CN116090659A - 一种相似应急方案的智能化筛选方法及系统 - Google Patents

一种相似应急方案的智能化筛选方法及系统 Download PDF

Info

Publication number
CN116090659A
CN116090659A CN202310157764.0A CN202310157764A CN116090659A CN 116090659 A CN116090659 A CN 116090659A CN 202310157764 A CN202310157764 A CN 202310157764A CN 116090659 A CN116090659 A CN 116090659A
Authority
CN
China
Prior art keywords
case
value
historical
ahead
history
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.)
Pending
Application number
CN202310157764.0A
Other languages
English (en)
Inventor
郭海湘
姚鑫
黎金玲
吴阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN202310157764.0A priority Critical patent/CN116090659A/zh
Publication of CN116090659A publication Critical patent/CN116090659A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—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
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种相似应急方案的智能化筛选方法及系统，包括：对滑坡灾害历史案例库进行指标区间划分和剪枝处理，获得处理后的案例库；在当前时刻将目标案例与处理后的案例库中的各历史案例进行相似度计算，获得各历史案例的损益值；对各损益值进行重要性和权重计算，获得各历史案例的预期前景值，将最优预期前景值对应的历史案例作为当前时刻的最优应急方案；判断当前时刻的最优应急方案在下一时刻的处理结果，若处理结果为合格则继续采用该最优应急方案；若处理结果为不合格则获取新的最优应急方案。本发明根据灾害事件指标在数值上的分布特点进行指标区间划分，降低灾害事件指标数值差异性分布带来的影响，提高相似案例筛选的准确性。

Description

一种相似应急方案的智能化筛选方法及系统
技术领域
本发明涉及应急方案自动筛选领域，尤其涉及一种相似应急方案的智能化筛选方法及系统。
背景技术
传统的突发事件应对方法通常存在以下技术问题：
(1)突发事件的应急方案的应用主要集中在方法的优化设计上，治理方案选择基本是基于人为凭经验选取，这样势必会造成选择的方案不一定合理和经济，甚至会造成巨大浪费；
(2)目前大多数应急方案筛选的应用都是在属性简化、权重优化、相似度计算以及案例库优化等方面进行改进来得到相似案例，由于缺乏考虑指标数值分布的影响，很容易出现所提取的预案实施效果较差、无法提取出实施效果较好的应急预案或相似度较低的情况；
(3)应急决策者在做决策时，往往都会受主观认知和判断的影响，导致应急方案准确定和合理性会有所影响；
(4)缺乏对灾害链关键路径、关键节点的动态识别，同时对灾害链系统分析时大多倾向于文字因果分析，缺乏量化的分析，应急方案缺乏直接性、有针对性的指导。
发明内容
为解决上述技术问题，本发明提供一种相似应急方案的智能化筛选方法，包括：
S1：构建滑坡灾害历史案例库，对滑坡灾害历史案例库进行指标区间划分和剪枝处理，获得处理后的案例库；
S2：获取目标案例，在当前时刻将目标案例与处理后的案例库中的各历史案例进行相似度计算，获得各历史案例的损益值；
S3：对各损益值进行重要性和权重计算，获得各历史案例的预期前景值，将最优预期前景值对应的历史案例作为当前时刻的最优应急方案；
S4：判断当前时刻的最优应急方案在下一时刻的处理结果，若处理结果为合格则继续采用该最优应急方案，重复步骤S4；若处理结果为不合格则返回步骤S2获取新的最优应急方案。
优选的，构建滑坡灾害历史案例库具体为：
计算获得历史案例
Figure BDA0004093172640000021
与目标案例Z*间各指标占比
Figure BDA0004093172640000022
计算公式为：
Figure BDA0004093172640000023
其中，i为历史案例的编号，j为指标的编号，C*j表示目标案例Z*中第j个指标；
计算目标案例Z*与历史案例
Figure BDA0004093172640000024
所有指标占比之和的比值Pi,f，计算公式为：
Figure BDA0004093172640000025
将Pi,f∈[0.5,1.5]的历史案例放入滑坡灾害历史案例库中，m和n为大于0的正整数。
优选的，对滑坡灾害历史案例库进行指标区间划分和剪枝处理，获得处理后的案例库，具体为：
S11：获取滑坡灾害历史案例库中各历史案例的数据值，计算获得各历史案例数据值的平均值
Figure BDA0004093172640000026
和标准差si，其中i为历史案例的编号；
S12：获得区间
Figure BDA0004093172640000027
将
Figure BDA0004093172640000028
或
Figure BDA0004093172640000029
定义为极端值区间；若
Figure BDA00040931726400000210
且
Figure BDA00040931726400000211
则不存在极端值区间；
S13：将处于极端值区间内的历史案例剔除后，将剩余历史案例的数据值定义为正常值，计算获得正常值的平均值
Figure BDA00040931726400000212
S14：将正常值小于
Figure BDA00040931726400000213
的历史案例的数量记为r，将正常值大于
Figure BDA00040931726400000214
的历史案例的数量记为q，计算获得正常值在
Figure BDA00040931726400000215
的上分布比值
Figure BDA00040931726400000216
和下分布比值
Figure BDA00040931726400000217
S15：通过上分布比值Qahead和下分布比值Qbehind计算获得历史案例在
Figure BDA00040931726400000218
的前区间个数Countahead和后区间个数Countbehind；
S16：通过Countahead和Countbehind计算获得前组距Disahead和后组距Disbehind；
S17：通过Countahead、Countbehind、Disahead和Disbehind构建指标区间，指标区间包括：存在前后两个异常值区间、仅存在前异常值区间、仅存在后异常值区间和不存在异常值区间，放入存在前后两个异常值区间的历史案例为Ω1集合，放入仅存在前异常值区间的历史案例为Ω2集合，放入仅存在后异常值区间的历史案例为Ω3集合，放入不存在异常值区间的历史案例为Ω4集合；
S18：对各指标区间进行剪枝处理，将符合条件的历史案例放入对应剪枝后的指标区间中，构成处理后的案例库。
优选的，前区间个数Countahead和后区间个数Countbehind的计算公式为：
Figure BDA0004093172640000031
Figure BDA0004093172640000032
其中，Numexp表示极端值区间中的历史案例个数。
优选的，前组距Disahead和后组距Disbehind的计算公式为：
Figure BDA0004093172640000033
Figure BDA0004093172640000034
优选的：
存在前后两个异常值区间的表达式为：
Figure BDA0004093172640000035
Figure BDA0004093172640000041
仅存在前异常值区间的表达式为：
Figure BDA0004093172640000042
仅存在后异常值区间的表达式为：
Figure BDA0004093172640000043
不存在异常值区间的表达式为：
Figure BDA0004093172640000044
优选的，对各指标区间进行剪枝处理具体为：
S181：求出Ω1集合中符合条件的历史案例出现的总次数
Figure BDA0004093172640000047
及所有历史案例出现次数总和Tal；
S182：计算获得历史案例出现的概率
Figure BDA0004093172640000045
及剪枝出的每个历史案例所涉及的权重和
Figure BDA0004093172640000046
wj＝0.5ws+0.5wa，其中，i为历史案例的编号，j为指标的编号，N为正整数，ws为熵权法客观的求出指标权重，wa为利用层次分析法得到的权重；
S183：计算获得各历史案例的剪枝值Cuti＝Ptree·Wi；
S184：将剪枝值Cuti处于Ω1集合总数的前η％的历史案例放入Ω2集合中，η％由决策者设置。
优选的，步骤S2具体为：
S21：设置阈值λ，根据决策者的要求设置参数t，计算目标案例与各历史案例的相似度，计算公式为：
t·max{Sim(Z*,Zi)}
其中，Z*为目标案例，Zi为历史案例，i为历史案例的编号；
将满足λ＝t·max{Sim(Z*,Zi)}的历史案例放入Ω3集合中；
S22：将Ω3集合中各历史案例在初始时刻的伤亡人数Casj、财产损失Ecoj和成本Cosi构成对应历史案例的损益值，j为指标的编号，表达式为：
Figure BDA0004093172640000051
优选的，步骤S3具体为：
S31：计算Ω3集合中各历史案例的伤亡人数的情景值
Figure BDA0004093172640000052
财产损失的情景值
Figure BDA0004093172640000053
和成本的情景值
Figure BDA0004093172640000054
S32：通过
Figure BDA0004093172640000055
和
Figure BDA0004093172640000056
计算各历史案例的基于情景的人员伤亡和财产损失综合值valj，计算公式为：
Figure BDA0004093172640000057
Figure BDA0004093172640000061
其中，i为历史案例的编号，j为指标的编号，k为计数编号；
S33：通过valj计算获得各历史案例的预期未来值Γi，计算公式为：
Figure BDA0004093172640000062
Figure BDA0004093172640000065
Figure BDA0004093172640000063
S34：计算获得各历史案例的预期前景值ψi，计算公式为：
Figure BDA0004093172640000064
其中，参数v1表示对不确定的“损失”或“效益”的重要程度，v2表示对确定性的成本输入的重要程度，满足0≤v1,v2≤1,v1+v2＝1；
S35：将ψi最小的历史案例作为当前时刻的最优应急方案。
一种相似应急方案的智能化筛选系统，包括：
案例库构建模块，用于构建滑坡灾害历史案例库，对滑坡灾害历史案例库进行指标区间划分和剪枝处理，获得处理后的案例库；
损益值计算模块，用于获取目标案例，在当前时刻将目标案例与处理后的案例库中的各历史案例进行相似度计算，获得各历史案例的损益值；
最优应急方案选取模块，用于对各损益值进行重要性和权重计算，获得各历史案例的预期前景值，将最优预期前景值对应的历史案例作为当前时刻的最优应急方案；
最优应急方案更新模块，用于判断当前时刻的最优应急方案在下一时刻的处理结果，若处理结果为合格则继续采用该最优应急方案；若处理结果为不合格则获取新的最优应急方案。
本发明具有以下有益效果：
1、结合基因结构特点的多位点性、高变异性和稳定的遗传性构建滑坡灾害历史案例库；
2、根据灾害事件指标在数值上的分布特点进行指标区间划分，提出指标区间划分规则，降低灾害事件指标数值差异性分布带来的影响，提高相似案例筛选的准确性；
3、通过各历史案例进行相似度计算提高相似案例筛选的准确性和稳定性，在不同灾害场景下降低决策者主观性的影响；
4、通过当前时刻的最优应急方案在下一时刻的处理结果的判断，对最优应急方案进行针对性调整，实现应急方案多阶段的关键节点及关键路径的动态锁定。
附图说明
图1为本发明实施例方法流程图；
图2为剪枝处理的流程图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
参照图1，本发明提供一种相似应急方案的智能化筛选方法，包括：
S1：构建滑坡灾害历史案例库，对滑坡灾害历史案例库进行指标区间划分和剪枝处理，获得处理后的案例库；
S2：获取目标案例，在当前时刻将目标案例与处理后的案例库中的各历史案例进行相似度计算，获得各历史案例的损益值；
S3：对各损益值进行重要性和权重计算，获得各历史案例的预期前景值，将最优预期前景值对应的历史案例作为当前时刻的最优应急方案；
S4：判断当前时刻的最优应急方案在下一时刻的处理结果，若处理结果为合格则继续采用该最优应急方案，重复步骤S4；若处理结果为不合格则返回步骤S2获取新的最优应急方案。
本实施例中，构建滑坡灾害历史案例库具体为：
计算获得历史案例
Figure BDA0004093172640000071
与目标案例Z*间各指标占比
Figure BDA0004093172640000072
计算公式为：
Figure BDA0004093172640000073
其中，i为历史案例的编号，j为指标的编号，C*j表示目标案例Z*中第j个指标；
计算目标案例Z*与历史案例
Figure BDA0004093172640000081
所有指标占比之和的比值Pi,f，计算公式为：
Figure BDA0004093172640000082
将Pi,f∈[0.5,1.5]的历史案例放入滑坡灾害历史案例库中，m和n为大于0的正整数。
具体的，通过历史案例结合基因结构特点的多位点性、高变异性和稳定的遗传性构建滑坡灾害历史案例库；由Pi,f的计算公式可以发现，当Pi,f值越接近1时，说明历史案例与目标案例在局部上越相似，因此当比值达到Pi,f∈[0.5,1.5]时，放入Ω1中；反之，舍弃。
本实施例中，为了更加全面地考虑正常数据和极端数据，结合正态分布在实际工作中的应用，选择将在横轴区间内的数据作为正常值，在此之外的数据视为极端值，并进行单独区间划分。组数通常要求在5～15组，本申请统一划分10组。如何考虑组距是一个非常重要的问题，这个步骤决定了后续决策剪枝的准确性，本申请既考虑了主体正常值分布区间，又考虑了极端值的分布区间，并且尽可能使每个区间等概率；
对滑坡灾害历史案例库进行指标区间划分和剪枝处理，获得处理后的案例库，具体为：
S11：获取滑坡灾害历史案例库中各历史案例的数据值，计算获得各历史案例数据值的平均值
Figure BDA0004093172640000083
和标准差si，其中i为历史案例的编号；
S12：获得区间
Figure BDA0004093172640000084
将
Figure BDA0004093172640000085
或
Figure BDA0004093172640000086
定义为极端值区间；若
Figure BDA0004093172640000087
且
Figure BDA0004093172640000088
则不存在极端值区间；
S13：将处于极端值区间内的历史案例剔除后，将剩余历史案例的数据值定义为正常值，计算获得正常值的平均值
Figure BDA0004093172640000089
S14：将正常值小于
Figure BDA00040931726400000810
的历史案例的数量记为r，将正常值大于
Figure BDA00040931726400000811
的历史案例的数量记为q，计算获得正常值在
Figure BDA00040931726400000812
的上分布比值
Figure BDA00040931726400000813
和下分布比值
Figure BDA00040931726400000814
S15：通过上分布比值Qahead和下分布比值Qbehind计算获得历史案例在
Figure BDA00040931726400000815
的前区间个数Countahead和后区间个数Countbehind；
S16：通过Countahead和Countbehind计算获得前组距Disahead和后组距Disbehind；
S17：通过Countahead、Countbehind、Disahead和Disbehind构建指标区间，指标区间包括：存在前后两个异常值区间、仅存在前异常值区间、仅存在后异常值区间和不存在异常值区间，放入存在前后两个异常值区间的历史案例为Ω1集合，放入仅存在前异常值区间的历史案例为Ω2集合，放入仅存在后异常值区间的历史案例为Ω3集合，放入不存在异常值区间的历史案例为Ω4集合；
S18：对各指标区间进行剪枝处理，将符合条件的历史案例放入对应剪枝后的指标区间中，构成处理后的案例库。
本实施例中，前区间个数Countahead和后区间个数Countbehind的计算公式为：
Figure BDA0004093172640000091
Figure BDA0004093172640000092
其中，Numexp表示极端值区间中的历史案例个数。
本实施例中，前组距Disahead和后组距Disbehind的计算公式为：
Figure BDA0004093172640000093
Figure BDA0004093172640000094
本实施例中，存在前后两个异常值区间的表达式为：
Figure BDA0004093172640000095
仅存在前异常值区间的表达式为：
Figure BDA0004093172640000101
仅存在后异常值区间的表达式为：
Figure BDA0004093172640000102
不存在异常值区间的表达式为：
[0,Disahead),[Disahead,2Disahead),...,[Disahead×(Countahead-1),Disahead
×Countahead),[Disahead×Countahead,Disahead×Countahead+Disbehind),...,
[Disahead×Countahead+Disbehind,Disahead×Countahead+Disbehind×
(Countbehind-1),[Disahead×Countahead+Disbehind×(Countbehind-1),1]。
本实施例中，指标划分区间后进行剪枝处理，对指标依次进行修剪，结束剪枝后对符合条件的历史案例出现的次数进行加和，选出次数符合要求的历史案例，剪枝处理的流程图如图2所示；
对各指标区间进行剪枝处理具体为：
S181：求出Ω1集合中符合条件的历史案例出现的总次数
Figure BDA0004093172640000105
及所有历史案例出现次数总和Tal；
S182：计算获得历史案例出现的概率
Figure BDA0004093172640000103
及剪枝出的每个历史案例所涉及的权重和
Figure BDA0004093172640000104
wj＝0.5ws+0.5wa，其中，i为历史案例的编号，j为指标的编号，N为正整数，ws为熵权法客观的求出指标权重，wa为利用层次分析法得到的权重；
具体的，通过多名专家进行打分，利用层次分析法得到wa；最后为了同时考虑主观因素的影响和客观因素的影响求出wj＝0.5ws+0.5wa；
S183：计算获得各历史案例的剪枝值Cuti＝Ptree·Wi；
S184：将剪枝值Cuti处于Ω1集合总数的前η％的历史案例放入Ω2集合中，η％由决策者设置。
本实施例中，步骤S2具体为：
S21：设置阈值l，根据决策者的要求设置参数t，计算目标案例与各历史案例的相似度，计算公式为：
t·max{Sim(Z*,Zi)}
其中，Z*为目标案例，Zi为历史案例，i为历史案例的编号；
将满足λ＝t×max{Sim(Z*,Zi)}的历史案例放入Ω3集合中；
具体的，由于应急工作决策者并非单一一人，每个决策参考点考虑多个决策者的主观期望，分别对伤亡人数、经济损失、成本计算取平均值，得到T时刻的决策参考点
Figure BDA0004093172640000111
如下所示：
Figure BDA0004093172640000112
S22：将Ω3集合中各历史案例在初始时刻的伤亡人数Casj、财产损失Ecoj和成本Cosi构成对应历史案例的损益值，j为指标的编号，表达式为：
Figure BDA0004093172640000113
具体的，在不同场景下损益值的含义不同，如表1所示；
表1不同场景下损益值的含义
Figure BDA0004093172640000121
本实施例中，步骤S3具体为：
S31：计算Ω3集合中各历史案例的伤亡人数的情景值
Figure BDA0004093172640000122
财产损失的情景值
Figure BDA0004093172640000123
和成本的情景值
Figure BDA0004093172640000124
S32：通过
Figure BDA0004093172640000125
和
Figure BDA0004093172640000126
计算各历史案例的基于情景的人员伤亡和财产损失综合值valj，计算公式为：
Figure BDA0004093172640000127
Figure BDA0004093172640000128
其中，i为历史案例的编号，j为指标的编号，k为计数编号；
具体的，valj表示决策者损失的伤亡和财产情景重要性，一般由决策者直接给出；
S33：通过valj计算获得各历史案例的预期未来值Γi，计算公式为：
Figure BDA0004093172640000129
Figure BDA0004093172640000136
Figure BDA0004093172640000131
S34：计算获得各历史案例的预期前景值ψi，计算公式为：
Figure BDA0004093172640000132
其中，参数v1表示对不确定的“损失”或“效益”的重要程度，v2表示对确定性的成本输入的重要程度，满足0≤v1,v2≤1,v1+v2＝1；
具体的，v1和v2一般由决策者直接给出，因为当紧急情况发生时，造成的人员伤亡或财产损失或多或少，即ψi越小，对应的历史案例越好；
S35：将ψi最小的历史案例作为当前时刻的最优应急方案。
步骤S4具体为：根据步骤S1-S3，得到T1时刻的最优应急方案，当T2时刻发生突发灾害事件时，需要确定T1时刻的最优应急方案是否能够满足T2时刻的应急工作；若最优应急方案满足T2应急工作要求，无需进行调整；如果不满足T2的应急工作，需要根据实际情况进行调整。
本发明对应急工作的触发因素的状态进行划分，枚举触发因素可能存在的状态，通过专家打分法xi，并要求打分数值符合0√em√1，计算专家打分对某一触发因素的平均值
Figure BDA0004093172640000133
后确定触发因素所处于的状态；考虑触发因素自身结构差异和外界影响差异，综合量化触发因素在灾害链中的链发可能性，即风险评估模型Riski，计算公式为：
Figure BDA0004093172640000134
其中，
Figure BDA0004093172640000135
Riski∈[0,1]；
当Pj发生时，在不同的灾害阶段，不同灾害触发因素会处于不同状态，因此会导致不同次生灾害发生及风险值；根据自然灾害事件初始风险值的输入，判断灾害链的关键节点和关键风险路径，当Riski≤0.2时，认为该点不具备传播风险的能力，计算公式为：
Triggerkey＝max(Riski)
通过对触发因素状态量化计算，得到Tm，可以判断灾害链在某一阶段中的关键触发因素，根据模糊Petri网，得到次生灾害风险值，进而判断出在某一阶段的关键路径和关键节点，落实对灾害链的“预”防，实现对最优应急方案及时的调整和修改。
本发明提供一种相似应急方案的智能化筛选系统，包括：
案例库构建模块，用于构建滑坡灾害历史案例库，对滑坡灾害历史案例库进行指标区间划分和剪枝处理，获得处理后的案例库；
损益值计算模块，用于获取目标案例，在当前时刻将目标案例与处理后的案例库中的各历史案例进行相似度计算，获得各历史案例的损益值；
最优应急方案选取模块，用于对各损益值进行重要性和权重计算，获得各历史案例的预期前景值，将最优预期前景值对应的历史案例作为当前时刻的最优应急方案；
最优应急方案更新模块，用于判断当前时刻的最优应急方案在下一时刻的处理结果，若处理结果为合格则继续采用该最优应急方案；若处理结果为不合格则获取新的最优应急方案。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种相似应急方案的智能化筛选方法，其特征在于，包括：
S1：构建滑坡灾害历史案例库，对滑坡灾害历史案例库进行指标区间划分和剪枝处理，获得处理后的案例库；
S2：获取目标案例，在当前时刻将目标案例与处理后的案例库中的各历史案例进行相似度计算，获得各历史案例的损益值；
S3：对各损益值进行重要性和权重计算，获得各历史案例的预期前景值，将最优预期前景值对应的历史案例作为当前时刻的最优应急方案；
S4：判断当前时刻的最优应急方案在下一时刻的处理结果，若处理结果为合格则继续采用该最优应急方案，重复步骤S4；若处理结果为不合格则返回步骤S2获取新的最优应急方案。
2.根据权利要求1所述的相似应急方案的智能化筛选方法，其特征在于，构建滑坡灾害历史案例库具体为：
计算获得历史案例
Figure FDA0004093172630000011
与目标案例Z*间各指标占比
Figure FDA0004093172630000012
计算公式为：
Figure FDA0004093172630000013
其中，i为历史案例的编号，j为指标的编号，C*j表示目标案例Z*中第j个指标；
计算目标案例Z*与历史案例
Figure FDA0004093172630000014
所有指标占比之和的比值Pi,f，计算公式为：
Figure FDA0004093172630000015
将Pi,f∈[0.5,1.5]的历史案例放入滑坡灾害历史案例库中，m和n为大于0的正整数。
3.根据权利要求1所述的相似应急方案的智能化筛选方法，其特征在于，对滑坡灾害历史案例库进行指标区间划分和剪枝处理，获得处理后的案例库，具体为：
S11：获取滑坡灾害历史案例库中各历史案例的数据值，计算获得各历史案例数据值的平均值
Figure FDA0004093172630000016
和标准差si，其中i为历史案例的编号；
S12：获得区间
Figure FDA0004093172630000017
将
Figure FDA0004093172630000018
或
Figure FDA0004093172630000019
定义为极端值区间；若
Figure FDA0004093172630000021
且
Figure FDA0004093172630000022
则不存在极端值区间；
S13：将处于极端值区间内的历史案例剔除后，将剩余历史案例的数据值定义为正常值，计算获得正常值的平均值
Figure FDA0004093172630000023
S14：将正常值小于
Figure FDA0004093172630000024
的历史案例的数量记为r，将正常值大于
Figure FDA0004093172630000025
的历史案例的数量记为q，计算获得正常值在
Figure FDA00040931726300000211
的上分布比值
Figure FDA0004093172630000026
和下分布比值
Figure FDA0004093172630000027
S15：通过上分布比值Qahead和下分布比值Qbehind计算获得历史案例在
Figure FDA0004093172630000028
的前区间个数Countahead和后区间个数Countbehind；
S16：通过Countahead和Countbehind计算获得前组距Disahead和后组距Disbehind；
S17：通过Countahead、Countbehind、Disahead和Disbehind构建指标区间，指标区间包括：存在前后两个异常值区间、仅存在前异常值区间、仅存在后异常值区间和不存在异常值区间，放入存在前后两个异常值区间的历史案例为Ω1集合，放入仅存在前异常值区间的历史案例为Ω2集合，放入仅存在后异常值区间的历史案例为Ω3集合，放入不存在异常值区间的历史案例为Ω4集合；
S18：对各指标区间进行剪枝处理，将符合条件的历史案例放入对应剪枝后的指标区间中，构成处理后的案例库。
4.根据权利要求3所述的相似应急方案的智能化筛选方法，其特征在于，前区间个数Countahead和后区间个数Countbehind的计算公式为：
Figure FDA0004093172630000029
Figure FDA00040931726300000210
其中，Numexp表示极端值区间中的历史案例个数。
5.根据权利要求3所述的相似应急方案的智能化筛选方法，其特征在于，前组距Disahead和后组距Disbehind的计算公式为：
Figure FDA0004093172630000031
Figure FDA0004093172630000032
6.根据权利要求3所述的相似应急方案的智能化筛选方法，其特征在于：
存在前后两个异常值区间的表达式为：
Figure FDA0004093172630000033
仅存在前异常值区间的表达式为：
Figure FDA0004093172630000034
仅存在后异常值区间的表达式为：
Figure FDA0004093172630000035
不存在异常值区间的表达式为：
[0,Disahead),[Disahead,2Disahead),...,[Disahead×(Countahead-1),Disahead×Countahead),[Disahead×Countahead,Disahead×Countahead+Disbehind),...,[Disahead×Countahead+Disbehind,Disahead×Countahead+Disbehind×(Countbehind-1),[Disahead×Countahead+Disbehind×(Countbehind-1),1]。
7.根据权利要求3所述的相似应急方案的智能化筛选方法，其特征在于，对各指标区间进行剪枝处理具体为：
S181：求出Ω1集合中符合条件的历史案例出现的总次数
Figure FDA0004093172630000041
及所有历史案例出现次数总和Tall；
S182：计算获得历史案例出现的概率
Figure FDA0004093172630000042
及剪枝出的每个历史案例所涉及的权重和
Figure FDA0004093172630000043
wj＝0.5ws+0.5wa，其中，i为历史案例的编号，j为指标的编号，N为正整数，ws为熵权法客观的求出指标权重，wa为利用层次分析法得到的权重；
S183：计算获得各历史案例的剪枝值Cuti＝Ptree·Wi；
S184：将剪枝值Cuti处于Ω1集合总数的前η％的历史案例放入Ω2集合中，η％由决策者设置。
8.根据权利要求1所述的相似应急方案的智能化筛选方法，其特征在于，步骤S2具体为：
S21：设置阈值λ，根据决策者的要求设置参数t，计算目标案例与各历史案例的相似度，计算公式为：
t·max{Sim(Z*,Zi)}
其中，Z*为目标案例，Zi为历史案例，i为历史案例的编号；
将满足λ＝t·max{Sim(Z*,Zi)}的历史案例放入Ω3集合中；
S22：将Ω3集合中各历史案例在初始时刻的伤亡人数Casj、财产损失Ecoj和成本Cosi构成对应历史案例的损益值，j为指标的编号，表达式为：
Figure FDA0004093172630000044
9.根据权利要求1所述的相似应急方案的智能化筛选方法，其特征在于，步骤S3具体为：
S31：计算Ω3集合中各历史案例的伤亡人数的情景值
Figure FDA0004093172630000045
财产损失的情景值
Figure FDA0004093172630000046
和成本的情景值
Figure FDA0004093172630000047
S32：通过
Figure FDA0004093172630000048
和
Figure FDA0004093172630000049
计算各历史案例的基于情景的人员伤亡和财产损失综合值valj，计算公式为：
Figure FDA0004093172630000051
Figure FDA0004093172630000052
其中，i为历史案例的编号，j为指标的编号，k为计数编号；
S33：通过valj计算获得各历史案例的预期未来值Γi，计算公式为：
Figure FDA0004093172630000053
Figure FDA0004093172630000054
Figure FDA0004093172630000055
S34：计算获得各历史案例的预期前景值ψi，计算公式为：
Figure FDA0004093172630000056
其中，参数v1表示对不确定的“损失”或“效益”的重要程度，v2表示对确定性的成本输入的重要程度，满足0≤v1,v2≤1,v1+v2＝1；
S35：将ψi最小的历史案例作为当前时刻的最优应急方案。
10.一种相似应急方案的智能化筛选系统，其特征在于，包括：
案例库构建模块，用于构建滑坡灾害历史案例库，对滑坡灾害历史案例库进行指标区间划分和剪枝处理，获得处理后的案例库；
损益值计算模块，用于获取目标案例，在当前时刻将目标案例与处理后的案例库中的各历史案例进行相似度计算，获得各历史案例的损益值；
最优应急方案选取模块，用于对各损益值进行重要性和权重计算，获得各历史案例的预期前景值，将最优预期前景值对应的历史案例作为当前时刻的最优应急方案；
最优应急方案更新模块，用于判断当前时刻的最优应急方案在下一时刻的处理结果，若处理结果为合格则继续采用该最优应急方案；若处理结果为不合格则获取新的最优应急方案。
CN202310157764.0A 2023-02-23 2023-02-23 一种相似应急方案的智能化筛选方法及系统 Pending CN116090659A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310157764.0A CN116090659A (zh) 2023-02-23 2023-02-23 一种相似应急方案的智能化筛选方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310157764.0A CN116090659A (zh) 2023-02-23 2023-02-23 一种相似应急方案的智能化筛选方法及系统

Publications (1)

Publication Number Publication Date
CN116090659A true CN116090659A (zh) 2023-05-09

Family

ID=86206416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310157764.0A Pending CN116090659A (zh) 2023-02-23 2023-02-23 一种相似应急方案的智能化筛选方法及系统

Country Status (1)

Country Link
CN (1) CN116090659A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680925A (zh) * 2023-06-15 2023-09-01 深圳市智慧空间平台技术开发有限公司 一种基于大数据的智慧空间应急处理方法、系统和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680925A (zh) * 2023-06-15 2023-09-01 深圳市智慧空间平台技术开发有限公司 一种基于大数据的智慧空间应急处理方法、系统和介质
CN116680925B (zh) * 2023-06-15 2024-02-06 深圳市智慧空间平台技术开发有限公司 一种基于大数据的智慧空间应急处理方法、系统和介质

Similar Documents

Publication Publication Date Title
CN107851097B (zh) 数据分析系统、数据分析方法、数据分析程序及存储介质
JP5904559B2 (ja) シナリオ生成装置、及びそのためのコンピュータプログラム
CN111260223A (zh) 一种审判风险智能识别与预警方法、系统、介质及设备
CN108833139B (zh) 一种基于类别属性划分的ossec报警数据聚合方法
KR101968309B1 (ko) 문서 분류 시스템 및 그 방법
KR20180086084A (ko) 인공 지능 기술을 적용한 기계 학습 기반의 입력 특허 집합과 관계성 높은 특허 집합을 생성하는 방법 및 장치
CN106951565B (zh) 文本分类方法及获得的文本分类器
CN116090659A (zh) 一种相似应急方案的智能化筛选方法及系统
Gerhana et al. Comparison of naive Bayes classifier and C4. 5 algorithms in predicting student study period
CN114118507A (zh) 一种基于多维信息融合的风险评估预警方法和装置
Maulana et al. Logistic model tree and decision tree J48 algorithms for predicting the length of study period
CN114817575B (zh) 基于扩展模型的大规模电力事理图谱处理方法
CN110598129A (zh) 基于两级信息熵的跨社交网络用户身份识别方法
CN114238781A (zh) 基于人工智能的信息推送方法、装置、设备及介质
US20170364827A1 (en) Scenario Analytics System
Salal et al. Using of Data Mining techniques to predictof student’s performance in industrial institute of Al-Diwaniyah, Iraq
Scherger et al. A systematic overview of the prediction of business failure
Ehrlich et al. Tracking the Evolution of Stare Decisis
Ogunde et al. A decision tree algorithm based system for predicting crime in the university
Nassif et al. Analyzing the non-functional requirements in the desharnais dataset for software effort estimation
Gardašević-Filipović et al. Multicriteria optimization in a fuzzy environment: the fuzzy analytic hierarchy process
Zaliluddin Bibliometric Analysis of “Accuracy of Multi Criteria Decision Making (MCDM) of Assistance Recipients with Fuzzy Logic Algorithm”
CN114820074A (zh) 基于机器学习的目标用户群体预测模型构建方法
Nugroho et al. Decision Tree Induction for Classifying the Cholesterol Levels
Mojtahedi et al. Risk identification and analysis concurrently: Group Decision Making afpproach

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