基于案例推理模型

二、基于案例推理CBR模型

该模型将基于案例推理（Case－Based Reasoning，简称CBR）方法引入经济预测领域，在一定程度上弥补基于模型求解的不足，为解决宏观经济复杂系统中金融危机预警问题提供了一条新的途径。文章在提出基于案例推理的金融危机预警支持系统的原理框架后，详细论述了基于案例推理在其中应用的关键技术，最后给出了利用原型系统进行金融危机预警的结果。

（一）基于案例推理方法

CBR方法作为AI中新崛起的一项重要的推理方法，于1982年起源于美国耶鲁大学。Roger Schank教授在《Dynamic Memory》一书中创建了它的基本理论。1987年以来，国际研究界每年举行CBR研讨会，先后在通用问题求解、法律案例、医疗诊断、医药、故障诊断、辅助CAD设计等领域证明了CBR方法的有效性及实用性。CBR方法基于人类的认知过程，其核心思想是：当求解问题时，在以前类似的求解问题的成功范例基础之上进行推理，而不必一切从头做起。一个典型的事例推理过程可以归纳为：①按一定的形式向系统描述当前案例；②从案例库中检索出与当前问题相应的案例；③若该案例与当前案例完全匹配，输出该案例的求解方案，否则修正该案例，形成当前问题的求解；④对当前问题的求解进行评价；⑤将新的案例加入到案例库中，备以后求解问题使用（见图2—4^[2]）。

由此可见CBR方法实际上是一种类比推理方法，而类比推理在各个应用领域中都不同程度地存在。将CBR用于金融危机预警，尚处于初级阶段，再加上金融系统的复杂性，设计的难度非常大，有很大的挑战性。其中最首要的问题是建立大量的（包括已发生的、未发生的，以及即将发生的）金融危机案例；其次是建立尽可能完备的知识库，存储金融危机预警所用的知识和信息。为了建立基于案例的金融危机预警系统，必须解决：金融危机案例的搜集、整理和分类；金融危机案例的表达；案例库的组织、建立和维护；案例检索与匹配算法；案例调整策略；案例学习策略等。

（二）CBR中的关键技术

1．金融危机预警案例的表示。将问题表达成案例的形式是案例推理的第一步，称为案例的知识表示。案例是知识表示的一种模式，它将专家的知识与经验用描述案例的数据结构和众多的案例表示出来，成为专家求解问题的一个具体例子。但是用案例进行知识表示并不是一种新的知识表示方法，而是在以往各种表示方法（如逻辑、产生式、语义网、框架、面向对象等）上的一级抽象，其实现方法也应基于现有的各种知识表示方法。

图2—4　基于案例推理的一般过程

本书采用了框架的知识表示方法来表示金融危机案例。因为框架的知识表示方法适合于将某国在特定时期的金融指标情况、行为知识、专家经验等有机地结合在一起。结合关系数据库技术，将所搜集的金融危机案例根据以上描述方法存放在一系列相互关联的数据表中。采用关系数据库技术之后，可方便地建立案例索引，便于案例推理机沿着金融系统结构层次关系在案例索引中搜索案例框架，按搜索到的索引，到相应的数据库表记录中搜索案例。对于基于案例推理的金融危机预警系统，由于其具有自学习能力，案例库将会越来越大。

2．案例检索方法与技术研究。CBR推理机的主要工作，就是检索“最佳”案例，能根据以往的编程经验，对当前的问题提供解决方案。目前，在CBR系统中应用的检索方法主要有以下3种：一是最近相邻法（Nearest Neighbor Algorithm）：根据案例中各组成部分的权值，求权和，其结果就作为衡量问题案例与旧案例的依据，以达到检索目的。这种方法适合于案例特征为数值型的案例和案例库中案例较少的情况。单独使用这一方法的最大问题是不可能得到覆盖全局特征的权值集，且许多问题的特征权重是相互依赖的，在多数情况下难以准确检索到案例。二是归纳法（Induction）：提取案例间特征上的差异，并根据这些特征将案例组成一个类似判别网络的层次结构。检索时采用决策树搜索策略。归纳法能自动客观、严格地分析案例，确定能区别这些案例的最佳特征。采用归纳法检索策略时，案例库中的案例可以组织成分层结构供检索用。该方法适合于案例特征相互独立或推理结果只是案例中的某一特征的情况。三是知识导引法（Knowledge－Guided Indexing）：通常采用一套规则进行索引控制，根据已知的知识来决定案例中哪些特征在进行案例的检索时是最重要的，并根据这些特征来组织和检索，使案例的组织与检索具有一定的动态性。但对大型系统的建设而言，建立完备的基于知识的检索是很困难的。

3．案例学习。案例推理的学习是指案例库不断获得新知识（新案例）和改进旧知识（旧案例）的过程，是机器学习的一种。案例推理的学习分为成功学习和失败学习两种。

成功学习包含两层意思：一是推理成功；二是案例库学习，即案例库中新案例的增加。具体说来，推理成功是指：相似案例的解经过调整和修正，能作为问题案例的解决方案；案例库的学习是指：如果案例库中存在相似度大于预先设定的阈值a（如a＝90%）的旧案例，则问题案例不入库；否则问题案例作新案例加入到案例库中。

失败学习也包含两层含义：一是推理不成功；二是案例库的学习。类似地，推理不成功是指：问题案例不能在相似案例中找到适用解，或者说，旧案例与问题案例的最大相似度低于预先设定的阈值b（如b＝10%），旧案例的解不适合作问题案例解决方案；案例库的学习是指：如果领域专家能给出问题案例的解，则问题案例作为新案例入库；否则问题案例不入库。

要说明的是，阈值a和b是在推理前由领域专家根据特定领域来设定的。对于不同应用领域的案例a和b可以不同。a和b的值并不是固定的，用户可以根据实验推理的结果自行改变。

（三）基于案例推理的验证

曾以泰国1997年宏观经济状态作为被测试案例，通过本原型系统推理，得出最相似的案例为案例库中的第47号案例。推理结果是即将发生金融危机，应发出预警信号。该结果有两重意义：①基于案例推理方法应用的有效性；②金融危机描述指标体系的正确性得到初步验证。

金融危机预测是近年来经济预测领域一个较为前沿和令人关注的问题。基于案例推理是人工智能领域较新的一种推理方法，适用于问题描述半结构化和经验丰富的领域。将基于案例推理运用到经济预测领域，避免了传统的经济预测方法解决非线性问题的局限性，为金融危机预测提供了新的思路和有益的探索。