基于公众偏好大数据分析的重大突发事件应急决策方案动态调整方法

针对在重大突发事件应急过程中如何根据与其相关的公众偏好大数据信息来对事件进行划分以及确定事件风险大小等问题,提出了一种基于公众偏好大数据分析的两阶段聚类算法,将事件现场公众在社交媒体上发布的偏好大数据信息进行聚类分析,识别出多个与事件相关的子事件,并得出每个子事件的客观风险级别。然后,结合专家经验判断,综合得出每个子事件的风险级别,进而选择相对应的方案。在此基础上,根据实际突发事件多阶段演变特点,描述了应急决策中多事件多方案的动态调整过程,考虑方案之间的相关性和不同子事件调整方案对各风险级别子事件的应急处置效果、应对损失以及不同方案之间的转化成本等因素,得出不同情境下的最佳调整方案。通过案例分析说明了该方法的可行性和有效性。     

社会网络环境下基于“信任—知识”模型的风险性大群体应急决策方法

针对大群体应急决策专家之间信任关系及其传递引发的决策风险,以及由于大群体中个体偏好差异较大导致生成独立聚集等问题。首先,提出一个“信任—知识模型”对决策专家之间的信任关系进行集成和传递,并根据决策专家的信任风险偏好得出决策专家之间的信任知识度网络;其次,利用Louvain算法对信任知识度网络进行聚类,高效快速的获得若干个聚集,并用社会网络分析技术确定每个决策者和聚集的权重;然后对每个聚集中的决策者偏好进行集结,并综合决策者给出的信息对备选决策方案进行排序。最后,通过案例分析和对比验证了所提方法的合理性与有效性。