0 AASRI Procedia 6 ( 2014 ) 103 – 11002212-6716 © 2014 The Authors. Published by Elsevier B. V. Open access under CC BY-NC-NDlicense. Peer-review under responsibility of Scientific Committee of American Applied ScienceResearch Institute doi: 10.1016/j.aasri.2014.05.0150ScienceDirect02013年第2届AASRI计算智能和生物信息学会议0埃及农业的长期观0畜牧生产 *0Ahmed Mohamed Omran 1，Motaz Khorshid 201计算机科学系，法尤姆大学，埃及法尤姆02个决策支持部门，开罗大学，埃及开罗0摘要0研究埃及粮食安全是一项重要的研究和辩论课题。埃及国内牛奶产量与消费之间的差距会导致高额的进口成本。此外，文献中的所有政策分析和评估方法都是针对当前/短期政策的，以帮助政策/决策者做出战略决策。我们研究论文的核心思想是开发一种智能推荐系统（IRS），以生成更可靠的估计来评估建议的长期政策。此外，我们的IRS支持政策/决策者减少未来的不确定性，并刺激领域专家预测未来的影响并评估其建议的政策。这种支持可以提供新的认识情况，从而可以更有效地进行决策过程。最后，我们的IRS结合了趋势影响分析、RT-Delphi、基于知识、解释和数学预测模型，以生成大规模的参与方法，帮助政策/决策者进行长期战略规划。0关键词：智能推荐系统，长期视角，RT-Delphi，MICMAC，政策评估，未知事件，埃及牛奶生产。0*通讯作者。电话：+201118111917，电子邮件地址：ama35@fayoum.edu.eg.0在线提供：www.sciencedirect.com0© 2014 The Authors. Published by Elsevier B. V. Open access under CC BY-NC-ND license. Peer-reviewunder responsibility of Scientific Committee of American Applied Science Research Institute0104 Ahmed Mohamed Omran和Motaz Khorshid / AASRI Procedia 6 ( 2014 ) 103 – 11001. 引言0埃及农业领域在埃及经济中扮演着重要角色，其占据国内生产总值的20%以上，雇佣了近30%的劳动人口[1]。此外，国家粮食安全被认为是实现真正发展和满足埃及人口增长的主要目标，到2030年预计将超过1亿人。埃及动物生产的政策/决策者战略，到2035年，旨在将牛奶产量缩小到小于10%的差距[2]。埃及国内不同的研究和开发工作致力于解决食品短缺问题，并提高埃及的牛奶产量收入。埃及国内的牛奶产量取决于水牛、牛、小反刍动物（羊和山羊）和骆驼，这些是埃及最适合的动物[3]。2012年，埃及的动物生产占到了农业总产值的27.4%。水牛的牛奶产量从每头季度约1.3吨增加到1.1吨。幸运的是，仍然有着改进牛奶产量的大量努力[4,5]。不确定性和复杂性是长期战略规划过程中的主要特征[6]。对于长期战略规划来说，政策/决策者需要进行两个关键的活动，即探索性未来场景和政策制定与评估[7]。探索性未来场景提供了未来事件的可能影响的认识情况。然而，政策制定与评估则提供了基于预期影响的可证明的建议[8]。由于未来的高度不确定性和复杂性，长期政策制定和评估是一种非结构化的过程[9]。德尔菲法是一种强大而良好结构化的知识获取工具，因为其匿名性的过程。在德尔菲法中，从领域参与者那里获取知识的过程是通过一系列问卷的受控意见反馈来完成的[10]。它使领域参与者能够朝着共识方向发展[6]。此外，RT-Delphi是一种无论德尔菲法作为在线工具而应用的方法[11]。它被广泛用于提高从领域专家那里获取知识的效率，并创建一个大型参与和匿名的在线系统，其中包括所有参与者（系统分析师、研究员、专家和决策/政策制定者）[12]。数学模型可以减少由变量和关系组成的复杂性。这些模型假设所包含的历史信息可以被提取、分析和减少到一个或多个方程，用于预测历史数据[13]。但是，这些模型迫使过去的工作将在未来继续保持，并且预测是没有惊喜的[14]。趋势影响分析（TIA）广泛用于代替传统的预测模型，以生成所有可能的未来场景，而不是单一的未来预测图像。在开发TIA时，需要进行三个主要步骤[15]：0生成基于历史数据的无惊喜场景，不考虑未来的无前例事件。专家的想象和经验被用来确定主要的未来未知事件及其对基本预测的影响。知识获取过程是基于收集专家对事件发生可能性及其预期未来影响的判断。实时（RT）德尔菲法广泛用于知识获取过程。使用TIA算法和蒙特卡洛模拟生成所有可能的未来场景[16]。此外，领域本体论在知识获取过程中起着重要作用，通过最小化在讨论某个概念或问题时的误解，提供了一种简便的方式。它通过定义领域专家之间的共同语言来减少专家判断的矛盾。此外，它描述了领域概念、它们的属性以及这些概念之间的所有关系[18]。0105 Ahmed Mohamed Omran和Motaz Khorshid / AASRI Procedia 6 ( 2014 ) 103 – 1100我们研究论文的核心思想是开发一种智能推荐系统（IRS），以生成更可靠的估计来评估建议的长期政策。此外，我们的IRS支持政策/决策者减少未来的不确定性，并刺激领域专家预测未来的影响并评估其建议的政策。所开发的方法以增强的TIA [16]为出发点。02. 解决的问题0埃及农业部的政策/决策者需要制定和评估能够改善从2014年到2035年的长期战略计划质量的长期政策。他们需要预测未来，分析其影响，并对建议的政策的好处有信心。经典的未来分析方法总是为主要驱动因素及其可能的未来影响提供分析。这些方法并没有提供指导未来政策及其对最小化未来威胁和最大化未来机会的影响的明确建议。03. 提出的解决方案03.1 开发的框架0如图1所示，该开发框架由三个主要组件组成，分别是基于模型、基于知识和图形用户界面子系统。基于模型的组件有两个子组件，即模型库和模型库管理子组件。模型库系统中有不同的模型，包括与TIA模型集成的增强型RT-Delphi模型（ERT-DelphiTIA）和基于案例的模型。模型库管理组件提供模型的集成和执行。此外，基于知识的组件有两个子组件，即知识库和基于知识的管理系统。知识库组件包括本体、解释和政策子组件。解释子组件提供“Whatif”和“Why”解释，有助于减少与长期场景相关的不确定性，并增加政策/决策制定者对共识结果的信心。此外，领域专家知识包括两个主要类别，即专家判断和其证明，代表了“Why”解释的核心。最后，图形用户界面子系统为政策/决策制定者提供了报告共识摘要信息、共识解释和可视化能力。0图1。'开发框架的概念视图'0解释模型 基于案例0TIA模型 增强型RT-Delphi0解释知识库0本体知识库0知识库00106 Ahmed Mohamed Omran and Motaz Khorshid / AASRI Procedia 6 ( 2014 ) 103 – 1100图2。主要阶段的流程图03.2. 开发的方法论0下面，我们将解释开发的方法论在以下各个流程图中的功能：我们开发的方法论基于利用领域专家的经验和想象力。它利用了定量和定性未来研究模型，包括RT-Delphi、解释、基于案例的增强TIA、预测和模拟建模。此外，未来政策评估方法基于其预期的未来影响。此外，还有不同类型的输入，包括专家的知识（经验和想象力）、决策者的目标和见解、制定的政策以及所有可能的未来场景。此外，它旨在帮助缩小决策者的目标、当前状态和可能的未来之间的差距。如图2所示，我们开发的方法论由以下五个阶段完成任务：'识别'、'创建'、'生成'、'寻求'和'展示'阶段。根据'识别'阶段，政策/决策制定者可以描述他/她的组织的未来愿景、使命和目标。每个政策与两种评估因素相关，即有效性因素和效率因素（Effv_F）和（Eff_F）。有效性和效率因素在每个政治、经济、社会文化、技术、伦理、法律（PESTEEL）问题中得到体现。'创建'阶段为政策/决策者提供了生成所有可能的未来机会或威胁案例的机会。该阶段的输入包括TIA输入矩阵、通配符以及关于未来影响和适当政策的专家预期。此外，输出是不同的通配符影响案例和为优化其利益和减少其威胁而提出的政策。增强型RT-Delphi用于从领域专家那里获取知识。'生成'阶段为决策者应用所提出的未来政策及其对领域关键变量的影响提供了机会，通过生成所有可能的未来场景来反映应用所提出的政策的影响。另一方面，'寻求'阶段为决策者评估每个政策对领域关键变量的影响提供了机会，从而可能找到满意的政策。将基于案例的场景和基准TIA场景（基本TIA场景）进行比较，以找到满意的政策。同时使用Min和Max场景的值来应用此比较，以反映增加和减少的类型。最后，'展示'阶段为决策者提供了不同的解释、可视化和报告生成能力。0“What if”解释满意但不是最佳的政策0大型集合（10,000个）的未来场景0应用未来政策样本及其影响的案例0决策/政策制定者的愿景、使命和目标0识别0创建0生成0寻求0展示0可视化和报告生成2014 21.40 21.15 19.4 21.02 21.0221.0220.3720.4220.37 2015 20.53 20 18.3419.87 19.8719.8719.2 19.2619.21 2016 19.67 18.88 17.3218.76 18.7618.7618.1818.1318.13 2017 18.81 17.78 16.3117.67 17.6717.6717.1217.0817.07 2018 17.95 16.7 15.3216.6 16.6 16.6 16.0 16.0916.04 2019 16.09 15.65 14.3515.55 15.5415.5515.0215.0715.03 2020 15.23 14.61 13.4 14.51 14.5114.5114.0214.0614.03 2021 14.36 14.31 13.1613.89 13.8414.1613.6313.2513.21 2022 13.50 14.81 13.3 14.15 14.0314.6 13.7513.6713.33 2023 12.64 15.15 13.9114.79 14.5815.0714.3614.0113.98 2024 11.78 15.88 14.2415.19 15.0615.7 14.7414.6614.28 2025 10.92 16.39 14.8915.76 15.6716.1414.8515.3215.13 2026 9.06 16.93 15.6216.29 16.2 16.6915.3915.8115.35 2027 8.20 17.95 15.7616.97 16.8717.5616.6116.4516.01 0107 Ahmed Mohamed Omran and Motaz Khorshid / AASRI Procedia 6 ( 2014 ) 103 – 11004. 案例研究：埃及牛奶生产的未来0历史数据来源于FAO年度报告和埃及政府机构。牛奶产量缺口数据可追溯到2000年至2013年[19,20]。可用的历史数据仅包含14个数据点。为了探索所有可能的未来，需要建立一个22年的数学预测（无意外情况）模型。基于简单回归模型并假设牛奶缺口与时间之间的关系是线性的；数学公式可以计算如下：Y（缺口值）= a + b X（年份）+ E最小二乘法是用于估计a和b的常用方法，根据MINITAB13软件，可以使用以下公式估计缺口百分比的值：缺口值 = 1750 - (0.86 * 年份) 平均平方误差（MSE）= 11.75%专家的知识解释了世界金融危机（E1）、传播流行病（E2）、恶劣天气条件（E3）和动物饲料价格高涨（E4）等意外事件对未来的牛奶产量缺口的影响。如果这些事件发生，（E2和E3）会产生负面影响（增加缺口值），而（E1和E4）会产生积极影响（减少缺口值）。共生成了10,000个场景，研究范围为22年。生成的场景结果显示，世界金融危机（E1）意外事件对缺口值产生了积极影响（减少缺口值）。专家的共识是该事件从2014年至2021年以不同的严重程度发生。专家解释了E2对缺口的最大影响，并解释了其传播速度之快，这是由于埃及各省、局和村庄中缺乏强大的扩展所致。E2有很高的概率在七年内发生严重影响。此外，恶劣天气条件（E3）意外事件对缺口值产生负面影响（增加缺口值）。专家就其发生的概率和严重程度达成共识，从2020年至2030年。表1显示了基础预测、中位数、最大值、中位数和百分位数场景。生成的未来场景非常有深度，为政策/决策制定者提供了预测未来并妥善规划的能力。从表1中，政策/决策制定者可以得出三个主要观察结果，即：-预计最佳时间间隔将从2014年至2021年。这个缺口的减少是由于“世界金融危机”意外事件的积极影响。-关键时期间隔预计将在2028年至2034年。与基础预测值相比，缺口值将增加10%。0表1. 生成的未来情景的数值值0基准情景0年 基数 最大值 最小值 中值 平均值 95% 75% 25% 5%2028 7.33 18.15 16.7517.41 17.3417.8716.4216.9416.46 2029 6.47 18.21 15.0717.53 17.4618.7 17.3316.6615.4 2030 5.61 18.58 15.2917.64 17.6 18.2617.1516.6615.4 2031 4.75 17.82 14.7 16.93 16.9217.5216.4515.9514.8 2032 3.89 16.58 13.6515.74 15.7416.3 15.3114.8213.77 2033 3.03 15.17 12.1514.16 14.1714.7914.0613.4812.46 2034 2.16 12.76 10.2 11.88 11.9 12.4311.8311.3 10.43 2035 1.30 8.86 7.29 8.34 8.39 8.17 8.7 7.92 7.34 2014 21.40 20.01 18.12 19.02 19.0219.0419.4 18.4718.06 2015 20.53 18.37 16.37618.06 18.0617.8 17.4317.1217.21 2016 19.67 16.89 15.32 16.26 16.1916.3816.8116.1316.13 2017 18.81 15.38 15.04 15.12 15.6715.6715.6715.0815.07 2018 17.95 14.37 13.32 14.6 14.6 14.6 14.0914.0414.04 2019 16.09 13.75 13.75 13.25 13.2513.5413.1413.0313.02 2020 15.23 14.61 13.4 14.51 14.5114.5214.0 14.0314.02 2021 14.36 12.68 12.02 12.84 12.5812.6012.5112.1912.15 2022 13.50 14.81 13.3 14.02 14.1713.7114.6 13.3313.67 2023 12.64 15.15 13.91 15.07 14.7914.3614.5514.0113.98 2024 11.78 15.88 14.7 15.05 15.1015.7 14.6614.2814.24 2025 10.92 16.39 15.13 15.66 15.7416.1415.3114.8814.85 2026 9.06 16.93 15.62 16.69 16.2716.1915.8 15.3815.35 2027 8.29 17.94 16.05 16.43 16.9517.5416.8516.8115.76 2028 7.33 18.15 16.42 17.33 17.4117.8616.7516.9316.46 2029 6.47 18.7 15.07 17.44 17.4518.2 17.3516.6 15.45 2030 5.61 18.58 15.29 17.59 17.5717.1516.5918.2515.39 2031 4.75 16.9 14.7 17.82 16.8617.4916.4515.9314.8 2032 3.89 16.58 13.68 15.73 15.6916.2815.3114.8213.77 2033 3.03 15.17 12.15 14.06 1401514.7514.1113.3712.46 2034 2.16 12.76 10.2 11.88 11.8212.1211.2211.8310.45 2035 1.30 8.86 8.17 8.39 8.35 8.7 7.9 7.34 7.29 0108 Ahmed Mohamed Omran和Motaz Khorshid / AASRI Procedia 6 ( 2014 ) 103 – 1100表2. 在案例场景下的优化数值结果0基准情景0年 基数 最大值 最小值 中值 平均值 95% 75% 25% 5%0共识结果显示，政治驱动因素的数量为五个，经济驱动因素的数量为八个，社会文化驱动因素的数量为两个，技术驱动因素的数量为两个，道德驱动因素的数量为一个，环境驱动因素的数量为三个，法律驱动因素的数量为两个。所有选择的驱动因素都以介于70%和93%之间的中值权重进行评估。此外，超过12位领域专家必须就评估的主要驱动因素达成一致意见。此外，共识结果还显示，优势项的数量为五个，弱点项的数量为二十二个，机遇项的数量为五个，威胁的数量为十二个。所有选择的项目都以介于72%和87%之间的中值权重进行评估。此外，超过12位领域专家必须就评估的项目达成一致意见。通过比较表.3（基准情景）和表.5（基于案例的优化情景）的数值值，政策/决策制定者可以注意到建议的政策预计会增加WFC通配符的积极影响，从而减小差距值。从2014年到2021年，所示政策的影响可以通过降低1%至3.6%来衡量。最后，结构分析的共识结果显示：水资源稀缺，政府对小麦自给自足的观点，埃及三角洲的气候变化，世界金融危机是埃及小麦生产未来的关键变量事件。展示未来情景的数值报告和图表可能有助于农业部的政策/决策制定者预测最重要的未来驱动因素，并提高未来战略计划的质量。0109 Ahmed Mohamed Omran和Motaz Khorshid / AASRI Procedia 6 ( 2014 ) 103 – 1100长期未来的复杂性和不确定性是制定更具可证明性的长期政策的主要挑战。综上所述，在本文中，我们开发了一个智能推荐系统（IRS），以帮助政策/决策者对长期战略规划中建议的政策的效率和效果进行更具可证明性的估计。开发的IRS基于情景驱动、知识驱动和解释建模能力的整合。为了说明开发的IRS，提供了一个关于外部通配符对埃及乳制品生产差距的影响的案例研究。在这种情况下，我们的IRS支持埃及农业部的政策/决策制定者制定国家畜牧业生产的战略计划（2014-2035）。这种支持与提供可能导致更高效和更有效的决策过程的意识情况的新水平有关。我们未来的工作可以通过将所提出的方法与基于区间/模糊的TIA集成来扩展。此外，数据挖掘技术可以用作自动本体构建的强大工具。它可以用于加速和改进创建特定领域正式本体的过程。05. 结论与未来工作0[1] Journal. H.Hassan, H.El-Bakry, H.Gaber AbdAllah“一种新的空间决策支持系统，用于改善动物生产”最新的知识工程和系统科学进展，第10卷，第49-45页（2013年）。[2]A.Omran，M.Saleh，M.Khorshid“埃及粮食安全的决策支持系统”，国际智能系统设计与应用会议（ISDA）（2010年）。[3]FAO和IDF，“埃及乳制品生产部门的最佳实践”，www.fao.org，（2012年）。[4] Journal. H.Hassan, H.el-bakry,H.Gaber，“通过集成OLAP和GIS进行动物疾病水平的可视化”，国际计算机科学与信息安全杂志，第10卷第7期，（2012年）。[5] L.ElFangary，“埃及水牛和奶牛生产数据挖掘”，第四届计算机科学与技术前沿国际会议，IEEE Explore PP.382-387，（2009年）。[6] Book. P.Schwartz“长期展望的艺术：在不确定的世界中规划未来”，Currency，（1996年）。[7] Book. E.Cornish“未来学：未来的探索”，世界未来学会，美国，（2005年）。[8] Book.R.Dyson，“战略规划：模型和分析技术”，Wiley，Chichester，（2007年）。[9] Book. J.Ramos“行动研究与未来研究”未来学，第38卷，（2006年）。[10] Journal. T.Gordon，Delphi方法，“未来研究方法学V2”，CD-ROM，千年计划，美国联合国大学理事会，（2003年）。[11] Journal.M.Christoph，D.arkow，G.Heiko“基于Delphi的风险分析-在多利益相关者环境中识别和评估供应链安全的未来挑战”，技术预测和社会变革杂志，V 80，pp 1815–1833，Science Direct，Elsevier，（2013年）。[12] Journal. T. Gordon and A.Pease，RT-Delphi:高效的“无回合”几乎实时的Delphi方法，技术预测和社会变革，第73卷第4期，（2006年）。[13] Book. J.S.Armstrong，预测原则（国际运筹学和管理科学系列），（2001年）。[14] Book. A. Timmermann，C. Granger和G.Elliot，经济预测手册，北荷兰，第1卷，2007年。0参考文献00110 Ahmed Mohamed Omran和Motaz Khorshid / AASRI Procedia 6 ( 2014 ) 103 – 1100[15] Journal. T.Gordon，趋势影响分析，“未来研究方法学V2”，CD-ROM，千年计划，美国联合国大学理事会，（2003年）。[16]Journal.N.Agami，A.Omran，M.Saleh，H.El-Shishiny，“一种改进的趋势影响分析方法”，技术预测和社会变革杂志，Science Direct，Elsevier，（2008年）。[17] Book. R.Akerkar，P.Sajja“基于知识的系统”，Jones & BartlettLearning，（2010年）。[18] Journal.H.Eriksson，“知识获取技术和工具的调查及其与软件工程的关系”，系统与软件杂志，pp.97-107，（2003年）。[19] FAO，“粮食和农业组织年度贸易报告”，FAO报告，埃及部分，www.fao.org，（2013年）。[20]FAO，“粮食展望：全球市场分析”，www.fao.org，（2013年）。
我的内容管理
展开
