基于深度学习的多维情景空间下群体性事件分析与预测研究

doi:10.16381/j.cnki.issn1003-207x.2020.08.015

中国管理科学 ›› 2020, Vol. 28 ›› Issue (8): 172-180.doi: 10.16381/j.cnki.issn1003-207x.2020.08.015

基于深度学习的多维情景空间下群体性事件分析与预测研究

张鼎华^1,2, 李卫俊^1,2, 李丞^1,2, 申世飞³

1. 华南理工大学公共管理学院, 广东广州 510641;
2. 华南理工大学地方风险治理研究中心, 广东广州 510641;
3. 清华大学公共安全研究院, 北京 100084

收稿日期:2017-12-20 修回日期:2018-04-08 出版日期:2020-08-20 发布日期:2020-08-25
通讯作者: 张鼎华(1978-),男(汉族),广东人,华南理工大学公共管理学院,副教授,研究方向:公共安全、应急管理、多Agent建模,E-mail:dhzhang@scut.edu.cn E-mail:dhzhang@scut.edu.cn
基金资助:
中央高校基本业务费资助项目（2018ZDXM15）；广州市哲学社科规划项目（2018GZYB18）；广东省哲学社科规划项目（GD17CGL04）；教育部重大攻关项目（16JZD026）；国家自然科学基金重大研究计划资助项目（91024016）

The Researchon the Analysis and Prediction of Mass Incidentsin Multi-dimensional Scenario Space Based on Deep Learning

ZHANG Ding-hua^1,2, LI Wei-jun^1,2, LI Cheng^1,2, SHEN Shi-fei³

1. School of Public Administration, South China University of Technology, Guangzhou 510641, China;
2. Research Center of Local Risk Management, South China University of Technology, Guangzhou 510641, China;
3. Institute of Public Safety, Tsinghua University, Beijing 100084, China

Received:2017-12-20 Revised:2018-04-08 Online:2020-08-20 Published:2020-08-25

摘要/Abstract

摘要： 在社会转型的背景下，我国群体性事件的数量不断攀升，极大地影响了社会的和谐稳定。本文应用"情景-次级情景-对象-要素"模型对各类群体性事件案例进行分解，提取相关的影响因素，构建多维情景空间模型，并提出了用于群体性事件预测的卷积神经网络模型，阐述了其基本原理，然后结合实例说明了其应用。通过根据多维情景空间模型对群体性事件案例进行编码形成的数据样本集，来训练该预测模型，并用AUC值评估其有效性。最后分析了不同影响因素在群体性事件预测中的作用以及应急管理主体的应对方向。

关键词: 群体性事件, 多维情景空间模型, 卷积神经网络, 预测, 应急管理

Abstract: The increasing mass incidents have greatly affected the harmony and stability of the society in the context of social transformation. A multi-dimensional scenario space model is constructed by using the "Scenario-Sub-Scenario-Object-Factor" model to decompose of all kinds of mass incidents and extract related influential factors. Based on multi-dimensional scenario space model, the convolutional neural network model is applied to mass incidents prediction, its principle is explained in detail and practical applications are discussed. A data set, formed by encoding a group of mass incidents' cases based on the multidimensional scenario space model is used to train (test) the predictive model and evaluat its validity via Area Under Curve (AUC). Furthermore, the effect of different factors on the prediction of mass incidents is analyzed and the direction of emergency management is indicated.

Key words: mass incidents, multi-dimensional scenario space model, convolutional neural network, prediction, emergency management

中图分类号:

C931

张鼎华, 李卫俊, 李丞, 申世飞. 基于深度学习的多维情景空间下群体性事件分析与预测研究[J]. 中国管理科学, 2020, 28(8): 172-180.

ZHANG Ding-hua, LI Wei-jun, LI Cheng, SHEN Shi-fei. The Researchon the Analysis and Prediction of Mass Incidentsin Multi-dimensional Scenario Space Based on Deep Learning[J]. Chinese Journal of Management Science, 2020, 28(8): 172-180.

参考文献

[1] http://www.xinhuanet.com/politics/leaders/2019-01/21/c_1124021712.htm
[2] 中国行政管理学会课题组. 我国转型期群体性突发事件主要特点、原因及政府对策研究[J]. 中国行政管理,2002,(5):6-9.
[3] 范维澄,霍红,杨列勋,等."非常规突发事件应急管理研究"重大研究计划结题综述[J].中国科学基金,2018,32(3):297-305.
[4] 范维澄,刘奕.城市公共安全体系架构分析[J].城市管理与科技,2009,11(5):38-41.
[5] Lu Jingyi,Xie Xiaofei.To change or not to change:A matter of decision makers srole[J].Organizational Behavior & Human Decision Proceses,2014,124(1):47-55.
[6] Duan Hongxia,Yuan Yiran,Yang Can,et al.Anticipatory proceses under academic stress:An ERP study[J].Brain & Cognition,2015,(94):60-67.
[7] 钱静,刘奕,刘呈,等. 案例分析的多维情景空间方法及其在情景推演中的应用[J]. 系统工程理论与实践,2015,35(10):2588-2595.
[8] 刘奕,许伟,乔晗,等. 突发事件应急理论与方法研究进展专辑序言[J]. 系统工程理论与实践,2015,35(10):2445-2448.
[9] 向良云.重大群体性事件演化升级的影响因素分析——基于扎根理论方法的研究[J]. 情报杂志,2012,31(4):64-69.
[10] 秦书生,鞠传国.环境群体性事件的发生机理、影响机制与防治措施——基于复杂性视角下的分析[J].系统科学学报,2018,26(2):50-55.
[11] 张国亭. 当前群体性事件的趋势特征与有效应对[J]. 理论学刊, 2018,279(5):121-128.
[12] 王天梅,范峥,孙宝文,等.网络群体性事件从众意向的影响因素研究[J].管理学报,2017,14(11):1708-1717.
[13] 朱晓寒,李向阳,王诗莹.自然灾害链情景态势组合推演方法[J].管理评论,2016,28(8):143-151.
[14] 陈荣,梁昌勇,陆文星,等.面向旅游突发事件的客流量混合预测方法研究[J].中国管理科学,2017,25(5):167-174.
[15] 李彤,宋之杰.基于模型集成的突发事件舆情分析与趋势预测研究[J].系统工程理论与实践,2015,35(10):2582-2587.
[16] 张鹏, 李昊青, 兰月新, 等. 基于BP神经网络的突发事件网络谣言危机预警[J]. 电子政务,2016, (11):40-47.
[17] 石拓,魏新蕾, 邵旭芬. 基于ID3-SMOTE结合算法的社会群体性事件预警模型[J]. 中国传媒大学学报(自然科学版), 2017, 24(6):9-15.
[18] Jr L A C.Confronting deep uncertainties in risk analysis[J]. Risk Analysis, 2012, 32(10):1607-1629.
[19] Lecun Y, Bengio Y, Hinton G. Deep Learning[J]. Nature, 2015, 521(7553):436-444.
[20] Kim Y. Convolutional neural networks for sentence classification[C]//Proceedings of the 2014 Conferenceon Empirical Methods in Natural Language Processing, Doha, Qatar,October 25-29,2014.
[21] Agarwal B, Ramampiaro H, Langseth H, et al. A deep network model for paraphrase detection in short text messages[J].Information Processing & Managemen, 2017, 54(6):922-937.
[22] 陈珂,梁斌,柯文德,等. 基于多通道卷积神经网络的中文微博情感分析[J]. 计算机研究与发展, 2018, 55(5):945-957.
[23] Liu Yi, Feng Yulin, Zhang Hui, et al. Studyonmulti-dimensionalscenario-spacemethodforcase-basedreasoning[C]//The 10th International Conferenceon Cyberneticsand Information Technologies, Systemsand Applications, Orlando, FL, USA, 2013.
[24] Fink S. Crisis management:Planning for the inevitable[J]. American Management Association, 2002, 4(3):875-876.
[25] 邵东珂. 我国群体性事件数据库的构建与应用[J]. 中国行政管理,2017,(3):126-130.
[26] 肖唐镖. 当代中国的"群体性事件":概念、类型与性质辨析[J]. 人文杂志,2012,(4):147-155.
[27] Tilly C. The politics of collective violence[M]. New York:Cambridge University Press, 2003.
[28] LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11):2278-2324.
[29] 周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6):1229-1251.
[30] 李航.统计学习方法[M].北京:清华大学出版社,2012.

基于深度学习的多维情景空间下群体性事件分析与预测研究

The Researchon the Analysis and Prediction of Mass Incidentsin Multi-dimensional Scenario Space Based on Deep Learning

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	闫泓序,余顺坤. 基于画像的员工离职预测模型研究[J]. 中国管理科学, 2024, 32(9): 303-312.
[2]	李树良,杨爽艺,曾波,孟伟,白云. 离散型灰色预测模型的无偏性与自适应性及其应用[J]. 中国管理科学, 2024, 32(8): 149-158.
[3]	于孝建,刘国鹏,刘建林,肖炜麟. 基于LSTM网络和文本情感分析的股票指数预测[J]. 中国管理科学, 2024, 32(8): 25-35.
[4]	蔡毅,唐振鹏,吴俊传,杜晓旭,陈凯杰. 基于灰狼优化的混频支持向量机在股指预测与投资决策中的应用研究[J]. 中国管理科学, 2024, 32(5): 73-80.
[5]	陈凤娇,刘德海. 重大传染病多渠道疫情信息发布模式的演化路径分析[J]. 中国管理科学, 2024, 32(4): 237-249.
[6]	李爱忠,任若恩,董纪昌. 图网络风险感知与稀疏低秩的组合管理策略[J]. 中国管理科学, 2024, 32(4): 58-65.
[7]	冯倩倩,孙晓蕾,郝俊. 基于状态转移回归的动态集成时序预测方法[J]. 中国管理科学, 2024, 32(2): 307-314.
[8]	沈隆,周颖. 基于JS散度指标离散化的企业贷款违约预测模型[J]. 中国管理科学, 2024, 32(10): 41-55.
[9]	刘连义,刘思峰,吴利丰. 基于离散时间灰色幂模型的新能源汽车销售量预测[J]. 中国管理科学, 2024, 32(1): 106-114.
[10]	郭杨莉,马锋. 基于马尔科夫和混频数据模型的黄金期货市场波动率预测研究[J]. 中国管理科学, 2024, 32(1): 13-22.
[11]	陆帅,李守伟,何建敏. 考虑基金网络地位的多阶段效率及其前瞻性预测能力[J]. 中国管理科学, 2023, 31(9): 22-34.
[12]	王江涛,蔡雅,郑承利. 一类自适应的风险预测算法及其应用[J]. 中国管理科学, 2023, 31(8): 1-8.
[13]	靖富营,慕银平,晁祥瑞. 需求双向替代与生产转换下动态批量决策及预测时阈研究[J]. 中国管理科学, 2023, 31(8): 226-238.
[14]	马勇,刘晓君,胡荣才. 通胀预期、通胀预测误差与股票收益的非线性动态效应[J]. 中国管理科学, 2023, 31(8): 61-70.
[15]	胡海清, Pandu RTadikamalla. 考虑预测准确性的快时尚产品两阶段订货策略研究[J]. 中国管理科学, 2023, 31(7): 256-265.