0 引言

近年来，世界各地频繁爆发各种类型的非常规突发灾害事故，并且发生的次数逐渐增加，爆发的范围不断扩大，目前并没有完善的非常规突发事件的应急对策，给应急管理人员带来巨大的困难和压力，使应急管理部门在非常规突发事件爆发后容易陷入混乱，特别是近年来，各种非常规突发事故对人类造成了巨大的影响。2021年11月初，内蒙古通辽市发生特大暴风雪，有14 920人受灾，经济损失达1.19亿元；2021年7月中旬，河南发生罕见暴雨，造成302人死亡、50人失踪，受灾群众大约1 482万人，经济损失达1 337.2亿元；2021年8月，四川盆地西部发生暴雨，使得受灾人数超过44.6万人，造成26人死亡、19人失踪，经济损失达159亿元。图 1是近5 a中国各类自然灾害造成的损失情况图。

由图 1知，近5 a中国因自然灾害造成的直接经济损失、死亡人数、受灾人数不断增加，农作物受灾面也在逐年增加，严重阻碍中国经济的快速发展。为快速应对处理非常规突发事件，并依据当前事件演化的情景实时做出应对策略，构建了非常规突发事件结构化情景体^[1]；冯现坤等^[2]将朴素贝叶斯分类算法应用于非常规突发事件的数据预测中，但是该模型体系只能为前瞻性事件而构建；裘江南等^[3]提出了利用贝叶斯网络构建非常规突发事件预测模型，也基于非常规突发事件链进行贝叶斯网络建模，但没有验证模型的实用性；杨新斌等^[4]根据支持向量机的结构化应急场景系统只描述了一个特殊的领域，弱化了场景系统的应用效果；周成等^[5]构建了基于随机森林算法的众包参与识别模型。然而，在构建情景模型演化时，为提高数据准确度，信息融合还需要深入研究；徐绪堪等^[6]根据非常规突发事件的特点，利用随机森林的组合分类器，建立基于随机森林的非常规突发事件的分类模型，但模型预测的精度还有待提高；赖成光等^[7]构建了基于随机森林的非常规突发事件的风险评价分析模型，但该模型结构化空间不够完整。为了有效预防非常规突发事件的爆发或防止常规突发事件向非常规突发事件的转化，本研究根据随机森林相关理论知识构建非常规突发事件结构化情景体系。

1 基于随机森林的非常规突发事件结构化情景模型 1.1 非常规突发事件结构化描述空间

非常规突发事件爆发后原因不确定，爆发后会打破稳定的社会秩序，连锁反应明显，对社会造成的影响很大，事件演化速度很快，必须使用非常规方式去处理。非常规突发事件的演化逻辑一般不能概括，因此需要建立包含非常规突发事件的情景属性与向量的结构化描述空间，提高结构化描述的准确度。

若空间灾情实体为非常规突发事件的情景对象，使用式(1)描述情景对象^[8]：

(1)

式中，N_m为非常规突发事件情景对象的属性集合；A_m为非常规突发事件的情景进行定量或定性描述的属性状态集合，该属性状态集合中包含非常规突发事件结构化情景的输入属性、输出属性以及状态属性；R_m为情景对象中不同属性之间关系的表述向量。将非常规突发事件情景维度按照式(2)信息化描述^[9]：

(2)

式中，S_n为非常规突发事件的情景片段；C为非常规突发事件的时间维度；H为表征灾情空间实体的空间维度；D为非常规突发事件的应急管理维度。

非常规突发事件情景中各要素之间的关系可以用式(3)的邻接矩阵来所示^[10]：

(3)

式中，邻接矩阵元素m_ij的取值由各情景要素之间的关系决定，若事件情景要素k_i对事件情景要素k_j有影响时，则邻接矩阵中元素m_ij的取值为1，该数值说明两个情景要素之间存在相互作用关系，反之邻接矩阵中元素m_ij取值为0。另外当邻接矩阵中元素m_ij的取值为1时，非常规突发事件情景的两个属性存在因果关系，反之不存在因果关系。完成非常规突发事件的结构化描述空间后，利用随机森林模型对突发事件进行分级处理。

1.2 利用随机森林处理非常规突发事件的分级

构建非常规突发事件的结构化情景之前，需要按照不同程度对非常规突发事件进行分级。基于随机森林模型中的多个决策树{h(x, θ_n)}，将非常规突发事件的数据集进行分类处理，x为决策树的输入向量，即本次试验的非常规突发事件的灾情向量；n为分类树(分类器)；θ_n为独立同分布时的多个决策树的随机向量；r_i为随机森林的决策树数量^[11-12]。

随机森林模型分级非常规突发事件时，进行随机且有放回的抽取方式，从非常规突发事件的数据集中抽取r_i个子集并构成分类树，没有抽到的样本构成剩余的数据集。在所抽到的r_i个分类树中，产生r_i分类器。不同的情景要素对应数个情景属性，将情景属性转为情景向量，视为分类树特征向量。选取分类树中最有分类能力向量视为分类树分裂的方向，没有选取的分类树不做剪枝处理。多次重复以上过程，利用非常规突发事件样本集训练随机森林模型的参数。随机森林模型构建步骤如图 2所示^[6]。

1.3 结构化情景体系

非常规突发事件的结构化情景体系在构建前，需要从非常规突发事件的情景链与情景节点计算相似度。若非常规突发事件属于同一个类型，则记为E_i和E_j，非常规突发事件的相似度按照以下步骤来计算。

首先，从情景链角度使用式(4)计算非常规突发事件的相似度。

(4)

式中，level_i为非常规突发事件E_i基于随机森林模型的分类级别；level_j为非常规突发事件E_j基于随机森林模型的分类级别。同类型的两个非常规突发事件的相似度S_ij^level取值属于[0, 1]，如果两个非常规突发事件的相似度值相同，则非常规突发事件的相似度值取1，此时的相似度值最大。

其次，从情景节点角度使用式(5)计算非常规突发事件的相似度。

(5)

式中，两个非常规突发事件的情景节点数量分别为N_i和N_j，N_i和N_j是大于或等于1的自然整数。情景节点的相似度取值属于[0, 1]。情景节点之间的差异可以表示同类型的非常规突发事件之间的差异。

最后，从情景属性集合角度使用式(6)计算非常规突发事件整体的相似度。

(6)

式中，两个非常规突发事件的情景属性集合的向量形式分别为Pro_i和Pro_j，其相似度越大，情景属性集合的相似度越高。非常规突发事件的相似度计算结束后，分析非常规突发事件的演变过程，进行结构化情景模型的构建。

非常规突发事件的前驱事件会对非常规突发事件的爆发起引导作用，前驱事件和后继事件产生相互的耦合关系。一旦非常规突发事件爆发，可能是多个诱导因素之间相互作用的结果^[13]。因此，按照非常规事件演化的可能性，非常规突发事件情景体系的结构化表述根据图 3所示。

若非常规突发事件爆发，根据上文内容提取非常规突发事件的情景要素及要素间的属性，按照图 3描述非常规突发事件的结构化流程，进行非常规突发事件的情景演化，完成基于随机森林的非常规突发事件结构化情景体系模型的构建^[14]。

2 实例验证研究

深入研究非常规突发事件，预防常规突发事件演变为非常规突发事件及紧急应对非常规突发事件的爆发具有重要的意义，因此构建了基于随机森林的非常规突发事件的结构化情景体系模型。采用实际发生的案例数据验证了非常规突发事件的结构化情景体系模型的可行性及有效性，并使用3种模型分别进行仿真模拟试验，并将基于随机森林的非常规突发事件结构化情景体系的回归模型进行了验证^[15]。

2.1 试验内容

首先对数据集进行预处理及特征的可视化分析，同时构建两个对比模型在试验环境相同的情况下进行仿真试验，再分析3种模型针对不同的数据集的结果变化情况；随后进行随机森林模型的回归分析，检测数据的缺失值，并计算重要特征；最后利用重要特征基于随机森林回归模型预测事故类型。

将朴素贝叶斯模型和支持向量机模型的非常规突发事件结构化情景体系与随机森林模型进行对比试验，将数据集划分为20，40，60，100，200，400，600，1 000，5 000，10 000的形式，使用这3种模型分别预测准确率，验证基于随机森林的非常规突发事件结构化情景体系模型。

仿真试验使用两种形式：第1种形式是3种模型分别从数据集中随机选取数据进行预测；第2种形式是在3种模型中分别输入非常规突发事件的具体参数进行预测，得出试验结论，根据试验结果，分析试验数据。

验证随机森林模型准确率后，进行随机森林模型回归分析，计算重要特征预测的准确率和平均时间消耗，根据随机森林模型的回归结果，利用重要特征并基于随机森林模型进行事故类型的预测。最后基于随机森林的非常规突发事件结构化情景体系的回归模型验证实际事故类型案例。

2.2 试验具体过程

试验数据是中国安全管理网中的各类交通隧道工程坍塌事故，坍塌事故的数据集包括公路、铁路和地铁等隧道工程的坍塌，从数据集中选部分特征进行验证记录，案例主要是近几年中国发生的一些公路交通隧道工程坍塌事故^[16]。为方便试验，使用1，2，3和4代替一般事故、较大事故、重大事故和特大事故数据异常值的检测。利用箱型图的四分位距(IQR)检测异常值。以IQR的1.5倍为标准，如果超过上IQR+1.5倍的距离或超过下IQR-1.5倍的距离点视为数据集的异常值, 检测结果如图 4所示。

由图 4知，只有loss有异常值，通过分析知，这几个异常点的事故类型属于特大事故，发生规模比较大，且死亡与受伤人数很多，因此经济损失比较大，图 5主要对数据集的各特征值进行了可视化分析。

图 5中横轴是时间，纵轴分别为事故类型、死亡人数、受伤人数和经济损失情况；由图 5知，数据集各特征可视化基本与实际情况一致。

图 6分析了数据集中特征变量之间的关系，并分析特征值是否受季节变化影响。

图 6中主对角线是单变量的分布函数，分布函数(diag_ kind=“kde”)一般适用于特征值全为数值型的变量，其他全为散点图，表示数据集各特征间的相关性。对特征变量和预测变量进行分析时，由图 6第1列知这4个变量和预测的变量有线性关系。

验证随机森林模型有较高的准确率。将数据集中分为20，40，60，100，200，400，600，1 000，5 000，10 000，分别使用3种模型进行预测，完成基于随机森林的非常规突发事件结构化情景体系有效性的验证，表 1是3种模型针对不同样本集预测的准确率。

由表 1知，随机森林模型的准确率预测结果与真实值最接近，对应的预测准确率值最高，预测值大于0.983 3；朴素贝叶斯模型随着数据集在逐渐减少，准确率越来越高，且当数据集不超200时，其预测的准确率大于90%；支持向量机模型的准确率预测值全没超过80%，准确率最高为72.5%。因此随机森林模型的准确值最高，朴素贝叶斯模型在样本数很小情况下可使用，支持向量机模型预测值没有超过80%，不支持模型预测^[17]。随机森林模型的平均准确率预测值为99.37%，朴素贝叶斯模型的平均准确率为90.6%，支持向量机模型的平均准确率为60.11%，因此随机森林模型的准确率效果至少提升了8.77%，预测准确率效果最高可提升39.26%，所以随机森林的结构化情景模型体系能够获得对非常规突发事件更好的预测效果。针对3种模型的准确率进行折线图对比，如图 7所示。

由图 7知，随机森林模型对应折线图的预测值几乎不受样本数量的影响，预测值比较稳定，且预测值最高，平均准确率全大于其他两个模型体系，综上所述，基于随机森林的结构化情景模型体系更优越。

试验1，分别利用3种结构化情景模型从数据集中随机选取数据预测事故类型，此试验过程中的坍塌死亡、受伤、失踪人数和经济赔偿数据均从数据集中随机抽取，由试验结果知，试验1的试验过程比较客观，既有真实标签，也有预测结果，且结果也很容易分析，但不能针对特定事故类型进行预测，效率不高，因此对模型进行了改进，可针对特定事故类型进行预测。

试验2，在3种模型中分别输入非常规突发事故造成的遇难人数、受伤人数、失踪人数和经济赔偿的参数预测事故类型。将事故死亡、受伤和失踪人数及经济赔偿分别设为4组数字：1，2，1，400；4，2，0，556；11，12，0，1 500；30，18，1，4 010。真实标签为一般事故，较大事故、重大事故和特大事故，对比随机森林(Random Forst，RF)模型、朴素贝叶斯(Naïve Bayes，NB)模型和支持向量机(Support Vector Machine，SVM)模型预测的事故类型与真实事故类型，如表 2所示。

由表 2知，支持向量机模型预测事故类型与真实情况差距较大，偏差可达50%，随机森林模型相比支持向量机模型，预测特大和重大事故时比较准确；朴素贝叶斯模型预测准确率值比随机森林模型小13.13%。

进行随机森林模型的回归分析。通过训练和测试数据集获得几个重要特征预测事故类型。先对选取的数据集切分为训练集和测试集，并在切分数据集之前进行了缺失值的检测，最后对树模型进行了可视化工作。

树模型可视化(深度有限制)：限制树最大高度(max_ depth=1)如图 8所示。

树模型可视化(深度无限制)：节点均方误差是特征选择依据，criterion=‘mse’，其他参数默认，数据集树模型可视化图如图 9所示。

Dead为要拆分节点的变量和值；mse为节点的均方误差; samples为满足条件的样本数; value为预测标签。对图 9最左边路径进行分析，当死亡人数≤2.5人，发生在2018年前半年，经济损失小于323万元，预测的事故类型是一般事故的状况下，有56条案例数据符合以上4个条件，此时的节点均方误差值为0，准确率最高。其中place为事件发生地点；dead为遇难人数；injure为受伤人数；miss为失踪人数；loss为造成经济损失情况；case为事件名称；type为事件类型；year，month，day为事故发生的具体日期。

基于随机森林模型计算特征值，即基于随机森林回归模型预测时起主要作用的几个特征^[18]，如图 10所示。

计算基于随机森林回归模型使用几个重要特征预测的准确率。首先设一个阈值，然后将特征值根据重要性排序后进行累加，即最少需要几个特征累加之后的值可超过所设定的阈值；最后将重要性的累加值超过阈值的特征视为重要特征，并对其进行仿真试验，特征重要性累加值如图 11所示。

阈值设为0.96，由图 11知，至少需要3个特征累加才能超过阈值，即0.85(死亡人数)+0.06(经济损失情况)+0.05(受伤人数)=0.96，因此当死亡和受伤人数、经济损失情况均已知时，使用死亡人数和受伤人数、经济损失情况这3个重要特征可进行试验。

最后求时间效率。为进一步验证重要特征在基于随机森林回归模型可以快速预测事故类型，计算分别使用所有特征预测的时间消耗和重要性特征的时间消耗。通过仿真试验结果知，使用重要特征预测事故类型的平均误差率为0.02，重要特征预测的准确率高达98.6%，并且使用重要特征仿真模拟的平均时间消耗0.15 s，使用所有特征仿真模拟的平均时间消耗0.17 s，因此当死亡人数、经济损失情况、受伤人数这3个重要特征已知时，利用这3个重要特征既能准确又能快速预测出事故类型，提高模型的使用效率。

3 结论

预测模型是预防非常规突发事故的关键工作，由于非常规突发事件的不可预测性、因果性和再现性等特点，通过统计非常规突发事故的规律性来预防非常规突发事件的爆发。利用不同的非常规突发事件案例的理论体系，并在现有安全信息的条件下，对事故系统未来的安全性进行预测，这是安全决策的科学依据，尤其对主动预防和控制非常规突发事故的爆发有重要意义。

因此，基于随机森林的非常规突发事件结构化情景体系能够提升非常规突发事故的预测精度，使得非常规突发事件的应急处理对策能够获得更佳的处理效果。其次，针对非常规突发事件结构化情景体系存在的问题，使用随机森林模型对非常规突发事件进行分级处理，并进行结构化描述。将朴素贝叶斯和支持向量机作为对比模型，由试验结果知，基于随机森林的结构化情景体系在预测事故类型的过程中准确率最高。最后基于几个重要特征利用随机森林回归模型预测事故类型，验证了模型的可靠性。主要创新点是将领域数据进行可视化分析处理，模型通过机器学习的方式进行训练，有一定的提高，但是非常规突发灾害事故的不确定因素较多，更科学合理的演化模型还需要进一步研究。