异常情境管理中的混合智能决策支持方法

《Big Data and Cognitive Computing》：A Hybrid Intelligent Decision Support Method for Abnormal Situation Management

　　

如今，态势分析中心中的异构数据量呈指数级增长，导致决策者（DM）信息过载，并降低了传统决策支持系统（DSS）的有效性。智能DSS（ISDSS）展现出潜力，但在可解释性、异构数据集成、认知负荷和可扩展性方面面临挑战。本文提出了一种智能决策支持方法，重点在于识别和生成用于解决紧急情境的备选方案——这些情境在知识库中没有精确先例。该方法包括：使用归一化参数向量S(t)对情境进行形式化描述，将其划分为独立变量和依赖变量并构建依赖树，对三类状态（正常、异常和紧急）进行神经网络分类并预测超前时间间隔τ，以及基于与已知紧急先例的邻近图分析和进化优化来综合紧急情境的解决方案。在田纳西伊士曼过程仿真模型的开源数据集上进行了计算实验，包含28种故障类型和200次重复模拟。神经网络分类器在200个情境的测试集上取得了0.88的准确率和0.87的宏平均F₁分数。针对50个合成紧急情境构建了邻近紧急先例图；分析表明拓扑特征具有稳定性（顶点度5.62±1.18，紧密度中心性0.43±0.09），证实了图神经网络用于加速控制动作综合的适用性。所提方法减少了对专家评估的依赖，并提高了决策的适应性和可解释性，同时所展示的基于图的先例检索稳定性为下一代混合IDSS中控制动作综合的未来全面验证奠定了基础。

论文解读：异常情境管理中的混合智能决策支持方法

随着工业、交通、公共管理和医疗等领域的数字化转型，数据生成量呈指数级增长。态势分析中心需要处理结构化、半结构化和非结构化数据，但数据量的爆发导致决策者（DM）面临严重的信息过载，传统决策支持系统（DSS）基于静态模型和预定义算法，难以应对大规模、高时效的异构数据。尽管智能决策支持系统（IDSS）引入了机器学习、深度学习等技术，但仍存在可解释性差（“黑箱”问题）、异构数据集成困难、用户认知负荷高以及可扩展性不足等缺陷。尤其对于介于正常与紧急之间的异常情境，知识库中往往缺乏精确先例，传统规则驱动或先例驱动的方法无法有效生成控制动作，操作人员被迫承担额外负荷。因此，有必要开发一种能够整合异构数据、降低认知负荷、提高可解释性并适应动态变化的决策支持方法。为此，研究人员提出了一种混合智能决策支持方法，并在《Big Data and Cognitive Computing》期刊上发表。

该方法包括四个主要方面：使用归一化参数向量S(t)形式化描述情境，将其划分为独立变量和依赖变量并构建依赖树；利用神经网络对正常、异常和紧急三类状态进行分类，并预测超前时间间隔τ；针对无精确先例的异常情境，基于邻近图分析检索已知紧急先例；通过加权插值和进化优化合成控制动作。在田纳西伊士曼过程（TEP）仿真模型上进行了实验，结果表明分类准确率达0.88、宏平均F₁分数0.87，且50个异常情境的邻近图结构表现出统计稳定性（顶点度5.62±1.18，紧密度中心性0.43±0.09，方差分析p>0.1），这为利用图神经网络（GNN）加速控制动作综合提供了可行性。所提方法减少了对专家评估的依赖，提升了决策的适应性和可解释性。

研究中采用的主要技术方法如下：首先，通过Pearson相关分析和领域专家验证，将18个TEP过程变量划分为独立参数和依赖参数，构建依赖树以编码因果关系。其次，使用含一层16个神经元的前馈神经网络进行分类，输入为10个时间步×18个变量的窗口，采用复合损失函数（包含依赖树一致性正则项）训练，输出连续的危险度值，并与阈值比较确定类别。第三，构造邻近图：对每个异常情境，从已知紧急情境中选取欧氏距离最近的邻居，构建全连接加权图，并按阈值剪枝，计算异常