基于超限学习机的应急物资分级研究

许成瑞,冯 云,汪贻生

(中国人民解放军陆军勤务学院 军事物流系， 重庆 401331)

应急物资是指为应对严重自然灾害、突发性公共卫生事件、公共安全事件及军事冲突等突发公共事件应急处置过程中所必需的保障性物资[1]。在《应急保障重点物资分类目录(2015年)》(后文中简称《目录》)中，将应急物资分为四个层级：第一层级主要体现应急保障工作的重点，分为现场管理与保障、生命救援与生活救助、工程抢险与专业处置3个大类；第二层级将保障重点按照不同的应急任务进一步分解为16个中类；第三层级将为完成特定任务涉及的主要作业方式或物资功能细分为65个小类；第四层级针对每一个小类提出了若干种重点应急物资名称，体现了各类作业所需的工具、材料、装备、用品等支撑条件。

上述应急物资分类方法虽然结构清晰、易于扩展、方便实用，但是对于应急物流运输过程中应急物资的需求等级并没有进行分级研究。若想让应急物资在突发情况时真正发挥其应有的作用，应该考虑应急物资间在需求等级上的存在的差别，包括时间阶段、运送能力和实效性等因素来确定应急物资的需求等级，以便针对不同等级的应急物资制定不同的调度方案，提高救援效率。

对于应急物资分类分级问题，国内一些学者运用了模糊聚类[2-3]、后验概率支持向量机(PPSVM)[4]、模糊综合评判[5]、投影寻踪以及后向传递(BP)神经网络方法等[6]对应急物资进行分类分级研究，取得了一些成果，但存在以下不足：① 模糊聚类和模糊综合评判等方法计算较为繁琐，在计算指标和权重方面存在较高的主观成分；② BP神经网络算法和后验概率支持向量机学习速率较慢、逼近效果不明显，容易陷入局部最优；③ 部分算法训练参数较多，过于复杂，不具有良好的泛化能力。

本文提出运用超限学习机方法(ELM)进行对《目录》中第三层级的65个小类进行应急物资分级研究。该方法是一种基于单层前馈神经网络(SLFN)，简单易用、有效的机器学习算法，拥有训练参数少、计算速率快和泛化能力好等优势，相比于支持向量学习机、BP神经网络等机器学习算法具有更快的学习速度和更好的逼近能力。如果将此算法应用到应急物资分类分级问题中，可以为此类问题的研究提供新的思路。

1 应急物资分级必要性及评价体系

1.1 应急物资分级必要性

1) 实际的应急救灾中，应急物资的种类多种多样，如果将所有应急物资视为同一情况运送，这可能会将需求等级较低的物资与需求等级较高的物资一同运送到救灾点，一方面既占有了有效的应急运送资源，在应急物资到达时，对于需求等级较低的应急物资如果没有及时分配，会妨碍应急救援工作；另一方面又会降低需求等级高的应急物资应该发挥的价值。

2) 应急救援中，由于不同救援时间阶段对应的运输能力是不同的，在多数情况下没有能力将所有的物资都运送到救灾点，所以不能盲目追求将所有物资都作为第一时间的运输对象，因此要有针对性的、分阶段的将物资分级处理，以达到更高的救援效率。

3) 《目录》是为了方便应急准备、指导救援一线应对和规范化、标准化应急保障工作的，并没有对应急物资需求的紧迫程度进行分级。目前的分类主要按照使用范围、用途和种类分类，虽然能促进应急产业发展，指导应急物资存储管理，但对于真正的运送和调度借鉴意义不大。

综合以上三点可知，如何对应急物资进行合理有效的分类分级，将有助于提高应对突发公共事件的运输和调度效率。

1.2 建立应急物资分级评价体系

由于涉及应急物资分级研究的影响因素比较多，在考虑突发事件的处理流程和应急物资的各方面特点情况基础上，深入了解应急物资的需求特点，建立了如图1所示的应急物资分级评价体系。该评价体系共分为两层，第一层是一级指标，为应急物资的重要性、稀缺性和时效性[7]，是评价后得到的主要输入值。第二层为一级指标相应的影响因子，对于三个一级指标都具有不同的二级指标。专家对每一项二级指标打分后，通过计算得到的平均值作为一级指标。

1) 重要性指的是该种应急物资在突发公共事件中能够发挥的作用，体现了此类应急物资在突发公共事件中的重要程度。一般情况下，例如生命搜救设备、气液压动力设备等与生命救援相关性比较高的重要性都比较大。该一级指标下包含有物资不可替代性、物资价格、应急效果影响程度和缺货损失四个细化的二级指标。

2) 稀缺性指的是该种应急物资可获得的难易程度，反映了此类物资在突发公共事件中的稀缺程度。如果某种物资不能在事发地轻易获取，需要从外地调取，这种物资的稀缺性就比较大。相反，如果在当地就可以满足该物资的需求，稀缺性就比较小。稀缺性越大的物资相应的需求级别也就越高。该指标下包含了采购困难度、库存缺货率、供应商供货能力和调运困难度四个二级指标。

3) 时效性指的是该种应急物资受时间的影响程度，随着时间的消逝，其对突发公共事件所起到的作用效果减弱，体现了此类物资对时间需求的紧迫程度。通常，很多应急物资在救援时间过去一段之后，对救援产生的效果都会减弱。例如地质灾害发生后的“黄金72小时”中破拆起重设备、伤员固定与转运等设备对于这“黄金72小时”来说时间紧迫性就很大，当过了这“黄金72小时”之后，这些设备所起到的效果将会逐渐减小[8]。时效性越高说明该类物资对时间的需求紧迫性越大。该指标包含了需求紧急度和需求阶段性两个二级指标。

2 超限学习机算法

超限学习机(Extreme Learning Machine,ELM)，是由黄广斌[9]博士提出来的，该学习方法具有高速和高效的特性，能够避免冗杂的迭代学习过程。ELM是一个单隐层前馈神经网络，它能保证算法具有良好的泛化表现的同时，又可以避免传统算法造成的学习繁琐问题，例如随机设定参数、容易陷入局部最优等。

Sun等[10]和Meng等[11]将ELM算法应用到多分类问题中。解决该问题有很多关键点，首先是从单极转化为双极表示的输入过程。对应输入序列多分类输出通常用“-1”和“1”表示每类的特征值，“1”表示与输入样本相关较大的指标，“-1”表示相关小的指标。第二步是通过训练集得到ELM网络结构。如图2所示，ELM是一个三层神经网络，而且仅有一个隐层。设ELM的隐层神经元数量为L，激活函数为g(x)。

ELM多指标分类学习网络的数学模型可以表示为式(1)和式(2):

(1)

s.t.f(xi)=h(xi)β=Yi-ξi, 1≤i≤m

(2)

β=[βi,…,βL]T是隐层的输出权重，C是价值指标(也叫做岭回归指标)，ξi是理论输出Yi与实际输出f(xi)的误差，h(xi)是隐层的样本xi的输出向量。根据Karush-Kuhn-Tucker(KKT)优化条件，隐层输出权重β可以通过公式(3)得到：

(3)

H=[hT(x1),…,hT(xm)]T是训练集的隐层输出矩阵，Y=[Y1,…,Ym]T是训练集的目标矩阵，I是一个m阶单位矩阵。

ELM算法的输出f(x)是隐层输出矩阵H和隐层输出权重β的乘积，可以通过式(4)计算：

(4)

对于多指标分类问题，m×q输出的值作为参数传递给双阶跃函数，0的临界值可以应用于合成值。临界过程可以通过式(5)表示，结果矩阵中列的集合和数值1给出了对应输入的指标归属。

(5)

ELM解决多指标分类问题的具体流程如表1所示。

表1 ELM算法流程

3 应急物资分类过程

当前我国对于应急物资分级问题尚没有一个权威的规范标准，本文借鉴我国《国家突发公共事件总体应急预案》中对突发公共事件的性质、严重程度、可控性和影响范围等因素分为特别重大、重大、较大和一般四个等级，也将应急物资分为四个等级：Ⅰ级(特别紧急)、Ⅱ级(紧急)、Ⅲ级(较紧急)和Ⅳ级(一般)。

首先选用一部分应急物资分级评价等级中的三个一级指标，并结合专家分类结果，作为ELM算法的输入，组成ELM算法的训练集。结合应急物流领域的专家打分，得到表2所示的样本数据，由于篇幅原因，表2展示的为部分样本数据。

表2 部分应急物资样本数据

然后通过ELM算法对训练集的学习和训练，对其余的应急物资进行分类计算，并与专家给出的分级结果对比。

4 算例分析

本文对《目录》中的“主要作业方式或物资功能”的65个小类进行分级。先选取21组数据作为ELM算法的输入数值，用作算法学习与训练的训练集。21组数据如表3所示。

实验是在黄广斌[9]博士提供的ELM算法程序基础上改写的，采用Matlab编译实现。为了避免取值范围小的指标劣势过大，首先将样本指标数据处理到[-1,1]范围内，算法中隐藏神经元数量选取为20，激活函数选取Sigmoid函数，优化问题的KKT条件误差为10-3。通过ELM算法进行对剩下43种应急物资进行分级计算，得到分类结果并与专家分级进行对比如图3所示，计算其准确度。

结果表明，运用ELM算法对43种应急物资分级的结果仅有两组分级结果与专家的分类不同，准确率为95.35%。上述结果说明该算法能够有效地对应急物资进行分级，并且具有较高的准确率。并且，本文还运用了SVM和BP神经网络两种方法对该样本进行计算，其准确精度分别为93.02%和90.69%，并且运算时间较长。因此可看出ELM算法精确度和运算速度方面相较于其他算法都具有较大的优势。

表3 训练样本数据

5 结论

1) 通过建立应急物资分级评价体系，得到重要性、稀缺性、时效性以及专家分级结果作为算法的输入，通过学习与训练，对其他样本进行分级，最终得到了较好的结果。

2) 实验结果表明：将超限学习机引入到应急物资分级研究中，切实可行，分类结果合理，为应急物资分级研究提供了新的科学方法。

3) 可以将该方法扩展应用到《目录》中第四层级的250多种具体应急物资中去，进行更细化的分级研究。