談“機器學習”在應急領域的應用

　　習近平同志在2019年主持中央政治局第十九次集體學習時強調，應急管理要適應科技信息化發展大勢，以信息化推進應急管理現代化，優化整合各類科技資源，推進應急管理科技自主創新。 機器學習作為近幾年計算機科學領域的熱門研究方向，其實用性和準確性在很多行業和領域得到了驗證。 針對應急管理工作的特點和情況，結合機器學習的技術優勢，該技術在致災因子分析、災害預測、承災體抗災能力分析等方面將有著廣闊的發展前景。

　　應急領域數據利用現狀簡析

　　目前應急管理信息化建設存在現代信息化技術應用程度不高，信息化系統缺乏統籌和融合等問題。 當前建立的信息化系統主要基于傳統信息技術建設，更側重城市運行各個領域的數據搜集和展示，對于新一代技術，如人工智能、機器學習、云計算、物聯網等的應用還不充分、不深入，對決策的支撐作用有限。

　　從全市范圍看，現有的網絡建設項目主要是電子政務網站以及800兆無線政務網等傳統信息平臺，大數據平臺的建設目前還在資源目錄體系編制工作以及政務數據匯聚階段。 在應急管理信息化發展規劃中，用什么新技術、怎么用新技術、在哪里用新技術都將是研究和討論的重要方向。 針對信息化系統存在整體統籌不足、技術架構不統一、信息共享程度不高等現狀，如果要進一步提升應急管理的效能，推進業務融合發展，必須借助新的技術手段著力突破當前的若干困境。

　　機器學習的定義和原理

　　機器學習在學術界還沒有一個統一的定義，目前比較認可的定義來自卡內基梅隆大學的Tom Mitchell教授：對于某類任務T和性能度量P，如果一個計算機程序在T上以P衡量的性能隨著經驗 E而自我完善，那么我們稱這個計算機程序在從經驗E中學習。 例如，音樂軟件可以通過機器學習向用戶推薦其可能喜愛的歌曲。

　　其中，任務T就是向用戶推薦可能喜歡的歌曲; 性能度量P是歌曲的眾多屬性，可能包括曲風、歌手、年代、語種等諸多元素; 經驗E就是給出用戶可能喜歡的歌曲后，通過用戶的反饋不斷矯正算法的結果。 機器學習分為有監督和無監督兩種方式。 無監督的機器學習是根據特征將所有的任務劃分到擁有相同特征的簇團。 有監督的機器學習就是輸入實例，訓練程序學習得到規則。

　　根據史培軍教授提出的致災因子論，災害的發生是致災因子對承災體作用的結果，假設致災因子和承災體存在某些特征，出現這些特征時可以觀察到災害發生。 以自然災害的預測為例，機器學習的工作原理和流程如圖2所示，從圖2可知，首先梳理災害數據。 這些數據應來自于歷史記錄的災害，可以是數字、文字、圖片、音頻等形式。 上述所有數據形成數據集，根據功能不同分為訓練集和測試集。 其次構建機器學習模型。

　　從當前研究領域較為成熟的十余種算法中篩選最合適的算法，用來處理訓練集的數據，初步形成機器學習模型; 通過測試集與機器學習模型的擬合效果，對模型進行評估，從而進一步優化模型。 在兩部分數據集的協作下，完成機器學習建模。 最后生成對抗網絡。 計算機生成與真實樣本相似的數據，輸入到模型中讓原網絡誤判，對抗網絡與原網絡交替優化模型，對抗網絡的目的是盡可能生成真實的數據讓原網絡出錯，原網絡的目的是盡可能識別出對抗網絡生成的虛假數據。 當原網絡的識別正確率約為50%時，可以認為生成了成熟的學習網絡。

　　機器學習應用場景分析

　　為解決應急管理信息化面臨的決策支撐能力不足等問題，一些科研課題已經嘗試將機器學習等技術用在災害敏感性評估、輔助應急決策等方面，取得了一定效果。 這些研究對規劃如何利用新一代信息技術支撐應急管理現有業務提供了有益的參考。

　　(一)監督管理

　　城市運行安全隱患排查重點需要實現隱患信息按屬地、行業、安全監管部門錄入、導入、修改等，其中屬地上賬、區政府審核上賬等流程可以通過機器學習使其智能化、自動化。 在收集重大風險隱患的數據時，可以利用機器學習，對自然災害或安全生產中一些特征參數進行加工處理，由機器學習網絡判斷是否存在重大安全隱患。

　　(二)監測預警

　　在應急管理大數據的支持下，機器學習在自然災害、安全生產風險、城市消防以及互聯網輿情監測預警等方面都有著非常廣泛的應用。 根據文獻調研，已有作者利用貝葉斯網絡方法對四川北川地區地震滑坡影響因素進行了研究。 機器學習的優點之一是基于經驗的學習，不需要掌握其輸入輸出結果之間必然的邏輯關系。

　　在當前比較主流的災害理論的研究中，無論是致災因子論、孕災環境論、承災體論還是區域災害論中，關于致災因子最終形成災害的過程都沒有明確的定論，在這種背景下根據理念災害下致災因子的數據，利用機器學習對災害發生的原因做形象側寫，再輔以水位監測系統、森林防火視頻監控系統、雪亮工程視頻監控系統等自然災害和安全生產風險監測預警子系統，可以提高對自然災害和安全生產監測預警的準確性和及時性。

　　(三)指揮救援

　　以綜合應急指揮應用系統為核心的多個專題指揮應用中，機器學習都有其發揮作用的地方。 突發事件事前管理中，案例推演和數字化預案都是在經驗的指導下進行方案預測，這和機器學習的大致思路是一樣的。 形成的預案又會進一步對網絡進行訓練，使得應急處置方案和機器學習模型互相促進互相進步。

　　突發事件事中管理中運用的專題指揮應用也可以根據其專題配以適合的模型支撐決策和判斷。 在劉曉慧的研究中提到的智能應急決策模型也是通過GIS等信息技術對應急響應和決策流程進行優化，解決了靜態文本預案在處置突發事件，尤其是突發災害時的局限性。 突發事件事后的調查和總結同樣可以借助機器學習形成較為標準化的報告和數據，對應急數據資源進行進一步的補充，也為機器學習模型進一步優化提供數據支撐。

　　應急管理運用機器學習的難點

　　(一)數據的“量”與“質”

　　機器學習的特性決定了其更像是一種基于觀測的“歸納法”，而不是基于推理進行演繹。 觀測的基礎是有大量的真實數據進行支撐。 如今應急管理工作還處于發展階段，一方面歷史自然災害和安全生產事故資料的數據量與機器學習所需的數據量還有很大差距，難以訓練網絡形成準確的模型。 另一方面，現有的資料和報告的數據形式與機器學習所需要的數據格式還不匹配。 行政系統中廣泛使用的調查報告是以結果為導向的，在進行事后損失評估、信息通報方面比較適用，但是在進行數據處理時，很難提煉出有效的信息，將會給模型建立工作帶來一定困難。

　　(二)算法構建

　　機器學習在應用時，算法的選擇是一個需要長時間研究和考慮的課題。 應急管理是一個比較寬泛和抽象的概念，包含的自然災害、安全生產、城市消防、輿情監測等領域都有著各自的特點和需求，在針對不同的對象時，適用的算法和處理方式也各不相同。

　　建議

　　(一)規范數據格式，優化處理方法

　　如何高效地收集、共享應急數據是未來一段時間應急管理等各相關部門需要研究的問題，特別是在收集數據時，詳盡的數據比高度概括的報告更加重要‍‌‍‍‌‍‌‍‍‍‌‍‍‌‍‍‍‌‍‍‌‍‍‍‌‍‍‍‍‌‍‌‍‌‍‌‍‍‌‍‍‍‍‍‍‍‍‍‌‍‍‌‍‍‌‍‌‍‌‍。 各部門應統一標準、形成合力，確保提供的原始資料客觀真實，保持數據全面詳細，充分發揮新一代信息技術的優勢，快捷地從基礎資料中篩選出系統需要的數據。

　　(二)健全預警體系，實現災害監測常態化

　　將致災因子和承災體的監測常態化，逐步完善城市安全、自然災害等監測預警系統，持續記錄其數據供平臺使用。 發揮機器學習在異常檢測方面的特殊優勢，提前預判城市災害的異常狀況，實現城市綜合安全風險監控常態化、精細化。

　　(三)加強人才培養，擴大應急信息化人才儲備

　　強化應急管理信息化隊伍建設，加強掌握新一代信息技術的人才儲備。 習近平同志在2018年第九次集體學習時強調：人工智能是新一輪科技革命和產業變革的重要驅動力量，加快發展新一代人工智能是事關我國能否抓住新一輪科技革命和產業變革機遇的戰略問題。 完善人才引進體系，政策上給予相關的優惠和補貼，吸引人工智能領域的人才投身應急事業，推進人工智能在應急管理領域的發展。

　　(四)打破信息壁壘，統籌融合信息化系統

　　應急管理智能化發展中，信息共享是應用新一代信息技術的基礎。 各部門、各區域、各行業應共享開放應急管理有關的數據系統。 加強信息系統處理的數據的實時性、全面性、準確性，進一步提高信息技術輔助決策的能力。

　　應急管理論文范例：強化體系建設提升應急管理專業化水平

　　結語

　　從“神農嘗百草”到“失敗是成功之母”再到“機器學習”，基于經驗的學習歸納法一直貫穿人類文明的發展進程。 在推進我國應急管理和治理能力現代化的過程中，借鑒吸收先進成果和技術，利用新一代信息科技，打造具有中國特色的現代化應急管理體系是我們未來追求的目標。

　　作者：凌云志　楊琳

轉載請注明來自發表學術論文網：http://www.cnzjbx.cn/jjlw/25160.html