長(zhǎng)期以來(lái)，瓦斯?jié)舛瘸奘菍?dǎo)致煤礦發(fā)生爆炸和其他突出事故的主要原因。作為全球最大的煤炭生產(chǎn)國(guó)，中國(guó)一直以來(lái)都十分重視煤礦安全。數(shù)據(jù)顯示，中國(guó)煤礦瓦斯事故已從 2005 年的 414 起（死亡 2171 人）降至 2021 年的 7 起（死亡 30 人），但為了實(shí)現(xiàn)零事故零死亡，安全預(yù)警系統(tǒng)仍需進(jìn)一步完善。雖然大多數(shù)煤礦已部署瓦斯監(jiān)測(cè)系統(tǒng)，但這些系統(tǒng)主要關(guān)注實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)是否超過(guò)閾值限制值（TLV, Threshold Limit Value），缺乏對(duì)多種監(jiān)測(cè)數(shù)據(jù)間潛在關(guān)聯(lián)的挖掘和分析。

為了解決這一問(wèn)題，一個(gè)由澳大利亞悉尼科技大學(xué) (University of Technology Sydney) 羅伯特·吳博士（Dr.Robert M.X. Wu）和 魯海燕教授 (Associate Professor Haiyan(Helen) Lu) 領(lǐng)導(dǎo)的跨國(guó)研究團(tuán)隊(duì)歷經(jīng)數(shù)年攻關(guān)，成功在數(shù)據(jù)分析、可視化及預(yù)警系統(tǒng)領(lǐng)域取得了一系列重大突破。針對(duì)煤礦瓦斯防治的實(shí)際需求，他們開發(fā)了包括“氣泡壁圖”可視化工具、“三聯(lián)相關(guān)分析”理論框架以及一套完整的瓦斯預(yù)警系統(tǒng)，為煤礦安全生產(chǎn)提供了一套新的解決方案。

圖丨 Robert M.X. Wu（來(lái)源：University of Technology Sydney）

圖丨 Hai Yan（Hellen）Lu（來(lái)源：University of Technology Sy）

這一系列研究源自 2017 年某世界 500 強(qiáng)企業(yè)委托的重大技術(shù)攻關(guān)項(xiàng)目——礦井瓦斯防治大數(shù)據(jù)預(yù)警及可視化交互系統(tǒng)。該項(xiàng)目旨在解決礦井瓦斯防治面臨的三大關(guān)鍵挑戰(zhàn)：缺乏高質(zhì)量的歷史數(shù)據(jù)（特別是瓦斯超限數(shù)據(jù)）、基于機(jī)器學(xué)習(xí)的預(yù)測(cè)結(jié)果難以準(zhǔn)確解釋、以及提高模型效率所需的高昂硬件成本。

面對(duì)這些挑戰(zhàn)，該課題組并未局限于對(duì)現(xiàn)有機(jī)器學(xué)習(xí)算法進(jìn)行修補(bǔ)或優(yōu)化，而是從更基礎(chǔ)的層面出發(fā)，探索出了一系列理論思路、可視化工具和系統(tǒng)性方法論。

數(shù)據(jù)重塑：氣泡壁圖與三聯(lián)相關(guān)理論

首先是數(shù)據(jù)可視化方面的創(chuàng)新。在實(shí)時(shí)監(jiān)控預(yù)警系統(tǒng)中，如何將復(fù)雜、動(dòng)態(tài)、多維度的數(shù)據(jù)以直觀、易懂的方式呈現(xiàn)給操作人員和決策者，是至關(guān)重要的環(huán)節(jié)。傳統(tǒng)的可視化方法，如折線圖（Line Charts）、平行坐標(biāo)圖（Parallel Coordinates Plot）、散點(diǎn)圖（Scatter Plots）、樹狀圖（TreeMap）等，雖然各有優(yōu)勢(shì)，但在處理實(shí)時(shí)流數(shù)據(jù)、尤其是需要同時(shí)展現(xiàn)多個(gè)系統(tǒng)、多個(gè)維度信息的動(dòng)態(tài)變化時(shí)，往往顯得力不從心。針對(duì)這一痛點(diǎn)，研究團(tuán)隊(duì)在 2021 年澳大利亞信息系統(tǒng)會(huì)議（ACIS，Australasian Conference on Information Systems）上首次提出了一種名為“氣泡壁圖”（Bubble-Wall Plot）的新型數(shù)據(jù)可視化工具。

近日，這項(xiàng)成果的擴(kuò)展研究也于 2025 年 7 月 1 日發(fā)表在PLoS ONE(h-index 467 SJR Q1 期刊，)。第一作者和通訊作者為羅伯特·吳博士（Dr.Robert M.X. Wu），魯海燕教授 (Associate Professor Haiyan(Helen) Lu 為合作作者之一，第一作者和通訊作者單位是澳大利亞悉尼科技大學(xué)工程與計(jì)算機(jī)技術(shù)學(xué)院。相關(guān)論文題目為《氣泡壁圖作為一種動(dòng)態(tài)分析處理可視化工具，用于開發(fā)視覺(jué)預(yù)警系統(tǒng)：一個(gè)案例研究》（Bubble-Wall Plot as a Dynamic Analytical Processing Visualization tool for developing Visual Warning Systems: a case study）。

（來(lái)源：資料圖）

（來(lái)源：資料圖）

“氣泡壁圖”（Bubble-Wall Plot）采用單一維度設(shè)計(jì)理念，包含一個(gè)氣泡和兩條水平線的極簡(jiǎn)結(jié)構(gòu)。在這一設(shè)計(jì)中，氣泡代表狀態(tài)，上線表示上限值（ULV, Upper Limit Value），下線表示下限值（LLV, Lower Limit Value），實(shí)時(shí)值在這兩條線之間變動(dòng)。當(dāng)實(shí)時(shí)值超過(guò)上限值或低于下限值時(shí)，氣泡顏色會(huì)從藍(lán)色變?yōu)辄S色，直觀地表示異常狀態(tài)。

圖丨氣泡壁圖的圖示（來(lái)源：ACIS 2021 Proceedings）

氣泡壁圖基于 Bertin 的制圖符號(hào)化原理，遵循“保持最簡(jiǎn)策略”（KISS, Keep It Simple Strategy）和“保持最小策略”（Keep It the Smallest Strategy），實(shí)現(xiàn)了復(fù)雜數(shù)據(jù)的簡(jiǎn)化表達(dá)。該課題組通過(guò)對(duì) 25 種可視化方法的分析，發(fā)現(xiàn)氣泡壁圖在異常識(shí)別方面具有顯著優(yōu)勢(shì)。與傳統(tǒng)可視化方法相比，氣泡壁圖具有三個(gè)關(guān)鍵特性：符號(hào)簡(jiǎn)單性（相比散點(diǎn)圖和折線圖更簡(jiǎn)潔）、維度簡(jiǎn)化（僅使用一個(gè)維度而非多維）和異常直觀性（通過(guò)顏色變化立即識(shí)別異常）。

審稿人評(píng)價(jià)稱：“它的主要優(yōu)勢(shì)之一是它專注于實(shí)時(shí)流數(shù)據(jù)而不是靜態(tài)數(shù)據(jù)，使其非常適合實(shí)時(shí)監(jiān)控場(chǎng)景。此外，該工具設(shè)計(jì)為用戶友好型，允許技能水平較低和經(jīng)驗(yàn)不足的用戶無(wú)需大量培訓(xùn)即可輕松解釋復(fù)雜數(shù)據(jù)?！痹摴ぞ哂?2021 年 5 月在案例研究礦部署用戶驗(yàn)收測(cè)試，并被成功應(yīng)用于實(shí)時(shí)預(yù)警系統(tǒng)開發(fā)。

在建立了高效直觀的可視化工具后，研究人員接著深入探究了預(yù)警信號(hào)產(chǎn)生的根本依據(jù)。他們質(zhì)疑了傳統(tǒng)預(yù)警過(guò)度依賴外部地質(zhì)因素分析或僅僅追求復(fù)雜模型預(yù)測(cè)精度的做法，轉(zhuǎn)而提出一種新的理論思路——“閉環(huán)系統(tǒng)下非相關(guān)因素的內(nèi)隱關(guān)聯(lián)要素相關(guān)性”（Implicit Correlation of Unrelated Factors in a Closed-Loop System）。他們認(rèn)為，在一個(gè)相對(duì)封閉的監(jiān)測(cè)系統(tǒng)內(nèi)部，各監(jiān)測(cè)參數(shù)的變化即使沒(méi)有直接的物理或化學(xué)聯(lián)系，也可能因共同受到系統(tǒng)整體運(yùn)行狀態(tài)的影響而呈現(xiàn)出有價(jià)值的統(tǒng)計(jì)相關(guān)性。

基于這一“向內(nèi)求索”的思路，該團(tuán)隊(duì)在開發(fā)“創(chuàng)新綜合瓦斯預(yù)警系統(tǒng)”的過(guò)程中，并沒(méi)有將重心完全放在應(yīng)用復(fù)雜的機(jī)器學(xué)習(xí)模型來(lái)直接預(yù)測(cè)瓦斯?jié)舛龋遣捎昧讼嚓P(guān)性研究的方法，深入挖掘瓦斯監(jiān)測(cè)系統(tǒng)內(nèi)部各監(jiān)測(cè)參數(shù)之間的潛在關(guān)系。具體而言，他們著重分析了三種類型的相關(guān)性，構(gòu)成了所謂的“三聯(lián)相關(guān)分析”理論框架。

這三種相關(guān)性分別是：不同監(jiān)測(cè)點(diǎn)或時(shí)間點(diǎn)的瓦斯?jié)舛戎g的“瓦斯與瓦斯”（Gas and Gas）相關(guān)性，這有助于理解瓦斯在礦井環(huán)境中的擴(kuò)散規(guī)律；瓦斯?jié)舛扰c相應(yīng)監(jiān)測(cè)點(diǎn)溫度之間的“瓦斯與溫度”（Gas and Temperature）相關(guān)性，揭示了溫度變化可能對(duì)瓦斯逸出或相關(guān)化學(xué)反應(yīng)的影響；以及瓦斯?jié)舛扰c相應(yīng)測(cè)點(diǎn)風(fēng)速或風(fēng)量之間的“瓦斯與風(fēng)速”（Gas and Wind）相關(guān)性，反映了通風(fēng)條件對(duì)瓦斯稀釋的關(guān)鍵作用。

圖丨三重相關(guān)分析理論框架（來(lái)源：Scientific Reports）

這些相關(guān)性分析結(jié)果為預(yù)警系統(tǒng)提供了重要的理論基礎(chǔ)，實(shí)現(xiàn)了從單一因素監(jiān)測(cè)向多因素關(guān)聯(lián)預(yù)警的轉(zhuǎn)變。實(shí)際應(yīng)用表明，該框架能夠在危險(xiǎn)濃度達(dá)到閾值前 10-15 分鐘識(shí)別潛在風(fēng)險(xiǎn)，大大提高了預(yù)警時(shí)間窗口。

為驗(yàn)證三聯(lián)相關(guān)分析理論框架的可靠性，團(tuán)隊(duì)開發(fā)了“FSV 分析方法”（First-round-Second-round-Verification round analysis approach，首輪-次輪-驗(yàn)證輪分析方法）。這一方法包含五個(gè)嚴(yán)格的技術(shù)步驟：數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、兩輪數(shù)據(jù)分析、驗(yàn)證分析以及相關(guān)性分析。

在數(shù)據(jù)獲取階段，研究人員從案例研究礦采集數(shù)據(jù)，包括瓦斯、溫度、風(fēng)速和粉塵傳感器數(shù)據(jù)，采樣間隔為 15 秒。數(shù)據(jù)預(yù)處理階段包括消除極端值、去除異常值和數(shù)據(jù)標(biāo)準(zhǔn)化。研究采用箱線圖（Box-plot）技術(shù)識(shí)別異常值，并使用 Z 分?jǐn)?shù)歸一化方法進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，將原始數(shù)據(jù)轉(zhuǎn)換為基于數(shù)據(jù)集平均值和標(biāo)準(zhǔn)差的標(biāo)準(zhǔn)分?jǐn)?shù)。

兩輪數(shù)據(jù)分析分別使用不同時(shí)間段的數(shù)據(jù)集進(jìn)行獨(dú)立分析。第一輪使用 2022 年 2 月 5 日的數(shù)據(jù)，第二輪使用 2022 年 2 月 6 日的數(shù)據(jù)，每組數(shù)據(jù)包含每個(gè)傳感器 5760 個(gè)數(shù)據(jù)點(diǎn)。驗(yàn)證分析階段比較兩輪分析結(jié)果，確認(rèn)穩(wěn)定存在的相關(guān)性。具體技術(shù)措施包括克朗巴赫系數(shù)α檢驗(yàn)（值大于 0.6 視為可接受）、KMO 測(cè)度（Kaiser-Meyer-Olkin Measure，值大于 0.5 視為可接受）和巴特利特球形度檢驗(yàn)（Bartlett's Test of Sphericity，p < 0.001）等。

研究結(jié)果顯示，F(xiàn)SV 方法成功驗(yàn)證了四組瓦斯與瓦斯間相關(guān)性，三組瓦斯與溫度間相關(guān)性、以及三組瓦斯與風(fēng)速間相關(guān)性。

（來(lái)源：Scientific Reports）

此外，團(tuán)隊(duì)進(jìn)行了四項(xiàng)額外實(shí)驗(yàn)，在不同工作面（1217 號(hào)和 3209 號(hào)）和不同季節(jié)（夏季和冬季）驗(yàn)證了相關(guān)性模式的穩(wěn)定性，進(jìn)一步證實(shí)了該框架的穩(wěn)健性。

算法優(yōu)化與用戶需求驅(qū)動(dòng)

在建立并驗(yàn)證了三聯(lián)相關(guān)分析理論框架的基礎(chǔ)上，研究團(tuán)隊(duì)面臨的下一個(gè)關(guān)鍵問(wèn)題是：如何選擇最適合實(shí)現(xiàn)這一框架的機(jī)器學(xué)習(xí)算法，以實(shí)現(xiàn)精準(zhǔn)的短期預(yù)測(cè)？為解決這一問(wèn)題，該課題組對(duì)十種廣泛使用的機(jī)器學(xué)習(xí)算法進(jìn)行了系統(tǒng)比較，以確定在瓦斯預(yù)警系統(tǒng)中的最佳算法選擇。

這一研究使用 28,697 個(gè)數(shù)據(jù)集，按 60%:40% 的比例分為訓(xùn)練集和測(cè)試集。評(píng)估采用了四項(xiàng)預(yù)測(cè)誤差指標(biāo)：平均絕對(duì)誤差、均方誤差、均方根誤差和絕對(duì)誤差和。這些指標(biāo)分別從不同角度評(píng)估算法的預(yù)測(cè)準(zhǔn)確性，比如平均絕對(duì)誤差衡量預(yù)測(cè)值與實(shí)際值之間的平均絕對(duì)差異，均方根誤差則對(duì)較大誤差給予更高的權(quán)重，有助于識(shí)別顯著偏差。

圖丨研究流程圖（來(lái)源：Scientific Reports）

研究結(jié)果顯示，自回歸積分移動(dòng)平均模型（ARIMA，Autoregressive Integrated Moving Average）和線性回歸（LR，Linear Regression）在測(cè)試數(shù)據(jù)集中具有最低誤差指標(biāo)，隨機(jī)森林（RF，Random Forest）和支持向量機(jī)（SVM，Support Vector Machine）雖表現(xiàn)優(yōu)異，但誤差稍高。在計(jì)算時(shí)間方面，K 近鄰算法（KNN，K-Nearest Neighbor）表現(xiàn)最佳，其次是 RF、LR 和 SVM。長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM，Long Short-Term Memory）計(jì)算時(shí)間最長(zhǎng)，顯著高于其他算法。

基于綜合性能評(píng)估，研究人員提出了“2D 空間四象限圖”作為評(píng)估可視化工具，將算法映射到四個(gè)象限：第一象限（最優(yōu)）包括 LR、RF 和 SVM，預(yù)測(cè)誤差低且計(jì)算效率高；第二象限（高效）包括 ARIMA，預(yù)測(cè)誤差低但計(jì)算效率較低；第三象限（次優(yōu)）包括基于自組織圖的反向傳播神經(jīng)網(wǎng)絡(luò)（BP-SOG，Back-Propagation with Self-Organizing Graph）、KNN 和 Perceptron（感知器），預(yù)測(cè)誤差高但計(jì)算效率高；第四象限（低效）包括循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN，Recurrent Neural Networks）、彈性反向傳播神經(jīng)網(wǎng)絡(luò)（BP_Resilient，Resilient Back-Propagation）和 LSTM，預(yù)測(cè)誤差高且計(jì)算效率低。這一評(píng)估方法為不同應(yīng)用場(chǎng)景下的算法選擇提供了清晰指導(dǎo)，實(shí)現(xiàn)了預(yù)測(cè)性能和計(jì)算效率的平衡優(yōu)化。

（來(lái)源：Scientific Reports）

算法優(yōu)化選擇的結(jié)果直接影響了預(yù)警系統(tǒng)的實(shí)際性能，確保了系統(tǒng)能夠在有限的硬件資源下實(shí)現(xiàn)高效精確的預(yù)測(cè)。這種基于實(shí)證的算法選擇方法，與前述的三聯(lián)相關(guān)分析理論框架和 FSV 驗(yàn)證方法相結(jié)合，構(gòu)成了預(yù)警系統(tǒng)的核心技術(shù)支撐。

為確保系統(tǒng)開發(fā)過(guò)程中充分考慮用戶需求，團(tuán)隊(duì)創(chuàng)新性地采用了“多重焦點(diǎn)小組”研究方法。該方法在五個(gè)階段進(jìn)行了 11 次焦點(diǎn)小組會(huì)議，涉及 73 名參與者，包括 35 名領(lǐng)域?qū)＜摇?6 名行業(yè)專家、10 名研究學(xué)者和 12 名系統(tǒng)開發(fā)人員。

研究方法實(shí)施的具體步驟包括識(shí)別需求階段、項(xiàng)目規(guī)劃階段、發(fā)現(xiàn)項(xiàng)目需求階段、系統(tǒng)開發(fā)階段和測(cè)試與集成階段。每個(gè)階段都有特定的焦點(diǎn)小組會(huì)議和參與人員配置。通過(guò)這一系統(tǒng)化的過(guò)程，研究團(tuán)隊(duì)識(shí)別了 28 個(gè)關(guān)鍵問(wèn)題和建議，分為四個(gè)類別：數(shù)據(jù)獲取（DA1-DA6）、數(shù)據(jù)隔離（DI1-DI8）、報(bào)警和早期預(yù)警（AEW1-AEW8）和系統(tǒng)界面設(shè)計(jì)（SID1-SID6）。

基于這些問(wèn)題，該團(tuán)隊(duì)開發(fā)了七個(gè)解決方案：數(shù)據(jù)倉(cāng)庫(kù)管理系統(tǒng)整合八種煤礦監(jiān)測(cè)系統(tǒng)的數(shù)據(jù)庫(kù)；數(shù)據(jù)預(yù)處理模塊消除異常數(shù)據(jù)和極端值；數(shù)據(jù)分析系統(tǒng)檢測(cè)傳感器變化的可靠性和有效性；相關(guān)性分析系統(tǒng)探索瓦斯、溫度和風(fēng)速之間的隱藏模式；激活決策規(guī)則系統(tǒng)集成預(yù)警子系統(tǒng)；界面視圖子系統(tǒng)實(shí)現(xiàn)數(shù)據(jù)可視化；緊急警報(bào)移動(dòng)預(yù)警系統(tǒng)發(fā)送移動(dòng)文本消息。

圖丨演示所提議系統(tǒng)的三層架構(gòu)（來(lái)源：PLoS ONE）

最終，團(tuán)隊(duì)構(gòu)建了一個(gè)三層架構(gòu)系統(tǒng)：數(shù)據(jù)訪問(wèn)層整合八種煤礦監(jiān)測(cè)系統(tǒng)；領(lǐng)域?qū)影ㄌ崛∠到y(tǒng)、數(shù)據(jù)倉(cāng)庫(kù)、異常值消除、可靠性分析、相關(guān)性分析和激活決策規(guī)則；視圖層包括報(bào)警、預(yù)警和監(jiān)測(cè)三個(gè)子系統(tǒng)。該架構(gòu)設(shè)計(jì)通過(guò)統(tǒng)一建模語(yǔ)言（UML, Unified Modeling Language）進(jìn)行了系統(tǒng)化表示。

系統(tǒng)實(shí)現(xiàn)與未來(lái)展望

基于上述理論創(chuàng)新和方法論突破，研究團(tuán)隊(duì)開發(fā)并實(shí)施了一個(gè)創(chuàng)新的綜合瓦斯預(yù)警系統(tǒng)。該系統(tǒng)采用三層架構(gòu)，整合了三聯(lián)相關(guān)分析框架和三個(gè)激活決策規(guī)則：第一，如果數(shù)據(jù)輸出超過(guò)閾值限制值，報(bào)警系統(tǒng)將立即提醒安全響應(yīng)團(tuán)隊(duì)；第二，如果實(shí)時(shí)相關(guān)分析值超過(guò)相關(guān)分析限制值，預(yù)警系統(tǒng)將通知安全響應(yīng)團(tuán)隊(duì)；第三，如果相關(guān)分析值不超過(guò)相關(guān)分析限制值，原始數(shù)據(jù)將轉(zhuǎn)發(fā)到監(jiān)控系統(tǒng)。

在技術(shù)實(shí)現(xiàn)層面，系統(tǒng)使用熵算法（Entropy Algorithm）計(jì)算實(shí)時(shí)相關(guān)分析值和相關(guān)分析限制值。熵算法的計(jì)算過(guò)程首先計(jì)算每個(gè)標(biāo)準(zhǔn)的屬性的替代方案的強(qiáng)度，然后計(jì)算每個(gè)標(biāo)準(zhǔn)的熵和關(guān)鍵指標(biāo)，最后計(jì)算每個(gè)標(biāo)準(zhǔn)的權(quán)重。這種基于信息熵的權(quán)重計(jì)算方法能夠客觀評(píng)估不同指標(biāo)的重要性，避免了主觀賦權(quán)可能帶來(lái)的偏差。

該系統(tǒng)于 2021 年 12 月在案例研究礦成功部署，其對(duì) 3,211,215 個(gè)收集的數(shù)據(jù)進(jìn)行了分析，涉及 49 個(gè)傳感器，包括瓦斯傳感器（21 個(gè)）、溫度傳感器（16 個(gè)）、風(fēng)速傳感器（10 個(gè)）和粉塵傳感器（2 個(gè)）。數(shù)據(jù)分析結(jié)果顯示，在此案例礦中，研究團(tuán)隊(duì)發(fā)現(xiàn)了 328 個(gè)顯著相關(guān)關(guān)系，其中瓦斯與瓦斯之間 163 個(gè)相關(guān)關(guān)系、瓦斯與溫度之間 130 個(gè)相關(guān)關(guān)系，以及瓦斯與風(fēng)速之間 35 個(gè)相關(guān)關(guān)系。同時(shí)建立了三個(gè)激活決策規(guī)則。系統(tǒng)的運(yùn)行表明，該預(yù)警機(jī)制能夠在傳統(tǒng)閾值警報(bào)之前 10-15 分鐘發(fā)出警報(bào)，大大提高了預(yù)警時(shí)間窗口，為安全人員的響應(yīng)提供了寶貴時(shí)間。

（來(lái)源：Scientific Reports）

研究團(tuán)隊(duì)表示，這些研究成果構(gòu)成了一個(gè)可用于多領(lǐng)域?qū)崟r(shí)預(yù)警的完整的工具包，可用于任何需要實(shí)時(shí)異動(dòng)事件短期預(yù)測(cè)的系統(tǒng)。對(duì)于一個(gè)具體應(yīng)用，工程團(tuán)隊(duì)需要以三層架構(gòu)系統(tǒng)（數(shù)據(jù)訪問(wèn)層，領(lǐng)域?qū)雍鸵晥D層）為模板，確定所需的數(shù)據(jù)系列（實(shí)時(shí)傳感器數(shù)據(jù)），通過(guò)三重關(guān)聯(lián)相關(guān)分析理論框架確定相關(guān)的預(yù)測(cè)數(shù)據(jù)系列，利用所提出的系統(tǒng)方法確定最佳預(yù)測(cè)算法，實(shí)現(xiàn)所選的預(yù)測(cè)算法得出預(yù)測(cè)結(jié)果，最后用氣泡壁圖顯示結(jié)果。該課題組計(jì)劃繼續(xù)完善基于“三聯(lián)相關(guān)分析”的瓦斯預(yù)警系統(tǒng)，同時(shí)協(xié)助領(lǐng)域?qū)＜依迷碚摰确椒ㄉ钊胩剿魍咚篂?zāi)害發(fā)生的因果機(jī)制，并進(jìn)一步研究機(jī)器學(xué)習(xí)與“三聯(lián)相關(guān)分析”理論框架的結(jié)合應(yīng)用，探索基于人工智能體（AI Agent）的工程創(chuàng)新實(shí)踐。

這一集成方法特別適合需要強(qiáng)化早期預(yù)報(bào)和預(yù)警的領(lǐng)域，如醫(yī)療疾控（監(jiān)測(cè)疫情異常變化和預(yù)警）、公共應(yīng)急（自然災(zāi)害或突發(fā)事件的早期預(yù)警）、氣候變化（極端天氣事件的預(yù)測(cè)和預(yù)警）、地震監(jiān)測(cè)（前兆信號(hào)的識(shí)別與預(yù)警）以及金融市場(chǎng)（異常波動(dòng)的早期識(shí)別）等。另外，這一集成方法和其組成部分在社會(huì)科學(xué)領(lǐng)域也有很強(qiáng)的適用性。例如，基于氣泡壁圖的可視化技術(shù)，團(tuán)隊(duì)已開始在澳大利亞 UNSW-UTS Trustworthy Digital Society (TDS)“數(shù)字誠(chéng)信”專家委員會(huì)專項(xiàng)基金支持下，正在開展“消費(fèi)者數(shù)字誠(chéng)信測(cè)評(píng)可視化技術(shù)”的創(chuàng)新項(xiàng)目研究。研究成果初步顯示前述研究成果在社會(huì)科學(xué)領(lǐng)域的適用性。

參考資料：

1.https://aisel.aisnet.org/cgi/viewcontent.cgi?article=1011&context=acis2021

2.https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0281603#sec016

3.https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0321077

4.https://www.nature.com/articles/s41598-023-35900-3#Sec22

5.https://www.nature.com/articles/s41598-024-67283-4#Sec15

https://www.tandfonline.com/doi/full/10.1080/19475705.2021.2002953#abstract

運(yùn)營(yíng)/排版：何晨龍