基于案例推理和规则推理的公安突发事件辅助决策算法

　　摘要:为了提高突发事件发生时公安指挥部门处置决策方案的及时性和科学性，本文提出基于案例推理(Case-BasedReasoning，CBR)和规则推理(Rule-BasedReasoning，RBR)的公安突发事件辅助决策算法。算法根据突发事件的级别、类型和突发事件中的具体数据，如伤亡人数等，通过CBR检索出案例库中同级别同类型的最相似案例，再通过RBR对检索案例的结果进行修正优化使之更适用于突发事件的实际情况。最后通过实例成功地验证了该算法。该算法能够为公安应急预案与辅助决策平台的建设提供参考。

　　关键词:案例推理,规则推理,公安,突发事件,辅助决策

　　0引言

　　公安部门在处置突发事件的过程中扮演着重要角色，公安快速高效的处置能力能降低突发事件带来的危害。而公安行动主要是依靠指挥中心下达的指令，这就要求公安指挥中心接到警情后迅速对突发事件整体情况做出准确的判断从而做出相应的决策。

　　一直以来公安决策都是依靠指挥中心领导多年处置突发事件积累下的经验，但随着人工智能的发展，计算机逐渐也有了像人类一样的推理能力。其中，基于案例推理(Case-BasedReasoning，CBR)和规则推理(Rule-BasedReasoning，RBR)在辅助决策方面得到了广泛的应用[1-5]。本文将适用经验富足型情境的CBR和适用规则富足型情境的RBR相结合，在突发事件发生时，能够通过该算法快速生成相应的辅助决策方案，为指挥人员提供案例借鉴和决策思路。

　　1CBR与RBR

　　1.1CBR原理

　　CBR是从过去的突发事件案例中获取特定的知识，并利用它来解决突发事件[6]。这就类似于人类利用过去的经验来解决新问题的方式，有多年工作经验的民警在面对突发事件发生时会比新入警的民警处置得更为快速有效。案例推理需要将过去所有突发事件的解决方案都存储在案例库中，当发生一起突发事件时，它会检索案例库并从中检索出最为相似的案例，人们可以参考此案例的解决方案来解决当前发生的突发事件，再将解决新突发事件的方案保存到案例库中来增加新经验[7-9]。

　　案例推理一般包含4个过程，分别是检索(Retrieve)、重用(Reuse)、修改(Revise)、保存(Retain)[10]。CBR的知识库会随着解决问题数量的增长而增加，提供的解决方案的准确性也越来越高。但是也存在一定的局限性，若检索出的案例与当前案例相似度相差较大，提供的解决方案的有效性就难以保证。

　　1.2RBR原理

　　RBR是将相关领域的专家知识规则化描述出来，构建专家规则系统，根据专家规则系统形成推理机，在解决实际突发事件时利用推理机来模仿专家解决该突发事件的推理能力[11-12]。但是在案例中有些隐含的难以规则化的知识极大地限制了RBR的使用范围，而且RBR运用需要有一套完善的推理机制，规则难以获取以及建模难度大同样也限制了RBR的使用效果[13-14]。

　　1.3CBR和RBR相结合

　　本文采用CBR和RBR相结合的方式来实现快速生成辅助决策方案，两者可以互补不足，算法思想是:通过CBR检索出案例库中与当前发生突发事件相似度最高的案例，再根据现场真实情况通过RBR对案例的处置方案进行修正优化。

　　2CBR和RBR实现原理

　　根据CBR的工作原理，首先需要对案例进行一个恰当的表示，案例恰当的表示能够反映案例的本质特征，案例检索系统就能够迅速从案例库中检索出所要的案例，从而使效率提高。本文采用传统的基于本体的表示法，该方法表达性较强，不仅可以表示概念、概念类别、概念之间的关系等基本元件，还可以表示形式化公理、函数、规则、过程以及其他一些元件[15-16]。

　　根据《国家突发公共事件总体应急预案》对突发公共事件的分级分类[17]，将案例库中的案例按照突发事件性质、严重程度和影响范围等因素分为4个事故等级。按照突发事件的发生过程、性质和机理，将事件分为一级分类和二级分。随着案例库中案例数量的增加，采用分级检索的优势会越来越明显，分级检索能使得检索案例的效率得到提升。

　　突发事件的等级和类别决定了案例具体属性划分，由于现实中不可能发生两起一模一样的事件，案例检索时只对案例的部分属性进行检索和匹配。在案例检索的过程中，案例属性作为检索的目标和依据，需要对案例属性进行参数化和量化处理，将案例属性转为具体的参数和数值便于计算机操作和计算。本文以火灾为例，向案例库中录入2014年中国消防年鉴数据[18]，包括每个案例的时间、地点、天气、风力、风向、伤亡人数、派出的消防员、消防车等具体数据。

　　本文采用改进型K最近邻(K-NearestNeighbor，KNN)算法。传统KNN算法只计算目标样本在样本空间内与其他样本的欧氏距离，将距离最近的几个样本筛选出来并对目标样本进行分类，计算过程中每个属性的权重是相同的。而在案例检索过程中，参与检索的案例属性并不都是同等重要的。比如案例中的死亡人数、受伤人数对决策者的参考意义显然大于天气和风向的参考意义，所以需要对参与检索的案例属性赋予不同的权值[20]。

　　3实例验证

　　基于前面提出的算法和案例表示框架，本文基于Eclipse4.7.3a开发平台和Java8语言、采用Oralce12c数据库作为后台数据库建立公安突发事件案例库和规则库，开发了一款B/S模式的辅助决策工具。下面通过该工具用一个实例来验证算法的有效性和可行性。

　　源案例:2014年11月16日18时36分，山东省寿光市龙源食品有限公司发生火灾，造成18人死亡，13人受伤，过火面积约4000m2，直接财产损失440.9万元。此次火灾共调集潍坊、东营27辆消防车、160余名官兵、6只搜救犬，潍坊、寿光市政府及有关部门救护车15辆、挖掘机4辆、吊车2辆、环卫洒水车20辆、公安干警150名参加应急救援。案发时根据气象局当日发布气象信息:多云，北风4级，气温7℃。抽取案例关键信息得到表5并存入案例库。目标案例。

　　假设指挥中心接到警情:某工厂发生火灾，从中可以看出，当目标案例的伤亡人数和过火面积大于案例库中最相似案例，RBR根据规则库中的规则对消防员、公安干警、消防车、环卫洒水车的数量进行了提升。且纯CBR检索的相似案例没有医生、护士、担架、急救箱的数据。经过RBR后的辅助决策结果生成了相应的医生、护士的人数和担架、急救箱的数量，将案例中空白的数据进行补全，提高了算法模型的实用性。

　　4结束语

　　本文探讨了将CBR和RBR相结合运用于公安处置突发事件辅助决策的算法，CBR弥补了RBR建模难度大的缺点，RBR弥补了CBR无法对相似案例修正的缺点。引入了分级检索算法提升CBR检索案例的速度;对K-NN算法进行改进，根据案例各属性对指挥人员参考的重要性对每个属性设置不同的权重，使相似度的计算更接近决策者的思维。

　　通过开发辅助决策工具实现该算法，并对实例进行测试，测试结果表明该算法具有可利用性和可操作性。在研究过程中发现，虽然公安处置的突发事件非常多，但是处置过程有详细记录的案例并不多，这方面的数据比较少，而且记录的数据不完整不规范，给研究带来了一定的难度。随着公安大数据的发展，公安部门不仅需要对数据加以利用，同时也需要注重对数据的规范化收集和保存。

　　公安方向论文投稿刊物：《公安研究》是公安部唯一一份由公安部主管并公开出版发行的公安社会科学理论刊物，中由华人民共和国公安部主管，中华人民共和国公安部第四研究所主办。