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
基于情景相似度的突发事件多粒度响应模型构建方法 Download PDFInfo
- Publication number
- CN111079860B CN111079860B CN201911410045.5A CN201911410045A CN111079860B CN 111079860 B CN111079860 B CN 111079860B CN 201911410045 A CN201911410045 A CN 201911410045A CN 111079860 B CN111079860 B CN 111079860B
- Authority
- CN
- China
- Prior art keywords
- scene
- emergency
- attribute
- similarity
- granularity
- 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
- 230000004044 response Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 241000272814 Anser sp. Species 0.000 description 1
- 101100356682 Caenorhabditis elegans rho-1 gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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Si,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Si进行情景要素分解,分为输入变量集I(I1,I2,...,In),状态变量集G(G1,G2,...,Gn),输出变量集O(O1,02,...,On),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)
(3)构造SVM分类函数。
依据情景知识元中的属性变量ek,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,WA∩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,Wt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,Af是目标情景属性f的值,Bif是历史情景中第i个情景的属性f的值,fmax和fmin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fmin,小于fmax。
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(kij,lij,pij),再规范化为(θ1,θ2,θ3),其中,α为效益型属性,β为成本型属性。
计算综合相似度:
(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,...,Pn}
P为Pn内部状态恶化的概率,E表示Pn曾发生突发事件的数量,wn表示第n个因素的权重,Un表示第n个空间粒度下的突发事件环境影响因子,Cj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;
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,WA∩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,Wt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:
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Si,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Si进行情景要素分解,分为输入变量集I(I1,I2,…,In),状态变量集G(G1,G2,…,Gn),输出变量集O(O1,02,…,0n),其中n表示要素的个数。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410045.5A CN111079860B (zh) | 2019-12-31 | 2019-12-31 | 基于情景相似度的突发事件多粒度响应模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410045.5A CN111079860B (zh) | 2019-12-31 | 2019-12-31 | 基于情景相似度的突发事件多粒度响应模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079860A CN111079860A (zh) | 2020-04-28 |
CN111079860B true CN111079860B (zh) | 2022-09-23 |
Family
ID=70320902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911410045.5A Active CN111079860B (zh) | 2019-12-31 | 2019-12-31 | 基于情景相似度的突发事件多粒度响应模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079860B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380514B (zh) * | 2020-11-13 | 2022-11-22 | 支付宝(杭州)信息技术有限公司 | 生物识别安全态势预测方法、装置和电子设备 |
CN113158681A (zh) * | 2021-03-24 | 2021-07-23 | 鹏城实验室 | 突发事件本体模型构建方法、装置、设备及存储介质 |
CN115374855B (zh) * | 2022-08-23 | 2024-05-14 | 北京交通大学 | 一种基于聚类的对铁路突发事件进行分级的方法 |
CN116957362A (zh) * | 2023-09-18 | 2023-10-27 | 国网江西省电力有限公司经济技术研究院 | 一种区域综合能源系统的多目标规划方法及系统 |
CN117196323B (zh) * | 2023-11-07 | 2024-02-27 | 之江实验室 | 一种基于高维图网络的复杂社会事件的预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346695A (zh) * | 2014-10-27 | 2015-02-11 | 中国水利水电科学研究院 | 一种面向水污染突发事件应急调度情景生成方法 |
CN109242246A (zh) * | 2018-08-01 | 2019-01-18 | 深圳市城市公共安全技术研究院有限公司 | 情景构建方法、应急演练方法及情景构建系统 |
-
2019
- 2019-12-31 CN CN201911410045.5A patent/CN111079860B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346695A (zh) * | 2014-10-27 | 2015-02-11 | 中国水利水电科学研究院 | 一种面向水污染突发事件应急调度情景生成方法 |
CN109242246A (zh) * | 2018-08-01 | 2019-01-18 | 深圳市城市公共安全技术研究院有限公司 | 情景构建方法、应急演练方法及情景构建系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111079860A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079860B (zh) | 基于情景相似度的突发事件多粒度响应模型构建方法 | |
Zhang et al. | Big data and artificial intelligence based early risk warning system of fire hazard for smart cities | |
Liu et al. | Emergency decision-making combining cumulative prospect theory and group decision-making | |
Lee et al. | An integrated human decision making model for evacuation scenarios under a BDI framework | |
Karami | Utilization and comparison of multi attribute decision making techniques to rank Bayesian network options | |
Li et al. | Improved Bayesian network-based risk model and its application in disaster risk assessment | |
Pranolo et al. | Robust LSTM With tuned-PSO and bifold-attention mechanism for analyzing multivariate time-series | |
Zheng et al. | A dynamic emergency decision-making method based on group decision making with uncertainty information | |
Halkijevic et al. | Indicators and a neuro-fuzzy based model for the evaluation of water supply sustainability | |
CN113362959A (zh) | 一种区域疫情防控用突发呼吸道传染病风险预测模型 | |
Wang et al. | Research on network security situation assessment and forecasting technology | |
CN116090757A (zh) | 一种情报保障体系能力需求满足度评估方法 | |
Chen et al. | Rough fuzzy model based feature discretization in intelligent data preprocess | |
Alsattar et al. | Three-way decision-based conditional probabilities by opinion scores and Bayesian rules in circular-Pythagorean fuzzy sets for developing sustainable smart living framework | |
CN105933138B (zh) | 一种时空维度相结合的云服务可信态势评估与预测方法 | |
CN115964503A (zh) | 基于社区设备设施的安全风险预测方法及系统 | |
Liu et al. | A new method to analyze the driving mechanism of flood disaster resilience and its management decision-making | |
CN117472511A (zh) | 容器资源监控方法、装置、计算机设备和存储介质 | |
CN116738192A (zh) | 一种基于数字孪生的安全数据评估方法及系统 | |
Tong et al. | Credit risk early warning of small and medium-sized enterprises based on blockchain trusted data | |
Wang et al. | Advantages of combining factorization machine with Elman neural network for volatility forecasting of stock market | |
Yue et al. | Exploration and application of the value of big data based on data-driven techniques for the hydraulic internet of things | |
Zhang et al. | The prediction of online time series with concept drift based on dynamic intuitionistic fuzzy cognitive map | |
Sun | Unsupervised Wireless Network Model‐Assisted Abnormal Warning Information in Government Management | |
Zang | Construction of Mobile Internet Financial Risk Cautioning Framework Based on BP Neural Network |
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 |