贾楠¹, 郭旦怀², 陈永强³, 刘奕¹
1. 清华大学 工程物理系, 公共安全研究院, 北京 100084;
2. 中国科学院计算机网络信息中心, 北京 100019;
3. 北京大学 工学院, 力学与工程科学系, 北京 100871

收稿日期：2018-06-11
基金项目：国家重点研发计划项目（2017YFC0803300）；国家自然科学基金资助项目（71673158，91646101，1324022，91646201）
作者简介：贾楠(1987-), 女, 助理研究员。E-mail:jianan121@tsinghua.edu.cn


摘要：社区是公共安全治理的基本单元，社区安全研究意义重大。该文面向社区风险防范的重大需求，首先，从人、物及管理3个角度厘清社区风险的来源，剖析社区风险的特性及原因；然后，阐述社区风险防范的内涵，提出监测监控、预测预警和智能防范是社区风险防范的关键技术，在综合分析当前风险防范研究现状及发展趋势的基础上，指出大数据平台是社区风险防范的基础支撑；最后，分别从功能、结构及构建流程3个层面展开面向社区风险防范大数据平台的理论架构设计。为社区风险防范及大数据平台的基础理论研究大数据平台搭建及风险防范提供理论和技术支撑。
关键词：社区风险风险防范关键技术大数据平台理论架构设计
Theoretical architecture design of a community risk prevention big data platform
JIA Nan¹, GUO Danhuai², CHEN Yongqiang³, LIU Yi¹
1.Institute of Public Safety Research, Department of Engineering Physics, Tsinghua University, Beijing 100084, China;
2.Computer Network Information Center, Chinese Academy of Sciences, Beijing 100019, China;
3.Department of Mechanics and Engineering Science, College of Engineering, Peking University, Beijing 100871, China


Abstract: Since communities are the basic units for public safety management, community risk prevention is of great significance. Community risk prevention must first identify community risks for people, things and management. This study analyzed the characteristics and causes of community risk to identify community risk prevention methods and how to monitor, control, predict, quickly detect and prevent community risk. Current international development trends for community risk prevention are reviewed to show that big data platforms are the key technology for community risk prevention. Finally, this paper describes the function, structure and construction of a large data platform for community risk prevention. This research on community risk prevention and big data platforms provides theoretical and technical support for community safety and security.
Key words: community riskrisk preventionkey technologieslarge data platformtheoretical architecture design
社区是公共安全治理的基本单元^[1-2]。近年来，基层治理成为国家治理体系和治理能力现代化的重要基础，日益受到从中央到地方各级政府部门的重视。中共中央办公厅、国务院办公厅印发的《关于推进城市安全发展的意见》中指出，应当“加强安全社区建设”“完善城市社区安全网格化工作体系”。关于风险防范，总书记曾指出“要加强对各种风险源的调查研究，提高动态监测、实时预警能力，推进风险防控工作科学化、精细化，力争把风险化解在源头”。
近年来，社区风险事件频发，社区安全问题凸显^[3-4]，如2010年上海社区火灾事故、2011年北京和平里社区燃气爆炸事件、2018年杭州保姆社区纵火案等。社区作为承灾载体，在面对各类突发事件时呈现脆弱性。同时，社区风险因素高度汇聚、相互复杂耦合关联，使社区风险具有突发性强、动态性大、不确定程度高、人－机－物混杂的特点。“基础不牢，地动山摇”，社区风险防范是保障居民安全，实现国家稳定和谐发展的关键，因此亟需开展针对社区风险监控防范研究。
本文针对社区风险防范的重大需求，阐析了社区风险的来源，分析了社区风险的特质及产生原因，在阐述社区风险防范内涵的基础上，归纳分析社区风险防范的关键技术，即监测监控、预测预警和智能防范，并且对当前社区风险防范关键技术研究现状与发展趋势进行总结。同时，提出大数据平台是实现社区风险防范的基础支撑，并分别对大数据平台的功能、结构及构建流程进行分析，为后续平台的搭建及风险防范的实现奠定基础。
1 社区风险概述1.1 社区风险来源社区是城市的缩影，城市面临的自然灾害、事故灾难、公共卫生事件、社会安全事件的风险，社区也同样面临。同时，社区风险又有自身的独特性。概括而言，社区风险主要来源于人、物及管理3方面。
1) 来自人的风险：社区内部人员密集，且伴有社区人员居住和流动变化。社区人员构成具有年龄跨度大、职业分布广、行为模式各异、流动性强等特点。有年迈的老人和婴幼妇孕病等弱势的群体，有守法公民，也可能有潜在的危险人员甚至犯罪分子。同时，社区是一个开放的系统，人员流动频繁，既有日常生活中上班下班的常态流动人员，也有物流快递、维修排检、商业销售等活动的临时流动人员。复杂的人员构成和密集的人员流动，是社区风险的主要来源。
2) 来自物的风险：社区内部有各种设备设施持续顺利运行，是社区人员生活基础与生命安全的基本保障。社区内的设备设施种类繁多，既有水电气等长期不间断运行的系统、供暖设备等季节性运行的系统，还有电梯等间歇性运行的设备。同时，社区各类设备设施密集，运行条件各异，参数和阈值纷杂，设备设施间交互影响关联。社区人－机－物的空间交叠造成技术故障与人因故障的并存，一旦发生安全问题，往往会带来风险的叠加效应。同时，社区的各类设备设施也强烈依赖和衔接着所在城市的相应系统。例如，生命线系统可以说社区是城市生命线系统的末梢和“毛细血管”。因此，社区也极易受到来自外部的安全冲击，在城市遭受自然灾害、事故灾难、公共卫生事件、社会安全事件的威胁时，社区作为城市的末梢，承受的冲击往往更大，并且极易引发链式反应和耦合效应。复杂交叠的设备设施是社区风险的重要来源。
3) 来自管理的风险：社区风险存在“人—事—地—物—组织”多类型交织、“警务—政务—物业管理—综合治理”多业务交叠的问题。当前社区风险管理分属于警务、政务、物业管理、综合治理等多个部门机构渠道，各部门机构的业务范围、工作流程、职能属性不同，在实际工作中风险信息的沟通和共享不足是普遍存在的现象和问题。由于社区风险问题的复杂性、关联性和综合性，各部门机构“各自为政”的现状导致对综合性的社区风险防范缺乏总体和全局把控，也难以综合利用分散的数据信息进行智能分析和有效防范，陷入“盲人摸象”的困境。传统管理模式方法与组织的单一、资源与部门的孤立以及缺乏多主体协同应对机制的弊端是社区风险出现后无法及时有效应对的原因。
1.2 社区风险特性由于社区的人、事、地、物、组织要素交叠，警务、政务、物业管理、综合治理多重功能的复杂性，导致社区风险表现出多种特质，社区风险特质、表现及其原因分析参见表 1。
表 1 社区风险的特性、表现及原因

特质	表现	原因与措施
易发酵性	社区是人们参与社会生活的基本场所，居民因长期生活而建立了各种人际关系。多重的人际关系容易出现风险信息的不完整传播，形成以讹传讹的恶性循环，从而导致社区居民恐慌、焦虑、猜忌等情绪的发酵，发生争执、斗殴等事件。	风险信息的不全面、不及时和不透明是导致不完整风险信息在居民间传播发酵的原因。因此，实时的风险监测监控、及时和完善的信息发布服务平台是遏制有关风险舆论发酵的关键。
易扩散性	社区具有人员集聚，建筑及设备设施(锅炉、电梯、燃气管道等)密集的特点，且居民、建筑和设备设施是灾害的主要承灾体。因此，当灾害发生时，这些密集的承灾体催化并加剧了灾害的蔓延和扩散。如居民住宅的意外起火事件，由于火势可借助密集的灾害承载体迅速扩散蔓延，易发展为损失惨重的社区火灾事故。	未能及时发现并消除风险因素是社区事故发生的原因，应急救援及灾害控制的不及时是导致事故迅速扩散的原因。因此，对风险要素实时监测监控、预测预警和及时有效的应急救援是防止社区事故发生、抑制灾害扩散的核心技术。
内生性和外嵌性	社区作为开放的复杂系统，社区内外人流、物流、信息流交互，社区内部居民与外来人员流动频繁，极易导致社区外部风险嵌入社区内部以及社区内生风险扩散至其他社区，如治安监控重点人员、可疑分子在不同社区的流窜，是导致社区风险内生性和外嵌性的原因之一等。	社区风险防范与控制能力不足，导致社区外部风险出现时，无法及时发现并防范，以及社区内部发生风险后，难以将社区内部风险有效控制。因此，提高社区风险防范与控制能力是预防风险内生性与外嵌性的有力屏障。
理性与非理性交叠特性	风险是客观存在与主观认知的结合体。人们风险意识逐渐增强，同时，对风险的敏感性也会增加。当风险出现时，人们会不可避免地表现出过激反应，引发理性与非理性行动的交叠。例如拐卖儿童事件发生后，易引发周围居民的恐慌，并进行理性防范，同时，也不乏存在部分居民开始出现抱怨政府无能、人性冷漠等非理性的过度反应。	社区风险防范一体化的不规范和不完善是导致居民对于风险过度反应或过少认识与防范的原因。对潜在风险全周期全体系的监测监控，对可能发生风险及时主动的预测预警、对外来风险的有效防范是避免导致居民非理性风险应对的基础。

表选项






2 社区风险防范2.1 社区风险防范关键技术社区风险防范是基于社区内致灾因子的危险性和承灾体的脆弱性，对社区内人员、建筑及设备设施进行全要素、全周期的监测监控；对可能发生的灾害的时间、空间和强度进行全面评估、预测及预警；综合利用物联网感知、社区大数据、云计算等各种先进技术手段做出积极的风险防控反应，主动减灾防灾，降低风险发生的可能性或减缓灾害风险事件所造成的人员伤亡及物质损失的一系列活动。
通过社区风险防范内涵分析，并综合表 1中社区风险特性、原因及对策的分析，提出社区风险防范关键技术，即社区风险的监测监控、预测预警和智能防范，它们是社区安全保障的重要支撑，是保障并实现社区安全的关键，如图 1所示。

图 1 社区风险防范关键技术

图选项

1) 监测监控。
社区风险灾害呈现易发酵性和易扩散性，因此，需要从源头进行风险因素的全周期、全系统的监测监控，预防风险要素演化为灾害事故。
社区风险的监测监控的主要对象是人、机、物，以及人、机、物所涉及和构成的事件、时空范围、组织机构等，可以通过高精度定位与多模态生物特征融合分析一体化的社区人员定位与身份识别，以及社区设备设施运行监控动态防控技术实现社区风险的全要素监测和全周期风险防控。
2) 预测预警。
社区灾害的演化过程具有高度动态性和不确定性，因此对风险发展进行计算、分析和预测，为社区安全管理和应急救援提供指导，是社区风险防范的必要关键。
预测预警面向社区风险影响因素多且交互性强，存在数据集成共享和风险量化分析预测困难的问题，可以综合应用大数据和云计算技术，通过复杂海量情景的大规模快速数值计算和仿真，实现社区风险智能预测预警。
3) 智能防范。
社区应急管理具有人、事、地、物、组织复杂交错，社区风险管理机构多头并存且协同不足的弊端。因此，基于物联网、大数据、云计算等新型信息技术的智能风险防控反应是社区风险防范的保障。
智能防范指的是通过构建警务、政务、物业管理、综合治理一体化的社区风险智能防范平台，实现业务－任务－数据－模型－服务全流程集成管理与跨领域协同运行，推动统一、规范、多级联动的一体化信息共享，构建社区风险信息全方位、立体化的“一张网”，形成促进社区风险综合监测、联动预警和协同处置的“一盘棋”，提升社区风险监测和防范水平与应对能力。
2.2 社区风险防范研究现状及发展趋势1) 监测监控。
在社区风险监测监控方面，近年来，人员定位^[5]、身份识别^[6]、无线传感网^[7]等技术迅猛发展，在社区风险监测监控方面得到了快速推广应用。以卫星导航定位、惯性导航和以UWB(ultra wideband)、ZigBee和Wifi为代表的定位技术，可以提供较高精度的人员定位^[8-9]，包括中国、美国、英国、澳大利亚在内的多个国家都高度重视并大力发展该技术，但目前仍缺乏室内外一体化的定位技术解决方案。基于单一生物特征的身份识别技术在开放、非配合式场景下存在应用困境，多种生物特征融合验证已成为国际发展趋势，包括Facebook在内的多个国际公司已开发了相应的技术和设备。在工业4.0智能制造推动下，物联网架构下的工业传感网蓬勃发展，DCS(distributed control system)工控总线和PLC(programmable logic controller)网络通信技术不断发展，对接“互联网+”应用模式，推动了云端社区重大基础设施的状态监测与预警管理^[10]。例如，中国北京邮电大学研发的定位技术利用通信基站发送通导一体化信号，实现了室内外统一技术框架下的定位技术；公安部第三研究所建立的基于深度学习的实战人像比对引擎和指纹特征比对引擎，为公安系统及政务应用提供了全国范围的生物特征融合验证与身份识别服务。
总体上，在监测监控方面，针对社区人、机、物、地、事、组织的各类监测监控技术高速发展，室内和室外定位技术已达到米级精度，但仍缺乏室内外一体化无缝衔接的高精度定位技术解决方案；基于单一生物特征的身份识别技术在开放、非配合式场景下存在应用困境，多种生物特征融合验证已成为国际发展趋势；物联网与智能技术蓬勃发展，基于智能物联和平台集成化的运行监控成为未来趋势。但社区风险监测监控还处于人、机、物分隔的现状，缺乏一体化的监测监控技术与系统装备。
2) 预测预警。
在社区风险预测预警方面，随着社区问题的多样性与复杂化，大数据和云计算技术日趋成为社区风险预测预警的重要手段，数据-计算混合驱动的方法和技术成为未来发展趋势。近年来，国际上，大数据和云计算研究方兴未艾。Google、IBM和微软等均开展了基于大数据分析的预测预警技术研究^[11-12]，美国国家航空航天局(National Aeronautics and Space Administration, NASA)等也开展了基于数据同化的计算和预测方法研究。国内清华大学公共安全研究院在公共安全大数据分析、预测预警与智能研判等方面做了相关研究，并承担了国家应急体系的决策支持研究；中科院网络中心在大数据融合和超大规模数据密集型计算等方面做出突出贡献^[13]。北京大学在建筑及设备设施的大规模快速计算方面进行了大量研究。
总体上，风险分析和预测预警技术正在从定性化向定量化发展，从低不确定性应用场景向高不确定性应用场景发展，数据与计算交互集成分析的方法将成为未来趋势，但相关研究在国内外仍鲜有报道。
3) 智能防范。
在社区风险智能防范技术方面，智能感知与现代化管理平台的融合创新成为趋势^[14]，包括物联网架构下对社区人员、重大基础设施的泛在感知和无碍互联，创新社区治理理念的信息化实现。国内外在智能感知研究方面差异不大，在社区治理模式方面的研究则国内更为领先。例如，中国建筑科学研究院基于BIM系统和增强现实技术的智能建筑、社区防灾减灾领域的研究，为社区智能防范提供了值得借鉴的成果；北科维拓科技有限公司研发了综合网格管理模式和业务系统，为创新社区治理和智能安防提供了平台应用；北京城市系统工程研究中心对社区风险智能防范、网格化管理体制机制进行了探索性研究。
总体上，国内外在智能感知方面已有较多成果，但网格化和平台化的社区风险智能防范研究仍远不能满足实际需求，一体化社区智能防范技术成为未来发展趋势。
2.3 社区风险防范基础支撑——大数据平台大数据平台是社区风险防控关键技术实施的基础技术支撑。
从监测监控角度出发，社区风险数据来源广泛，既有专有的面向社区风险采集的数据，又有来源众多的社会大数据；人、事、地、物、组织数据类型多样，既有较为稳定的基础地理信息、又有变化频繁的设备状态数据；既有传统的传感器状态监控数据，又有快速增长的视频数据；格式各异，数据类型多样，包含音频、视频、图像、建筑室内外模型等等；警务、政务、物业管理、综合治理多领域交叉。大数据平台是社区风险监测监控数据综合集成汇聚的基础平台^[15-16]。
从预测预警角度出发，社区风险预测预警技术需要以已有的历史数据、实时的监测数据为支撑。各类社区风险基础数据的集成汇聚是开展风险分析的首要前提，通过大规模计算和情景预测分析^[17]，实现社区风险的量化预测。同时，预测分析生成的情景预测分析数据，又反馈进大数据平台。因此，面向社区风险的大数据平台既为社区风险预测预警提供计算数据基础，又为预测分析数据提供存储平台。
从智能防范角度出发，智能防范是通过对社区业务、任务、数据、模型、服务进行全周期集成和跨域协同运行管理，实现社区风险信息全方位、一体化信息共享，这必然离不开大数据平台的数据融合、管理、共享及服务功能，大数据平台是社区风险智能防范实现的必要支撑平台。
基于此，大数据平台与风险防范关键技术数据交互关系如图 2所示。

图 2 大数据平台与风险防范关键技术数据交互关系

图选项

通过图 2可以发现，以大数据平台为中心，构成了社区风险防范关键技术的数据交互网。通过构建大数据平台，可为社区风险防范的实现提供基础支撑。
3 大数据平台架构设计3.1 功能分析基于社区风险数据的多源异构复杂特性，面向社区风险防范的大数据平台需要实现多源异构风险数据的采集汇聚、融合分析和集成共享的功能。通过构建面向社区风险防范的大数据平台，解决社区风险数据尺度不一、隐性关联、结构差异巨大、时空属性不一致、管理机构交错、集成共享困难等问题，将包含的静态数据、动态数据、历史数据、实时数据和未来预测数据采用统一时空坐标系进行管理和融合分析，为社区风险监测监控、预测预警和智能防范提供强有力支撑。
3.2 结构设计面向社区风险防控的大数据平台，从4个层次进行结构设计，图 3为社区风险大数据平台设计框架。

图 3 社区风险防范大数据平台结构图

图选项

第一，数据的采集汇聚存储。数据的汇聚存储需根据数据的应用需求进行分类管理，并支持快速检索和调用。例如在商业数据平台中，会将商品按照价格、功能等进行分类管理。但对于社区风险防范的需求而言，由于社区面临的风险因素众多，并且存在彼此之间的交互与耦合关系，因此，社区风险大数据平台必须建立在对社区风险深入理解和认识的基础之上。针对社区风险大数据，采用数据立方体^[18]的方式对社区风险数据进行汇聚管理，考虑不同数据与社区风险的相关性，实现有机、高效的数据汇聚管理。
第二，从语义角度对数据进行汇聚管理。采用本体的方式，建立不同数据间的语义关系、逻辑关系、因果关系等，实现不同数据的语义互操作^[19-21]。能够实现根据风险监测和防范的具体需求，实现提纲挈领、纲举目张式的数据检索和调用。
第三，面向应用的数据融合。数据汇集是基础，多源异构数据的融合是风险统一分析的必要条件。采用统一时空坐标的方式，把不同来源的数据、不同时间、空间的数据进行整合，以视频为例，把摄像头采集到的视频、摄像头的位置、以及摄像头采集到图像的时空信息结合分析，同时再与该时空条件下的社区其他相关与周边信息进行融合分析，这样能够更加准确地查询和获取到该区域的全部的信息，以及与此有关的社区其他相关信息，从而支持更全面和更准确的分析。
第四，目标导向的数据服务。社区存在警务、政务、物业、综治等多个管理服务机构及系统，不同机构和系统之间在数据需求和应用上既有分隔也有重叠。在社区风险大数据平台中，充分考虑社区的特点，实现统一访问接口、面向应用的个性化服务和基于云的集成式数据服务，支持社区风险防范的跨域集成、深度共享和多主体协作。
3.3 构建流程基于社区风险大数据平台结构设计，提出社区风险防范大数据平台构建流程(见图 4)。采用面向社区风险监测的高时空分辨率社区空间数据快速采集技术，进行社区建筑和基础设施数据的快速采集汇聚与三维建模；基于社区治安实体数据，通过不同属性、对象信息的标签分类与统一表示方法，建立面向社区风险防范的全维度数据关联关系；基于社区人、事、地、物、组织联系结构，绘制社区风险防范知识图谱并建立本体模型，进行基于统一时空坐标的社区风险多源异构数据的融合分析；在此基础上，实现具有统一数据接口的社区风险监测与防范大数据集成、共享、分发、服务平台。

图 4 社区风险防范大数据平台构建流程

图选项

4 结论针对社区风险防范的重大需求，分别从人、物及管理的角度，详细阐明了社区可能面临的风险，总结了社区风险特质、原因与措施。进一步对社区风险防范的内涵进行了阐述，提出监测监控、预测预警和智能防范是社区风险防范的重要保障和关键技术。在分析当前监测监控、预测预警和智能防范的研究现状、发展趋势与技术需求的基础上，通过分析社区风险防范关键技术与大数据平台之间的数据交互关系，提出大数据平台是社区风险防范关键技术实施的基础支撑。最后分别对面向社区风险防范的大数据平台的功能、结构设计及构建流程进行理论架构设计。
社区风险数据的采集汇聚、融合分析与集成共享是社区风险防范大数据平台的功能需求。针对社区风险数据的多源异构特性，依据大数据平台的理论架构设计，下一步需要开展社区风险数据知识图谱绘制与大数据本体建模，以及统一时空演化的社区多源异构高维高扩展性数据采集汇聚与融合分析的研究。

参考文献

[1]	WEBSTER C J, GLASZE G, FRANTZ K. The global spread of gated communities[J]. Environment and Planning B:Planning and Design, 2002, 29(3): 315-320. DOI:10.1068/b12926
[2]	BLANDY S. Fear of crime and of anti-social behaviour and their relation to the spread of residential gated communities in England[J]. Deviance et Societe, 2009, 33(4): 557-572.
[3]	PATTERSON E B. Poverty, income inequality, and community crime rates[J]. Criminology, 1991, 29(4): 755-776. DOI:10.1111/crim.1991.29.issue-4
[4]	PITTS J. Crime Prevention and community safety:New directions[J]. Safer Communities, 2012, 1(2): 46-48.
[5]	WANG Y. The Development of wireless personnel positioning in Internet of Things based on ZigBee and sensors[J]. International Journal of Digital Content Technology and Its Applications, 2012, 6(12): 47-54. DOI:10.4156/jdcta
[6]	BOUCHRIKA I, Carter J N, Nixon M S. Towards automated visual surveillance using gait for identity recognition and tracking across multiple non-intersecting cameras[J]. Multimedia Tools and Applications, 2016, 75(2): 1201-1221. DOI:10.1007/s11042-014-2364-9
[7]	MAO G Q, FIDAN B, Anderson B D O. Wireless sensor network localization techniques[J]. Computer Networks, 2007, 51(10): 2529-2553. DOI:10.1016/j.comnet.2006.11.018
[8]	BATISTA N C, MELICIO R, MATIAS J C O, et al. Photovoltaic and wind energy systems monitoring and building/home energy management using ZigBee devices within a smart grid[J]. Energy, 2013, 49: 306-315. DOI:10.1016/j.energy.2012.11.002
[9]	KOVALENKO V, YAROVOY A, LIGTHART L P. Waveform based detection of anti-personnel mines with an UWB radar[C]//Proceedings of 2005 IEEE International Conference on Ultra-Wideband. Zurich, Switzerland: IEEE, 2005: 644-649.
[10]	JOHANSEN I. Scenario modelling with morphological analysis[J]. Technological Forecasting and Social Change, 2018, 126: 116-125. DOI:10.1016/j.techfore.2017.05.016
[11]	JUN S P, YOO H S, CHOI S. Ten years of research change using Google Trends:From the perspective of big data utilizations and applications[J]. Technological Forecasting and Social Change, 2018, 130: 69-87. DOI:10.1016/j.techfore.2017.11.009
[12]	GUPTA R, GUPTA H, MOHANNIA M. Cloud computing and big data analytics: What is new from databases perspective?[M]//SRINIVASA S, BHATNAGAR V. Big Data Analytics. Berlin Heidelberg: Springer, 2012.
[13]	GUO D H, Du Y. A visualization platform for spatio-temporal data: A data intensive computation framework[C]//Proceedings of 201523rd International Conference on Geoinformatics. Wuhan, China: IEEE, 2016: 1-6.
[14]	ZHANG F, ZHOU Z, XU W J, et al. Cloud manufacturing resource service platform based on intelligent perception network using fiber optic sensing[J]. International Journal on Advances in Information Sciences and Service Sciences, 2012, 4(23): 366-372. DOI:10.4156/aiss
[15]	ALEXANDROV A, BERGMANN R, EWEN S, et al. The stratosphere platform for big data analytics[J]. The Vldb Journal, 2014, 23(6): 939-964. DOI:10.1007/s00778-014-0357-y
[16]	GULISANO V, JIMENEZ P R, PATI?O-MARTINEZ M, et al. A big data platform for large scale event processing[J]. ERCIM News, 2012(89): 2.
[17]	COMES T, WIJNGAARDS N, VAN DE WALLE B. Exploring the future:Runtime scenario selection for complex and time-bound decisions[J]. Technological Forecasting and Social Change, 2015, 97: 29-46. DOI:10.1016/j.techfore.2014.03.009
[18]	LEWIS A, OLIVER S, LVMBURNER L, et al. The Australian geoscience data cube-Foundations and lessons learned[J]. Remote Sensing of Environment, 2017, 202: 276-292. DOI:10.1016/j.rse.2017.03.015
[19]	PHAN N, DOU D J, WANG H, et al. Ontology-based deep learning for human behavior prediction with explanations in health social networks[J]. Information Sciences, 2017, 384: 298-313. DOI:10.1016/j.ins.2016.08.038
[20]	RIZZOLI A E, DONATELLI M, ATHANASIADIS I N, et al. Semantic links in integrated modelling frameworks[J]. Mathematics and Computers in Simulation, 2008, 78(2-3): 412-423. DOI:10.1016/j.matcom.2008.01.017
[21]	IVER B, SHANKARANARAYANAN G, LENARD M L. Model management decision environment:A Web service prototype for spreadsheet models[J]. Decision Support Systems, 2005, 40(2): 283-304. DOI:10.1016/j.dss.2004.01.008