不完备信息下基于案例推理的城市火灾应急决策方法研究*

张炎亮，徐元元，李俊雅

(郑州大学 管理工程学院，河南 郑州 450001)

0　引言

近年来，随着我国城市化步伐的加快，城市人员密集，一旦发生火灾，如果短时间内无法完成火灾扑救和人员救援疏散工作，会造成严重的事故后果，进而威胁城市经济的发展和社会的安全稳定。因此，各相关应急管理部门的快速响应和高效救援，是火灾事故应急工作的重点。目前，国内外学者关于城市火灾的研究主要集中在预测、风险评价、对策研究和城市火灾的空间时间分布上。楚志勇[1]采用回归分析法建立幂函数、指数函数等多种火灾预测数学模型，对天津市的火灾统计数据进行曲线拟合，预测下一年的火灾情况；金静、马莉等[2]通过对大型城市综合体火灾事故特点的分析梳理，有针对性地制定了科学、实用的消防应急预案，希望对此类火灾的防控提供参考意见。

基于案例推理(case-based reasoning，CBR)是用过去的知识、经验和教训来解决新发生的问题，或者从以往案例中发现解决当前问题线索的方法[3]，其可通过案例检索(Retrieve)、案例利用(Reuse)、案例修正(Revise)和案例维护(Retain)的“4R”周期来实现[4]。目前，基于案例推理的研究主要集中在突发事件的预测和应急管理方面，Sene等[5]丰富了案例推理过程，将案例推理用于肿瘤预测领域，通过实例验证了该方法的有效性和安全性；蔡玫等[6]通过对非常规突发事件的应急管理知识研究，利用案例推理方法提高了知识的共享程度，同时解决了“情景-应对”型决策的情境描述与匹配问题，对非常规突发事件快速生成解决方案具有较大参考意义；徐亚博、汪彤等[7]通过对地铁事件原则性机理进行分析和研究，用基于案例推理模型的思想，将基于结构和属性的双重情景检索的事故案例推理应急决策方法，应用到地铁火灾非常规突发事件应急决策中，进而对地铁交通应急平台的后期建设提供理论支持；靖可、赵希男[8]通过对突发公共事件的应急救援决策研究，提出基于案例推理的应急救援决策方法，利用整体优势度对源案例与目标案例间的矢量距离进行识别，结合整体优势度对决策方案进行调整和学习，并以煤矿事故应急救援实例证明了该方法的有效性。

梳理现有相关文献发现，目前对城市火灾前期预测、预防的理论性研究较为丰富，但是对火灾发生后快速响应、高效救援的应急决策研究较少，尤其是不完备信息情况下的城市火灾应急决策研究方面。本文通过对相关火灾案例的整理和表达，计算源情景与目标情景的全局相似度，找到相似情景，从以往案例的知识、经验和教训中找到解决当前问题的思路，进而对当前事件的快速响应和高效救援提供参考和借鉴。

1　案例表达

1.1　“案例—情景—对象—解及解效果—要素”五层架构模型

对案例进行分析之前，需对案例进行表达。合理的案例表达，既有利于案例储存，又有利于案例的检索[9]。本文提出关于案例表达的“案例—情景—对象—解及解效果—要素”五层架构模型，定义如下：

1)案例：是情景从产生、发展、高潮到结束的过程，主要描述关键和典型情景。

2)情景：拆分自案例，是案例发展过程中的某个时间、空间和对象的信息[10]。

3)对象：是灾害和应急决策的承担者，对应真实场景中的本体。

4)解及解效果：是对象对情景做出的反应及实施后效果的描述。

5)要素：是某个情景中的关键特征属性。

以往学者在以CBR为工具对事件进行研究时，往往将“解及解效果”作为整体储存于整个案例中[11-12]，这样既不方便案例的储存，也不方便对情景解的快速检索。因此，本文将“情景”和“解及解效果”一一对应，这样在后期进行案例情景检索时，便于快速找到相应“情景”的“解及解效果”评价。基于上述构建的“案例—情景—对象—解及解效果—要素”五层架构模型模型，如图1所示。

图1　“案例—情景—对象—解及解效果—要素”五层架构模型Fig.1　Five level framework model of “case scenario object solution and solution effect factor”

1.2　情景推演

采用“案例—情景—对象—解及解效果—要素”五层架构模型对多个案例进行拆分后，建立包含对象、情景和要素的多维空间。对于同一类型的不同案例，均可以分解为一系列情景、对象和要素，并建立相互之间的推演关系。将图1中的案例层与情景层细化，构成情景推演网络，如图2所示。情景推演网络有助于决策者厘清情景发展演化关系，进而做出相应的应急决策措施。

图2　情景推演网络示意Fig.2　Schematic diagram of scenario deduction network

2　案例检索

案例检索是案例推理的第一步，也是最关键一步，由于火灾事故现场情况复杂，往往很难获得目标案例的全部属性信息，这给案例检索中的相似度计算带来困难。针对这一问题，本文采用结构相似度和属性相似度的双重检索算法来解决这一问题。

2.1　属性权重确定

火灾事故的类型较多，居民区火灾、商场火灾等不同类型火灾中，每个属性的重要程度是不一样的，需要根据实际的整体情况确定不同属性的权重。本文采用德尔菲法，经过多轮专家意见的征询，初步确定案例属性的权重值，由于专家意见属于个人经验的主观判断，可能存在一定偏差，为了进一步消除由专家主观判断造成的偏差，本文采用熵理论，计算熵值，最后确定属性权重。

2.2　相似度计算

火灾发生时，由于现场环境复杂，难免会出现信息缺失或记录不当等问题。如果其中某一项属性值缺失，则该属性相似度为零，这将会严重降低情景间的相似度值。本文在计算全局相似度时，引入结构相似度，通过结构相似度来帮助解决部分属性值缺失所引起的全局相似度计算不准确的问题。

2.2.1结构相似度算法

比较源案例与目标案例所包含的特征属性，计算2者的交集和并集的权重之和，将2者的比值作为结构相似度，如式(1)所示。

(1)

式中：Q为目标案例情景的非空属性集；C为源情景的非空属性集；wi表示案例Q和案例C交集中的第i个属性的权重；wk表示案例Q和案例C并集的第k个属性的权重。

2.2.2属性相似度算法

1)当属性为语言变量时，先将其表示为三角模糊数(lij,mij,nij)，再规范为(xij,yij,zij)[13]，如式(2)和式(3)所示。

(2)

(3)

2)确定符号属性，如火灾类型等，定义为枚举类型，当属性值相同时，定义相似度为1，反之为0，如式(4)所示。

(4)

式中：Qf是目标案例属性f的值；Cif是案例库中第i个源案例属性f的值。

3)确定数属性，包括风速、流速等，采用基于海明距离[14]的相似度计算方法，如式(5)所示。

(5)

式中：fmax和fmin分别表示确定数属性f取值范围的最大值和最小值。

4)区间数属性，由于火灾事故现场的数据采集具有不确定性，观测到的数据可能会是一个区间范围。因此，有必要定义数与区间、区间与区间之间的相似度计算方法，数与区间之间的相似度测算方法如式(6)所示，区间与区间之间的相似度测算方法如式(7)所示[15]。

(6)

(7)

式(6)和式(7)中：a为确定数属性的值；[a1,a2]和[b1,b2]为区间数属性的值，且a,a1,a2,b1,b2∈[fmin，fmax]；式(6)和式(7)中，积分求解分别依赖于点a与区间[b1,b2]、区间[a1,a2]与区间[b1,b2]之间的关系。

2.3　全局相似度算法

为了在属性值缺失情况下，更加科学、合理地计算全局相似度，根据属性类型，在求得源案例与目标案例的结构相似度和属性相似度后，通过式(8)，将2者整合，得到全局相似度。

(8)

式中：WQ∩C表示目标案例Q和源案例C交集的权重之和；wi表示目标案例Q和源案例C交集中的第i个属性的权重；m表示目标案例Q和源案例C交集中属性的个数；sim(s0i,sij)表示目标案例与源案例情景中第i个属性的相似度。

3　方法应用及结果分析

以消防部门作为对象，对上述理论方法进行验证。某消防队接到报警，一栋居民楼的24楼于下午2点28分发生火灾；天气晴；风力3级；发生火灾的建筑结构为钢筋混凝土框架结构。假设情景1～情景5为案例库中5个情景，其与目标情景的属性、属性值和权重如表1所示。

表1　情景属性及权重数据Table 1　Scene attribute and weight data

通过问卷调查和专家评判，给出三角模糊数语义量化准则，如表2所示。在计算属性相似度之前，需要对情景中的部分属性进行量化。对于“火灾发生时间”，“8点到12点”、“14点到18点”量化为“1”；“12点到14点”量化为“2”；“6点到9点”和“18点到20点”定义为“3”；“24点到6点”和“20点到24点”定义为“5”。对于“建筑结构”，钢筋混凝土框架结构、钢结构、砖结构、砖木结构和全木结构依次定义为“1”到“5”。对于“天气”，晴天、阴天、雨天、雾天、雪天依次定义为“1”到“5”。对于“事故规模”，一到八级分别定义为“1”到“8”。对于“火灾类型”，固体火灾、带电火灾、气体火灾、化学火灾、爆炸火灾依次定义为“1”到“5”。

表2　三角模糊语义量化准则Table 2　Triangular fuzzy semantic quantization criterion

以内部消防设施为例，计算属性距离。内部消防设施为语言变量，首先对语言变量进行三角模糊，根据式(2)和式(3)对三角模糊数进行范化，再将其转化为区间数；然后根据式(7)，通过EXCEL和MATLAT软件计算出不同情景之间的内部消防设施的相似度，其他属性相似度计算与内部消防设施相似度计算类似；全部属性相似度计算完成之后，根据式(8)计算出全局相似度。属性距离和全局相似度计算结果如表3所示。表3中，火灾类型的属性距离为空，是因为目标情境中火灾类型属性值未知。从表3中可知，与目标情景的相似度最高的是情景1，其次是情景5。情景1与目标情景都是在白天发生火灾，建筑结构都是钢筋混凝土框架结构，且都不适合停放消防车辆。虽然情景1与目标情景相似度最高，但是也不能完全把案例1的解决方案拿来用，需要根据实际情况，对案例解进行修正。总体上看，源案例与目标案例的全局相似度还有待进一步提高，这与源案例所在案例库的规模有很大关系，而随着搜集尽量多的数据，进一步完善案例库，将会提高检索精度。

表3　属性距离与全局相似度值Table 3　Attribute distance and global similarity value

4　结论

1)在案例表达方面，提出“案例-情景-对象-解及解效果-要素”的五层架构模型，将针对整个方案的“解”细化到火灾发生时不同部门对火灾做出的响应，进而实现快速地从案例库中找到相似情景的“解”，为火灾事故的快速响应提供支持。

2)针对突发事件案例中存在语言变量的定性数据问题，通过三角模糊数将其转化为区间数，然后利用区间距离计算公式，计算出区间属性距离，从而更好的描述语言变量中不确定性属性之间的距离。

3)针对突发火灾中的信息不完备情况，通过将结构相似度引入到全局相似度中，帮助解决案例属性值缺失问题，避免了因直接去除属性值缺失的属性所导致的相似度计算不准确的问题。

4)针对数据不完备情况下的应急案例进行案例推理，设计情景相似度算法并通过实例进行验证，该算法不仅可以应用于城市火灾突发事件的案例推理，也可为其他类型的突发事件应急提供参考和借鉴。

[1]楚志勇.基于回归分析方法的城市火灾预测——以天津市为例[J].安全与环境工程，2011，18(3)：90-92，97.

CHU Zhiyong.Forecasting model of the fire causes in the city based on linear regression—Taking Tianjin city for example[J]. Safety and Environmental Engineering, 2011,18(3):90-92，97.

[2]金静，马莉，贾楠.大型城市商业综合体的火灾特点及应急救援预案研究[J].建筑安全，2017，32(3)：26-28.

JIN Jing, MA Li, JIA Nan.Study on fire characteristics and emergency rescue plan of large City commercial complex[J]. Construction Safety, 2017,32(3):26-28.

[3]KOLODNER J. Case-Based Reasoning[M]. California:Morgan Kaufmann Publishers Inc,1993.

[4]AAMODT A，PLAZA E. Case-based reasoning: foundational issues, methodological variations, and system approaches[J]. Ai Communications, 1994, 7(1):39-59.

[5]SENE A, KAMSU-FOGUEM B, RUMEAU P. Telemedicine framework using case-based reasoning with evidences[J]. Computer Methods & Programs in Biomedicine, 2015, 121(1):21-35.

[6]蔡玫, 曹杰, 于小兵. 基于应急实例本体模型的应急案例推理方法[J]. 情报杂志, 2016, 35(6):183-188.

CAI Mei, CAO Jie, YU Xaiobing. A method of emergency case-based reasoning based on emergency case ontology[J]. Journal of Intelligence,2016,35(6):183-188.

[7]徐亚博，汪彤，王培怡，等.基于案例推理的地铁非常规突发事件应急决策方法研究[J].中国安全生产科学技术，2013，9(8)：44-48.

XU Yabo,WANG Tong,WANG Peiyi,et al.Research on emergency decision method of unconventionalemergency in subway based on case-based reasoning[J]. Journal of Safety Science and Technology, 2013,9(8):44-48.

[8]靖可，赵希男.基于整体优势度的应急救援案例推理决策[J].系统工程，2008(9)：15-20.

JING Ke, ZHAO Xinan.CBR decision for emergency rescue based on integral superiority degree[J]. Systems Engineering,2008(9):15-20.

[9]王宁，郭玮，路国粹.基于应急案例的情景决策支持方法研究[J].运筹与管理，2017，26(1)：68-75.

WANG Ning，GUO Wei，LU Guocui.Research on emergency decision-making support method for scenario response based on emergency cases[J]. Operations Research and Management Science, 2017,26(1):68-75.

[10]王颜新，李向阳，徐磊.突发事件情境重构中的模糊规则推理方法[J].系统工程理论与实践，2012，32(5)：954-962.

WANG Yanxin, LI Xiangyang, XU Lei. Fuzzy rules reasoning method in emergency context reconstruction[J]. Systems Engineering-Theory&Practice,2012,32(5):954-962.

[11]钱静，刘奕，刘呈，等.案例分析的多维情景空间方法及其在情景推演中的应用[J].系统工程理论与实践，2015，35(10)：2588-2595.

QIAN Jing,LIU Yi,LIU Cheng,et al. Study on case analysis and scenario deducrion based in multi-dimensionla scenario space method[J]. Systems Engineering-Theory&Practice,2015,35(10):2588-2595.

[12]FARHAN U, TOLOUEI-RAD M, OSSEIRAN A. Indexing and retrieval using case-based reasoning in special purpose machine designs[J]. The International Journal of Advanced Manufacturing Technology, 2017, 92(5/8): 2689-2703.

[13]郑晶，王应明，叶歆.复杂数据情形下的应急案例相似度测算方法[J].中国安全科学学报，2014，24(7)：153-158.

ZHENG Jing,WANG Yingming,YE Xin.A method for estimating similarity between emergency cases with diversity attributes data[J]. China Safety Science Journal, 2014,24(7):153-158.

[14]张英菊，仲秋雁，叶鑫，等.基于案例推理的应急辅助决策方法研究[J].计算机应用研究，2009，26(4)：1412-1415.

ZHANG Yingju,ZHONG Qiuyan,YE Xin,et al. Research on method of emergency aid decision-making based on CBR[J]. Application Research of Computers, 2009,26(4):1412 -1415.

[15]周凯波，冯珊，李锋.基于案例属性特征的相似度计算模型研究[J].武汉理工大学学报(信息与管理工程版)，2003，25(1)：24-27.

ZHOU Kaibo,FENG Shan,LI Feng. Research of the similarity calculation models based onthe features of case properties[J]. Journal of Wut(in formation & Management engineering),2003,25(1):24-27.