突发事件的相关技术

近年来，有关数据挖掘的研究热度居高不下，使用数据挖掘方法去提取繁杂信息的模式是目前灾害链建模最有效的手段。基于数据挖掘的灾害链模主要依赖于以聚类算法和群体智能算法为主要代表的两大算法体系，但也仅局限于稍小的一个数据集，这些算法在海量数据集上会造成很大的开销。另外随着自然语言处理等技术的成熟，我们能够从网络上的文本中提取出突发事件的一些特征。

1.复杂网络研究综述

在灾害链体系的研究过程中，基于共现矩阵与复杂网络的建模是一种简单而有效的研究方法。复杂网络是一种图论模型，具有相对较为复杂的拓扑结构。复杂网络建模试图解决三个问题：第一，找出可以刻画网络拓扑结构和行为的统计特性，并且给出衡量这些统计特性的方法；第二，构建复杂网络模型以便帮助我们理解这些统计特性背后的真正意义；第三，基于这些统计特性，研究复杂网络中的行为与局部规则。对于复杂网络的研究，目前比较多地集中于网络的社团特性挖掘，尤其是基于演化聚类的社团发现。近年来，随着深度学习技术的发展，越来越多的研究者也采用深度学习来进行复杂网络的建模。基于灾害成灾的历史数据进行复杂网络的建模，可以从各灾害形成的系统中建立图论模型，从而分析其拓扑结构并发现其特性。共现矩阵与复杂网络理论模型较为简单且容易实现，计算量比较小，但目前基于复杂网络的灾害链模型受限于历史数据，且研究的灾害种类有一定局限性，所以需要在更庞大数据集的背景下对模型进行改进。^[35]

2.群体智能算法研究综述(https://www.daowen.com)

群体智能算法是启发式算法中的一个重要分支，也是计算机科学中一类非常重要的问题。群体智能算法试图模拟现实中群体生物的行为，对一些问题（如TSP问题等）进行优化。1992年，Marco从蚂蚁依据信息素浓度做决策的行为中获得灵感，提出了蚁群算法，将所有可能路线设置为待优化问题的解空间，通过信息素矩阵反复迭代来保存最优信息。但蚁群算法存在收敛速度慢、容易陷入局部最优等缺点。1995年，Kennedy基于对鸟群行为的研究提出粒子群算法，该算法是目前为止应用最为广泛的群体智能算法：粒子通过当前位置和对于自己最优位置之间的距离以及与群体最好位置的距离迭代来获得最优解。虽然这种方法有收敛速度快等优点，但仍存在精度低、易发散等缺点。2008年，Yang等人提出的萤火虫群算法根据相对亮度来决定萤火虫的移动方向，萤火虫会向最优位置集中，从而找到全局的最优个体值，不仅可以优化单峰函数也可以优化多峰函数，适用范围更广。但这种方法只能在一定的前提下实现，所以还存在一定的局限性。群体智能算法在灾害链建模中有重要作用。我们把灾害的爆发地点在二维平面上的横纵坐标与爆发时点作为某一突发事件在时空维度下的特征，并将事件的类别作为点的标记。按照时间顺序，将地区相近的突发事件用有向边进行连接，构建一个具有三维拓扑结构的图论模型。从而问题被抽象为：如果相似于网络中某一向量的向量在立体网络中多次出现，就可以认为该类空间向量是一种灾害关联向量，从而确定出该向量对应节点位置的成链规则。胡明生、贾志娟等人（2012）基于改进的萤火虫群算法对灾害网络进行了建模，分析了一些地区灾害链形成的规律。此方法具有一定的新意与独特性，如将灾害链转化为路径优化问题进行求解，但目前此方法尚未得到大规模应用，而且当数据量过于庞大时，计算量也会十分复杂。^[36]

3.数据挖掘在灾害链研究中的应用综述

近年来，数据挖掘技术的热度只增不减，而将数据挖掘技术融入灾害链建模是很重要的一种方法。一些聚类算法能够对突发事件的密集爆发区域进行聚类，从而得到这些突发事件在时空维度上的特征。其中，基于密度的聚类算法的簇只需要考虑样本间密度，无须事先确定簇的个数。只需要提前设置好邻域半径，便可以描述样本与样本之间、聚类簇与聚类簇之间的关系。过去的一些研究也对时空数据的挖掘提供了一些可行的策略。Ray等人（2002）提出概念迁移的概念，将时间序列进行切片，对每一个切片考虑其状态，然后考虑状态随时间推移的变化规律。另外，在时空数据中，我们通过对K均值聚类算法的目标函数进行改进调整，得到了调和K均值聚类算法用于描述时空数据的属性特征。Karine等人（2007）考虑将时间序列元素的下标作为分析特征引入时空序列的分析流程中来。对于时空聚类的高效算法，Vladimir等（2001）提出了AUTOCLUST+算法，对原有时空序列聚类的效率进行了更高程度上的优化。这些研究都为我们分析突发事件的时空分布提供了很好的方法，但目前这些研究缺乏对整个时空域上聚类结果动态变化的效果评估。

有关网络上突发事件的传播数据挖掘目前主要是一些基础统计学方法。Chen等人（2019）基于时空序列的统计学特征与文本情感识别方法，对美国Harvey飓风事件的影响与信息传播进行了挖掘。Yao等人（2019）发现转发行为表现出聚合特征，具有不同属性的用户在新浪微博上有特殊的转发习惯。Zhong等人（2020）从特征工程的角度，对比支持向量机、随机森林、CatBoost和LightGBM四种算法，从文本以及用户行为等多个角度挖掘了突发事件在微博传播中的重要特征。这些研究都从数据挖掘的角度对网络上的突发事件进行了建模分析，但事件局限性比较强，未能包括各种突发事件，而且对灾害相互引发的机理与特性并未做出讨论。