CN111079860B - 基于情景相似度的突发事件多粒度响应模型构建方法 - Google Patents

Abstract

本发明公开了一种基于情景相似度的突发事件多粒度响应模型构建方法，收集突发事件相关的多源情报数据作为模型的输入变量；提取关键情景单元，将关键情景单元进行情景要素分解；构成SVM的训练样本集；提取突发事件的特征属性，计算目标情景与历史情景的结构相似度、属性相似度，得出目标情景与历史情景的综合相似度；引入空间粒度风险指数计算式，对比下一时刻的情景单元的节点变量的紧迫程度，确定关键节点。本发明采用试验设计法与代理模型相结合，既支撑高层次决策用户制定应急方案，又满足低层次用户聚焦事件演化关键节点的需求，减少了优化设计的计算工作量，实现了全局最优分析，提高了系统的可靠性。

Description

基于情景相似度的突发事件多粒度响应模型构建方法

技术领域

本发明涉及城市洪涝灾害突发事件的响应模型，具体涉及一种情景相似度的突发事件多粒度响应模型构建方法。

背景技术

城市突发事件的应急响应，需要快速明确事件的等级，准确的生成有效决策方案，实时跟踪事态变化。由于事态紧急，信息收集时间的局限性，相关应急决策信息往往表现出难以量化、模糊的特征。目前，国内外学者对突发事件应急决策的研究大多集中在将数学模型引入决策过程中，或是考虑决策者的心理行为，结合历史案例信息、确定出最优的应急决策方案。樊治平等考虑决策者敏感、损失规避等心理特征，针对不同情景的人员伤亡和财产损失，提出了一种应急方案择优方法。袁媛等考虑决策者后悔规避的心理行为，计算了流行病突发事件下各响应方案的综合感知值。王剑等从多个决策主体的角度，为降低突发事件的风险性，运用贝叶斯决策网络，描述了不同属性值，不同决策方案，不同情景状态的关系。管清云等人为应急决策层的信息融合问题提供了新的思路，提出距离熵的概念，引入知识元理论，进行融合集的获取。基于历史案例的应急响应研究，在突发事件的结构化特征描述和具体过程中的实时演化分析存在一定的局限性，越来越多的学者关注突发事件的情景化表示。王延章，王宁等人在共性知识元模型的基础上，引入情景的感念，对突发事件案例数据进行了情景的划分。仲秋雁等对情景元模型，情景概念模型以及情景模型进行了实例化约束研究。杨峰等人以情报感知的新视角，将情景要素与突发事件的特征属性进行相似度检验，实现了突发事件的态势感知。陈雪龙等将突发事件进行情景要素形式化表示，基于粒计算，探讨了低层次情景映射到高层次情景的泛化算法。

突发事件的应急响应研究不再局限于某一个状态，需要整体把控突发事件的发生、发展和演化过程。突发事件的情景推演规则、演化算法已较为成熟，但很少有学者围绕不同层次用户的决策需求，进行突发事件的情景细化，战略决策高层作出响应后，如何准确有效的将决策信息传递至基层具体实施层面，仍有待于继续不断地研究。

发明内容

发明目的：本发明的目的在于解决城市洪涝灾害突发事件存在的各类洪涝灾害信息繁杂、决策需求信息混乱、响应措施针对性不强的问题，引入支持向量机和相似度算法，基于粒度原理构建一种融合情景的动态响应模型，实现了从决策高层到低层的情景细化。

技术方案：

本发明公开了一种基于情景相似度的突发事件多粒度响应模型构建方法，包括以下步骤：

(1)收集突发事件相关的多源情报数据作为模型的输入变量；

(2)提取城市洪涝灾害突发事件的关键情景单元，将关键情景单元进行情景要素分解；

(3)依据情景知识元中的属性变量，选取指标，构成SVM的训练样本集；借助R语言实现支持向量机参数的设置和模型构建；将需要进行分级预测的指标数据输入到SVM分类函数中，进行分类学习，得到突发事件的风险级别；

(4)以情景要素为基本单元，提取突发事件的特征属性，计算目标情景与历史情景的结构相似度、属性相似度，得出目标情景与历史情景的综合相似度；

(5)根据不同情景单元中属性演变的映射关系，在情景知识元网络基础上，细粒化情景单元，引入空间粒度风险指数计算式，对比下一时刻的情景单元的节点变量的紧迫程度，确定关键节点。

本发明所达到的有益效果：

本发明基于多粒度的思想，细粒化突发事件情景单元，构建了满足不同层次用户决策需求的多粒度响应模型，解决城市洪涝灾害突发事件存在的各类洪涝灾害信息繁杂、决策需求信息混乱、响应措施针对性不强的问题，引入支持向量机和相似度算法，基于粒度原理构建一种融合情景的动态响应模型，明确事件演变的关键节点，实现了从决策高层到低层的情景细化，为高效响应突发事件提供支撑。

附图说明

图1为本发明实施提供的一种基于情景相似度的突发事件多粒度响应模型的结构图。

具体实施方式

为了提高突发事件的响应能力，充分考虑突发事件应急处理部门现状和实际需求基础上，尽可能有效支撑多层次用户响应突发事件的要求，本发明公开了一种情景相似度的突发事件多粒度响应模型构建方法，如图1所示，按如下步骤进行：

(1)收集突发事件相关的多源情报数据，如决策主体信息、业务数据、突发事件演化过程中实时变化更新的动态数据、涉及的领域知识等，作为模型的输入变量。

(2)情景单元的知识元表示。

提取城市洪涝灾害突发事件的关键情景单元S_i，表示为式(1)。E为事件集，C为承灾载体集，Y为应急活动集，T为关键情景单元出现的时间集合。将关键情景单元S_i进行情景要素分解，分为输入变量集I(I₁，I₂，...，I_n)，状态变量集G(G₁，G₂，...，G_n)，输出变量集O(O₁，0₂，...，O_n)，其中n表示要素的个数。用属性知识元模型规范描述情景单元中的输入变量、状态变量、输出变量，表示为式(2)。

Si＝(E，C，Y，T) (1)

其中，

表示属性变量的定性或定量特征描述，

表示属性变量的测量量纲，

表示属性变量的演化趋势。

(3)构造SVM分类函数。

依据情景知识元中的属性变量e_k，选取指标，构成SVM的训练样本集。借助R语言实现支持向量机参数的设置和模型构建。可以选择的支持向量机分类机就有三类：C-classification、nu-classification、one-classification。同时，可以选择的核函数有四类：线性核函数(linear)、多项式核函数(polynomial)、径向基核函数(radial basis,RBF)和神经网络核函数(sigmoid)。将分类机类型和核函数依次组合，最后通过比较选出判别结果最优的组合，可调整指标的比重，提高预测精度。根据公式(2)，选取知识元模型规范化描述后的属性变量，输入到SVM分类函数中，进行分类学习，得到分级结果，为处于战略决策高层的用户整体把控事件的发展提供响应的决策情景数据。

(4)计算目标情景与历史情景的综合相似度。

以情景要素为基本单元，从事件客体、承灾载体、应急活动三个方面提取突发事件的特征属性。根据式(3)计算目标情景与历史情景的结构相似度φ(A，B)，其中，A为目标情景的非空属性集，B为历史情景的非空属性集，w表示情景中的属性权重，W_A∩B表示目标情景和历史情景非空属性交集的属性权重之和，W_t表示目标情景和历史情景非空属性并集的属性权重之和。

当突发事件的特征属性为精确数时：

其中，A_f是目标情景属性f的值，B_if是历史情景中第i个情景的属性f的值，f_max和f_min分别表示属性f取值范围的最大值和最小值。

当突发事件的特征属性为区间数时：

其中，m是确定数属性值，[m1，m2]，[n1，n2]为区间数属性，且均大于f_min，小于f_max。

当突发事件的特征属性为语言变量时，需要先表示为三角模糊数(k_ij，l_ij，p_ij)，再规范化为(θ1，θ2，θ3)，其中，α为效益型属性，β为成本型属性。

最后，将(θ1，θ2，θ3)转换成区间数[ρ1，ρ2]，

计算综合相似度：

其中，

为结构相似度，R_i(A，B)为第i个属性的属性相似度，w_i为第i个属性的权重。

(5)空间粒度下风险指数的计算。

在前一情景单元的输出变量诱发产生新的情景单元后，新的情景单元的输入变量影响着内部状态，将新的情景单元的承灾载体粒化为更细层次的地点合集，不同地点的风险程度不同，即在空间粒度下计算节点变量的风险程度值。新情景单元的承灾载体地点集合表示为：P＝{P₁，P₂，...，P_n}

P为P_n内部状态恶化的概率，E表示P_n曾发生突发事件的数量，w_n表示第n个因素的权重，U_n表示第n个空间粒度下的突发事件环境影响因子，C_j表示第j个空间粒度下的突发事件应急因子。这里选取U＝{U₁，U₂，U₃，U₄，U₅}，U₁为某一空间粒度的面积值，U₂为该空间粒度下的人口数量，U₃为该空间粒度下的住宅房屋数量，U₄为该空间粒度下的企业数量，U₅为该空间粒度下的人均收入；C＝{C₁，C₂，U₃}，C₁为某一空间粒度下的应急机构数量，包括政府机关场所、交警队、派出所等，C₂为该空间粒度下的医疗机构数量，包括医院，诊所，药店等，C₃为该空间粒度下的基础设施抗灾情况。

具体实施说明：本发明的技术方案应用于城市洪涝灾害突发事件，具体的实施方式以“2015年江苏省常州市的6·27暴雨事件”为例验证了基于情景相似度的突发事件多粒度响应模型构建方法的有效性。依据常州市水利局公布的年度水利工作总结，提取“2015年江苏省常州市的6·27暴雨事件”的降雨量值，淹没水深、历时，受灾人口数，死亡人口数，房屋倒塌数，农作物受淹面积，直接经济损失值，水库运行情况，圩区塌方情况，排水系统建设，绿化面积百分比，人口密度，基础建设抗灾能力，响应级别。通过具体实施方式的步骤(1)-(5)，可获取城市洪涝灾害突发事件的风险级别、相似历史情景的应急方案，以及节点变量的风险程度值。应用本发明提出的技术方案可有效支撑多层次用户响应突发事件的决策需求，从战略决策高层到战术执行基层，划分需求层次，生成的多粒度响应模型既支撑了高层次用户制定应急方案，又满足了低层次用户聚焦最紧迫地点的需求，为不同层次决策者提供与之相适应粒度的情景信息。解决了城市洪涝灾害突发事件存在的各类洪涝灾害信息繁杂、决策需求信息混乱、响应措施针对性不强的问题。

Claims (6)

1.一种基于情景相似度的突发事件多粒度响应模型构建方法，其特征是，包括以下步骤：

(1)收集突发事件相关的多源情报数据作为模型的输入变量；

(2)提取城市洪涝灾害突发事件的关键情景单元，将关键情景单元进行情景要素分解；

(3)依据情景知识元中的属性变量，选取指标，构成SVM的训练样本集；借助R语言实现支持向量机参数的设置和模型构建；将需要进行分级预测的指标数据输入到SVM分类函数中，进行分类学习，得到突发事件的风险级别；

(4)以情景要素为基本单元，提取突发事件的特征属性，计算目标情景与历史情景的结构相似度、属性相似度，得出目标情景与历史情景的综合相似度；

(5)根据不同情景单元中属性演变的映射关系，在情景知识元网络基础上，细粒化情景单元，引入空间粒度风险指数计算式，对比下一时刻的情景单元的节点变量的紧迫程度，确定关键节点；

步骤(4)中，采用式(3)计算目标情景与历史情景的结构相似度

式中，A为目标情景的非空属性集，B为历史情景的非空属性集，W表示情景中的属性权重，W_A∩B表示目标情景和历史情景非空属性交集的属性权重之和，W_t表示目标情景和历史情景非空属性并集的属性权重之和；

计算综合相似度：

其中，

为结构相似度，R_i(A,B)为第i个属性的属性相似度，w_i为第i个属性的权重。

2.根据权利要求1所述的基于情景相似度的突发事件多粒度响应模型构建方法，其特征是，步骤(1)中，收集的多源情报数据包括决策主体信息、业务数据和突发事件演化过程中实时变化更新的动态数据。

3.根据权利要求1所述的基于情景相似度的突发事件多粒度响应模型构建方法，其特征是，步骤(2)中，关键情景单元S_i，表示为式(1)，

Si＝(E,C,Y,T) (1)

式中，E为事件集，C为承灾载体集，Y为应急活动集，T为关键情景单元出现的时间集合。

4.根据权利要求3所述的基于情景相似度的突发事件多粒度响应模型构建方法，其特征是，步骤(2)中，将关键情景单元S_i进行情景要素分解，分为输入变量集I(I₁，I₂，…，I_n)，状态变量集G(G₁，G₂，…，G_n)，输出变量集O(O₁，0₂，…，0_n)，其中n表示要素的个数。

5.根据权利要求3所述的基于情景相似度的突发事件多粒度响应模型构建方法，其特征是，步骤(2)中，用属性知识元模型规范描述情景单元中的输入变量、状态变量、输出变量，表示为式(2)，

其中，

表示属性变量的定性或定量特征描述，

表示属性变量的测量量纲，

表示属性变量的演化趋势。

6.根据权利要求1所述的基于情景相似度的突发事件多粒度响应模型构建方法，其特征是，步骤(4)中，从事件客体、承灾载体和应急活动三个方面提取突发事件的特征属性。

Images