高速公路交通应急预案的模糊匹配

为了提高高速公路应急预案匹配的智能性和实时性,引入了人工智能领域中的范例推理技术（CBR）并提出一种模糊匹配方法作为其检索算法。该方法结合最大隶属度原则确定突发事件和案例库中各个案例定量描述属性所属的模糊集,利用格贴近度计算突发事件与案例对应各属性之间的相似程度,结合权重选择出相似度最大的案例作为预案。通过与现有匹配算法的对比,体现出模糊匹配算法能有效的处理模糊性而在交通应急预案匹配中的优越性,是一种可行的应急预案智能匹配方法。     

提高案例推理分类器的可靠性研究

针对案例推理（Case-based reasoning,CBR）分类器的可靠性问题,本文提出一种改进的案例检索和案例重用方法. 首先在案例检索环节应用注水原理对属性权重进行优化分配,利用每个属性数据的标准差和均值构造拉格朗日函数求得属性权重,并设定重要度阈值指导属性约简;其次在案例重用环节引入基于可信度的重用策略,通过计算目标案例分属于各个类别的可信度大小来确定当前案例的分类结果. 最后通过实验对比,表明本文方法能有效提高分类精度和效率,分类器的可靠性得以保障.     

应用于洪涝灾害案例推理中的层次熵分析法

案例推理中影响匹配案例检索的关键因素之一就是特征属性权值的分配与确定。将层次熵分析法应用于洪涝灾害案例推理中,对灾后救灾口粮的需求进行了预估。由层次分析法分析决策问题的目标及多种层次因素,构造出合理的层次结构。结合主观判断信息得出特征属性权值的优先级。在此基础上利用熵技术对其进行修正,确保特征属性权值具有客观性,使得优选案例更加切合实际情况。通过实验结果证明,该方法适用于洪涝灾害案例推理,可以从多项历史案例中选择与目标案例匹配最佳的案例,从而为准确预测救灾口粮需求提供了科学的参考。     

基于案例推理的突发事件应急方案生成方法

针对突发事件应急方案生成问题, 提出一种考虑属性特征权重影响的应急方案生成方法. 基于案例推理(CBR) 理论, 将基本遗传算法(SGA) 和粒子群优化算法(PSO) 引入属性特征权重的计算中. 通过收集到的数据验证了案例间相似度计算的准确性, 说明了所提出方法的有效性和可行性.

     

考虑应急方案总体优势度的决策方法

针对突发事件有效方案生成问题,从案例匹配和方案生成两个角度出发,提出一种基于证据推理的考虑总体优势度的应急决策方法。首先,依据检索方法得到源案例与目标案例的相似度,并获取应急方案的历史实施效果和当前实施效果;然后,通过证据推理合成应急证据,进而计算案例的总体优势度来确定最有效的案例;最后,通过一个煤矿事故应急决策案例验证了所提出方法的可行性和有效性。     

基于粗糙集和CBR的救灾口粮需求预测

救灾口粮预测所采用的方法多以专家经验判断为主,具有较大的随机性。为此,从灾害案例的特点出发,针对案例推理时存在效率低下和权重确定差异性较大的问题,结合粗糙集处理不确定知识的优点和案例推理的特点,提出一种方法,实现灾害应急救灾口粮需求预测,并通过洪涝灾害实例进行分析。结果表明该方法有利于减少主观影响,提高需求预测的准确率和效率。     

案例推理分类器属性权重的内省学习调整方法

针对案例推理（CBR）分类器中案例属性权重的分配问题,提出一种基于内省学习的属性权重迭代调整方法。该方法可根据CBR分类器对训练案例分类的结果调整属性的权重。基于成功驱动的权重学习策略,若当前训练案例分类成功,则首先根据权重调整公式增加匹配属性的权重并减少不匹配属性的权重;然后对所有权重进行归一化从而得到当次迭代的新权重。实验结果表明,所提方法的CBR分类器在UCI数据集PD、Heart和WDBC的准确率比传统CBR分类器分别提高1.72%、4.44%和1.05%。故成功驱动的内省学习权重调整方法可以提高权重分配的合理性,进而提高CBR分类器的准确率。     

基于灰色模糊推理的油料消耗预测

为了克服传统预测方法的弊端,提出了基于灰色模糊推理的油料消耗预测方法。首先,构建了基于加权灰色关联分析的案例检索模型,且运用信息熵理论确定灰色关联系数的权重;其次,构建了模糊集理论的案例检索模型,且运用改进的层次分析法确定特征属性的权重;最后,基于上述2种检索结果,运用灰色关联分析方法构建了组合检索模型,并且基于检索结果对油料消耗进行预测。通过算例仿真,证明了上述检索方法具有较高的准确度,验证了预测方法的可行性和实用性。     

油料保障预测系统中案例推理方法

一般油料保障需求预测都采用历史数据回归分析的方法,这些方法无法适用缺少油料消耗历史数据的突然性的部队行动样式。为解决此问题,引入了人工智能领域的案例推理技术,采用层次分析法计算油料保障需求案例各特征属性权重;针对油料保障需求案例属性缺失的普遍问题,提出了一种基于结构可比度和属性相似度的二次案例相似度计算方法。最后模拟某坦克团的一次军事行动油料保障需求预测对上述理论和方法进行了仿真和验证,仿真结果表明,案例推理技术在油料保障需求预测中能够在缺少历史数据的情况下进行比较精确的预测。     

基于互信息案例推理的氧气脱碳效率预测模型

提出基于互信息案例推理的氧气脱碳效率预测模型,并依据预测结果计算转炉炼钢静态和动态阶段吹氧量.首先提出一种新的吹氧量预测方法,将氧气脱碳效率作为案例推理的解属性;然后将互信息引入属性权重的确定过程中,解决了传统案例检索方法忽略问题属性与解属性之间信息量的不足.将所提方法用于一座150t转炉的实际生产数据中,仿真结果表明该模型预测精度较高.该方法能够实现对转炉炼钢吹氧量的准确计算,满足实际生产的要求.     

Deep learning and case-based reasoning for predictive and adaptive traffic emergency management

An efficient traffic signal control system (TSCS) should not only be reactive to the current traffic but also be predictive by anticipating future traffic disturbances. In this study, we investigate the potential of using convolution neural network (CNN) in detecting emergency cases and forecasting events that can interrupt the traffic flow. Case-based reasoning (CBR) is then exploited to react to detected and forecasted events. We further develop an adapted Reinforcement Leaning (RL) algorithm in building and enhancing the case bases. The proposed system inherits the advantages of CNN, CBR, and RL, which allow detection, prediction, control, evaluation, and learning in a unified framework. To assess the proposed TSCS, we compare our approach with a set of state-of-art algorithms (e.g., multi-agent preemptive case-based reasoning algorithm and multi-agent preemptive longest queue first—maximal weight matching). The proposed TSCS outperforms the benchmarking algorithms through experiments in various traffic scenarios.

     

基于模糊聚类和直觉模糊推理的合成旅油料需求预测

需求预测是合成旅组织油料保障的基础环节,对合成旅成功遂行军事行动有着比较重要的影响.由于合成旅组成结构的特殊性,传统预测方法存在较大弊端,因此,提出了基于模糊聚类和直觉模糊推理的合成旅油料需求预测方法.首先,通过模糊C均值聚类算法实现对历史案例的初步筛选,以提高案例检索速度.然后,构建了案例特征属性的主客观综合权重模型和基于直觉模糊集的案例检索模型,保证了案例检索的准确度.最后,构建了基于整体数据特征的合成旅油料需求预测模型.通过算例分析验证上述预测方法的可行性和实用性,证明了该方法有助于提高检索速度和预测准确度.     

The clustering-based case-based reasoning for imbalanced business failure prediction: a hybrid approach through integrating unsupervised process with supervised process

Case-based reasoning (CBR) is one of the main forecasting methods in business forecasting, which performs well in prediction and holds the ability of giving explanations for the results. In business failure prediction (BFP), the number of failed enterprises is relatively small, compared with the number of non-failed ones. However, the loss is huge when an enterprise fails. Therefore, it is necessary to develop methods (trained on imbalanced samples) which forecast well for this small proportion of failed enterprises and performs accurately on total accuracy meanwhile. Commonly used methods constructed on the assumption of balanced samples do not perform well in predicting minority samples on imbalanced samples consisting of the minority/failed enterprises and the majority/non-failed ones. This article develops a new method called clustering-based CBR (CBCBR), which integrates clustering analysis, an unsupervised process, with CBR, a supervised process, to enhance the efficiency of retrieving information from both minority and majority in CBR. In CBCBR, various case classes are firstly generated through hierarchical clustering inside stored experienced cases, and class centres are calculated out by integrating cases information in the same clustered class. When predicting the label of a target case, its nearest clustered case class is firstly retrieved by ranking similarities between the target case and each clustered case class centre. Then, nearest neighbours of the target case in the determined clustered case class are retrieved. Finally, labels of the nearest experienced cases are used in prediction. In the empirical experiment with two imbalanced samples from China, the performance of CBCBR was compared with the classical CBR, a support vector machine, a logistic regression and a multi-variant discriminate analysis. The results show that compared with the other four methods, CBCBR performed significantly better in terms of sensitivity for identifying the minority samples and generated high total accuracy meanwhile. The proposed approach makes CBR useful in imbalanced forecasting.     

地震灾害医疗应急救援推演研究*

将BP神经网络应用到对震后灾情的预测问题中,利用BP神经网络对汶川地震震后数据进行推演,采用神经网络估计模型分别对震后受伤人员数量和医疗物资医务人员需求进行预测。最后给出对地震应急救援具有重要指导意义的震后需求数据的估算方法,并且在对震后灾情评估以及医疗物资需求预测等问题的充分研究基础上,开发了基于GIS的地震医疗应急救援系统(EMERS)。     

异质信息环境下基于案例推理的应急决策方法

针对在突发事件应急决策中,信息表述为精确数、区间数、语言术语、直觉模糊数、中智数、梯形模糊中智数等多样性的特点,同时鉴于案例推理方法的简单易用,提出一种异质信息环境下基于案例推理的应急决策方法.首先,引入异质数据的距离及相似度测度,并基于偏差最大化方法计算异质信息属性权重;然后,基于综合相似度测度,采用案例推理的方法从案例库中找到与目标案例相同或者相似的历史案例,从而获得有效的解决当前突发事件的应急预案和处理措施;最后,通过一个应急突发事件案例验证所提出决策方法的可行性和有效性,同时与其他方法相比较验证其优点.     

基于置信规则库的应急方案调整方法

针对运用案例推理生成应急方案的问题,提出了一种基于置信规则库的方案调整方法．依据案例检索方法得到与目标案例最相似的历史案例,计算案例库中其他案例与最相似历史案例的问题差值,并转换为评价等级置信度形式;再利用历史案例信息及学习模型确定案例规则库的参数．在此基础上,将目标案例与最相似案例的问题差值转换为评价等级置信度形式,通过置信规则库的推理规则得到目标案例的方案．最后,通过一个环境突发事件的救援算例来说明该方法的可行性和有效性．     

一种新的灰色预测模型及其建模机理

为了提高灰色模型的预测精度,并拓展其应用范围,针对具有近似非齐次指数律特征的数据序列,构建了一种新的灰色预测模型ＮＧＭ（１,１,k）．通过最小二乘法求出了新灰色模型参数的计算公式,以微分方程作为演绎推理工具,得到了该模型的时间响应序列函数,并对其建模精度进行了理论和实验分析．研究结果表明了所提出的灰色模型的有效性和适用性．