李維乾，李 莉，張曉濱，吳 濤

（西安工程大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安710048）

0 引 言

近年來，隨著經(jīng)濟(jì)社會(huì)的快速發(fā)展，水污染等環(huán)境問題日益突出，特別是突發(fā)水污染事件更是呈現(xiàn)出一種高發(fā)態(tài)勢(shì).為了有效應(yīng)對(duì)突發(fā)水污染事件，最大限度降低突發(fā)水污染事件對(duì)人類帶來的危害.一方面，政府部門相繼出臺(tái)了《國家突發(fā)環(huán)境事件應(yīng)急預(yù)案》、《重大水污染事件報(bào)告暫行辦法》、《黃河流域省際水事糾紛預(yù)防調(diào)處預(yù)案》、《陜西省防御洪水災(zāi)害應(yīng)急預(yù)案》、《陜西省水利系統(tǒng)應(yīng)對(duì)突發(fā)水污染事件應(yīng)急預(yù)案》等各種各樣的政策法規(guī)；另一方面，相關(guān)學(xué)者對(duì)突發(fā)事件的機(jī)理、應(yīng)急預(yù)案的表達(dá)和生成等進(jìn)行了深入的研究，其中應(yīng)急預(yù)案生成方法的研究逐漸成為學(xué)者們關(guān)注的焦點(diǎn).文獻(xiàn)［1］根據(jù)應(yīng)急預(yù)案中包含的應(yīng)急事件以及與處置相關(guān)的組織、規(guī)則和預(yù)定義的流程，給出了數(shù)字預(yù)案的定義，并以此為基礎(chǔ)，在應(yīng)急處置流程構(gòu)造過程中為用戶推薦應(yīng)急響應(yīng)級(jí)別和應(yīng)急活動(dòng)，形成一種以用戶為中心、預(yù)案輔助決策的應(yīng)急處置流程構(gòu)造方法；文獻(xiàn)［2］著重介紹了層次化的分級(jí)分類數(shù)字化方案，并將其應(yīng)用到停電事故中；而文獻(xiàn)［3-7］基于CBR設(shè)計(jì)了應(yīng)急方案的生成方法，所不同的是文獻(xiàn)［4］綜合考慮了結(jié)構(gòu)相似度和屬性相似度雙層結(jié)構(gòu)的案例整體相似度，文獻(xiàn)［5］在數(shù)字應(yīng)急方案生成方法中考慮了應(yīng)急方案的實(shí)施效果，而文獻(xiàn)［6］則從案例匹配和方案生成的角度出發(fā)，提出了考慮多種應(yīng)急證據(jù)的決策方法來生成最有效的方案，并且將這些方法應(yīng)用于環(huán)境、鐵路、煤礦等不同領(lǐng)域.

盡管關(guān)于應(yīng)急預(yù)案生成方法的研究取得了一定的成果，然而在水污染事件中，突發(fā)事件的增加導(dǎo)致應(yīng)急預(yù)案愈來愈多，且突發(fā)水污染事件應(yīng)急管理過程中涉及到的基礎(chǔ)數(shù)據(jù)、水質(zhì)數(shù)據(jù)、空間數(shù)據(jù)、應(yīng)急數(shù)據(jù)、資源庫數(shù)據(jù)等5類數(shù)據(jù)更多地呈現(xiàn)出大數(shù)據(jù)特征，傳統(tǒng)的應(yīng)急預(yù)案處置方式已無法滿足現(xiàn)代應(yīng)急管理的需要，特別是在處理應(yīng)急預(yù)案方面顯得有些不足.為此，基于Hadoop框架，采用CBR理論設(shè)計(jì)特征匹配的并行化應(yīng)急預(yù)案的生成方法，利用MapReduce框架實(shí)現(xiàn)應(yīng)急預(yù)案特征數(shù)據(jù)入庫和應(yīng)急預(yù)案檢索匹配的功能，通過構(gòu)建分級(jí)索引從分布式HDFS數(shù)據(jù)庫中快速匹配到最為接近的預(yù)案，提升應(yīng)急預(yù)案的生成效率，便于管理者和決策者有效應(yīng)對(duì)突發(fā)水污染事件.

1 關(guān)鍵技術(shù)

1.1 Hadoop框架

Hadoop是Apache軟件基金會(huì)旗下的一個(gè)開源分布式計(jì)算平臺(tái)［8］，以HDFS和MapReduce為核心，采用了主從式的架構(gòu)技術(shù)，屏蔽了底層的復(fù)雜結(jié)構(gòu)，向用戶提供方便的文件目錄映射.其中，HDFS的高容錯(cuò)性、高伸縮性等優(yōu)點(diǎn)允許用戶將Hadoop部署在低廉的硬件上，通過主節(jié)點(diǎn)NameNode和子節(jié)點(diǎn)Data-Node的結(jié)合及多備份機(jī)制［9］，形成了一個(gè)滿足海量數(shù)據(jù)計(jì)算和可伸縮擴(kuò)展的分布式系統(tǒng).HDFS中，文件通常是以相同大小的Block塊方式存在，主節(jié)點(diǎn)NameNode通常管理多個(gè)DataNode，并保存HDFS文件系統(tǒng)中關(guān)于文件分布的元數(shù)據(jù)信息.子節(jié)點(diǎn)DataNode主要用來存取需要訪問的Block文件塊.當(dāng)客戶端發(fā)出讀取數(shù)據(jù)請(qǐng)求后，NameNode檢測(cè)空閑的DataNode，并將數(shù)據(jù)調(diào)入到空閑的DataNode中，同時(shí)對(duì)數(shù)據(jù)進(jìn)行復(fù)制，最后客戶端可直接與需要訪問的DataNode建立起連接，并將這一信息告知主節(jié)點(diǎn)NameNode.而MapReduce分布式編程模型允許用戶在不了解分布式系統(tǒng)底層細(xì)節(jié)的情況下開發(fā)并行應(yīng)用程序，它通過管理并行任務(wù)的執(zhí)行和協(xié)調(diào)來管理多個(gè)計(jì)算過程，并能夠保障系統(tǒng)對(duì)硬件故障的容錯(cuò)性［10］.MapReduce可以處理各種非結(jié)構(gòu)化大規(guī)模文本數(shù)據(jù)，將這些數(shù)據(jù)處理抽象成Map和Reduce兩個(gè)階段，由Map階段負(fù)責(zé) “（鍵，值）”對(duì)的數(shù)據(jù)映射，而Reduce階段則負(fù)責(zé)將“（鍵，值）”對(duì)按照“鍵”進(jìn)行簡(jiǎn)化合并，還可增加一個(gè)Merge階段擴(kuò)展現(xiàn)有MapReduce的功能，使其具有將非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)進(jìn)行處理的能力［11］.MapReduce的主節(jié)點(diǎn)叫做JobTracker，從節(jié)點(diǎn)叫做TaskTracker，JobTracker起管理的作用，TaskTracker則是任務(wù)的具體執(zhí)行者.

因而，可利用Hadoop架構(gòu)有效地組織本地計(jì)算機(jī)資源搭建分布式計(jì)算平臺(tái)，充分利用集群的計(jì)算和存儲(chǔ)能力，完成與突發(fā)水污染事件相關(guān)的數(shù)據(jù)處理任務(wù)，為應(yīng)急管理及決策提供高效服務(wù)，增強(qiáng)決策部門的決策能力.

1.2 應(yīng)急預(yù)案數(shù)字化處置

圖1 CBR案例推理過程圖Fig.1 The CBR diagram

應(yīng)急預(yù)案數(shù)字化處置流程包含歷史預(yù)案數(shù)字化處理和歷史案例庫的建立，以及新突發(fā)事件特征屬性的提取和匹配.在應(yīng)急預(yù)案應(yīng)用之前，需要對(duì)歷史突發(fā)事件及其預(yù)案數(shù)據(jù)的特征進(jìn)行數(shù)字化處理，將數(shù)字化后的特征屬性類數(shù)據(jù)存入案例庫，并建立特征索引.當(dāng)突發(fā)水污染事件發(fā)生后，對(duì)當(dāng)前應(yīng)急事件進(jìn)行數(shù)字化，利用索引進(jìn)行特征匹配，從案例庫中檢索到最為相似的應(yīng)急預(yù)案，最終通過專家修正以使其適用于當(dāng)前突發(fā)事件.其中，從歷史案例庫中匹配新的案例時(shí)，最常用的方法是CBR方法，包含檢索、重用、修正、保存4個(gè)步驟，如圖1所示.

1.2.1 突發(fā)水污染事件案例特征抽取 突發(fā)水污染事件案例的結(jié)構(gòu)包含有預(yù)案編號(hào)、預(yù)案名稱、屬性列表、應(yīng)急小組、解決方案、結(jié)果評(píng)價(jià)、預(yù)案有效性等特征，為能夠快速處理這些數(shù)據(jù)，均要依據(jù)其數(shù)據(jù)類型進(jìn)行特征抽取.其中，預(yù)案編號(hào)為數(shù)值型屬性；預(yù)案名稱為字符型屬性，其包含事故單位、事故類型、污染物種類；屬性列表中包含時(shí)間、地點(diǎn)、原因、類型、污染物排放量、污染物在水體中的濃度、污染物毒性、污染物溶解性、污染物沉降性、污染物揮發(fā)性、污染物光解性、污染物擴(kuò)散介質(zhì)、事件等級(jí)、受污對(duì)象、影響范圍、氣象條件、爆炸性、著火性、人員傷亡、經(jīng)濟(jì)損失、其他情況描述；應(yīng)急小組是來自多個(gè)部門的成員，是應(yīng)急預(yù)案中實(shí)施任務(wù)的主要人員；解決方案中有目標(biāo)、決策信息、應(yīng)急措施、應(yīng)急物資、任務(wù)分配、力量部署、注意事項(xiàng)；結(jié)果評(píng)價(jià)包含有文字描述、效果等級(jí)；預(yù)案有效性包含應(yīng)用次數(shù)、成功次數(shù).其地點(diǎn)描述的是距水源地距離、區(qū)塊屬性（社會(huì)關(guān)注區(qū)、生態(tài)敏感區(qū)、特殊保護(hù)目標(biāo)）；受污對(duì)象指的是大氣、水體、土壤、生態(tài)、動(dòng)植物；氣象條件包含風(fēng)向、水流、天氣；決策信息用屬性來表示；應(yīng)急措施包含有前期處置、事故控制、應(yīng)急救援、人員疏散、事后恢復(fù)；任務(wù)分配和力量部署中有隊(duì)伍名稱、負(fù)責(zé)人、聯(lián)系人、聯(lián)系方式、任務(wù)類型、位置、起止時(shí)間等屬性信息；注意事項(xiàng)、事故單位、事故類型、污染物種類、目標(biāo)、距水源地距離、區(qū)塊屬性、風(fēng)向、水流、天氣、前期處置、事故控制、應(yīng)急救援、人員疏散、事后恢復(fù)、隊(duì)伍名稱、負(fù)責(zé)人、聯(lián)系人、聯(lián)系方式、任務(wù)類型、位置由關(guān)鍵詞來描述；預(yù)案時(shí)間為年月日日期時(shí)間型屬性.通過對(duì)預(yù)案特征的抽取，將其歸類存入歷史案例庫，供檢索時(shí)使用.

1.2.2 突發(fā)水污染事件案例檢索匹配 （1）案例相似特征分類.制定突發(fā)事件應(yīng)急預(yù)案前，需要先根據(jù)抽取到的預(yù)案特征、描述或取值確定特征的類型，然后再依據(jù)特征類型選擇與其相適應(yīng)的匹配方法.經(jīng)過分類匯總，突發(fā)水污染事件中預(yù)案特征類型分為數(shù)值型、枚舉型、區(qū)間型和模糊型共4類.表1為部分應(yīng)急預(yù)案的特征及其類型.假設(shè)Xi和Yi分別為事件案例X和歷史案例Y的第i個(gè)特征屬性值，那么Xi和Yi特征匹配的方法對(duì)應(yīng)為4類.

① 數(shù)值型.采用海明距離來計(jì)算特征屬性之間的相似度，其公式為sim（Xi，Yi）=1-dist（Xi，Yi）=1-｜Xi-Yi｜／｜max（i）-min（i）｜，其中，max（i）和 min（i）分別為第i個(gè)屬性的最大值和最小值.

② 枚舉型.其列舉了該屬性所有可能的取值，屬性值之間不存在實(shí)際意義的量的關(guān)系，相似度計(jì)算公式為sim（Xi，Yi）=num（Xi∩Yi）／num（Xi∪Yi），g為第i個(gè)特征屬性值個(gè)數(shù)，num（Xi∩Yi）、num（Xi∪Yi）分別為Xi、Yi交集和并集的個(gè)數(shù).

③ 模糊型.采用三角模糊數(shù)表示，其相似度計(jì)算可采用文獻(xiàn)［12］中的計(jì)算方法，即sim（Xi，Yi）=1-dist（Xi，Yi），其中為三角模糊數(shù).

表1 部分案例特征類型Table 1 Part of characteristics type about case

（2）KNN近鄰算法.在案例推理系統(tǒng)中最常用的是最近相鄰法，而該方法以KNN近鄰算法最為經(jīng)典，由于其概念清晰、計(jì)算簡(jiǎn)便而被廣泛采用.KNN近鄰算法的工作策略流程見圖2.

圖2 KNN近鄰策略的一般工作流程Fig.2 Working flow of the KNN nearest neighbor method

2 基于Hadoop的應(yīng)急預(yù)案并行化處置框架

基于Hadoop的應(yīng)急預(yù)案并行化處置框架如圖3所示，包含預(yù)案特征數(shù)字化入庫及應(yīng)急預(yù)案分級(jí)化檢索2部分內(nèi)容.

考慮到突發(fā)水污染事件的大數(shù)據(jù)特征，借助MapReduce框架對(duì)歷史預(yù)案特征屬性進(jìn)行并行化編碼入庫，并建立預(yù)案特征一級(jí)索引，同時(shí)實(shí)現(xiàn)KNN算法的并行化編程，提升應(yīng)急預(yù)案的生成效率.另外，根據(jù)HDFS技術(shù)特點(diǎn)將數(shù)字預(yù)案按照特征分塊處理，便于對(duì)其進(jìn)行搜索匹配.

2.1 預(yù)案特征數(shù)字化入庫

圖3 基于Hadoop的突發(fā)水污染應(yīng)急預(yù)案并行化處置框架Fig.3 Parallelize disposal framework of emergency plan about the sudden water pollution incidents based on the Hadoop

應(yīng)急預(yù)案的數(shù)字化入庫包含有3個(gè)步驟.① 應(yīng)急預(yù)案特征抽象.用一個(gè)五元組來抽象應(yīng)急預(yù)案特征數(shù)據(jù)，表示為：EPF=（EPID，F(xiàn)ID，MM，F(xiàn)V，L）.其中，EPID為應(yīng)急預(yù)案ID，用來唯一標(biāo)識(shí)應(yīng)急預(yù)案；FID為應(yīng)急預(yù)案特征ID，一個(gè)應(yīng)急預(yù)案包含多個(gè)特征ID，即從不同方面刻畫應(yīng)急預(yù)案；MM為應(yīng)急預(yù)案特征匹配計(jì)算方法，如水污染事件的溢油量采用數(shù)值型匹配方法，事故等級(jí)、污染物采用枚舉型匹配方法等；FV為特征向量，它是特征的取值集合；L為該突發(fā)事件原始應(yīng)急預(yù)案存儲(chǔ)位置.② 特征屬性數(shù)字化編碼.為提高應(yīng)急預(yù)案的檢索效率，對(duì)應(yīng)急預(yù)案EPF中EPID、FID和MM采用二進(jìn)制方式進(jìn)行編碼，根據(jù)數(shù)據(jù)量大小確定EPID、FID和MM的取值范圍，如EPID用20位二進(jìn)制數(shù)表示、FID用5位二進(jìn)制數(shù)表示、MM用2位二進(jìn)制數(shù)表示，則EPID、FID和MM的取值范圍分別為220，25和22，并記MT=（EPID，F(xiàn)ID，MM）.在編碼時(shí)，將EPID、FID和MM的值分別對(duì)220，25和22進(jìn)行求模，根據(jù)求得的結(jié)果進(jìn)行拼接，從而形成一個(gè)長度為27位的二進(jìn)制編碼數(shù)BC，隨后和FV組合在一起形成分塊（BC，F(xiàn)V）對(duì)，再利用MapReduce框架中的Map函數(shù)將其映射至中間數(shù)據(jù)集，形成多個(gè)Key-value對(duì)，然后使用全局分塊排序機(jī)制按照BC大小在全局進(jìn)行排序，并通過Reduce模塊合并在一起形成應(yīng)急預(yù)案的索引并入庫.基于MapReduce的特征索引構(gòu)建流程見圖4.為加快應(yīng)急方案搜索效率，參照《國家突發(fā)環(huán)境應(yīng)急預(yù)案》分級(jí)標(biāo)準(zhǔn)，提取重要城市主要水源地取水中斷、人員傷亡、中毒人數(shù)、疏散群眾、直接經(jīng)濟(jì)損失、生態(tài)功能污染程度、事件影響范圍等特征屬性作為一級(jí)索引.③ 數(shù)據(jù)存儲(chǔ).數(shù)據(jù)存儲(chǔ)采用HDFS分布式存儲(chǔ)方式，文件以block單元格式存儲(chǔ)，用NameNode存儲(chǔ)應(yīng)急預(yù)案原始數(shù)據(jù)，用DataNode存儲(chǔ)預(yù)案特征數(shù)據(jù).實(shí)際存儲(chǔ)時(shí)，將多行綁定在一起作為DataNode節(jié)點(diǎn)中的一個(gè)block文件，并用BC編碼的最值作為編碼名稱，如BC＿min＿max的表示形式.

圖4 基于MapReduce的特征索引構(gòu)建流程圖Fig.4 The flowchart of index about characteristic based on MapReduce

2.2 應(yīng)急預(yù)案分級(jí)化檢索

首先按照水污染事件的嚴(yán)重程度、事件發(fā)生地、污染物毒性、進(jìn)入水體的污染物量及濃度等信息，抽取事件的特征信息，然后根據(jù)特征信息與建立的一級(jí)特征索引進(jìn)行匹配，定位HDFS中某個(gè)特定的區(qū)間，縮小特征數(shù)據(jù)的檢索范圍.在此基礎(chǔ)上，采用MapReduce框架設(shè)計(jì)并行KNN算法.算法步驟可描述為：Map階段，將提取到的突發(fā)事件的特征屬性信息按照EPID、FID和MM二進(jìn)制編碼方式組合，并傳遞到各個(gè)計(jì)算節(jié)點(diǎn)，與block單元中的編碼信息進(jìn)行比對(duì)，計(jì)算出突發(fā)事件案例與歷史案例庫中各特征之間的距離sim（Xi，Yi），并將其作為 Map階段的輸出；Reduce階段，在各個(gè)節(jié)點(diǎn)中，依據(jù)sim（Xi，Yi）值收集各個(gè)節(jié)點(diǎn)的距離值，根據(jù)sim（XY）值選擇出與歷史案例庫中最近的k個(gè)應(yīng)急預(yù)案，將其作為該次突發(fā)事件所采用的案例，并在專家指導(dǎo)下根據(jù)Block存儲(chǔ)的信息，從原始應(yīng)急預(yù)案中篩選出合適的幾組預(yù)案，并對(duì)其修改供應(yīng)急管理者選擇.

3 實(shí)例應(yīng)用

為驗(yàn)證本文構(gòu)建方案的正確性和有效性，利用4個(gè)IBM System x3650機(jī)架式服務(wù)器，基于Hadoop平臺(tái)搭建本文所構(gòu)建的應(yīng)急預(yù)案并行化處置平臺(tái).其中1臺(tái)服務(wù)器作為NameNode節(jié)點(diǎn)，其余3臺(tái)服務(wù)器作為DataNode節(jié)點(diǎn).部署的應(yīng)急預(yù)案并行化處置平臺(tái)界面如圖5所示.

從圖5（a）～（d）可以看出，經(jīng)過對(duì)突發(fā)水污染事件的特征提取、預(yù)案匹配，可以檢索到預(yù)案的匹配結(jié)果.利用該系統(tǒng)對(duì)陜西渭河的突發(fā)水污染事件應(yīng)急決策過程進(jìn)行了模擬，經(jīng)過多次操作，系統(tǒng)以秒級(jí)速度匹配到該事件預(yù)案，同時(shí)還支持多用戶、多方案比較操作，滿足突發(fā)水污染事件應(yīng)急管理高響應(yīng)速率的要求.

圖5 突發(fā)水污染事件應(yīng)急預(yù)案并行化處置平臺(tái)Fig.5 The platform of parallelization emergency plan in sudden water pollution incidents

4 結(jié)束語

基于Hadoop平臺(tái)按照CBR理論推理流程設(shè)計(jì)了突發(fā)水污染事件應(yīng)急預(yù)案的并行化處置方案，利用MapReduce框架實(shí)現(xiàn)了并行化預(yù)案特征數(shù)據(jù)入庫和應(yīng)急預(yù)案檢索匹配的功能，并將應(yīng)急預(yù)案的特征數(shù)據(jù)及原始數(shù)據(jù)分儲(chǔ)在HDFS分布式存文件系統(tǒng)中，同時(shí)通過建立的一級(jí)特征索引加快了應(yīng)急預(yù)案特征的檢索速度，能夠有效處理突發(fā)水污染事件中的大數(shù)據(jù)，提升了應(yīng)急預(yù)案的生成效率，便于管理者和決策者有效地應(yīng)對(duì)突發(fā)事件，降低了突發(fā)事件的危害.

［1］ 張峰，韓燕波，陳欣，等.基于數(shù)字預(yù)案的應(yīng)急處置流程構(gòu)造方法［J］.計(jì)算機(jī)集成制造系統(tǒng)，2013，19（8）：1802-1909.ZHANG Feng，HAN Yanbo，CHEN Xin，et al.Emergency response process construction based on digital plans［J］.Computer Integrated Manufacturing Systems，2013，19（8）：1802-1909.

［2］ 李從善，劉天琪，李興源.停電應(yīng)急預(yù)案快速匹配與智能生成方法［J］.電力自動(dòng)化設(shè)備，2014，34（1）：32-36.LI Congshan，LIU Tianqi，LI Xingyuan.Fast matching of power outage event and intelligent generation of power recovery plan［J］.Electric Power Automation Equipment，2014，34（1）：32-36.

［3］ LIAO Z，MAO X，HANNAM P M，et al.Adaptation methodology of CBR for environmental emergency preparedness system based on an improved genetic algorithm［J］.Expert Systems with Applications，2012，39（8）：7029-7040.

［4］ 張振海，王曉明，黨建武，等.基于整體相似度的鐵路應(yīng)急救援預(yù)案推理決策方法研究［J］.鐵道學(xué)報(bào)，2012，34（11）：49-53.ZHANG Zhenhai，WANG Xiaoming，DANG Jianwu，et al.Research on CBR decision method of railway emergency rescure based on integral similarity degree［J］.Journal of the China Railway Society，2012，34（11）：49-53.

［5］ 李永海，樊治平，袁媛.考慮應(yīng)急方案實(shí)施效果的突發(fā)事件應(yīng)急方案生成方法［J］.控制與決策，2014，29（2）：275-280.LI Yonghai，F(xiàn)AN Zhiping，YUAN Yuan.Method for generating emergency alternative with considering implementation effects of emergency alternatives［J］.Control and Decision，2014，29（2）：275-280.

［6］ 鄭晶，王應(yīng)明，葉歆.考慮應(yīng)急方案總體優(yōu)勢(shì)度的決策方法［J］.控制與決策，2015，30（7）：1239-1244.ZHENG Jing，WANG Yingming，YE Xin.Decision method for emergency alternative with considering total superiority degree［J］.Control and Decision，2015，30（7）：1239-1244.

［7］ SCHANK，ROGER C.Dynamic memory：A theory of reminding and learning in computers and people［M］.New York：Cambridge University Press，1982：1-75.

［8］ 陳寧，柴向陽，孫勇.基于 Hadoop的海運(yùn)業(yè)分布式搜索引擎的應(yīng)用研究［J］.西安工程大學(xué)學(xué)報(bào)，2015，29（1）：73-77.CHEN Ning，CHAI Xiangyang，SUN Yong.Application research on distributed search engine for ocean shipping service based on Hadoop［J］.Journal of Xi′an Polytechnic University，2015，29（1）：73-77.

［9］ HANSON J J.Hadoop distributed file system［EB／OL］.（2012-01-19）［2015-8-25］.http：／／www.ibm.com／developerworks／cn／web／wa-introhdfs／.

［10］ ANAND R，JEFFREY D U.Mining of massive datasets［M］.Cambridge：Cambridge University Press，2011.

［11］ YANG H，DASDAN A，HSIAO R，et al.Map-reduce-merge：simplified relational data processing on large clusters［C］／／Proceedings of the 2007ACM SIGMOD international conference on Management of data，New York：ACM，2007：1029-1049.

［12］ ZARANDI M H F，RAZAEE Z S，KARBASIAN M.A fuzzy case based reasoning approach to value engineering［J］.Expert Systems with Applications，2011，38（8）：9334-9339.

［13］ 許瑞麗，徐澤水.區(qū)間數(shù)相似度研究［J］.數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2007，37（24）：1-8.XU Ruili，XU Zeshui.On similarity degrees of interval numbers［J］.Mathematics in Practice and Theory，2007，37（24）：1-8.

［14］ COVER T，HART P.Nearest neighbor pattern classification［J］.IEEE Transactions on Information Theory，1967，13（1）：21-27.