張愷（福建船政交通職業(yè)學(xué)院 信息工程系，福建 福州350007）

基于置信規(guī)則庫的應(yīng)急方案生成方法

張愷
（福建船政交通職業(yè)學(xué)院 信息工程系，福建 福州350007）

針對(duì)突發(fā)事件中數(shù)據(jù)存在不確定性，應(yīng)急方案生成困難的問題，提出一種基于置信規(guī)則庫方案生成的新方法。將歷史案例的數(shù)據(jù)轉(zhuǎn)換成置信度分布形式，通過優(yōu)化模型對(duì)歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)得到問題與方案之間的置信規(guī)則庫，再應(yīng)用基于證據(jù)推理的置信規(guī)則庫推理方法獲得當(dāng)前突發(fā)事件的應(yīng)急方案；并以一個(gè)重大交通事故說明該方法的可行性與有效性。

突發(fā)事件；應(yīng)急方案；置信規(guī)則庫；重大交通事故

近年來，突發(fā)事件頻頻發(fā)生，如：天津塘沽大爆炸、“蘇迪羅”臺(tái)風(fēng)、四川雅安7.0級(jí)地震、北京特大暴雨等，給我國帶來了嚴(yán)重的人員傷亡和經(jīng)濟(jì)損失，并給生態(tài)環(huán)境造成了一定程度的影響與破壞。因此，在突發(fā)事件剛剛發(fā)生的時(shí)候，如何快速地采用有效的應(yīng)急方案進(jìn)行響應(yīng)，以此來最大幅度地降低突發(fā)事件造成的損失，這是一個(gè)具有現(xiàn)實(shí)意義的研究課題。目前，關(guān)于應(yīng)急決策研究常用的方法有前景理論［1］、案 例推理［2］、博弈論［3］等。突發(fā)事件具有不確定性、突發(fā)性、發(fā)展演變復(fù)雜等特點(diǎn)，往往導(dǎo)致有些預(yù)案失效，因此，基于案例推理的應(yīng)急決策方法能快速輔助決策者生成應(yīng)急方案。需要指出的是，案例推理存在應(yīng)急方案調(diào)整困難的問題，而且突發(fā)事件的信息具有不確定性和缺失性。

針對(duì)具有不確定數(shù)據(jù)信息的因果決策問題，基于證據(jù)推理的置信規(guī)則庫推理方法（rule-base inference methodology using the evidential reasoning，RIMER）是一個(gè)有效的方法。RIMER是Yang等［4］于2006年在證據(jù)推理、決策理論、模糊理論和傳統(tǒng)IF-THEN規(guī)則庫的基礎(chǔ)上提出的，用來對(duì)模糊不確定、概率不確定性及非線性特征的數(shù)據(jù)進(jìn)行建模。由于RIMER具有處理各種不確定數(shù)據(jù)的能力，因此受到了廣泛的關(guān)注，比如，李彬等［5］針對(duì)庫存存在非平穩(wěn)需求及區(qū)間預(yù)測(cè)需求的問題，提出了基于置信規(guī)則推理的庫存控制方法。Xu等［6］針對(duì)管道泄漏檢測(cè)的問題，提出了基于置信規(guī)則庫的檢測(cè)方法。Zhou等［7］提出了基于隱馬爾可夫模型和規(guī)則庫的方法對(duì)故障進(jìn)行診斷。Zhou等［8］運(yùn)用雙層置信規(guī)則庫方法對(duì)淋巴結(jié)點(diǎn)轉(zhuǎn)移問題進(jìn)行分類。由此可見，基于置信規(guī)則庫的決策方法對(duì)于不確定性的因果關(guān)系間的決策具有一定的有效性和實(shí)用性。為此，本文提出了一種基于置信規(guī)則庫的應(yīng)急方案生成方法。

1 RIMER方法

RIMER方法包括兩個(gè)部分，通過確定屬性權(quán)重、規(guī)則權(quán)重及結(jié)論置信度的模型來構(gòu)建置信規(guī)則庫；應(yīng)用證據(jù)推理來融合被當(dāng)前前提激活的規(guī)則，以此得到當(dāng)前的結(jié)論。

1.1 置信規(guī)則庫的表示

此外，第k條規(guī)則還具有屬性權(quán)重δi，k，規(guī)則權(quán)重θk，基于置信結(jié)構(gòu)的規(guī)則庫如表1所示。

表1 基于置信結(jié)構(gòu)的規(guī)則庫Tab.1 Belief structure-based rule base

1.2 基于證據(jù)推理的規(guī)則合成

RIMER方法中推理的步驟是通過證據(jù)推理（evidential reasoning，ER）算法實(shí)現(xiàn)的?；谧C據(jù)推理的規(guī)則合成主要分為兩個(gè)部分：計(jì)算激活權(quán)重；基于證據(jù)推理的合成。

1.2.1 激活權(quán)重的計(jì)算

激活權(quán)重的計(jì)算公式如下：

1.2.2 基于證據(jù)推理的合成

對(duì)于激活的規(guī)則，利用證據(jù)推理進(jìn)行合成，得到結(jié)果｛（D1，β1），（D2，β2），…，（DN，βN）｝。

由于置信度的形式很難進(jìn)行比較，通過效用將其轉(zhuǎn)換為精確值。設(shè)每個(gè)評(píng)價(jià)等級(jí)上的效用分別為μ（D1），μ（D2），…，μ（DN），則其輸出的置信度可以轉(zhuǎn)換為：

2 問題描述

所要解決的問題是：依據(jù)歷史案例Ci的問題和方案及當(dāng)前突發(fā)事件C0的問題，為當(dāng)前突發(fā)事件生成一個(gè)有效的應(yīng)急方案。

3 基于置信規(guī)則庫的應(yīng)急方案生成方法

為了解決上述提及的應(yīng)急方案生成問題，這里提出一種基于置信規(guī)則庫的應(yīng)急決策方法。

圖1 多屬性應(yīng)急方案生成結(jié)構(gòu)圖Fig.1 The model of generating multiple attributes emergency alternatives

圖2 BRB訓(xùn)練模型Fig.2 BRB training model

針對(duì)上述模型，并參考Wang等在文獻(xiàn)［9］中構(gòu)建的優(yōu)化模型，得到優(yōu)化模型如下：

其中，式（7）為目標(biāo)函數(shù)，表示使得實(shí)際方案的屬性值與預(yù)測(cè)值之間的差異越小越好；式（8）和式（11）表示每條規(guī)則的結(jié)論部分的置信度之和為1，且每個(gè)置信度值非負(fù)；式（9）和式（11）表示每條規(guī)則的前置屬性權(quán)重之和為1，且每個(gè)權(quán)重非負(fù)；式（12）表明置信規(guī)則庫中的每條規(guī)則權(quán)重的取值范圍。

最后，根據(jù)確定的置信規(guī)則庫，獲得當(dāng)前突發(fā)事件的應(yīng)急方案（y01，y02，…，y0h）。將當(dāng)前突發(fā)事件的問題屬性向量x0＝（x01，y02，…，y0m）根據(jù)式（6）轉(zhuǎn)換為置信度分布形式。從確定的置信規(guī)則庫中獲取規(guī)則權(quán)重和屬性權(quán)重，根據(jù)式（3）來計(jì)算激活權(quán)重，以此確定當(dāng)前突發(fā)事件激活了置信規(guī)則庫中的哪些規(guī)則。如果wk≠0，表明該條規(guī)則被激活；否則，表明未被激活。對(duì)于被激活的規(guī)則，其結(jié)論部分的置信度通過式（3）～（4）進(jìn)行融合，得到當(dāng)前突發(fā)事件的結(jié)論置信度。為了跟實(shí)際的方案結(jié)果比較，采用效用對(duì)置信度形式進(jìn)行轉(zhuǎn)換，根據(jù)式（5）將融合得到的結(jié)論置信度轉(zhuǎn)換為精確值。

綜上所述：基于置信規(guī)則庫的應(yīng)急方案生成方法的計(jì)算步驟如下：

步驟1 根據(jù)式（6）將歷史案例的問題屬性xij轉(zhuǎn)換為等級(jí)評(píng)價(jià)分布的形式S（xij）＝｛（Hj，e，αj，e）｝；

步驟3 根據(jù)式（6）將當(dāng)前案例的問題x01轉(zhuǎn)換成置信度的形式；

步驟4 計(jì)算當(dāng)前案例激活置信規(guī)則庫中規(guī)則的權(quán)重wk；

步驟5 利用證據(jù)推理融合置信規(guī)則庫中被激活的規(guī)則的結(jié)論，并根據(jù)式（5）將置信度形式的結(jié)論轉(zhuǎn)換為精確數(shù)y0＾1。

步驟6 重復(fù)上述步驟，獲取應(yīng)急方案的其他屬性y0＾2，y0＾3，…，y0＾h。

4 算例分析

以某城市的重大交通事故應(yīng)急方案生成問題為背景來說明所提出方法的應(yīng)用性。設(shè)某城市收集到的近年來發(fā)生的大型車輛重大交通事故有30個(gè)案例作為歷史案例｛C1，C2，…，C30｝。案例所涉及的突發(fā)事件問題特征包括：傷亡人數(shù)（CP1，單位：人）、事故車輛數(shù)目（CP2，單位：輛）、道路擁堵情況（CP3）和財(cái)產(chǎn)損失（CP4，單位：萬元）。其中，屬性擁堵情況根據(jù)擁堵程度分為（0.2，0.4，0.6，0.8，1）5個(gè)等級(jí)，1表示最擁堵，0.2表示擁堵程度最弱。案例所設(shè)計(jì)的突發(fā)事件應(yīng)急方案問題特征包括：出動(dòng)車輛數(shù)目（CS1，單位：輛）和出動(dòng)力量（CS2，單位：人）。表2給出了歷史案例的問題特征值和方案特征值的信息。為了更具比較性，采用歷史案例的第30個(gè)案例作為當(dāng)前突發(fā)事件，案例1～29作為歷史案例。針對(duì)當(dāng)前突發(fā)事件的情況，采用所提出的基于置信規(guī)則庫的應(yīng)急方案生成方法進(jìn)行應(yīng)急響應(yīng)。下面給出簡(jiǎn)要的一些計(jì)算過程與結(jié)果。

表2 關(guān)于歷史案例的問題與方案特征（值）信息Tab.2 Attribute values of problems and alternatives of historical cases

首先，依據(jù)式（6）將歷史案例的問題屬性轉(zhuǎn)換為等級(jí)評(píng)價(jià)分布形式；

其次，針對(duì)兩個(gè)方案屬性，分別初始化2個(gè)置信規(guī)則庫；

然后，根據(jù)歷史案例的學(xué)習(xí)結(jié)果與其實(shí)際方案屬性值之間的差異來不斷調(diào)整置信規(guī)則庫的參數(shù)（δli，k，θlk，βlj，k）。當(dāng)差異值已經(jīng)達(dá)到閾值后停止調(diào)整，得到案例規(guī)則庫。

在此基礎(chǔ)上，依據(jù)式（6）將當(dāng)前突發(fā)事件的問題屬性轉(zhuǎn)換為置信度分布形式，并應(yīng)用RIMER方法得到方案屬性，需要出動(dòng)的車輛為［63，69］輛，需要出動(dòng)的人力為130人。

為了更好地說明所提出方法的優(yōu)越性，運(yùn)用文獻(xiàn)［10］提出的案例推理方法對(duì)該案例進(jìn)行求解。計(jì)算當(dāng)前案例與歷史案例的屬性相似度；再根據(jù)置信規(guī)則庫學(xué)習(xí)的結(jié)果，給出問題屬性的權(quán)重為（0.382 0，0.123 6，0.119 5，0.374 9），計(jì)算當(dāng)前案例與歷史案例的案例相似度。在此基礎(chǔ)上，根據(jù)相似度值的大小進(jìn)行排序，可得到與當(dāng)前案例最相似的歷史案例為：C28。若采用案例C28的方案作為應(yīng)急方案，那么結(jié)果是需要出動(dòng)的車輛為［65，70］輛，需要出動(dòng)的力量為135人。

由上述可知，由所提出的方法得到C30的結(jié)果為［63，69］和130，基于案例推理方法得到的結(jié)果為［65，70］和135，而C30的實(shí)際結(jié)果為［63，66］和130。顯然，所提出的方法得到的方案比基于案例推理方法得到的方案與實(shí)際方案更接近，結(jié)果更精確。

為了說明所提出方法的精確性，將本文的歷史案例作為測(cè)試數(shù)據(jù)，對(duì)比根據(jù)基于置信規(guī)則庫的應(yīng)急方案生成方法得到的方案與實(shí)際方案的差異，其結(jié)果如圖3、4所示。

圖3 關(guān)于出動(dòng)車輛數(shù)目的實(shí)際值與學(xué)習(xí)值的對(duì)比Fig.3 Comparison between real values and learning values of dispatched vehicles

圖4 關(guān)于出動(dòng)力量的實(shí)際值與學(xué)習(xí)值的對(duì)比Fig.4 Comparison between real values and learning values of dispatched man-power

從圖3、4可知，利用所提出的基于置信規(guī)則庫的方法生成的方案與實(shí)際方案之間的差異較小，只有在個(gè)別案例上的差異比較大，總體上差異較小。這樣的差異對(duì)于在突發(fā)事件情況下的應(yīng)急方案生成問題是可行的。

5 結(jié)論

所給出的一種基于置信規(guī)則庫的應(yīng)急方案生成方法，運(yùn)用優(yōu)化模型對(duì)歷史案例進(jìn)行學(xué)習(xí)得到置信規(guī)則庫，并通過基于證據(jù)推理的置信規(guī)則庫推理方法計(jì)算激活權(quán)重和合成激活規(guī)則得到當(dāng)前突發(fā)事件的應(yīng)急方案。該方法不僅可以處理具有不確定數(shù)據(jù)信息的突發(fā)事件，而且生成應(yīng)急方案的精確度較高。與已有方法相比，所提出的方法的可行性和有效性更高，也更加符合突發(fā)事件的情形。在下一步研究中，可針對(duì)基于置信規(guī)則庫的動(dòng)態(tài)應(yīng)急方案生成問題，開展關(guān)于動(dòng)態(tài)突發(fā)事件表示及置信規(guī)則庫學(xué)習(xí)等方面的研究。

［1］樊治平，劉洋，沈榮鑒.基于前景理論的突發(fā)事件應(yīng)急響應(yīng)的風(fēng)險(xiǎn)決策方法［J］.系統(tǒng)工程理論與實(shí)踐，2012，32（5）：977－984.

［2］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.

［3］楊繼君，吳啟迪，程艷，等.面向非常規(guī)突發(fā)事件的應(yīng)對(duì)方案序貫決策［J］.同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，38（4）：619－624.

［4］Yang J B，Liu J，Xu D L，et al.Optimization models for training belief-rule-based systems［J］.Systems，Man and Cybernetics，Part A：Systems and Humans，2007，37（4）：569－585.

［5］李彬，王紅衛(wèi)，楊劍波，等.基于置信規(guī)則推理的庫存控制方法［J］.華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，39（7）：76－79.

［6］Xu D L，Liu J，Yang J B，et al.Inference and learning methodology of belief-rule-based expert system for pipeline leak detection［J］.Expert Systems with Applications，2007，32（1）：103－113.

［7］Zhou Z J，Hu C H，Xu D L，et al.A model for real-time failure prognosis based on hidden Markov model and belief rule base［J］.European Journal of Operational Research，2010，207（1）：269－283.

［8］Zhou Z G，Liu F，Jiao L C，et al.A bi-level belief rule based decision support system for diagnosis of lymph node metastasis in gastric cancer［J］.Knowledge-Based Systems，2013，54：128－136.

［9］Wang Y M，Yang J B，Xu D L，et al.Consumer preference prediction by using a hybrid evidential reasoning and belief rule-based methodology［J］.Expert Systems with Applications，2009，36（4）：8421－8430.

［10］Fan Z P，Li Y H，Wang X，et al.Hybrid similarity measure for case retrieval in CBR and its application to emergency response towards gas explosion［J］.Expert Systems with Applications，2014，41（5）：2526－2534.

（責(zé)任編輯：肖錫湘）

Belief rule-based emergency alternative generating method

Zhang Kai
（Information Engineering Department，F(xiàn)ujian Chuanzheng Communications College，F(xiàn)uzhou 350007，China）

To solve the problem of data uncertainty in emergency and the difficulty in generating emergency alternatives，a new method of generating emergency alternatives based on belief rule base was developed.The data of historical cases were transformed into a belief degree distribution form. Then，an optimization model was employed to gain the belief rule base via the relation between the problem and the solution.Furthermore，the rule-base inference methodology using the evidential reasoning was adopted to obtain the emergency alternative.Finally，a numerical example of a fatal traffic accident was used to illustrate the feasibility and effectiveness of the proposed method.

emergency event；emergency alternative；belief rule base；fatal traffic accident

TP391

A

1672－4348（2015）06－0584－06

2015－10－20

福建省交通運(yùn)輸廳科技發(fā)展項(xiàng)目（201319）

張愷（1979－），男，福建福州人，講師，碩士，研究方向：信息管理與數(shù)據(jù)挖掘。