中圖分類(lèi)號(hào)：F251 文獻(xiàn)標(biāo)志碼：A DOI： 10.13714/j.cnki.1002-3100.2025.08.012

Abstract： Accurate predictionof emergencymaterial demand is crucial for enhancing China's earthquake emergencyrescue capabilities.Byconstructinga prediction model basedon the Back Propagation Neural Network，this study selects earthquake magnitude，tieinethethquakeicetertesityisicortiicationlevelartquakefrecastingopuatiosity andaectedareaasinputlayereuronswiththefectedpopulationasteoutputlayerneuron，achievingprecisepredictionof earthquakecasualties.Furthermore，byintegratingtherelationshipetweenthenumberofaffectedpeopleandthematerialdemand， thedemandforcriticalemergencymaterals（suchasdrinkingwaterandclothing）afteranearthquakeisestimated.Troughepiical analysis，teefectivenessand practicalityofthis modelinpredictingtheafected populationandemergencymaterialdeandare verified.

Key Words：earthquake prediction;Back Propagation Neural Network; emergency material demand prediction

地震災(zāi)害作為自然界中較為嚴(yán)重的自然災(zāi)害之一，其頻繁發(fā)生對(duì)人類(lèi)社會(huì)造成了巨大的破壞和深遠(yuǎn)的影響。地震的突發(fā)性、難以預(yù)測(cè)性以及其強(qiáng)大的破壞力，使得受災(zāi)地區(qū)往往在極短的時(shí)間內(nèi)面臨基礎(chǔ)設(shè)施損毀、房屋倒塌、人員傷亡、生命線系統(tǒng)中斷等多重危機(jī)。在這樣的背景下，地震物資預(yù)測(cè)在解決災(zāi)后供需不平衡方面發(fā)揮著關(guān)鍵性作用。當(dāng)?shù)卣鸬茸匀粸?zāi)害發(fā)生時(shí)，受災(zāi)地區(qū)往往會(huì)迅速出現(xiàn)物資短缺的現(xiàn)象，尤其是在初期階段，由于信息不對(duì)稱(chēng)、交通中斷、救援力量不足等原因，物資的供應(yīng)往往難以滿(mǎn)足受災(zāi)群眾的基本生活需求和救援工作的緊急需要，從而形成供需不平衡的局面。地震物資預(yù)測(cè)通過(guò)科學(xué)的方法和模型，可以有效地解決供需不平衡的問(wèn)題。

在深入查閱國(guó)內(nèi)相關(guān)文獻(xiàn)后，發(fā)現(xiàn)學(xué)者們采用了不同方法對(duì)應(yīng)急物資需求進(jìn)行預(yù)測(cè)，一些學(xué)者采用案例推理（CBR）通過(guò)收集和分析歷史應(yīng)急事件案例，依據(jù)這些案例的應(yīng)急物資使用情況來(lái)預(yù)測(cè)新事件的物資需求，王慶榮等（2021）引入消耗策略?xún)?yōu)化案例推理方法，通過(guò)具體地震實(shí)例的分析，驗(yàn)證了該方法在應(yīng)急物資預(yù)測(cè)中的有效性。王蘭英等（2015）引入直覺(jué)模糊集理論，結(jié)合案例推理技術(shù)，構(gòu)建一種新的應(yīng)急物資需求預(yù)測(cè)模型，通過(guò)算例分析驗(yàn)證了該方法的有效性2。一些學(xué)者應(yīng)用GM（1，1）模型進(jìn)行應(yīng)急物資需求預(yù)測(cè)，王婷婷等（2023）基于改進(jìn)GM（1，1）模型預(yù)測(cè)災(zāi)民數(shù)量，結(jié)合災(zāi)民結(jié)構(gòu)特征和安全庫(kù)存服務(wù)水平系數(shù)，構(gòu)建應(yīng)急物資動(dòng)態(tài)需求預(yù)測(cè)模型，并通過(guò)實(shí)例驗(yàn)證其準(zhǔn)確性]。胡忠君等（2019）通過(guò)構(gòu)建并改進(jìn)GM（1，1）模型，結(jié)合庫(kù)存管理方法，對(duì)洪澇災(zāi)害應(yīng)急物資的動(dòng)態(tài)需求進(jìn)行預(yù)測(cè)，并通過(guò)實(shí)例驗(yàn)證其可行性和預(yù)測(cè)精度。另外還有一些學(xué)者用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建模型預(yù)測(cè)應(yīng)急物資需求，劉芳等（2019）創(chuàng)新融合改進(jìn)蟻群優(yōu)化（IACO）與BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建了IACO-BP預(yù)測(cè)模型，精準(zhǔn)預(yù)測(cè)受災(zāi)轉(zhuǎn)移人數(shù)，并借助庫(kù)存管理理念，預(yù)測(cè)了洪澇災(zāi)害應(yīng)急物資需求]。何忻蕓等（2022）基于BP神經(jīng)網(wǎng)絡(luò)，通過(guò)分析洪澇災(zāi)害相關(guān)因素，預(yù)測(cè)災(zāi)后緊急轉(zhuǎn)移安置人口，并結(jié)合安全庫(kù)存理念預(yù)測(cè)防汛應(yīng)急物資需求，提高應(yīng)急物資預(yù)測(cè)準(zhǔn)確性，為應(yīng)急救援體系提供參考。石鈺磊等（2017）利用改進(jìn)型RBP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)地震傷亡人數(shù)，結(jié)合庫(kù)存管理估算應(yīng)急物資需求。通過(guò)三層網(wǎng)絡(luò)模型，輸人地震參數(shù)預(yù)測(cè)傷亡率，估算飲食、醫(yī)療和御寒物資需求，并通過(guò)驗(yàn)證云南魯?shù)榭h地震，表明模型有效。郭金芬等（2011）用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)災(zāi)后傷亡人數(shù)，結(jié)合庫(kù)存管理估算應(yīng)急物資需求，為籌措配送提供參考。

基于此，本文采用BP神經(jīng)網(wǎng)絡(luò)模型，該模型通過(guò)多層神經(jīng)元之間的連接，能夠?qū)W習(xí)并表現(xiàn)復(fù)雜的非線性關(guān)系。地震受災(zāi)人數(shù)的預(yù)測(cè)涉及多個(gè)因素，如地震的震級(jí)、人口密度以及建筑物的抗震能力等，這些因素之間往往存在復(fù)雜的非線性關(guān)系。GM（1，1）模型雖然通過(guò)灰色系統(tǒng)理論能夠處理部分不確定性和小樣本數(shù)據(jù)，但其線性特性和對(duì)復(fù)雜系統(tǒng)動(dòng)態(tài)變化的捕捉能力有限。相比之下，BP神經(jīng)網(wǎng)絡(luò)能夠更準(zhǔn)確地捕捉這些復(fù)雜關(guān)系，提高預(yù)測(cè)的準(zhǔn)確性和可靠性。直接針對(duì)地震受災(zāi)人口進(jìn)行預(yù)測(cè)，而非傳統(tǒng)的傷亡率或傷亡人數(shù)預(yù)測(cè)。這顯著提升了應(yīng)急物資需求預(yù)測(cè)的準(zhǔn)確性和直接性，因?yàn)槭転?zāi)人口數(shù)量是評(píng)估物資需求、制定救援策略及分配救援資源的關(guān)鍵基礎(chǔ)。通過(guò)精確預(yù)測(cè)受災(zāi)人口，能夠更加高效地估算出地震后關(guān)鍵應(yīng)急物資的需求量，從而確保應(yīng)急響應(yīng)的迅速性和精準(zhǔn)性。地震發(fā)生后，“黃金72小時(shí)”是展開(kāi)救援工作的關(guān)鍵時(shí)期，因此本文估算在地震發(fā)生后的72小時(shí)內(nèi)物資的需求量，并且選取具有代表性的兩類(lèi)物資：消耗性物資——飲用水，以及非消耗性物資——衣服作為典型分析對(duì)象。

1BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的構(gòu)建

1.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)，即反向傳播神經(jīng)網(wǎng)絡(luò)（BackPropagationNeuralNetwork），是一種多層前饋神經(jīng)網(wǎng)絡(luò)，它通過(guò)反向傳播算法進(jìn)行訓(xùn)練。包括輸入層、隱藏層（可以有一個(gè)或多個(gè)）和輸出層，如圖1所示。每一層都包含一定數(shù)量的神經(jīng)元（或稱(chēng)節(jié)點(diǎn)），這些神經(jīng)元負(fù)責(zé)接收前一層神經(jīng)元傳遞的信號(hào)，并通過(guò)激活函數(shù)處理后輸出給下一層。BP神經(jīng)網(wǎng)絡(luò)模型可以根據(jù)不同的問(wèn)題和數(shù)據(jù)集進(jìn)行調(diào)整和優(yōu)化。通過(guò)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)（如層數(shù)、神經(jīng)元數(shù)量）、激活函數(shù)、學(xué)習(xí)率等參數(shù)，可以進(jìn)一步提高模型的預(yù)測(cè)性能。這種適應(yīng)性和可調(diào)性使得BP神經(jīng)網(wǎng)絡(luò)在多種預(yù)測(cè)場(chǎng)景中都能發(fā)揮出

1.2確定輸入層、輸出層神經(jīng)元

影響地震傷亡人數(shù)的因素是多方面的，在深入研究和廣泛查閱相關(guān)地震災(zāi)害管理、應(yīng)急救援及數(shù)據(jù)科學(xué)領(lǐng)域的文獻(xiàn)資料后，本文選取震級(jí)、時(shí)間、震中烈度、抗震設(shè)防水平、地震預(yù)報(bào)、人口密度、受災(zāi)面積作為輸入層神經(jīng)元，選取受災(zāi)人口數(shù)量作為輸出層神經(jīng)元。這些參數(shù)對(duì)地震物資需求預(yù)測(cè)具有直接且顯著的影響。震級(jí)：震級(jí)是衡量地震大小的物理量，震級(jí)越高，表示地震釋放的能量越大，對(duì)地面的破壞力也越強(qiáng)，因此通常與更高的受災(zāi)人口相關(guān)聯(lián)。時(shí)間：不同的時(shí)間（白天或夜晚）可能會(huì)影響人們的警覺(jué)性、活動(dòng)狀態(tài)以及逃生能力，從而對(duì)傷亡人口產(chǎn)生影響。震中烈度：震中烈度越高，表示地震對(duì)該地區(qū)的破壞越嚴(yán)重。這種破壞不僅限于建筑物倒塌和損壞，還可能包括道路中斷、基礎(chǔ)設(shè)施癱瘓等，從而影響居民的生活和安全。高烈度地區(qū)往往伴隨著更廣泛和更嚴(yán)重的受災(zāi)范圍，這直接導(dǎo)致了受災(zāi)人口數(shù)量的增加?？拐鹪O(shè)防水平：抗震設(shè)防水平是指建筑物、基礎(chǔ)設(shè)施等在設(shè)計(jì)時(shí)考慮到的地震抵抗能力?？拐鹪O(shè)防水平高的地區(qū)，其建筑物和基礎(chǔ)設(shè)施在地震中能夠更好地抵御破壞，從而減少人員傷亡。地震預(yù)報(bào)：地震預(yù)報(bào)能夠?yàn)槭転?zāi)地區(qū)提供寶貴的預(yù)警時(shí)間。盡管地震預(yù)報(bào)的精度和時(shí)效性仍然面臨挑戰(zhàn)，但即使是幾秒到幾十秒的預(yù)警時(shí)間，也能極大地提升人們采取防護(hù)措施的能力，減少受災(zāi)人口數(shù)量。人口密度：人口密度是指單位面積內(nèi)的人口數(shù)量。人口密度高的地區(qū)，在同等規(guī)模的地震等自然災(zāi)害發(fā)生時(shí)，受災(zāi)人口數(shù)量往往更多。受災(zāi)面積：受災(zāi)面積的大小直接影響到受地震影響的人口數(shù)量。受災(zāi)面積越大，可能涉及的人口就越多，進(jìn)而增加受災(zāi)人口的數(shù)量。受災(zāi)人口：地震發(fā)生時(shí)，迅速而準(zhǔn)確地掌握受災(zāi)人口數(shù)量，是制定有效救援策略、合理分配有限救援物資的前提。

1.3數(shù)據(jù)收集

1.4數(shù)據(jù)處理

數(shù)據(jù)歸一化是一種廣泛采用的數(shù)據(jù)預(yù)處理技術(shù)，其核心思想在于將原本具有較大波動(dòng)范圍的數(shù)據(jù)集，通過(guò)數(shù)學(xué)變換映射到一個(gè)特定的、通常是較小的數(shù)值區(qū)間內(nèi)（如0到1或-1到1）。這一過(guò)程旨在消除或減輕不同特征（或指標(biāo)）之間因數(shù)量級(jí)差異過(guò)大而導(dǎo)致的潛在問(wèn)題，從而優(yōu)化后續(xù)數(shù)據(jù)分析或機(jī)器學(xué)習(xí)模型的訓(xùn)練效率和性能。其公式為：

1.5基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

首先劃分訓(xùn)練集和測(cè)試集，數(shù)據(jù)收集后使用rand函數(shù)使樣本隨機(jī)排序，選取前 8 0 % 為訓(xùn)練集，剩余 2 0 % 為測(cè)試集，即1—14為訓(xùn)練集，15一18為測(cè)試集，有助于確保模型能夠?qū)W習(xí)到數(shù)據(jù)的普遍特征。

隱藏節(jié)點(diǎn)個(gè)數(shù)對(duì)預(yù)測(cè)模型性能有較大的影響，合理調(diào)整隱藏層節(jié)點(diǎn)數(shù)，可以有效平衡模型的過(guò)擬合與欠擬合問(wèn)題，從而優(yōu)化模型的預(yù)測(cè)精度和泛化能力。根據(jù)公式 ，其中a是一個(gè)在1到10之間的常數(shù)，計(jì)算可以得出所需隱含層神經(jīng)元數(shù)量為[3，13]。通過(guò)試湊法確定，當(dāng)隱含層神經(jīng)元個(gè)數(shù)為11時(shí)，訓(xùn)練集的實(shí)際值和預(yù)測(cè)值對(duì)比圖像最佳，如圖2所示。

當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置為最大訓(xùn)練次數(shù)為1000次，學(xué)習(xí)速率為0.01，最小目標(biāo)誤差為0.0001時(shí)，預(yù)測(cè)值和實(shí)際值最為接近，如表2所示。從表中可以看出，網(wǎng)絡(luò)輸出結(jié)果與樣本實(shí)際結(jié)果之間表現(xiàn)出了高度的一致性，尤其是在測(cè)試集15、17和18的預(yù)測(cè)上，網(wǎng)絡(luò)輸出結(jié)果與實(shí)際結(jié)果的差距非常小，幾乎可以忽略不計(jì)。即使在測(cè)試集16上，雖然存在一定的誤差，但考慮到地震災(zāi)害預(yù)測(cè)的復(fù)雜性和不確定性，這樣的預(yù)測(cè)精度仍然是相當(dāng)可觀的。

因此，本文判斷該神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)地震災(zāi)害中的受災(zāi)人數(shù)方面展現(xiàn)出了良好的性能，其預(yù)測(cè)結(jié)果與實(shí)際值高度接近，具有較高的準(zhǔn)確性和可靠性，驗(yàn)證了模型的有效性和適用性。

2地震救災(zāi)物資預(yù)測(cè)

2.1應(yīng)急物資估算模型

2.1.1 種類(lèi)需求

本文估算在地震發(fā)生后的72小時(shí)內(nèi)，與受災(zāi)人數(shù)直接相關(guān)的關(guān)鍵物資需求量。水，作為生命之源，對(duì)維持人體正常生理功能具有無(wú)可替代的重要性。當(dāng)?shù)卣疬@類(lèi)自然災(zāi)害發(fā)生時(shí)，其破壞力往往導(dǎo)致供水系統(tǒng)遭受重創(chuàng)，包括水井受到污染、供水管道破裂以及泵站停止運(yùn)行，這一系列連鎖反應(yīng)會(huì)嚴(yán)重阻礙受災(zāi)地區(qū)的飲用水供應(yīng)，使居民面臨嚴(yán)峻的飲水困境。與此同時(shí)，地震還可能導(dǎo)致建筑物倒塌，使得居民的衣物在混亂中損毀或遺失。在寒冷的天氣條件下，這種情況尤為嚴(yán)重，因?yàn)槿狈σ挛飳⒅苯油{到受災(zāi)群眾的生存安全，特別是那些身體較為脆弱的老人、兒童和體弱者，他們更容易受到寒冷侵襲，從而引發(fā)健康問(wèn)題?；诖?，本文選取具有代表性的兩類(lèi)物資：消耗性物資——飲用水，以及非消耗性物資——衣服作為典型分析對(duì)象。

2.1.2 構(gòu)建模型

地震發(fā)生時(shí)，地質(zhì)構(gòu)造與地形地貌導(dǎo)致的受災(zāi)程度和范圍差異、人口密度、經(jīng)濟(jì)發(fā)展水平、季節(jié)與氣候條件都會(huì)對(duì)應(yīng)急物資的需求量產(chǎn)生影響。構(gòu)建模型時(shí)主要考慮季節(jié)和地區(qū)兩個(gè)因素。不同季節(jié)的自然環(huán)境和社會(huì)活動(dòng)特點(diǎn)不同，導(dǎo)致對(duì)應(yīng)急物資的需求也存在顯著差異。例如，在夏季，由于天氣炎熱，可能需要更多的飲用水、清涼衣物；而在冬季，則需要更多的保暖衣物，對(duì)飲用水的需求量較少。考慮到地區(qū)間的經(jīng)濟(jì)發(fā)展水平、地理環(huán)境等因素的差異，為不同地區(qū)設(shè)定特定的系數(shù)。地區(qū)系數(shù)反映了災(zāi)區(qū)的社會(huì)經(jīng)濟(jì)屬性，如人口密度、經(jīng)濟(jì)發(fā)展水平、救援能力等，這些屬性直接影響應(yīng)急物資的需求量和分配策略。具體計(jì)算公式如下。

公式中： 表示應(yīng)急物資需求量， 表示每人每天種物資的需求量， L 表示受災(zāi)人數(shù)預(yù)測(cè)值， 表示地區(qū)系數(shù)， 表示季節(jié)系數(shù)， n 表示所需天數(shù)。

根據(jù)《環(huán)球計(jì)劃手冊(cè)》與《中國(guó)居民膳食指南（2022）》的標(biāo)準(zhǔn)，不同季節(jié)對(duì)物資需求有所調(diào)整。對(duì)于飲用水來(lái)說(shuō)，夏季因高溫導(dǎo)致排汗增多，飲用水需求增大，季節(jié)指數(shù)設(shè)為1.5；春秋兩季氣候溫和，但仍需適量補(bǔ)水，季節(jié)指數(shù)為1.2；冬季則因排汗減少，水分需求降低，季節(jié)指數(shù)為1。對(duì)于衣物，冬季寒冷需更多保暖衣物，季節(jié)指數(shù)為2.0；春秋兩季溫度變化大，衣物需求也較高，季節(jié)指數(shù)為1.5；而夏季因高溫多著輕薄衣物，需求相對(duì)較低，季節(jié)指數(shù)為 表3為物資需求量預(yù)測(cè)標(biāo)準(zhǔn)[]。

2.2地震物資估算

2.2.1 數(shù)據(jù)收集

估算以下三次地震的應(yīng)急物資需求情況：1988年11月6日21時(shí)03分14秒，云南瀾滄－耿馬發(fā)生的7.6級(jí)地震，2001年10月27日中午1點(diǎn)35分，云南永勝發(fā)生的6.0級(jí)地震以及2008年8月30日16時(shí)30分，四川省攀枝花市仁和區(qū)、涼山彝族自治州會(huì)理縣交界發(fā)生的6.1級(jí)地震，主要數(shù)據(jù)如表4所示。

2.2.2 預(yù)測(cè)受災(zāi)人口

將收集到的數(shù)據(jù)進(jìn)行歸一化處理后進(jìn)行預(yù)測(cè)，如圖3所示瀾滄一耿馬受災(zāi)人口為249.1574萬(wàn)人，圖4所示永勝受災(zāi)人口為25.4187萬(wàn)人，圖5所示攀枝花受災(zāi)人口為83.5905萬(wàn)人，與實(shí)際值誤差較小，這一結(jié)果充分說(shuō)明了BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)應(yīng)急物資需求方面具有較高的準(zhǔn)確性和可靠性。

2.2.3物資估算

經(jīng)查閱資料，得到這三個(gè)地區(qū)的地區(qū)系數(shù)近似值都為1，瀾滄一耿馬和永勝的地震發(fā)生時(shí)間在冬季，飲用水和衣服的季節(jié)指數(shù)分別為1.0和2.0，攀枝花的地震發(fā)生時(shí)間在夏季，飲用水和衣服的季節(jié)指數(shù)分別為1.5和1.0。根據(jù)公式（2）可得如下。

升） 套）

升） 4（套） （升） 套）

計(jì)算得出震后72h內(nèi)瀾滄一耿馬災(zāi)區(qū)需要消耗類(lèi)物資飲用水1308.1萬(wàn)升，即常規(guī)550ml瓶裝水2378.2萬(wàn)瓶，非消耗類(lèi)物資衣服需要498.3萬(wàn)套；云南永勝災(zāi)區(qū)需要飲用水133.5萬(wàn)升，即瓶裝水242.7萬(wàn)瓶，衣服需要50.9萬(wàn)套；四川攀枝花需要飲用水658.3萬(wàn)升，即瓶裝水1196.9萬(wàn)瓶，衣服需要83.6萬(wàn)套?？梢钥闯?，前兩次地震發(fā)生在冬季，對(duì)衣服的需求量相對(duì)較大，而對(duì)水的需求量相對(duì)較小。反之，第三次地震發(fā)生在夏季，對(duì)水的需求量相對(duì)較大，對(duì)衣服的需求量相對(duì)較小。在未來(lái)的災(zāi)害預(yù)防和應(yīng)急管理中，應(yīng)該更加注重季節(jié)性差異，科學(xué)預(yù)測(cè)并合理調(diào)整應(yīng)急物資的儲(chǔ)備與分配策略。

3結(jié)束語(yǔ)

通過(guò)對(duì)地震應(yīng)急物資需求的深人研究，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，該模型通過(guò)綜合考慮多種影響因素，實(shí)現(xiàn)了對(duì)地震傷亡規(guī)模的精準(zhǔn)預(yù)測(cè)，并據(jù)此估算了關(guān)鍵應(yīng)急物資的需求量。實(shí)證分析表明，該模型具有較高的預(yù)測(cè)精度和實(shí)用性，能夠?yàn)榈卣馂?zāi)害的應(yīng)急響應(yīng)和物資調(diào)配提供科學(xué)依據(jù)。未來(lái)，隨著數(shù)據(jù)量的增加和模型的不斷優(yōu)化，該預(yù)測(cè)方法有望在更廣泛的災(zāi)害管理領(lǐng)域發(fā)揮重要作用，進(jìn)一步提升我國(guó)應(yīng)對(duì)自然災(zāi)害的能力和水平。

參考文獻(xiàn)：

[1]王慶榮，馬辰坤．面向案例消耗推理的應(yīng)急物資預(yù)測(cè)[J]．計(jì)算機(jī)工程與應(yīng)用，2021，57（22）：281-287.

[2]王蘭英，郭子雪，張玉芬，等．基于直覺(jué)模糊案例推理的應(yīng)急物資需求預(yù)測(cè)模型[J]：中國(guó)礦業(yè)大學(xué)學(xué)報(bào)，201544（4）：775-780[3]王婷婷，陳偉炯，張善杰，等．城市雨災(zāi)洪澇背景下應(yīng)急物資動(dòng)態(tài)需求預(yù)測(cè)[J]．上海海事大學(xué)學(xué)報(bào)，2023，4（1）：73-80.

[4]胡忠君，劉艷秋，李佳．基于改進(jìn) 的洪澇災(zāi)害應(yīng)急物資動(dòng)態(tài)需求預(yù)測(cè)[J]：系統(tǒng)仿真學(xué)報(bào)，2019，31（4）：702-709.

[5]劉芳，馮丹，宮雪然．基于IACO-BP 算法的洪澇災(zāi)害應(yīng)急物資需求預(yù)測(cè)[J]．沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2019，41（3）：32-338.

[6]何忻蕓，王超．基于BP神經(jīng)網(wǎng)絡(luò)的防汛應(yīng)急物資需求預(yù)測(cè)研究[J]．信息與電腦（理論版），2022，34（24）：84-86，91.

[7]石鈺磊，成世杰，宋啟杰．基于大數(shù)據(jù)的震災(zāi)應(yīng)急物資需求預(yù)測(cè)方法研究[J]．軍民兩用技術(shù)與產(chǎn)品，2017（19）：58-61.

[8]郭金芬，周剛．大型地震應(yīng)急物資需求預(yù)測(cè)方法研究[J]．價(jià)值工程，2011，30（22）：27-29.

[9]鄧硯，蘇桂武，聶高眾．中國(guó)地震應(yīng)急地區(qū)系數(shù)的初步研究[J]．災(zāi)害學(xué)，2008（1）：140-144.

[10] 陳濤，許燕蓉，龍厚?。嫦虻卣馂?zāi)害的應(yīng)急物資需求預(yù)測(cè)[J]．上海大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，28（6）：946-956.