[论文解读] Infrastructure Recovery Curve Estimation Using Gaussian Process Regression on Expert Elicited Data

Quoc Dung Cao, Scott B. Miles+1 more|arXiv (Cornell University)|Aug 24, 2020

Infrastructure Resilience and Vulnerability Analysis参考文献 44被引用 17

一句话总结

本论文提出了一种高斯过程回归（GPR）框架，整合了灾害后基础设施系统专家提出的恢复时间估计，结合了不确定性量化和物理约束（如单调性、有界性）。该方法在数据收集成本与预测精度之间取得平衡，在仅需3–5名专家和4–6个恢复水平的情况下即表现出色，多个真实地震案例研究中RMSE极低（例如0.03–0.06）。

ABSTRACT

Infrastructure recovery time estimation is critical to disaster management and planning. Inspired by recent resilience planning initiatives, we consider a situation where experts are asked to estimate the time for different infrastructure systems to recover to certain functionality levels after a scenario hazard event. We propose a methodological framework to use expert-elicited data to estimate the expected recovery time curve of a particular infrastructure system. This framework uses the Gaussian process regression (GPR) to capture the experts' estimation-uncertainty and satisfy known physical constraints of recovery processes. The framework is designed to find a balance between the data collection cost of expert elicitation and the prediction accuracy of GPR. We evaluate the framework on realistically simulated expert-elicited data concerning the two case study events, the 1995 Great Hanshin-Awaji Earthquake and the 2011 Great East Japan Earthquake.

研究动机与目标

• 开发一种统计严谨的框架，用于在实证数据有限的情况下估算灾害后的基础设施恢复曲线。
• 填补韧性规划中专家判断与统计建模系统性整合的空白。
• 通过数据高效的方法，在专家判断成本与恢复曲线预测精度之间实现平衡。
• 确保预测结果符合物理约束（如单调递增、0–100%边界），并量化不确定性。

提出的方法

• 通过德尔菲法和库克方法进行专家判断，收集离散功能水平下的恢复时间估计。
• 应用高斯过程回归（GPR）从稀疏的专家估计中插值和外推完整的恢复曲线。
• 通过GPR似然函数中的异方差噪声建模，将专家估计的不确定性纳入模型。
• 通过约束型GPR施加物理约束（单调性、有界性），确保恢复轨迹的合理性。
• 采用基于性能的专家权重分配方法，利用库克方法反映专家的准确性和信息量。
• 通过在1995年神户地震和2011年东日本大地震历史恢复数据上的模拟，评估多种判断方案（专家人数、恢复水平数、间距）的效果。

实验结果

研究问题

• RQ1 专家人数如何影响基于GPR的恢复曲线估计精度？
• RQ2 为最小化预测误差，应从专家处获取多少个恢复水平及其最优间距？
• RQ3 专家估计中的不确定性如何影响GPR模型的预测性能？
• RQ4 GPR框架能否有效在恢复曲线上施加物理约束（如单调性、有界性）？
• RQ5 在不同基础设施系统中，判断成本与预测精度之间的权衡关系如何？

主要发现

• 该框架实现了低预测误差，不同基础设施系统和县市的测试RMSE在0.0340至0.0637之间。
• 随着专家人数增加，性能提升，但超过3–5名专家后边际收益递减，从1名增至3名专家时改善最为显著。
• 采用直观的非均匀间距（如10%、30%、50%）的恢复水平，其性能与等间距相当或更优，同时降低认知负荷而不损失精度。
• 模型能有效捕捉不确定性，模拟中95%的预测区间覆盖了真实的实证恢复曲线。
• 专家估计不确定性增加（从方差0.1增至0.5）导致RMSE明显上升，证实模型对专家可靠性具有敏感性。
• 即使数据有限，该方法仍保持优异性能，仅需4–6个恢复水平和5名专家即可实现可接受的预测精度。