基于知識元的突發事件風險熵預測模型研究

于海峰,王延章,盧小麗,王　寧

(大連理工大學管理與經濟學部,遼寧大連116024)

基于知識元的突發事件風險熵預測模型研究

于海峰,王延章,盧小麗,王寧

(大連理工大學管理與經濟學部,遼寧大連116024)

突發事件風險預測中受到多因素高維數據和小樣本數據信息不完備的約束,無法定量識別和描述事件風險的不確定性.本文根據突發事件已認知的知識要素描述事件的共性本體特征,構建了基于知識元的突發事件風險預測模型.該模型利用狀態監測系統的實時數據,根據最佳投影方向對觀測樣本數據進行降維,將投影特征值隱含的風險信息在風險指標論域內進行擴散,獲得突發事件不同風險等級發生的概率,利用風險熵預測突發事件發生的可能性.以2008年長沙突發雨雪冰凍事件為例,對提出的風險預測方法的可行性和有效性進行了驗證.研究結果表明,基于知識元的突發事件風險熵能夠定量地反映概率事件發生時傳遞的風險信息,可為應急管理部門科學決策提供依據.

知識元;突發事件;風險熵;風險預測

1　引　言

隨著經濟增長和社會進步,人類賴以生存的環境不斷惡化,各類突發事件頻繁發生,造成的危害程度不斷擴大,給人類的生存與發展帶來不可預料的災難性后果.風險分析就是對誘發突發事件的不確定因素進行系統分析,定量化研究事件發生的可能性.及時、準確地獲取突發事件的風險信息是政府應急管理部門主動應對突發事件的前提,管理決策者可以根據風險的變化情況科學地制定應急策略,控制事件發展、降低事件帶來的損失.

根據突發事件應急管理的生命周期,從時間維度上可以將事件風險分析分為事前風險分析、事中風險分析和事后風險分析.事前風險分析是應用研究區域的歷史資料數據對突發事件潛在的危險性進行評估,評判事件的風險是否達到可被接受的程度,屬于事件安全期的預測性風險分析,主要目的是為制定防災減災策略提供幫助;事中風險分析是根據研究區域的實時狀態觀測數據對突發事件的破壞性進行評估,預測事件風險的變化直至事件過程結束,屬于事件發展期的監測性風險分析,主要目的是為應急管理決策提供依據;事后風險分析是利用研究區域的損失統計數據對突發事件造成的破壞性進行評估,全面評估事件造成的損毀程度,屬于事件消亡期的實測性風險分析,主要目的是為災損補償和規劃重建提供服務.

在突發事件的風險研究中,學者從不同視角對事件風險進行了評價,多以歷史資料數據為依據,屬于事前階段的風險評估或者事后階段的損失評估,而對突發事件發生時的實時風險分析研究較少.例如, Guikema基于歷史數據采用統計學習理論對自然災害風險進行了分析[1],Guzzetti等采用傳統概率的方法對區域滑坡災害的風險進行了評價研究[2],Iliadis等應用基本模糊概念研究自然災害風險分析[3],王文圣等探討集對分析法在自然災害風險度評價中的應用[4],鄒強等提出了基于可變模糊集理論的洪水災害風險分析方法[5],丁繼新等借助災害熵的概念提出了區域泥石流災害危險性定量分析方法[6].突發事件的事前風險分析不論多么完美,也只能遏止突發事件的發生發展,卻不能做到全面阻止;事后風險分析無法降低突發事件造成的經濟損失和人員傷亡,對應急管理的目標并無太大意義.因此,只有開展事中風險分析研究,才能實現真正意義上的突發事件“應急”管理.

由于歷史資料數據獲取不充分、提供信息不完備,以往發生的事件不能夠指引未來事件的發展態勢.而突發事件演化過程的影響因素多,實時觀測樣本數據少且維數高,使得風險信息不完備,導致無法定量描述事件風險的不確定性,很難獲得可靠的突發事件風險分析結果.應急管理已經趨于常態化,因此有必要建立科學有效的突發事件事中實時風險分析方法.為克服突發事件風險預測中的多因素高維數據、小樣本數據信息不完備、不確定信息難以量化的束縛,本文將投影尋蹤方法、信息擴散理論和信息熵三種方法相結合,提出基于知識元的突發事件風險熵預測模型.

2　突發事件知識元

突發事件是受時空條件約束的諸多耦合因素相互作用的復雜系統,具有一定的結構并表現出特定的行為[7].突發事件結構體現了系統要素及其相互作用關系,其行為包括系統的狀態和變化過程[8].突發事件知識元正是在突發事件系統觀點的框架下,從事件狀態及引發這一狀態突變的要素出發,包含突發事件所應有的基本結構要素和行為要素的最小基本單元.

2.1知識元模型的建立

王延章[9]認為模型是客觀事物屬性及其變化的抽象表述,是客觀事物對象或系統在人們主觀知識域上映像的表述,并基于知識工程的理論與方法,提出了一個模型管理的共性知識體系,建立了相應的知識元模型如下

本文采用式(1)的模型共性知識對突發事件知識元進行描述,式中變量含義如表1所示.

表1　突發事件知識元模型各變量含義Table 1　The variable meaning in emergency knowledge element model

設a∈Am,屬性狀態集對應的知識元

設r(r∈Rm)為Am×Am上的一個映射關系,屬性映射關系集對應的知識元

式(2)和式(3)中變量含義如表2所示.

表2　突發事件知識元模型屬性狀態集和映射關系集各變量含義Table 2　The variable meaning of attribute state set and mapping relationship set in emergency knowledge element model

突發事件的應急管理具有高度的復雜性,應對過程中需要決策者充分利用多學科、多領域、多渠道的知識,進行實時決策.本體論的方法雖然在一定程度上可以解決跨學科、跨領域知識綜合的問題,但概念間顯性描述工作量巨大,極易產生知識推理不完備的隱患.將知識元模型擴展應用于應急管理領域中,使得多學科、多領域之間的知識融合成為可能.而且通過知識元屬性間關系的隱性描述方法,可以解決知識推理不完備的問題,能夠為突發事件應急管理提供綜合知識支持.

2.2知識元模型的優勢

運用式(1)知識元模型描述人類已認知的突發事件,與采用其它知識元模型相比主要具有以下三點優勢:一是有利于描述突發事件,突發事件知識元模型從知識元的屬性、屬性特征以及屬性之間的映射關系等方面闡述了知識要素的構成形式與關聯機制,在這方面具有其它知識元模型無可比擬的優勢.二是有利于揭示突發事件演化的本質特征,式(1)弱化事件的概念,強化屬性變化是突發事件發生和演化過程存在的前提基礎.以知識和屬性為出發點,從突發事件發生演化的本質上研究突發事件的共性規律.三是有利于建立突發事件之間的鏈接關系,通過事件知識元之間屬性的相互匹配,不同事件客體的輸入屬性集合和輸出屬性集合就會形成交集,自動地建立起突發事件之間的鏈接關系.

因此,采用知識元模型描述的突發事件,通過建立AIr和AOr之間的映射關系fr,分析fr響應過程來研究突發事件風險分布情況.

3　突發事件風險預測模型

對于已認知而未掌握內在變化規律的突發事件,雖然可以采用知識元模型對其進行描述,確定輸入屬性狀態集AIr和輸出屬性狀態集AOr,但無法從突發事件發生演化機理入手,建立各屬性狀態之間的映射關系fr,更無法根據fr分析突發事件風險情況.本文針對此類情況,在突發事件知識元基礎上,獲取研究對象觀測數據的時間序列,采用投影尋蹤方法、信息擴散理論和信息熵理論,建立突發事件風險預測模型,將輸入屬性狀態集AIr中所隱含的風險信息向輸出屬性狀態集AOr擴散,研究輸入到輸出之間的非線性映射關系fr(如圖1所示),獲得突發事件的風險熵,從而預測突發事件發生的可能性.

圖1　突發事件知識元風險預測模型輸入輸出屬性狀態集映射關系Fig.1　The mapping relationship from input attribute state set to output attribute state set in emergency risk forecasting model based on knowledge element

突發事件風險預測模型包括以下五個步驟.

步驟1突發事件知識元描述.

采用式(1)知識元模型描述人類已認知的突發事件,建立AIr和AOr,明確事件輸入元素和輸出元素,以及各屬性狀態之間的關系.輸入元素通常選擇變動性較大且其變動對事件風險分析產生較大影響的因素,輸出元素為風險信息擴散后獲得的風險熵.

步驟2知識元輸入元素樣本數據預處理.

獲取輸入屬性狀態集AIr中元素各類狀態突變的臨界值E=(E1,E2,...,Eg),將其作為突發事件風險等級的標準.獲取研究對象AIr元素t-n時刻至t時刻觀測數據集X={X1,X2,...,Xn},將其作為風險預測的觀測樣本數據.設E的元素值為{e(i,j)|i=1,2,...,w;j=1,2,...,g},X的元素值為{x(i,j)|i=1,2,...,n;j=1,2,...,g},其中g為AIr中元素個數,w為風險等級個數,n為觀測樣本個數, e(i,j)為第i個風險等級第j個元素的臨界標準值,x(i,j)為第i時刻第j個元素的觀測值.對e(i,j)和x(i,j)采用極值歸一化處理,消除各元素值的量綱,統一各元素值的范圍,e*(i,j)和x*(i,j)為元素歸一化值.

步驟3知識元輸入元素樣本數據降維.

1)尋找最佳投影方向

采用投影尋蹤方法[10,11]尋找g維的突發事件風險等級標準值e*(i,j)投影到一維空間的最佳投影方向α*=(α(1),α(2),...,α(g)),其各分量的大小實際上反映了輸入屬性狀態集AIr中各元素對突發事件的影響程度,值越大則對應的元素對事件影響程度越大.

2)風險等級標準降維

根據最佳投影方向,將g維的風險等級標準值e*(i,j)投影到一維空間,獲取突發事件風險等級標準值的一維投影z*E(i).

利用標準值的投影z*E(i)與風險等級值y*(i)進行數據擬合,建立突發事件知識元AIr中各元素標準值一維投影與事件風險等級值之間映射關系y*(i)=f(z*E(i)).

3)觀測樣本數據降維

根據突發事件風險等級標準的最佳投影方向α*=(α(1),α(2),...,α(g)),將t-n時刻至t時刻g維觀測樣本數據x*(i,j)向一維空間投影,獲取觀測數據的一維投影值z*D(i).

利用映射關系y*(i)=f(z*E(i)),計算突發事件知識元輸入元素n個時刻觀測樣本的風險等級值y*(i).

步驟4知識元輸入元素風險信息向輸出擴散.

設y*(i)的指標論域為V={v1,v2,...,vw},采用信息擴散理論[12]將輸入元素t-n時刻至t時刻觀測樣本的風險等級值y*(i)所攜帶的風險信息擴散到V中的所有點,將n個觀測樣本落在vk處的頻率值作為t+1時刻突發事件不同風險等級發生的概率值p(vk).

步驟5計算t+1時刻知識元風險熵.

根據信息熵理論與方法[13],將風險等級自信息量的數學期望作為突發事件的風險熵

計算t+1時刻突發事件風險等級的信息量,作為事件的風險熵,從而預測t+1時刻突發事件發生的可能性.

將風險熵作為突發事件知識元模型的輸出屬性狀態集AOr的元素,為主動應對突發事件、控制事件發展、降低事件帶來的損失提供科學的決策依據.

4　實例分析

2008年1月中旬至2月上旬,中國南方地區發生了歷史罕見的低溫雨雪冰凍事件,其中湖南省受災最為嚴重,被綜合評估為特大型氣象災害.此次突發雨雪冰凍事件主要由四次天氣過程造成[14],分別發生在1月10日至1月16日、1月18日至1月22日、1月25日至1月29日、1月31日至2月2日.其中第一次過程為強冷空氣過程,之后冷空氣勢力不強,以擴散、滲透形式南下,造成持續性雨雪、冰凍天氣.前三次雨雪范圍呈逐漸擴大趨勢,以第三次過程雨雪、冰凍強度最強、范圍最大,第四次過程整體呈南壓減弱趨勢.2月2日以后,持續性的雨雪天氣過程趨于結束.本文以這場突發雨雪冰凍事件為例,以長沙市為研究區域,對提出的風險預測方法進行實例驗證.

4.1雨雪冰凍事件知識元屬性狀態

雨雪冰凍事件的發生與平均氣溫、相對濕度、24h降水量、平均風速、日照時間等因素密切相關,將這些誘發因素作為雨雪冰凍事件知識元的輸入屬性集元素.“風險熵”反映了雨雪冰凍事件過程中的不確定程度,將其作為輸出屬性集的元素.因此,采用知識元模型描述雨雪冰凍事件,輸入屬性狀態集AIr包含5個元素,輸出屬性狀態集AOr包含1個元素,各屬性值如表3所示.

表3　突發雨雪冰凍事件知識元描述Table 3　The sudden freezing rain and snow event described by knowledge element model

4.2雨雪冰凍事件知識元數據來源

1)雨雪冰凍事件風險等級標準依據

根據國家氣象行業相關標準和湖南省氣象地方標準,并結合長沙地區歷史同期氣象數據,建立雨雪冰凍事件風險等級標準,如表4所示.雨雪冰凍事件風險等級標準為4級,每級標準對應5個輸入元素,屬于4組5維數據.

表4　突發雨雪冰凍事件風險等級標準Table 4　The risk grade standard of the sudden freezing rain and snow event

為反映日平均氣溫與其它年份同期氣溫的差異程度,在事件等級標準中引入氣溫異常度

2)觀測樣本數據來源

突發雨雪冰凍事件知識元輸入元素的觀測數據來源于中國氣象科學數據共享服務網提供的中國地面國際交換站氣候資料日值數據集和月值數據集,版本為3.0,數據集包含了中國194個國際交換站1951年以來地面日值數據和月值數據.選取湖南省長沙站(57679)的氣象觀測數據,時間序列為2008年1月1日到2008年2月10日,采用極值歸一化的方法對獲取的觀測樣本數據進行預處理.

4.3雨雪冰凍事件第一次天氣過程風險預測

采用本文提出的突發事件風險預測模型,利用D-10日至D日知識元輸入元素觀測數據的時間序列,計算D+1日突發事件風險熵,預測D+1日突發事件發生的可能性.以2008年初雨雪冰凍事件的第一次天氣突變過程為例,說明事件風險的預測過程.

4.3.1風險預測

1)最佳投影方向

對表4中雨雪冰凍事件風險等級標準的樣本進行歸一化處理,采用投影尋蹤方法尋找最佳投影方向.本文利用RAGA優化方法,選定父代初始種群規模為n=400,交叉概率pc=0.80,變異概率pm=0.05,優秀個體數目選定為50個,加速次數為7,得出最佳投影方向α*=(0.427 7,0.376 7,0.483 1,0.466 8,0.473 1).

2)風險等級標準降維

將α*代入式(4),得各個風險等級標準值的一維投影z*E(i)=(0,0.771 0,1.428 6,2.227 5).運用回歸分析,建立z*E(i)與風險等級值y*(i)的多項式關系如下

對回歸效果進行檢驗,其中R2=0.999 8,表明擬合程度好,檢驗結果顯著.尋蹤誤差見下表.

表5　雨雪冰凍事件風險等級標準投影尋蹤誤差分析表Table 5　The error analysis of projection pursuit for risk grade standard of the sudden freezing rain and snow event

3)觀測樣本數據降維

根據最佳投影方向α*,獲取2008年長沙氣象站1月1日～1月16日輸入元素觀測樣本數據的時間序列的一維投影值z*D(i),利用式(9)計算觀測數據的風險等級值y*(i),如表6所示.

表6　長沙氣象站1月1日至1月16日歸一化觀測數據、一維投影值和風險等級值Table 6　The normalized observed data,unidimensional projection value and risk grade value of the Changsha weather station from January 1 to January 16th

4)知識元輸入元素風險信息向輸出擴散

選取雨雪冰凍事件風險等級值y*(i)的指標論域V={v1,v2,v3,v4}={I,II,III,IV},利用表6中y*(t)進行信息擴散,得到長沙市1月11日至1月16日雨雪冰凍事件四個風險等級的概率值,如表7所示.

表7　長沙市1月11日至1月16日雨雪冰凍事件風險概率值Table 7　The risk probability value of the freezing rain and snow event of Changsha from January 1 to January 16th

5)計算雨雪冰凍事件知識元的風險熵

將表7中事件四個風險等級的概率值代入式(6),逐日計算風險熵,如表8所示,以此反映長沙市1月11日至1月16日發生雨雪冰凍事件的可能性.

表8　長沙市1月11日至1月16日雨雪冰凍事件逐日風險熵Table 8　The daily risk entropy of the freezing rain and snow event of Changsha from January 1 to January 16th

4.3.2風險分析

1)風險熵值變化情況分析

由表8可知,第一次天氣突變過程中,風險熵的變化呈現出上升的態勢.風險熵的增加說明天氣系統正從規則有序的狀態向無規則無序的狀態發展,一旦進入無序狀態必將導致突發事件的發生.因此,采用本文提出的預測方法獲得的風險熵符合熵增的變化規律,說明本文方法的正確性和有效性.

2)事件風險變化趨勢分析

由表6可知,16個氣象觀測日的風險等級值呈現出波動上升趨勢,由1日1.827 0上升至10日2.433 4,上升幅度達到33.2%.10日后,風險等級值一直維持在較高水平.這一結果表明,從1月1日開始,長沙市天氣狀況不斷惡化,突發雨雪冰凍事件的可能性逐漸增加,最終在1月10日爆發了一場歷史罕見的雨雪冰凍事件.

3)事件風險等級程度分析

由表7可知,長沙市1月11日發生雨雪冰凍事件風險等級為I、II、III、IV的概率分別為0.040 8、0.840 8、0.118 4、0.0.此預測結果表明,1月11日突發雨雪冰凍事件低風險的概率較高,即事件的危險比較低.同時,由于風險等級為III的發生概率為0.118,此結果預示著仍有出現高風險的可能性.為此,政府管理部門需要密切關注氣象變化情況,盡早做好防災減災的工作準備,降低事件造成的人員傷亡和財產損失.

4)事件知識元輸入元素影響程度分析

最佳投影方向中各分量的大小實質上反映了突發事件知識元輸入元素對事件等級的影響程度,值越大則對應的輸入元素對事件等級的影響程度越大.突發雨雪冰凍事件的最佳投影方向α*=(0.427 7,0.376 7, 0.483 1,0.466 8,0.473 1),該結果表明,知識元輸入元素對事件等級的影響程度依次為:24h降水量＞日照時間＞平均風速＞氣溫異常度＞相對濕度.

4.4雨雪冰凍事件全過程逐日風險預測

利用雨雪冰凍事件知識元輸入元素觀測數據的時間序列,提取D-10日至D日觀測數據,采用上述方法,預測D+1日事件的風險熵.1月17日至2月10日逐日風險熵如圖2所示.

圖2　雨雪冰凍事件逐日風險熵變化曲線圖Fig.2　The change curve of the daily risk entropy of the freezing rain and snow event

由圖2可知,2008年初雨雪冰凍事件中的四次天氣突變過程,對應的風險熵歷經了四次上升過程,第一次和第三次天氣過程的風險熵值最大,2月2日后開始下降.而文獻[14]也指出,在這四次天氣過程中,第一次和第三次產生的影響最為嚴重,2月2日天氣過程結束.以上分析結果表明,本文方法預測出的風險熵變化情況與文獻[14]所描述的實際天氣變化過程相吻合,說明了風險熵預測方法的可行性.風險熵是用來度量突發事件風險的多變性，進而預測突發事件發生的可能性.風險熵的增加說明突發雨雪冰凍事件的可能性在增大，同時可以提示應急管理部門要采取積極應對措施，抵御雨雪冰凍事件，降低事件造成的損失.因此,可以利用風險熵對天氣系統變化的不確定性進行定量表示,從量上反映概率事件發生時傳遞的風險信息.

5　結束語

突發事件風險預測分析已成為應急管理研究的重要內容,但由于風險預測中事件誘發因素多、觀測樣本少維數高、風險信息難以量化,尚未建立行之有效的突發事件風險預測模型.本文利用對各類突發事件已認知的知識要素描述事件的共性本體特征,提出了基于知識元的突發事件風險預測模型,給出了模型的具體步驟.以2008年南方突發雨雪冰凍事件為例,以長沙市為研究區域,對提出的風險預測方法進行實例檢驗.實例分析結果表明本文提出的突發事件風險預測方法能夠根據觀測樣本的時間序列,對研究區域突發事件風險進行定量的評估和預測.

本文提出突發事件風險預測的建模方法對于已經建立實時狀態監測系統的重點區域或對象預測突發事件的風險性具有一定的借鑒意義,能夠輔助決策者科學制定應急方案、及時應對突發事件、控制事件發展、降低事件帶來的損失.隨著突發事件共性本體特征認知的不斷深入,事件知識元描述將更加全面,以此預測突發事件風險性必將更加準確.關于如何確定突發事件風險熵的閾值并根據閾值確定應急預案啟動時機的問題,本文作者將做進一步深入研究.

[1]Guikema S D.Natural disaster risk analysis for critical infrastructure systems:An approach based on statistical learning theory. Reliability Engineering and System Safety,2009,94(4):885–860.

[2]Guzzetti F,Reichenbach P,Ardizzone F,et al.Estimating the quality of landslide susceptibility models.Geomorphology,2006, 81(1/2):166–184.

[3]Iliadis L S,Spartalis S I.Fundamental fuzzy relation concepts of a D.S.S.for the estimation of natural disasters’risk.Mathematical and Computer Modelling,2005,42(7):747–758.

[4]王文圣,金菊良,李躍清.基于集對分析的自然災害風險度綜合評價研究.四川大學學報:工程科學版,2009,41(6):6–12.Wang W S,Jin J L,Li Y Q.Risk degree assessment of natural disaster based on set pair analysis method.Journal of Sichuan University: Engineering Science Edition,2009,41(6):6–12.(in Chinese)

[5]鄒強,周建中,周超,等.基于可變模糊集理論的洪水災害風險分析.農業工程學報,2012,28(5):126–132. Zou Q,Zhou J Z,Zhou C,et al.Flood disaster risk analysis based on variable fuzzy set theory.Transactions of the Chinese Society of Agricultural Engineering,2012,28(5):126–132.(in Chinese)

[6]丁繼新,楊志法,尚彥軍,等.區域泥石流災害的定量風險分析.巖土力學,2006,27(7):1071–1076. Ding J X,Yang Z F,Shang Y J,et al.Quantitative risk analysis of regional debris flow hazards.Rock and Soil Mechanics,2006, 27(7):1071–1076.(in Chinese)

[7]裘江南,師花艷,葉鑫,等.基于事件的定性知識表示模型.系統工程,2009,27(10):1–8. Qiu J N,Shi H Y,Ye X,et al.Qualitative knowledge representing model based on events.Systems Engineering,2009,27(10):1–8. (in Chinese)

[8]裘江南,劉麗麗,董磊磊.基于貝葉斯網絡的突發事件鏈建模方法與應用.系統工程學報,2012,27(6):739–750. Qiu J N,Liu L L,Dong L L.Modeling method and application of emergent event chain based on Bayesian network.Journal of Systems Engineering,2012,27(6):739–750.(in Chinese)

[9]王延章.模型管理的知識及其表示方法.系統工程學報,2011,26(6):850–856. Wang Y Z.Knowledge and representation of model management.Journal of Systems Engineering,2011,26(6):850–856.(in Chinese)

[10]Friedman J H,Tukey J W.A projection pursuit algorithm for exploratory data analysis.IEEE Transactions on Computer,1974,C-23: 881–890.

[11]付強,趙小勇.投影尋蹤模型原理及其應用.北京:科學出版社,2006:96. Fu Q,Zhao X Y.Principle and Application of Projection Pursuit Model.Beijing:Science Press,2006:96.(in Chinese)

[12]黃崇福.自然災害風險評價—-理論與實踐.北京:科學出版社,2005:152–158. Huang C F.Risk Assessment of Natural Disaster:Theory and Practice.Beijing:Science Press,2005:152–158.(in Chinese)

[13]姜丹.信息論與編碼.第3版.合肥:中國科學技術大學出版社,2009:11. Jiang D.Information Theory and Coding.3 Edition.Hefei:University of Science and Technology of China Press,2009:11.(in Chinese)

[14]葉成志,吳賢云,黃小玉.湖南省歷史罕見的一次低溫雨雪冰凍災害天氣分析.氣象學報,2009,67(3):488–500. Ye C Z,Wu X Y,Huang X Y.A synoptic analysis of the unprecedented severe event of the consecutive cryogenic freezing rain in Hunan Province.Acta Meteorologica Sinica,2009,67(3):488–500.(in Chinese)

Emergency risk entropy forecasting model based on knowledge element

Yu Haifeng,Wang Yanzhang,Lu Xiaoli,Wang Ning
(Faculty of Management and Economics,Dalian University of Technology,Dalian 116024,China)

The emergency risk prediction is limited by multi factor,high dimensional data,small samples and incomplete information not fully distinguishing risk of emergency.This paper provided a method of emergency risk prediction based on knowledge element which described the common ontological characteristics of the emergency.By using real-time data of condition monitoring system,this model reduced the dimensionality of the observed data through the optimum projection direction,diffused the risk information contained in the projected characteristic value into the risk index universe,attained the risk probability of emergency risk levels, and forecasted the emergency possibility through risk entropy.The study took the events of freezing rain and snow in Changsha,China,in Early 2008 as an example to prove the feasibility and validity of the risk prediction method.The results showed that the emergency risk entropy based on knowledge element could quantitatively reflect the risk information when the probability event happen.The finding could provide a scientific basis for the emergency management.

knowledge element;emergency;risk entropy;risk forecast

C931

A

1000-5781(2016)01-0117-10

10.13383/j.cnki.jse.2016.01.012

2013-06-04;

2013-09-30.

國家自然科學基金重大研究計劃重點資助項目(91024029);國家自然科學基金資助項目(41201174;71373034);教育部人文社科基金資助項目(12YJC790131);遼寧省經濟社會發展資助項目(2013lslktjjx-09).

于海峰(1975—),男,黑龍江哈爾濱人,博士生,研究方向:應急管理,復雜系統分析與建模,Email:yuhaifeng75@163.com;

王延章(1952—),男,遼寧開原人,博士,教授,博士生導師,研究方向:電子政務、復雜系統分析、應急管理,Email: yzwang@dlut.edu.cn;

盧小麗(1976—),女,遼寧鳳城人,博士,副教授,碩士生導師,研究方向:環境管理、旅游管理,Email:luxiaoli@dlut.edu.cn;

王寧(1973—),男,吉林白城人,博士,副教授,碩士生導師,研究方向:信息與決策技術、電子政務、應急管理,Email: wn@dlut.edu.cn.