案例推理分析

2024-11-17

案例推理分析（共7篇）

案例推理分析篇1

0 引言

基于案例推理(Case-based reasoning,CBR)是指直接模拟人类思维模式[1],在遇到一个需要求解的问题时,首先在事例库中检索与该问题最相类似的事例,并对其进行修补,输出修补后的结果作为该问题的解。CBR起源于1977年Schank和Abelson所做的工作[2]。1982年Schank在《Dynamic Memory》一书中提出了CBR的认知模型,并在此基础上开发了一个CBR的应用系统,该系统是一个问答式的专家系统,它成为以后的许多CBR系统的基础。1989年Bruce Porter提出并发展了机器分类学习的概念,提出要把领域知识和特殊的实例综合成为一个统一的表达方式。经过二十多年的发展,CBR已经成为一种非常具有生命力的推理技术,受到越来越多的重视。

近年来,CBR应用于很多领域,如企业决策、法律案例、医疗诊断、医药、问题求解、天气预报等方面,都取得了很好的效果。在建筑工程领域的工程估价、评标等方面也得到了应用,如许志端、张金隆开发了一个基于CBR的工程项目标书综合评价决策支持系统[3],周璇和钟波涛进行了基于CBR的施工投标决策支持系统研究[4],李丹开展了基于案例推理的工程造价估算研究[5]。综合上述研究工作,可以发现,有关建筑工程领域的CBR研究,关于工程项目的相似性分析多是从理论上进行阐述,或者是针对工程领域一个侧面(如造价)进行分析,还没有从总体上分析两个工程项目的相似性问题。本文结合灰色关联分析,开展了工程项目的总体相似性分析研究。

1 灰色关联分析原理

灰色关联分析是由我国著名学者邓聚龙教授提出的[6],是分析系统中各个元素之间关联程度或相似程度的方法,其基本思想是依据关联程度对系统排序。

关联度是表征两个事物的关联程度,具体地说,关联度是因素之间关联性大小的量度,它定量地描述了因素之间相对变化的情况。

进行关联分析,先要制定参考的数据列(母数据列),参考数据列常记为x0,一般表示为:

关联分析中,被比较数列记为xi,一般表示为:

对于一个参考数据列x0,比较数据列为xi,可用下述关系表示各比较数据列与参考数据列的各元素差:

式中:ξi(k)是比较数据列xi的第k个元素与参考数据列x0第k个元素的相对差值,这种形式的相对差值称为xi对x0在第k个元素的关联系数。ρ为分辨系数,ρ∈[0,1],引入它是为了减少极值对计算的影响,在实际使用时,应根据序列间的关联程度选择分辨系数,一般取ρ燮0.5最为恰当。

若记:,则△min与△max分别为各元素x0与xi的最小绝对差值与最大绝对差值。从而有:

如果计算关联度的数列量纲不同,要转化为无量纲,通常用的是规范化处理。

关联系数只表示各个元素间的关联程度。由于关联系数的数很多,信息过于分散,不便于比较,为此有必要将各元素关联系数集中为一个值,于是经常用表示数据列xi与x0的关联度,其中wk表示第k个元素的权重。

2 工程项目的表示[7]

工程项目的表示是指选取工程项目的一些主要特征作为工程项目的属性,来表示工程项目。

在建筑工程项目属性特征中既有字符型的,也有数值型的,本文选择的项目特征见表1和表2。

用表1和表2中的九个属性特征表示工程项目,把这九个属性特征表示成向量的形式:

(项目用途类别,工程结构形式,层数,层高,建筑面积,项目工期,项目造价,建筑总高)。

在这个向量中,元素的数据类型既有数值型,也有字符型的。对于数值类型的数据直接采用原始数据表示。对于字符型的数据,采用模糊数学模型表示,即用[0,1]表示。

结合灰色关联分析模型,表示如下:对于参考数据列x0={x0(1),x0(2),…x0(n)}中的字符型数据全取值为1,对于被比较数据列xi={xi(1),xi(2),…xi(n)},i=1,2,…,m中字符型数据列,如果取值与参考数据列中的字符型数据完全相同,取值为1,完全不同则取值为0,中间情况则按区别的程度取值为(0,1),见表3。这样我们就得到了若干工程项目表示数据列。

3 属性特征权重的确定

关于工程项目属性特征权重的确定,采用层次分析法(AHP)来确定。

注:也可根据具体情况取上述情况的中间状态。

AHP是美国著名的运筹学家T·L·Satty等人在20世纪70年代提出的一种定性与定量分析相结合的多准则决策方法。

3.1 应用层次分析法首先要构造层次分析模型

本文结合工程项目特征构造如图1所示。

3.2 构造判断矩阵

建立层次分析模型之后,我们可以在每层元素中进行两两比较,构造出比较判断矩阵。层次分析法主要是人们对每一层次中各因素相对重要性给出的判断,这些判断通过引入合适的标度用数值表示出来,写成判断矩阵。判断矩阵表示针对上一层因素,本层次与之相关因素之间相对重要性的比较。判断矩阵是层次分析法的基本信息,也是进行相对重要度计算的重要依据。对于同一层次的任意两因素i、j,它们相互比较后,其取值标度含义如表4所列。

注:处于上述状态中间的情况,可相应取值2、4、6、8、1/2、1/4、1/6、1/8。

3.3 层次排序及一致性检验[8]

求解判断矩阵的最大特征值λmax的特征向量W,经归一化后即为同一层次相应因素对于上一层次某一因素相对重要性的排序权值,即个因素的相对权重。

上述构造判断矩阵的方法虽能减少其他因素的干扰,较客观地反映出一对因子影响力的差别。但综合全部比较结果时,其中难免包含一定程度的不一致性。因此还必须对判断矩阵进行一致性检验。

一致性检验步骤如下:

(1)计算一致性指标CI:

(2)查找相应的平均随机一致性指标RI,见表5。

(3)计算一致性指标CR:

若CR<0.1时,认为判断矩阵的一致性是可以接受的,否则应对判断矩阵作适当修正。

4 实例分析

现有某10个工程项目,它们属性特征的如表6,选择项目1作为参考项目,其特征向量作为参考向量,其余9个项目作为比较项目,其特征向量为比较向量。

4.1 工程项目特征表示

(1)项目1的属性特征向量有(1,1,1,28,3.6,46 408,108.8,728,15 000),根据项目1的属性特征向量表示,则2-10项目的属性特征表示为:

(2)把1-10项目属性特征向量组成矩阵为:

(3)规范化上述矩阵:

(4)计算各元素关联度:取ρ=0.5

矩阵中rij(i=1,2,…10,j=1,2,…9)表示第i个项目第j个属性特征的关联度。

4.2 属性特征权重的确定

由层次分析法,根据专家打分,可得各属性特征权重向量为:

(0.256,0.198,0.132,0.093,0.030,0.043,0.097,0.056,0.094)

4.3 关联度的计算

各数值代入公式可求得各项目与项目1的关联度为:

经排序为:

4.4 实验结果分析

由上述工程项目关联的排序可知,同属旅馆类的项目3和项目4与参考项目1最为相似,其次是行政办公类项目,最后是文教类项目,与人们的定性判断相吻合。

5 结论

基于事例推理(CBR)是人工智能领域的一种基于知识的问题求解方法,求解问题的过程非常类似于人的思维过程,是对人类的认知心理活动的模拟。CBR的基本过程是:当遇到一个新的问题时,系统根据关键的特征在原始的事例库中进行检索,找出一个与待求问题最相近的候选事例,重用此候选事例的解决方法。因此,查找相似事例就成为问题的关键。本文提出了基于灰色关联分析的工程项目案例推理模型,通过集成层次分析与灰色关联分析方法来度量工程项目的相似性。该方法既利用了专家的经验又利用了灰色关联分析的客观性,计算得到的工程项目相似性排序结果符合客观实际情况,可以满足工程项目案例推理系统的要求。

摘要：工程项目相似性分析是工程知识重用的关键环节,也是工程项目案例推理中最基本也是最关键的步骤。但是,目前分析工程项目的相似性问题多是根据经验进行定性分析,缺少十分有效的定量方法。文中在灰色关联分析中关联度计算方法的基础上,提出了一种工程项目相似性分析的定量方法。首先提取工程项目的重要属性特征并建立模型,其次采用层次分析法确定各属性特征的权重,最终计算各项目的灰色关联度,根据关联度的排序,可以确定工程项目的相似性程度。实例分析结果验证了该方法的有效性。

关键词：工程项目,属性特征,相似性,灰色关联分析,案例推理分析

参考文献

[1]史忠植:《高级人工智能》[M];科学出版社,1997(12):78-79。

[2]李晓辉、刘妍秀:《基于实例推理机制(CBR)综述》[J];《长春大学学报》2006(4):68-70。

[3]许志端、张金隆:《基于CBR的工程项目标书综合评价决策支持系统》[J];《武汉理工大学学报,信息与管理工程版》2005(3)109-112。

[4]周璇、钟波涛:《基于CBR的施工投标决策支持系统研究》[J];《建筑经济》2006(7):162-164。

[5]李丹:《基于案例推理的工程造价估算研究》[D];武汉理工大学,2006(4)。

[6]杜栋、庞庆华:《现代综合评价方法与案例精选》[M];清华大学出版社,2005:111-117。

[7]Sung-Hoon An,Gwang-Hee Kim,Kyung-In Kang.A case-based reasoning cost estimating model using experience by Analytic hierarchy process[J];Building and Environment,2007(42):2573-2579.

[8]孙伟:《层次分析法应用研究》[J];《理论与方法》2008(12):35-39。

基于案例推理的研究综述篇2

1 CBR的基本原理

CBR是一种新兴的学习机制和推理方法，以已有的经验和案例为知识单位进行存储，核心思想是利用过去解决问题的经验来解决新问题。本文将从CBR的知识表示和案例提取，改编等对CBR的基本原理做介绍。

1.1 知识的表示

CBR中主体知识是以案例的形式存储的，因此如何表示和存储案例和案例特征是CBR中至关重要的环节。

都柏林大学的Doyle等人提出在XML中表示CBR的相似度及其测度方法[1]。在此之前，该研究小组已经构建了一个基于XML的CBR语言———CBML，用于表示案例本身。他们近期的研究主要对CBML进行扩展，用以表示案例相似度测量知识。该扩展将两个特征值间的相似度量分为3类：精确匹配、复杂的相似度匹配以及基于差异度的匹配。CBR的XML表示为CBR技术进一步发展，尤其是网络应用的发展，开辟了很好的道路。

台湾学者在构建智能FAQ代理服务系统中，提出支持本体(ontology)的CBR方法，将本体论观点与CBR技术结合：利用本体论观点表示案例的层次结构及其特征向量，根据本体中VRelationship关系类型搜索相似案例，并进行相应的案例改编。

1.2 案例提取，改编及维护

CBR中案例提取是利用相似度原理进行的。也就是从案例库中找到与问题的特征值向量最相似的案例。在搜索相似案例时，很多基于“距离”的相似度计算方法已经被采用，“距离”越大，说明相似度越小。

案例改编采用差异驱动的策略方法。通过对案例各分量特征的不同对比生成新的案例。另外：Corchado等人将模糊逻辑应用于案例改编的自动化实现上。方法的基础是一系列TSK模糊(Takagi Sugeno Kang fuzzy)模型的集合，这些模糊模型用于指导案例改编。简化的模糊规则库允许用户获取一个系统中更一般化的知识以及对系统的逻辑结构有更为深刻的了解。

案例库维护是通过聚类算法实现的：算法思想是将传统的聚类算法应用于CBR系统中，用于案例库索引、案例增加和删除操作。利用K-means聚类算法对案例库分析，将原始案例库划分为若干案例子库，并以子库的聚类中心和算法产生的0类案例(不属于任何聚类的案例)作为案例库索引。在保持系统推理效能的前提下，最大限度地减少案例库中的案例。该方法为案例库维护提供了一条有效途径。

2 CBR在国内外的应用

2.1 在计算机和信息科学中的应用

在垃圾邮件的判定上使用CBR技术。由于垃圾邮件的内容格式不断的改变，CBR的增量式学习机制能够很好的满足这一要求。研究者使用IG评判提取出垃圾邮件的标志特征。在案例提取时，找到最接近的案例，根据垃圾邮件的评判标志来判断是否是垃圾邮件。文章还将CBR算法与纯Bayes文本分类算法进行比较。结果显示CBR在垃圾邮件判断条件的不断学习上有较强的优势。

利用CBR进行Web服务整合。CBR在其中主要用于Web服务发现，这在整个整合过程中是一个关键步骤。案例库中的每个案例代表一个以前整合过的服务，而服务是以树型结构表示其层次包含关系。在案例提取时，首先将要整合的服务分解为各个子服务，并且在服务组成的树型结构上与问题查询对应的约束进行比较，计算相似度，从而提取出最满意的服务组合模型，也就是服务的发现过程。在此之后，系统利用UDDI服务路径在Web上寻找具体的服务，并使用服务组合器进行实际的整合操作。此外，CBR在知识管理、电子商务和协同商务等方面也实现了一些具体的应用。

2.2 在生物学及医学上的应用

分子生物学中，可以利用CBR以及现有的蛋白质结晶条件数据库进行分析，对蛋白质结晶方法作出规划[7]。还有DNA序列研究、蛋白质三维结构确定等。然而，现有生物数据库大多针对某一特定领域，数据过于片面(例如只存储实验成功数据)，不能很好适应机器学习和CBR系统的应用，并且，对异质的和分布式的生物学数据库联合分析的要求逐渐增加。

CBR还用于多种疾病诊断[6]。由于多种疾病可能涉及不同器官系统，以及具有复杂的判断条件，因此传统的CBR方法不能很好应用。研究者采用3种改进措施有效地将CBR方法应用于多种疾病及并发症的诊断上，为CBR系统能够在大范围医疗领域的应用开辟了新路。

2.3 在企业管理中的应用

在企业管理方面[8]，利用CBR的相似度量方法，判断获得的新知识是否应当存储到企业知识库中，然而研究者没有提出明确的方案，对于这些企业知识如何利用CBR来实现对现实问题的解决。此外，技术投资判断、市场选择与分析、供应商管理等方面也出现了比较成熟的CBR应用;在工业设计上，出现了很多成熟的基于CBR的CAD和CAM软件产品，并已成功应用。

3 结束语

CBR作为新兴的AI推理技术，近年来在理论和应用方面都有了长足发展，并且出现了很多成熟的CBR系统和CBR开发工具。根据以上所述CBR理论和应用研究进展，可以预测未来CBR发展方向主要集中在以下几个方面：(1)作为CBR推理环节之一和研究难点之一，案例改编算法仍有待进一步发展;(2)CBR用于专家系统结果的解释以及基于CBR的解释系统的研究;(3)CBR与其它人工智能推理和学习方法的有效结合和应用;(4)CBR在各个行业的进一步的应用，实现具体的成熟的智能系统。

摘要：该文对人工智能领域的一个分支——基于案例的推理技术做了简要概述,包括CBR的原理和组成。评述了CBR近年来的理论发展和应用发展。并对未来发展方向做出了预测。

关键词：基于案例的推理,基于案例的解释,专家系统

参考文献

[1]Lorcan Cotyledonal Doyle,Pádraig Cunningham.Representingsimilarity for CBR in XML[C].Advances in Case-Based Reasoning(Proc of ECCBR-04).Madrid,Spain:Springer,2004:119-127.

[2]Yang S Y,Liao P C,Ho C S.An ontology-supported case-basedtechnique for FAQ[C].Taipei,Taiwan:Proc17th InternationalConference on Software Engineering and Knowledge Enginee-ring,2005:639-644.

[3]S rmo F,Aamodt A.Knowledge communication and CBR[C].Proceedings of the ECCBR-02Workshop on Case-Based Reaso-ning for E-ducation and Trainging Aberdeen Scotland:RobertGordon University,2002:47-59.

[4]Eva Armengol,Enric Plaza.Using symbolic descriptions to ex-plain similarity on CBR[J].Artificial Intelligence Research andDevelop-ment,2005,131:239-246.

[5]Conor Nugent,Pádraig Cunningham.A case-based explanationsystem for black-box systems[J].Artificial Intelligence Review,2005(24):163-178.

[6]Atzmueller M,Shi W,Baumeister J,et al.Case-based approaches for diagnosing multiple disorders[C].Miami Beach,FL:Proceedings of the17th International Florida Artificial Intelli-gence Research Society Conference,2004.

[7]张建华.企业知识管理中的系统学习机制[J].华东经济管理,2006,20(9):87-90.

案例推理分析篇3

1 基于案例推理技术(Case-base Reasoning)

基于案例的推理是基于知识的专家系统(Knowledge-Based Systems)领域中的一个分支。基于案例推理起源于认知科学中记忆在人类推理活动中所扮演的角色。如今,CBR作为人工智能的一种主要推理技术,由于其自身的特点先后在通用问题求解、法律案例、医疗诊断、医药、故障诊断、计算机辅助设计等众多领域得到较为广泛的应用[1]。基于案例的推理(CBR)借鉴人类处理问题的方式,运用以前积累的知识和经验直接解决问题。

从使用者的角度看,一个典型的CBR问题求解过程可以归纳为以下四个步骤:检索、重用、修正、存储。如图1所示[3,4]:

由于教师专业领域的结构复杂,很难得出像规则一样准确、抽象的知识,基于案例推理不需要得出像准确和抽象的知识,而是直接使用隐含着难以提取规则的知识片段(事例)。且课堂是一个复杂的环境,教师在处理课堂突发事件或教学问题时,所依据的通常是以往的案例,而非一般的原理,这和基于案例推理的思想(利用旧问题的解决方案解决新问题)相一致,所以,采用基于案例推理技术来实现教学案例的推理,快速准确地推导出满足教师需要的一个或多个案例解,教师通过直接利用或改进这些案例解解决实际教学问题。

2 基于案例推理的教学案例知识管理系统的设计

基于案例推理的教学案例管理系统是对教学案例进行获取、共享、修正、应用、存储和评价等的管理。其中,利用CBR技术对待求解案例进行求解,从而帮助教师解决工作中出现的新问题,使教学案例知识更好的共享、应用和创新。

2.1 教学案例知识管理系统结构

基于案例推理的教学案例知识管理系统,主要由6个部分组成,如图2所示:

2.2 教学案例知识管理系统工作流程

系统的简单工作流程如下:用户根据系统提示,输入所需教学案例的信息,形成对问题的描述,并将其送入案例检索模块,先利用案例索引对案例库进行初步检索,再对初步检索中筛选出的教学案例与所需案例进行相似度的计算,若没有符合检索条件的教学案例,则返回至问题描述模块,进行检查、修改,保证问题描述的准确性,否则,将待求解的问题连同得到的教学案例,送入方案调整模块,得到当前问题的确定解,并在方案评价模块内对其有效性进行评价,判断是否得到问题的满意解,若用户对该解表示满意,则将结果输出,并完善对该问题的描述,形成问题案例,然后进行案例学习,将有价值的案例作为新案例存储在案例库中,否则,返回至问题描述模块或方案调整模块,重新获得当前所需教学问题的确定解。

各部分的推理循环图如图3所示:

3 基于案例推理的教学案例知识管理系统的案例表示

在CBR系统中,问题求解的状态及其求解策略用一个案例来表示。以一种适当的形式将知识在计算机中表示出来是使机器具有智能的前提和基础。案例表示的研究是整个CBR研究的基础和核心。就最简单的形式来说,案例就是能导致特定结果的一系列特征属性的集合;就最复杂的形式而言,案例就是形成问题求解结构的子案例的关联集合。CBR系统中主要的知识工程任务是确定适当的案例特征,包括领域专有名词的定义和专家借以解决问题的代表性案例的收集。

3.1 案例表示

不同领域的案例其结构尽管有差异,但案例的概念基本相同。为此,本文从案例推理的角度来进行教学案例的检索,基于案例推理的教学案例问题及其求解表示为:

案例由以下信息表示:

(1)问题的描述,用P表示:

(2)问题环境的描述,用E表示;

(3)问题对象的描述,用O表示;

(4)问题求解方法的描述,用M表示;

(5)问题求解效果的描述,用U表示。

式中C指案例推理过程,其中P是由案例突出特征集AK、案例特征属性集A、特征属性关系R和案例目标集G组成的,即P=(AK,A,R,G)。AK是案例索引和分类的标识。

基于案例推理的研究方法避开了深层次知识显式表达的难点,只需利用案例库中的已知案例就能达到问题的求解目的。依照(1),所需教学案例可这样来描述,即根据用户提供的要求从教学案例库中找到一个与要求最合适的案例。

3.2 案例特征属性的抽取

案例的描述是基于案例推理的教学案例知识管理系统实现的第一步,对案例的描述实际上就是对案例的特征属性以及结果或者解决方案的抽取过程。

属性抽取和表示是指在众多描述客观环境的要素中选择足以表达案例特征的属性,并给出属性的类型和取值范围。本文中根据专家的经验,综合许多实践案例的调研,发现用户在选择教学案例的时候会考虑下面主要因素:

(1)教学背景属性列表,包括学科、教学知识点、教学目标、学生特征和案例说明等;(2)教学方案,包括教学策略、教学设计、信息技术工具、教学媒体类型等;(3)教学过程,主要包括课堂视频录像等;(4)教学后记,主要包括课堂效果、学生评专家点评和反思日志等。

并不是所有的案例的属性值都是必须存在的。案例的相关属性比较多,而作为决定因素的属性只集中在其中的几种,余下属性的属性值可以视为无法确定或不存在。在案例的特征属性确定以后,本系统中采用框架描述方式表示案例:[2]

教学案例:=<背景属性列表,教学方案,教学过程,教学后记[,子教学案例列表]>;

背景属性列表:=属性1[,属性2[,属性3[,……]]];

属性:=数值、文字、符号或其他类型的值;

教学方案:=子教学案例的顺序结构、并发结构和循环结构等的描述;

教学过程:=课堂录象;

教学后记:=学生量化分数、课堂分析结果、学生反馈、专家点评、反思日志;

子教学案例列表:=子教学案例1[,子教学案例2[,子教学案例3[,…]]];

子教学案例:=教学案例指针,案例的唯一标识或元素对象集合。

4 结束语

通过对基于案例推理的了解、研究,将教学案例管理问题与基于案例推理机制结合起来,以案例推理过程为主线,根据用户的需要,对案例推理各个步骤所采用的方法进行研究,弥补了常用推理机制的不足,提高了案例推理的速度与精度,同时,也拓展了基于案例推理的应用领域,为教学案例管理问题提供了一种新型、有效的方法。

摘要：随着案例教学的研究成为我国教育的一个热点,与此同时,教学案例的管理问题被提上日程。文章阐述了利用案例推理技术(Case-base Reasoning),设计支持教师进行教学案例研究的平台——基于CBR的教学案例知识管理系统,最大限度地方便教师获取他们所需的教学案例知识。

关键词：案例推理(CBR),教学案例,知识管理,案例表示

参考文献

[1]刘亚娟.基于CBR(Case-based Reasoning)的教学案例知识管理系统的设计[D]..东北师范大学研究生学位论文,2006,5-8.

[2]胡春梅.基于案例推理技术的教学案例知识管理系统的设计与实现[D]..首都师范大学研究生学位论文,2005,42-45.

[3]杨瑾,尤建新,蔡依平.基于案例推理的供应商选择决策支持系统研究[J].计算机工程与应用,2006,42(6):19-23.

[4]杨斌宇.基于案例的推理在智能决策支持系统中的应用[D]..吉林大学研究生学位论文,2003,15-16.

浅析指导性案例中类比推理方法篇4

一、参照指导性案例与直接依法裁判的法律推理方法比较

法律推理是运用法律逻辑进行推理的过程, 法律的重点在于能够反映法官或者辩护人的价值判断。我国是成文法国家, 法官直接依法裁判主要通过演绎推理。参照指导性案例处理待决案件主要是通过类比推理, 即指导性案例与待决案件之间存在相同或相似性, 从指导性案例中提炼出的规则也可以处理同类待决案件。演绎推理和类比推理是两种不同的方法, 以下对运用演绎推理的依法裁判和运用类比推理的参照指导性案例裁判做一比较分析。

第一, 二者的适用情形不同。适用演绎推理的前提是作为大前提的法律规范是明确具体的, 根据明确的指引直接进行推论。适用类比推理的前提是出现法律漏洞、法律规则模糊不清和法律规定本身可能抵触等, 不能为具体案件的解决提供依据。

第二, 二者的结论的可接受性不同。演绎推理的表达形式的基本结构是大前提——小前提——结论, 前提的正确与否直接左右着结论的正确性, 演绎推理中的大前提是明确、具体和规范的法律规则, 结论会更具说服力, 那么也会更容易为社会公众所接受。在法庭审判中, 演绎推理不可能使所有案件得出符合法律意旨的结论, 类比推理是一种补充手段, 先判定指导性案例和待决案件是否存在相似性, 如果存在相似性, 从指导性案例中抽象出的判例宗旨也可以有选择性地适用于待决案件, 然而由于类比推理的结论有若干个, 参照的案例不同, 也会出现不同的裁判结论, 法的可接受性目标明显不易实现。

第三, 二者在逻辑推演过程中侧重点不同。演绎推理过程中, 假定法官具有较高的法律素养, 精通并能熟练运用法律法规, 可认为作为大前提的法律规则的寻找容易完成, 现实的司法环境决定了更侧重于对作为小前提的案件事实的再次推理。类比推理的表现形式的逻辑结构是寻找两个案件的相似点——提炼先案例的裁判宗旨—将宗旨适用于待决案件, 待决案件事实是具体确定的, 更侧重于“类比”, 即在繁多的先案例中如何找出最具相似性的案例指导待决案件的审判。

第四, 二者蕴含的思维模式不同。演绎推理是专制主义的思维方法, 类比推理是民主的思想方法。在演绎推理中, 在前提正确的情况下, 法官根据自己的观念、学说、信仰做裁判并公之于众, 是一种具有专制色彩的推演方法。而类比推理的先案例是可以选择的, 选择不同的先案例会得出不同的结论, 结论的或然性也意味着对不同推演结论可以进行利益衡量而选择相对或最为合理的结论, 是一种民主的思维方法。

二、类比推理中指导性案例与待决案例的相似性判定

我国最高人民法院发布的指导性案例的内容包括:裁判要点、相关法条、基本案情、裁判结果和裁判理由, 其中裁判要点和裁判理由已经将同案之间的处理方式进行了抽象概括, 为实务者进行类比推理省去了一步, 从而, 参照指导性案例进行裁判最为重要的步骤就是此案与彼案的相似性判定。怎样判定?主要有以下几种观点。

其一, 构成要件相似性的观点。构成要件是指与法律对特定问题的评价有关的重要观点, 构成要件存在于一定的案件事实中, 研究分析案件事实以及与之密切联系的法律关系, 对准确把握构成要件意义重大。

其二, 本质属性“类似”或“相似”的观点。“类似”或“相似”主要是指重要性质具有相似形, 对两者进行本质属性上的深入分析和列举, 如先例具有属性X、Y、Z, 待决案件具有属性X、Y、Z、A或X、Y、A, 则两者的共同点就是X、Y、Z或X、Y。

其三, 法律和事实判断标准。从法律关系、法律依据层面判断是否属于同一类型案件, 同时, 需要对先案例和待决案件进行事实层面的对比, 两个标准都满足时, 就具有相似性。

对先案例和待决案例进行比较时, 《规定》没有明确规定标准, 给予了法官自由裁量的空间, 相似性判定的正确、合理与否直接影响着参照指导性案例适用的司法效果和社会效果。

三、参照指导性案例裁判中类比推理的特点

类比推理是从个案到个案的逻辑思维方法, 其自身的弊端也会在参照指导性案例裁判的过程中凸显, 指导性案例由于其发布主体、发布程序、适用范围和监督程序的特点, 实则是对法官进行类比推理的限制, 体现了法律保留和尊重立法权的原则。

指导性案例制度的建立保障了类比推理在我国适用的合理性, 我国学者对类比推理的法律方法不够重视, 《规定》的施行是一次重大进步, 促使司法实务和学术界关注类比推理, 发挥类比推理方法的积极作用。于是, 也对法官专业素质和道德品质提出了更高的要求, 优秀的法官运用有效的法律方法制作说理合情合理的判决, 完善司法过程。

参考文献

[1]苏泽林主编.《中国案例指导制度的构建与应用》.法律出版社, 2012年6月版.

[2]爱德华·列维.庄重译.《法律推理引论》.中国政法大学出版社, 2001年版.

[3]苏治.《论司法过程中的类比推理》.载《法律方法》第3卷.

[4]余涛.《类推的性质与司法实践活动中的类比推理》.载《法律方法》第13卷.

案例推理分析篇5

煤矿应急救援是一项社会性救灾工作[1,2,3]。煤矿应急预案能够帮助指挥人员提高处理煤矿突发事故的能力。在突发事故发生时,指挥人员根据预先制定的应急处理方案,能够及时有效地实施应急救援工作,最大限度地减少事故造成的人员伤亡和财产损失。如何科学制定、管理和评估应急预案成为当前应急管理领域的研究热点。邓万涛[4]利用目标层、准则层及方案层3层结构共计15个核心指标,通过线性加权计算煤矿应急预案的完备度,较好地解决了煤矿应急预案完整性评价的相关问题。齐琪[5]根据我国煤矿事故发生的主要因素,设计了一套应急能力评价指标体系用于对煤矿企业的日常应急管理水平进行评估和指导。然而,传统的煤矿应急预案大都停留在纸质的形式[6,7,8]。当煤矿事故发生时,纸质形式的预案管理方式对救援工作的指导不够明确,应对突发事件的实时性差,应急预案的检索以及救援方案生成的效率低。

针对由纸质形式管理的应急预案所存在的缺陷,本文采用案例推理方法,在最近相邻算法的基础上提出差异相似度算法,提高了预案检索的精确度。针对预案库不断增大的问题,提出预案库分级检索的策略,提高了预案检索效率。这些改进使得预案检索结果具有实时、高度匹配灾害特征,对于煤矿灾害救援具有重要的指导作用。

1 CBR工作模式

1.1“5-R”理论

CBR(Case-Based Reasoning)称为基于案例推理技术,它以数字化方式将发生过的历史案例和关于此案例的处理方法存入案例数据库中。当出现新问题时,用户输入关键字即可从数据库中匹配出与描述问题最为相近的案例,或将相似度较低的案例适当调整后用于处理本次事故。CBR已被应用到生物学[9]、医学以及图形图像的处理[10]等领域。传统的CBR工作模式为“4-R”理论[11],即检索(Retrieve)、重用(Reuse)、修改(Revise)和保存(Retain)。

采用“4-R”模式的前提是案例库已经建立完成。事实上,煤矿的应急预案大多采用文本形式,而数字化形式的应急预案处于不断改进与完善中[12,13]。因此,本文采用Gavin Finnie和Haohao Sun[12]提出的一种新的工作模式:“5-R”理论,即表示(Represent)、检索(Retrieve)、重用(Reuse)、修改(Revise)和保存(Retain)。该模式促进了案例推理基础理论的发展,也为将CBR应用于煤矿应急救援领域奠定了坚实的基础。“5-R”工作模式如图1所示。

图1“5-R”工作模式

(1)案例表示:分析大量历史案例,提取其中的特征信息,采用一种合理的知识表示方法,将案例信息以形式化方式存储在数据库,方便计算机查找。案例表示是应急预案数字化的第1步,也是“5-R”工作模式首先要解决的问题。案例表示的目的在于方便日后查询及修改等。关于案例的知识表示方法有产生式表示法、状态表示法、语义网络表示法、框架表示法、XML表示法以及面向对象表示法等[13]。

(2)案例检索:输入当前事故的特征信息,计算机将根据事先设计并存入计算机的特征匹配算法,从案例数据库中匹配出最为接近的案例,方便救援指挥人员参考或使用。常用的案例检索方法有知识引导法、多维分析法、模糊逻辑、归纳引导策略以及最近相邻算法[11]等。

(3)案例重用:当找到一个或多个与当前突发事件信息相匹配的案例时,优先选择其中最为相似的案例,并将其直接应用到本次事故救援中,无需对该案例进行修改。

(4)案例修改:当检索不到需要的案例或检索到的案例信息与本次事故相似度较低时,对该案例进行修改或重新生成一个案例。

(5)案例保存:保存修改过的和新添加的案例。

下面以煤矿应急预案为例,重点从案例表示和案例检索2个方面进行介绍。

1.2 煤矿应急预案的案例表示

结构合理的案例表示方法能够大大加快案例的检索匹配速度,缩短查询时间。本文以煤矿突发事件为背景,综合考虑煤矿领域专业理论后,采用框架表示法表示煤矿应急预案。框架理论是由著名学者M.Minskyz在1975年提出的。该理论认为:对于过去发生的一系列事件,人们不可能记住其中所有的细节信息。但当有新的事件发生时,人们会迅速搜寻以往经历过的事件并且能迅速做出反应。因此,最有可能的原因是人会将曾经发生的一系列事件以一个个类似于框架的形式存储于大脑中。当有新的事件发生时,就会调取相应的框架进行匹配,最终结合新的数据形成当前事件的解决方案。

一个完整的案例首先必须有一个案例编号,用于对案例进行标志,接着应有对应该种案例的案例名称和框架名称。一个框架由若干个槽组成,每个槽下又有许多侧面,每个侧面又包括很多属性或者更小的框架。这些槽、侧面、属性以及更多的小框架共同构成一个具体案例信息的表示。

表1以瓦斯煤尘爆炸事故专项应急预案为例,对框架表示做具体说明。

表1 瓦斯煤尘爆炸事故专项应急预案框架表示

1.3 煤矿应急预案相似度检索

预案检索算法的选择对预案检索和方案生成的效率有直接的影响。综合考虑煤矿应急预案的表现特征和煤矿领域的专业知识,本文采用最近相邻算法来计算煤矿应急预案的相似度。相似度的计算可从局部相似度和整体相似度两方面着手。

1.3.1 局部相似度

根据信息获取算法将煤矿应急预案的特征属性分为3种类型:数值类型、文本类型和枚举类型。

(1)数值类型:具有连续且确定的数值值域,可以精确地表示事件情况,如煤矿突发事故中的死亡人数、受伤人数、失踪人数、直接经济损失等。该类特征的局部相似度为

式中:simr(i,j)代表目标案例i与案例库中案例j在特征属性r上的局部相似度;Crmax为特征属性r的最大取值;Crmin为特征属性r的最小取值;Cir为目标案例i的第r个特征属性的取值;Cjr为案例库中案例j的第r个特征属性的取值。

(2)文本类型:该特征类型是基于关键字匹配的原则,各特征属性之间毫无关联,如煤矿事故的预案类型、事故发生地点、事故发生时间、事故发生单位、事故名称、事故状态以及行动方案等。该类特征的局部相似度计算为

当目标案例i的第r个属性与案例库中案例j的第r个属性相同时,局部相似度取值为1,否则取值为0。

(3)枚举类型:可根据事故的轻重缓急给出适当的评价标准。该类特征的局部相似度为

式中:N为该枚举类型中特征属性的最大取值。

按照类型可分为黄色、橙色和红色预警,分别定义为1,2,3,此时N=3;根据事故伤亡人数和直接经济损失的不同又可分为IV级、III级、II级和I级响应条件事故,分别定义为1,2,3,4,此时N=4。

1.3.2 整体相似度

整体相似度是局部相似度与各特征属性权值的乘积之和,计算方式为

式中:wr为特征属性r在相似度匹配时所占的权重系数,

由于各个领域计算方法不同,权重系数的计算主要包括概率计算、分层计算以及领域专家给定等方式。本文采用煤矿领域专家投票给定方式得出wr并设定专家接口,可根据实际情况修改权重系数。

2 整体相似度的改进

2.1 差异相似度

采用最近相邻算法计算相似度,根据目标案例和历史案例在特征属性间的距离来计算两者的相似度。但是,实际应用中,目标案例和历史案例存在特征属性不匹配,甚至有一方的某些特征属性缺失等情况。当出现这些状况时,若采用最近相邻算法计算案例相似度定会出现偏差,不能客观地反映决策者想要得到的结果。针对此类问题,本文提出差异相似度的概念,并对原始的整体相似度进行改进。

差异相似度的计算:

式中:S为差异相似度;为目标案例所有特征属性的权重之和;为历史案例所有特征属性的权重之和。

整体相似度的计算:

2.2 案例库改进

CBR采用自主增量式的学习,如果不采取一定措施,数据库中的案例数量将不断积累。如果依然采用以往的单级检索方法,效率将大大降低。为解决该问题,本文提出两级检索机制,并将历史案例库分为案例总库和多个案例子库,案例总库和案例子库之间采用抽象继承方式进行索引。煤矿应急预案两级检索机制如图2所示。

图2中,各种事故的抽象框架保存在总预案库中,而预案子库中保存同种类型预案的具体预案以及同种预案类型在不同应急等级下的具体处理措施。

预案检索时,可根据煤矿突发事件的预案类型,利用相似度算法从总案例库中初步匹配出具体类型的抽象预案框架,经过初期匹配,预案检索范围将缩小到同种类型的子预案库中。接着可根据具体的事故参数,例如受伤人数、死亡人数、直接经济损失、事故时间、地点、事故原因等做出初步判断,再根据事故单位规模等信息检索出具体的案例,从整体相似度最大的一个或几个案例中选择最优案例用于处理本次事故。

图2 煤矿应急预案两级检索机制

3 应用

根据上文设计思想,采用MyEclipse8.5和MySql构建了一个煤矿应急预案管理系统。根据CBR案例推理规则建立煤矿应急预案库,利用差异相似度算法检索匹配案例库中的相似案例。该系统能够根据事先设计好并保存在Excel表格中的案例模板,批量导入并自动生成案例。煤矿应急预案管理系统主界面如图3所示。根据预案类型、预案等级以及事故描述等条件检索出的相似度最大的预案如图4所示。煤矿应急预案批量导入接口如图5所示。

4 结语

基于案例推理设计并实现了煤矿应急预案智能管理系统。该系统针对煤矿突发事故的特点,充分考虑了煤矿突发事故以往的处理经验,把这些经验和理论总结成具体的案例,利用Hibernate技术将案例存入MySql数据库中,并在前台采用树形结构将所有资源进行展现。使用差异相似度算法进行预案检索,通过真实数据和仿真实验对系统进行检验,取得了很好的实用效果。

图3 煤矿应急预案管理系统主界面

图4 预案检索

图5 煤矿应急预案批量导入接口

摘要：针对文本形式的静态预案管理方式对事故发生时救援工作的指导不够精确、难以制定切实可行的救援方案的问题,设计了基于案例推理的煤矿应急预案管理系统。针对实际案例与历史案例的特征属性不匹配问题,提出差异相似度算法,该算法与案例推理中的最近相邻算法结合,能够从预案库中检索出相似度最高的历史案例,从而提高救援方案生成的效率。针对由于案例库不断增大导致查找对应预案变难的问题,给出了分级检索策略。实际应用结果表明,与传统的煤矿应急预案管理方式相比,基于案例推理的煤矿应急预案管理系统更能满足煤矿企业应急救援的及时性和针对性要求。

案例推理分析篇6

突发公共事件的应急救援决策是一项具有复杂性、模糊性和时效性特征的系统工程。因事件类型、环境条件、发展阶段及风险损失的不同,救援所使用的技术和设备不同[1];受灾变影响因素的复杂性、灾情信息获取的片面性和实施效果预测的模糊性影响,应急救援时常面临各种非结构化决策[2];更关键的是,必须在短时间内确定救援方案,对资源的调配做出准确的决策[3]。文献[4]指出寻求专家知识应对突发事件是提高应急决策能力的关键。因此,应急救援需要一种更智能的决策方法。

基于案例推理(case-based reasoning,CBR)是一种通过检索并借鉴历史案例的经验,对当前决策问题进行推理求解的人工智能技术。CBR对以往的求解结果进行重用,可以提高求解效率并改善求解质量[5],尤其适用于领域知识丰富的决策环境[6],因而适应应急救援的决策特征。目前最常用的案例检索方法是k-近邻法,通过计算对象在属性空间中的距离,为当前事件匹配相似的历史案例。但是,该方法应用在应急救援决策中将存在两点不足:其一,救援案例间的相似性从实施效果角度分为正向匹配和负向匹配,而方法采用对称距离对此无法识别;其二,根据案例间的距离得到相似度的简单排序结果不足以支持重大事件的救援决策,需要对检索结果进行组合调整。基于此,本文使用整体优势度(ISD)对应急救援的案例推理决策予以改进。

2 决策机理

应急救援本质上是一个方案决策过程,是为消除或缓解事件影响而制定救援方案,并在实施过程中随状态变化适时修改方案,调整救援资源[7]。应急救援方案包括源案例S和目标案例T。源案例是储存在案例库中为了解决目标问题而可能被选择重用的案例。应急救援源案例由四元组表示为S=(symptomS,problemS,solutionS,resultS),其中, 症状描述域symptomS为有限集, 表示用于索引的事故信息; problemS={dS1,dS2,…,dSn}为问题域, 即源问题属性集, 表示事件的各种症状和信号; 解决方案域solutionS={DS1,DS2,…,DSm}为非空有限集合,表示事件应急救援方案属性集;效果域resultS表示事件救援实施方案solutionS的效果。目标案例由症状描述域和问题域构成,即T=(symptomT,problemT)。基于案例推理的应急救援决策机理可以解释为:根据目标案例的事故信息,对源案例进行初始索引;通过计算问题域在属性空间中的距离,度量源案例与目标案例的相似度;匹配的源案例的解决方案为目标问题提供决策支持;补充目标案例实施解决方案后的效果,即形成完整的目标案例,如图1所示。

3 基于整体优势度的案例检索

案例检索使用相似度函数度量源案例与目标案例的匹配程度。依据CBR的基本原理,应急救援的案例检索条件可以描述为:如果problemSi与problemT相似,那么solutionSi与solutionT也是相似的。因此,源问题i的解决方案可以作为解决目标问题的决策支持。

2.1 构造混合加权属性值矩阵

假设突发公共事件的应急救援源案例集为S={S1,S2,…,Sm},目标案例为T,问题域属性集为d={d1,d2,…,dn}。应急救援决策的模糊性特征决定部分信息只能以自然语言变量刻画,对主观属性进行语言变量赋值,并转化为三角模糊数和精确数计算。表1给出三角模糊数的语义量化准则,语言变量的隶属度函数如图2所示。

定义1 $\tilde{m} = (c, a, b)$ 称为三角模糊数,其隶属度函数为μ(x)～[0,1]:

$μ_{\tilde{m}} (x) = {\begin{cases} (x - a) / (a - c), \\ (x - b) / (a - b), \\ 0, \end{cases} \begin{array}{l} c \leq x \leq a \\ a \leq x \leq b \\ x \leq c ‚ x \geq b \end{array} (1)$

根据式(2)对决策矩阵的效益型和成本型属性的三角模糊数进行标准化,得到案例i的第j项主观属性的标准三角模糊数 $\tilde{m}_{i j} = (S^{C}, S^{A}, S^{B})$ 。

${\begin{cases} S_{i j}^{C} = \frac{X_{i j}^{C}}{\sqrt{\sum_{i = 1}^{m + 1} (X_{i j}^{B})^{2}}} \\ S_{i j}^{A} = \frac{X_{i j}^{A}}{\sqrt{\sum_{i = 1}^{m + 1} (X_{i j}^{B})^{2}}} \\ S_{i j}^{B} = \frac{X_{i j}^{B}}{\sqrt{\sum_{i = 1}^{m + 1} (X_{i j}^{C})^{2}}} \end{cases} {\begin{cases} S_{i j}^{C} = \frac{1}{X_{i j}^{B} \sqrt{\sum_{i = 1}^{m + 1} (\frac{1}{X_{i j}^{C}})^{2}}} \\ S_{i j}^{A} = \frac{1}{X_{i j}^{A} \sqrt{\sum_{i = 1}^{m + 1} (\frac{1}{X_{i j}^{A}})^{2}}} \\ S_{i j}^{B} = \frac{1}{X_{i j}^{A} \sqrt{\sum_{i = 1}^{m + 1} (\frac{1}{X_{i j}^{B}})^{2}}} \end{cases} (2)$

为便于计算,本文使用式(3)计算三角模糊数 $\tilde{m}$ ij的总期望值xγ.xL( $\tilde{m}$ ij)与xR( $\tilde{m}$ ij)分别代表三角模糊数 $\tilde{m}$ ij的左期望值和右期望值,γ∈[0,1]表示决策者的乐观系数,γ越大表示决策者越乐观。

$x_{γ} = γ x_{R} (\tilde{m}_{i j}) + (1 - γ) x_{L} (\tilde{m}_{i j}) (3)$

其中, $x_{L} (\tilde{m}_{i j}) = 1 / 2 (S^{A} + S^{C}), x_{R} (\tilde{m}_{i j}) = 1 / 2 (S^{A} + S^{B})$ 。

得到混合标准化矩阵 $\tilde{U} = [S, Τ]^{Τ} = [x_{i j}]_{(m + 1) \times n}$ .不同的事件决定不同的救援决策,对于问题域属性有必要考虑价值参数w*j(j=1,2,…,n),因此构造混合加权规范化矩阵 $\tilde{U}^{*}$ ,属性值为Xij=w*jxij(i=1,2,…,m+1;j=1,2,…,n)。

$\tilde{U}^{*} = [\begin{matrix} S^{*} \\ Τ^{*} \end{matrix}] = [\begin{matrix} X_{11}^{S} & X_{12}^{S} & X_{13}^{S} & \dots & X_{1 n}^{S} \\ X_{21}^{S} & X_{22}^{S} & X_{23}^{S} & \dots & X_{2 n}^{S} \\ \dots & \dots & \dots & \dots & \dots \\ X_{m 1}^{S} & X_{m 2}^{S} & X_{m 3}^{S} & \dots & X_{m n}^{S} \\ X_{1}^{Τ} & X_{2}^{Τ} & X_{3}^{Τ} & \dots & X_{n}^{Τ} \end{matrix}] (4)$

假设参与应急救援决策的专家集为D={D1,D2,…,Dt},基于突发公共事件应急救援决策的复杂性和模糊性特征,本文结合模糊层次分析法与多级综合评判方法给出混合加权规范化矩阵的属性权重向量。

2.2 计算相似度

应急救援的解决方案决定救援实施效果上的差异,以目标案例为基准点,相似度高的源案例在问题域的属性空间中分布在其周围。一般的相似度函数只计算距离的大小,对于突发公共事件的应急救援,特别需要识别距离的方向。从效果域角度,反向匹配的源案例对目标问题的决策实施效果产生反作用,不适于作为决策支持。如图3所示,根据一般距离公式计算相似度,S1,S2与T的距离最小,则相似度最大;与S2相比,S1与T的距离更小,但是S1与T在Z轴上处于反向,因此S1的解决方案的效果与T和S2都是反向的,而且,反向距离越大,对效果域的负作用越大。因此,应急救援在案例推理决策中,使用矢量距离度量案例间的相似度更为适合。

根据ISD计算源案例与目标案例的匹配程度,并设定优势度φ, 控制优势源案例集S*={Si:ISD(Si,T)≤φ, 0≤φ≤1}(i=1,2,…,p)的规模, 其中, p为S*中源案例的个数。优势度反映决策者对检索源案例的偏好程度,优势度越大,表明符合检索条件的源案例越多,可供决策支持的历史信息越丰富,但是决策的复杂程度越大。检索得到的源案例Si的解决方案solutionSi可以作为目标问题problemT的决策支持。

$\begin{array}{l} Ι S D (S_{i}, Τ) = \sum_{i = 1}^{m} [S D (S, S_{i} + S D (S_{i}, Τ)] / 2 Ν (5) \\ S D (S, Τ) \\ = {\begin{cases} \sum_{j = 1}^{n} f_{i} (S, Τ) / \sum_{j = 1}^{n} | f_{i} (S, Τ) |, \sum_{j = 1}^{n} | f_{i} (S, Τ) | \neq 0 \\ 0, \sum_{j = 1}^{n} | f_{i} (S, Τ) | = 0 \end{cases} (6) \\ f_{i} (S, Τ) = {\begin{cases} w_{j} (x_{j}^{S_{i}} - x_{j}^{Τ}), \\ 0, \\ w_{j} (x_{j}^{Τ} - x_{j}^{S_{i}}), \end{cases} \begin{array}{l} x_{j}^{S_{i}} > x_{j}^{Τ} \\ x_{j}^{S_{i}} = x_{j}^{Τ} \\ x_{j}^{S_{i}} < x_{j}^{Τ} \end{array}, \\ i = 1, 2, \dots, m; j = 1, 2, \dots, n (7) \end{array}$

ISD的绝对值大小表示源案例与目标案例的相似程度,越小则相似度越大。计算得到ISD数值上的正负之分,表示源案例与目标案例的距离在矢量方向上的差异,即正向匹配和负向匹配。负向匹配源案例对目标案例的救援效果产生反作用,不适于作为目标问题的决策支持。

作为比较,给出基于欧氏距离的目标案例T与源案例Si的相似度计算公式,计算得到SIM(T,Si)越大,表示源案例与目标案例相似度越高。

$\begin{array}{l} S Ι Μ (S_{i}, Τ) = 1 - d (p r o b l e m^{S_{i}}, p r o b l e m^{Τ}) \\ = 1 - \sqrt{\sum_{j = 1}^{n} w_{j}^{2} (x_{i j}^{S_{i}} - x_{i j}^{Τ})^{2}}, i = 1, 2, \dots, m (8) \end{array}$

4 决策调整与经验学习

一般情况下,检索到的源案例不能与目标案例完全匹配,而且相似度排序得到的单一源案例往往不足以支持目标问题的决策。为了获得更为合理的解,需要对符合检索条件的源案例的解决方案solutionS进行修改和组合,得到目标案例的应急救援决策

$\begin{array}{l} s o l u t i o n^{Τ} = \sum_{i = 1}^{p} w_{i}^{*} s o l u t i o n^{S_{i}} (9) \\ w_{i}^{*} = \max Ι S D (S_{i}, Τ), i = 1, 2, \dots, m (10) \end{array}$

CBR具有自动学习能力。目标案例的解输出后,根据预先设定的阈值β,如果ISD(Si,T)≥β,则目标案例T存储入案例库中作为新的待检索源案例,否则被删除,从而控制案例库的规模并保证案例检索的效率。综合上述分析,基于案例推理的应急救援决策的实现如图4所示。

5 实例分析

煤炭采洗是我国工业事故伤亡最为严重的行业。除资源条件和管理因素以外,缺少科学有效的应急救援措施是致使事故影响扩大的重要原因[8]。本文以危险性和破坏程度最大的煤矿瓦斯爆炸事故为例,结合国家安全生产监督总局发布的事故应急救援统计情况,给出应急救援源案例的四元组表示法如表3所示,问题域的子属性及其含义如表4所示。

(1)混合属性值标准化

为了说明基于ISD的应急救援案例推理决策方法并验证其有效性,本文选取瓦斯爆炸事故应急救援的源案例集S={S1,S2,…,S8}和目标案例T,给出问题域的混合属性值如表5所示。取γ=0.4,对混合属性值进行标准化(限于篇幅,部分计算过程和数据略),得到混合属性值的标准化决策矩阵 $\tilde{U} .$

(2)属性权重确定

参与应急救援决策的专家集为D={D1,D2,D3},而且每位专家的意见同等重要。三位专家对第一层属性集d={d1,d2,d3,d4,d5}进行两两重要性比较,分别给出模糊互补判断矩阵:

由模糊层次分析法计算得到第一层属性权重向量(1)W=(1)(w1,w2,w3,w4,w5)=(0.200,0.196,0,192,0.190,0.211)。三位专家对第二层属性进行两两重要性比较(模糊互补判断矩阵略),依据同样的方法得到属性3、属性4和属性5的子属性权重向量分别(2)W3=(2)(w31,w32,w33)=(0.308,0.353,0.339), (2)W4=(2)(w41,w42)=(0.396,0.604),(2)W5=(2)(w51,w52,w53)=(0.333,0.289,0.378)。最后,由多级综合评判方法得到属性权重向量W*=(w1,w2,w31,w32,w33,w41,w42,w51,w52,w53)=(0.200,0.196,0.060,0.068,0.065,0.075,0.115,0.070,0.061,0.080)。

(3)结果分析

根据欧氏距离和ISD分别计算目标案例与源案例的相似度,结果如表6所示。

两种不同的检索结果表明:①除S1、S5与S8以外,相似度的排序结果完全一致,第一位均为S3,可以认为基于ISD的相似度计算有效;②除S8以外,ISD(Si,T)均为正值,按照欧氏距离计算相似度排序,S8处于第二位,但是由ISD计算矢量距离发现S8与T为负向匹配,对应急救援效果产生反作用,不适合为T提供决策支持,则S8被S1替代。

取优势度φ=0.150,则优势源案例集S*={S3,S1,S7},S3,S1,S7可同时作为目标案例的决策支持,组合调整后的目标案例的应急救援解决方案为

solutionT=w*3solutionS3+w*1solutionS1+w*7solutionS7

设定阈值β=0.0015,由于ISD(S3,T)≥β决定该目标案例T应被存储入案例库。最后根据该目标问题执行解决方案solutionT的实际效果确定目标案例的效果域resultT,作为新的源案例以备救援决策时重用。

6 结语

基于案例推理技术为突发公共事件的应急救援提供决策支持体现了“以史为鉴”的思想,适应应急救援的非结构化决策特征。同时,对案例推理的检索策略基于ISD予以改进,从决策实施效果的角度,对相似源案例进行正向匹配与负向匹配的识别。决策方法的实践意义在于:①案例推理技术的自动学习能力改进了应急救援的智能决策模式;②根据源案例与目标案例的矢量距离,基于ISD的案例检索能够在相似案例中,识别对目标案例的效果域有负作用的源案例,应急救援决策得到优化;③结合案例检索结果,基于ISD为案例调整提供了一种新方法。

摘要：对突发公共事件的应急救援决策进行研究,提出基于案例推理的应急救援决策方法。通过案例的四元组表征,分析基于案例推理的应急救援决策机理;针对传统案例检索使用对称距离计算相似度在应急救援决策应用中的不足,利用整体优势度对源案例与目标案例间的矢量距离进行识别,从正向匹配和负向匹配的角度改进检索策略,提高案例匹配的有效性;同时,结合整体优势度对决策方案进行调整和学习。最后,以煤矿事故应急救援实例说明了该方法能够在相似案例中筛除负向匹配源案例,优化源案例对目标案例的决策支持。

关键词：基于案例推理,应急救援决策,整体优势度,相似度

参考文献

[1]Jiuh B S.An emergency logistics distributionapproach for quick response to urgent relief demandin disasters[J].Transportation Research,2007,43:687~709.

[2]郭德勇,刘金城,姜光杰.煤矿瓦斯爆炸事故应急救援响应机制[J].煤炭学报,2006,31(6):697~700.

[3]Linda V G,Peter J K.Improving emergencyresponsiveness with management science[J].Management Science,2004,50(8):1001~1014.

[4]黄卫东.基于环境感知的应急管理知识需求研究[J].四川大学学报(工程科学版),2007,39(5):182~186.

[5]Alain M.From case-based reasoning to traces basedreasoning[J].Annual Reviews in Control,2006,30:223~232.

[6]Michalel M,Agnar A.Case-based reasoningfoundations[J].The Knowledge EngineeringReview,2006,20(3):203~207.

[7]周习锋等.基于案例和描述逻辑的海上援救规划方法[J].计算机工程,2008,34(8):261~263.

案例推理分析篇7

1房地产投资风险的因素分析

本文根据项目系统内外将房地产投资风险划分为2大类:项目外部环境风险和项目本身内部风险, 并进一步细分房地产投资风险的影响因素。外部环境风险主要包括宏观经济环境风险、市场环境风险、社会环境风险、政治环境风险、地域环境风险5大类;项目内部风险主要包括施工环境风险、技术风险、管理风险3大类。具体房地产投资风险评价框架见图1。

2基于案例推理的基本理论

基于案例推理 (CBR——Case Based Reasoning) 是人工智能发展较为成熟的一个分支, 最早起源于美国耶鲁大学, 它是一种合理的推理模式, 反映出了人类思维的流动性。基于案例推理的过程是:当新问题到来时, 对其进行问题描述, 从案例库中检索与之相似的旧案例, 比较新问题与旧案例的异同之处, 对旧案例进行方案调整, 寻求目标问题的解。调整后的解决方案需要借助方案评价来判断解的质量, 如果满意, 则获得该问题的解决方案, 并加入案例库中成为新的案例。目前基于案例推理技术已比较广泛地应用于一些需要积累丰富经验的领域, 如医疗诊断、法律咨询、工程规划和设计以及故障诊断等。

将上述过程简化一下, 可以得到CBR工作过程 (见图2) 。

3基于案例推理的房地产投资风险评价系统的框架构建

3.1案例的表示

将欲评价的新问题以及案例库中众多的案例按照一定的数据结构表示出来, 称为案例的知识表示, 案例表示的方法有框架法、语义网络法、产生式规则法等。这里采用框架表示法, 框架是一种描述各类事件内部或相互关系的具体属性的结构。房地产投资风险案例核心内容的形式化描述如表1所示。

3.2框架各级指标的权重设定与检索思路

在案例相似度匹配过程中, 还有一个关键点就是对指标权重的设定。特征变量的权重设置是案例索引结构设计的难点所在。对每一个特征属性赋予一个合理的权重可以提高检索结构的准确性。对于案例的检索的思路, 可以尝试建立被评价房地产项目基本信息描述的索引, 比如“总建筑面积”、“投资成本”、“投资类型”等。首先通过基本信息的索引字段找出完全匹配的案例记录, 再查找与各个指标描述能匹配的记录, 若有匹配的, 则从对应的“结果集”中能找到适合目标案例的评价结果, 其中对应的“结果集”可以看作是风险的初步评价, 或是得到多个案例记录供参考, 进行一定的调整后可得到目标案例的评价值;若没有匹配的记录, 则增添新的案例到案例库中。

3.3相似度匹配策略

从房地产投资风险评价体系框架的表示中可以看出, 一个完整的案例信息除了包括数据信息外, 还包括文字信息, 特别是对于相关知识的描述都是采用自然语言的方式编写, 属于典型的非结构化表示方式。因此在对案例信息进行检索匹配时应当针对信息的不同特性采取不同的相似度匹配策略。

1) 数据信息的相似度策略

由于各数据值的所属范围、数量级有区别, 因此在进行相似度确定以前, 首先应对数据作归一化处理, 将数值界定在0和1之间。设定Xm为问题案例X的第m个属性;Ijm表示案例库I中第j个案例的第m个属性;表示第m个属性的权值。

其中

undefined

表示问题案例X的第m个属性与案例库I中第j个案例的第m个属性的匹配度。

2) 文字信息的相似度策略

对文字信息的相似度的计算, 目前通过对文字信息描述中关键词特征、词义特征、句法特征的分析和提取来进行计算。本系统在相似度计算中仅以关键词特征作为计算依据。就是通过利用2个句子中有效词 (动词) 来构成向量空间, 然后计算2个句子的向量, 利用这2个向量夹角的余弦值作为句子相似度。例如任给2个句子S1和S2, 它们的所有有效词构成的向量空间为V={X1, X2, X3, ..., Xn}, 其中Xi为有效词。句子S1的向量V1={w1, w2, w3, …, wn}, 其中wi为有效词Xi的句子S1中出现的次数。句子S2的向量undefined, 其中φi为有效词Xi在句子S2中出现的次数。则2个句子的相似度为

undefined

3.4案例调整

如果匹配结果是完全相似的, 则源案例的“结果集”便可作为目标案例的风险评价集。若不是完全匹配, 则匹配计算后得到的解只是作指导或参考的, 要确定目标案例的评价结果, 还要做进一步调整。可以采用系数修正法:由专家分析每一类相似安全中各案例的风险估计值与其真实结果的差别。将初步估计的结果乘以该调整系数, 便可得到房地产风险评价结果。

3.5案例学习

初始的案例库中的案例是有限的, 需要在使用中不断地将新的案例加入案例库中, 以便积累经验。案例学习是指案例库不断获得新知识和改进旧知识的过程。房地产投资风险评价案例的学习就是将推理后每类影响房地产投资风险因素获得的评价结论问题案例加入到案例库的过程。案例学习模块的策略是:若案例库中没有该案例, 则加入, 若该案例中所有的案例的相似度小于某个给定的值, 则加入;若案例库中已有该案例, 则舍弃。

4结语

CBR方法的最大优点就是能在信息不完备情况下, 根据已有的信息从案例库中找到相似案例, 并以相似案例的结果作为推理的依据。整个评价方法实际是一个基于案例推理的评价系统, 并且该系统有自我学习能力, 会不断积累和更新, 解决问题的能力也会随案例的增加逐渐增强, 这对于科学、高效评价房地产投资风险, 及时预控风险有着重要的意义。

参考文献

[1]刘军, 潘德惠, 田喜龙.房地产项目投资前期的风险评价[J].系统管理学报, 2007, 16 (2) :194-198.

[2]王桂兰.基于案例推理的审计重大错报风险评估研究[J].审计与经济研究, 2007, 22 (6) :39-45.

[3]张小芳, 栾卫东.房地产项目风险影响因素[J].山西建筑, 2007.

[4]胡衍强, 刘仲英.基于案例推理的金融操作风险预警系统[J].同济大学学报:自然科学版, 2008, 36 (9) :1290-1294.

[5]何永贵, 白洁, 黄仁辉, 等.基于案例推理的金融衍生品风险评价的研究[J].2006年中国控制与决策学术年会论文集, 874-878.

【案例推理分析】推荐阅读：

基于案例的推理10-24

分析和推理策略05-10

推理及分析能力07-08

士兵提干考试分析推理之定义判断：知情同意原则08-30

2017士兵提干考试分析推理定义判断点金篇18：贷款替代09-14