機(jī)器學(xué)習(xí)與知識(shí)發(fā)現(xiàn)在高校公共突發(fā)事件智能預(yù)警系統(tǒng)中的應(yīng)用

仇計(jì)清，李曉華，蘇連青

（1.河北科技大學(xué)理學(xué)院，河北石家莊 050018；2.河北科技大學(xué)黨政辦公室，河北石家莊 050018）

機(jī)器學(xué)習(xí)與知識(shí)發(fā)現(xiàn)在高校公共突發(fā)事件智能預(yù)警系統(tǒng)中的應(yīng)用

仇計(jì)清1，李曉華2，蘇連青1

（1.河北科技大學(xué)理學(xué)院，河北石家莊 050018；2.河北科技大學(xué)黨政辦公室，河北石家莊 050018）

機(jī)器學(xué)習(xí)與知識(shí)發(fā)現(xiàn)能夠幫助人工智能系統(tǒng)對(duì)現(xiàn)象或信息之間的因果關(guān)系產(chǎn)生更深入的認(rèn)識(shí)，有利于提高智能決策支持系統(tǒng)的工作效率，有利于提高使用者和機(jī)器之間的默契程度。就機(jī)器學(xué)習(xí)與知識(shí)發(fā)現(xiàn)技術(shù)應(yīng)用于高校公共突發(fā)事件智能預(yù)警系統(tǒng)進(jìn)行了探討。

機(jī)器學(xué)習(xí)；知識(shí)發(fā)現(xiàn)；高校公共突發(fā)事件；智能預(yù)警系統(tǒng)

高校公共突發(fā)事件是指在高等學(xué)校及其周邊突然發(fā)生，造成或者可能造成重大傷亡、重大財(cái)產(chǎn)損失，能引發(fā)高校內(nèi)部及社會(huì)連鎖反應(yīng)和嚴(yán)重后果，危及高校公共安全，對(duì)學(xué)校發(fā)展、社會(huì)穩(wěn)定產(chǎn)生劇烈負(fù)面影響的自然、社會(huì)及群體性事件。預(yù)警是指在事件發(fā)生前進(jìn)行預(yù)先警告，即高校突發(fā)公共事件職能部門對(duì)將來(lái)可能發(fā)生的危險(xiǎn)進(jìn)行事先的預(yù)報(bào)以提請(qǐng)相關(guān)當(dāng)事人的注意。預(yù)警機(jī)制是指能靈敏、準(zhǔn)確地昭示風(fēng)險(xiǎn)前兆，并能及時(shí)提供警示的機(jī)構(gòu)、制度、網(wǎng)絡(luò)、舉措等構(gòu)成的預(yù)警系統(tǒng)，其作用在于超前反饋、及時(shí)布置、防患于未然，從而最大限度地降低由于高校突發(fā)公共事件的發(fā)生對(duì)人民的生命財(cái)產(chǎn)造成的損失。高校公共突發(fā)事件智能預(yù)警系統(tǒng)的構(gòu)建原則主要是及時(shí)、全面、高效和引導(dǎo)，達(dá)到及時(shí)預(yù)防、降低損害、保證安全和促進(jìn)發(fā)展的功能。

1 機(jī)器學(xué)習(xí)與知識(shí)發(fā)現(xiàn)在智能預(yù)警中的作用

預(yù)警的實(shí)質(zhì)就是利用科學(xué)手段對(duì)系統(tǒng)運(yùn)行的“異常值”進(jìn)行預(yù)見(jiàn)和警示，這種預(yù)見(jiàn)和警示的依據(jù)就是系統(tǒng)運(yùn)行過(guò)程中的大量輸入數(shù)據(jù)和系統(tǒng)狀態(tài)數(shù)據(jù)，這些大量乃至海量數(shù)據(jù)中蘊(yùn)含了反映系統(tǒng)運(yùn)行狀態(tài)是否正常的信息，智能預(yù)警系統(tǒng)就是利用計(jì)算機(jī)人工智能方法從這些數(shù)據(jù)中分析和獲取有價(jià)值的信息，從而對(duì)系統(tǒng)運(yùn)行的“異常值”進(jìn)行預(yù)見(jiàn)和警示。這些有價(jià)值的信息稱為知識(shí)，知識(shí)的獲取過(guò)程稱為知識(shí)發(fā)現(xiàn)，而機(jī)器學(xué)習(xí)是知識(shí)發(fā)現(xiàn)的主要手段。目前，國(guó)內(nèi)外已有不少關(guān)于智能預(yù)測(cè)以及智能預(yù)警系統(tǒng)方面的研究工作，但大都把研究工作的重點(diǎn)放在所建立系統(tǒng)模型的準(zhǔn)確性上。事實(shí)上，一個(gè)預(yù)警模型不但要考慮所提出的預(yù)見(jiàn)和警示具有較強(qiáng)的準(zhǔn)確性，更應(yīng)該把預(yù)警結(jié)果與系統(tǒng)數(shù)據(jù)相關(guān)性的提取和分析作為研究工作的重點(diǎn)。

作為知識(shí)發(fā)現(xiàn)主要手段的機(jī)器學(xué)習(xí)，其核心是學(xué)習(xí)。關(guān)于學(xué)習(xí)迄今為止還沒(méi)有一個(gè)精確的、能被大多數(shù)學(xué)者公認(rèn)的定義。究其原因，一是因?yàn)檫M(jìn)行知識(shí)發(fā)現(xiàn)問(wèn)題研究的學(xué)者來(lái)自各種不同的學(xué)科，有著不同的知識(shí)背景，對(duì)具體問(wèn)題有著不同的理解。二是因?yàn)閷W(xué)習(xí)是多側(cè)面、多角度、綜合性的心理活動(dòng)，它與記憶方法、思維習(xí)慣、感知行為等多種心理和生理活動(dòng)都有密切的聯(lián)系，人們至今還沒(méi)有準(zhǔn)確把握學(xué)習(xí)的生物機(jī)理與實(shí)現(xiàn)過(guò)程。目前在機(jī)器學(xué)習(xí)領(lǐng)域影響較大且具有較大認(rèn)同的觀點(diǎn)是：學(xué)習(xí)是系統(tǒng)中的任何改進(jìn)，這種改進(jìn)使得系統(tǒng)在重復(fù)同樣的工作或進(jìn)行類似的工作時(shí)，能完成得更好［1］。機(jī)器學(xué)習(xí)的研究?jī)?nèi)容就是如何利用計(jì)算機(jī)來(lái)模擬人的學(xué)習(xí)行為，使其能自動(dòng)地通過(guò)學(xué)習(xí)來(lái)獲得所需知識(shí)和特殊技能，不斷提高實(shí)際智能系統(tǒng)的性能，實(shí)現(xiàn)智能系統(tǒng)的進(jìn)一步完善和功能的提升。

機(jī)器學(xué)習(xí)的理論和方法從提出伊始，就被認(rèn)為是挖掘大量復(fù)雜數(shù)據(jù)的運(yùn)行模式和數(shù)據(jù)相關(guān)性的有效方法之一。近年來(lái)機(jī)器學(xué)習(xí)已開(kāi)始應(yīng)用于智能預(yù)測(cè)和推斷［2－4］，顯然利用機(jī)器學(xué)習(xí)方法也可以對(duì)動(dòng)態(tài)系統(tǒng)的演化過(guò)程進(jìn)行分析、總結(jié)和歸納進(jìn)而發(fā)現(xiàn)知識(shí)，所獲得的知識(shí)就可以用來(lái)預(yù)測(cè)系統(tǒng)的演化趨勢(shì)，由此實(shí)現(xiàn)對(duì)系統(tǒng)行為的干預(yù)和引導(dǎo)。通過(guò)機(jī)器學(xué)習(xí)方法所建立的實(shí)際動(dòng)態(tài)系統(tǒng)演化模型均可以通過(guò)學(xué)習(xí)，不斷完善系統(tǒng)內(nèi)部各因素之間的復(fù)雜、非線性、強(qiáng)關(guān)聯(lián)的因果關(guān)系。針對(duì)智能預(yù)警系統(tǒng)，機(jī)器學(xué)習(xí)方法可以通過(guò)對(duì)系統(tǒng)歷史行為的學(xué)習(xí)，獲取系統(tǒng)狀態(tài)變化規(guī)律的知識(shí)，進(jìn)而預(yù)示系統(tǒng)演化的趨勢(shì)，或者根據(jù)對(duì)系統(tǒng)狀態(tài)的分類學(xué)習(xí)為決策者提供可靠的系統(tǒng)干預(yù)策略。

2 知識(shí)發(fā)現(xiàn)的常見(jiàn)結(jié)果及常用技術(shù)方法

知識(shí)發(fā)現(xiàn)就是通過(guò)學(xué)習(xí)從數(shù)據(jù)集（對(duì)于智能預(yù)警系統(tǒng)而言，可理解為系統(tǒng)演化過(guò)程的大量歷史數(shù)據(jù)以及系統(tǒng)的各種指標(biāo)值等）中獲取有價(jià)值知識(shí)，這些知識(shí)一般稱為模式。知識(shí)發(fā)現(xiàn)的應(yīng)用范圍非常廣泛，可以是工業(yè)、農(nóng)業(yè)、科學(xué)、經(jīng)濟(jì)、社會(huì)、軍事、商業(yè)等領(lǐng)域的動(dòng)態(tài)系統(tǒng)數(shù)據(jù)，也可以是遙感衛(wèi)星觀測(cè)到的地理和氣象數(shù)據(jù)，知識(shí)發(fā)現(xiàn)作為人工智能領(lǐng)域中一種新興數(shù)據(jù)處理技術(shù)和方法得到成功應(yīng)用，受到了來(lái)自不同領(lǐng)域?qū)W者的關(guān)注［5－6］。

知識(shí)發(fā)現(xiàn)的常見(jiàn)結(jié)果有以下5種。

1）廣義型知識(shí)（Generalization） 廣義型知識(shí)就是通過(guò)對(duì)數(shù)據(jù)微觀特性的概括和抽象，獲得的能夠表征其普遍特性的、高層次的中觀和宏觀知識(shí)。

2）分類型知識(shí)（Classification ＆Clustering） 分類型知識(shí)是指利用決策樹(shù)、統(tǒng)計(jì)、神經(jīng)網(wǎng)絡(luò)、粗糙集等分類方法，從半結(jié)構(gòu)化或非結(jié)構(gòu)化的海量數(shù)據(jù)中，提取出的同類事物共性特征和不同事物差異特征的知識(shí)。

3）關(guān)聯(lián)型知識(shí)（Association） 關(guān)聯(lián)型知識(shí)是通過(guò)在項(xiàng)集中尋找頻繁項(xiàng)集，進(jìn)而生成強(qiáng)關(guān)聯(lián)規(guī)則的方法，獲得的反映事件之間依賴或關(guān)聯(lián)關(guān)系的知識(shí)。

4）預(yù)測(cè)型知識(shí)（Prediction） 預(yù)測(cè)型知識(shí)是通過(guò)利用統(tǒng)計(jì)、機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等方法，建立各種回歸模型，對(duì)具有時(shí)間序列特性的歷史及當(dāng)前數(shù)據(jù)進(jìn)行分析計(jì)算，預(yù)測(cè)未來(lái)發(fā)展趨勢(shì)。

5）偏差型知識(shí)（Deviation） 偏差型知識(shí)是通過(guò)對(duì)同類事物的聚類分析，根據(jù)離群值獲取標(biāo)準(zhǔn)類之外的特例，從而得到差異和極端特例的中微觀特征描述。

知識(shí)發(fā)現(xiàn)的常用技術(shù)方法如下。

1）傳統(tǒng)數(shù)理統(tǒng)計(jì)方法 利用數(shù)理統(tǒng)計(jì)知識(shí)，對(duì)數(shù)據(jù)集建立各種隨機(jī)模型，進(jìn)行相關(guān)性分析、回歸分析、主成分分析和貝葉斯估計(jì)等。

2）神經(jīng)網(wǎng)絡(luò)方法 神經(jīng)網(wǎng)絡(luò)方法是通過(guò)模擬人腦，利用神經(jīng)元之間同時(shí)相互作用的動(dòng)態(tài)過(guò)程來(lái)完成信息處理的生物過(guò)程，仿照生理神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)造一種非線性預(yù)測(cè)模型，通過(guò)使用歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，達(dá)到模型對(duì)某些特殊模式的識(shí)別和判斷。

3）決策樹(shù)方法 決策樹(shù)方法是首先利用歸納算法對(duì)訓(xùn)練樣本集進(jìn)行處理，生成分類規(guī)則和決策樹(shù)，然后使用測(cè)試數(shù)據(jù)集校驗(yàn)修正決策樹(shù)，逐步得到較為完善的分類方法。

4）遺傳算法 遺傳算法是一種基于生物進(jìn)化理論，模擬生物進(jìn)化的選擇、交叉及變異的迭代過(guò)程構(gòu)造的一種優(yōu)化計(jì)算方法。

5）近鄰算法 近鄰算法是指在決策系統(tǒng)中，當(dāng)系統(tǒng)需要預(yù)測(cè)未來(lái)情況或進(jìn)行決策時(shí)，系統(tǒng)自動(dòng)尋找與當(dāng)前情況相近的案例，從中進(jìn)行篩選，獲取最佳的相同解決方案。

6）粗糙集方法 粗糙集方法主要用于對(duì)智能預(yù)警系統(tǒng)中的不完全或不完整信息進(jìn)行描述和處理，通過(guò)發(fā)現(xiàn)不準(zhǔn)確數(shù)據(jù)或噪聲數(shù)據(jù)的內(nèi)在關(guān)聯(lián)結(jié)構(gòu)，對(duì)其進(jìn)行分類。

3 機(jī)器學(xué)習(xí)與知識(shí)發(fā)現(xiàn)在智能預(yù)警系統(tǒng)中的應(yīng)用

近幾年，已有一些學(xué)者把機(jī)器學(xué)習(xí)與知識(shí)發(fā)現(xiàn)應(yīng)用于多種智能預(yù)警系統(tǒng)中［7－9］，筆者重點(diǎn)討論知識(shí)發(fā)現(xiàn)中的決策樹(shù)方法在高校公共突發(fā)事件智能決策支持系統(tǒng)中的應(yīng)用。

3.1 決策樹(shù)方法的具體步驟

決策樹(shù)方法是首先利用歸納算法對(duì)訓(xùn)練樣本集進(jìn)行處理，生成分類規(guī)則和決策樹(shù)，然后使用測(cè)試數(shù)據(jù)集校驗(yàn)修正決策樹(shù)，逐步得到較為完善的分類方法。決策樹(shù)方法首先針對(duì)訓(xùn)練樣本集（稱為數(shù)據(jù)集的輸入空間或?qū)傩钥臻g），采用自頂而下的遞歸方式：從根節(jié)點(diǎn)開(kāi)始對(duì)每個(gè)節(jié)點(diǎn)依據(jù)給定標(biāo)準(zhǔn)選擇一個(gè)屬性進(jìn)行測(cè)試，然后按照所選屬性的一切可能值向下建立分枝，由此將訓(xùn)練樣本進(jìn)行劃分，直到一個(gè)節(jié)點(diǎn)上的所有樣本數(shù)據(jù)都被劃分到同一個(gè)類，或者該節(jié)點(diǎn)中的樣本數(shù)據(jù)個(gè)數(shù)低于給定值時(shí)為止，從而構(gòu)造出一個(gè)二叉樹(shù)或多叉樹(shù)，就稱其為決策樹(shù)。本階段結(jié)束后，把訓(xùn)練樣本集劃分為若干互斥的區(qū)域，然后對(duì)每個(gè)區(qū)域賦予一個(gè)標(biāo)志來(lái)表示該區(qū)域內(nèi)數(shù)據(jù)的特色屬性。這一階段稱為樹(shù)生成（或樹(shù)構(gòu)造）。前面的樹(shù)構(gòu)造過(guò)程所得的并不是最簡(jiǎn)單、緊湊的決策樹(shù)，因?yàn)槠渲胁糠址种Ψ从车牟⒉皇怯?xùn)練樣本數(shù)據(jù)的固有特性，而可能是訓(xùn)練樣本數(shù)據(jù)中的噪聲或孤立點(diǎn)，因此需要進(jìn)行下一階段工作，即樹(shù)剪枝過(guò)程。樹(shù)剪枝過(guò)程的意圖就是檢測(cè)并去除這些噪聲或孤立點(diǎn)對(duì)應(yīng)的分枝，以提高對(duì)未來(lái)數(shù)據(jù)進(jìn)行分類的準(zhǔn)確性。樹(shù)剪枝有先剪枝方法、后剪枝方法或兩者相互結(jié)合的方法。樹(shù)剪枝必須先確定一種剪枝標(biāo)準(zhǔn)，常用的有期望錯(cuò)誤率最小原則和最小描述長(zhǎng)度原則（MDL）。

采用期望錯(cuò)誤率最小原則來(lái)構(gòu)造決策樹(shù)時(shí)必須選擇一個(gè)誤差指標(biāo)E（t），作為量化節(jié)點(diǎn)t（表示某一屬性）從不同區(qū)域中分叉數(shù)據(jù)（或事件）的性能指標(biāo)，該指標(biāo)表示了節(jié)點(diǎn)t為噪聲或孤立點(diǎn)的程度。把決策樹(shù)中各節(jié)點(diǎn)的誤差指標(biāo)稱為雜質(zhì)函數(shù)，對(duì)某一節(jié)點(diǎn)，如果給定數(shù)據(jù)集的數(shù)據(jù)都屬于同一分類，雜質(zhì)函數(shù)取得最小值0；如果給定數(shù)據(jù)集的數(shù)據(jù)均勻分布于所有可能的分類時(shí)，雜質(zhì)函數(shù)就達(dá)到最大值1。

通常選取熵函數(shù)或Gini指標(biāo)函數(shù)作為雜質(zhì)函數(shù)。

樹(shù)生成得到的未經(jīng)過(guò)剪枝的決策樹(shù)規(guī)模通常很大，而且同訓(xùn)練樣本集有較大偏差。因此，對(duì)于測(cè)試樣本集，用這種樹(shù)往往不能得到期望輸出，而對(duì)于訓(xùn)練樣本集即使能得到期望輸出，但在精度上也并不可靠。在樹(shù)剪枝過(guò)程中，為得到合適規(guī)模的決策樹(shù)，使用的方法有多種。其中，最有效的2種方法是基于最小代價(jià)復(fù)雜性方法和基于最弱子樹(shù)收縮原理方法。

3.2 計(jì)算結(jié)果與分析

高校公共突發(fā)事件智能預(yù)警系統(tǒng)的核心就是利用先進(jìn)的信息技術(shù)手段，采集、存儲(chǔ)、挖掘、分析高校公共突發(fā)事件的有關(guān)信息，最終實(shí)現(xiàn)對(duì)高校公共突發(fā)事件的預(yù)警決策。機(jī)器學(xué)習(xí)、知識(shí)發(fā)現(xiàn)為從繁雜的歷史數(shù)據(jù)中挖掘出事件發(fā)生與各種起因的關(guān)聯(lián)關(guān)系提供了方法支持。機(jī)器學(xué)習(xí)和知識(shí)發(fā)現(xiàn)可以應(yīng)用于各類高校公共突發(fā)事件之中，下面以校園火災(zāi)事件為例，說(shuō)明利用決策樹(shù)方法進(jìn)行決策的過(guò)程。

根據(jù)近年來(lái)校園火災(zāi)事件發(fā)生的網(wǎng)上調(diào)查數(shù)據(jù)（見(jiàn)表1），共計(jì)8個(gè)樣本，考慮了電器使用、燃?xì)鉅t使用、電路老化和偶然因素等指標(biāo)。對(duì)火災(zāi)事件的嚴(yán)重程度主要考慮人員傷亡（RYSW）和財(cái)產(chǎn)損失（CCSS）2個(gè)方面，用RYSW＝2人和CCSS＝0.5萬(wàn)元作為分界值，將嚴(yán)重程度分為較高和較低2類。利用上述數(shù)據(jù)，應(yīng)用決策樹(shù)方法進(jìn)行計(jì)算，得到分類結(jié)果如表2所示。

從表2可以看出，電器使用、燃?xì)鉅t使用對(duì)發(fā)生重大火災(zāi)事件的影響非常大，電路老化的影響次之，而與偶然因素基本沒(méi)有關(guān)系。根據(jù)決策樹(shù)方法的計(jì)算結(jié)果，在智能預(yù)警系統(tǒng)中，確定影響校園火災(zāi)事件發(fā)生的各因素權(quán)重，得出事件發(fā)生可能性的量化模型，利用一定的閾值觸發(fā)預(yù)警系統(tǒng)發(fā)出預(yù)警。

由于本例采樣數(shù)據(jù)的容量較小，只重點(diǎn)考慮了人員傷亡及財(cái)產(chǎn)損失與各影響因素間的關(guān)系，關(guān)于事故嚴(yán)重程度的描述比較簡(jiǎn)單。當(dāng)然，對(duì)于大容量的訓(xùn)練樣本集，應(yīng)該事先對(duì)數(shù)據(jù)集進(jìn)行相應(yīng)的預(yù)處理，比如利用統(tǒng)計(jì)方法分析人員傷亡及財(cái)產(chǎn)損失與各參數(shù)變化的相關(guān)關(guān)系模型，使對(duì)事故嚴(yán)重程度的描述進(jìn)一步科學(xué)細(xì)化。智能預(yù)警系統(tǒng)的目的，就是根據(jù)歷史數(shù)據(jù)，應(yīng)用各種數(shù)據(jù)處理方法使系統(tǒng)獲取知識(shí)，然后根據(jù)當(dāng)前的某些因素指標(biāo)值，對(duì)突發(fā)事件的發(fā)生作出預(yù)見(jiàn)和警示，進(jìn)而為應(yīng)急管理提供決策支持。

表1 校園火災(zāi)事件網(wǎng)上調(diào)查數(shù)據(jù)Tab.1 Data of institution fire scenes on web

表2 應(yīng)用決策樹(shù)算法對(duì)數(shù)據(jù)進(jìn)行計(jì)算的結(jié)果Tab.2 Result after decision tree algorithm processing

4 結(jié) 語(yǔ)

隨著高等學(xué)校內(nèi)部管理體制和監(jiān)測(cè)體系的進(jìn)一步完善，其智能預(yù)警系統(tǒng)所積累的數(shù)據(jù)也會(huì)更加龐大，從系統(tǒng)數(shù)據(jù)庫(kù)中利用機(jī)器學(xué)習(xí)方法獲得相應(yīng)的知識(shí)，從而建立高校公共突發(fā)事件生成演化規(guī)律的知識(shí)庫(kù)，可以為高校公共突發(fā)事件的預(yù)防、預(yù)警以及應(yīng)急管理提供技術(shù)和方法支撐。

［1］ 楊炳儒.知識(shí)工程與知識(shí)發(fā)現(xiàn)［M］.北京：冶金工業(yè)出版社，2000.

［2］ RECKNAGEL F.Applications of machine learning to ecological modeling［J］.Ecological Modelling，2001，146（1－3）：303－310.

［3］ BOBBIN J，RECKNAGEL F.Knowledge discovery for prediction and explanation of blue－green algal dynamics in lakes by evolutionary algorithms［J］.Ecological Modelling，2001，146（1－3）：253－262.

［4］ BOBBIN J，RECKNAGEL F.Inducing explanatory rules for the prediction of algal blooms by genetic algorithms［J］.Environment International，2001，27（2－3）：237－242.

［5］ 李 瑋，沙占友，于健騏，等.數(shù)據(jù)觸合技術(shù)在火災(zāi)報(bào)警系統(tǒng)中的應(yīng)用研究［J］.河北科技大學(xué)學(xué)報(bào)（Journal of Hebei University of Science and Technology），2010，31（2）：112－116.

［6］ 原建偉.基于內(nèi)容分析的數(shù)據(jù)挖掘研究［J］.河北工業(yè)科技（Hebei Journal of Industrial Science and Technology），2011，28（5）：299－302.

［7］ 沈 菲，王洪禮，馮劍豐，等.知識(shí)發(fā)現(xiàn)在赤潮預(yù)測(cè)預(yù)警系統(tǒng)研究中的應(yīng)用［J］.海洋技術(shù)（Ocean Technology），2003，22（2）：19－22.

［8］ 蔡如鈺.基于人工神經(jīng)網(wǎng)絡(luò)的夜光藻密度預(yù)測(cè)模型［J］.中國(guó)環(huán)境監(jiān)測(cè)（Environmental Monitoring in China），2001，17（3）：52－55.

［9］ 侯旭東，張 兢.基于模糊神經(jīng)網(wǎng)絡(luò)融合技術(shù)的智能火災(zāi)預(yù)警系統(tǒng)［J］.重慶工學(xué)院學(xué)報(bào)（自然科學(xué)）（Journal of Chongqing Institute of Technology（Natural Science）），2008，22（9）：141－144.

Application of machine learning and knowledge discovery in intelligent early warning system of public emergencies in institutions

QIU Ji－qing1，LI Xiao－h(huán)ua2，SU Lian－qing1
（1.College of Sciences，Hebei University of Science and Technology，Shijiazhuang Hebei 050018，China；2.Administration Office，Hebei University of Science and Technology，Shijiazhuang Hebei 050018，China）

Machine learning and knowledge discovery help the artificial intelligence system obtain more profound cognition of the causal relationship between phenomena and information，help IDSS（intelligence decision support system）enhance the working efficiency，and help improve the coordination between the users and machines.This paper discusses the application of machine learning and knowledge discovery to the intelligent early warning system of public emergencies in institutions.

machine learning；knowledge discovery；public emergencies in institutions；intelligent early warning system

TP393

A

1008－1542（2012）02－0171－04

2011－11－21；責(zé)任編輯：李 穆

國(guó)家自然科學(xué)基金資助項(xiàng)目（71040012）

仇計(jì)清（1956－），男，河北井陘人，教授，博士，主要從事復(fù)雜系統(tǒng)預(yù)測(cè)與優(yōu)化控制方面的研究。