基于开放数据与过程挖掘的城市气象灾害链风险识别：跨城市知识转移的集成方法

本文提出了一种结合过程挖掘（PM）与跨城市知识转移的集成方法，旨在解决开放数据下城市气象灾害链（UMDC）风险识别中的过程不完整性问题。通过设计CrossProBoost算法、两级适用性算法和本体建模，该方法能够动态调整过程模型，提升风险识别的鲁棒性、准确率和召回率（F1值超过85%），为城市灾害风险管理提供智能支持。

　　

Section snippets

Urban meteorological disaster cascading risk identification based on process mining

在城市气象灾害（UMD）的预防阶段，政府关注如何管理灾害相关风险以最小化未来潜在影响。灾害风险管理可分为四个阶段：风险识别、风险分析、风险评价和风险处理。风险识别是UMD风险管理中最基础的组成部分，它优先确定需要关注和资源投入的领域和问题，以降低灾害风险。

An integrated approach of process mining and cross-city knowledge transfer

在灾害风险管理中，基于历史灾害数据进行风险分析是一种成熟的做法。全面理解过去城市气象灾害的过程模式能够显著增强我们识别未来UMDC风险的能力。为解决灾害过程挖掘中的过程不完整性问题，本研究旨在通过跨城市知识转移实现可靠的过程模型生成。该方法利用数据丰富的“源”城市中提取的丰富风险关联规则，来增强目标城市中不完整的过程。

Overall UMDC risk identification performance

如表2所示，由于样本量小和活动数量有限，可能存在过程不完整性。因此，采用跨城市知识转移来提高风险关联规则的可靠性。在源城市选择阶段，根据公式（2）至公式（4）计算每个源城市的适用性。对于每个目标城市，按适用性降序排列源城市。通过数值实验发现，当选择特定数量的源城市时，模型性能达到最优。

Sensitivity analysis

所提出的方法依赖于几个可能显著影响结果的参数。为评估关键参数对模型性能的影响，进行了一系列敏感性分析。

• •
  （1）所选源城市的数量
  所选源城市的数量决定了转移知识的量，从而影响生成模型的性能。表4展示了不同源城市数量下的比较结果。当选择一个或两个城市时，模型性能可能受限；随着数量增加，性能提升，但过多可能导致噪声引入。

Conclusions

本研究解决了在严重过程不完整性条件下，从公开过程数据中识别UMDC风险的挑战。为减轻异构数据源间语义模糊性和有限样本量的影响，开发了一个结合过程挖掘与跨城市知识转移的集成框架。从数据丰富的“源”城市提取的丰富风险关联规则被转移到目标城市，以增强不完整的过程，从而实现可靠的风险识别。