基于支持向量機(jī)回歸多屬性在地震應(yīng)急決策中的應(yīng)用探討

王 琳，楊天青，邱 鵬，郝 婧

（1.貴州省工程防震研究院，貴陽 550001；2.中國地震臺網(wǎng)中心，北京 100045）

0 引言

地震是人類共同面臨的突發(fā)性較強(qiáng)、致災(zāi)過程復(fù)雜的自然災(zāi)害之一，我國是世界上地震活動最強(qiáng)烈、地震災(zāi)害最嚴(yán)重的國家之一。傳統(tǒng)的震后應(yīng)急決策主要是根據(jù)現(xiàn)行的國家和地方地震應(yīng)急預(yù)案、條例、規(guī)范、標(biāo)準(zhǔn)結(jié)合決策者的個人經(jīng)驗等來部署現(xiàn)場工作隊的規(guī)模、結(jié)構(gòu)情況，這可能導(dǎo)致出隊方案并非最優(yōu)，且由于不同工作任務(wù)對接存在的脫節(jié)，決策部署效率低且人為因素影響較大，本文主要針對地震應(yīng)急工作實施過程中存在的這些問題進(jìn)行研究，擬采用支持向量機(jī)多屬性回歸計算模型，為決策者制定出隊方案提供一定參考。

1 計算方法簡介

目前數(shù)據(jù)挖掘和人工智能技術(shù)的快速發(fā)展，多種推薦算法在輔助決策、個性化智能推薦等方面得到了廣泛應(yīng)用，如我們所熟知的購物平臺商品智能推送，新聞媒體、公眾號的信息推薦、音樂播放平臺的每日歌單推薦等。遺傳算法是建立在遺傳學(xué)與自然選擇基礎(chǔ)上的自適應(yīng)搜索過程，作為解決復(fù)雜問題的一種有效手段，從一個初始化的群體出發(fā)，選取性能優(yōu)良的個體，在這些優(yōu)良個體之間進(jìn)行生物化的繁殖，使它們一代代地進(jìn)化到解空間中越來越好的區(qū)域，從而最終得到最優(yōu)解。K 最近鄰分類算法（k-nearest neighbor，簡稱KNN 推薦算法）的原理是一個樣本在某一特征空間中，與其最相似的k 個樣本中的大部分屬于某一類，則該樣本也屬于這一類。

地震的發(fā)生隨機(jī)性強(qiáng)，破壞性地震致災(zāi)范圍廣、強(qiáng)度大，給人民的生命財產(chǎn)安全、社會秩序的穩(wěn)定造成重大威脅，因此地震現(xiàn)場應(yīng)急工作時間緊任務(wù)重，對應(yīng)急現(xiàn)場工作隊員的應(yīng)急應(yīng)變能力，專業(yè)知識儲備情況等要求較高。本文依據(jù)應(yīng)急預(yù)案、條例等，對應(yīng)急現(xiàn)場隊成員的情況進(jìn)行分析后，發(fā)現(xiàn)應(yīng)急現(xiàn)場隊成員參與地震應(yīng)急工齡、實際現(xiàn)場應(yīng)急次數(shù)、到單位的最快集合時間為三個較為重要的，代表現(xiàn)場隊員地震應(yīng)急處置能力的屬性，本文利用遺傳算法全局最優(yōu)收斂的特性對支持向量機(jī)的上述三個屬性參數(shù)進(jìn)行尋優(yōu)，采用支持向機(jī)回歸的方法擬合不同屬性，有效解決三個不同屬性之間的關(guān)聯(lián)性問題，再采用KNN 算法推薦得到最優(yōu)應(yīng)急團(tuán)隊[1-4]，以得到最優(yōu)解的支持向量機(jī)推薦現(xiàn)場隊員。

2 支持向量機(jī)推薦模型的構(gòu)建

（1）由于應(yīng)急團(tuán)隊不同屬性的性質(zhì)不同，通常具有不同的數(shù)量級，若各屬性間的水平相差很大時直接用原始屬性值進(jìn)行分析，就會突出數(shù)值較高的屬性在綜合分析中的作用，相對削弱數(shù)值水平較低屬性的作用。因此，為了保證結(jié)果的可靠性，需要對原始屬性數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，再利用標(biāo)準(zhǔn)化的數(shù)據(jù)進(jìn)行數(shù)據(jù)分析。本文研究中的備選應(yīng)急隊員在工作年齡、應(yīng)急次數(shù)、應(yīng)急集合時間三種屬性之間關(guān)聯(lián)性較小，因此采用min-max 標(biāo)準(zhǔn)化處理方法，該方法稱之為離差標(biāo)準(zhǔn)化，對這三種屬性進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化線性變換，目的是將結(jié)果值映射到0 到1 之間[2]，函數(shù)公式如下：

式（1）中：xmin為樣本數(shù)據(jù)最小值；xmax為樣本數(shù)據(jù)最大值；x為樣本數(shù)據(jù)。

（2）支持向量機(jī)的基本概念：首先通過非線性變換將輸入空間變換到一個高維空間，然后在這個新空間中求取最優(yōu)線性分類面，而這種非線性變換是通過定義適當(dāng)?shù)膬?nèi)積函數(shù)來實現(xiàn)的。支持向量機(jī)求得的分類函數(shù)形式上類似于一個神經(jīng)網(wǎng)絡(luò)，其輸出是若干中間層節(jié)點(diǎn)的線性組合，而每一個中間層節(jié)點(diǎn)對應(yīng)于輸入樣本與一個支持向量的內(nèi)積，因此也被叫做支持向量網(wǎng)絡(luò)[5-8]。結(jié)構(gòu)如圖1所示：

圖1 支持向量機(jī)概念圖Fig.1 Concept diagram of support vector machines

SVM 應(yīng)用于回歸擬合分析時，不再是尋找一個最優(yōu)分類面使得兩類樣本分開，而是尋找一個最優(yōu)分類面使得所有訓(xùn)練樣本離該最優(yōu)分類面的誤差最小[9]，概念圖如圖2。

圖2 回歸支持向量機(jī)概念圖Fig.2 Concept diagram of regression support vector machines

應(yīng)急團(tuán)隊的學(xué)習(xí)樣本集表示為{（x1，y1），（x2，y2），…，（xi，yi）}（xi∈Rn為輸入變量，yi為與xi對應(yīng)輸出變量），回歸問題是指從樣本中學(xué)習(xí)一個函數(shù)，然后給定一個xi值，能夠預(yù)測yi的值，SVR 函數(shù)公式如下[10-11]：

式（5）中σ 為徑向基核帶寬的調(diào)節(jié)參數(shù)，結(jié)合公式（4）得到支持向量機(jī)推薦模型。

式（6）可以看出，支持向量機(jī)模型的性能和泛化能力主要取決于參數(shù)c 和σ，常采用試驗法來確定參數(shù)，但容易陷入局部解，因此考慮引入采用遺傳算法來確定參數(shù)c 和σ，遺傳算法具有全局最優(yōu)解的特點(diǎn)，這樣能夠保證模型的有效性和準(zhǔn)確性。

3 支持向量機(jī)回歸多屬性模型

地震現(xiàn)場應(yīng)急隊員的工齡、應(yīng)急次數(shù)、應(yīng)急集合時間，是決定應(yīng)急團(tuán)隊最優(yōu)解的關(guān)鍵，但這些屬性是非線性的，因此需要構(gòu)建一個SVR 多屬性回歸模型[5-6]，以解決三個不同屬性之間的關(guān)聯(lián)性問題，回歸模型可構(gòu)建為：

式（7）中：ri應(yīng)急隊員的綜合評分，m（Aκ|i）是應(yīng)急隊員的工齡斷評分，K∈{0，1，2，… ，17}，共18 個工齡。m（Bs|i）是應(yīng)急隊員參與過地震應(yīng)急的次數(shù)段評分，u∈{0，1，2，… ，8，}，共9 個參與地震應(yīng)急救援次數(shù)。m（Cu|i）是應(yīng)急集合時間評分，v∈{0，1，2，…，9}，共10個應(yīng)急集合時間。

支持向量機(jī)回歸通過核函數(shù)K（x，xi）將數(shù)據(jù)從空間非線性變換到高維空間，從而使得數(shù)據(jù)在該空間中被轉(zhuǎn)換成線性組合[11]，用支持向量機(jī)回歸的方法構(gòu)建非線性回歸模型公式如下：

使用序列最小優(yōu)化方法求解該支持向量機(jī)回歸問題。

4 實驗結(jié)果分析

本文以貴州省地震局目前的地震應(yīng)急出隊分組作為參考，按地震應(yīng)急預(yù)案的要求將應(yīng)急隊伍分為ABCD 四類，其中A 為震情監(jiān)視跟蹤組，B 為通信與后勤保障組，C 為烈度評定與災(zāi)害評估組，D 為綜合協(xié)調(diào)組，按順序?qū)M員進(jìn)行編號A01、02... 09； B01、 01... 10； C01、 02... 18； D01、02...04，分別統(tǒng)計了每位成員的工齡、現(xiàn)場工作次數(shù)和集合時間（到單位的最快時間），將應(yīng)急團(tuán)隊的學(xué)習(xí)樣本集表示為{（x1，y1），（x2，y2），…，（xi，yi）}（xi為輸入變量，yi為與xi對應(yīng)輸出變量），使用SVM 工具訓(xùn)練基于支持向量機(jī)回歸的用戶多屬性推薦模型，嘗試尋求最優(yōu)的c 值，得到最優(yōu)分類面，計算出的各個應(yīng)急隊員在上述三個屬性條件下離最優(yōu)分類面最小值?結(jié)果詳見表1，?值越小，則表示該成員為最優(yōu)出隊選擇，反之則相反，根據(jù)計算得到的結(jié)果可以篩選出所需的應(yīng)急隊員，完成隊員的推薦。

表1 應(yīng)急隊員多屬性推薦表Table 1 Multi-attribute recommendation table for emergency team members

從表1 可以得出，若每個組只選擇一名成員。則A-震情監(jiān)視跟蹤組安排出隊的最佳人員是A01，B-通信與后勤保障組的最佳出隊人員是B02，C-烈度評定與災(zāi)害評估組的最佳出隊人員是C14，D-綜合協(xié)調(diào)組的最佳出隊人員是D01，在實際的出隊安排中，各隊選出的最佳人員可作為每隊的組長（副組長）候選人，供指揮決策者參考。

通過與傳統(tǒng)的貴州省地震應(yīng)急現(xiàn)場工作隊出隊情況相比，本文采用的基于支持向量機(jī)回歸的用戶多屬性推薦得出的最佳成員在發(fā)生在貴州省境內(nèi)的2019 年10 月沿河MS4.9 級地震與2020 年7 月赫章MS4.5 級地震中擔(dān)任隊長或副隊長的角色，是各組中地震應(yīng)急現(xiàn)場工作經(jīng)驗和技術(shù)知識最為豐富，熟知應(yīng)急工作的流程、內(nèi)容，綜合能力相對突出的成員，這也從側(cè)面映射出地震現(xiàn)場工作對應(yīng)急技術(shù)人員的專業(yè)知識儲備、應(yīng)急應(yīng)變能力要求較高。

5 結(jié)論

經(jīng)過多年的經(jīng)驗積累與探索研究，我國已形成了一套適宜的應(yīng)急工作體系，但受人員專業(yè)知識背景、工作基本能力等的影響，在近年來的應(yīng)急工作中，具體實施的環(huán)節(jié)之間出現(xiàn)了不同程度的任務(wù)對接脫節(jié)，導(dǎo)致決策部署效率低的現(xiàn)象。

本文采用支持向量機(jī)多屬性回歸計算模型，完善決策者安排出隊人員，實驗結(jié)果與隊員實際出隊能力相符，證明該方法用于篩選地震應(yīng)急出隊人員是可行的，實現(xiàn)應(yīng)急團(tuán)隊的智能推薦，不僅能提高地震應(yīng)急工作與人工智能的結(jié)合，推進(jìn)地震事業(yè)走向智能化、信息化，也能完善和彌補(bǔ)傳統(tǒng)決策模式導(dǎo)致的決策部署效率低、任務(wù)工作脫節(jié)等問題。因此通過不斷完善隊伍人員信息，增加人員屬性參數(shù)，不斷優(yōu)化，可進(jìn)一步實現(xiàn)隊伍成員的篩選，從決策制定的角度出發(fā)，可以為震后應(yīng)急現(xiàn)場工作快速高效部署、有序?qū)嵤┑奶峁┲匾A(chǔ)支撐。