應(yīng)急物資需求預(yù)測研究現(xiàn)狀與發(fā)展趨勢

  近年來中國自然災(zāi)害頻發(fā),根據(jù)統(tǒng)計,每年自然災(zāi)害都會給中國造成3000億元左右的直接經(jīng)濟損失。從2008年的特大雪災(zāi)和汶川大地震到2021年的鄭州特大洪水,日趨復(fù)雜極端的氣候條件給保障城市公共安全帶來了更大的挑戰(zhàn)。在此背景下,如何快速有效地展開救援以減少損失一直都是廣大學(xué)者們的重點研究話題。

  災(zāi)害發(fā)生后,往往會對災(zāi)區(qū)內(nèi)各類物資造成一定程度的損毀,并導(dǎo)致周邊道路阻斷。因此保障災(zāi)區(qū)內(nèi)受災(zāi)群眾的日常生活物資所需就成為災(zāi)后應(yīng)急救援工作的重要部分。然而在實際的災(zāi)后救援過程中,往往會出現(xiàn)某類緊缺物資供應(yīng)不足或某種物資供給過度的問題。這反映出中國在應(yīng)急救援管理體系的建設(shè)上還有很大的上升空間[1-3]。在道路受阻,運輸能力有限的條件下,如何利用有限的運輸力量來盡最大可能地保障災(zāi)區(qū)人民的生活所需就成為了災(zāi)后救援過程中的重要環(huán)節(jié)。由于災(zāi)害發(fā)生后災(zāi)區(qū)內(nèi)部很難在短時間內(nèi)對所需應(yīng)急物資進(jìn)行統(tǒng)計,因此如何對災(zāi)區(qū)內(nèi)各區(qū)域的受災(zāi)情況進(jìn)行預(yù)判,從而對所需應(yīng)急物資的種類以及數(shù)量做出合理的預(yù)測,對災(zāi)后的應(yīng)急救援與物資運輸工作具有很大的指導(dǎo)作用。

  目前,中外學(xué)者已經(jīng)針對應(yīng)急物資需求預(yù)測進(jìn)行了大量的研究并產(chǎn)出相應(yīng)的研究成果?，F(xiàn)首先總結(jié)中外應(yīng)急物資需求預(yù)測的研究現(xiàn)狀,然后分析研究中案例推理法、神經(jīng)網(wǎng)絡(luò)法及灰色預(yù)測法三大類常用方法各自的優(yōu)缺點及其改進(jìn)方法,最后基于應(yīng)急物資需求預(yù)測的研究現(xiàn)狀,從研究對象、理論方法、數(shù)據(jù)來源三方面對未來的發(fā)展趨勢進(jìn)行展望。

  1應(yīng)急物資需求影響因素

  不同的災(zāi)害種類,其影響應(yīng)急物資需求的因素也存在差異。部分學(xué)者所研究的災(zāi)害種類及其主要影響因素如表1所示。

  通過分析地震對災(zāi)區(qū)造成的影響得出震后災(zāi)區(qū)所需物資主要與地震發(fā)生時間、發(fā)生地點、地震強度、受災(zāi)面積、受災(zāi)人數(shù)、傷亡人數(shù)等因素有關(guān);胡凌峰[5]認(rèn)為臺風(fēng)過后所需物資與臺風(fēng)等級、持續(xù)時間、災(zāi)害性質(zhì)、地區(qū)災(zāi)害防御能力、人口密度等密切相關(guān);祁玉青[6]針對雪災(zāi)后災(zāi)區(qū)內(nèi)及周邊的道路情況對所需物資情況進(jìn)行研究;劉瑾瑜[7]考慮在洪澇災(zāi)害中所需物資主要與降水量、人口密度、受災(zāi)面積、受損建筑物數(shù)量密切相關(guān);張青松等[8]將影響森林火災(zāi)救援的20種信息以及影響因素劃分為突發(fā)事件信息、森林火災(zāi)信息以及航空消防因子三大類。

  綜上所述,災(zāi)害發(fā)生后影響應(yīng)急物資需求的主要取決于災(zāi)害本身的強度以及受災(zāi)面積、受災(zāi)人數(shù)等因素。除此以外,對于地震等瞬間發(fā)生且難以進(jìn)行預(yù)測與防范的災(zāi)害,發(fā)生的季節(jié)與時間也是一個非常重要的因素;而對于臺風(fēng)、雪災(zāi)、洪澇等可通過一定手段進(jìn)行預(yù)警的災(zāi)害種類,災(zāi)害的持續(xù)時間長短對所需應(yīng)急物資有很大的影響。

  2應(yīng)急物資需求預(yù)測研究現(xiàn)狀

  21世紀(jì)初中國對應(yīng)急物資預(yù)測的研究較少,且已有的研究中進(jìn)行物資預(yù)測所用方法也以建立多元回歸模型為主。例如,聶高眾等[9]通過查閱《綜合自然災(zāi)害信息共享》網(wǎng)站的資料,分別建立了80余種地震災(zāi)害所需應(yīng)急物資的最低需求關(guān)系式,以便地震發(fā)生后能夠快速預(yù)測災(zāi)區(qū)所需物資數(shù)量;王楠等[10]從選取災(zāi)害強度、受災(zāi)人數(shù)、受災(zāi)面積等與物資需求相關(guān)性大的因素,以及各類應(yīng)急物資的重要性及可替代性兩方面建立回歸預(yù)測模型。2008年汶川大地震后,如何保障災(zāi)區(qū)人民的日常生活需求并做好災(zāi)后救援引起了大量學(xué)者的關(guān)注與研究,對災(zāi)區(qū)所需物資的種類與數(shù)量進(jìn)行快速且準(zhǔn)確的預(yù)估同樣是應(yīng)急救援中的一項重要課題。目前,中外關(guān)于應(yīng)急物資需求預(yù)測以進(jìn)行了大量研究并提出了大量的預(yù)測方法,主要有案例推理法、神經(jīng)網(wǎng)絡(luò)預(yù)測法、灰色預(yù)測法等。

  2.1案例推理預(yù)測法

  1982年,美國耶魯大學(xué)的RogerSchank教授在著作《DynamicMemory》中提出了案例推理法(case-basedreasoning,CBR)。指在處理新問題時,通過總結(jié)以前處理的類似問題得出的經(jīng)驗教訓(xùn),進(jìn)行適當(dāng)?shù)难a充完善來解決當(dāng)前問題,并根據(jù)處理結(jié)果對解決方法進(jìn)行完善最終儲存至案例庫中以備日后查詢。目前,案例推理方法已應(yīng)用于眾多行業(yè)領(lǐng)域并取得了諸多成績。在應(yīng)急物資預(yù)測方面同樣取得了大量的成果。

  以歐式算法確定案例推理中所需關(guān)鍵因素,建立案例推理—關(guān)鍵因素模型;張曉磊等[12]通過漢明距離計算兩個樣本之間的相似優(yōu)先比,進(jìn)而得出各樣本與固定樣本的相似優(yōu)先矩陣并排序,最終得出相似度最高的案例;Rui[13]建立了一種案例推理與模糊推理相結(jié)合的應(yīng)急物資預(yù)測模型;汪貽生等[14]針對災(zāi)害發(fā)生后不同救援階段對應(yīng)急物資需求的變化,建立以案例推理檢索方法與灰色關(guān)聯(lián)分析相結(jié)合的最佳相似案例檢索匹配算法;Zhang等[15]建立了一套案例推理與多元線性回歸結(jié)合的應(yīng)急物資需求預(yù)測模型。

  在應(yīng)急物資需求預(yù)測中案例推理技術(shù)的使用已十分成熟的情況下,如何提升準(zhǔn)確度減小誤差,就成為今后研究的重點。目前提高準(zhǔn)確度的方法主要分為兩大類:一類從案例數(shù)據(jù)入手,提高案例數(shù)據(jù)的準(zhǔn)確度與完整性;另一類則側(cè)重于設(shè)置更為科學(xué)精確的案例屬性權(quán)重。數(shù)據(jù)方面,主要采用引入粗糙集及模糊集的方法。文獻(xiàn)[16-18]針對案例庫數(shù)據(jù)的特點,建立了一種將案例推理與直覺模糊理論優(yōu)點集合起來的應(yīng)急物資預(yù)測方法;Xu等[19]為了提高案例推理預(yù)測的準(zhǔn)確率,引入高斯指數(shù)取代歐氏距離算法來處理非線性數(shù)據(jù);趙小檸等[20]首先通過案例推理、最近相鄰法以及粗糙集理論得出基于主震發(fā)生后的應(yīng)急物資需求量,并利用馬爾科夫預(yù)測模型預(yù)測主震后余震的發(fā)生次數(shù)、時間及震級,最后得出同時考慮主震及余震所需的物資總需求量;喻慧等[21]使用粗糙集對案例屬性進(jìn)行簡約,并運用基于DBIndex準(zhǔn)則的K-means算法進(jìn)行聚類分析;Sun等[22]針對鐵路突發(fā)事件中的屬性類型的不同分別設(shè)計了局部相似度算法,并設(shè)計了一種新的算法避免傳統(tǒng)算法中屬性缺失的問題;Liang等[23]針對突發(fā)事件的時變性和不確定性,在案例推理過程中引入了時變模糊積分。

  設(shè)置屬性權(quán)重方面,He等[24]利用層次分析法來計算案例庫中各屬性的權(quán)重;陳方超等[25]考慮時效性對案例數(shù)據(jù)及權(quán)重的影響,建立了基于時間因子調(diào)整權(quán)重后的應(yīng)急物資需求預(yù)測模型;文獻(xiàn)[26-29]引入Hebb學(xué)習(xí)規(guī)則對案例集中特征因素的權(quán)重值進(jìn)行調(diào)整;晁穎等[30]在案例推理中引入了本體概念,使其能夠更好地進(jìn)行案例描述,提升相似度計算的效率及案例的查全率及查準(zhǔn)率,并利用模糊粗糙集來對案例屬性進(jìn)行簡化,避免各特征屬性因其關(guān)聯(lián)性導(dǎo)致運算量增大,提高案例檢索的效率;劉賈賈等[31]使用Pearson相關(guān)系數(shù)法對相關(guān)性高的屬性進(jìn)行降維處理,并通過熵值法和加權(quán)歐氏距離法得出相似程度最高的案例;Liu等[32]根據(jù)應(yīng)急物資需求的特點,在案例屬性權(quán)重的計算中引入了風(fēng)險分析使其更加具有科學(xué)性。

  綜上所述,案例推理法因其應(yīng)用具有廣泛性且使用難度較低,能夠適用于多種常見自然災(zāi)害及情景下的應(yīng)急物資需求預(yù)測研究,已經(jīng)成為目前領(lǐng)域內(nèi)最常見的研究方法之一并產(chǎn)生了大量的研究成果。然而由于自然災(zāi)害具有廣泛性、持續(xù)性、復(fù)雜性等特點,學(xué)者們即使研究同一類自然災(zāi)害時,也會因使用方法、研究對象的不同在結(jié)果上產(chǎn)生較大的差異。因此確保數(shù)據(jù)的準(zhǔn)確與完整性及屬性權(quán)重的合理性仍是目前阻礙使用案例推理法進(jìn)行進(jìn)一步研究的兩大難題。

  2.2神經(jīng)網(wǎng)絡(luò)預(yù)測法

  人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)(artificialneuralnetworks,ANN)起源于20世紀(jì)40年代,是一種借鑒參考生物的神經(jīng)系統(tǒng)結(jié)構(gòu)及處理問題的過程,通過簡化、模擬構(gòu)建的一種數(shù)據(jù)處理模型[33]。因為其具備能在不同精度下進(jìn)行非線性計算、自適應(yīng)和自學(xué)習(xí)能力強等優(yōu)點,在各領(lǐng)域內(nèi)應(yīng)用甚廣。

  神經(jīng)網(wǎng)絡(luò)模型分為很多種。通過整理,應(yīng)用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行預(yù)測研究及研究中使用的其他算法如表2所示。

  從表2可以得出,目前中外在應(yīng)急物資需求預(yù)測的研究中所使用的神經(jīng)網(wǎng)絡(luò)算法主要為BP(backpropagation)神經(jīng)網(wǎng)絡(luò)以及徑向基(radialbasisfunc-tion,RBF)神經(jīng)網(wǎng)絡(luò)兩種算法。例如,何章瑋等[34]使用BP神經(jīng)網(wǎng)絡(luò)來預(yù)測應(yīng)急物資所需數(shù)量。神經(jīng)網(wǎng)絡(luò)算法雖然擁有非線性數(shù)據(jù)處理效果好等優(yōu)點,但仍存在不足之處,如BP神經(jīng)網(wǎng)絡(luò)算法收斂速度慢且常常存在局部最小化問題,RBF神經(jīng)網(wǎng)絡(luò)算法不具備解釋自己推理過程與推理依據(jù)的能力。因此很多學(xué)者都通過引入其他方法理論來對其進(jìn)行優(yōu)化以減小誤差。從表2可以看出,目前使用較多的為粒子群算法(particleswarmoptimization,PSO)及其改進(jìn)算法[35-37],例如,亢麗君[35]根據(jù)PSO算法及BP神經(jīng)網(wǎng)絡(luò)兩種方法各自的優(yōu)點分別進(jìn)行快速收斂與局部搜索最優(yōu)解。除此以外優(yōu)化算法還有遺傳算法(geneticalgorithm,GA)[37-39]、GKNN(greyK-nearestneighbor,GKNN)算法[38-39]、主成分分析法[40]、蟻群算法(antcolonyoptimization,ACO)[41-43]、灰色關(guān)聯(lián)分析法[44]、附加動量和自適應(yīng)調(diào)整學(xué)習(xí)率[45]、森林優(yōu)化算法[46]、安全庫存模型[47]、新陳代謝法[48]等。

  神經(jīng)網(wǎng)絡(luò)預(yù)測法與案例推理法相比,因為需要大量數(shù)據(jù)進(jìn)行訓(xùn)練,因此對于案例數(shù)據(jù)同樣具備較高的依賴性,且因為能夠進(jìn)行深度學(xué)習(xí),因此神經(jīng)網(wǎng)絡(luò)法相比于案例推理法能夠在一定程度上提高精準(zhǔn)度。但神經(jīng)網(wǎng)絡(luò)算法專業(yè)性較強,因此學(xué)者們?nèi)舨痪邆湎嚓P(guān)知識的積累很難進(jìn)行研究并達(dá)到預(yù)期目標(biāo),甚至?xí)?dǎo)致更大的預(yù)測誤差。除此以外,研究中引入專家意見等主觀性較強的因素,也會給最終的結(jié)果帶來一定的不確定性。

  2.3灰色系統(tǒng)模型預(yù)測法

  灰色模型(greymodels,GM)是一種可用于數(shù)據(jù)量少、存在內(nèi)在聯(lián)系但并不明顯的、需進(jìn)行短期預(yù)測的方法。常用的灰色模型有GM(1,1)模型、GM(2,1)模型等。Geng等[49]基于地質(zhì)、環(huán)境及人為等因素,建立灰色馬爾科夫鏈模型預(yù)測地震災(zāi)后的受災(zāi)人數(shù),以此估算物資需求量;Zhang等[50-51]建立了灰色離散Verhulst模型來預(yù)測地震后災(zāi)區(qū)傷員及藥品數(shù)量;李麗麗等[52]和胡忠君等[53]分別使用改進(jìn)后的新陳代謝GM(1,1)模型對地震以及洪澇災(zāi)害后所需應(yīng)急物資進(jìn)行預(yù)測;Xi等[54]將物資需求問題轉(zhuǎn)化為預(yù)測災(zāi)區(qū)人口的死亡率及存活率,并以死亡率、房屋倒塌率及地震烈度水平三大因素建立了GM(3,0)模型;王正新等[55]建立了Fourier-GM(1,1)模型并通過實例應(yīng)用證明其精度高于傳統(tǒng)模型;曾波等[56]將灰色預(yù)測所用數(shù)據(jù)拓展至“異構(gòu)數(shù)據(jù)”,建立了DGM(1,1)模型;馬龍等[57]建立了基于新陳代謝及馬爾科夫鏈的灰色預(yù)測模型,并將預(yù)測結(jié)果與單一方法結(jié)果進(jìn)行比對證明其可行性。

  灰色預(yù)測法對于數(shù)據(jù)的依賴性較低,并能按照時間來分別預(yù)測自然災(zāi)害期間各時間段內(nèi)所需的應(yīng)急物資數(shù)量,對災(zāi)后救援具備一定的指導(dǎo)作用。但數(shù)據(jù)較少同樣對最終的結(jié)果造成一定的不確定性,且灰色預(yù)測法因為是一組數(shù)據(jù)預(yù)測多個結(jié)果,在進(jìn)一步的研究中很難降低所有結(jié)果的誤差,因此灰色預(yù)測的誤差與前兩種方法相比較大。上述3類方法的特征及其優(yōu)缺點如表3所示。

  2.4其他

  除去以上三大類預(yù)測方法外,還有部分學(xué)者通過其他方法建立了不同的預(yù)測模型。在支持向量機的基礎(chǔ)上進(jìn)行優(yōu)化建立了應(yīng)急物資預(yù)測模型;文獻(xiàn)[61-62]通過研究時間序列模型,對應(yīng)急物資需求預(yù)測進(jìn)行預(yù)測并建立模型;Sun等[63]部分等將模糊集與粗糙集理論結(jié)合起來建立了一種應(yīng)急物資預(yù)測模型;文獻(xiàn)[64-65]運用貝葉斯決策理論來對颶風(fēng)強度及路徑與所需應(yīng)急物資數(shù)量的關(guān)系進(jìn)行研究;文獻(xiàn)[66-67]針對臺風(fēng)的災(zāi)害特點,建立了一種將受災(zāi)區(qū)域網(wǎng)格化在進(jìn)行物資預(yù)測的方法;Guo等[68]針對應(yīng)急物資預(yù)測的模糊性,建立了一種基于灰色馬爾科夫鏈的預(yù)測模型;Sheu[69-70]考慮到災(zāi)后無法及時獲得受災(zāi)區(qū)域的準(zhǔn)確信息,建立了一種利用TOPSIS(techniquefororderpreferencebysimilaritytoidealsolution)的應(yīng)急物資動態(tài)預(yù)測模型;Hu[71]借鑒免疫系統(tǒng)處理病原體的處理機制及耐受機制對激勵的反應(yīng),建立了一種基于容忍模型的預(yù)測方法;張玲等[72]通過多米諾效應(yīng)對臺風(fēng)的事故機理進(jìn)行分析,結(jié)合經(jīng)驗得出了臺風(fēng)災(zāi)后的多種受災(zāi)情景并進(jìn)行需求預(yù)測;Jiang等[73]以混合零截斷泊松模型為基礎(chǔ),建立了一種間歇性需求預(yù)測新方法;Huang等[74]利用自適應(yīng)濾波方法中的最陡下降算法對差分整合移動平均自回歸模型中的參數(shù)進(jìn)行調(diào)整,以減小誤差;任斌等[75]為了消除災(zāi)后不確定因素及決策者的主觀判斷對最終預(yù)測結(jié)果的影響,建立了基于前景理論的可進(jìn)行動態(tài)調(diào)整的應(yīng)急物資預(yù)測模型;Fang等[76]采用多源數(shù)據(jù)融合的方法解決了多個來源數(shù)據(jù)可靠性不同的問題,提高了最終數(shù)據(jù)的準(zhǔn)確性;趙路遙等[77]考慮到人員傷亡率等非期望產(chǎn)出,基于逆SBM(slacks-basedmeas-ure)模型及近年地震救援活動的效率值分布進(jìn)行應(yīng)急物資需求預(yù)測;李清等[78]總結(jié)新冠疫情各階段特征,針對傳染率不變及不斷更新兩種情況,分別建立了時變需求模型和貝葉斯序貫決策模型來對醫(yī)療物資進(jìn)行預(yù)測;Sabouhi等[79]考慮到受災(zāi)人群本身對所需物資數(shù)量的影響,從受災(zāi)人群的人員構(gòu)成、年齡組成、心理因素等方面建立一種時序變化的預(yù)測模型;Xu等[80]為解決自回歸移動平均法預(yù)測非線性數(shù)據(jù)的不足,引入經(jīng)驗?zāi)B(tài)分解建立了一種綜合預(yù)測模型。

  3應(yīng)急物資需求預(yù)測發(fā)展趨勢

  3.1近年研究成果

  近年來,中外學(xué)者在應(yīng)急物資需求預(yù)測研究中主要偏向于兩大方向:一是研究對象方面,新冠疫情等特大突發(fā)事件,使學(xué)者們的注意力及研究對象從單一種類的自然災(zāi)害擴大到會影響社會安全的突發(fā)事件中;二是研究內(nèi)容,學(xué)者們開始引入大數(shù)據(jù)等現(xiàn)代技術(shù)來提高數(shù)據(jù)的準(zhǔn)確性,并且突發(fā)事件往往會持續(xù)一定時間,受災(zāi)區(qū)域的情況不是一成不變的,因此學(xué)者們開始嘗試由靜態(tài)預(yù)測轉(zhuǎn)變?yōu)閯討B(tài)預(yù)測。

  Shao等[81]總結(jié)出了多災(zāi)種、多情景下所需的物資種類,并給出了各自需求數(shù)量的計算過程;文獻(xiàn)[82-85]通過利用網(wǎng)絡(luò)服務(wù)、社交媒體等大數(shù)據(jù)的支持,建立應(yīng)急物資需求動態(tài)預(yù)測模型;俞虹等[86]建立了一種基于機器學(xué)習(xí)的應(yīng)急物資需求預(yù)測模型;Fei等[87]利用Dempster-Shafer理論改進(jìn)了案例推理過程中的檢索策略,并能夠隨著時間變化對應(yīng)急物資需求數(shù)量進(jìn)行動態(tài)預(yù)測。

  3.2發(fā)展方向

  (1)建立適用于多災(zāi)種多情景的應(yīng)急物資需求預(yù)測模型。隨著近年來極端氣候加劇,各類突發(fā)事件發(fā)生的頻率及造成影響均不斷增加,單一自然災(zāi)害種類的應(yīng)急物資需求預(yù)測已漸漸無法滿足現(xiàn)代應(yīng)急救援的需求。因此學(xué)者們開始研究可適應(yīng)多災(zāi)種、多情景的應(yīng)急物資需求預(yù)測模型。當(dāng)前研究的重難點主要分為兩點:一是各類突發(fā)事件對社會影響有所差異,導(dǎo)致應(yīng)急物資種類及數(shù)量同樣存在區(qū)別,建立模型時需充分考慮各類突發(fā)事件的差異性;二是災(zāi)害發(fā)生時往往會產(chǎn)生一定數(shù)量的次生災(zāi)害,且由于受災(zāi)區(qū)域、發(fā)生時間、氣候的不同,次生災(zāi)害的發(fā)生具備偶然性與隨機性,預(yù)測難度較大。

  (2)多種算法結(jié)合,建立更加快速、誤差更小的應(yīng)急物資需求預(yù)測模型。一方面,現(xiàn)有研究中由于災(zāi)害發(fā)生后消息閉塞,過去發(fā)生災(zāi)害事故的應(yīng)急物資預(yù)測相關(guān)數(shù)據(jù)往往具有一定的缺失與誤差,且通常假設(shè)救災(zāi)過程中災(zāi)區(qū)數(shù)據(jù)都是靜態(tài)的,很難做到實時更新;另一方面,目前所用的預(yù)測方法往往都具備一定局限性。因此,在未來的研究中,如何充分發(fā)揮各種研究方法的優(yōu)勢從而進(jìn)一步提高精度減小誤差仍是未來研究的一大熱點。

  (3)應(yīng)急物資預(yù)測與物聯(lián)網(wǎng)、大數(shù)據(jù)的結(jié)合。如何保證災(zāi)區(qū)信息的準(zhǔn)確與全面性是影響最終預(yù)測結(jié)果是否精確的關(guān)鍵因素之一,而目前研究所用數(shù)據(jù)大多為事先記錄的,時效性不強?；ヂ?lián)網(wǎng)、大數(shù)據(jù)等現(xiàn)代科技擁有大量的即時數(shù)據(jù),可以為研究提供數(shù)據(jù)方面的有力支持。目前現(xiàn)代科技與應(yīng)急物資需求預(yù)測的結(jié)合還處于起步階段。一方面大數(shù)據(jù)等信息的覆蓋程度與詳細(xì)程度還無法完全滿足研究需求;另一方面由于雙方所屬機構(gòu)不同,在信息數(shù)據(jù)的交流與共享上還存在一定的困難。隨著信息時代的到來,互聯(lián)網(wǎng)與大數(shù)據(jù)逐漸普及至社會各方面,兩者結(jié)合必將成為一大熱門發(fā)展方向,現(xiàn)代技術(shù)與應(yīng)急物資預(yù)測研究結(jié)合,將充分提高原始數(shù)據(jù)的準(zhǔn)確性與完整度,并實現(xiàn)應(yīng)急物資的動態(tài)預(yù)測。

  4結(jié)論

  針對中外應(yīng)急物資需求預(yù)測的研究現(xiàn)狀進(jìn)行了綜述。分析了不同類型的災(zāi)害中對應(yīng)急物資需求影響較大的因素,目前研究中常用的幾類研究方法及其各自的優(yōu)缺點進(jìn)行了分析比較。針對多元化、準(zhǔn)確性、智能化在未來應(yīng)急物資需求預(yù)測研究中的需求,總結(jié)出應(yīng)急物資需求未來研究中在研究對象、理論算法以及數(shù)據(jù)來源三大方面的發(fā)展趨勢。隨著互聯(lián)網(wǎng)大數(shù)據(jù)的發(fā)展與智能算法及其相關(guān)理論的不斷優(yōu)化改進(jìn),目前應(yīng)急物資需求預(yù)測中存在的問題會得到進(jìn)一步解決,預(yù)測結(jié)果的準(zhǔn)確性也將會進(jìn)一步提高。