面向应急方案智能辅助生成的基于案例推理的模型研究

时间：2024-05-17

丁慧王勇

（1.东莞华南设计创新院，广东东莞 523000；2.广东工业大学计算机学院，广东广州 510000）

0 概述

智能化的应急系统需要快速高效的智能辅助决策来支持，根据突发应急事件的发展动态，结合数字化应急预案，智能化地辅助生成应急方案是提升应急事件科学合理和高效处置的重要构件。传统的决策支持系统（DSS）是运用定量的单个或者多个数学模型进行辅助决策[1]，其存在的问题是构建正确反应客观世界的数学模型是一个复杂且困难的过程，对一些模糊和不确定性问题更是难以建立相应的定量模型，并且静态的数学模型也难以反应客观世界的变化。因此，必须有合适的方法去提升决策支持的效能。

基于案例推理（CBR）的人工智能技术可以较好地适应这种要求。CBR是一种不同于基于规则推理（Ruler-Based Reasoning， RBR）的基于经验知识进行推理的人工智能技术，它是用案例来表达知识，并将问题求解和学习相融合的一种推理模式[2]。

该文面向突发事件的应急处置提出了一个基于案例推理的具有自学习机制的智能辅助应急决策支持的模型，深入研究了应急案例的框架及案例检索与匹配算法，为突发事件的应急处置提供一种科学高效的决策支持。

1 智能辅助应急决策流程

城市应急系统的流程包括警情上报、接警、处警、结案以及事后评估的流程。处警是应急系统的中心环节。处警的关键问题在于指挥人员发布一序列指令和处置步骤来指挥应急力量进行抢险救援工作，缓解危机，解决问题[3]。在发生城市突发应急事件时，需要通过合适的应急预案指导进行快速决策，使用智能化工具辅助决策，以提高决策效率。为此，笔者提出了基于智能决策过程的应急指挥工作模式，通过“应急事件警情上报-应急预案智能推理-应急方案辅助生成-应急决策指挥调度-应急预案学习评估”的循环处理过程，提升应急系统智能化效能。

基于案例推理的智能辅助应急决策的工作流程如图1所示。

图1 基于案例推理的智能辅助应急决策工作流程图

应急事件警情上报需要建立一个特征向量，通过应急预案智能推理对应急预案库的应急案例进行模糊匹配，完成应急案例的高效检索，进而支持应急方案的辅助生成，支持应急决策指挥调度。在该基础上，通过对应急事件的处置，将应急方案概化成应急预案，保存到应急预案库中，完成对应急预案的学习评估。

2 基于案例推理的模型

2.1 应急预案的数据结构

根据基于案例推理的规格化要求，需要建立应急预案的数据结构。该文采用二维向量的模式构建应急预案的特征向量。

定义：应急案例EPi的特征向量：EPi

其中，EPi为第i条应急预案，Classi为应急事件的种类，即Classi={ci| 应急事件4类}；Pi为第i项应急预案的应急响应级别，即Pi={pi| 应急级别4级}；Sloti为应急预案的槽的键值对，即Sloti=（，，..），sij为第j个槽，vij为第j个槽对应的值。

应急预案的特征向量中的槽为应急预案定义的关键属性，如发生时间、发生地点、损失价值等。

2.2 基于案例推理的智能决策算法

2.2.1 基于案例推理的应急决策模型

应急方案的智能辅助生成是应急决策与指挥调度中的关键环节，应急方案必须基于应急预案的框架生成。该文提出采用基于案例推理的智能算法，对应急预案库中的应急预案进行推理及匹配，快速筛选与检索有效的应急预案。

该文提出的应急预案智能匹配模型包括3个阶段（图2），即建库阶段、应用阶段和学习阶段。

图2 基于案例推理的应急预案智能匹配模型

建库阶段主要是对大量的应急预案进行特征提取，构建特征向量，保存到应急预案库中。同时，建立应急预案的特征索引的构建。

应用阶段是根据应急事件的警情信息的特征提取，建立基于案例推理的智能特征匹配，对应急预案库中的应急预案进行相似度计算，检索合适的应急预案，并按照相似度进行排序，以便选择合适的应急预案，作为应急方案智能辅助生成的依据和框架，以提供给应急决策与指挥调度使用。

学习阶段是根据应急方案实施的应急指挥调度的结果，通过应急方案的概化处理，形成一种应急预案类的框架，并构建特征向量，保存到应急预案库中，以备今后的应急响应的匹配需要。

2.2.2 相似度算法

该文提出的基于案例推理的算法主要采用欧拉距离计算，根据警情特征向量与应急预案库中的应急预案特征向量进行相似度计算。

定义：警情信息与第i项应急预案的相似度计算公式如下。

式中：EI为警情信息的特征向量，即EI=；EPi为第i项应急预案的特征向量，即EPi=。

系统设定相似度的阈值，将相似度超过预定阈值的应急预案挑选出来，作为应急方案生成的备选预案。

2.3 自学习模型

学习阶段是应急决策系统的重要组成部分，系统的学习能力是体现系统智能性的一个重要方面，通过学习过程，可以丰富系统的知识，改进应急预案和综合信息库中领域知识的内容，从而提高解决问题的准确性和科学性。该系统采用数据挖掘获取隐含知识与案例学习相结合的学习方式，提出自学习循环结构模型。

整个学习评估模块由3个部分组成：1）基于案例推理的系统学习（案例学习）部分，它主要实现了智能决策子系统的机器学习功能，是这个系统具有智能性特征的重要体现。2）基于数据挖掘技术实现的知识发现功能，有助于专家发现隐含在大量应急事件中的知识，帮助专家制定更好、更合理的应急预案。3）决策评估部分，通过专家对已实施应急处置的突发事件进行处置效果综合评分，得出应急预案处置突发事件的有效程度，以便于制定更合理的预案，同时案例推理引擎进行更有效的案例检索。

3 智能辅助方案生成模型

3.1 智能辅助方案生成的动态构建模式

在基于案例推理的基础上，根据应急事件的特征，寻找相应的应急预案，就可以辅助生成应急方案了。

智能辅助方案生成主要由以下3个部分组成（如图3所示），包括应急方案的框架生成，特征属性匹配与数据填充，方案生成与指挥调度。

图3 智能辅助方案生成模型

应急方案生成的主要依据是应急预案。因此，应急预案的筛选和匹配是智能辅助方案生成的前置步骤。应急系统根据应急预案生成应急方案的框架，并对应急预案的属性进行匹配，通过查询应急基础数据库的内容，填充应急方案框架的相应数据属性。在此基础上，构建完整的应急方案，并提交应急系统进行指挥调度。

应急方案生成的主要依据是应急预案。因此，应急预案的筛选和匹配是智能辅助方案生成的前置步骤。应急系统根据应急预案生成应急方案的框架，并对应急预案的属性进行匹配，通过查询应急基础数据库的内容，填充应急方案框架的相应数据属性。在该基础上构建完整的应急方案，并提交应急系统进行指挥调度。

应急方案的智能辅助生成过程是一个动态的过程，需要针对应急事件的处置和发展状况进行不断的修正和完善，进而指导对应急事件的持续处置。因此，应急系统需要对方案的执行进行持续的动态监控，并判断应急事件的处置是否结束。如果应急事件的处置还没有结束，就要根据最新的应急事件的发展状态和属性对应急预案进行实时匹配，并审查已有的应急方案是否合适，调整应急方案的框架，使应急属性相匹配，形成一个闭环的应急方案，生成与应急指挥调度的应急事件处置过程，直至应急事件的处置完毕。