一种基于信息自动识别的藻类水华应急治理群决策方法及装置

摘要

本发明提出了一种基于信息自动识别的藻类水华应急治理群决策方法，首先通过构建专家信息库，为决策提供信息源。然后对专家信息进行融合给出备选方案的综合评价，最终完成备选方案的优劣排序，最终选择最优的备选方案，从而既符合了水华治理管理目标，又符合了当前实时水质情况。

说明书

技术领域

本申请涉及环境工程领域，尤其涉及一种基于信息自动识别的藻类水华应急治理群决策方法及装置。

背景技术

藻类水华是一种典型的水污染现象，当水体的富营养化程度达到一定水平时，水体会出现蓝绿色藻类聚集，同时发出臭味，影响城市水环境景观同时威胁用水安全。藻类水华治理是一项重要的环境修复工程，为解决传统治理过程中依赖于个人知识的经验型决策，需基于理性决策理论提出决策方法。决策是各类管理工作的重要活动，它是一个复杂的思维操作过程，包括信息搜集、加工、判断、得出结论等。理性决策已经成为现代管理理论的重要组成部分，其中，群决策方法改变了个体决策对个人经验和知识的依赖，成为决策理论的重要发展趋势。

传统决策通常依赖于个人管理者的经验，为了促进藻类水华治理的科学化、高效化，需要邀请藻类水华治理领域的专家提供专业意见，相关管理部门希望优先选择学术水平高、实践经验丰富的专家，因此，构建一个水华治理专家信息库，并对水华治理专家进行等级划分显得尤为重要。

通过机器学习分类算法解决水华治理专家的分类问题是切实可行的，现有的分类算法都需要输入结构化的数值型数据，对于学术水平、专业匹配度等半结构化、非结构化的数据需要先转化为结构化的数值型数据之后才能输入到分类器中。目前将类别型特征转化为数值型数据常用的方式是One-hot编码，近年来有新的分类算法在算法内部集成了类别型特征处理机制，如CATBOOST算法。然而，已有研究表明One-hot编码方式会使源数据丢失一部分信息，使得分类效果变差；通过实验表明，使用CATBOOST自带的类别型特征处理方式不适合样本数量极小的情况，而可收集得到的水华治理专家信息数量非常有限，只有数十人，不宜使用CATBOOST内嵌的类别型特征处理机制。

现有研究中，群决策过程中需要选择一些专家发表决策意见，过去关于群决策的研究，一般关注于专家决策意见的整合，对专家本身分析不够充分，未充分考虑到专家之间的水平差异。专家的选择往往是通过人工来完成，通常过于依赖个人的主观判断，不够客观，使其结果往往不具有说服性，而且实际操作时使用人工的方式效率较低。

发明内容

为解决上述技术问题之一，本发明提供了一种基于信息自动识别的藻类水华应急治理群决策方法及装置。

本发明实施例第一方面提供了一种基于信息自动识别的藻类水华应急治理群决策方法，所述方法包括：

获取专家信息，对所述专家信息进行分类获取分类结果，所述分类结果中包含有多个备选方案；

对所述分类结果中包含的多个备选方案设定准则类型，并获取与所述准则类型相对应的评价矩阵；

将相同准则类型相对应的多个评价矩阵融合为一个决策矩阵；

获取实时水质数据和参考水质数据，计算所述实时水质数据以所述参考水质数据为基准的变化率获得多个属性准则权重，并设定多个目标准则权重、目标准则总权值和属性准则总权值；

设定正负理想准则，并根据所述正负理想准则、决策矩阵、属性准则权重、属性准则权重、属性准则总权值和目标准则总权值分别获得所述多个备选方案的综合评分，并根据所述多个备选方案的综合评分筛选出最优方案。

优选地，所述获取专家信息，对所述专家信息进行分类获取分类结果的过程包括：

获取专家信息，所述专家信息中包含有不同专家的多类属性信息的原始样本；

对不同专家的专家等级进行分类，对不同等级的专家所对应的属性信息进行样本扩充并整合获得扩充样本；

将所述扩充样本作为训练集，将所述原始样本作为测试集进行训练分类获得分类结果。

优选地，所述获取专家信息，对所述专家信息进行分类获取分类结果的过程还包括：

对所述扩充样本中的属性信息中使用文本标识的类别性特征采用二元语义表示法进行表示。

优选地，所述准则类型包括管理目标准则和水质属性准则，所述管理目标准则相对应的评价矩阵为管理目标评价矩阵，所述水质属性准则相对应的评价矩阵为水质属性评价矩阵。

优选地，所述将相同准则类型相对应的多个评价矩阵融合为一个决策矩阵的过程包括：

将所述专家信息中不同专家的多类属性信息聚成一类获得聚类中心；

根据所述聚类中心获得不同专家对不同备选方案的权重；

根据所述管理目标评价矩阵/水质属性评价矩阵和所述不同专家对不同备选方案的权重获得不同备选方案中不同管理目标的最终评价并整合为方案-管理目标准则决策矩阵/方案-水质属性准则决策矩阵。

本发明实施例第二方面提供了一种基于信息自动识别的藻类水华应急治理群决策装置，所述装置包括处理器，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：

获取专家信息，对所述专家信息进行分类获取分类结果，所述分类结果中包含有多个备选方案；

对所述分类结果中包含的多个备选方案设定准则类型，并获取与所述准则类型相对应的评价矩阵；

将相同准则类型相对应的多个评价矩阵融合为一个决策矩阵；

获取实时水质数据和参考水质数据，计算所述实时水质数据以所述参考水质数据为基准的变化率获得多个属性准则权重，并设定多个目标准则权重、目标准则总权值和属性准则总权值；

设定正负理想准则，并根据所述正负理想准则、决策矩阵、属性准则权重、属性准则权重、属性准则总权值和目标准则总权值分别获得所述多个备选方案的综合评分，并根据所述多个备选方案的综合评分筛选出最优方案。

优选地，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：

获取专家信息，所述专家信息中包含有不同专家的多类属性信息的原始样本；

对不同专家的专家等级进行分类，对不同等级的专家所对应的属性信息进行样本扩充并整合获得扩充样本；

将所述扩充样本作为训练集，将所述原始样本作为测试集进行训练分类获得分类结果。

优选地，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：

对所述扩充样本中的属性信息中使用文本标识的类别性特征采用二元语义表示法进行表示。

优选地，所述准则类型包括管理目标准则和水质属性准则，所述管理目标准则相对应的评价矩阵为管理目标评价矩阵，所述水质属性准则相对应的评价矩阵为水质属性评价矩阵。

优选地，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：

将所述专家信息中不同专家的多类属性信息聚成一类获得聚类中心；

根据所述聚类中心获得不同专家对不同备选方案的权重；

根据所述管理目标评价矩阵/水质属性评价矩阵和所述不同专家对不同备选方案的权重获得不同备选方案中不同管理目标的最终评价并整合为方案-管理目标准则决策矩阵/方案-水质属性准则决策矩阵。

本发明的有益效果如下：本发明首先通过构建专家信息库，为决策提供信息源。然后对专家信息进行融合给出备选方案的综合评价，最终完成备选方案的优劣排序，最终选择最优的备选方案，从而既符合了水华治理管理目标，又符合了当前实时水质情况。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例所述的基于信息自动识别的藻类水华应急治理群决策方法的流程图；

图2为实例中专家等级划分结果示意图；

图3为实例中各备选方案的综合评价值对比示意图。

具体实施方式

为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例1

如图1所示，本实施例提出了一种基于信息自动识别的藻类水华应急治理群决策方法，该方法包括：

S101、获取专家信息，对所述专家信息进行分类获取分类结果。

具体的，本实施例中，获取专家信息的目的在于构建藻类水华应急治理智能专家信息库。选择n个水华治理领域的专家，专家的信息的表示为X，X＝{x

将n个水华治理领域的专家进行专家等级划分，可分为I、II、III、IV、V五类，等级由高到低。由于可收集到的水华治理专家信息太少，不能够很好地训练出分类器，可通过蒙特卡罗模拟将每个类别的数据样本扩充形成扩充样本。

在专家信息中，属性信息的表示方式根据不同的性质有所不同，一部分属性信息需要使用数值来表示，而另一部分属性信息需要用文本来表示，使用文本表示的属性信息是类别型特征，类别型特征需要经过处理后才能完成分类算法模型的训练。当输入数据含有类别型特征时，目前现有技术通常的做法是：先使用One-Hot编码的方式将类别型特征数据转化为数值，再将经One-Hot编码处理后的数据放入分类算法中进行训练、测试。这种处理方式有很多弊端，因为将类别型特征用One-Hot编码处理后会有信息损失，使其不能准确、完成地表达类别型特征所携带的信息。

本实施例采用一种语义评价信息的二元语义表示法表示类别性特征。设二元语义评价集指针对某个对象给出的评价结果，表示为一个二元组(s

θ：S→S×[-0.5,0.5)

θ(s

若β∈[0,T],β为语言评价集S经过某种集结方法得到的实数，T为语言评价集S中元素的个数，round为四舍五入算子，β由函数Δ表示为二元语义信息，Δ函数如下：

Δ：[0,T]→S×[-.05,0.5)

(s

Δ

Δ

在完成上述二元语义表示法表示扩充样本中的类别型特征后使用CATBOOST分类算法对专家进行分类，扩充样本作为训练集，n个人工收集的原始样本作为测试集，分类器的分类结果作为是否选择专家信息库中的某些专家发表决策意见的依据，其中，分类结果中包含有多个备选方案。

S102、对所述分类结果中包含的多个备选方案设定准则类型，并获取与所述准则类型相对应的评价矩阵。

具体的，选择分类结果中“I”类专家中的K个专家发表藻类水华应急治理决策意见，专家集表示为E＝{e

设管理目标集为A＝{a

有K个专家参与评价，因此有K个N×m的评价矩阵。专家e

同理，专家e

S103、将相同准则类型相对应的多个评价矩阵融合为一个决策矩阵。

具体的，为了将S102中的m个管理目标评价矩阵和n个水质属性评价矩阵均融合为一个单独的评价矩阵，也就是融合为一个决策矩阵，需要先确定管理目标评价矩阵和水质属性评价矩阵的每个专家对于方案的权重。专家对于一个方案的权重越大，表示这个专家对于该方案的话语权越大。

使用层次聚类算法将K个专家评价信息聚成一类，以最终的聚类中心作为计算专家权重的参考信息。其中，层次聚类算法使用二元语义的距离计算公式，任意两个二元语义(s

(d,α)＝Δ(|Δ

其中，Δ是将实数转化为二元语义的函数，Δ

以方案m

使用层次聚类法将K个评价信息聚成一类，聚类中心C

根据上式，可得到K个距离数值，其中最大距离

专家e

权重的标准化：

将K个专家评价矩阵融合成最终的管理目标专家评价矩阵(决策矩阵)，需要用到二元语义的集成算子，需要求得第i个方案的第j个管理目标的的最终评价

同理，使用上述方法，可得到融合后的第i个方案的第j个水质属性的最终专家评价

S104、获取实时水质数据和参考水质数据，计算所述实时水质数据以所述参考水质数据为基准的变化率获得多个属性准则权重，并设定多个目标准则权重、目标准则总权值和属性准则总权值。

具体的，根据用户输入的实时水质信息和参考水质信息，参考水质信息是正常水体中的各项水质参数，水质参数有6项，分别是温度、溶解氧、总磷、总氮、叶绿素a以及PH值。属性准则的权重是实时水质数据以参考水质数据为基准的变化率，设第n项水质属性准则的权重为ω

标准化后的属性准则权值

设定5个目标准则权重，表示为{ω

S105、设定正负理想准则，并根据所述正负理想准则、决策矩阵、属性准则权重、属性准则权重、属性准则总权值和目标准则总权值分别获得所述多个备选方案的综合评分，并根据所述多个备选方案的综合评分筛选出最优方案。

具体的，由于决策矩阵各项指标都是正向化的，所以第j项正负理想准则设定为：

根据前述的内容可以得到两个决策矩阵，分别是方案-目标准则决策矩阵D

通过上市可计算得到的每个备选方案的综合评价值，按照综合评价值的高低进行排序，方案的综合评价值越高，表示该方案越优。

实施例2

对应实施例1，本实施例提出了一种基于信息自动识别的藻类水华应急治理群决策装置，所述装置包括处理器，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：

获取专家信息，对所述专家信息进行分类获取分类结果，所述分类结果中包含有多个备选方案；

对所述分类结果中包含的多个备选方案设定准则类型，并获取与所述准则类型相对应的评价矩阵；

将相同准则类型相对应的多个评价矩阵融合为一个决策矩阵；

获取实时水质数据和参考水质数据，计算所述实时水质数据以所述参考水质数据为基准的变化率获得多个属性准则权重，并设定多个目标准则权重、目标准则总权值和属性准则总权值；

设定正负理想准则，并根据所述正负理想准则、决策矩阵、属性准则权重、属性准则权重、属性准则总权值和目标准则总权值分别获得所述多个备选方案的综合评分，并根据所述多个备选方案的综合评分筛选出最优方案。

具体的，本实施例所提出装置的具体工作原理及流程可参照实施例1所记载的内容，本实施例不再进行赘述。本实施例首先通过构建专家信息库，为决策提供信息源。然后对专家信息进行融合给出备选方案的综合评价，最终完成备选方案的优劣排序，最终选择最优的备选方案，从而既符合了水华治理管理目标，又符合了当前实时水质情况。

为了进一步说明本实施例所提出的基于信息自动识别的藻类水华应急治理群决策方法的工作过程以及优越性，下面以一具体实例进行描述。

收集水华治理领域的专家信息，这些信息来自(China National KnowledgeInfrastructure)CNKI，将这些收集到的专家信息使用结构化的数据存储方式存储，共收集了与水华治理相关的56位专家学者信息，使用了11种属性信息来表示，使其携带了能够反映专家在某一领域的研究水平高低和经验丰富程度的信息。将职称属性作为类别型特征对待，其余属性信息用数值表示,结构化的部分专家信息如表1所示，各属性所对应的取值信息如表2所示。

表1

表2

将56个专家样本人为打上标签，分为五类，表示5种专家等级，分别是Ⅰ、Ⅱ、Ⅲ、IV、Ⅴ，等级由高到低。56个样本类别对应的样本数如下表3所示。

表3

于可收集到的水华治理专家信息太少，不能够很好地训练出分类器，需要对专家数据集进行扩充。利用蒙特卡罗模拟将每个类别的数据样本扩增50个，从而得到了250个扩充样本，这250个扩充样本作为训练集，原来的56个样本作为测试集，分类器的分类结果如图2以及下表4所示。

表4

选择分类结果中“I”类专家中的12名专家发表藻类水华应急治理决策意见；共有7个水华应急治理备选方案，分别是曝气充氧法、引水冲刷法、灭藻剂法、混凝沉降法、电化学法、食藻生物法和水生植物法；备选方案的准则共11个，其中5个是管理目标准则，分别是成本、见效时间、去除程度、对周围环境的影响以及二次污染程度；另外6个是水质属性准则，分别是温度、溶解氧、总磷、总氮、叶绿素a、PH值。

有12个专家参与评价，因此有12个7×5的评价矩阵。现有12个专家参与方案准则的评价矩阵，管理目标评价矩阵如下表5所示，各属性标号对应的属性如表6所示，水质属性评价矩阵如表7所示。

表5

表6

表7

计算得到目标准则下的每个专家对于每个备选方案的权重，结果如下表8所示：

表8

然后计算每个方案对于每个管理目标的所有最终评价信息，从而得到融合后的方案-目标决策矩阵D

表9

同理可计算得到水质属性准则下的每个专家对于每个备选方案的权重，结果如下表10所示：

表10

然后计算得到每个方案对于每个水质属性的所有最终评价信息，从而得到融合后的方案-目标决策矩阵D

表11

现有的水质信息和参考水质信息如下表12、表13所示：

表12

表13

计算得到标准化后的6个水质属性准则的权重，结果如下表14所示：

表14

设定5个管理目标准则的权重，设定值如表15所示：

表15

人为设定目标准则和属性准则总的权值

表16

然后计算各个方案的综合评价值，如图3所示，得到备选方案排序为：引水冲刷法(0.5311)>曝气充氧法(0.5278)>灭藻剂法(0.5128)>混凝沉降法(0.4982)>电化学法(0.4907)>食藻生物法(0.4854)>水生植物法(0.4837)，因此基于当前水质信息和专家评价信息，最优的水华治理方案为引水冲刷法。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。