談“機器學習”在應(yīng)急領(lǐng)域的應(yīng)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(diào)，應(yīng)急管理要適應(yīng)科技信息化發(fā)展大勢，以信息化推進應(yīng)急管理現(xiàn)代化，優(yōu)化整合各類科技資源，推進應(yīng)急管理科技自主創(chuàng)新。 機器學習作為近幾年計算機科學領(lǐng)域的熱門研究方向，其實用性和準確性在很多行業(yè)和領(lǐng)域得到了驗證。 針對應(yīng)急管理工作的特點和情況，結(jié)合機器學習的技術(shù)優(yōu)勢，該技術(shù)在致災(zāi)因子分析、災(zāi)害預(yù)測、承災(zāi)體抗災(zāi)能力分析等方面將有著廣闊的發(fā)展前景。

　　應(yīng)急領(lǐng)域數(shù)據(jù)利用現(xiàn)狀簡析

　　目前應(yīng)急管理信息化建設(shè)存在現(xiàn)代信息化技術(shù)應(yīng)用程度不高，信息化系統(tǒng)缺乏統(tǒng)籌和融合等問題。 當前建立的信息化系統(tǒng)主要基于傳統(tǒng)信息技術(shù)建設(shè)，更側(cè)重城市運行各個領(lǐng)域的數(shù)據(jù)搜集和展示，對于新一代技術(shù)，如人工智能、機器學習、云計算、物聯(lián)網(wǎng)等的應(yīng)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(xiàn)有的網(wǎng)絡(luò)建設(shè)項目主要是電子政務(wù)網(wǎng)站以及800兆無線政務(wù)網(wǎng)等傳統(tǒng)信息平臺，大數(shù)據(jù)平臺的建設(shè)目前還在資源目錄體系編制工作以及政務(wù)數(shù)據(jù)匯聚階段。 在應(yīng)急管理信息化發(fā)展規(guī)劃中，用什么新技術(shù)、怎么用新技術(shù)、在哪里用新技術(shù)都將是研究和討論的重要方向。 針對信息化系統(tǒng)存在整體統(tǒng)籌不足、技術(shù)架構(gòu)不統(tǒng)一、信息共享程度不高等現(xiàn)狀，如果要進一步提升應(yīng)急管理的效能，推進業(yè)務(wù)融合發(fā)展，必須借助新的技術(shù)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(shù)界還沒有一個統(tǒng)一的定義，目前比較認可的定義來自卡內(nèi)基梅隆大學的Tom Mitchell教授：對于某類任務(wù)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(jīng)驗 E而自我完善，那么我們稱這個計算機程序在從經(jīng)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(wù)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(jīng)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(jié)果。 機器學習分為有監(jiān)督和無監(jiān)督兩種方式。 無監(jiān)督的機器學習是根據(jù)特征將所有的任務(wù)劃分到擁有相同特征的簇團。 有監(jiān)督的機器學習就是輸入實例，訓練程序?qū)W習得到規(guī)則。

　　根據(jù)史培軍教授提出的致災(zāi)因子論，災(zāi)害的發(fā)生是致災(zāi)因子對承災(zāi)體作用的結(jié)果，假設(shè)致災(zāi)因子和承災(zāi)體存在某些特征，出現(xiàn)這些特征時可以觀察到災(zāi)害發(fā)生。 以自然災(zāi)害的預(yù)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(zāi)害數(shù)據(jù)。 這些數(shù)據(jù)應(yīng)來自于歷史記錄的災(zāi)害，可以是數(shù)字、文字、圖片、音頻等形式。 上述所有數(shù)據(jù)形成數(shù)據(jù)集，根據(jù)功能不同分為訓練集和測試集。 其次構(gòu)建機器學習模型。

　　從當前研究領(lǐng)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(shù)據(jù)，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(yōu)化模型。 在兩部分數(shù)據(jù)集的協(xié)作下，完成機器學習建模。 最后生成對抗網(wǎng)絡(luò)。 計算機生成與真實樣本相似的數(shù)據(jù)，輸入到模型中讓原網(wǎng)絡(luò)誤判，對抗網(wǎng)絡(luò)與原網(wǎng)絡(luò)交替優(yōu)化模型，對抗網(wǎng)絡(luò)的目的是盡可能生成真實的數(shù)據(jù)讓原網(wǎng)絡(luò)出錯，原網(wǎng)絡(luò)的目的是盡可能識別出對抗網(wǎng)絡(luò)生成的虛假數(shù)據(jù)。 當原網(wǎng)絡(luò)的識別正確率約為50%時，可以認為生成了成熟的學習網(wǎng)絡(luò)。

　　機器學習應(yīng)用場景分析

　　為解決應(yīng)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(jīng)嘗試將機器學習等技術(shù)用在災(zāi)害敏感性評估、輔助應(yīng)急決策等方面，取得了一定效果。 這些研究對規(guī)劃如何利用新一代信息技術(shù)支撐應(yīng)急管理現(xiàn)有業(yè)務(wù)提供了有益的參考。

　　(一)監(jiān)督管理

　　城市運行安全隱患排查重點需要實現(xiàn)隱患信息按屬地、行業(yè)、安全監(jiān)管部門錄入、導入、修改等，其中屬地上賬、區(qū)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(shù)據(jù)時，可以利用機器學習，對自然災(zāi)害或安全生產(chǎn)中一些特征參數(shù)進行加工處理，由機器學習網(wǎng)絡(luò)判斷是否存在重大安全隱患。

　　(二)監(jiān)測預(yù)警

　　在應(yīng)急管理大數(shù)據(jù)的支持下，機器學習在自然災(zāi)害、安全生產(chǎn)風險、城市消防以及互聯(lián)網(wǎng)輿情監(jiān)測預(yù)警等方面都有著非常廣泛的應(yīng)用。 根據(jù)文獻調(diào)研，已有作者利用貝葉斯網(wǎng)絡(luò)方法對四川北川地區(qū)地震滑坡影響因素進行了研究。 機器學習的優(yōu)點之一是基于經(jīng)驗的學習，不需要掌握其輸入輸出結(jié)果之間必然的邏輯關(guān)系。

　　在當前比較主流的災(zāi)害理論的研究中，無論是致災(zāi)因子論、孕災(zāi)環(huán)境論、承災(zāi)體論還是區(qū)域災(zāi)害論中，關(guān)于致災(zāi)因子最終形成災(zāi)害的過程都沒有明確的定論，在這種背景下根據(jù)理念災(zāi)害下致災(zāi)因子的數(shù)據(jù)，利用機器學習對災(zāi)害發(fā)生的原因做形象側(cè)寫，再輔以水位監(jiān)測系統(tǒng)、森林防火視頻監(jiān)控系統(tǒng)、雪亮工程視頻監(jiān)控系統(tǒng)等自然災(zāi)害和安全生產(chǎn)風險監(jiān)測預(yù)警子系統(tǒng)，可以提高對自然災(zāi)害和安全生產(chǎn)監(jiān)測預(yù)警的準確性和及時性。

　　(三)指揮救援

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

　　突發(fā)事件事中管理中運用的專題指揮應(yīng)用也可以根據(jù)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(yīng)急決策模型也是通過GIS等信息技術(shù)對應(yīng)急響應(yīng)和決策流程進行優(yōu)化，解決了靜態(tài)文本預(yù)案在處置突發(fā)事件，尤其是突發(fā)災(zāi)害時的局限性。 突發(fā)事件事后的調(diào)查和總結(jié)同樣可以借助機器學習形成較為標準化的報告和數(shù)據(jù)，對應(yīng)急數(shù)據(jù)資源進行進一步的補充，也為機器學習模型進一步優(yōu)化提供數(shù)據(jù)支撐。

　　應(yīng)急管理運用機器學習的難點

　　(一)數(shù)據(jù)的“量”與“質(zhì)”

　　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(chǔ)是有大量的真實數(shù)據(jù)進行支撐。 如今應(yīng)急管理工作還處于發(fā)展階段，一方面歷史自然災(zāi)害和安全生產(chǎn)事故資料的數(shù)據(jù)量與機器學習所需的數(shù)據(jù)量還有很大差距，難以訓練網(wǎng)絡(luò)形成準確的模型。 另一方面，現(xiàn)有的資料和報告的數(shù)據(jù)形式與機器學習所需要的數(shù)據(jù)格式還不匹配。 行政系統(tǒng)中廣泛使用的調(diào)查報告是以結(jié)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(shù)據(jù)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(gòu)建

　　機器學習在應(yīng)用時，算法的選擇是一個需要長時間研究和考慮的課題。 應(yīng)急管理是一個比較寬泛和抽象的概念，包含的自然災(zāi)害、安全生產(chǎn)、城市消防、輿情監(jiān)測等領(lǐng)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(guī)范數(shù)據(jù)格式，優(yōu)化處理方法

　　如何高效地收集、共享應(yīng)急數(shù)據(jù)是未來一段時間應(yīng)急管理等各相關(guān)部門需要研究的問題，特別是在收集數(shù)據(jù)時，詳盡的數(shù)據(jù)比高度概括的報告更加重要‍‌‍‍‌‍‌‍‍‍‌‍‍‌‍‍‍‌‍‍‌‍‍‍‌‍‍‍‍‌‍‌‍‌‍‌‍‍‌‍‍‍‍‍‍‍‍‍‌‍‍‌‍‍‌‍‌‍‌‍。 各部門應(yīng)統(tǒng)一標準、形成合力，確保提供的原始資料客觀真實，保持數(shù)據(jù)全面詳細，充分發(fā)揮新一代信息技術(shù)的優(yōu)勢，快捷地從基礎(chǔ)資料中篩選出系統(tǒng)需要的數(shù)據(jù)。

　　(二)健全預(yù)警體系，實現(xiàn)災(zāi)害監(jiān)測常態(tài)化

　　將致災(zāi)因子和承災(zāi)體的監(jiān)測常態(tài)化，逐步完善城市安全、自然災(zāi)害等監(jiān)測預(yù)警系統(tǒng)，持續(xù)記錄其數(shù)據(jù)供平臺使用。 發(fā)揮機器學習在異常檢測方面的特殊優(yōu)勢，提前預(yù)判城市災(zāi)害的異常狀況，實現(xiàn)城市綜合安全風險監(jiān)控常態(tài)化、精細化。

　　(三)加強人才培養(yǎng)，擴大應(yīng)急信息化人才儲備

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

　　(四)打破信息壁壘，統(tǒng)籌融合信息化系統(tǒng)

　　應(yīng)急管理智能化發(fā)展中，信息共享是應(yīng)用新一代信息技術(shù)的基礎(chǔ)。 各部門、各區(qū)域、各行業(yè)應(yīng)共享開放應(yīng)急管理有關(guān)的數(shù)據(jù)系統(tǒng)。 加強信息系統(tǒng)處理的數(shù)據(jù)的實時性、全面性、準確性，進一步提高信息技術(shù)輔助決策的能力。

　　應(yīng)急管理論文范例：強化體系建設(shè)提升應(yīng)急管理專業(yè)化水平

　　結(jié)語

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

　　作者：凌云志　楊琳

轉(zhuǎn)載請注明來自發(fā)表學術(shù)論文網(wǎng)：http:///jjlw/25160.html