摘要:為了提高突發事件發生時公安指揮部門處置決策方案的及時性和科學性，本文提出基于案例推理(Case-BasedReasoning，CBR)和規則推理(Rule-BasedReasoning，RBR)的公安突發事件輔助決策算法。算法根據突發事件的級別、類型和突發事件中的具體數據，如傷亡人數等，通過CBR檢索出案例庫中同級別同類型的最相似案例，再通過RBR對檢索案例的結果進行修正優化使之更適用于突發事件的實際情況。最后通過實例成功地驗證了該算法。該算法能夠為公安應急預案與輔助決策平臺的建設提供參考。

　　關鍵詞:案例推理,規則推理,公安,突發事件,輔助決策

　　0引言

　　公安部門在處置突發事件的過程中扮演著重要角色，公安快速高效的處置能力能降低突發事件帶來的危害。而公安行動主要是依靠指揮中心下達的指令，這就要求公安指揮中心接到警情后迅速對突發事件整體情況做出準確的判斷從而做出相應的決策。

　　一直以來公安決策都是依靠指揮中心領導多年處置突發事件積累下的經驗，但隨著人工智能的發展，計算機逐漸也有了像人類一樣的推理能力。其中，基于案例推理(Case-BasedReasoning，CBR)和規則推理(Rule-BasedReasoning，RBR)在輔助決策方面得到了廣泛的應用[1-5]。本文將適用經驗富足型情境的CBR和適用規則富足型情境的RBR相結合，在突發事件發生時，能夠通過該算法快速生成相應的輔助決策方案，為指揮人員提供案例借鑒和決策思路。

　　1CBR與RBR

　　1.1CBR原理

　　CBR是從過去的突發事件案例中獲取特定的知識，并利用它來解決突發事件[6]。這就類似于人類利用過去的經驗來解決新問題的方式，有多年工作經驗的民警在面對突發事件發生時會比新入警的民警處置得更為快速有效。案例推理需要將過去所有突發事件的解決方案都存儲在案例庫中，當發生一起突發事件時，它會檢索案例庫并從中檢索出最為相似的案例，人們可以參考此案例的解決方案來解決當前發生的突發事件，再將解決新突發事件的方案保存到案例庫中來增加新經驗[7-9]。

　　案例推理一般包含4個過程，分別是檢索(Retrieve)、重用(Reuse)、修改(Revise)、保存(Retain)[10]。CBR的知識庫會隨著解決問題數量的增長而增加，提供的解決方案的準確性也越來越高。但是也存在一定的局限性，若檢索出的案例與當前案例相似度相差較大，提供的解決方案的有效性就難以保證。

　　1.2RBR原理

　　RBR是將相關領域的專家知識規則化描述出來，構建專家規則系統，根據專家規則系統形成推理機，在解決實際突發事件時利用推理機來模仿專家解決該突發事件的推理能力[11-12]。但是在案例中有些隱含的難以規則化的知識極大地限制了RBR的使用范圍，而且RBR運用需要有一套完善的推理機制，規則難以獲取以及建模難度大同樣也限制了RBR的使用效果[13-14]。

　　1.3CBR和RBR相結合

　　本文采用CBR和RBR相結合的方式來實現快速生成輔助決策方案，兩者可以互補不足，算法思想是:通過CBR檢索出案例庫中與當前發生突發事件相似度最高的案例，再根據現場真實情況通過RBR對案例的處置方案進行修正優化。

　　2CBR和RBR實現原理

　　根據CBR的工作原理，首先需要對案例進行一個恰當的表示，案例恰當的表示能夠反映案例的本質特征，案例檢索系統就能夠迅速從案例庫中檢索出所要的案例，從而使效率提高。本文采用傳統的基于本體的表示法，該方法表達性較強，不僅可以表示概念、概念類別、概念之間的關系等基本元件，還可以表示形式化公理、函數、規則、過程以及其他一些元件[15-16]。

　　根據《國家突發公共事件總體應急預案》對突發公共事件的分級分類[17]，將案例庫中的案例按照突發事件性質、嚴重程度和影響范圍等因素分為4個事故等級。按照突發事件的發生過程、性質和機理，將事件分為一級分類和二級分。隨著案例庫中案例數量的增加，采用分級檢索的優勢會越來越明顯，分級檢索能使得檢索案例的效率得到提升。

　　突發事件的等級和類別決定了案例具體屬性劃分，由于現實中不可能發生兩起一模一樣的事件，案例檢索時只對案例的部分屬性進行檢索和匹配。在案例檢索的過程中，案例屬性作為檢索的目標和依據，需要對案例屬性進行參數化和量化處理，將案例屬性轉為具體的參數和數值便于計算機操作和計算。本文以火災為例，向案例庫中錄入2014年中國消防年鑒數據[18]，包括每個案例的時間、地點、天氣、風力、風向、傷亡人數、派出的消防員、消防車等具體數據。

　　本文采用改進型K最近鄰(K-NearestNeighbor，KNN)算法。傳統KNN算法只計算目標樣本在樣本空間內與其他樣本的歐氏距離，將距離最近的幾個樣本篩選出來并對目標樣本進行分類，計算過程中每個屬性的權重是相同的。而在案例檢索過程中，參與檢索的案例屬性并不都是同等重要的。比如案例中的死亡人數、受傷人數對決策者的參考意義顯然大于天氣和風向的參考意義，所以需要對參與檢索的案例屬性賦予不同的權值[20]。

　　3實例驗證

　　基于前面提出的算法和案例表示框架，本文基于Eclipse4.7.3a開發平臺和Java8語言、采用Oralce12c數據庫作為后臺數據庫建立公安突發事件案例庫和規則庫，開發了一款B/S模式的輔助決策工具。下面通過該工具用一個實例來驗證算法的有效性和可行性。

　　源案例:2014年11月16日18時36分，山東省壽光市龍源食品有限公司發生火災，造成18人死亡，13人受傷，過火面積約4000m2，直接財產損失440.9萬元。此次火災共調集濰坊、東營27輛消防車、160余名官兵、6只搜救犬，濰坊、壽光市政府及有關部門救護車15輛、挖掘機4輛、吊車2輛、環衛灑水車20輛、公安干警150名參加應急救援。案發時根據氣象局當日發布氣象信息:多云，北風4級，氣溫7℃。抽取案例關鍵信息得到表5并存入案例庫。目標案例。

　　假設指揮中心接到警情:某工廠發生火災，從中可以看出，當目標案例的傷亡人數和過火面積大于案例庫中最相似案例，RBR根據規則庫中的規則對消防員、公安干警、消防車、環衛灑水車的數量進行了提升。且純CBR檢索的相似案例沒有醫生、護士、擔架、急救箱的數據。經過RBR后的輔助決策結果生成了相應的醫生、護士的人數和擔架、急救箱的數量，將案例中空白的數據進行補全，提高了算法模型的實用性。

　　4結束語

　　本文探討了將CBR和RBR相結合運用于公安處置突發事件輔助決策的算法，CBR彌補了RBR建模難度大的缺點，RBR彌補了CBR無法對相似案例修正的缺點。引入了分級檢索算法提升CBR檢索案例的速度;對K-NN算法進行改進，根據案例各屬性對指揮人員參考的重要性對每個屬性設置不同的權重，使相似度的計算更接近決策者的思維。

　　通過開發輔助決策工具實現該算法，并對實例進行測試，測試結果表明該算法具有可利用性和可操作性。在研究過程中發現，雖然公安處置的突發事件非常多，但是處置過程有詳細記錄的案例并不多，這方面的數據比較少，而且記錄的數據不完整不規范，給研究帶來了一定的難度。隨著公安大數據的發展，公安部門不僅需要對數據加以利用，同時也需要注重對數據的規范化收集和保存。

　　公安方向論文投稿刊物：《公安研究》是公安部唯一一份由公安部主管并公開出版發行的公安社會科學理論刊物，中由華人民共和國公安部主管，中華人民共和國公安部第四研究所主辦。