面向突發(fā)事件應急決策的情景建模方法

張 磊,王延章,陳雪龍,王 寧

(大連理工大學信息與決策技術研究所,遼寧大連116024)

1 引 言

非常規(guī)突發(fā)事件是指前兆不充分,具有明顯復雜性特征和潛在次生衍生危害,破壞性嚴重,采用常規(guī)的管理方式難以應對處置的突發(fā)事件,其應急管理是一個開放的復雜巨系統,具有多主體、多因素和多尺度及多變性的特征,決策者需依據事件實時情形做出科學地應對[1,2].傳統的“預測—應對”決策范式難以應對處置,必須采用“情景—應對”型決策范式.而情景是決策者進行決策應對的依據和基礎,因此,如何對非常規(guī)突發(fā)事件的情景進行建模成為“情景—應對”理論研究的重要內容之一.

非常規(guī)突發(fā)事件情景是人類對事件與外界環(huán)境以及事件之間作用影響關系的描述,具有系統性特征.情景可以通過深入分析情景的要素進行更細致的刻畫[3].王等[4]將情景的結構要素分為致災因子、承災體和孕災環(huán)境,陳等[5]在此基礎上將突發(fā)事件的應急活動加入情景表示中,運用分層遞階結構對情景的要素進行層次劃分并構建了情景的層次表示模型.情景是決策者應對非常規(guī)突發(fā)事件時所面臨的真實情況,仲等人[6]以承災體為例探討了情景模型實體化的約束問題,解決了情景生成過程中數據不合理以及缺失補償的問題,對非常規(guī)突發(fā)事件的真實情景的模擬仿真奠定了基礎.

情景隨著時間不斷變化,情景按照事件發(fā)展規(guī)律和外界干擾下產生新的情景的過程稱為情景的演變[7].Yang等[8]將情景演化的過程劃分初始情景向中間情景演化和中間情景向發(fā)展情景演化兩個階段.分析情景的演化過程就是結合定量分析方法和定性分析方法分析推演情景的要素在未來可能處于的狀態(tài)[9].針對非常規(guī)突發(fā)事件演變不確定性以及應對復雜性等特征,李等[10]基于突發(fā)事件的結構化描述框架和相關案例分析將突發(fā)事件的發(fā)展演化方式總結為四種：直鏈式演化方式、發(fā)散式演化方式、集中式演化方式和循環(huán)式演化方式.Durak等[11]從模型驅動工程角度出發(fā),將情景演化的過程理解成一系列的模型變換過程;Ahmed等[12]從知識工程視角出發(fā),將情景演化的過程看作是知識、模型、數據的綜合集成過程;盛等[13]從系統復雜性、開放式預先設想以及序貫性三個角度綜合分析情景的演化機理,構建了突發(fā)事件情景演化系統模型.上述研究從不同角度對非常規(guī)突發(fā)事件的情景模型研究提供了很好的基礎和思路,但其主要側重從宏觀角度定性地分析非常規(guī)突發(fā)事件的情景及其演化過程,缺乏數據支撐的定量分析模型,難以滿足決策者實時把握情景的需求.為了解決該問題,國內外學者嘗試將一些定量分析方法集成到情景模型的研究中.如劉等[14]將社會演化理論與病毒傳播的自然機理融合起來,利用演化博弈理論仿真不同情景下疫情的傳播過程;Abdalla等[15]基于WebGIS提出了一種情景模型的構建方法,實現了對洪水災害的演化模擬;楊等[16]結合SOC(Self-Organized Criticality)模型和多Agent仿真技術構建了特大森林火災事故的情景推演模型;Dettinger等[17]設計了暴風雨的情景模型,利用WRF(Weather Research and Forecasting)模擬仿真了情景的演化過程.楊等[18]基于GERT(Graphical Evaluation Review Technique)網絡構建了非常規(guī)突發(fā)事件的情景推演模型,解決了情景推演中的共力耦合問題.夏等[19]在貝葉斯網絡模型上加入時間因素,構建了情景推演的動態(tài)貝葉斯網絡模型;文獻[20]在對事件情景要素構成和情景對事件演變作用的分析基礎上,構建了由情景要素屬性狀態(tài)識別到事件演變描述的概率規(guī)則,為構建突發(fā)事件鏈提供可能.

上述文獻運用不同理論方法建立了非常規(guī)突發(fā)事件情景演化的定量分析模型,更好的揭示和描述了情景的演化過程,但大部分僅適應用于單一領域事件(如洪水)的演化或某一具體問題分析(如耦合),而且建立的模型較為單一,對其他類型突發(fā)事件不具有普適性.此外,情景表示是情景模型構建與推演分析的重要基礎,而上述對情景表示的研究大部分集中在情景要素的描述上,缺乏對情景要素間的關聯關系的分析,尤其是從較微觀層面對要素間關系的深入分析更是少之更少.因此,本文通過弱化事件的概念和強化元素狀態(tài)變化過程作為事件存在物質基礎的觀點,從相對微觀層面刻畫非常規(guī)突發(fā)事件的情景,構建一種能夠綜合詮釋非常規(guī)突發(fā)事件的情景知識表示模型,解決應急管理跨學科、跨領域的知識綜合詮釋問題,擺脫對已知事件(鏈)經驗性知識的依賴,進而提升模型的靈活性和對非常規(guī)突發(fā)事件的適應性.

非常規(guī)突發(fā)事件情景是一個涉及自然、生態(tài)、社會和心理等變化萬千、混沌百態(tài)的要素的復雜系統,人們對情景即將發(fā)生什么樣的狀態(tài)以及其出現的可能性和危害程度等問題缺乏足夠的了解和認識.因此,對情景的建模既要能夠描述情景中事件與事件、事件與環(huán)境間的內在關聯模式,也要能夠解決不確定情況下的推演問題.本文運用系統科學理論從微觀視角分析非常規(guī)突發(fā)事件的情景要素構成及要素間復雜的關聯關系,提出情景的知識表示模型作為情景建模的知識支撐,解決非常規(guī)突發(fā)事件應急管理跨學科、跨領域的交叉融合問題;在此基礎上,構建適用于非常規(guī)突發(fā)事件情景表示與推演的貝葉斯網絡模型,利用貝葉斯網絡推理對情景的狀態(tài)及其可能性進行預測分析,解決非常規(guī)突發(fā)事件情景在不確定情況下無法推演分析的不足問題;最后,通過舟曲泥石流災害事件驗證本文提出模型的可行性與有效性.

2 非常規(guī)突發(fā)事件情景表示

2.1 情景概念

自2008年國家自然科學基金委員會啟動“非常規(guī)突發(fā)事件應急管理研究”重大研究計劃后,國內一些學者對情景的概念和內涵進行了深入的探討.目前,雖然對情景概念有著某些共識的成分,但遠未達成共識.文獻[21]對國內情景概念的研究進行總結、提煉和分類,并根據應急管理的現實需求,將情景分為與突發(fā)事件應急預案有關的“聚類型”情景和與非常規(guī)突發(fā)事件應急決策有關的“決策型”情景.本文研究情景是為突發(fā)事件應對決策提供依據和支持的,因此采用其“決策型”情景的概念,認為非常規(guī)突發(fā)事件的情景是“景況和情勢的結合”,是一種決策主體所面對的主觀與客觀相融合、靜態(tài)與動態(tài)相交織、廣義與狹義相結合的事件發(fā)生發(fā)展的“景況”和“情勢”[21].

情景的“景況”是對情景當前狀態(tài)客觀、靜態(tài)地描述,由事件自身發(fā)展以及發(fā)展過程中外界干擾所共同決定的.情景的狀態(tài)通過情景中要素來體現,情景要素分為致災因子、孕災環(huán)境和承災體[4].致災因子表示對事件發(fā)生和發(fā)展起推動作用的直接致災因素,具體分為自然致災因子和人為致災因子;承災體是各種致災因子作用的對象;孕災環(huán)境指災害發(fā)生發(fā)展時所處的環(huán)境因素的集合,包含自然環(huán)境和社會環(huán)境.情景的“情勢”是對“景況”未來發(fā)展趨勢的分析,主要通過要素間的因果關系進行分析.為了使我們的研究更有意義,本文研究的情景指非常規(guī)突發(fā)事件相對穩(wěn)定時的狀態(tài),事件在相鄰兩個狀態(tài)間保持穩(wěn)定或變化不明顯可以忽略不考慮.

2.2 情景知識表示模型

合理的知識表示方法不僅可以使決策者從更深層次地去認知事件,還能夠通過良好的邏輯推理規(guī)則進行演化分析.當前使用較多的謂詞邏輯表示法、產生式表示法、框架表示法、語義網絡表示法、面向對象表示法和基于本體的知識表示法等數種表示方法在相關領域的理論和應用研究都有較大的成果,但也存在一些不足[22].雖然一些學者使用復合的表示方法來彌補不足,但其研究仍主要面向某一特定學科或領域,難以滿足跨學科、跨領域的交叉融合需求.其中,基于本體或范疇論的方法雖然一定程度上解決了跨領域、跨學科知識綜合詮釋問題,但概念間關系的顯性描述工作量巨大,會造成推理不完備的隱患[23].

非常規(guī)突發(fā)事件情景要素繁多且結構復雜,需要多學科、多領域的知識予以支撐.陳等[23]借鑒本體論思想,在文獻[24]提出的共性知識模型基礎上,從非常規(guī)突發(fā)事件應急管理客觀系統本原的角度構建了知識元模型,揭示了應急管理客觀系統的個體要素運動行為及其綜合聯系機理與規(guī)律,解決了非常規(guī)突發(fā)事件應急管理跨學科、跨領域的知識融合和推理問題.結合情景概念和知識元模型,本文將情景表示為

其中S表示事件的情景;st={s,t}表示情景的時空屬性,即情景當前時刻t和所考慮的空間區(qū)域s;K={K1,K2,K3}={ki|i=1,2,...,|K1|,|K1|+1,|K1|+2,...,|K1|+|K2|,|K1|+|K2|+1,|K1|+|K2|+2,...,|K1|+|K2|+|K3|}表示情景的要素集合,K1,K2,K3分別代表致災因子、孕災環(huán)境和承災體的集合,|·|表示集合中元素的個數,ki表示情景的要素;R表示情景的結構—-情景中要素間的關系描述.

要素是構成情景的基本單元,對?ki∈K用對象知識元模型描述為

其中Ni為要素的概念集,表示要素的屬性集,Ri表示屬性間的關系集合.Ii={iiα|1≤α≤|Ii|}為要素的輸入屬性集,表示影響要素狀態(tài)的外部環(huán)境因素的集合(如影響泥石流形成的水源條件、地形條件等);Si={siβ|1≤β≤|Si|}為要素的狀態(tài)屬性集,用來描述情景演化過程中要素的狀態(tài)(如泥石流的流速、容重等),特別地,sie∈{0,1}為ki的觸發(fā)狀態(tài)變量,是要素觸發(fā)或沒觸發(fā)的標志(如泥石流的含沙量屬性達到閾值,則泥石流的觸發(fā)狀態(tài)變量取值為1,表示形成泥石流,否則取值為0,表示未形成泥石流);Oi={oiγ|1≤γ≤|Oi|}為要素的輸出屬性集,表示要素對外界造成影響或破壞的因素集合(如泥石流的沖擊力),三者間存在如下關系

其中F1表示要素的狀態(tài)屬性依賴于輸入屬性,F2表示要素是狀態(tài)屬性間存在相互作用關系,F3表示要素的狀態(tài)屬性決定其輸出屬性,為狀態(tài)屬性的子集,滿足條件為屬性關系集的子集.

聯系是普遍存在的,正是由于要素間的相互作用關系才構成了情景的演化與發(fā)展.情景的結構R用關聯矩陣描述為

其中rij∈{0,1}表示要素ki與kj間的關聯關系,n為情景包含的要素個數.

若rij=1表示ki作用于或影響kj,二者之間的關系通過要素的屬性間關系構建(如圖1所示,圖中大圓圈表示要素,小圓圈表示要素的屬性,實線箭頭表示屬性間關系,空心箭頭表示要素間ki影響kj,虛線箭頭連接的屬性表示兩個要素所共有的屬性,即Ij與Oi的交集),即要素ki的輸出屬性Oi與kj的輸入屬性Ij間存在關系：否則rij=0,表示ki與kj間無直接作用關系,即Ij∩Oi=?.特別地,當i=j時,rij=1表示要素自身的影響,即要素自身的屬性間關系.

圖1 情景的要素間關系圖Fig.1 The relationship of scenario element

3 基于情景表示的貝葉斯網絡模型

情景的知識表示模型從事件本身、事件屬性以及屬性間關系三個角度給出了情景的結構化知識表示,對情景中要素構成及其聯系機制進行了微觀的刻畫,為模型的構建提供了知識支撐.但在非常規(guī)突發(fā)事件情景推演中,由于事件發(fā)展的隨機性和復雜性以及人類認知的不完全和不一致性,給情景推演分析帶來了大量不確定性.而貝葉斯網絡被廣泛應用于不確定性問題的表示和推理,與其他不確定知識模型相比,具有圖形化表示、因果關系清晰、可理解性強、支持不完全數據推理和不確定推理的特點[25].因此,本文運用貝葉斯網絡來擴展情景知識表示模型中的不確定性表示和推理.

3.1 非常規(guī)突發(fā)事件情景模型的構建

結合知識元從領域特征和內在機理上可形成網絡的特點[23]與貝葉斯網絡的思想,構建情景的貝葉斯網絡模型SN=＜V,E,P＞,其中V為網絡中節(jié)點變量的集合;E為網絡中有向邊集合,表示節(jié)點之間的依賴關系,即因果關系;P為網絡中節(jié)點間依賴關系的強度集合,即條件概率分布表的集合.

1)情景貝葉斯網絡模型的變量表示

SN的變量集V=I∪S∪O,其中表示輸入變量集,表示狀態(tài)變量集,表示輸出變量集,Ii為要素ki的輸入屬性集,Si為要素ki的狀態(tài)屬性集,Oi為要素ki的輸出屬性集,n為情景中要素的個數.特別地,對于?vm∈I,若滿足條件那么該輸入變量的值由與其對應的輸出變量的值決定.

網絡模型的變量vk∈V代表情景中要素屬性則變量vk用屬性知識元模型描述為

其中pvk表示變量的可測特征(如可測量或可描述),dvk表示當變量可測時的測度量綱(如取值類型、取值區(qū)間等),fvk表示變量的變化規(guī)律(如時變性等).

2)情景貝葉斯網絡模型的結構分析

貝葉斯網絡中變量間的關系是對情景的結構關系進行刻畫.變量vi和vj間的依賴關系eij:vi→vj用有序對＜vi,vj＞表示,那么

根據上節(jié)對情景模型的結構分析可知,情景中的結構關系主要分為要素自身內部的屬性間關系和要素間的關聯關系,即E={eij|i/=j}∪{eii},i,j∈N?,其中eii表示要素自身內部的屬性間依賴關系,eij表示要素間的依賴關系.

圖2 情景演化結構關系圖Fig.2 The structure relationship of scenario inference

一般地,要素屬性間依賴關系主要分為一對一、一對多、多對一和多對多共4種結構關系.如圖2所示,一對一結構關系是情景中要素的一個屬性作用于另一個屬性的結構(圖2(a));一對多結構關系是情景中要素的一個屬性作用于多個屬性的結構(圖2(b)),其可以分解為多個圖2(a)所示的一對一關系;多對一結構關系是情景中多個屬性作用于一個屬性的結構(圖2(c));多對多結構關系是情景中要素的多個屬性作用于多個屬性的結構(圖2(d)),其可以分解為多個多對一關系.綜上所述,屬性間依賴關系均可分解為一對一和多對一兩種基本結構關系,這種依賴關系用關系知識元模型描述為

其中Krj表示屬性間關系rj的名稱,prj描述關系的映射屬性(如結構、隸屬、線性、非線性、模糊、隨機及具體的映射函數等),為關系的輸入集,為關系的輸出集,frj為映射函數,即

使用概率關系P={p(vi|πi)}描述變量間依賴關系frj,是對變量間依賴關系的一種可能性度量.特別地,概率值為0表示事件不可能發(fā)生,概率值為1表示事件一定會發(fā)生.其中0≤p(vi|πi)≤1表示vi的父節(jié)點集πi對vi的影響.那么,要素屬性間依賴關系Kr可進一步描述為：

(i)一對一關系.設SN中變量vi和vj存在一對一結構關系,如圖2(a)所示.則vi和vj間依賴關系表示為

其中p(vi),p(vj)分別表示變量vi和vj的狀態(tài)的可能性,p(vj|vi)表示變量vj在變量vi已經發(fā)生條件下的發(fā)生概率.

(ii)多對一關系.設SN中變量v1,v2,...,vi-1作用于變量vi,如圖2(c)所示.那么

其中p(v)={p(v1),p(v2),...,p(vi-1)}為關系輸入集,p(vi|v1,v2,...,vi-1)表示變量vi在影響變量v1,v2,...,vi-1發(fā)生的條件下的發(fā)生概率,表示變量v1,v2,...,vi-1發(fā)生的聯合概率,p(vk),k=1,2,...,i表示變量vk狀態(tài)的可能性.

3.2 基于貝葉斯網絡的情景推演

非常規(guī)突發(fā)事件的情景演化過程是情景中要素屬性的狀態(tài)不斷變化的過程,即利用貝葉斯網絡結構計算某些變量的取值及其可能性.根據上節(jié)構建的貝葉斯網絡模型,以貝葉斯網絡的部分已知的輸入變量和狀態(tài)變量為證據變量,由這些證據變量的集合構成證據集合,其余需要計算的狀態(tài)變量和輸出變量為目標變量,構成目標集合.然后運用貝葉斯網絡推理方法進行推演.設情景中包含要素k1,k2,...,kn共n個,其中要素ki為致災因子,推演步驟如下：

步驟1根據證據集合和式(8)、式(9)計算要素ki的觸發(fā)狀態(tài)變量sie;

步驟2判斷要素ki是否觸發(fā),若未觸發(fā),停止計算,否則轉入步驟3;

步驟3計算要素ki的其他變量(目標變量);

步驟4判斷ki的輸出屬性是否影響其他要素,即判斷Oi∩Ij,j/i是否為?.若為?,停止計算,否則轉入步驟5；

步驟5將ki的輸出屬性的值賦給對應要素kj的輸入屬性,令i=j,轉步驟1繼續(xù)計算.

4 實例分析

4.1 實驗背景

2010年8月,甘肅省舟曲縣城東北部山區(qū)突降短歷時、高強度暴雨,引發(fā)縣城東北部的三眼峪、羅家峪等地發(fā)生特大山洪泥石流,造成大片村民房屋和縣城建筑被摧毀,數萬群眾遭遇空前劫難,成為我國歷史上有記錄以來的泥石流災害之最.本節(jié)以舟曲泥石流災害為例,驗證前文提出模型的科學性和有效性.

舟曲縣地處西秦嶺地址構造帶南部隴南山地,主城區(qū)建于三眼峪等泥石流溝堆積扇上.三眼峪溝流域由大眼峪溝和小眼峪溝呈“Y”形構成,其中大眼峪主溝長5.3 km,溝床平均比降為27.2%,溝口堆積區(qū)南北長約2 050 m,平均比降為9.8%,面積0.87 km2.8月7日該地區(qū)降雨量達77.3 mm/h,主溝區(qū)單位面積內供給泥石流的固體物質總量分別為203.6×104m3,泥石流橫截面泥深高達10.4 m,流量高達約1 800 m3/s;大眼峪溝單位面積供給泥石流的固體物質總量為184.5×104m3,泥石流橫截面泥深高達9.5 m,流量高達約1 500m3/s,一次最大沖出量為152.18×104m3[26].

4.2 情景表示

根據舟曲泥石流災害事件的描述和情景表示模型,將該事件的情景描述為

其中S′表示三眼峪泥石流情景,時空屬性st′的當前時間t和情景所考慮的空間范圍s,K′和R′分別為情景要素集和情景關系結構.情景模型構建過程就是人們對事件的要素和要素關系的深入的認知過程,按照圖3所示流程選取事件情景的要素(見表1),然后結合第二部分對情景結構的描述方法分析S′中要素間關系(見式(11)).泥石流突發(fā)事件涉及要素很多,篇幅所限,為更好地說明問題,本例僅選取了泥石流災害中的最重要的3個要素,并對要素的屬性做了必要的刪減.

其中r21=1表示孕災環(huán)境泥石流溝對致災因子泥石流有影響作用(如溝的縱降比對泥石流速度的影響),r13=1表示致災因子泥石流對承災體建筑物有破壞作用.

圖3 情景模型構建過程Fig.3 The modeling process of scenario

表1 情景模型的要素集Table 1 The set of scenario element

4.3 情景模型構建與推演

根據上一小節(jié)構建的事件情景表示模型S′知,泥石流溝與泥石流擁有共同屬性i11,i12,泥石流與建筑物擁有共同屬性i31(表1中粗體字所示).以要素的屬性Ai為節(jié)點(節(jié)點描述見表2),屬性間關系Ri為邊(邊的描述見表3),i=1,2,3,情景中要素所共有屬性(表1中粗體字)為連接點將泥石流溝、泥石流和建筑物三個要素關聯,構建泥石流沖擊建筑物情景的貝葉斯網絡模型.

表2 網絡模型節(jié)點變量描述表(部分)Table 2 The variable table of network model

根據建立的貝葉斯網絡模型,以{i11,i13,i14,i32,s21,s22,s23,s31}為證據變量,狀態(tài)變量S和輸入變量I的剩余變量與輸出變量O為目標變量.在泥石流事件情景推演分析過程中,目標變量中屬于輸入變量的值由與其相同的輸出變量指派,如建筑物的輸入變量i31的值等于泥石流的輸出變量o11的值;其他目標變量通過變量消元算法[27]計算得出.本實驗數據選自文獻[26,28]中對舟曲三眼峪溝泥石流的調查數據,表3中對屬性間的不確定性關系的描述通過表4中數據進行統計學習得出.

表3 泥石流的屬性間條件概率表(部分)Table 3 The conditional probabilities among attributes

表4 泥石流屬性數據表(部分)[26]Table 4 The attribute data of debris f l ow

表5 情景中變量取值(部分)Table 5 The value of scenario variables

本文對舟曲泥石流中的三眼峪主溝的溝口上游和大眼峪溝干溝溝口上游兩處泥石流事件進行演化推理.以大眼峪泥石流為例,溝床縱降比p(i12＞0.2)=1,橫切面泥深p(i14＞5)=1,那么變量泥石流速度狀態(tài)概率

即泥石流速度大于5 m/s的可能性為0.972,小于5 m/s的可能性為0.028.其他變量狀態(tài)取值見表5,其中帶*為證據變量.

4.4 結果分析

實驗結果從情景模型表示和推演效果兩方面展開.

1)本文提出的情景模型表示方法更具有本原性和普適性.

情景模型構建的目的是為了應用模型去深度揭示事件的內在規(guī)律,以便控制或干預事件向人們所期待的狀態(tài)發(fā)展和變化.而知識表示模型的不同是導致演化模型間差異的根源.

情景模型的獲得或建立的過程就是對其概念屬性、內部及外部聯系及其變化在主觀世界的表述的抽象過程,基于事物的概念和屬性可進一步認知事物的子事物層次及結構,辨識挖掘事物內部的子事物以及各種屬性間的形式邏輯或辯證邏輯關系,揭示事物變化的邏輯或定性作用機理.當前學者將系統動力學、貝葉斯網絡、GERT網絡、博弈論等眾多理論方法與工具應用于非常規(guī)突發(fā)事件情景模型研究中,對非常規(guī)突發(fā)事件的情景模型構建提供了很好的基礎,是對情景演化分析的有益嘗試.但是利用上述理論工具進行情景模型構建往往以事件的經驗性知識作為知識來源(如要素間的復雜關系),對于極其罕見或無先例的事件將難以應對.知識元可以從本原角度對事物對象本身及其屬性進行刻畫,而事物對象屬性間的關系可通過知識元間的關系進行形式化表示,二者可以很好地支撐認知過程中概念屬性模型和結構關系模型的形成,為集成多學科、多領域的知識提供了基本保障.本文將知識元模型引入到情景模型研究中,將復雜的事件分解為簡單的要素,通過知識元模型刻畫描述事件的要素,弱化事件的概念,構建以已知的要素知識元作為知識來源的情景模型.其不僅可以幫助決策者從事件本身、事件屬性以及屬性間關系三個方面更清晰地認知事件,還可以從相對微觀的視角分析事件演化的深層機制以應對非常規(guī)突發(fā)事件所呈現出前所未有的新情況,極大地提升了模型對非常規(guī)突發(fā)事件的適應性.

此外,現有的情景模型結構較為單一,由于關系知識元模型的可擴展性(隸屬、非線性、模糊、隨機及具體的映射函數),使得本文提出基于知識元的情景表示模型可以更好地集成和管理相關各專業(yè)的模型以解決特定的問題,具有較好的可擴展性.

2)在情景表示模型基礎上構建的貝葉斯網絡模型推演效果良好,基本符合實際情形.

本文在基于知識元的情景表示基礎上,運用貝葉斯網絡擴展知識元模型中的不確定性關系,構建了情景的貝葉斯網絡模型.以三眼峪溝的主溝溝口上游和大眼峪干溝溝口上游兩處泥石流事件為例,驗證模型的可靠性.根據各變量的狀態(tài)概率值對變量進行預測,選擇變量概率較大的狀態(tài)值為其在已知證據條件下的推演結果.將兩次模型中各變量的推演結果與實際取值對比(見表6).

表6 推演結果與實際情形對比Table 6 Comparison between inference and the practice

表7 目標變量推演偏差值Table 7 Inference error of target variables

貝葉斯網絡模型是一種概率性的預測模型,而預測的效果可以通過預測檢驗方法來評估.Brier評分法[29]是對離散事件的概率預測效果的評價方法,設貝葉斯網絡模型的目標變量μ有n≥2種可能狀態(tài)μ1,μ2,...,μn,μi表示變量μ處于第i個狀態(tài).令p(μi)表示變量μ取值為μi的概率,s(i)為變量μ為第i個狀態(tài)的標志.當μ的實際取值為μi時,s(i)=1,否則s(i)=0.那么,網絡模型目標變量的預測結果與實際情形的偏差表示為

若μl是變量μ的實際狀態(tài)值,則s(l)=1,那么式(14)可變?yōu)?/p>

根據第2.1節(jié)對情景概念的分析可知,本文所研究的情景是對非常規(guī)突發(fā)事件演化過程的離散化描述,因此可以采用Brier評分法檢驗情景推演的效果.根據式(14′)計算情景模型中各目標變量的推演偏差(見表7),表中B1,B2,B3,B4,B5分別表示屬性s1e,s12,s11,o11,s3e的推演偏差.根據文獻[30]設定閾值為0.6,若B≤0.6,則情景模型推演的結果符合要求,反之,不符合要求.且當B越小,預測效果越好.從表7中可知,各變量的推演結果均符合要求,且大眼峪和三眼峪的整體推演偏差分別為準確性良好.且根據表6可知,推演的結果基本上與實際取值相符.綜上,通過本文提出的知識表示方法描述非常規(guī)突發(fā)事件情景是可行的,其不僅可直觀簡潔的描述事件間的相互作用關系,還可以通過演化分析輔助決策者把握事件的發(fā)展態(tài)勢,為及時有效的應對措施的制定提供科學依據.

5 結束語

本文以非常規(guī)突發(fā)事件的情景為研究對象,從宏觀和微觀兩個層面提出了非常規(guī)突發(fā)事件情景建模方法.首先,針對非常規(guī)突發(fā)事件應急管理涉及到跨學科、跨領域的問題,構建了一種以知識元模型為基礎的非常規(guī)突發(fā)事件情景知識表示模型,全面刻畫了情景中要素構成方式及關聯機制,為情景的構建及其推演分析提供知識支撐;然后,以情景要素的輸入屬性、狀態(tài)屬性和輸出屬性為變量,借助屬性間相互作用關系,構建適用于情景描述的貝葉斯網絡模型,利用貝葉斯網絡推理方法分析模型中各變量的狀態(tài)取值及其可能性,從相對微觀的視角刻畫情景演化特性;最后,以泥石流災害為例說明了本方法的應用過程和推演效果.實驗證明,運用本文提出的方法建立情景模型推演結果與實際基本相符且效果良好,能夠為應急決策提供科學有效地依據.

本文提出的方法是對非常突發(fā)事件情景構建與推演研究的一次有益嘗試.但在推演應用中,由于貝葉斯網絡模型自身的特點(如先驗知識)使得描述和處理不確定性問題時具有較重的主觀色彩.因此,如何有效的結合模糊理論、灰色系統理論和粗糙集等方法對情景的不確定性進行更客觀的描述和處理是本文建模時需要解決的一個問題,同時也是本文研究繼續(xù)深入的一個重要研究方向.此外,情景模型的構建以知識元為基礎,然而知識的獲取是困擾基于知識的系統普遍推廣應用的瓶頸,結合大數據技術進行海量數據的知識發(fā)現也是進一步深入研究的重要工作.

參考文獻:

[1]韓智勇,翁文國,張 維,等.重大研究計劃“非常規(guī)突發(fā)事件應急管理研究”的科學背景,目標與組織管理.中國科學基金,2009,23(4)：215—220.Han Z Y,Weng W G,Zhang W,et al.Backgrounds,targets,and organization of the major research plan“study on unconventional emergencies management”.Bulletin of National Natural Science Foundation of China,2009,23(4)：215—220.(in Chinese)

[2]范維澄.國家突發(fā)公共事件應急管理中科學問題的思考和建議.中國科學基金,2007,21(2)：71—76.Fan W C.Advisement and suggestion to scientif i c problems of emergency management for public incidents.Bulletin of National Natural Science Foundation of China,2007,21(2)：71—76.(in Chinese)

[3]武旭鵬,夏登友,李健行.非常規(guī)突發(fā)事件情景描述方法研究.中國安全科學學報,2014,24(4)：159—165.Wu X P,Xia D Y,Li J X.Study on method for describing unconventional emergency scenario.China Safety Science Journal,2014,24(4)：159—165.(in Chinese)

[4]王顏新,李向陽,徐 磊.突發(fā)事件情境重構中的模糊規(guī)則推理方法.系統工程理論與實踐,2012,32(5)：954—962.Wang Y X,Li X Y,Xu L.Fuzzy rules reasoning method in emergency context reconstruction.System Engineering：Theory&Practice,2012,32(5)：954—962.(in Chinese)

[5]陳 晨,俞 政,張新梅.考慮應急活動的非常規(guī)突發(fā)事件情景刻畫研究.中國安全科學學報,2014,24(10)：163—168.Chen C,Yu Z,Zhang X M.Study on characterization of unconventional emergency scenarios considering emergency activities.China Safety Science Journal,2014,24(10)：163—168.(in Chinese)

[6]仲秋雁,郭艷敏,王 寧.基于知識元的情景生成中承災體實體化約束模型.系統工程,2012,30(5)：75—80.Zhong Q Y,Guo Y M,Wang N.The hazard-affected bodies constraints model in the generation of unconventional emergency scenario based on knowledge element.Systems Engineering,2012,30(5)：75—80.(in Chinese)

[7]姜 卉,黃 鈞.罕見重大突發(fā)事件應急實時決策中的情景演變.華中科技大學學報：社會科學版,2009,23(1)：104—108.Jiang H,Huang J.The study on the issues of scenario evolvement in real-time decision making of infrequent fatal emergencies.Journal of Huazhong University of Science and Technology：Social Science,2009,23(1)：104—108.(in Chinese)

[8]Yang Y,Li L.A new assumption in generation mechanism of emergency plan under the perspective of“scenariotask”[C]//International Conference on Management Science and Engineering.New York：IEEE Press,2013：2263—2270.

[9]Yuan X F,Li H X.Research on the IDSS of unconventional emergency management based on scenario analysis and CBR//2nd IEEE International Conference on Emergency Management and Management Sciences.New York：IEEE Press,2011：45—48.

[10]李勇建,喬曉嬌,孫曉晨,等.基于系統動力學的突發(fā)事件演化模型.系統工程學報,2015,30(3)：306—318.Li Y J,Qiao X Q,Sun X C,et al.Modeling the evolution of emergency based on system dynamics.Journal of Systems Engineering,2015,30(3)：306—318.(in Chinese)

[11]Durak U,Topcu O,Siegfried R,et al.Scenario development：A model-driven engineering perspective//4th International Conference on Simulation and Modelling Methodologies,Technologies and Applications.New York：IEEE Press,2014：117—124.

[12]Ahmed D M,Sundaram D,Piramuthu S.Knowledge-based scenario management-process and support.Decision Support Systems,2010,49(4)：507—520.

[13]盛 勇,孫慶云,王永明.突發(fā)事件情景演化及關鍵要素提取方法.中國安全生產科學技術,2015,11(1)：17—21.Shegn Y,Sun Q Y,Wang Y M.Emergency scenario evolution and extraction method of key elements.Journal of Safety Science and Technology,2015,11(1)：17—21.(in Chinese)

[14]劉德海,王維國,孫 康.基于演化博弈的重大突發(fā)公共衛(wèi)生事件情景預測模型與防控措施.系統工程理論與實踐,2012,32(5)：937—946.Liu D H,Wang W G,Sun K.Scenario forecasting model and prevention-control measurements of important public health event based evolutionary game.System Engineering：Theory&Practice,2012,32(5)：937—946.(in Chinese)

[15]Abdalla R,Niall K.WebGIS-based f l ood emergency management scenario//International Conference on Advanced Geographic Information Systems&Web Services.New York：IEEE Press,2009：7—12.

[16]楊 帆,楊 青.基于能量隨機分布的特大森林火災SOC模型.系統工程,2014,32(7)：124—131.Yang F,Yang Q.The SOC model of forest f i res based on emergy random distribution.Systems Engineering,2014,32(7)：124—131.(in Chinese)

[17]Dettinger M D,Ralph F M,Hughes M,et al.Design and quantif i cation of an extreme winter storm scenario for emergency preparedness and planning exercises in California.Natural Hazards,2012,60(3)：1085—1111.

[18]楊保華,方志耕,劉思峰,等.基于GERTS網絡的非常規(guī)突發(fā)事件情景推演共力耦合模型.系統工程理論與實踐,2012,32(5)：963—970.Yang B H,Fang Z G,Liu S F,et al.Model of co-coupling in unconventional incidents based on GERTS network.Systems Engineering：Theory&Practice,2012,32(5)：963—970.(in Chinese)

[19]夏登友,錢新明,段在鵬.基于動態(tài)貝葉斯網絡的非常規(guī)突發(fā)災害事故情景推演.東北大學學報：自然科學版,2015,36(6)：897—902.Xia D Y,Qian X M,Duan Z P.Scenario deduction model of unconventional emergency based on dynamic Bayesian network.Journal of Northeastern University：Natural Science,2015,36(6)：897—902.(in Chinese)

[20]曲 毅,仲秋雁,馬驍霏,等.基于情景的突發(fā)事件演變概率規(guī)則推理方法.系統工程學報,2014,29(4)：571—578.Qu Y,Zhong Q Y,Ma X F,et al.The event evolution scenario-based reasoning method via probability rules.Journal of Systems Engineering,2014,29(4)：571—578.(in Chinese)

[21]李仕明,張志英,劉 樑,等.非常規(guī)突發(fā)事件情景概念研究.電子科技大學學報：社會科學版,2014,16(1)：1—5.Li S M,Zhang Z Y,Liu L,et al.Research on scenario concepts of unconventional emergencies.Journal of University of Electronic Science and Technology of China：Social Sciences,2014,16(1)：1—5.(in Chinese)

[22]徐寶祥,葉培華.知識表示的方法研究.情報科學,2007,25(5)：690—694.Xu B X,Ye P H.Research on the method of knowledge representation.Information Science,2007,25(5)：690—694.(in Chinese)

[23]陳雪龍,董恩超,王延章,等.非常規(guī)突發(fā)事件應急管理的知識元模型.情報雜志,2011,30(12)：22—26.Chen X L,Dong E C,Wang Y Z,et al.Knowlege unit model for emergency management of unconventional incident.Journal of Intelligence,2011,30(12)：22—26.(in Chinese)

[24]王延章.模型管理的知識及其表示方法.系統工程學報,2012,26(6)：850—856．Wang Y Z.Knowledge and representation of method management.Journal of Systems Engineering,2012,26(6)：850—856.(in Chinese)

[25]徐 磊.基于貝葉斯網絡的突發(fā)事件應急決策信息分析方法研究.哈爾濱：哈爾濱工業(yè)大學,2013.Xu L.Research on emergency events decision making information analysis method based on Bayesian network.Harbin：Harbin Institute of Technology,2013.(in Chinese)

[26]胡向德,畢遠宏,魏 潔.甘肅舟曲三眼峪溝泥石流的形成條件與發(fā)展趨勢.中國地質災害與防治學報,2011,22(2)：55—60.Hu X D,Bi Y H,Wei J.Conditions leading to the destructive debris f l ow at the Sanyanyu Gulley and its occurrence trend.The Chinese Journal of Geological Hazard and Control,2011,22(2)：55—60.(in Chinese)

[27]Dechter R.Bucket elimination：A Unifying Framework for Probabilistic Inference//Learning in Graphical Models.Netherlands：Springer,1998：75—104.

[28]胡向德,王根龍,趙 成,等.舟曲“8.8”三眼峪特大泥石流特征值分析.西北地質,2011,44(3)：44—52.Hu X D,Wang G L,Zhao C,et al.Analyses of characteristic values for Sanyanyu debris f l ow in Zhouqu county on August 8,2010.Northwestern Geology,2011,44(3)：44—52.(in Chinese)

[29]Renooij S.Forecast verif i cation and the uncertain truth//Proceedings of the 16th Belgium-Netherlands Conference on Artif i cial Intelligence.Netherlands,2004：275—282.

[30]裘江南,劉麗麗,董磊磊.基于貝葉斯網絡的突發(fā)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 networks.Journal of Systems Engineering,2012,27(6)：739—750.(in Chinese)