重大公共衛生突發事件的情景模型構建及演化過程研究

張燕玲

摘 要：本文對在此基礎上構建了BP神經網絡突發事件情景演化模型，并對其演化流程進行了分析，利用動態情景演化輔助決策優勢，可以對突發重大公共衛生事件的預測，通過建立和推演整個事件發生過程的不確定因素，從而為快速的響應和科學的決策提供理論的支撐。

關鍵詞：重大公共衛生突發事件;BP神經網絡;情景演化

一、研究背景

突發公共衛生事件是指突然發生、造成或者可能造成社會公眾健康嚴重損害的重大傳染病疫情、群體性不明原因疾病、食物中毒以及其他嚴重影響公眾健康的事件。突發公共衛生事件具有突發性、復雜性、強制性、公共性和危害性5大特征。由于當今社會的復雜性、關聯性和相互依存性，導致人口流動速度的加快，加上發達的交通工具遠距離的傳播擴散，加劇了傳染病傳播的速度、擴寬了傳播途徑，風險極大。據統計，我國每年因突發事件造成的經濟損失在6500億元左右，占我國GDP的6%。因此，完善重大疫情防控體制機制，健全國家公共衛生應急管理體系，從體制機制上創新和完善重大疫情防控舉措，健全國家公共衛生應急管理體系，提高應對突發重大公共衛生事件的能力水平具有非常重要的意義[1]。

二、重大突發公共衛生事件情景演化及推演技術理論

對于公共衛生突發事件進行預測時，除了需要有客觀數據的分析外，更加需要進行智能化的人工決策的輔助功能，這就需要具備可以支撐整個事態信息采集、分析個體認知差異、可以充分挖掘利用領域專家的隱性知識的完善的體系來進行支撐。但實際上，專家隱性知識的發掘與利用具有模糊性和不確定性，事態環境的復雜性也會直接或間接使得經驗知識的差異，如何充分挖掘和利用各類專家模糊的檢驗知識是應對突發公共衛生事件，定量化的進行情景演化輔助決策者有效的進行決策，對事態的發展進行更加科學有效的應對是當前急需要解決的問題。人工神經網絡在數據信息技術突飛猛進的今天得以快速的發展。BP神經網絡能夠在學習與挖掘歷史數據中來滿足信息的自適應以及容錯處理。很多研究已經證明BP神經網絡具有非線性處理能力，可以將動態事件本身通過建模與情景演化建立關系模型，從而通過演化狀態來滿足情景的不同狀態。

三、重大突發公共衛生事件情景模型的建立

重大突發公共衛生事件本身可以視為在特定環境下至災因子與受災體本身相互作用的結果，同時，應急活動其他各種關鍵因素也會對于事件本身產生重要影響。突發事件體系本身具有時間和空間的連續性，在具體建模過程中，需要對于至災因子本身的發生、演化以及結束的過程特征進行提取，直接建模分析過于復雜，需要將情景元素離散化建模，從而進行更細粒度的角度進行分析。因此，本文將引入共性知識元理論來對突發公共衛生事件進行情景建模和過程的演化模擬。

構建重大突發公共事件的推演模型首先需要對場景下的具有共性特征的知識建立知識元模型。在共性知識模型中，要對突發事件的情景從時空角度進行建模來描述事件本身在相應的影響因素和知識領域上的映射關系，本文將從動態和靜態兩個方面進行建模。

（一）突發公共衛生事件情景模型特征分析

突發公共衛生事件本身具有時間性和空間性，因此對于事件情景建模則需要描述時間與空間屬性，而突發事件系統的各個要素及要素的狀態非常復雜，時間與空間的變化則會在情景的轉換中進行體現，每個場景間又可能具有一定的關聯性，情景間具有一定的因果關系，因此，在對突發事件情景建模時不能孤立的，需要在特定時間與空間狀態下進行狀態描述與定義，并且要體現情景的動態性，從而可以產生由元素的關系來驅動突發事件系統及系統內部因素與狀態的變化。另一方面，從宏觀角度需要對刻畫整個模型系統的某個時刻各個元素的整體狀態和相互的關系，同時也需要對微觀層面下各個模型元素及模型元素屬性的狀態，這是更加細粒度下的情景元素狀態的反應。

（二）情景狀態演化過程分析

突發公共衛生事件本身是一種在時間與空間相互作用下的連續過程，可以從整體上描述多個事件場景在空間狀態限定下的時間事件序列集合。因此，可以在對情景狀態演化過程處理時，對突發事件整個生命周期下的不同情景狀態進行建模，而在整個突發事件演變過程中，需要為決策者提供影響事件發展的決策元知識要素，這些要素的影響因子要作用于場景的描述與定義，需要定性與定量的進行描述。

（三）基于BP神經網絡突發事件情景演化流程

為了構建在數據與專家先驗知識驅動下的公共衛生突發事件的情景推演模型，首先需要從時間與空間動態變化的角度來表示狀態的變化。BP神經網絡作為有效的機器監督學習算法，更加適用于大規模的數據集的信息挖掘與分析，其對于非線性關系下處理具備時空特性的情景復雜的演化關系具有非常好的性能優勢。同時，由于BP神經網絡本身是一種分布式的構建模式，可以容忍輸入的數據存在噪聲，更加適用于突發公共衛生事件所導致的數據狀態的不確定性。因此，本文將突發事件的處理過程演化流程建立在BP神經網絡上，具體流程如下：

步驟1：采集并對突發事件歷史數據;

步驟2：對于確實的狀態值進行處理，歸一并離散化采集的到的實驗數據;

步驟3：將預測的情景進行離散化，并根據情景間的先序后序關系建立拓撲結構;

步驟4：設定情景中的知識元素及相關參數;

步驟5：根據情景數據變化狀態優化網絡參數;

步驟6：構建動態情景演化關系模型;

步驟7：利用狀態數據的變化不斷修正模型的狀態參數值;

步驟8：最終在測試集上來記錄和分析情景演化的規律，并對相應的決策變化過程進行記錄。

四、結束語

BP神經網絡作為有效的機器監督學習算法，更加適用于大規模的數據集的信息挖掘與分析，其對于非線性關系下處理具備時空特性的情景復雜的演化關系具有非常好的性能優勢，因此，本文對在此基礎上構建了BP神經網絡突發事件情景演化模型，并對其演化流程進行了分析，利用動態情景演化輔助決策優勢，可以對突發重大公共衛生事件的預測，通過建立和推演整個事件發生過程的不確定因素，從而為快速的響應和科學的決策提供理論的支撐。

參考文獻：

【1】習近平. 在統籌推進新冠肺炎疫情防控和經濟社會發展工作部署會議上的講話[EB/OL].（2020-02-14） [2020-02-24]. http：//hn.people.com.cn/n2/2020/0224/

c195194-33822600.html.

【2】佘廉. 我國政府重大突發事件預警管理的現狀和完善研究[J]. 管理評論，2005.11

【3】姜卉，黃均. 重大賽事突發事件情景判定及應對策略與流程研究[J].項目管理技術，2009（01）

【3】李維安，陳春花，張新民，毛基業，高闖，李新春.面對重大突發公共衛生事件的治理機制建設與危機管理--“應對新冠肺炎疫情”專家筆談. [J].經濟管理，2020（03）

【4】M Pidd， FN De Silva， RW Eglese ，A simulation model for emergency evacuation，European Journal of Operational Research，90（3） 1996，413-419