Землетрясение приводит к серьезным жертвам, поэтому прогнозирование жертв способствует разумному и эффективному распределению материалов для оказания чрезвычайной помощи, что играет важную роль в аварийно-спасательных операциях. В этой статье непрерывная интервальная дискретная модель Ферхюльста на основе ядер и мер (CGDVM-KM), отличная от предыдущих методов прогнозирования, может помочь нам эффективно предсказать количество раненых за очень короткое время, то есть S-образная кривая для количества больных и раненых. То есть непрерывная интервальная последовательность преобразуется в ядро и последовательности измерений с равным количеством информации методом интервального отбеливания и комбинируется с классической серой дискретной моделью Ферхюльста, а затем серыми дискретными моделями Ферхюльста ядра и последовательностей измерений. представлены, соответственно. Наконец, разработан CGDVM-KM. Он может эффективно преодолевать систематические ошибки, вызванные уравнением дискретной формы для оценки параметров и уравнением непрерывной формы для моделирования и прогнозирования в классической модели Грея Ферхюльста, чтобы повысить точность прогнозирования. При этом рациональность и обоснованность модели проверяется на примерах. Сравнение с другими моделями прогнозирования показывает, что модель имеет более высокую точность прогноза и лучший эффект моделирования при прогнозировании раненых в результате сильных землетрясений. При этом рациональность и обоснованность модели проверяется на примерах. Сравнение с другими моделями прогнозирования показывает, что модель имеет более высокую точность прогноза и лучший эффект моделирования при прогнозировании раненых в результате масштабных землетрясений. При этом рациональность и обоснованность модели проверяется на примерах. Сравнение с другими моделями прогнозирования показывает, что модель имеет более высокую точность прогноза и лучший эффект моделирования при прогнозировании раненых в результате масштабных землетрясений.
1. Введение
В последние годы во всем мире часто случаются частые землетрясения. Из-за неопределенности и разрушительной силы землетрясения оно привело к большим человеческим жертвам и материальному ущербу. Например, Гаити (величина 7,3 на 13 января 2010 г., погибло 222500 человек и ранено 196000 человек), Чили (величина 8,8 на 27 февраля 2010 г., погибло более 750 человек), Япония (величина 8,6 на 11 марта 2011 г., погибло 19533 человека и пропущено 2585 человек), в Китае - Вэньчуань (величина 8,0 на 12 мая 2008 г., погибло 69227 человек, ранено 374643 и пропущено 17923 человека) и Юйшу (величина 7,1 на 14 апреля 2010 г., погибло 2698 человек). Эти данные являются официальным отчетом о сильных землетрясениях от Сейсмологического бюро Китая (
https://www.cea.gov.cn/cea/dzpd/index.html).). Видно, что землетрясения оказали серьезное влияние на производство и жизнь людей, а также привели к тяжелым человеческим жертвам и экономическим потерям. Однако из-за внезапного и хрупкого землетрясения становится трудно предотвратить его заранее. Могут быть приняты меры по эффективному устранению последствий стихийного бедствия после того, как оно произошло, с тем, чтобы уменьшить количество жертв и материальный ущерб [ 1 , 2 ].
Массовое землетрясение имеет характеристики сильной внезапности и слабого прогноза, и его возникновение часто сопровождается обрушением дороги, закупоркой каналов и другими проблемами, которые создают неудобства для спасательных операций, так что материалы для оказания чрезвычайной помощи не могут быть доставлены вовремя и полностью после катастрофа. Следовательно, необходимо точно прогнозировать материалы для оказания неотложной помощи (например, медицинские материалы, необходимые для лечения раненых), а предпосылка прогнозирования состоит в том, чтобы знать количество раненых каждый день. Прогнозируя количество раненых, мы можем не только косвенно прогнозировать потребность в лекарствах для спасательных операций при землетрясениях, но и играть ведущую роль в распределении материалов для оказания помощи.
Выбор подходящей математической модели является ключом к точному прогнозированию количества раненых. После возникновения масштабных землетрясений может быть доступен лишь небольшой объем информации, позволяющий прогнозировать количество раненых за короткое время. Ввиду такого рода информации модель предсказания по серому может воспроизводить очень хороший эффект предсказания. Метод прогнозирования серой системы основан на понимании людьми характеристик неопределенности эволюции системы, нацелен на проблемы прогнозирования серой неопределенности, существующих в действительности, с использованием небольшого количества эффективных данных, изучением внутреннего закона эволюции системы и последующим расчетом. научный прогноз тенденции развития системы [ 3]. Поэтому мы строим серую модель прогноза, чтобы спрогнозировать количество раненых после сильных землетрясений.
В этой статье мы сначала анализируем предыдущие данные и обнаруживаем, что данные о раненых представляют характеристики «S-образной формы» и непрерывного интервального динамического изменения. В соответствии с характеристиками данных выбираются интервальный метод отбеливания серого числа и серый дискретный метод Ферхюльста для построения непрерывной интервальной дискретной модели предсказания Ферхюльста на основе ядер и мер (CGDVM-KM), которая используется для моделирования и прогнозирования количества раненых в результате землетрясения Лушань в провинции Сычуань в Китае, и получены хорошие результаты. Модель прогнозирования серого цвета, предложенная в этой статье, может обеспечить хорошую поддержку для аварийного спасения в случае сильных землетрясений, чтобы предоставить ссылку для последующего распределения материалов по аварийному спасению.
Основные статьи этой статьи заключаются в следующем. Сначала мы используем принцип отбеливания интервалов для преобразования информации непрерывной интервальной последовательности, такой как ядерные последовательности и последовательности измерений, а затем он комбинируется с моделью Ферхульста Грея, и устанавливается модель и мера Ферхульста ядерной последовательности. Перестраивается непрерывная дискретная модель прогнозирования серого Ферхюльста, которая может эффективно преодолевать ошибки, сделанные классической моделью Ферхульста из-за оценки параметров с использованием дискретного моделирования и уравнения прогнозирования с использованием уравнения непрерывной формы ошибки системы и повышения точности прогнозирования. Во-вторых, из-за внезапности и продолжительности крупных землетрясений количество заболеваний и травм демонстрирует определенные серые характеристики, такие как наличие известной или неизвестной информации, а размер выборки невелик и ограничен. Поэтому мы построим CGDVM-KM для прогнозирования количества заболеваний и травм на ранней стадии землетрясения, а также потребности в лекарствах для оказания неотложной помощи. Путем сравнительного анализа с несколькими другими моделями прогнозирования серого было обнаружено, что модель, построенная в этой статье, может хорошо соответствовать количеству раненых в результате масштабных землетрясений, чтобы точно спрогнозировать количество раненых за период времени в будущее, и предоставить ссылку для аварийного спасения и последующего распределения материалов.
Остальная часть этой статьи организована следующим образом. В разделе
2 дается обзор соответствующей литературы. Характеристики данных и используемые методы представлены в разделе
3 . В разделе
4 представлена необходимая модель прогноза. В разделе
5 прогнозируется количество раненых и проводится сравнительный анализ. Выводы сделаны в разделе
6 .
2. Обзор литературы
В литературе, посвященной этому исследованию, есть два аспекта: (1) прогнозирование раненых в результате сильных землетрясений; (2) модель предсказания серого.
2.1. Прогнозирование раненых при сильных землетрясениях
В литературе по прогнозированию числа раненых в результате землетрясения Ву и Гу использовали модифицированную экспоненциальную кривую для соответствия данным и предсказания числа погибших при землетрясении Вэньчуань в Китае [ 4 ]. Wang et al. создали модель нейронной сети BP для прогнозирования жертв землетрясений. Модель исследовала ключевые факторы, такие как сила землетрясения, глубина очага, интенсивность эпицентра, уровень готовности к стихийным бедствиям, ускорение землетрясений, плотность населения и прогноз стихийных бедствий, и использовала 37 серьезных землетрясений для обучения сети. Результаты показывают, что модель применима к большинству землетрясений [ 5]. Zhang et al. предложили использовать серую дискретную модель Ферхюльста для прогнозирования запасов лекарств для аварийно-спасательных работ при крупномасштабных землетрясениях [ 2 ]. Гюль и Гунери создали модель искусственной нейронной сети (ИНС) для прогнозирования жертв землетрясений, которая принимает время возникновения землетрясения, магнитуду землетрясения и плотность населения в качестве факторов прогнозирования, и используют пять землетрясений, произошедших в Турции с 1975 года, в качестве обучающей сети. образец [ 6]. Хуанг и др. внедрила экстремальную обучающую машину (ELM) для прогнозирования жертв землетрясений. Посредством обучения данных была установлена структура сети ELM для прогнозирования жертв землетрясений, а также определено количество узлов скрытого слоя и функция возбуждения для обеспечения надежности результатов прогнозирования сети ELM [ 7 ]. Кроме того, Хуанг и др. предложил адаптивную оптимизацию роя хаотических частиц (ACPSO) для оптимизации сетевых параметров традиционного ELM с целью повышения стабильности и точности прогноза сети и применения улучшенной модели вяза для прогнозирования жертв землетрясений [ 8 ]. Firuzi et al. предложила эмпирическую модель для оценки смертности в Иране на основе параметров, связанных с вибрацией (PGA) [ 9 ].
Как мы все знаем, нейронные сети и методы машинного прогнозирования с экстремальным обучением требуют больше исходных данных для обучения и обучения заранее. Однако экстренное спасение при землетрясении более срочно, требует больше времени и меньшего размера выборки, поэтому неприменимо. Однако используемая в литературе модель серой системы [ 2] использует только модель Грея Ферхюльста для прогнозирования количества раненых в реальном количестве, что не полностью отражает характеристики непрерывного интервала количества пациентов. В данной статье не только учитывается насыщенная тенденция изменения S-типа количества раненых и больных, но также полностью рассматриваются характеристики непрерывного интервала количества раненых и больных, а для прогнозирования используется улучшенная интервальная модель Серого Ферхюльста. количество раненых после возникновения землетрясений, так что точность прогнозов может быть улучшена.
2.2. Модели прогнозирования серого
Многие ученые изучали модель предсказания Грея Ферхюльста. Zhang et al. представил модель Грея Ферхюльста в области прогнозирования нагрузки и применение модели Ферхульста Грея в среднесрочном и долгосрочном прогнозировании нагрузки на типичных примерах [ 10 ]. Wang et al. предложила несмещенную модель Грея Ферхюльста для погрешности, присущей модели Грея Ферхюльста [ 11 ]. Cui et al. предложила серую дискретную модель Ферхюльста в соответствии с неполной адаптируемостью традиционной модели Серого Ферхюльста, ссылаясь на идею дискретизации, и путем взаимной генерации исходных данных [ 12]. Хашем-Назари и др. предложила прямую неэквидистантную модель Грея Ферхюльста, ориентированную на основную форму, и эффективно предсказала социо-экономические временные ряды, сосредоточив внимание на населении Ирана [ 13 ]. Ван и Ли построили производную неравноправную модель Серого Ферхульста и исследовали взаимосвязь между выбросами углекислого газа и экономическим ростом. Эмпирические исследования показывают, что зависимость между выбросами углекислого газа и экономическим ростом имеет перевернутую U-образную кривую [ 14 ]. Раджеш использовал модель Серого Ферхюльста для определения движущих факторов управления социальными и экологическими рисками (SERM) в эластичной цепочке поставок, чтобы эффективно улучшить производительность SERM предприятия [ 15]. Ву и Сюй использовали модель Грея Ферхюльста для прогнозирования комплексного индекса качества воздуха [ 16 ]. Zeng et al. использовали улучшенную модель Грея Ферхюльста для обоснованного прогнозирования добычи газа в плотных породах [ 17 ]. Тиан и др. использовали модель Грея Ферхюльста для прогнозирования величины несущей способности океана в следующие пять лет (2017–2021 гг.) [ 18 ]. Zhao et al. предсказал количество пациентов с инфекцией COVID-19 в Китае на основе модели Грея Ферхульста [ 19 ].
Традиционная дискретная модель GM (1,1) не всегда хорошо подходит, а иногда ошибка предсказания велика [ 20 , 21 ], поэтому некоторые ученые начали изучать интервальные серые числа. Zeng et al. разработал модель прогнозирования DGM (1,1) для интервального серого числового ряда [ 22 ]. В соответствии с геометрическими характеристиками интервальной числовой последовательности серого на двумерной координатной плоскости, Цзэн и Лю предложили модель прогнозирования интервального серого числа на основе его геометрических характеристик посредством преобразования площади и скоординированного преобразования для преобразования интервальной числовой последовательности серого в действительную числовую последовательность без потеря информации. Таким образом, имитируется и прогнозируется интервальная числовая последовательность Грея с неопределенной информацией [ 23]. Учитывая, что некоторые данные нечеткие или отсутствуют после землетрясений, что приводит к трудностям в прогнозировании спроса на материалы, Zhang et al. предложил использовать нечеткое интервальное серое число для предсказания для повышения точности предсказания [ 24 ]. Ли и др. предложили новое правило операции умножения числа серого интервала, которое повысило точность деления числа серого. Затем, на основе предложенных правил расчета в сочетании с предварительной обработкой уменьшения серого, традиционный метод прогнозирования неоднородных данных серого цвета улучшается и применяется к задаче планирования пополнения запасов в сценариях аварийного спасения [ 25]. Zeng et al. установили новую модель интервального прогнозирования серого числа с помощью функции ядра серой числовой полосы и региональной последовательности [ 26 ]. Zeng et al. разделил интервальные серые числа на две части действительных чисел, а именно на «белую» и «серую» части. Затем разрабатываются модель Серого Ферхюльста и модель DGM (1,1) для моделирования и прогнозирования «белой» и «серой» частей соответственно. Таким образом, в определенной степени решается проблема расширения диапазона интервального серого числа [ 27]. Кроме того, в соответствии с ситуацией, когда традиционная модель корреляции серого не может извлекать информацию об интервальных признаках из последовательности чисел интервалов серого, Ye et al. построили модель серого корреляционного анализа (GRA) на основе эффективного преобразования информации интервального серого числа. Затем разрабатывается многомерная модель GM (1, n ) для прогнозирования интервального ряда чисел Грея [ 28 ].
В вышеупомянутой литературе были оптимизированы и применены модель Серого Ферхюльста и модель интервального прогнозирования числа серого с различных точек зрения, но сфера применения каждой модели не одинакова. Ни одна из вышеупомянутых моделей не подходит для прогнозирования числа раненых в результате масштабных землетрясений. Учитывая, что количество раненых после землетрясения изменяется в непрерывном интервале, в этой статье будет использоваться принцип интервального отбеливания для преобразования информации непрерывной интервальной последовательности, такой как ядерная последовательность, и меры, которые строят модель и измерение Грея Ферхульста ядерной последовательности, окончательное сокращение построить непрерывную дискретную модель серого прогнозирования Verhulst. После последующего эмпирического теста
3. Описание проблем
В этом разделе мы проанализировали данные о количестве раненых после сильных землетрясений, а затем построили соответствующую модель для прогноза по характеристикам данных.
3.1. Характеристики данных
Чтобы найти статистический закон количества раненых в результате сильного землетрясения, выбраны статистические данные о раннем землетрясении в Юйшу, провинция Цинхай, и Лушань, провинция Сычуань, в Китае. Кривая статистических данных построена и показана на рисунке
1 . Эти данные представляют собой полусуточные данные, основанные на официальном отчете об этих двух сильных землетрясениях от Сейсмологического бюро Китая (
https://www.cea.gov.cn/cea/dzpd/index.html ).
фигура 1
Количество раненых на ранней стадии землетрясения.
Путем статистического анализа данных о количестве пациентов после сильного землетрясения можно сделать вывод, что в статистических данных о количестве раненых есть две характеристики.
3.1.1. Насыщенные S-образные характеристики
Из рисунка
1, мы видим, что в начале спасения количество раненых демонстрирует экспоненциальный быстрый рост (т.е. период быстрого роста). По мере развития спасательной операции количество вновь обнаруживаемых раненых постепенно уменьшалось, а темпы роста постепенно замедлялись. Между тем, некоторые раненые с легкими травмами постепенно выздоровели и отказались от лечения, а некоторые пациенты, которые были серьезно ранены, будут отправлены в большие больницы для дальнейшего лечения после простого лечения, поэтому количество раненых постепенно стабилизировалось на уровне общего количества и больше не увеличился (т. е. стационарный период). В целом он показывает насыщенную тенденцию изменения «S-образной формы». В то же время статистические данные о количестве раненых в режиме реального времени проводились в начале спасательной операции,
3.1.2. Непрерывная интервальная динамическая изменчивость
Статистику количества раненых можно разделить на точечные и интервальные. Данные по точкам отражают только количество раненых, обнаруженных в конце записываемой временной точки дня. В золотой период спасения поисково-спасательный процесс длится 24 часа без перерыва. Во время и после статистической обработки постоянно находили раненых. Это число увеличивается каждый час, что является динамичным и непрерывным процессом роста и изменения, а количество раненых имеет непрерывный интервал каждый час и каждый день. Следовательно, точечные данные не могут точно описать реальную ситуацию. Данные о раненых можно рассматривать как непрерывный интервал изменения, который может более правдиво и точно отражать действительность.
3.2. Методика
Построение модели прогнозирования числа серого с непрерывным интервалом связано с двумя проблемами. Один из них - отбеливание серого числа с непрерывным интервалом. То есть последовательность чисел Грея с непрерывным интервалом преобразуется в последовательность действительных чисел с равным объемом информации. Другой - выбрать модель, ориентируясь на характеристики данных действительного числа. В методе ядра и измерения средняя точка нижней границы интервала выбирается в качестве последовательности ядра, а длина интервала выбирается в качестве последовательности измерения. Серое число интервала преобразуется в две последовательности действительных чисел ядер и мер, что позволяет избежать проблем, вызванных непосредственной работой с интервалом серого числа, и полностью использовать всю информацию, содержащуюся в интервале серого числа. Следовательно,
Модель Ферхюльста описывает динамический процесс развития, который изначально демонстрирует экспоненциальный быстрый рост. Со временем скорость роста постепенно замедляется и, наконец, снижается до нуля из-за вмешательства некоторых внешних факторов, и общая сумма стабильна на фиксированном значении. Это означает, что модель в основном используется для описания процесса динамического изменения серого цвета всех данных с насыщенной функцией «S-образной формы». Из процесса моделирования классической модели Серого Ферхюльста мы можем видеть, что есть некоторые ошибки в процессе преобразования из уравнения отбеливания в формулу окончательного отклика, и дискретная модель Ферхюльста серого может эффективно уменьшить эту ошибку. Следовательно, с учетом характеристик насыщенной «S-образной формы» и непрерывного интервала изменения количества раненых в результате масштабного землетрясения,
4. Построение прогнозной модели.
Основная идея построения непрерывной интервальной серой дискретной модели Ферхюльста на основе ядер и мер заключается в следующем. Сначала мы отбеливаем все серые элементы непрерывной интервальной серой числовой последовательности, а затем преобразуем их в равную информацию о последовательности ядра и последовательности измерений. Во-вторых, для предсказания ядер и мер строится серая дискретная модель Ферхюльста последовательностей ядер и мер. Наконец, мы вывели и восстановили верхнюю и нижнюю границы серого числа непрерывного интервала, после чего реализуется предсказание серого числа непрерывного интервала.
Для серого числа с непрерывным интервалом ядро является центром интервала, отражая тенденцию развития последовательности серых чисел с непрерывным интервалом, которая выражается как половина суммы данных верхней и нижней границ интервала. Мерой является длина непрерывного интервала, отражающая информацию, усваивающую последовательность серых чисел непрерывного интервала, а числовое значение - разность между верхней и нижней границами. Согласно литературным источникам [ 12 , 29 ], мы имеем следующие определения.
Определение 1. Предположим, что непрерывный интервал, и серое число. Мы считали, что - ядро непрерывного интервала, а - мера непрерывного интервала.
Определение 2. Пусть исходная последовательность выглядит как. Здесьуказывает данные на момент времени . Предположим, чтоявляется обратной величиной , где - оператор первого агрегатного генератора (1-AGO) для . Тогда получается следующее:. Предположим, чтоявляется 1-AGO , и. Таким образом, серая дискретная модель Ферхюльста имеет видМы можем получить оценочные параметры следующее:Функция времени отклика серой дискретной модели Ферхюльста равнаНаконец, серая дискретная модель Ферхюльста, основанная на ядрах и мерах, строится следующим образом.
4.1. Предсказание ядер
Из определения
1 можно получить исходную последовательность ядерной последовательности:
Функция времени отклика последовательности ядра дискретной модели Ферхульста серого равна
Согласно (
5 ) последовательность ядра в соответствующий момент времени может быть предсказана путем подстановки другого времени .
4.2. Прогноз мер
Из определения
1 можно получить исходную последовательность последовательности мер:указывает число раненых во время , и это первый агрегат оператор генератора (1-АГО) из .
Функция времени отклика последовательности измерений серой дискретной модели Ферхульста равна
Его можно получить сокращением:
Согласно (
8 ) последовательность измерений в соответствующий момент времени можно предсказать, подставив другое время .
4.3. Модель прогноза верхней и нижней границ непрерывного интервала серого числа
Значения прогнозов ядер и последовательностей мер решаются с помощью определения
2 .
Согласно (
5 ) модель серого прогнозирования верхней и нижней границ интервала серого числа может быть получен.
Уравнение (
11 ) представляет собой модель прогнозирования верхней и нижней границ серого числа с непрерывным интервалом. Число интервалов раненых можно предсказать, подставив его в разные интервалы времени . Наконец, можно получить среднюю относительную ошибку и синтетическую среднюю относительную ошибку моделирования, соответственно.
4.4. Стандарт проверки ошибок
После использования метода прогнозирования для подгонки кривой нам нужно использовать индекс относительной ошибки, чтобы проверить степень подбора.
Определение 3. Предположим, что последовательность исходных непрерывных интервальных серых чисел равна [ 30 ]Смоделированная последовательность модели выглядит следующим образом:Остаточные последовательности нижней и верхней границы равныНаконец, мы вычисляем относительную последовательность ошибок нижней и верхней границ:(1)Для , мы считали, чтопредставляет собой моделирование относительной ошибки в точке последовательности нижней границы, и- средняя относительная ошибка последовательности нижней границы. Расчет ошибки верхней границы опущен для подобия.(2) называется полной средней относительной ошибкой модели.(3)Ибо , когда а также Держите, модель является остаточной квалифицированной моделью.Результаты прогноза должны превосходить тест на точность, чтобы судить о том, соответствует ли результат его уровню точности. Только модель прогнозирования, которая превзошла тест на точность, может гарантировать рациональность и точность ее значения прогноза. Чем ниже этап, тем лучше будет эффект предсказания. Вычисляя остаточную ошибку и относительную ошибку для каждой точки, можно вычислить среднюю относительную ошибку моделирования верхней и нижней границ и полную среднюю относительную ошибку моделирования модели. Затем о степени точности модели прогнозирования можно судить, обратившись к таблице проверки ошибок последовательности непрерывных интервалов, показанной в Таблице
1 .
Таблица 1
Таблица проверки ошибок непрерывной интервальной последовательности.
5. Прогнозирование и анализ результатов
На примере землетрясения Лушань в провинции Сычуань 20 апреля 2013 г. мы используем непрерывную дискретную модель Ферхульста серого цвета на основе ядер и мер (CGDVM-KM) для прогнозирования числа раненых. Данные в этой статье взяты из статистики пострадавших от землетрясений (с интервалом 0,5 дня), опубликованной Сейсмологическим бюро Китая (
http://www.cea.gov.cn ). Подробнее см. В таблице
2 .
Таблица 2
Численность раненых после землетрясения.
Шаг 1. Последовательность ядра следующая:
Шаг 2. Последовательность измерений следующая:Первый оператор агрегатного генератора (1-AGO) последовательности мер - это
Шаг 3. Моделирование последовательности ядра может быть получено какМоделирование оператора первого агрегатного генератора последовательности мер (1-AGO) выполняется следующим образом:Последовательность моделирования последовательности измерений может быть получена как
Шаг 4. Моделируемые значения последовательности нижней границы интервала следующие:Моделируемые значения последовательности верхней границы интервала следующие:
Шаг 5. От, можно сделать вывод, что средняя относительная ошибка нижней границы составляет 0,00347%, а средняя относительная ошибка верхней границы составляет 0,00250%. Таким образом, средняя относительная ошибка моделирования составляет 0,00299%. Подробнее см. В таблице
3 .
Из Таблицы
3 мы видим, что остаточная ошибка для каждых данных меньше 1, что показывает хорошее соответствие. Окончательная полная средняя относительная ошибка составляет всего 0,00299%, что относится к точности прогноза первого этапа (см. Таблицу
1 ). Показано, что модель позволяет точно моделировать количество раненых в результате мощного землетрясения. В таблице
4 показаны все результаты моделирования.
На самом деле мы знаем, что с дальнейшим развитием спасательных операций некоторые пациенты с легкими травмами будут постепенно выздоравливать и отказываться от лечения, а некоторые пациенты с серьезными травмами будут отправлены в крупные больницы с лучшими медицинскими условиями в безопасных районах для дальнейшего лечения. после простого лечения. Таким образом, общее количество раненых немного уменьшится, а затем общее количество пациентов будет постепенно поддерживать относительно стабильный уровень. Из результатов интервального прогнозирования мы можем видеть, что по прошествии определенного периода времени данные интервального прогноза стабильны на уровне и больше не изменяются, что соответствует реальной ситуации.
Из таблицы
4 и рисунка
2, мы видим, что построенная в данной статье модель хорошо влияет на прогнозирование количества раненых в результате масштабных землетрясений. Чтобы дополнительно проиллюстрировать эффективность этой модели, результаты прогнозирования модели, построенной в этой статье, сравниваются с результатами прогнозирования других моделей. Для сравнения выбраны следующие шесть моделей:
- (1) модель Грея Ферхюльста с действительными числами (GVM-R),
- (2) дискретная модель Ферхюльста с действительными числами (GDVM-R),
- (3) непрерывная интервальная дискретная модель Ферхюльста серого модель на основе атрибутов серого (CGDVM-GA),
- (4) дискретная динамическая модель Ферхюльста с непрерывным интервалом на основе информационной декомпозиции (CGDVM-ID),
- (5) модель GM (1,1) с непрерывным интервалом на основе ядер и меры (ЦГГМ-КМ),
- (6) непрерывная интервальная модель Грея Ферхюльста, основанная на ядрах и мерах (CGVM-KM).
Здесь мы делим шесть моделей на три категории и сравниваем их с моделью, построенной в этой статье: модели реального числового ряда (т.е. модель GVM-R и модель GDVM-R), различные методы интервального отбеливания и те же модели методов прогнозирования. (то есть модель CGDVM-GA и модель CGDVM-ID), и тот же метод интервального отбеливания и разные модели методов прогнозирования (т.е. модель CGGM-KM и модель CGVM-KM). Результаты представлены в таблице. и тот же метод интервального отбеливания и разные модели методов прогнозирования (т.е. модель CGGM-KM и модель CGVM-KM). Результаты представлены в таблице. и тот же метод интервального отбеливания и разные модели методов прогнозирования (т.е. модель CGGM-KM и модель CGVM-KM). Результаты представлены в таблице.
5 и рисунок
3 .
В модели непрерывного интервального предсказания серого есть два ключевых фактора, которые влияют на точность предсказания: метод интервального отбеливания и метод предсказания серого. Из таблицы
5 можно сделать следующие выводы.
Во-первых, сравнивая с моделью предсказания серого с действительным числом, мы обнаруживаем, что модель предсказания серого с непрерывным интервалом имеет более высокую точность предсказания. Это связано с тем, что процесс отбеливания интервального серого числа может извлечь больше информации из данных, и его прогноз более точен. Во-вторых, при использовании одного и того же метода прогнозирования серого цвета мы обнаруживаем, что разные методы отбеливания имеют большее влияние на результаты прогнозирования, а метод отбеливания, основанный на зернах и измерениях, имеет больше преимуществ. Это связано с тем, что метод отбеливания - это способ обработки интервальных данных, и его цель состоит в том, чтобы извлекать информацию, содержащуюся в интервальных данных. Чем больше информации добывается, тем точнее прогноз. Наконец, с помощью того же метода отбеливания, мы обнаруживаем, что различные модели прогнозирования имеют большое влияние на результаты прогнозов. Подразумеваемая причина может заключаться в том, что метод отбеливания добывает информацию об интервальных данных, в то время как метод прогнозирования точно и эффективно соответствует добытой информации, чтобы предсказать будущую тенденцию. Серая дискретная модель Verhulst имеет больше преимуществ, чем серая модель GM (1,1) и серая модель Verhulst. Подводя итог, можно сказать, что дискретная модель Ферхюльста с непрерывным интервалом, основанная на ядрах и мерах (CGDVM-KM), построенная в этой статье, имеет наивысшую точность моделирования.
Таблица 3
Ошибки верхней и нижней границы.
Таблица 4
Результаты симуляции.
фигура 2
Разрыв в прогнозе количества раненых.
Таблица 5
Сравнение ошибки предсказания между этой моделью и другими моделями предсказания серого.
Рисунок 3 Ошибка предсказания разных моделей.
6. Выводы
Серое число с непрерывным интервалом имеет более сложную структуру данных, чем действительное число и серое число с прерывистым интервалом, поэтому сложнее построить модель с более высокой точностью прогнозирования. В этой статье, посредством анализа регулярности и характеристик статистических данных о количестве раненых после мощного землетрясения с насыщенной «S-образной формой» и тенденции его непрерывного интервального динамического изменения, мы рассматриваем методы отбеливания ядер и измерений и Серый дискретный прогноз модели Verhulst и построение непрерывной серой дискретной модели динамического прогнозирования Verhulst на основе ядер и мер для прогнозирования количества раненых после сильных землетрясений. По сравнению с другими моделями прогнозирования реальных чисел и интервалов, результаты показывают, что модель, построенная в этой статье, имеет более высокую точность прогноза и лучший эффект моделирования и может более точно и эффективно моделировать количество раненых после сильных землетрясений. Конечно, применение модели прогнозирования - это гораздо больше, чем прогнозирование количества раненых, и она хорошо подходит для данных с насыщенной S-образной формой и тенденцией изменения непрерывного интервала.
В то же время, согласно результатам исследования Feng et al. По данным о типе и распределении травм пострадавших в результате землетрясения в Таншане и данных о лекарствах больницы для лечения раненых в аналогичных авариях можно увидеть, что существует линейная корреляция между типом и количеством спасательных препаратов при землетрясении. аварийно-спасательные работы и количество раненых в результате землетрясения [ 31 ]. Таким образом, непрерывную дискретную модель динамического прогнозирования Verhulst с непрерывным интервалом, основанную на измерении суммы ядра, можно использовать для прогнозирования количества пациентов на третий день после землетрясения в Лушане, а затем оно умножается на коэффициент употребления наркотиков, равный 40. виды обычных препаратов для оказания экстренной помощи, предложенные в справочнике [ 31]. Наконец, мы можем быстро и точно рассчитать тип и количество лекарств для оказания экстренной помощи на третий день после землетрясения в Лушане. Как только тип и количество лекарств для оказания чрезвычайной помощи будут точно и эффективно определены, штаб-квартира и организаторы помощи при землетрясении смогут своевременно и эффективно распределять и обеспечивать потребности в лекарствах для чрезвычайной помощи в пострадавших от землетрясения районах, а также эффективность землетрясения. Помощь при стихийных бедствиях может быть улучшена.
Хотя мы построили модель для эффективного прогнозирования числа раненых после сильных землетрясений, модель интервального серого прогнозирования является более сложной моделью в теории серых систем, и на ее эффективность влияет множество факторов. Дальнейшая оптимизация модели - направление будущих исследований. Кроме того, прогнозирование количества раненых позволяет лучше предоставить материалы для оказания экстренной помощи, поэтому вопрос о том, как более точно соотносить количество раненых и необходимых материалов, является целью следующего шага.
Доступность данных. Данные, использованные для подтверждения результатов этого исследования, включены в статью. Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов. Благодарности
Это исследование было поддержано Национальным фондом социальных наук Китая (№ 10XGL013); Проект планирования социальных наук Чунцина (№ 2020TBWT09); Общий проект исследования гуманитарных и социальных наук муниципальной комиссии по образованию Чунцина (грант № 18SKGH069); Фонд стартапов научных исследований Чунцинского университета технологий и бизнеса (№ 1855016); Чунцинская докторская программа социального и научного планирования (№ 2018BS79); и Открытый исследовательский фонд Чунцинской ключевой лаборатории электронной коммерции и системы цепочек поставок (1456026).
Рекомендации- С. Чен и К. Ван, «Включение байесовской сети в двухэтапное стохастическое программирование для решения проблемы размещения и инвентаризации банка крови в случае бедствия», Дискретная динамика в природе и обществе , т. 2019, идентификатор статьи 7214907, 2019.Смотреть на: Сайт издателя | Google Scholar
- Дж. Чжан, К. С. Чен и Б. Цзэн, «Прогнозирование спроса на медикаменты неотложной помощи после сильного землетрясения - серая дискретная модель Verhulst», Journal of Gray System , vol. 27, нет. 3. С. 234–248, 2015.Посмотреть: Google Scholar
- Э. Каякан, Б. Улутас, О. Кайнак, “Модели на основе теории систем Грея в прогнозировании временных рядов”, Экспертные системы с приложениями , т. 37, нет. 2. С. 1784–1789, 2010.Смотреть на: Сайт издателя | Google Scholar
- X. Wu и J. Gu, «Модифицированная экспоненциальная модель зарегистрированного числа погибших во время землетрясений», Earthquake Science , vol. 22, нет. 2. С. 159–164, 2009.Смотреть на: Сайт издателя | Google Scholar
- Х. Х. Ван, Дж. Х. Ню и Дж. Ф. Ву, «Модель ИНС для оценки человеческих жертв при проектировании землетрясений», Системные инженерные процедуры , том. 1, вып. 1. С. 55–60, 2011.Смотреть на: Сайт издателя | Google Scholar
- М. Гюль и А.Ф. Гунери, «Модель оценки пострадавших от землетрясений на основе искусственной нейронной сети для города Стамбул», Natural Hazards , vol. 84, нет. 3. С. 1–16, 2016.Смотреть на: Сайт издателя | Google Scholar
- X. Хуанг, MJ Luo и HD Jin, «Применение улучшенного алгоритма ELM для прогнозирования жертв землетрясений», Plos One , vol. 15, вып. 6. С. 1–13, 2020.Смотреть на: Сайт издателя | Google Scholar
- X. Хуанг, JY Song и HD Jin, «Прогнозирование несчастных случаев при землетрясении на основе метода экстремального обучения машин», Natural Hazards , vol. 102. С. 873–886, 2020.Посмотреть: Google Scholar
- Э. Фирузи, К. Амини Хоссейни, А. Ансари, Й.О. Изадхах, М. Рашидабади и М. Хоссейни, «Эмпирическая модель для оценки смертности от землетрясений в Иране», Natural Hazards , vol. 103, нет. 1. С. 231–250, 2020.Смотреть на: Сайт издателя | Google Scholar
- Ф. С. Чжан, Ф. Лю и В. Б. Чжао, «Применение модели Серого Ферхюльста в среднесрочном и долгосрочном прогнозировании нагрузки», Power System Technology , vol. 5. С. 37–40, 2003.Посмотреть: Google Scholar
- З.-Х. Ван, Ю.-Г. Данг, С.-Ф. Лю, «Беспристрастная модель серого Verhulst и ее применение», Системная инженерия, теория и практика , вып. 29, нет. 10. С. 138–144, 2009.Смотреть на: Сайт издателя | Google Scholar
- Л.З. Цуй, С.Ф. Лю и З.П. Ли, «Дискретная модель Ферхюльста Грея», Системная инженерия и электроника , т. 33, нет. 3. С. 590–593, 2011.Посмотреть: Google Scholar
- М. Хашем-Назари, А. Исфаханипур и SMT Фатеми Гоми, «Неэквидистантные модели серого верха (Nbfgvms), ориентированные на« базовую форму », для III-структурированных задач социально-экономического прогнозирования», Journal of Business Economics and Management , vol. . 18, нет. 4. С. 676–694, 2017.Смотреть на: Сайт издателя | Google Scholar
- ZX Wang и Q. Li, «Моделирование нелинейной взаимосвязи между выбросами CO 2 и экономическим ростом с использованием модели Серого Ферхульста, основанной на алгоритме PSO», Journal of Cleaner Production , vol. 207. С. 214–224, 2018.Посмотреть: Google Scholar
- Р. Раджеш, «Управление социальными и экологическими рисками в устойчивых цепочках поставок: периодическое исследование по модели Грея-Ферхюльста», Международный журнал производственных исследований , вып. 57, нет. 11-12, стр. 3748–3765, 2019.Смотреть на: Сайт издателя | Google Scholar
- Л. Ву и З. Сюй, «Анализ качества воздуха в Пекине, Тяньцзине и Шицзячжуане с использованием модели Серого Верхульста», Атмосфера качества воздуха и здоровье , т. 12, вып. 8. С. 1–8, 2019.Смотреть на: Сайт издателя | Google Scholar
- Б. Цзэн, X. Ма и М. Чжоу, «Новая структура модели Серого Ферхюльста для прогнозирования добычи газа из плотных пластов в Китае», Прикладные программные вычисления , т. 96, 2020.Посмотреть: Google Scholar
- Р. Тиан, К. Шао и Ф. Ву, «Четырехмерная оценка и прогнозирование несущей способности морской среды в Китае: эмпирический анализ на основе энтропийного метода и модели Грея Ферхюльста», Бюллетень по загрязнению морской среды , т. 160, 2020.Посмотреть: Google Scholar
- YF Zhao, MH Shou и ZX Wang, «Прогнозирование числа пациентов, инфицированных COVID-19, на основе скользящих серых моделей Верхульста», Международный журнал экологических исследований и общественного здравоохранения , т. 17, нет. 12. С. 1–20, 2020.Смотреть на: Сайт издателя | Google Scholar
- Э. Лю, К. Ван, X. Ге и В. Чжоу, «Динамическая дискретная модель GM (1,1) и ее применение в прогнозировании конфликтных событий урбанизации», Дискретная динамика в природе и обществе , т. 2016 г., идентификатор статьи 3861825, 2016 г.Смотреть на: Сайт издателя | Google Scholar
- В. Чжоу и Д. Чжан, «Улучшенная серая модель метаболизма для прогнозирования малых образцов с единичными данными и ее применение к выбросам диоксида серы в Китае», Дискретная динамика в природе и обществе , т. 2016 г., идентификатор статьи 1045057, 2016 г.Смотреть на: Сайт издателя | Google Scholar
- Б. Цзэн, С. Лю и Н. Се, «Модель прогнозирования интервального серого числа на основе DGM (1, 1)», Journal of Systems Engineering and Electronics , vol. 21, нет. 4. С. 598–603, 2010.Смотреть на: Сайт издателя | Google Scholar
- Б. Цзэн и С.Ф. Лю, «Модель прогнозирования интервального серого числа на основе его геометрических характеристик», Journal of Systems Engineering , vol. 26, вып. 2. С. 1654–1663, 2011.Посмотреть: Google Scholar
- М. Чжан, Х. Ву, З. Цю, Ю. Чжан и Б. Ли, «Прогнозирование спроса на аварийные поставки при нечетких и отсутствующих частичных данных», Дискретная динамика в природе и обществе , т. 2019 г., идентификатор статьи 6823921, 2019 г.Смотреть на: Сайт издателя | Google Scholar
- К. Ли, Ю. Ян и С. Лю, «Среда уменьшения серого для прогнозирования неоднородных данных серого цвета», Soft Computing , vol. 2. С. 17913–17929, 2020.Смотреть на: Сайт издателя | Google Scholar
- Б. Цзэн, Г. Чен, С.-ф. Лю, «Новая модель интервального прогнозирования серого с учетом неопределенной информации», Journal of the Franklin Institute , vol. 350, нет. 10. С. 3400–3416, 2013.Смотреть на: Сайт издателя | Google Scholar
- Б. Цзэн, К. Ли, Г. Чен и В. Чжан, «Модель Verhulst интервального серого числа, основанная на декомпозиции информации и комбинации моделей», Journal of Applied Mathematics , vol. 2013. С. 1–8. 2013.Смотреть на: Сайт издателя | Google Scholar
- J. Ye, Y. Dang и Y. Yang, «Прогнозирование многофакторных интервальных числовых последовательностей серого с использованием реляционной модели серого и модели GM (1, N ) на основе эффективного преобразования информации», Soft Computing , vol. 24, вып. 7. С. 5255–5269, 2020.Смотреть на: Сайт издателя | Google Scholar
- Л. Данг и Л. И. Лин, «Модель прогнозирования интервального серого числа на основе ядер и мер», Математика на практике и теория , вып. 44, нет. 8, 2014.Посмотреть: Google Scholar
- Б. Цзэн, С.Ф. Лю и Дж. Ли, «Метод проверки ошибок для модели интервального прогнозирования числа серого на основе ядра и длины интервала», в материалах Международной конференции IEEE по серым системам и интеллектуальным службам , Нанкин, Китай, октябрь. 2011 г.Посмотреть: Google Scholar
- Х. Фэн, Дж. Ли, С. Чен, М. Лю и Х. Сун, «Анализ спроса на лекарства для лечения травм в результате землетрясения», Journal of Pharmaceutical Practice , vol. 21, нет. 2. С. 100–102, 2003.Посмотреть: Google Scholar
