基于大數據的震災應急物資需求預測方法研究

石鈺磊 成世杰 宋啟杰

（62421部隊，北京 100071）

基于大數據的震災應急物資需求預測方法研究

石鈺磊 成世杰 宋啟杰

（62421部隊，北京 100071）

地震發生后，抗震救災指揮部門很難在第一時間獲知災區對應急物資的需求情況，不利于救援資源的合理調配部署。基于大數據理念，依靠已有的數據積累，采用粒子群優化徑向基神經網絡的機器學習方法，結合安全庫存模型，構建了震災應急物資需求預測模型。算例驗證結果表明，該模型具有一定的實用性和有效性。

抗震救災，大數據，應急物資，需求預測

我國是一個自然災害頻發的國家，尤其是地震災害，嚴重危害著我國人民群眾的生命和財產安全。震災具有突發性、非常規性和不確定性等特點，在地震發生后，受災區域的交通線路和通訊系統通常會被嚴重破壞，抗震救災指揮部門很難在第一時間獲知災區群眾對應急物資的需求情況，不利于救災資源的合理部署及運輸力量的規劃調配。因此，研究一種能夠在震災發生后，第一時間較為準確預測出災區應急物資需求的方法，對于規范應急物資采購、指導應急儲備倉庫建設，以及輔助應急救援指揮決策等均有重要的現實意義。

目前，雖然國內外學者對應急物資需求預測方法開展了大量研究，但都處于起步階段，應用成果并不多見[1]。根據預測原理不同，可將現有應急物資需求預測模型分為案例推理模型（CBR）、數學算法擬合模型和分步式間接預測模型等三大類。現有的預測方法受到應急救援案例數據庫不完善的限制，普適性不足，且受參數選擇的影響較大，因此，在實際指導應急救援中，還主要依靠專家經驗來判斷受災地區所需物資量。

“大數據”是近年來在全球范圍內迅速興起的一個新名詞，其核心就是預測[2]。大數據的預測方式不是基于傳統的因果關系進行推測，而是跳出傳統因果關系的思維局限，通過對大量數據的搜集、挖掘和分析，發現數據間隱藏的相關關系，從而揭示事物發生和發展的內在規律，能夠做出更快、更符合實際的預測。要想利用大數據來進行預測，一般需要經歷數據采集、數據分析與挖掘、機器學習等3個步驟[3]。

本文基于大數據理念，依靠已有的數據積累，采用分步式預測法，即先利用徑向基函數（Radial basis function，RBF）神經網絡預測震災傷亡人數，再利用安全庫存理論構建動態庫存模型來估算應急物資需求量。實驗結果表明，該方法運算速度較快，并具有較好的預測精度。

1 震災傷亡人數預測模型

1.1 數據準備

本文搜集了近幾十年我國發生的大型地震中受災較為嚴重的39個地區作為樣本，包括：云南瀾滄、耿馬，四川汶川、雅安，青海玉樹等，所選樣本的地震震級均在6.0級以上。

在地震災害發生初期，一般可迅速獲得發生時間、地震震級、地震破壞烈度、發生地點的建筑抗震設防平均系數、當地的受災人數、人口密度、地震有無事先預報等信息。因此，為在地震后第一時間對災區傷亡人數進行預測，選取震級、地震破壞烈度、發生時間、抗震設防系數、受災人數、人口密度、地震預報水平等7個可迅速獲取的參數作為指標來進行分析，具體信息如表1所示。其中，設定較易發生人員傷亡的時間段凌晨0時至6時為2，其它時間段為1；設定地震預報水平分為3級：1級表示無預報，2級表示有預報但存在偏差，3級表示預報準確。

2.2 樣本數據挖掘

主成分分析法是一種數學線性變換方法，旨在利用降維的思想，在引進多方變量的同時將復雜因素歸結為幾個主成分，使問題簡單化，同時能夠得到更加科學、有效的數據信息[4]。由于本文各樣本數據相關性較高，因此，采用Matlab對樣本集進行主成分分析處理。樣本各主成分特征值、貢獻率與累計貢獻率如表2所示。

表1 地震災害人員傷亡統計樣本集

表2 樣本各主成分的特征值、貢獻率和累計貢獻率

從表2可以看出，前5個主成分的累計貢獻率為93.4523%，超過了90%，故本文選取這5個主成分替代原始的7個變量作為RBF神經網絡的輸入。

2.3 機器學習——改進型RBF神經網絡預測模型

RBF神經網絡是一種局部逼近網絡，相比于其它神經網絡，具有在相同精度要求下，學習速度快、不易陷入局部極小值等優點。隨著大數據技術的發展，神經網絡作為一種人工智能處理技術，與云計算相結合，正在實際應用中發揮著越來越大的作用。本文在結合前期研究成果的基礎上[5]，采用收斂速度更快、預測準確度更高的基于粒子群（Particle swarm optimization，PSO）優化算法的RBF神經網絡方法來預測震災傷亡人數。使用PSO算法優化RBF神經網絡的流程如圖2所示。

2.4 傷亡人數預測

在進行神經網絡學習之前，需要先對數據進行歸一化處理，同時，為了使樣本均勻分布，并保證學習的科學性，將樣本原先的順序打亂并隨機抽取33組學習樣本和6組驗證樣本，然后建立RBF神經網絡模型。樣本學習曲線圖如圖3所示。

圖2 PSO算法優化RBF神經網絡流程圖

從圖3可以看出，經過PSO算法優化后的RBF神經網絡在學習過程中收斂平穩、收斂速度快、偏差度低，且達到了要求精度。

對6組驗證數據的前5個主成分進行仿真學習，經過反向標準化得到仿真輸出值，如表4所示。

圖3 神經網絡樣本學習曲線圖

表4 驗證樣本神經網絡仿真輸出值

將其與實際值進行對比，如圖4所示。可以看出，使用本文所建立的預測模型所得到的地震人員傷亡預測值與實際值有很好的擬合性，預測準確度較高。

圖4 案例樣本預測值與實際值對比圖

3 應急物資需求量估算模型

地震發生后，向災區供應物資時存在著很多的不確定性因素，例如，地理條件致使交通通道受堵，或者急需的某類物資庫存不足等。同時，震災的應急物資供給具有弱經濟型，其首要目標是不惜一切代價救人。因此，為了提高預測質量，本文在估算受災群眾對某種物資的需求時，引入了商業物流中的安全庫存概念，用以緩沖救援過程中的諸多不確定性因素。

3.1 估算模型構建

參考隨機需求滿足率和隨機提前期下的安全庫存模型，構建震災應急物資需求估算模型。為充分滿足災區群眾對應急物資的需求，這里將公式中的提前期即連續向災區供給物資的時間間隔期取為其上限，標記為I。

其中，記地震發生時的時刻為0，由此開始以小時為單位計時，標記為t（t=0, 1, 2, …）；以m表示某種應急物資，如方便食品、御寒物資等。

式（1）中，P表示災區人口總數，D（t）表示t時刻災區的死亡人數，S（t）表示t時刻災區的幸存者人數。

式（2）中，Qm（t）表示t時刻災區所需物資m的數量；qm表示每位災民單位時間對物資m的需求量；?表示災區所需物資的缺貨率，則1-?表示所需物資的滿足率，Z1-?表示服務水平系數，可通過正態分布表查詢，本文中取其最大值；表示截止到t時刻，災區對物資m每小時需求的標準差，可由公式（3）獲得；Am（t）表示t時刻已經運抵災區的物資m數量，Bm表示災區內物資m的庫存量。W（t）表示t時刻災區的受傷人數。

式（4）表示物資需求量Qm（t）的平均值。

3.2 算例分析

利用文中構建的模型，對2014年8月3日16時30分發生在云南省昭通市魯甸縣的6.5級地震所需的應急物資量進行了預測。

第1步：收集案例數據

地震發生時，經測地震烈度達9度，地震在魯甸縣造成617人死亡，3143人受傷，其它指標數據如表5所示。

第2步：預測傷亡人數

利用文中學習的神經網絡模型，輸入表5中的參數進行預測，得到預測值為死亡人數587人，受傷人數2976人，與實際情況偏差很小。

表5 魯甸縣震后參數

表6 公式相關參數設置

第3步：估算各類應急物資需求量

對于災區人民每人每日物資供應量，張培靜已經在文獻[6]中進行了統計分析、國務院也下發過相應標準。

本文選取能夠保障基本生活條件的4種物資進行計算，分別是飲食類中的瓶裝水、方便食品、御寒物資類的帳篷和藥品中的抗生素，公式中相關參數設置如表6所示。

本文中的單位物資需求量設置的是需求平均值，實際操作中，可根據人員類別、天氣條件、區域特征等不同情況具體設置；另外，本文中設置應急物資滿足率為95%，提前期上限為6h，其目的在于最大限度滿足災區基本生活條件需要。

那么由公式（1）可得S（t）=434413（人）；

在地震發生初期，，則由公式（2）可得：

q1（0）=160×6×434413=417036480（ml）

q2（0）=50×6×434413=130323900（g）

q3（0）=0.25×434413?108604（頂）

q4（0）=80×6×2976=1428480（mg）

通過計算，地震發生后，抗震救災指揮部門應在第一時間向災區籌集調撥瓶裝水約417036480ml，方便食品約130323900g，帳篷約108604頂，抗生素約1428480mg。

本文研究的方法旨在為抗震救災指揮部門第一時間提供決策支持，在實際救災過程中，隨著救援人員進入災區后，根據實時反饋回的實際信息，可對應急物資量進行動態調整。

4 結束語

由于地震災害應急救援過程中的應急物資需求預測問題具有復雜的非線性變化規律，要建立精確的數學模型相當困難，因此，本文基于大數據的理念，將PSO-RBF神經網絡預測模型引入該問題，并結合安全庫存公式構建了應急物資需求預測模型，同時通過對云南魯甸地震所需物資進行計算，驗證了該模型的有效性，為震災應急物資需求預測問題提供了一種解決方法。

1 林勇, 姜大立, 汪貽生, 等. 震災應急物資動態需求預測模型研究[J]. 后勤工程學院學報, 2015, (3): 58～61

2 維克托·邁爾·舍恩伯格, 肯尼斯·庫克耶. 大數據時代[M]. 杭州: 浙江人民出版社, 2012

3 IBM商業價值研究院. 分析: 大數據在現實世界中的應用[R]. IBM報告會, 2013

4 John A Rice. 數理統計與數據分析[M]. 田金芳, 譯. 北京: 機械工業出版社, 2011

5 石鈺磊, 賈斌, 董立峰, 等. 基于改進型RBF神經網絡的震災人員傷亡數預測方法研究[J]. 軍事交通學院學報, 2015, 17(3): 91～95

6 張培靜. 抗震救災物資供應的適應性研究——以汶川地震救災物資的供應為例[D]. 成都: 西南交通大學,2010

1009-8119（2017）10（1）-0058-04