許成瑞,馮 云,汪貽生

(中國人民解放軍陸軍勤務學院 軍事物流系， 重慶 401331)

應急物資是指為應對嚴重自然災害、突發(fā)性公共衛(wèi)生事件、公共安全事件及軍事沖突等突發(fā)公共事件應急處置過程中所必需的保障性物資[1]。在《應急保障重點物資分類目錄(2015年)》(后文中簡稱《目錄》)中，將應急物資分為四個層級：第一層級主要體現(xiàn)應急保障工作的重點，分為現(xiàn)場管理與保障、生命救援與生活救助、工程搶險與專業(yè)處置3個大類；第二層級將保障重點按照不同的應急任務進一步分解為16個中類；第三層級將為完成特定任務涉及的主要作業(yè)方式或物資功能細分為65個小類；第四層級針對每一個小類提出了若干種重點應急物資名稱，體現(xiàn)了各類作業(yè)所需的工具、材料、裝備、用品等支撐條件。

上述應急物資分類方法雖然結構清晰、易于擴展、方便實用，但是對于應急物流運輸過程中應急物資的需求等級并沒有進行分級研究。若想讓應急物資在突發(fā)情況時真正發(fā)揮其應有的作用，應該考慮應急物資間在需求等級上的存在的差別，包括時間階段、運送能力和實效性等因素來確定應急物資的需求等級，以便針對不同等級的應急物資制定不同的調度方案，提高救援效率。

對于應急物資分類分級問題，國內一些學者運用了模糊聚類[2-3]、后驗概率支持向量機(PPSVM)[4]、模糊綜合評判[5]、投影尋蹤以及后向傳遞(BP)神經網(wǎng)絡方法等[6]對應急物資進行分類分級研究，取得了一些成果，但存在以下不足：① 模糊聚類和模糊綜合評判等方法計算較為繁瑣，在計算指標和權重方面存在較高的主觀成分；② BP神經網(wǎng)絡算法和后驗概率支持向量機學習速率較慢、逼近效果不明顯，容易陷入局部最優(yōu)；③ 部分算法訓練參數(shù)較多，過于復雜，不具有良好的泛化能力。

本文提出運用超限學習機方法(ELM)進行對《目錄》中第三層級的65個小類進行應急物資分級研究。該方法是一種基于單層前饋神經網(wǎng)絡(SLFN)，簡單易用、有效的機器學習算法，擁有訓練參數(shù)少、計算速率快和泛化能力好等優(yōu)勢，相比于支持向量學習機、BP神經網(wǎng)絡等機器學習算法具有更快的學習速度和更好的逼近能力。如果將此算法應用到應急物資分類分級問題中，可以為此類問題的研究提供新的思路。

1 應急物資分級必要性及評價體系

1.1 應急物資分級必要性

1) 實際的應急救災中，應急物資的種類多種多樣，如果將所有應急物資視為同一情況運送，這可能會將需求等級較低的物資與需求等級較高的物資一同運送到救災點，一方面既占有了有效的應急運送資源，在應急物資到達時，對于需求等級較低的應急物資如果沒有及時分配，會妨礙應急救援工作；另一方面又會降低需求等級高的應急物資應該發(fā)揮的價值。

2) 應急救援中，由于不同救援時間階段對應的運輸能力是不同的，在多數(shù)情況下沒有能力將所有的物資都運送到救災點，所以不能盲目追求將所有物資都作為第一時間的運輸對象，因此要有針對性的、分階段的將物資分級處理，以達到更高的救援效率。

3) 《目錄》是為了方便應急準備、指導救援一線應對和規(guī)范化、標準化應急保障工作的，并沒有對應急物資需求的緊迫程度進行分級。目前的分類主要按照使用范圍、用途和種類分類，雖然能促進應急產業(yè)發(fā)展，指導應急物資存儲管理，但對于真正的運送和調度借鑒意義不大。

綜合以上三點可知，如何對應急物資進行合理有效的分類分級，將有助于提高應對突發(fā)公共事件的運輸和調度效率。

1.2 建立應急物資分級評價體系

由于涉及應急物資分級研究的影響因素比較多，在考慮突發(fā)事件的處理流程和應急物資的各方面特點情況基礎上，深入了解應急物資的需求特點，建立了如圖1所示的應急物資分級評價體系。該評價體系共分為兩層，第一層是一級指標，為應急物資的重要性、稀缺性和時效性[7]，是評價后得到的主要輸入值。第二層為一級指標相應的影響因子，對于三個一級指標都具有不同的二級指標。專家對每一項二級指標打分后，通過計算得到的平均值作為一級指標。

1) 重要性指的是該種應急物資在突發(fā)公共事件中能夠發(fā)揮的作用，體現(xiàn)了此類應急物資在突發(fā)公共事件中的重要程度。一般情況下，例如生命搜救設備、氣液壓動力設備等與生命救援相關性比較高的重要性都比較大。該一級指標下包含有物資不可替代性、物資價格、應急效果影響程度和缺貨損失四個細化的二級指標。

2) 稀缺性指的是該種應急物資可獲得的難易程度，反映了此類物資在突發(fā)公共事件中的稀缺程度。如果某種物資不能在事發(fā)地輕易獲取，需要從外地調取，這種物資的稀缺性就比較大。相反，如果在當?shù)鼐涂梢詽M足該物資的需求，稀缺性就比較小。稀缺性越大的物資相應的需求級別也就越高。該指標下包含了采購困難度、庫存缺貨率、供應商供貨能力和調運困難度四個二級指標。

3) 時效性指的是該種應急物資受時間的影響程度，隨著時間的消逝，其對突發(fā)公共事件所起到的作用效果減弱，體現(xiàn)了此類物資對時間需求的緊迫程度。通常，很多應急物資在救援時間過去一段之后，對救援產生的效果都會減弱。例如地質災害發(fā)生后的“黃金72小時”中破拆起重設備、傷員固定與轉運等設備對于這“黃金72小時”來說時間緊迫性就很大，當過了這“黃金72小時”之后，這些設備所起到的效果將會逐漸減小[8]。時效性越高說明該類物資對時間的需求緊迫性越大。該指標包含了需求緊急度和需求階段性兩個二級指標。

2 超限學習機算法

超限學習機(Extreme Learning Machine,ELM)，是由黃廣斌[9]博士提出來的，該學習方法具有高速和高效的特性，能夠避免冗雜的迭代學習過程。ELM是一個單隱層前饋神經網(wǎng)絡，它能保證算法具有良好的泛化表現(xiàn)的同時，又可以避免傳統(tǒng)算法造成的學習繁瑣問題，例如隨機設定參數(shù)、容易陷入局部最優(yōu)等。

Sun等[10]和Meng等[11]將ELM算法應用到多分類問題中。解決該問題有很多關鍵點，首先是從單極轉化為雙極表示的輸入過程。對應輸入序列多分類輸出通常用“-1”和“1”表示每類的特征值，“1”表示與輸入樣本相關較大的指標，“-1”表示相關小的指標。第二步是通過訓練集得到ELM網(wǎng)絡結構。如圖2所示，ELM是一個三層神經網(wǎng)絡，而且僅有一個隱層。設ELM的隱層神經元數(shù)量為L，激活函數(shù)為g(x)。

ELM多指標分類學習網(wǎng)絡的數(shù)學模型可以表示為式(1)和式(2):

(1)

s.t.f(xi)=h(xi)β=Yi-ξi, 1≤i≤m

(2)

β=[βi,…,βL]T是隱層的輸出權重，C是價值指標(也叫做嶺回歸指標)，ξi是理論輸出Yi與實際輸出f(xi)的誤差，h(xi)是隱層的樣本xi的輸出向量。根據(jù)Karush-Kuhn-Tucker(KKT)優(yōu)化條件，隱層輸出權重β可以通過公式(3)得到：

(3)

H=[hT(x1),…,hT(xm)]T是訓練集的隱層輸出矩陣，Y=[Y1,…,Ym]T是訓練集的目標矩陣，I是一個m階單位矩陣。

ELM算法的輸出f(x)是隱層輸出矩陣H和隱層輸出權重β的乘積，可以通過式(4)計算：

(4)

對于多指標分類問題，m×q輸出的值作為參數(shù)傳遞給雙階躍函數(shù)，0的臨界值可以應用于合成值。臨界過程可以通過式(5)表示，結果矩陣中列的集合和數(shù)值1給出了對應輸入的指標歸屬。

(5)

ELM解決多指標分類問題的具體流程如表1所示。

表1 ELM算法流程

3 應急物資分類過程

當前我國對于應急物資分級問題尚沒有一個權威的規(guī)范標準，本文借鑒我國《國家突發(fā)公共事件總體應急預案》中對突發(fā)公共事件的性質、嚴重程度、可控性和影響范圍等因素分為特別重大、重大、較大和一般四個等級，也將應急物資分為四個等級：Ⅰ級(特別緊急)、Ⅱ級(緊急)、Ⅲ級(較緊急)和Ⅳ級(一般)。

首先選用一部分應急物資分級評價等級中的三個一級指標，并結合專家分類結果，作為ELM算法的輸入，組成ELM算法的訓練集。結合應急物流領域的專家打分，得到表2所示的樣本數(shù)據(jù)，由于篇幅原因，表2展示的為部分樣本數(shù)據(jù)。

表2 部分應急物資樣本數(shù)據(jù)

然后通過ELM算法對訓練集的學習和訓練，對其余的應急物資進行分類計算，并與專家給出的分級結果對比。

4 算例分析

本文對《目錄》中的“主要作業(yè)方式或物資功能”的65個小類進行分級。先選取21組數(shù)據(jù)作為ELM算法的輸入數(shù)值，用作算法學習與訓練的訓練集。21組數(shù)據(jù)如表3所示。

實驗是在黃廣斌[9]博士提供的ELM算法程序基礎上改寫的，采用Matlab編譯實現(xiàn)。為了避免取值范圍小的指標劣勢過大，首先將樣本指標數(shù)據(jù)處理到[-1,1]范圍內，算法中隱藏神經元數(shù)量選取為20，激活函數(shù)選取Sigmoid函數(shù)，優(yōu)化問題的KKT條件誤差為10-3。通過ELM算法進行對剩下43種應急物資進行分級計算，得到分類結果并與專家分級進行對比如圖3所示，計算其準確度。

結果表明，運用ELM算法對43種應急物資分級的結果僅有兩組分級結果與專家的分類不同，準確率為95.35%。上述結果說明該算法能夠有效地對應急物資進行分級，并且具有較高的準確率。并且，本文還運用了SVM和BP神經網(wǎng)絡兩種方法對該樣本進行計算，其準確精度分別為93.02%和90.69%，并且運算時間較長。因此可看出ELM算法精確度和運算速度方面相較于其他算法都具有較大的優(yōu)勢。

表3 訓練樣本數(shù)據(jù)

5 結論

1) 通過建立應急物資分級評價體系，得到重要性、稀缺性、時效性以及專家分級結果作為算法的輸入，通過學習與訓練，對其他樣本進行分級，最終得到了較好的結果。

2) 實驗結果表明：將超限學習機引入到應急物資分級研究中，切實可行，分類結果合理，為應急物資分級研究提供了新的科學方法。

3) 可以將該方法擴展應用到《目錄》中第四層級的250多種具體應急物資中去，進行更細化的分級研究。