基于CBR的机场应急救援规模决策研

航空

游客，如果您要查看本帖隐藏内容请回复

航空

基于CBR的机场应急救援规模决策研究3
梁世华　韩松臣　朱新平
(南京航空航天大学　南京210016)
摘　要　机场应急救援是民航安全领域一项重要研究课题,这一研究对于减少事故损失和提高救援
效率具有重要的作用。针对民航机场紧急事件非例行性、不确定性的特点,提出了以案例推理为技术
主线,结合模糊推理等方法的机场应急救援规模决策模型。利用模糊数学方法对案例进行了处理,研
究了设计实例的表达、索引、调整、修改和推理机制,解决了案例匹配的贴近度与相似性问题,经仿真
验算,证明了该方法的可行性与科学性。
关键词　应急救援;案例推理;模糊推理;规模决策
中图分类号:V351. 11 　　文献标志码:A
　　当在机场附件发生紧急事故后,机场应急救
援工作需在短时间内完成危机态势及相关信息的
获取、处理、分析以至做出相应的救援规模决策,
以减少事故的损失,否则极易造成事件的升级,进
而带来更大的人员伤亡和财产损失。但是,因机
场事故的偶发性与不确定性,目前在机场事故救
援的决策往往由指挥人员在短时间内临场决定,
即缺乏科学合理性也没有很好的利用以往实际事
故或演习的救援决策经验。因此,利用恰当的方
法,建立合理的应急决策模型,供实际救援行动使
用是当前民航领域亟须的研究方向。
综观国内外的研究[126 ] ,要么偏重于信息的处
理,导致系统类似于简单的信息系统而不是决策
系统;要么缺乏明确的推理匹配过程,使得系统缺
乏有效的匹配方式。
结合机场应急救援规模决策的研究,本文从
理论上构建了基于案例推理的机场应急救援规模
决策模型,该模型既发挥了计算机处理即时信息
的优势,更主要的是根据人工智能中案例推理方
法,再利用模糊匹配过程对已有救援案例进行检
索和适配,即提高了匹配的可用性又增加了可靠
性,同时通过系统学习,案例的不断更新,该决策
模型将更臻完善。
　模型的框架结构
设计基于CBR 的救援规模决策模型的指导
　　收稿日期:2008209219
　3 国家自然基金委员会与中国民航总局联合项目(批
准号:60776813) 资助
思想是搜索相似案例,根据匹配规则寻找相似案
例,再调整救援措施,生成救援方案。对于匹配
不成功的案例,则应用规则的集合生成救援方
案。有案例在库时,可以提高方案生成速度;如
果没有案例在库,则生成新的案例,并加入到案
例库中,随着案例库的扩充,系统性能会不断提
高。
机场应急救援规模决策的框架结构图如图1
所示,系统由7 个部分组成,下面分别介绍各个
子系统。
图1 　应急救援规模决策的框架结构图
案例库(case2base ,CB) 中存放以往的救援案
例,由案例库管理系统(case2base management
system ,CBMS) 管理。用户通过CBMS 管理案例
库。思想库( KB) 集成了决策判断的规则,通过
归纳总结以规则形式存储在思想库中,上文述及
的规则集合便是思想库的知识,同时诊断知识自
学习系统在案例库中进行知识的归纳总结,生成
诊断规则,优化后存入思想库中。报警系统完成
人机之间的交互工作。推理机是系统的核心。搜
索案例、检验匹配度、如完全匹配则调出方案;如
案例匹配相似度大于或小于某一值就不完全匹
配,则应用思想库中规则调整,并把调整过程提供
基于CBR 的机场应急救援规模决策研究———梁世华　韩松臣　朱新平31
给决策指挥人员;如果案例库中没有相应案例,
则应用思想库中规则生成方案,同时将方案生成
过程提供给决策指挥人员。
通过推理过程生成救援规模方案,一方面应
用到对紧急事件的救援实施,另一方面则作为新
的案例加载到案例库中成为新的案例,供以后应
用和机器学习,决策者可以要求系统回溯案例推
理过程。
2 　基于CBR 的救援规模决策模型
的技术实现
2. 1 　案例的表示
案例的表达[ 7 ] 是一种基于知识的表达方式,
为了便于后面的检索和适配,案例的表达要遵循
一定的规则,一个案例通常由问题的特征属性与
解决方案组成。案例可以由多个属性共同构成,
可用集合来表达: C = { C1 , C2 , ⋯, Cn } , 其中的属
性Ci = ( i = 1 ,2 , ⋯, n) ,又可以根据需要进一步细
化为Ci = ( Ci1 , Ci2 , ⋯, Cin ) 。按照这种属性结构,
一个案例由多个层次的属性构成,整个案例库则
由不同属性层次上的案例关联而成,形成一个类
似于关系型数据库的应急救援规模决策案例库。
对于机场应急救援的规模决策问题,通过深入全
面地分析与专家咨询,得出表征问题的特征属性
包括: ①事故发生地点、机场名称、事故发生时
间; ②航空器型号、所属航空公司、国籍; ③机载人
数,包括机组人数与乘客人数; ④火势程度,可分
为轻微、中等、严重3 种; ⑤是否爆炸。问题的解
决方案包括: ①事故类型判断; ②救援物资调配方
案; ③救援人员派遣方案; ④专家分析意见。
2. 2 　案例匹配
使用案例库存储的案例是通过案例匹配检索
出与当前案例的类型、地点、危险程度结果相符的
案例[ 7 ] 。这里使用模糊语数学的方法,提出案例
匹配计算公式[829 ] ,具体的推理过程如下。
2. 2. 1 　物资需求案例的模糊化描述
设案例库中有n个案例,第i个案例记为Ci ( i
= 1 ,2 ⋯, n) , 其特征因素集记为F = { f 1 , f 2 ,
⋯ , f m } ,案例Ci 对特征因素式f j ( j = 1 ,2 , ⋯,
m) 的隶属度记为uci ( f j ) ,则案例库中案例Ci 对
应的特征向量集为:
Vci = uci ( f 1 , ⋯, uci ( f m ) ) =
{ uci ( f j ) | j = 1 ,2 , ⋯, m}
　　设案例的特征向量集为T ,则
VT = { uT ( f1) , ⋯,uT ( f m)} =
{ uT ( f j ) | J = 1 ,2 , ⋯, m}
2. 2. 2 　案例贴近度的计算
贴近度衡量的是2 个模糊集接近程度的度
量。本系统用贴近度来度量预测方案与已有案例
的相似度。
在用案例特征对案例进行相似匹配的过程
中,各个特征的影响是各不相同的,所以在相似性
判断运算中赋予各个特征因素以不同的权重是很
必要的。
令案例的特征因素{ f 1 , f 2 , ⋯, f m } 的影响权
重集为{ w1 , w2 , ⋯, wm } 且满足:
Σ
m
j = 1
wj = 1 ,2 , ⋯, m
　　则贴近度可表示为:
N ( “A , ŽB) =
Σ
m
j = 1
u“A ( x j ) ^uŽB ( x j )
Σ
m
j = 1
u“A ( x j ) ˇuŽB ( x j )
2. 2. 3 　特征因素权重的计算
通常在不同的决策环境下,同一特征因素对
决策输出会有不同的影响。令u ( f ) 表示案例在
特征因素为f 时的取值,当u( f ) 在分类C = ( C1 ,
C2 , ⋯, Cn ) 中的分布差异较大时, 说明此分类因
素对分类判别作用大, 应取较高的权重值; 反
之,当u( f ) 在分类中的分布差异较小时,说明此
分类因素对分类判别作用不大,应取较低的权重
值。
因此,可将案例库中的每一案例当作一类,案
例Ci 在特征因素f i 下的取值u ( f i ) 为该案例在
特征因素下的隶属度uci ( f i ) ,并令:
…u
( f j ) =
uc1 ( f j ) + uc2 ( f j ) + ⋯+ ucn ( f j )
n
=
1
2
Üa
n
i =1
uci ( f j ) (1)
则:
d ( f j ) =
Üa
n
i = 1
uci ( f j ) - …u ( f j ) 2 12
n
(2)
可求出各案例特征因素的权重wj 为:
wj =
δ( f j )
Σ
j =1
δ( f j )
, 　　j = 1 ,2 , ⋯, m (3)
2. 3. 4 　案例的相似性判断
利用步骤2 和3 的公式,逐步计算出突发事
件的特征因素与案例库中各案例特征因素的贴近
32 交通与计算机　2008 年第6 期　第26 卷　总145 期
度,把贴过度作为相似度,取超过相似度值τ的案
例中的需求作为最终的需求预测结果。
N ( “T , ŽCi ) =
Σ
m
j = 1
wj ( f j ) u “T ( f j ) ^uŽC ( f j )
Σ
m
j = 5
wj ( f j ) u “T ( f j ) ˇuŽC ( f j )
(4)
　　满足上式的案例均为相似案例,其中N ( “T ,
ŽCi ) 最大者为最相似案例,取最相似案例中的物
资需求,经专家适当修正调整以后,即为此次应急
救援事件发生后物资规模需求的预测结果。
　仿真算例
以某次机场内航空器与航空器相撞的救援规
模决策为例,设案例库中存有K 个机场内航空器
失事事件的救援规模决策案例: C1 = 航空器燃油
泄漏, C2 = 航空器与航空器相撞, C3 = 航空器与
障碍物相撞, C4 = 航空器起火, C5 , ⋯, Ck ,即C =
{ C1 , C2 , C3 , C4 , ⋯, Ck } ,每个案例Ci 中都包含有
过去某次机场内航空器失事事件中的决策信息,
包括物资的数量需求、人员需求和结构需求。假
设每次相同类型的航空器失事事件中应对目标、
应对方式和应对过程都相同,则影响规模决策的
因素只与机场突发事件的情景信息有关,在这里
假设抽取出5 个主要反映航空器失事情景的特征
因素,F = {事故地点,航空器型号,机载人数, 火
势程度,是否爆炸} ,各个特征因素的隶属度的值
域如表1 所列。
表1 　案例特征因素的隶属度
特征因素　值域
事故地点　0. 6～0. 1
航空器型号0. 8～0. 2
机载人数　1. 0～0. 2
火势程度　0. 8～0. 0
是否爆炸　1. 0～0. 2
　　通过对模型推理机对案例库的初步匹配筛
选,得出4 个案例可匹配当前事故,4 个已有机场
内航空器失事案例对5 个失事情景特征因素的隶
属度分别为:
uc1 ( f ) =
0. 7
f 1
+
0. 8
f 2
+
0. 8
f 3
+
0. 7
f 4
+
0. 9
f 5
uc2 ( f ) = 0. 8
f 1
+ 0. 4
f 2
+ 0. 6
f 3
+ 0. 6
f 4
+ 0. 8
f 5
uc3 ( f ) =
0. 9
f 1
+
0. 6
f 2
+
0. 7
f 3
+
0. 8
f 4
+
0. 6
f 5
uc4 ( f ) = 0. 6
f 1
+ 0. 8
f 2
+ 0. 7
f 3
+ 0. 3
f 4
+ 0. 4
f 5
　　现在需要对一次新的机场内航空器失事事件
发生后的救援规模做出决策,设救援的规模决策
方案为T ,该次紧急事件对5 个特征因素的隶属
度分别为:
uT ( f ) =
0. 5
f 1
+
0. 7
f 2
+
0. 7
f 3
+
0. 8
f 4
+
0. 6
f 5
　　再由式(1) 计算得:…u ( f 1 ) = 0. 48 ,…u ( f 2 ) = 0.
88 ,…u ( f 3 ) = 0. 7 ,…u ( f 4 ) = 0. 68 ,…u ( f 5 ) = 0. 68
由式( (2) 计算得:δ( f 1 ) = 0. 162 ,δ( f 2 ) = 0.
18 ,δ( f 3 ) = 0. 173 ,δ( f 4 ) = 0. 06 ,δ( f 5 ) = 0. 06
由式(3) 可得出特征因素的权重:
w1 = 0. 35 , w2 = 0. 15 , w3 = 0. 32 ,
w4 = 0. 10 , w5 = 0. 10
　　根据以上计算结果,由式(4) 可分别计算出T
与各案例相似度:
同理,可求出N ( “T , ŽC2 ) = 0. 86 , N ( “T , ŽC3 ) =
0. 66 , N ( “T , ŽC4 ) = 0. 36 通过比较各相似度的大
小,可以得知此次机场内航空器失事事件与已有
案例库中C2 案例比较相似, 所以, 此次紧急事件
的规模决策结果与案例C2 中的决策结构比较相
似,在案例C2 物资需求的基础上,结合专家意见
适当修改、调整,即可得到此次紧急事件中救援规
模的决策结果,其中包含物资数量需求、人员需求
和结构需求。
　结　语
研究基于案例推理的机场应急救援规模决
策,可以提高救援效率,避免慌乱、不合理决策与
重复劳动,本文利用模糊匹配技术,提升了匹配的
科学性与成功率。同时,模型的开发应用还将有
利于实现救援过程的系列化和标准化,提高救援
质量。利用各种救援实例可以建立规模决策的实
例库,并在实际使用的过程中不断充实实例库,逐
步把模型开发成为救援决策者的实用工具。本文
的工作为下一步开发更为成熟的机场应急救援智
能决策系统奠定了基础。
参考文献
[1 ] 　Campbell C. Minimum needs for airport fire fight2
ing and rescue services [ R ] . Report : 7113 ,
FAAAS27121 ,1971
[2 ] 　Bowen A R. Observations and recommendations of
a simulated airport emergency response management
exercise[C]/ / Proceedings of the 1998 42nd Annual
Meeting Human Factors and Ergonomics Society.
基于CBR 的机场应急救援规模决策研究———梁世华　韩松臣　朱新平33
Chicago , IL , 1998
[3 ] 　迟文学,孙　刚,武　峥. 基于GIS 民航应急救援与
辅助决策支持系统研究[J ] . 交通与计算机. 2005 ,
23 (6) :46248
[4 ] 　张建华,刘仲英. 案例推理和规则推理结合的紧急
预案信息系统[ J ] . 同济大学学报: 自然科学版,
2002 ,30 (7) : 8902594
[5 ] 　张荣梅. 基于CBR 与MAS 的智能决策支持系统研
究及应用[D]北京:北京科技大学,2001
[6 ] 　刘义刚. 基于预案库的快速智能决策支持系统的研
究[D] . 北京:北京理工大学,2001
[7 ] 　史忠植. 高级人工智能[ M] . 北京: 科学出版社,
1998
[8 ] 　张本生, 于永利. CBR 系统案例搜索中的混合相似
性度量方法[J ] . 系统工程理论与实践,2002 (3) :
1312136
[9 ] 　杨伦标. 模糊数学原理及应用[M] . 广州: 华南理
工大学出版社,1993
Decision2making of Resource Allocation in
Airport Emergency Rescue Based on CBR
LIANGShihua 　HAN Songchen 　ZHU Xinping
( N anj i ng Uni versi t y of A eronaut ics and Ast ronaut ics , N anj i ng 210016 , Chi na)
Abstract :As an important research topic in the area of civil aviation safety , airport emergency rescue can reduce the
accident losses and improve rescue efficiency. Based on the uncertainness and non2routine characteristics of emergencies , a
kind of scale decisive model in airport emergency rescue was put forward , which mainly relied on the case2based reasoning
technology as well as fuzzy reasoning technology. The case2matching problem was analyzed and an algorithm was simula2
ted by means of fuzzy reasoning calculation. The presentation , index , adjustability , modification and inferring mechanism
of the case were discussed. The simulation verifies that the method is feasible and scientific.
Key words :emergency rescue ; case2based reasoning ; fuzzy reasoning ; decision2making of resource allocation
(上接第21 页)
[8 ] 　Clark S. Traffic prediction using multivariate non2
paramet ric regression [J ] . Journal of Transporta2
tion Engineering2asce 2003 ,129 (2) : 1612168
Comparison of Kernel Approach and KNN Approach
in Short2term Forecasting of Traff ic Flow
QIAN Haifeng 　CHEN Yangzhou 　LI Zhenlong 　YANGYuzhen
( Bei j i n g Uni versi t y of Technolog y , B ei j i ng 100022 , Chi na)
Abstract :By taking the third ring road in Beijing as the background , two basic weighted functions of Nonparamet2
ric Regression including Kernel Approach and K2nearest2neighbor Approach were comparatively analyzed and simulated
with the real data that was detected. The result s indicate that K2nearest2neighbor Approach is more suitable for the short2
term forecasting of t raffic flow in the same accuracy. Furthermore , the improvement on the t raditional K2nearest2neighbor
Approach had been done by adding , step by step , the volume at the previous prediction period , the current average speed
and the current average occupancy as searching element s. Some conclusions can be drawn f rom the simulation result s that
adding the volume at the previous prediction period can make sure that the forecasting flow and the real flow are in the
same tangent direction , therefore , it can remarkably improve the forecasting performance of the K2nearest2neighbor Ap2
proach , and that the current average speed and the current average occupancy have some relevant relationship with the
volume and their roles similar to the volume , therefore , they can not obviously improve the prediction accuracy of K2nea2
rest2neighbor Approach.
Key words :t raffic flow ; short2term forecasting ; nonparamet ric regression ; kernel ; k2nearest2neighbor
34 交通与计算机　2008 年第6 期　第26 卷　总145 期

x0315x

学习学习