[发明专利]一种基于历史案例和经验知识学习的应急事故处置方法

权利要求书

1.一种基于历史案例和经验知识学习的应急事故处置方法，其特征在于，包括如下步骤：

步骤1、采集处置经验数据，构建应急事故处置经验学习的训练数据集，所述处置经验数据包括场景特征和对应的处置选择结果信息；

步骤2、根据用户在不同场景特征下的处置选择结果，学习挖掘出应急处置决策经验，学习构建应急处置决策知识模型；

步骤3、根据当前应急处置任务的场景特征，通过应急处置决策知识模型推理生成适合当前情况的应急处置方案，并执行该应急处置方案；

步骤1包括：

步骤1-1、收集所有可靠的历史应急处置方案，形成历史应急处置方案库；

步骤1-2、抽取历史应急处置方案库中各个应急处置方案的场景特征以及与场景特征对应的处置选择结果信息，形成应急事故处置经验学习的训练数据集；所述场景特征包括事故类型、事故位置、处置时限和气象条件，所述处置选择结果信息包括处置方法、处置力量及数量、处置设备及数量结果；

步骤2中采用梯度提升决策树模型学习挖掘出应急处置决策经验；

步骤2中所述梯度提升决策树采用CART决策树作为基分类器；

步骤2包括：

步骤2-1、读取应急事故处置经验学习的训练数据集，提取用户在不同应急处置情况下的处置选择结果信息；

步骤2-2、将场景特征作为梯度提升决策树模型输入，将处置选择结果信息作为梯度提升决策树模型输出；设训练数据集中某处置选择结果的标签类别数为K，K≥2，以对数似然作为损失函数：

，

其中：y为标签类别值，f(x)为梯度提升决策树模型预测函数，p_k(x)为训练样本x属于标签类别k的概率，δ_k={0,1}表示是否属于第k类标签，1表示是，0表示否；

步骤2-3、针对每类标签单独训练一个CART决策树，并通过多轮迭代方式，获得每类标签的强分类器f_k(x)，再比较各个分类器预测概率值大小，确定最终输出的处置决策结果；

步骤2-4、按照场景特征将K个分类器得到的决策分支进行集成，获得该处置选择结果的梯度提升决策树模型；

步骤2-5、重复执行步骤2-3至步骤2-4，获得其他处置选择结果的梯度提升决策树模型；

步骤2-6、将训练数据集中的所有场景特征分别输入至各个训练后的梯度提升决策树模型，输出对应的应急处置方案，从而构建应急处置决策知识模型；

步骤2-3包括：

步骤2-3-1、初始化分类器：

，

其中：f_k0(x)为第k类标签的初始分类器，K为标签类别数；

步骤2-3-2、对给定的迭代轮数M，计算每轮迭代时样本x_i对应类别k的负梯度误差r_mik，i=1,2,…,N，N为训练样本数量，m=1,2,…,M，M为大于1的整数；

步骤2-3-3、计算分类器中各个叶子节点的最佳负梯度拟合值c_mjk：

，

其中：j=1,2,…,J，J为叶子节点个数，R_mjk为第m轮迭代中属于第k类标签的叶子节点集合，R_mk为第m轮迭代中属于第k类标签的所有样本集合；

步骤2-3-4、更新分类器：

，

当达到了算法预设的迭代轮数M，则终止迭代，获得强分类器f_k(x)=f_kM(x)；

步骤2-3-5、比较各个分类器预测概率值大小，确定最终输出的处置决策结果；

步骤2-3-2中每轮迭代时样本x_i对应类别k的负梯度误差表示r_mik为：

，

其中：y_ik为样本x_i对应的标签类别值，T为当前日期，t_i为样本x_i代表的处置案例的修改或选用日期，p_k(x_i)为样本x_i属于每个标签类别k的概率：

，

其中：f_km(x_i)为第m轮迭代时，对第k类标签进行分类的分类器。