考慮多角度效用的應急案例調整方法

張愷， 王應明

(1.福建船政交通職業學院 信息工程系， 福建 福州 350007； 2.福州大學 決策科學研究所， 福建 福州 350116)

考慮多角度效用的應急案例調整方法

張愷1， 王應明2*

(1.福建船政交通職業學院 信息工程系， 福建 福州 350007； 2.福州大學 決策科學研究所， 福建 福州 350116)

針對提高應急方案調整精確度的問題，提出了一種基于多角度的應急案例調整方法.基于3種相似度計算方法得到案例的綜合相似度，通過灰色關聯度計算方法得到問題與方案間的案例關聯度；并從綜合相似度、灰關聯度以及案例實施效果三方面確定相似歷史案例集及其權重；再運用證據推理對相似歷史案例的方案進行集結，得到目標案例的調整方案.最后，通過算例說明方法的可行性和有效性.

突發事件；案例調整；證據推理；混合權重

Journal of Zhejiang University(Science Edition), 2017,44(3):314-321

0 引 言

案例推理(case-basedreasoning,CBR)是人工智能領域一種重要的基于知識求解問題的方法，通過搜索與目標案例相似的歷史案例生成目標案例的方案. 近年來，案例推理已廣泛應用于諸如液體泄漏[1]、環境緊急預案[2]、地鐵項目[3-4]等應急管理中. 然而，已有的基于案例推理的應急方案大多是通過提取與目標案例相似度最大的歷史案例，并將其作為目標案例的解決方案. 需要指出的是，目標案例與歷史案例往往存在一定的差異，需要進行調整以確定目標案例的解決方案.

案例調整的方法主要有2類：基于統計方法的案例調整和基于機器學習的智能調整. 基于統計方法的案例調整主要是通過參考多個案例的方案生成目標案例. 目前常用的方法有平均數[5]、中間值[6]、加權平均[7]、多元回歸分析法[8]等，其中加權平均法使用最廣泛. 加權平均法主要根據相似度較高的歷史案例對案例調整效用大、相似度較低的歷史案例對案例調整效用小的原則，應用線性加權法對歷史案例的方案進行集結. 加權平均法起先通過逆距離得到權重，對歷史案例的方案進行集結；隨著對案例相似度研究的深入，各種相似度計算方法出現，應用相似度代替逆距離的案例調整方法應運而生；QI等[9]發現通過相似度或距離的加權平均得到的方案質量較次，需考慮方案的調整能力，于是提出了基于案例調整能力的案例調整方法；進一步，HU等[10]發現案例調整需要考慮問題與方案之間的關聯，提出了由相似度和灰色關聯度確定權重進行方案集結. 統計調整方法因其具有領域獨立和應用簡便的優點，廣受青睞. 但其調整精確度不高，且不能對具有不確定甚至缺失信息的方案進行調整. 后來，在案例調整中引入基于機器學習的智能調整，該類方法主要通過歸納學習獲取問題與方案之間的關系，并將此關系運用到目標案例從而生成解決方案. 常用的智能方法有神經網絡[11]、遺傳算法[2]、支持向量機[12]、決策樹[13]等. 該類方法雖然能提高調整精度，但需要足夠的數據量進行學習，而且需要花費大量時間. 然而，相同類型的突發事件的數量有限，提供的案例數很難超過1 000，所以基于統計方法的案例調整更適合應急案例調整.

綜上所述，加權平均的案例調整方法比較適合突發事件，然而，突發事件具有不確定性，存在不確定信息，目前未見對不確定信息的統計調整方法的相關研究. 為此，本文在當前案例調整研究的基礎上，從線性和非線性的角度確定相似歷史案例，并引入證據推理，對具有不確定信息的應急方案進行集結，不僅可以提高案例調整的精度，而且彌補了已有調整方法無法處理不確定信息的不足.

1 問題描述

下文將依據上述給定的問題屬性信息(CP)、方案屬性信息(CS)、實施效果屬性信息(CR)以及問題屬性權重向量(wP)，運用可行的應急案例調整方法生成目標案例C0的方案.

2 應急案例調整方法

2.1 計算綜合相似度

為提高相似度值的效用，采用歐氏距離、高斯距離[14]以及FAN等[1]提出的相似度計算方法計算綜合相似度.

(1) 歐氏距離的相似度計算公式：

(1)

(2)

(2)高斯距離的相似度計算公式：

(3)

其中，g0jl表示高斯距離；σl表示誤差偏離度程度，σl=σ×(max{xjl}-min{xjl})，σ∈[0,1].

(4)

(3) FAN的相似度計算公式：

(5)

(6)

考慮到3種相似度方法同等重要，采用相同的權重通過線性加權法進行集結，得到綜合相似度值：

Sim(C0,Cj)=

(7)

2.2 計算案例關聯度

計算關聯度值是為了得到案例的問題與方案之間的關系. 灰色關聯分析法是根據因素之間發展趨勢的相似程度，即“灰色關聯度”來衡量因素之間關聯程度的一種方法. 該方法對樣本數量沒有要求，也不要求序列數據必須符合正態分布，且不會產生與定性分析相悖的結論，因此，本文采用灰色關聯分析法[15].

首先，對問題屬性和方案屬性進行標準化，處理計算公式為

(8)

(9)

其中，ρ∈(0,1)為分辨系數，ρ越小，關聯系數間差異越大，區分能力越強. 通常情況下，ρ=0.5.

(10)

(11)

2.3 計算歷史案例中方案實施效果的效用值

為了更好地輔助將來做出合理的應急決策，對突發事件的應急方案進行評估.依據實際情況，實施效果評價的屬性值rjs通常可分為數值型和文本型2種[16]. 例如，評價屬性“應急救援總體效果”一般為語言變量，評價屬性“傷亡人數降低率”和“財產損失降低率”一般為數值型. 下面給出歷史案例中方案實施效果的效用值計算過程.

首先，對實施效果的評價屬性rjs進行規范化處理. 若屬性值rjs為數值型，則rjs規范化公式為

(12)若屬性值rjs為語言變量，設語言變量集是有序的，記為T={T1(很好),T2(好),T3(一般),T4(差),T5(很差)}，相應地，集合T的下標為{1,2，3,4,5}，其中p表示語言變量Tp的下標，則rjs規范化公式為

(13)

(14)

2.4 確定相似歷史案例集及案例權重

(15)

進一步，決策者根據相似度、關聯度和實施效果的情況設置相似案例集的案例數q，0

在此基礎上，計算歷史案例的權重wj：

2.5 調整應急案例

證據推理(evidence reasoning, ER)能很好地處理無知和缺失問題，基于此，本文采用WANG等[17]提出的區間解析證據推理方法進行應急案例的集結.

然后，根據設置的方案屬性評價等級，將歷史案例的方案屬性轉換為置信度評價等級形式.

(17)

(18)

(19)

(20)

(21)

(22)

(23)

其中，In-1,n+In,n+1+In+1,n+2=1，In-1,n，In,n+1，In+1,n+2=0或1.

若yjf為缺失值，將其表示為{(H,1)}，其中H表示無知評價等級.

在此基礎上，將方案屬性的置信度形式轉換為基本概率分布函數(BPA)，轉換公式為

(24)

(25)

(26)

最后，通過證據推理的解析算法[17]，將歷史案例的方案屬性進行集結，并用期望效用形式表示，集結模型為

(27-1)

(27-2)

(27-3)

(27-5)

(27-6)

(27-7)

(27-8)

(27-9)

(27-10)

(28)

3 算例分析

表1 歷史案例信息

表2 案例相似度、灰色關聯度及其實施效果信息

(續表2)

然后，依據式(15)計算排名，并設置相似度案例數目q=10，得到排名前10的案例集為(C2,C15,C16,C17,C19,C20,C21,C26,C27,C28).

進一步，設置α=0.7，λ=0.2，γ=0.1，依據式(16)計算10個相似案例集的權重w=(0.106 0,0.102 1,0.103 8,0.097 4,0.108 2,0.095 9,0.096 1,0.097 7,0.100 3,0.092 5).

最后，依據式(17)～(28)，利用證據推理對相似歷史案例集的方案進行集結，得到的結果為[68.026 1, 73.810 1]. 考慮實際情況，對集結的結果取整，得到方案的結果為[69,74].

4 性能分析

(29)

4.1 不同集結權重的分析

在計算10個相似案例集的案例權重前需要定義α,λ,γ的值. 為了簡化其最優化過程，選取5個不同的(α,λ,γ)值：(0.8,0.1,0.1)，(0.7,0.2,0.1)，(0.6,0.2,0.2)，(0.6,0.1,0.3)和(0.5,0.2,0.3)， 通過本文方法計算調整結果，得到的精確度如圖1所示. 若將C29作為目標案例，取相同的(α,λ,γ)值，得到的精確度如圖2所示. 由圖1和2可知，當(α,λ,γ)的值為(0.7,0.2,0.1)時，案例的調整精確度最高.

圖1 C30在不同(α,λ,γ)時的精確度Fig.1 The accuracy of C30 with the different (α,λ,γ)

圖2 C29在不同(α,λ,γ)時的精確度Fig.2 The accuracy of C29 with the different (α,λ,γ)

4.2 調整精確度分析

經典案例的調整方法有：基于逆距離加權平均法 (inverse distance weighted mean，IDWM)[18]和基于相似度倒數法(reciprocal of similarity, RS)[19]. 近來,HU等[10]提出了一種基于灰色關聯分析的案例調整方法(grey relational analysis, GRA).為了說明本文方法的有效性，將其與GRA等方法進行了比較，得到4種方法在10個案例上的精確度，如表3所示，并對4種方法的調整精確度進行了排名，見圖3.

表3 4種方法在10個案例上的調整精確度

由表3知，本方法在案例(C21,C23,C24,C26,C27,C28,C30)上的調整精確度高于IDWM和RS，只有在案例C22上比IDWM低0.003 5，在案例C25上比IDWM低0.016 4，比RS低0.007 4，在案例C29上比RS低0.010 2. 本方法在案例(C21,C24,C25,C26,C29,C30)上的調整精確度高于GRA，在案例C22上比GRA低0.013 5，在案例C23上比GRA低0.003 6，在案例C27上比GRA低0.004 8，在案例C28上比GRA低0.003 8. 本文方法在平均案例調整精確度上較IDWM、RS和GRA分別提高了0.4%，1.0%和1.7%.在最大案例調整精確度上較IDWM和RS分別提高了0.6%和0.8%. 在最小案例調整精確度上較IDWM降低了0.4%，較RS提高了0.3%.

圖3 4種方法在10個案例上的調整精確度排名Fig.3 Ranking of adjusting accuracy of ten casesusing four methods

由圖3可知，本方法在案例(C21,C24,C26,C30)上的精確度排名第1，雖然GRA方法亦有4個案例的精確度排名第1，但其他案例的排名多為第4，而本文方法在案例(C23,C27,C28,C29)上的排名為第2. IDWM和RS方法的排名幾乎都為第2～4名.

綜上所述，本文提出的考慮多角度效用的應急案例調整方法能夠調高預測方法的精確度.

5 結 論

案例調整是案例推理的重要步驟，目前尚缺乏系統研究，特別是在突發事件情形下，研究更顯得不足. 本文提出了考慮多角度效用的應急案例調整方法，在確定案例權重時，從綜合相似度、灰色關聯度和實施效果3個角度生成一個集結的權重值；對歷史案例采用證據推理進行集結，解決了突發事件方案中存在不確定甚至數據缺失的問題. 最后，用算例說明了方法的可行性和有效性.

[1] FAN Z, LI Y, 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.

[2] 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.

[3] FAN Z, LI Y, ZHANG Y, et al. Generating project risk response strategies based on CBR: A case study[J]. Expert Systems with Applications,2015,42(6):2870-2883.

[4] ZHANG B, LI X, WANG S, et al. A novel case adaptation method based on an improved integrated genetic algorithm for power grid wind disaster emergencies[J]. Expert Systems with Applications,2015,42(21):7812-7824.

[5] SHEPPERD M, SCHOFIELD C. Estimating software project effort using analogies[J]. IEEE Transactions on Software Engineering,1997, 23(11):736-743.

[6] ANGELIS L, STAMELOS I. A simulation tool for efficient analogy based cost estimation[J]. Empirical Software Engineering,2000,5(1):35-68.

[7] KWONG C K, SMITH G F, LAU W S, et al. Application of case based reasoning injection molding[J]. Journal of Materials Processing Technology,1997,63(1):463-467.

[8] JI S, PARK M, LEE H, et al. Case adaptation method of case-based reasoning for construction cost estimation in Korea[J]. Journal of Construction Engineering and Management,2012,138(1):43-52.

[9] QI J, HU J, PENG Y, et al. Incorporating adaptability-related knowledge into support vector machine for case-based design adaptation[J]. Engineering Applications of Artificial Intelligence,2015,37:170-180.

[10] HU J, QI J, PENG Y, et al. New CBR adaptation method combining with problem-solution relational analysis for mechanical design[J]. Computers in Industry,2015,66:41-51.

[11] BUTDEE S. Adaptive aluminum extrusion die design using case-based reasoning and artificial neural networks[J].Advanced Materials Research,2012,383:6747-6754.

[12] QI J, HU J, PENG Y, et al. A new adaptation method based on adaptability underk-nearest neighbors for case adaptation in case-Based design[J]. Expert Systems with Applications,2012,39(7):6485-6502.

[13] XIE X, LIN L, ZHONG S, et al. Handling missing values and unmatched features in a CBR system for hydro-generator design[J]. Computer-Aided Design,2013,45(6):963-976.

[14] LI H, SUN J. Gaussian case-based reasoning for business failure prediction with empirical data in China[J]. Information Sciences,2009,179(1):89-108.

[15] 鄧聚龍.灰色控制系統[J].華中工學院學報,1982,10(3):9-18. DENG J L. Grey control system[J]. The Journal of Huazhong University of Science and Technology,1982,10(3):9-18.

[16] 李永海,樊治平,李銘洋.解決廣義不確定型決策問題的案例決策方法[J].系統工程學報,2014,29(1):21-29. LI Y H, FAN Z P, LI M Y. Case-based decision analysis method for general uncertain decision making problem[J]. Journal of Systems Engineering,2014,29(1):21-29.

[17] WANG Y M, YANG J B, XU D L, et al. The evidential reasoning approach for multiple attribute decision analysis using interval belief degree[J]. European Journal of Operational Research,2006,175(1):35-66.

[18] LI S, HO H. Predicting financial activity with evolutionary fuzzy case-Based reasoning[J]. Expert Systems with Applications,2009,36(1):411-422.

[19] YU W, LIU Y. Hybridization of CBR and numeric soft computing techniques for mining of scarce construction databases[J]. Automation in Construction,2006,15(1):33-46.

Emergency alternative adaptation method with considering multi-angle utility.

ZHANG Kai1, WANG Yingming2

(1.DepartmentofInformationEngineering,FujianChuanzhengCommunicationsCollege,Fuzhou350007,China; 2.DecisionSciencesInstitute,FuzhouUniversity,Fuzhou350116,China)

To improve the pertinence of the emergency plan, a method for plan adaptation based on those of similar emergency cases from multiple views is proposed. The comprehensive similarity between the current case and a candidate is calculated by three similarity computation methods while the case correlation degree is evaluated by the grey correlation method. Then, the similar case set and the associated weights are determined according to the comprehensive similarity, grey correlation degree and the case implementation effect of each candidate. Finally, the evidence reasoning is adopted to integrate the emergency plans of these similar cases to get the adaptive plan. A case is given to illustrate the feasibility and validity of the proposed method.

emergency; case adaptation; evidence reasoning; hybrid weight

2016-10-16

國家杰出青年科學基金資助(70925004)；福建省交通運輸廳科技發展項目(201319).

張愷(1979-),ORCID:http://orcid.org/0000-0001-8755-3326,男, 碩士，副教授, 主要從事智能決策技術、案例推理研究.

*通信作者，ORCID:http://orcid.org/0000-0002-5229-0914，E-mail：msymwang@hotmail.com.

10.3785/j.issn.1008-9497.2017.03.012

TP 181

A

1008-9497(2017)03-314-08