灾害应急物资需求预测模型研究

傅志妍　陈　坚

摘要:灾害应急物流管理是灾害应急管理体系中的重要组成部分,而灾害应急物资需求预测则是灾害应急物流管理的前提条件,“5.12汶川地震”更突出了其在灾害应急物流管理中的重要作用。针对传统灾害应急物资需求预测方法的不足,基于归一化处理后的欧氏算法,寻求最佳相似源案例,以确定源案例中的关键因素,建立了案例推理——关键因素模型,为目标案例进行灾害应急物资需求预测。最后将该模型运用于“汶川地震”的实例中,进行物资需求预测,验证了模型科学有效。

关键词:应急物资;案例推理;关键因素;欧氏算法;需求预测模型

中图分类号:F252文献标识码:A

Abstract: Emergency logistics management in disaster is an important part of disaster emergency management system. Emergency material demand forecast in disaster is a prerequisite for disaster emergency logistics management, whose importance is highlighted in“5.12 earthquake in Wenchuan”. This paper addressed oneself to the deficient of traditional methods of emergency material demand forecasts, came up with the best similar source cases by normalization of the Euclidean algorithm and determined the key factors in the source case, and then established case-based reasoning-the key factor model to forecast emergency material demands for objective case. Finally, the model is used in“Wenchuan earthquake”example to forecast material demand to verify the scientific and effectiveness of the model.

Key words: emergency materials; case-based reasoning; key factors; euclidean algorithm; material demand model

0引言

“5.12汶川大地震”造成灾区交通、通讯中断,灾区成为一座座陆地“孤岛”,灾区物资需求信息无法获取,对应急物资的筹集、供应造成重大影响。灾害应急物资需求预测的准确性直接关系到救灾实施效率。传统灾害物资需求预测仅以专家经验判断为主,尚没有成熟的预测方法,加上突发事件具有非例行性、不确定性等特点,更增加了对应急物资需求预测研究的难

度[1-2]。但是,当突发事件类型相同、发生环境相似、处理方式相同的前提条件下,应急物资的需求也具有相近性,因此可以考虑利用历史数据建立案例库,通过选取相似源案例并从中抽取决定物资需要的关键因素,考虑此次灾区基本情况,建立案例推理——关键因素模型进行灾害应急物资需求预测。

1灾害应急物资需求内容

(1)应急物资的数量需求。灾害应急物资的数量需求是物资需求内容中最基本、最重要的,指突发灾害事件发生后,为保障灾区人民的基本生活物资需求所必需的最小的物资需求数量[3]。如汶川地震事件中某一地区一天需要“方便面1 000箱,矿泉水2 000箱”等。

(2)应急物资的质量需求。应急物资的质量需求是指物资供应的及时性、物资供应数量的准确性、物资的安全性和成本等方面的要求。如地震事件中造成灾区交通中断,物资的及时供应受到阻碍;而信号中断则给物资需求数量的信息收集造成困难,这些都属于应急物资的质量需求。

(3)应急物资的结构需求。物资的结构需求主要是指需求的各类物资之间的结构比例关系,用一个相对的指标来刻画,通常用数量比来表示。突发事件的类型通常决定着物资的结构需求,不同类型的突发事件需要不同种类的物资需求组合。如在抗震救灾中,对伤员进行紧急抢救时,不仅要考虑到医药品的需求量,同时还要考虑到一定比例的配套医疗器械的需求量,这些不同类型的物资之间存在着一定的数量比例关系。

2案例推理——关键因素模型

案例推理技术首先是对目标案例进行数学特征描述,根据这些特征,采用归一化后的欧氏算法从案例库中检索出最佳相似案例,然后确定出决定物资需要的关键因素,再根据源案例中相关关键因素的数据,构建案例推理——关键因素模型进行目标案例的物资需求预测(如图1所示)。

2.1案例的表示

假设案例库中有n个案例,记源案例集为C=C,C,…,C;每个案例有m个属性,记属性集为F=F,F,…,F;属性集F的影响权重集为ω=ω,ω,…,ω,且满足ω=1,j=1,2…,m;记新目标案例为T=T,T,…,T,构造属性矩阵如下:X=

式中,X代表第i个案例的第j个属性值。

2.2最佳相似源案例的确定

本文采用相似度计算方法——欧氏距离算法来确定最相似源案例,在运用欧式距离算法之前,把案例属性值按照某种函数归一化到某一无量纲区间并且使所有相关属性归一化到同一数量级内,以便计算结果更能准确地反应源案例与目标案例之间的匹配程度[4-6]。

(1)属性值归一化。由于多数情况下各因素量纲不同且有时属性间的数量级悬殊,故需要对原始矩阵的数据进行归一化处理,从而使得每一指标值统一于某种共同的数值特性范围。

X=(1)

式中:

X为指标i的无量纲值,X为指标i的实际值。X、X指原始指标最大和最小值。

(2)属性值权重的计算。==X V=

则各属性值的权重为:ω=, j=1,2,…,m

(3)欧氏距离算法。欧氏距离公式如下:d=ωX-T

式中,T为目标案例第j个属性的值,d为新目标案例T与源案例库中第i个案例之间的欧氏距离,d 越小说明它们之间越相似。

属性值归一化后,采用以下公式计算案例相似度,确定最佳相似案例。

d=ωX-T (2)

2.3关键因素确定及相关需求预测

(1)关键因素确定。确定最近相似源案例后,分析其物资需求的品类和结构,抽取出决定主要物资需求的关键因素,如灾区人口数量、灾区面积等。

假设最近相似源案例中,主要物资需求品类有食品类、衣物类、工程器械类3种,其中食品类、衣物类的物资需求量都是由灾区人口数量直接决定的,而工程机械类需求量则由受损的道路面积、房屋面积等决定,因此关键因素即为灾区人口数量和道路面积。

(2)目标案例的物资需求预测。假设最近相似源案例中的灾区人口数量为M,受损道路面积为S,食物类、衣物类、工程机械类需求数量分别为N、N、N。K、K、K分别为食品需求量与人口数量比、衣物需求量与人口数量比、工程器械需求量与道路面积比,即K=,K=,K=;目标案例中的灾区人口数量为M,受损道路面积为S。

则目标案例中食物类、衣物类、工程机械类的需求数量N、N、N的确定如下:

2.4模型构建

基于案例推理——关键因素模型,确定应急物资需求预测模型的步骤如下:

Step1:根据案例推理技术,对案例进行数学表示;

Step2:引入归一化效用函数,对属性值进行归一化处理;

Step3:应用欧氏距离算法,确定最佳相似源案例;

Step4:分析最佳相似源案例及灾区实际情况,确定关键因素;

Step5:根据关键因素,对目标案例进行相应的物资需求预测。

2.5实例分析

以汶川地震发生后的应急物资需求预测为例,设案例库中有3个地震事件的物资需求案例,即C=C,C,C,每个案例C中都包含有过去某次地震事件中的物资需求信息,包括物资的数量需求、质量需求和结构需求。假设每次地震事件中应对目标、应对方式和应对过程都相同,则影响物资需求的因素只与地震突发事件的情景信息有关,抽取4个主要的情景特征因素,F=震级大小,地震持续时间,地震波及范围,震区人口密度。目标案例汶川地震的4个属性值分别为8里氏、60秒、10万平方公里、26人/平方公里[7]。即T=T,T,T,T=8,60,10,26。

3个源案例的属性值矩阵如下:X==

由式(1)可得:X=;T=1,1,1,0.6

最后可计算得目标案例与3个源案例的相似度:d=0.65;d=0.44;d=0.74

通过比较各相似度的大小,可得汶川地震事件与案例C比较相似,所以,此次地震事件的物资需求预测可参照案例C的关键因素比值。

案例C中M=50 000(人),S=1 000(平方公里),N=10 000(吨),N=60 000(件),N=500(辆);M=60 000(人),S=1 500(平方公里)。由式(3)、(4)、(5)可得目标案例的物资需求预测结果:N=12 000(吨),N=72 000(件),N=750(辆)。

3结束语

本文运用归一化处理后的欧氏算法,寻求最佳相似源案例,并根据目标案例的实际情况确定关键因素,建立了案例推理——关键因素物资需求预测模型。同时将模型运用于“汶川地震”实例分析中,验证了模型的科学、有效性。但该模型仅对灾害应急物资的数量需求进行了预测,质量需求和结构需求在模型中的体现有待于进一步研究。

参考文献:

[1]Linet Ozdamar. Emergency Logistics Planning in Natural Disasters[J]. Annals of Operations Research, 2004(129):217-245.

[2]Derere L. Case-based Reasoning: Diagnosis of Faults in Complex Systems Through Reuse of Experience[Z]. In: Test Conference, Proceedings, International, 2000.

[3] 刘宝旋,赵瑞清,王纲. 不确定规划及应用[M]. 北京:清华大学出版社,2003.

[4] 杨庆芳,李善梅,等. 城市交通控制与诱导系统协同效果评价方法[J]. 交通与计算机,2006(24):1-4.

[5] 郭瑞鹏. 应急物资动员决策的方法与模型研究[D]. 北京:北京理工大学,2006.

[6] 罗忠良,王克运,康仁科,等. 基于案例推理系统中案例检索算法的探索[J]. 计算机工程与应用,2005(25):230-232.

[7] 唐晓春. 四川5•12地震灾害链探讨[J]. 西南民族大学学报:自然科学版,2008(34):1091-1095.