论文部分内容阅读
鉴于自然灾害难以提前预报的特性,应对灾害的快速响应就变成了减少伤亡与损失最有效的手段。合理的应急物资供应是应急响应的基础性保障,而应急物资预测与紧迫度分级是合理化应急物资供应的最主要工作之一。在应急物资预测中,由于应急数据来源复杂、统计不精确、案例之间的统计数据差别大、统计量少、历史案例陈旧等特点,导致传统的数据处理方法难以发现应急数据的隐藏信息,物资预测时影响因素选择偏主观,且物资预测方法容易受陈旧案例的影响,有关物资紧迫度分级的研究多局限于受灾点之间的紧迫度。本文以地震灾害为研究背景,针对应急数据与应急工作的特点,就应急数据挖掘、应急物资预测与紧迫度分级分别给出本文的研究环节:第一个环节是通过应急数据挖掘获得伤亡人数的重要影响因素,第二个环节是结合伤亡人数与安全库存理论通过两步法对应急物资间接预测,第三个环节是结合不同的伤亡规模给出物资与物资组的紧迫度分级结果。综上所述,本文研究路线将从以下几个方面展开:(1)在应急数据挖掘环节,首先针对伤亡人数影响因素统计量少的现状,对影响因素扩展并讨论,给出了震发第一时间易获得的影响因素;其次针对应急数据特点给出一种离散化改进方法将训练数据离散化,成功地找出应急数据中隐藏的数据量级;最后针对影响因素选择的主观性问题,提出一种基于粗糙集的属性依赖度强化算法并构建数据挖掘模型,得出了震后伤亡人数的影响因素的重要性结果,从而挖掘出重要的影响因素,并结合传统粗糙集属性约简算法验证了本文方法具有一定的合理性与优越性。(2)在应急物资预测环节,首先,综合考虑由于数据统计量小且地震后突发情况多的现状,使得最终需求也会随着供应情况等发生变化的特点,本文在传统两步法预测基础上给出一种先预测规模而后反向计算伤亡范围的预测方法;其次利用挑出的影响因素作为输入层,伤亡规模作为输出层,针对老旧案例对训练的影响,构建基于新陈代谢的RBF神经网络对伤亡规模进行预测,分别与BP神经网络、RBF神经网络、支持向量机三种预测方法进行对比,发现改进的RBF神经网络模型的精确度更高;最后结合伤亡范围与安全库存理论给出物资预测的公式,进而对常见的应急物资以及防疫应急物资进行预测,并分析了不同规模与不同倒塌率下震前震后的需求变化。(3)在紧迫度分级环节,首先基于模糊综合评判法对物资进行紧迫度分级;然后借鉴物资模块化思想对物资进行分组的紧迫度计算;最后分析了物资分组与不分组在不同伤亡规模下的紧迫度分级结果,并对比实例验证了合理性。本文研究成果在一定程度上可以为应急物资研究提供借鉴,为提高救援能力提供科学依据。