史事件的特征要素集合Q并集的权重之和;a为目标情景中事件的特征要素集合P和历史事件的特征要素集合Q交集中事件的特征要素的总量;b表示P和Q并集中事件的特征要素的总量;Wk为目标情景中事件的特征要素集合P和历史事件的特征要素集合Q交集中第k个特征要素的权重;Wl为目标情景中事件的特征要素集合P和历史事件的特征要素集合Q并集中第l个特征要素的权重;k表示P和Q交集中事件的第k个特征要素;l表示P和Q并集中事件的第l个特征要素的数量;
a≤min(k,l);
b≥max(k,l);
a≤b;
筛选出结构相似性大于0.5的情景中事件的特征要素;
步骤二三二、计算特征要素相似度;
将特征要素划分为三种类型,分别为:
1)概念表述型;
2)数值表述型;
3)模糊表述型;
概念表述型相似度计算,即式(4):
其中,sim(Pk,Qk)表示P和Q的第k个事件的特征要素的相似度,Pk表示筛选出的结构相似性大于0.5的情景中当前目标事件的特征要素集合中第k个事件的特征要素;Qk表示筛选出的结构相似性大于0.5的情景中历史事件的特征要素集合中第k个事件的特征要素;
数值表述型相似度计算采用加权的海明距离反函数的方法计算,即式(5):
sim(Pk,Qk)=1-distsim(Pk,Qk)=1-|Pk-Qk|/|maxk-mink| (5)
其中,maxk和mink分别表示第k个事件的特征要素的最大值和最小值;distsim(Pk,Qk)为加权海明距离;
模糊表述型相似度计算使用积分方法即式(6):
其中,事件的特征要素的属性值X落在区间(x1,x2),属性值Y落在区间(Y1,Y2);f1(X),f2(Y)是情景要素的属性隶属度函数;(x1,x2),(Y1,Y2)分别为属性值X和属性值Y的区间阈值;c为目标情景中事件的特征要素集合P和历史事件的特征要素集合Q交集中事件的特征要素的总量;d表示P和Q并集中事件的特征要素的总量;
步骤二三三、综合相似度计算:
如式(7)所示:
其中,sim(P,Q)为目标事件的特征要素集合P和历史事件的特征要素集合Q的综合相似度;WP∩Q为目标情景中事件的特征要素集合P和历史事件的特征要素集合Q交集的权重之和;Wk为目标情情中事件的特征要素集合P和历史事件的特征要素集合Q交集中第k个特征要素的权重;a为目标情景中事件的特征要素集合P和历史事件的特征要素集合Q交集中事件的特征要素的总量;
选取综合相似度sim(P,Q)最大值对应的历史事件的特征要素集合Q为目标情景中事件的特征要素在历史事件的特征要素库中的最相似情景;
根据对应的历史事件的特征要素集合Q得到对应的应急决策方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811230978.1A CN109523061B (zh) | 2018-10-22 | 2018-10-22 | 一种基于情景分析的突发事件应急决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811230978.1A CN109523061B (zh) | 2018-10-22 | 2018-10-22 | 一种基于情景分析的突发事件应急决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523061A true CN109523061A (zh) | 2019-03-26 |
CN109523061B CN109523061B (zh) | 2022-07-01 |
Family
ID=65772888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811230978.1A Active CN109523061B (zh) | 2018-10-22 | 2018-10-22 | 一种基于情景分析的突发事件应急决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523061B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977571A (zh) * | 2019-04-01 | 2019-07-05 | 清华大学 | 基于数据与模型混合的仿真计算方法及装置 |
CN110288501A (zh) * | 2019-07-05 | 2019-09-27 | 华北科技学院 | 一种矿井水害事故应急决策方法及系统 |
CN111223026A (zh) * | 2020-01-03 | 2020-06-02 | 武汉理工大学 | 垃圾危机转化智能管理方法 |
CN111782894A (zh) * | 2020-07-02 | 2020-10-16 | 深圳联和智慧科技有限公司 | 一种基于智慧灯杆的应急管理方法及系统 |
CN112070315A (zh) * | 2020-09-16 | 2020-12-11 | 哈尔滨工业大学 | 一种基于中心性测量的恐怖袭击网络分析与事件预测方法 |
CN112418570A (zh) * | 2019-08-19 | 2021-02-26 | 阿里巴巴集团控股有限公司 | 生产工艺单的生成方法及装置 |
CN112529525A (zh) * | 2020-12-07 | 2021-03-19 | 国网山东省电力公司应急管理中心 | 一种电网突发事件情景要素提取及全域融合方法与系统 |
CN112613645A (zh) * | 2020-12-07 | 2021-04-06 | 国网山东省电力公司应急管理中心 | 一种电网突发事件多源情景要素动因逻辑耦合驱动方法 |
CN113012397A (zh) * | 2021-02-02 | 2021-06-22 | 辽宁邮电规划设计院有限公司 | 一种基于音视频数据监控的应急指挥系统及方法 |
CN113065787A (zh) * | 2021-04-14 | 2021-07-02 | 郑州华骏技术有限公司 | 基于情景构建的应急预案生成方法及系统 |
CN113344356A (zh) * | 2021-05-31 | 2021-09-03 | 烽火通信科技股份有限公司 | 一种多目标资源分配决策方法和装置 |
CN113658714A (zh) * | 2021-05-11 | 2021-11-16 | 武汉大学 | 境外传染病输入的口岸卫生检疫案例情景匹配方法及系统 |
CN113807622A (zh) * | 2020-06-15 | 2021-12-17 | 海信集团有限公司 | 一种事件决策生成方法、装置、电子设备及存储介质 |
CN113837522A (zh) * | 2021-06-30 | 2021-12-24 | 哈尔滨工业大学 | 一种多情景下应急处突资源的调度方法 |
CN113887584A (zh) * | 2021-09-16 | 2022-01-04 | 同济大学 | 一种基于社交媒体数据的应急交通策略评估方法 |
CN114048623A (zh) * | 2021-11-23 | 2022-02-15 | 中国石油大学(北京) | 一种储备库突发事件应急决策方法及相关装置 |
WO2022110913A1 (zh) * | 2020-11-27 | 2022-06-02 | 清华大学 | 突发事件推演图结构的构建及突发事件推演的方法和装置 |
CN115577934A (zh) * | 2022-10-09 | 2023-01-06 | 北京理工大学 | 一种基于多智能体强化学习的应急方案更新方法及装置 |
CN116595155A (zh) * | 2023-07-17 | 2023-08-15 | 中国矿业大学(北京) | 基于标准数字化的突发事件智能应急辅助决策方法和系统 |
CN116681305A (zh) * | 2023-06-05 | 2023-09-01 | 中国标准化研究院 | 一种基于知识图谱的突发事件应急决策方法 |
CN116779124A (zh) * | 2023-08-11 | 2023-09-19 | 四川省医学科学院·四川省人民医院 | 一种基于关联规则的手术调度方法和系统 |
CN118133961A (zh) * | 2024-03-08 | 2024-06-04 | 西南石油大学 | 一种面向井喷事件的知识元抽取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840439A (zh) * | 2010-05-25 | 2010-09-22 | 天津大学 | 基于应急事件和应急预案的应急情景推荐方法 |
CN101930498A (zh) * | 2009-12-31 | 2010-12-29 | 北京华迪宏图信息技术有限公司 | 一种巨灾应急救援预案可视化与推演系统 |
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 |
CN106557967A (zh) * | 2016-10-27 | 2017-04-05 | 浙江大学城市学院 | 一种产品设计知识构建处理方法 |
CN107451683A (zh) * | 2017-07-13 | 2017-12-08 | 北京交通大学 | 地铁车站火灾应急处置流程的管理方法和系统 |
-
2018
- 2018-10-22 CN CN201811230978.1A patent/CN109523061B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930498A (zh) * | 2009-12-31 | 2010-12-29 | 北京华迪宏图信息技术有限公司 | 一种巨灾应急救援预案可视化与推演系统 |
CN101840439A (zh) * | 2010-05-25 | 2010-09-22 | 天津大学 | 基于应急事件和应急预案的应急情景推荐方法 |
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 |
CN106557967A (zh) * | 2016-10-27 | 2017-04-05 | 浙江大学城市学院 | 一种产品设计知识构建处理方法 |
CN107451683A (zh) * | 2017-07-13 | 2017-12-08 | 北京交通大学 | 地铁车站火灾应急处置流程的管理方法和系统 |
Non-Patent Citations (3)
Title |
---|
王宁等: ""基于知识元的应急管理案例情景化表示及存储模式研究"", 《系统工程理论与实践》 * |
王宁等: ""基于知识元的突发事件案例检索方法研究"", 《情报学报》 * |
袁晓芳: ""基于情景分析的城市应急救援调度研究"", 《基于情景分析的城市应急救援调度研究》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977571A (zh) * | 2019-04-01 | 2019-07-05 | 清华大学 | 基于数据与模型混合的仿真计算方法及装置 |
CN110288501A (zh) * | 2019-07-05 | 2019-09-27 | 华北科技学院 | 一种矿井水害事故应急决策方法及系统 |
CN112418570A (zh) * | 2019-08-19 | 2021-02-26 | 阿里巴巴集团控股有限公司 | 生产工艺单的生成方法及装置 |
CN111223026B (zh) * | 2020-01-03 | 2024-03-01 | 武汉理工大学 | 垃圾危机转化智能管理方法 |
CN111223026A (zh) * | 2020-01-03 | 2020-06-02 | 武汉理工大学 | 垃圾危机转化智能管理方法 |
CN113807622A (zh) * | 2020-06-15 | 2021-12-17 | 海信集团有限公司 | 一种事件决策生成方法、装置、电子设备及存储介质 |
CN111782894A (zh) * | 2020-07-02 | 2020-10-16 | 深圳联和智慧科技有限公司 | 一种基于智慧灯杆的应急管理方法及系统 |
CN112070315A (zh) * | 2020-09-16 | 2020-12-11 | 哈尔滨工业大学 | 一种基于中心性测量的恐怖袭击网络分析与事件预测方法 |
WO2022110913A1 (zh) * | 2020-11-27 | 2022-06-02 | 清华大学 | 突发事件推演图结构的构建及突发事件推演的方法和装置 |
CN112529525A (zh) * | 2020-12-07 | 2021-03-19 | 国网山东省电力公司应急管理中心 | 一种电网突发事件情景要素提取及全域融合方法与系统 |
CN112613645A (zh) * | 2020-12-07 | 2021-04-06 | 国网山东省电力公司应急管理中心 | 一种电网突发事件多源情景要素动因逻辑耦合驱动方法 |
CN112613645B (zh) * | 2020-12-07 | 2023-06-09 | 国网山东省电力公司应急管理中心 | 一种电网突发事件多源情景要素动因逻辑耦合驱动方法 |
CN112529525B (zh) * | 2020-12-07 | 2023-05-02 | 国网山东省电力公司应急管理中心 | 一种电网突发事件情景要素提取及全域融合方法与系统 |
CN113012397A (zh) * | 2021-02-02 | 2021-06-22 | 辽宁邮电规划设计院有限公司 | 一种基于音视频数据监控的应急指挥系统及方法 |
CN113065787A (zh) * | 2021-04-14 | 2021-07-02 | 郑州华骏技术有限公司 | 基于情景构建的应急预案生成方法及系统 |
CN113658714B (zh) * | 2021-05-11 | 2023-08-18 | 武汉大学 | 境外传染病输入的口岸卫生检疫案例情景匹配方法及系统 |
CN113658714A (zh) * | 2021-05-11 | 2021-11-16 | 武汉大学 | 境外传染病输入的口岸卫生检疫案例情景匹配方法及系统 |
CN113344356A (zh) * | 2021-05-31 | 2021-09-03 | 烽火通信科技股份有限公司 | 一种多目标资源分配决策方法和装置 |
CN113837522A (zh) * | 2021-06-30 | 2021-12-24 | 哈尔滨工业大学 | 一种多情景下应急处突资源的调度方法 |
CN113887584A (zh) * | 2021-09-16 | 2022-01-04 | 同济大学 | 一种基于社交媒体数据的应急交通策略评估方法 |
CN114048623A (zh) * | 2021-11-23 | 2022-02-15 | 中国石油大学(北京) | 一种储备库突发事件应急决策方法及相关装置 |
CN115577934A (zh) * | 2022-10-09 | 2023-01-06 | 北京理工大学 | 一种基于多智能体强化学习的应急方案更新方法及装置 |
CN115577934B (zh) * | 2022-10-09 | 2024-03-05 | 北京理工大学 | 一种基于多智能体强化学习的应急方案更新方法及装置 |
CN116681305A (zh) * | 2023-06-05 | 2023-09-01 | 中国标准化研究院 | 一种基于知识图谱的突发事件应急决策方法 |
CN116681305B (zh) * | 2023-06-05 | 2024-04-26 | 中国标准化研究院 | 一种基于知识图谱的突发事件应急决策方法 |
CN116595155B (zh) * | 2023-07-17 | 2023-11-14 | 中国矿业大学(北京) | 基于标准数字化的突发事件智能应急辅助决策方法和系统 |
CN116595155A (zh) * | 2023-07-17 | 2023-08-15 | 中国矿业大学(北京) | 基于标准数字化的突发事件智能应急辅助决策方法和系统 |
CN116779124B (zh) * | 2023-08-11 | 2023-10-20 | 四川省医学科学院·四川省人民医院 | 一种基于关联规则的手术调度方法和系统 |
CN116779124A (zh) * | 2023-08-11 | 2023-09-19 | 四川省医学科学院·四川省人民医院 | 一种基于关联规则的手术调度方法和系统 |
CN118133961A (zh) * | 2024-03-08 | 2024-06-04 | 西南石油大学 | 一种面向井喷事件的知识元抽取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109523061B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523061A (zh) | 一种基于情景分析的突发事件应急决策方法 | |
Zhang et al. | Big data and artificial intelligence based early risk warning system of fire hazard for smart cities | |
Chen et al. | Application of computational intelligence technologies in emergency management: a literature review | |
Ivanov et al. | Digital twin of city: Concept overview | |
CN109992672A (zh) | 基于灾害场景的知识图谱构建方法 | |
Tsai et al. | Application of geographic information system to the allocation of disaster shelters via fuzzy models | |
Xie et al. | Emergency response process for sudden rainstorm and flooding: Scenario deduction and Bayesian network analysis using evidence theory and knowledge meta-theory | |
Mei | Development of trip generation models of hurricane evacuation | |
CN107229712A (zh) | 一种面向公共安全事件信息获取的时空聚类方法 | |
CN113888368B (zh) | 基于图编码面向刑事案件羁押风险评估的特征选择方法 | |
Cerna et al. | A comparison of LSTM and XGBoost for predicting firemen interventions | |
Zhu et al. | TA-STAN: A deep spatial-temporal attention learning framework for regional traffic accident risk prediction | |
Johnson et al. | Knowledge graphs to support real-time flood impact evaluation | |
Chen et al. | A comprehensive multi‐hazard risk assessment model for an urban agglomeration with multiple factors | |
Chang et al. | A deep belief network and case reasoning based decision model for emergency rescue | |
Mallouhy et al. | Predicting fire brigades' operations based on their type of interventions | |
CN116432953B (zh) | 基于泛化生成模式的文物保护应急响应决策方法和系统 | |
Akinyokun et al. | Implementation of a hybridized machine learning framework for flood risk management | |
Li et al. | HDSTF: A Hybrid Deep Spatio-Temporal Framework for Traffic Prediction | |
Volkov et al. | Modeling the structures of threats to information security risks based on a fuzzy approach | |
Andreescu | The Current Scientific Stage of The Instruments and Methods Needed for an Efficient Traffic Management System Based on AI | |
Mazurov et al. | Prediction of the rating of the university using hybrid cognitive maps and selective dendritic networks of neurons | |
Wen et al. | A Police Resource Optimization System Based on Intelligence Research, Judgment and Analysis | |
Wang et al. | Applying AHP to evaluate the decision priority of typhoon disaster preparedness and emergency response | |
Deng et al. | Intelligent City Disaster Prevention and Mitigation System based on Visual Tracking Technology |
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 |