基于博弈論的海上交通事故案例推理方法及應(yīng)用

閆長(zhǎng)健 孫世虎

摘要：為有效積累和挖掘海上交通事故案例蘊(yùn)含的寶貴經(jīng)驗(yàn)和知識(shí)，提出一種基于博弈論的海上交通事故案例推理方法。從大量海上交通事故歷史案例中提取案例特征構(gòu)建特征指標(biāo)集，采用偏好比率法和熵值法分別確定指標(biāo)主觀權(quán)重和客觀權(quán)重，采用博弈論得到綜合權(quán)重;根據(jù)案例特征數(shù)據(jù)類(lèi)型，定義不同的指標(biāo)相似度計(jì)算方法，利用灰色關(guān)聯(lián)分析法篩選初始案例組成案例庫(kù);結(jié)合指標(biāo)綜合權(quán)重，構(gòu)建海上交通事故案例相似度計(jì)算模型，進(jìn)而從案例庫(kù)中檢索出與目標(biāo)案例相似度最高的案例。通過(guò)對(duì)海上交通事故應(yīng)急物資需求的預(yù)測(cè)，驗(yàn)證了模型的可靠性和適應(yīng)性，可為海上交通事故發(fā)生后的應(yīng)急決策提供一定的理論參考。

關(guān)鍵詞：

海上交通事故; 應(yīng)急物資; 需求預(yù)測(cè); 案例推理; 博弈論

中圖分類(lèi)號(hào)：? U698.6

文獻(xiàn)標(biāo)志碼：? A

收稿日期： 2020-04-16

修回日期： 2020-06-24

基金項(xiàng)目： 福建省教育廳項(xiàng)目（JT180260）;集美大學(xué)李尚大基金（ZC2018006）

作者簡(jiǎn)介：

閆長(zhǎng)健（ 1983—） ，男，河南漯河人，副教授，碩士，研究方向?yàn)榻煌ㄟ\(yùn)輸系統(tǒng)工程，（E-mail）chjyan@jmu.edu.cn

*通信聯(lián)系人。（E-mail）sunshihu84@163.com

Case-based reasoning method and application of maritime traffic accidents based on game theory

YAN Changjian1， SUN Shihu2*

（1. Navigation College， Jimei University， Xiamen 361021， Fujian， China;

2. Navigation Branch， Hebei Jiaotong Vocational and Technical College， Tianjin 300381， China）

Abstract：

In order to effectively accumulate and excavate the valuable experience and knowledge contained in maritime traffic accident cases， a case-based reasoning method of maritime traffic accidents based on the game theory is proposed. The characteristic index set is constructed by extracting case characteristics from a large number of historical cases of marine traffic accidents. The subjective and objective weights of indices are determined by the preference ratio method and the entropy value method， respectively， and the game theory are used to obtain the comprehensive weights. According to the case characteristic data types， the different index similarity calculation methods are defined， and the grey correlation analysis method is used to select the initial cases to form a case database. Combined with the index comprehensive weights， a similarity calculation model of marine traffic accident cases is constructed， and then the cases with the highest similarity with the target cases are retrieved from the case database. The reliability and adaptability of the model are verified by forecasting the demand of emergency materials for maritime traffic accidents. The proposed method can provide theoretical reference for emergency decision-making after maritime traffic accidents.

Key words：

maritime traffic accident; emergency material; demand forecast; case-based reasoning; game theory

0 引 言

近年來(lái)，隨著經(jīng)濟(jì)全球化發(fā)展以及“一帶一路”倡議的提出，海上船舶往來(lái)更加頻繁，船舶密度加大，發(fā)生海上交通事故的風(fēng)險(xiǎn)增大[1]。2017年8月1日，一艘載有約1 420 t貨物的貨船在長(zhǎng)江白茆沙北水道水域沉沒(méi)，共造成6人死亡和2人失蹤。2019年10月8日，一艘名為“粵陽(yáng)坡0158”的漁船在珠海橫琴島海域沉沒(méi)，共造成3人遇險(xiǎn)和2人失蹤[2]。海上事故發(fā)生后，為減少人員傷亡和最大化減小事故帶來(lái)的損失，需要迅速展開(kāi)海上搜救。對(duì)大量海上交通事故案例信息進(jìn)行挖掘，對(duì)提升海上搜救效率具有十分重要的意義。目前，部分學(xué)者基于歷史事故案例構(gòu)建相應(yīng)的案例庫(kù)，將挖掘出的事故信息用于總結(jié)事故處置方法及制定預(yù)防措施等，其中：李華[3]基于海上油田積累的歷史數(shù)據(jù)資源，開(kāi)發(fā)了事故案例庫(kù)系統(tǒng);薛金凱[4]在對(duì)海上搜救決策過(guò)程進(jìn)行充分研究的基礎(chǔ)上，設(shè)計(jì)基于案例推理的海上搜救輔助決策模型，并在JADE平臺(tái)實(shí)現(xiàn)了該輔助決策系統(tǒng);秦霜霜等[5]基于全球范圍內(nèi)300多起典型火災(zāi)事故案例，構(gòu)建完整的火災(zāi)事故案例庫(kù)，用于挖掘歷史事故案例信息，總結(jié)火災(zāi)事故的處置方法和預(yù)防措施。基于構(gòu)建的海上交通事故案例庫(kù)，深入挖掘事故信息，用于應(yīng)急救援等行動(dòng)，而對(duì)海上事故進(jìn)行應(yīng)急救援的前提是應(yīng)急物資需求預(yù)測(cè)。因此，基于構(gòu)建的案例庫(kù)模型實(shí)現(xiàn)海上交通事故應(yīng)急物資需求預(yù)測(cè)具有十分重要的意義。對(duì)應(yīng)急物資需求進(jìn)行預(yù)測(cè)的方法主要有BP神經(jīng)網(wǎng)絡(luò)[6]、模糊粗糙集理論[7]、多元回歸分析法[8]等。部分學(xué)者將案例推理方法應(yīng)用到應(yīng)急物資需求預(yù)測(cè)方面：LIU等[9]為解決應(yīng)急物資儲(chǔ)備和配置問(wèn)題，針對(duì)應(yīng)急物資需求預(yù)測(cè)的特點(diǎn)，利用案例推理方法對(duì)地震災(zāi)害應(yīng)急物資需求進(jìn)行預(yù)測(cè);WANG 等[10]利用改進(jìn)的案例推理規(guī)則對(duì)地震后應(yīng)急物資需求進(jìn)行預(yù)測(cè)，并通過(guò)與灰色關(guān)聯(lián)分析法比較證明案例推理模型的優(yōu)越性;張文芬等[11]和鄧守城等[12]根據(jù)水上交通事故的特征屬性，構(gòu)建了水上突發(fā)事件應(yīng)急物資需求模型，間接地預(yù)測(cè)了水上突發(fā)事故應(yīng)急物資需求量。然而，目前對(duì)海上交通事故案例庫(kù)構(gòu)建以及基于數(shù)據(jù)挖掘?qū)Ｉ贤话l(fā)事件應(yīng)急物資需求預(yù)測(cè)的研究都較少，并且現(xiàn)有案例檢索方法很少考慮指標(biāo)屬性的模糊信息，在權(quán)重的確定上多依賴(lài)人的主觀判斷。

基于此，本文在大量海上交通事故歷史案例中提取案例特征構(gòu)建特征指標(biāo)集，采用博弈論確定指標(biāo)綜合權(quán)重，利用灰色關(guān)聯(lián)分析法對(duì)現(xiàn)有案例進(jìn)行初步篩選進(jìn)而構(gòu)建新的案例集;構(gòu)建海上交通事故案例相似度計(jì)算模型，進(jìn)而從案例庫(kù)中檢索出與目標(biāo)案例相似度最高的案例。通過(guò)對(duì)海上交通事故應(yīng)急物資需求量的預(yù)測(cè)，驗(yàn)證模型的可靠性和適應(yīng)性，為海上事故發(fā)生后的應(yīng)急決策提供一定的理論參考。

1 案例推理相關(guān)理論

案例推理技術(shù)是人工智能領(lǐng)域非常重要的一項(xiàng)推理技術(shù)，是人們根據(jù)歷史經(jīng)驗(yàn)解決現(xiàn)有問(wèn)題的一種方法或技術(shù)[13]。

案例推理的工作機(jī)理為：首先對(duì)目標(biāo)案例及其屬性進(jìn)行描述，然后根據(jù)規(guī)則推理及案例推理的4R （retrieve、reuse、revise、retain）循環(huán)模型，從歷史案例庫(kù)中初步篩選出與目標(biāo)案例相似的歷史案例集;從相似案例集中選出與目標(biāo)案例最相似的案例，對(duì)比新舊案例，對(duì)最相似的案例的應(yīng)急物資需求進(jìn)行微調(diào)，從而推理出目標(biāo)案例的應(yīng)急物資需求預(yù)測(cè)結(jié)果?；诎咐评淼暮Ｉ辖煌ㄊ鹿蕬?yīng)急物資需求預(yù)測(cè)實(shí)現(xiàn)過(guò)程見(jiàn)圖1。

2 海上交通事故案例相似度計(jì)算模型構(gòu)建

2.1 案例的表示

海上交通事故特征包含事故類(lèi)型、事故規(guī)模等級(jí)、船舶載貨情況、遇險(xiǎn)人員的數(shù)量和傷亡情況以及海上事故現(xiàn)場(chǎng)的水文氣象條件等[12，14]。在參考相關(guān)文獻(xiàn)及咨詢(xún)相關(guān)專(zhuān)家的基礎(chǔ)上，總結(jié)出12個(gè)海上交通事故特征（即指標(biāo)），具體見(jiàn)表1。根據(jù)交通運(yùn)輸部于2014年9月30日發(fā)布的《水上交通事故統(tǒng)計(jì)辦法》，水上交通事故類(lèi)型主要包括碰撞事故、擱淺事故、觸礁事故、觸損事故、浪損事故、火災(zāi)爆炸事故等;應(yīng)急響應(yīng)級(jí)別根據(jù)《水路交通突發(fā)事件應(yīng)急預(yù)案》，按其性質(zhì)、嚴(yán)重程度、可控性和影響范圍等，由高到低分為Ⅰ級(jí)（特別重大）、Ⅱ級(jí)（重大）、Ⅲ級(jí)（較大）和Ⅳ級(jí)（一般）等4級(jí);船舶類(lèi)型主要有客船、集裝箱船、散貨船、油船、滾裝船等。

通過(guò)對(duì)現(xiàn)有海上交通事故歷史案例的統(tǒng)計(jì)分析，挖掘案例信息，構(gòu)建海上交通事故案例庫(kù)。案例庫(kù)一般由3部分組成：

S={A，B，D}

（1）

式中：A為歷史案例集，A={A1，A2，…，An};B為特征集（也稱(chēng)為指標(biāo)集），B={B1，B2，…，Bm};D為目標(biāo)案例。記特征權(quán)重為ω=（ω1，ω2，…，ωm），滿足mj=1ωj=1。根據(jù)目標(biāo)案例D構(gòu)造特征矩陣P=（Pij）n×m，其中Pij為第i個(gè)案例的第j個(gè)特征值。

2.2 特征相似度確定

海上交通事故特征數(shù)據(jù)主要有3種：符號(hào)型，通過(guò)準(zhǔn)確的文字表達(dá)事件特征，如事故類(lèi)型;數(shù)值型，采用數(shù)值對(duì)事件特征進(jìn)行準(zhǔn)確表達(dá)，如風(fēng)速;描述型，用來(lái)描述難以用準(zhǔn)確的文字和具體的數(shù)值表達(dá)的態(tài)度特征[15]，如應(yīng)急響應(yīng)級(jí)別。

采用不同計(jì)算方法，對(duì)上述3種特征數(shù)據(jù)進(jìn)行相似度計(jì)算。

（1）符號(hào)型。該類(lèi)型的特征值可逐一列舉說(shuō)明，且特征值之間不存在大小對(duì)比關(guān)系。因此，可對(duì)符號(hào)型特征的相似度做如下判定：若目標(biāo)案例D與歷史案例Ai的特征值相同，則界定兩者之間的相似度為1，否則相似度為0。

S（aj，cj）=1， aj=cj

0， aj≠cj

（2）

式中：aj和cj分別為歷史案例Ai和目標(biāo)案例D的第j個(gè)特征值，j=1，2，…，m。

（2）數(shù)值型。對(duì)實(shí)質(zhì)性不同的特征數(shù)據(jù)，采用略微更改的曼哈頓距離進(jìn)行計(jì)算：

D（aj，cj）=aj-cjmax{aj}-min{aj}

（3）

式中：max{aj}和min{aj}分別為歷史案例第j個(gè)特征值的最大值和最小值，j=1，2，…，m。因此，數(shù)值型特征的相似度計(jì)算公式為

S（aj，cj）=1-D（aj，cj）

（4）

（3）描述型。針對(duì)模糊型案例特征，采用隸屬函數(shù)計(jì)算其相似度：

S（aj，cj）=S（aj∩cj）S（aj）+S（cj）-S（aj∩cj）

（5）

2.3 基于博弈論的指標(biāo)綜合權(quán)重確定

指標(biāo)權(quán)重大小反映了指標(biāo)在案例相似度評(píng)估中的相對(duì)重要程度，一般情況下指標(biāo)權(quán)重越大對(duì)案例檢索結(jié)果的影響就越大，因此權(quán)重分配的合理與否直接影響到案例檢索的精確性和準(zhǔn)確性。而博弈論是一種通過(guò)多個(gè)決策主體的決策均衡來(lái)實(shí)現(xiàn)各方利益最大化的方法，該方法結(jié)合了主、客觀賦權(quán)法各自的優(yōu)點(diǎn)，既能考慮實(shí)際數(shù)據(jù)特點(diǎn)又能夠參考決策者意見(jiàn)，使指標(biāo)賦權(quán)實(shí)現(xiàn)了主觀與客觀的統(tǒng)一，在多屬性決策問(wèn)題上得到廣泛應(yīng)用并取得了不錯(cuò)的效果。因此，為避免傳統(tǒng)的案例推理方法指標(biāo)權(quán)重確定過(guò)于主觀的問(wèn)題，本文在加法集成法、乘法集成法等綜合集成方法的基礎(chǔ)上，提出一種更為科學(xué)合理的綜合權(quán)重確定方法，即采用偏好比率法和熵值法分別確定指標(biāo)主觀權(quán)重和客觀權(quán)重，然后采用博弈論[16]得到綜合權(quán)重。

2.3.1 偏好比率法

偏好比率法[17]是對(duì)指標(biāo)的重要程度進(jìn)行主觀評(píng)價(jià)的一種方法。由此，可以主觀定義兩個(gè)指標(biāo)間相對(duì)重要程度的大小，得到指標(biāo)間的偏好比率標(biāo)度，見(jiàn)表2。

將m個(gè)指標(biāo)B1，B2，…，Bm進(jìn)行主觀排序，兩兩比較得出偏好比率值bi，j，建立方程組如下：

b1，1ω1，1+b1，2ω1，2+…+b1，mω1，m=mω1，1

b2，2ω1，2+b2，3ω1，3+…+b2，mω1，m=（m-1）ω1，2

…

bm-1，m-1ω1，m-1+bm-1，mω1，m=2ω1，m-1

ω1，1+ω1，2+…+ω1，m=1

（6）

求解上述方程組得到主觀權(quán)重ω1=（ω1，1，ω1，2，…，ω1，m）。

2.3.2 熵值法

熵值法是通過(guò)計(jì)算熵值判斷數(shù)據(jù)中某個(gè)特征屬性的離散程度，從而確定指標(biāo)權(quán)重的一種客觀賦權(quán)法[18]。根據(jù)熵值法的特點(diǎn)，一般數(shù)據(jù)中信息越多，信息量就越大，其不確定性就越小，熵值就越小。

記n個(gè)案例的m個(gè)指標(biāo)的原始值組成的矩陣為A=（aij）n×m。熵值法確定指標(biāo)權(quán)重的步驟如下：

（1）指標(biāo)標(biāo)準(zhǔn)化處理：

a*ij=aij-min aijmax aij-min aij（7）

（2）依據(jù)標(biāo)準(zhǔn)化決策矩陣，求得第j個(gè)指標(biāo)的熵值：

ej=-1ln mni=1（pijln pij）

（8）

式中：pij=a*ijni=1a*ij，0

（3）求第j個(gè)指標(biāo)的差異系數(shù)：

dj=1-ej

（9）

（4）求第j個(gè)指標(biāo)的熵權(quán)重ω2=（ω2，1，ω2，2，…，ω2，m）：

ω2，j=djmj=1dj

（10）

2.3.3 基于博弈論確定指標(biāo)綜合權(quán)重

對(duì)求得的2個(gè)權(quán)重向量ω1和ω2進(jìn)行線性組合，得到ω=aω1+bω2?；谧顑?yōu)策略，對(duì)ω進(jìn)行離差極小化處理。歸一化處理后，得到最優(yōu)權(quán)重系數(shù)a*和b*，故綜合最優(yōu)權(quán)重為

ω*=a*ω1+b*ω2

（11）

2.4 灰色關(guān)聯(lián)分析法篩選初始案例集

由于歷史案例庫(kù)中存在一部分相似度較低的案例，故要從中初步篩選出相似度較高的案例構(gòu)成新的案例庫(kù)，以便后期精確、高效地檢索出與目標(biāo)案例最匹配的案例?；疑P(guān)聯(lián)分析法是一種計(jì)算系統(tǒng)內(nèi)個(gè)體間相似度的方法，具有簡(jiǎn)單快捷、適用范圍廣的特點(diǎn)，因此本文采用灰色關(guān)聯(lián)分析法[19]對(duì)現(xiàn)有案例進(jìn)行初步篩選。

根據(jù)灰色關(guān)聯(lián)分析法，目標(biāo)案例D與現(xiàn)有案例Ai的任一特征的關(guān)聯(lián)系數(shù)的計(jì)算公式為

ξi（k）=miniminky（k）-xi（k）+ρmaximaxky（k）-xi（k）y（k）-xi（k）+ρmaximaxky（k）-xi（k）

式中：ρ為分辨系數(shù)，通常取0.5;{y（k）}為參考序列，又稱(chēng)母序列;{xi（k）}為比較序列，又稱(chēng)子序列。從而，目標(biāo)案例D與歷史案例Ai的關(guān)聯(lián)度為

ri=1nnk=1ξi（k）

2.5 全局相似度計(jì)算

歷史案例Ai與目標(biāo)案例D之間的相似度為

L（Ai，D）=mj=1（ω2ja′jc′j）mj=1（ω2ja2j）mj=1（ω2jc2j）

（12）

式中：a′j和c′j分別為歷史案例Ai和目標(biāo)案例D的第j個(gè)特征值標(biāo)準(zhǔn)化后的值。

2.6 案例學(xué)習(xí)與調(diào)整

通過(guò)以上分析，最終匹配到案例庫(kù)中與目標(biāo)案例相似度最大的案例。結(jié)合目標(biāo)案例的實(shí)際情況及相關(guān)需求，對(duì)檢索出的案例進(jìn)行學(xué)習(xí)與調(diào)整，從而實(shí)現(xiàn)對(duì)海上交通事故應(yīng)急物資需求量的預(yù)測(cè)。

3 算例分析

假設(shè)我國(guó)某水域發(fā)生一起碰撞事故，船舶類(lèi)型為散貨船，載有船員14人，船舶發(fā)生輕微破損，事故共造成10人落水、2人受傷，應(yīng)急響應(yīng)級(jí)別為Ⅲ級(jí)，船齡為9 a，事故發(fā)生時(shí)能見(jiàn)度為2 km，風(fēng)速為2 m/s，流速為3 m/s?，F(xiàn)有案例庫(kù)中有320個(gè)案例，通過(guò)灰色關(guān)聯(lián)分析法，以0.6為相似度閾值，從320個(gè)案例中初步篩選出67個(gè)符合條件的相似案例，構(gòu)成新的案例庫(kù)。篩選出的歷史案例和目標(biāo)案例D的指標(biāo)數(shù)據(jù)見(jiàn)表3。

3.1 基于博弈論確定指標(biāo)綜合權(quán)重

根據(jù)海上交通事故的特點(diǎn)對(duì)指標(biāo)重要程度進(jìn)行排序：B2B3B4B7B5B8B6B1B9B10B12B11。將根據(jù)表2得到的偏好比率值代入式（6）建立方程組并求解得到指標(biāo)主觀權(quán)重ω1=（0.056，0.178，0.152，0.147，0.095，0.057，0.112，0.068，0.048，0.039，0.022，0.026）。

從初步篩選出的67個(gè)相似案例中隨機(jī)選取10個(gè)案例，將這10個(gè)案例的原始數(shù)據(jù)轉(zhuǎn)化為標(biāo)準(zhǔn)數(shù)據(jù)，利用熵值法得到客觀權(quán)重ω2=（0.033，0.193，0.210，0.121，0.076，0.063，0.090，0.066，0.041，

0.042，0.035，0.029）。

利用博弈論建立最優(yōu)組合系數(shù)方程組：

aω1ωT1+bω1ωT2=ω1ωT1

aω2ωT1+bω2ωT2=ω2ωT2

求解得到a=0.572，b=0.543，歸一化處理后得到a*=0.513，b*=0.487。根據(jù)式（11）得到綜合指標(biāo)權(quán)重，ω=（0.045，0.185，0.180，0.134，0.086，0.060，0.101，0.067，0.045，0.040，0.028，0.027）。

3.2 案例相似度計(jì)算和案例匹配

在12個(gè)指標(biāo)中，事故類(lèi)型B1、船舶類(lèi)型B6、貨物類(lèi)型B9為符號(hào)型指標(biāo)，應(yīng)急響應(yīng)級(jí)別B2和船舶破損程度B7為描述型指標(biāo)，其他的都為數(shù)值型指標(biāo)。利用第2.2節(jié)的方法對(duì)不同類(lèi)型的指標(biāo)進(jìn)行特征相似度確定，得到篩選出的歷史案例與目標(biāo)案例的特征相似度，見(jiàn)表4。

利用式（12）和MATLAB編程計(jì)算得到目標(biāo)案例與歷史案例的全局相似度。選取全局相似度排名前5的歷史案例（見(jiàn)表5）進(jìn)行分析。相似度最高的歷史案例為A32，其次為A18。如果將相似度閾值設(shè)為0.9，則A32和A18都為最佳相似案例，A32相似度更高。目標(biāo)案例D中散貨船在運(yùn)輸過(guò)程中發(fā)生船舶碰撞事故，造成少量的人員落水和人員傷亡。雖然案例A32與案例A18的事故類(lèi)型、流速、能見(jiàn)度等不同，但是同樣發(fā)生了少量的人員落水和失蹤險(xiǎn)情，并且案例A32需要搜救的人數(shù)與目標(biāo)案例的更接近（都為1人），因此，目標(biāo)案例D與歷史案例A32具有相似的救援方式及應(yīng)急物資需求。

3.3 案例學(xué)習(xí)與調(diào)整

通過(guò)案例推理發(fā)現(xiàn)，雖然歷史案例A32與目標(biāo)案例D具有相似的救援方式及應(yīng)急物資需求，但是兩者并不完全一樣。根據(jù)案例推理相關(guān)理論及原則，將目標(biāo)案例和最佳匹配案例的相關(guān)信息給領(lǐng)域?qū)＜?，領(lǐng)域?qū)＜腋鶕?jù)目標(biāo)案例實(shí)際情況，對(duì)最佳匹配案例的應(yīng)急物資需求進(jìn)行調(diào)整和修正，作為目標(biāo)案例應(yīng)急物資需求預(yù)測(cè)的結(jié)果，從而實(shí)現(xiàn)對(duì)海上交通事故應(yīng)急物資需求量的預(yù)測(cè)。

此外，對(duì)案例進(jìn)行修正需要對(duì)案例進(jìn)行分析與推理，在此過(guò)程中也會(huì)積累相關(guān)的知識(shí)和經(jīng)驗(yàn)。將這些修正方案及其對(duì)應(yīng)的應(yīng)急物資需求結(jié)果作為一個(gè)新案例保存到案例庫(kù)中，可促使模型算法不斷學(xué)習(xí)與成長(zhǎng)。因此，通過(guò)案例學(xué)習(xí)，不僅能夠不斷增加案例庫(kù)容量，而且能夠在一定程度上提高模型的適應(yīng)性。

4 結(jié)束語(yǔ)

為深入挖掘和利用海上交通事故案例蘊(yùn)含的寶貴知識(shí)，從大量海上交通事故歷史案例中提取案例特征構(gòu)建特征指標(biāo)集，并對(duì)不同類(lèi)型指標(biāo)采用不同方法進(jìn)行數(shù)值化處理，構(gòu)建了海上交通事故案例庫(kù)。利用博弈論計(jì)算綜合指標(biāo)權(quán)重，利用灰色關(guān)聯(lián)分析法對(duì)現(xiàn)有案例進(jìn)行初步篩選構(gòu)建新的案例集，然后通過(guò)案例推理模型檢索出與目標(biāo)案例相似度最高的案例。根據(jù)目標(biāo)案例實(shí)際情況對(duì)相似度最高的案例進(jìn)行調(diào)整和修正。通過(guò)對(duì)海上交通事故應(yīng)急物資需求量的預(yù)測(cè)驗(yàn)證了模型的可行性和適用性。本文提出的案例庫(kù)及檢索方法克服了指標(biāo)權(quán)重確定不合理的問(wèn)題，提高了海上交通事故應(yīng)急物資需求預(yù)測(cè)的精度，具有一定的科學(xué)性，能夠在海上交通事故發(fā)生后為決策部門(mén)提供較為有效、可靠的決策依據(jù)。

參考文獻(xiàn)：

[1]涂敏， 胡遠(yuǎn)程. 船舶海上碰撞事故影響因素分析[J]. 物流技術(shù)， 2018， 37（2）： 53-66， 72. DOI： 10.3969/j.issn.1005-152X.2018.02.012.

[2]中華人民共和國(guó)廣東海事局. 珠海：“粵陽(yáng)坡0158”漁船沉沒(méi)， 船上3人遇險(xiǎn)， 1人獲救[EB/OL]. （2019-10-14）[2020-06-20]. https：//www.gd.msa.gov.cn/gd/ShowArticle.asp？ArticleID=37028.

[3]李華. 海上油田復(fù)雜情況與事故案例庫(kù)系統(tǒng)的開(kāi)發(fā)及應(yīng)用[J]. 石化技術(shù)， 2018， 25（8）： 140.

[4]薛金凱. 基于案例推理的海上搜救輔助決策研究[D]. 大連： 大連海事大學(xué)， 2011.

[5]秦霜霜， 呂偉， 余惠琴， 等. 基于案例推理的火災(zāi)事故相似度及應(yīng)對(duì)措施研究[J]. 安全與環(huán)境工程， 2018， 25（5）： 150-155. DOI： 10.13578/j.cnki.issn.1671-1556.2018.05.023.

[6]錢(qián)楓林， 崔健. BP神經(jīng)網(wǎng)絡(luò)模型在應(yīng)急需求預(yù)測(cè)中的應(yīng)用： 以地震傷亡人數(shù)預(yù)測(cè)為例[J]. 中國(guó)安全科學(xué)學(xué)報(bào)， 2013， 23（4）： 21-26. DOI： 10.16265/j.cnki.issn1003-3033.2013.04.017.

[7]SUN Bingzhen， MA Weimin， ZHAO Haiyan. A fuzzy rough set approach to emergency material demand prediction over two universes[J]. Applied Mathematical Modelling， 2013， 37（10/11）： 7062-7070. DOI： 10.1016/j.apm.2013.02.008.

[8]GU Yong， CHEN Ping. Analysis of reserve demand for regional emergency materials[C]//International Workshop on Intelligent Systems & Applications. IEEE， 2011. DOI： 10.1109/ISA.2011.5873426.

[9]LIU Wenmao， HU Guangyu， LI Jianfeng. Emergency resources demand prediction using case-based reasoning[J]. Safety Science， 2012， 50（3）： 530-534. DOI： 10.1016/j.ssci.2011.11.007.

[10]WANG Xiaobo， SUN Ping， YANG Yan， et al. A prediction model of emergency material demand based on case-based reasoning[C]//Control & Decision Conference. IEEE， 2016. DOI： 10.1109/CCDC.2016.7532074.

[11]張文芬， 楊家其. 基于小波神經(jīng)網(wǎng)絡(luò)的海上突發(fā)事件應(yīng)急資源動(dòng)態(tài)需求預(yù)測(cè)[J]. 運(yùn)籌與管理， 2015， 24（4）： 198-205.

[12]鄧守城， 吳青， 石兵， 等. 基于案例推理的水上交通突發(fā)事件應(yīng)急響應(yīng)資源需求預(yù)測(cè)[J]. 中國(guó)安全科學(xué)學(xué)報(bào)， 2014， 24（3）： 79-84. DOI： 10.16265/j.cnki.issn1003-3033.2014.03.013.

[13]KOLODNER J L. An introduction to case-based reasoning[J]. Artificial Intelligence Review， 1992， 6（1）： 3-34.

[14]汪飛翔， 楊亞?wèn)|， 田書(shū)冰， 等. 基于SVM的水上交通事故嚴(yán)重程度的影響因素研究[J]. 交通信息與安全， 2018， 36（2）： 18-32. DOI： 10.3963/j.issn.1674-4861.2018.02003.

[15]謝健民， 秦琴， 吳文曉. 基于本體的突發(fā)事件網(wǎng)絡(luò)輿情案例推理模型[J]. 情報(bào)雜志， 2019， 38（1）： 83-90. DOI： 10.3969/j.issn.1002-1965.2019.01.014.

[16]王會(huì)東， 何世繁， 潘曉宏， 等. 基于博弈論權(quán)重集化模型的多屬性群決策VIKOR方法[J]. 統(tǒng)計(jì)與決策， 2019， 35（4）： 39-43. DOI： 10.13546/j.cnki.tjyjc.2019.15.008.

[17]張以晨， 佴磊， 孟凡奇， 等. 基于最優(yōu)組合賦權(quán)理論的可拓學(xué)評(píng)價(jià)模型的應(yīng)用[J]. 吉林大學(xué)學(xué)報(bào)（地球科學(xué)版）， 2011， 41（4）： 161-166， 186.

[18]鄔惠國(guó)， 劉春姣， 肖英杰. 基于格序決策理論的LNG船舶進(jìn)出港組織方案比選[J]. 上海海事大學(xué)學(xué)報(bào)， 2012， 33（2）： 10-13.

[19]牛佳偉， 李連博， 陳昌源， 等. 加權(quán)灰色關(guān)聯(lián)理論模型在遼寧海上交通事故分析與預(yù)測(cè)中的應(yīng)用[J]. 上海海事大學(xué)學(xué)報(bào)， 2016， 37（1）： 65-69， 102. DOI： 10.13340/j.jsmu.2016.01.012.

（編輯 趙勉）