石鈺磊 成世杰 宋啟杰

（62421部隊(duì)，北京 100071）

基于大數(shù)據(jù)的震災(zāi)應(yīng)急物資需求預(yù)測方法研究

石鈺磊 成世杰 宋啟杰

（62421部隊(duì)，北京 100071）

地震發(fā)生后，抗震救災(zāi)指揮部門很難在第一時(shí)間獲知災(zāi)區(qū)對應(yīng)急物資的需求情況，不利于救援資源的合理調(diào)配部署。基于大數(shù)據(jù)理念，依靠已有的數(shù)據(jù)積累，采用粒子群優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法，結(jié)合安全庫存模型，構(gòu)建了震災(zāi)應(yīng)急物資需求預(yù)測模型。算例驗(yàn)證結(jié)果表明，該模型具有一定的實(shí)用性和有效性。

抗震救災(zāi)，大數(shù)據(jù)，應(yīng)急物資，需求預(yù)測

我國是一個(gè)自然災(zāi)害頻發(fā)的國家，尤其是地震災(zāi)害，嚴(yán)重危害著我國人民群眾的生命和財(cái)產(chǎn)安全。震災(zāi)具有突發(fā)性、非常規(guī)性和不確定性等特點(diǎn)，在地震發(fā)生后，受災(zāi)區(qū)域的交通線路和通訊系統(tǒng)通常會被嚴(yán)重破壞，抗震救災(zāi)指揮部門很難在第一時(shí)間獲知災(zāi)區(qū)群眾對應(yīng)急物資的需求情況，不利于救災(zāi)資源的合理部署及運(yùn)輸力量的規(guī)劃調(diào)配。因此，研究一種能夠在震災(zāi)發(fā)生后，第一時(shí)間較為準(zhǔn)確預(yù)測出災(zāi)區(qū)應(yīng)急物資需求的方法，對于規(guī)范應(yīng)急物資采購、指導(dǎo)應(yīng)急儲備倉庫建設(shè)，以及輔助應(yīng)急救援指揮決策等均有重要的現(xiàn)實(shí)意義。

目前，雖然國內(nèi)外學(xué)者對應(yīng)急物資需求預(yù)測方法開展了大量研究，但都處于起步階段，應(yīng)用成果并不多見[1]。根據(jù)預(yù)測原理不同，可將現(xiàn)有應(yīng)急物資需求預(yù)測模型分為案例推理模型（CBR）、數(shù)學(xué)算法擬合模型和分步式間接預(yù)測模型等三大類?，F(xiàn)有的預(yù)測方法受到應(yīng)急救援案例數(shù)據(jù)庫不完善的限制，普適性不足，且受參數(shù)選擇的影響較大，因此，在實(shí)際指導(dǎo)應(yīng)急救援中，還主要依靠專家經(jīng)驗(yàn)來判斷受災(zāi)地區(qū)所需物資量。

“大數(shù)據(jù)”是近年來在全球范圍內(nèi)迅速興起的一個(gè)新名詞，其核心就是預(yù)測[2]。大數(shù)據(jù)的預(yù)測方式不是基于傳統(tǒng)的因果關(guān)系進(jìn)行推測，而是跳出傳統(tǒng)因果關(guān)系的思維局限，通過對大量數(shù)據(jù)的搜集、挖掘和分析，發(fā)現(xiàn)數(shù)據(jù)間隱藏的相關(guān)關(guān)系，從而揭示事物發(fā)生和發(fā)展的內(nèi)在規(guī)律，能夠做出更快、更符合實(shí)際的預(yù)測。要想利用大數(shù)據(jù)來進(jìn)行預(yù)測，一般需要經(jīng)歷數(shù)據(jù)采集、數(shù)據(jù)分析與挖掘、機(jī)器學(xué)習(xí)等3個(gè)步驟[3]。

本文基于大數(shù)據(jù)理念，依靠已有的數(shù)據(jù)積累，采用分步式預(yù)測法，即先利用徑向基函數(shù)（Radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)預(yù)測震災(zāi)傷亡人數(shù)，再利用安全庫存理論構(gòu)建動(dòng)態(tài)庫存模型來估算應(yīng)急物資需求量。實(shí)驗(yàn)結(jié)果表明，該方法運(yùn)算速度較快，并具有較好的預(yù)測精度。

1 震災(zāi)傷亡人數(shù)預(yù)測模型

1.1 數(shù)據(jù)準(zhǔn)備

本文搜集了近幾十年我國發(fā)生的大型地震中受災(zāi)較為嚴(yán)重的39個(gè)地區(qū)作為樣本，包括：云南瀾滄、耿馬，四川汶川、雅安，青海玉樹等，所選樣本的地震震級均在6.0級以上。

在地震災(zāi)害發(fā)生初期，一般可迅速獲得發(fā)生時(shí)間、地震震級、地震破壞烈度、發(fā)生地點(diǎn)的建筑抗震設(shè)防平均系數(shù)、當(dāng)?shù)氐氖転?zāi)人數(shù)、人口密度、地震有無事先預(yù)報(bào)等信息。因此，為在地震后第一時(shí)間對災(zāi)區(qū)傷亡人數(shù)進(jìn)行預(yù)測，選取震級、地震破壞烈度、發(fā)生時(shí)間、抗震設(shè)防系數(shù)、受災(zāi)人數(shù)、人口密度、地震預(yù)報(bào)水平等7個(gè)可迅速獲取的參數(shù)作為指標(biāo)來進(jìn)行分析，具體信息如表1所示。其中，設(shè)定較易發(fā)生人員傷亡的時(shí)間段凌晨0時(shí)至6時(shí)為2，其它時(shí)間段為1；設(shè)定地震預(yù)報(bào)水平分為3級：1級表示無預(yù)報(bào)，2級表示有預(yù)報(bào)但存在偏差，3級表示預(yù)報(bào)準(zhǔn)確。

2.2 樣本數(shù)據(jù)挖掘

主成分分析法是一種數(shù)學(xué)線性變換方法，旨在利用降維的思想，在引進(jìn)多方變量的同時(shí)將復(fù)雜因素歸結(jié)為幾個(gè)主成分，使問題簡單化，同時(shí)能夠得到更加科學(xué)、有效的數(shù)據(jù)信息[4]。由于本文各樣本數(shù)據(jù)相關(guān)性較高，因此，采用Matlab對樣本集進(jìn)行主成分分析處理。樣本各主成分特征值、貢獻(xiàn)率與累計(jì)貢獻(xiàn)率如表2所示。

表1 地震災(zāi)害人員傷亡統(tǒng)計(jì)樣本集

表2 樣本各主成分的特征值、貢獻(xiàn)率和累計(jì)貢獻(xiàn)率

從表2可以看出，前5個(gè)主成分的累計(jì)貢獻(xiàn)率為93.4523%，超過了90%，故本文選取這5個(gè)主成分替代原始的7個(gè)變量作為RBF神經(jīng)網(wǎng)絡(luò)的輸入。

2.3 機(jī)器學(xué)習(xí)——改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型

RBF神經(jīng)網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò)，相比于其它神經(jīng)網(wǎng)絡(luò)，具有在相同精度要求下，學(xué)習(xí)速度快、不易陷入局部極小值等優(yōu)點(diǎn)。隨著大數(shù)據(jù)技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)作為一種人工智能處理技術(shù)，與云計(jì)算相結(jié)合，正在實(shí)際應(yīng)用中發(fā)揮著越來越大的作用。本文在結(jié)合前期研究成果的基礎(chǔ)上[5]，采用收斂速度更快、預(yù)測準(zhǔn)確度更高的基于粒子群（Particle swarm optimization，PSO）優(yōu)化算法的RBF神經(jīng)網(wǎng)絡(luò)方法來預(yù)測震災(zāi)傷亡人數(shù)。使用PSO算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的流程如圖2所示。

2.4 傷亡人數(shù)預(yù)測

在進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)之前，需要先對數(shù)據(jù)進(jìn)行歸一化處理，同時(shí)，為了使樣本均勻分布，并保證學(xué)習(xí)的科學(xué)性，將樣本原先的順序打亂并隨機(jī)抽取33組學(xué)習(xí)樣本和6組驗(yàn)證樣本，然后建立RBF神經(jīng)網(wǎng)絡(luò)模型。樣本學(xué)習(xí)曲線圖如圖3所示。

圖2 PSO算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)流程圖

從圖3可以看出，經(jīng)過PSO算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中收斂平穩(wěn)、收斂速度快、偏差度低，且達(dá)到了要求精度。

對6組驗(yàn)證數(shù)據(jù)的前5個(gè)主成分進(jìn)行仿真學(xué)習(xí)，經(jīng)過反向標(biāo)準(zhǔn)化得到仿真輸出值，如表4所示。

圖3 神經(jīng)網(wǎng)絡(luò)樣本學(xué)習(xí)曲線圖

表4 驗(yàn)證樣本神經(jīng)網(wǎng)絡(luò)仿真輸出值

將其與實(shí)際值進(jìn)行對比，如圖4所示?？梢钥闯觯褂帽疚乃⒌念A(yù)測模型所得到的地震人員傷亡預(yù)測值與實(shí)際值有很好的擬合性，預(yù)測準(zhǔn)確度較高。

圖4 案例樣本預(yù)測值與實(shí)際值對比圖

3 應(yīng)急物資需求量估算模型

地震發(fā)生后，向?yàn)?zāi)區(qū)供應(yīng)物資時(shí)存在著很多的不確定性因素，例如，地理?xiàng)l件致使交通通道受堵，或者急需的某類物資庫存不足等。同時(shí)，震災(zāi)的應(yīng)急物資供給具有弱經(jīng)濟(jì)型，其首要目標(biāo)是不惜一切代價(jià)救人。因此，為了提高預(yù)測質(zhì)量，本文在估算受災(zāi)群眾對某種物資的需求時(shí)，引入了商業(yè)物流中的安全庫存概念，用以緩沖救援過程中的諸多不確定性因素。

3.1 估算模型構(gòu)建

參考隨機(jī)需求滿足率和隨機(jī)提前期下的安全庫存模型，構(gòu)建震災(zāi)應(yīng)急物資需求估算模型。為充分滿足災(zāi)區(qū)群眾對應(yīng)急物資的需求，這里將公式中的提前期即連續(xù)向?yàn)?zāi)區(qū)供給物資的時(shí)間間隔期取為其上限，標(biāo)記為I。

其中，記地震發(fā)生時(shí)的時(shí)刻為0，由此開始以小時(shí)為單位計(jì)時(shí)，標(biāo)記為t（t=0, 1, 2, …）；以m表示某種應(yīng)急物資，如方便食品、御寒物資等。

式（1）中，P表示災(zāi)區(qū)人口總數(shù)，D（t）表示t時(shí)刻災(zāi)區(qū)的死亡人數(shù)，S（t）表示t時(shí)刻災(zāi)區(qū)的幸存者人數(shù)。

式（2）中，Qm（t）表示t時(shí)刻災(zāi)區(qū)所需物資m的數(shù)量；qm表示每位災(zāi)民單位時(shí)間對物資m的需求量；?表示災(zāi)區(qū)所需物資的缺貨率，則1-?表示所需物資的滿足率，Z1-?表示服務(wù)水平系數(shù)，可通過正態(tài)分布表查詢，本文中取其最大值；表示截止到t時(shí)刻，災(zāi)區(qū)對物資m每小時(shí)需求的標(biāo)準(zhǔn)差，可由公式（3）獲得；Am（t）表示t時(shí)刻已經(jīng)運(yùn)抵災(zāi)區(qū)的物資m數(shù)量，Bm表示災(zāi)區(qū)內(nèi)物資m的庫存量。W（t）表示t時(shí)刻災(zāi)區(qū)的受傷人數(shù)。

式（4）表示物資需求量Qm（t）的平均值。

3.2 算例分析

利用文中構(gòu)建的模型，對2014年8月3日16時(shí)30分發(fā)生在云南省昭通市魯?shù)榭h的6.5級地震所需的應(yīng)急物資量進(jìn)行了預(yù)測。

第1步：收集案例數(shù)據(jù)

地震發(fā)生時(shí)，經(jīng)測地震烈度達(dá)9度，地震在魯?shù)榭h造成617人死亡，3143人受傷，其它指標(biāo)數(shù)據(jù)如表5所示。

第2步：預(yù)測傷亡人數(shù)

利用文中學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，輸入表5中的參數(shù)進(jìn)行預(yù)測，得到預(yù)測值為死亡人數(shù)587人，受傷人數(shù)2976人，與實(shí)際情況偏差很小。

表5 魯?shù)榭h震后參數(shù)

表6 公式相關(guān)參數(shù)設(shè)置

第3步：估算各類應(yīng)急物資需求量

對于災(zāi)區(qū)人民每人每日物資供應(yīng)量，張培靜已經(jīng)在文獻(xiàn)[6]中進(jìn)行了統(tǒng)計(jì)分析、國務(wù)院也下發(fā)過相應(yīng)標(biāo)準(zhǔn)。

本文選取能夠保障基本生活條件的4種物資進(jìn)行計(jì)算，分別是飲食類中的瓶裝水、方便食品、御寒物資類的帳篷和藥品中的抗生素，公式中相關(guān)參數(shù)設(shè)置如表6所示。

本文中的單位物資需求量設(shè)置的是需求平均值，實(shí)際操作中，可根據(jù)人員類別、天氣條件、區(qū)域特征等不同情況具體設(shè)置；另外，本文中設(shè)置應(yīng)急物資滿足率為95%，提前期上限為6h，其目的在于最大限度滿足災(zāi)區(qū)基本生活條件需要。

那么由公式（1）可得S（t）=434413（人）；

在地震發(fā)生初期，，則由公式（2）可得：

q1（0）=160×6×434413=417036480（ml）

q2（0）=50×6×434413=130323900（g）

q3（0）=0.25×434413?108604（頂）

q4（0）=80×6×2976=1428480（mg）

通過計(jì)算，地震發(fā)生后，抗震救災(zāi)指揮部門應(yīng)在第一時(shí)間向?yàn)?zāi)區(qū)籌集調(diào)撥瓶裝水約417036480ml，方便食品約130323900g，帳篷約108604頂，抗生素約1428480mg。

本文研究的方法旨在為抗震救災(zāi)指揮部門第一時(shí)間提供決策支持，在實(shí)際救災(zāi)過程中，隨著救援人員進(jìn)入災(zāi)區(qū)后，根據(jù)實(shí)時(shí)反饋回的實(shí)際信息，可對應(yīng)急物資量進(jìn)行動(dòng)態(tài)調(diào)整。

4 結(jié)束語

由于地震災(zāi)害應(yīng)急救援過程中的應(yīng)急物資需求預(yù)測問題具有復(fù)雜的非線性變化規(guī)律，要建立精確的數(shù)學(xué)模型相當(dāng)困難，因此，本文基于大數(shù)據(jù)的理念，將PSO-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型引入該問題，并結(jié)合安全庫存公式構(gòu)建了應(yīng)急物資需求預(yù)測模型，同時(shí)通過對云南魯?shù)榈卣鹚栉镔Y進(jìn)行計(jì)算，驗(yàn)證了該模型的有效性，為震災(zāi)應(yīng)急物資需求預(yù)測問題提供了一種解決方法。

1 林勇, 姜大立, 汪貽生, 等. 震災(zāi)應(yīng)急物資動(dòng)態(tài)需求預(yù)測模型研究[J]. 后勤工程學(xué)院學(xué)報(bào), 2015, (3): 58～61

2 維克托·邁爾·舍恩伯格, 肯尼斯·庫克耶. 大數(shù)據(jù)時(shí)代[M]. 杭州: 浙江人民出版社, 2012

3 IBM商業(yè)價(jià)值研究院. 分析: 大數(shù)據(jù)在現(xiàn)實(shí)世界中的應(yīng)用[R]. IBM報(bào)告會, 2013

4 John A Rice. 數(shù)理統(tǒng)計(jì)與數(shù)據(jù)分析[M]. 田金芳, 譯. 北京: 機(jī)械工業(yè)出版社, 2011

5 石鈺磊, 賈斌, 董立峰, 等. 基于改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)的震災(zāi)人員傷亡數(shù)預(yù)測方法研究[J]. 軍事交通學(xué)院學(xué)報(bào), 2015, 17(3): 91～95

6 張培靜. 抗震救災(zāi)物資供應(yīng)的適應(yīng)性研究——以汶川地震救災(zāi)物資的供應(yīng)為例[D]. 成都: 西南交通大學(xué),2010

1009-8119（2017）10（1）-0058-04