最近开始针对情景想定相关理论进行业务应用，将进行系统学习和思考，并记录学习到的知识和体会。
一、基本概念
几个比较重要的概念在这里梳理一下：
（1）贝叶斯网络是一种基于网络结构的有向无环图描述，由 Pearl 在 1988 年提出[10]，是人工智能与概率理论、图论、决策理论相结合的产物，利用节点变量表示各个信息要素，用连接节点之间的有向边表示各个信息要素之间的因果关系，用条件概率表示各个信息要素之间的影响程度，节点之间的因果关系和影响程度构成了贝叶斯网络结构。节点和有向边组成了贝叶斯网络的最基本框架，如图 1 所示。
（2）联合概率：假设有随机变量X与Y, 此时，P（X=a,Y=b）用于表示X=a且Y=b的概率。这类包含多个条件且所有条件同时成立的概率称为联合概率。联合概率并不是其中某个条件的成立概率， 而是所有条件同时成立的概率。
联合概率的一览表称为联合分布。
（3）边际概率：P（X=a）或P（Y=b）这类仅与单个随机变量有关的概率称为边缘概率。
（4）条件概率：条件概率的分布简称条件分布，即已知两个相关的随机变量X和Y，随机变量Y在条件{X=x}下的条件概率分布是指当已知X的取值为某个特定值x之时，Y的概率分布。
二、贝叶斯网络构建
（1）情景要素确定：突发事件、危险因素、应急响应、灾害后果。对应贝叶斯网络中的节点（变量）
（2）网络推演模型构建，步骤：
a.明确节点（即情景要素）
b.明确节点之间的关系。（ 采用Dempster-Shafer 证据理论分析，计算专家经验置信度（因果关系权重系数），如果>0.85，则认为存在因果关系）
c.确定所有节点的条件概率，建立条件概率表。
三、贝叶斯网络构建及过程推理分析步骤
第一步：对《学习河南郑州720特大暴雨灾害调查报告》进行情景分析，提取包括突发事件（暴雨、城市内涝、洪水灌入地铁隧道、人员被困）、危险因素（城市道路基础设施、周围环境）、应急响应活动（加强检查巡视、隐患排查、排水、发布预警引导人员、疏散救援、修复地铁）、造成后果（人员死亡、地铁受损坏）四大类13小类情景要素。采用德尔菲法让专家对提取的情景要素进行打分，评价其合理性。如果专家存在异疑，则需要对评估报告进行进一步分析，重新提取情景要素。如果专家评价无异疑，则开始网络构建。
第二步：通过问卷法调查初步确定各因素因果关系，再采用D-S证据论去证实关于因果关系的判断，确定各情景要素之间的因果相关性，构成贝叶斯网络结构。（D-S定义辨别框架∅和质量函数，计算因果关系权重，大雨0.85则认为有因果关系）
第三步：进行第二轮调查问卷，运用D-S证据理论去计算贝叶斯网络节点条件概率（生成条件概率表），由专家对计算结果合理性进行判断。
第四步：设置不同情形，进行预测推理得到概率结果。
四、情景推演与实验仿真
(1)状态概率计算，借助 Netica 软件。
所谓想定，是对不同情景要素不同条件概率下，不同损失程度发生概率的估测。
网友评论