第三章 模式構建
3.2 災情消息資料融合模式
3.2.1 模式流程
災情消息資料融合模式之目的在於整合不同消息來源之地震傷亡資料，以 提供較符合災情的資訊，進一步推估災區之物資需求。震災發生初期資訊紊亂，
由不同消息來源所取得之死亡人數資料，因其訊息取得方式不同或更新時間之差 異，往往與實際情況有所落差，所以其資料特性（如樣本數、平均值以及標準差 等）也會有所不同。若僅將所有消息來源所發佈的死亡人數資料以平均值處理，
並據以代表實際死亡人數，則有失合理。經文獻回顧，本研究參考吳欣潔（2004）
所發展之最佳權重資料融合演算法與架構，建構災情消息資料融合模式，以整合 各消息來源所發佈之死亡人數消息，模式流程如圖 3.2 所示，並說明如下。
震災發生後，首先收集各消息來源所公佈之死亡人數資料（如：收集各廣 播電台、電視台與現場救災單位於某一時間所公佈之死亡人數資料），並經過一 資料分類程序以計算其信息熵之值，熵值越大，表示由此消息來源收集之資料不 確定性越大，即越不可靠；經過權重推導公式，使不確定性越高（熵值越高）之 消息來源配給較低資料融合權重，不確定性越低之來源則配給較高權重；最後再 以加權平均法將各消息來源所公佈之死亡人數資料加以融合。3.2.2 節將說明資 料分類之方式，3.2.3 節詳述死亡人數資料融合之運算過程。
圖 3-2 ：災情消息資料融合模式流程圖
（資料來源：本研究整理）
3.2.2 資料分類與熵值計算
經文獻回顧，本研究透過計算各消息來源所發佈死亡人數資料之熵值以決定 死亡人數資料之融合權重。由 2.1 式可知，欲計算熵值，需先求得樣本空間中每 一事件所發生機率，即求得由各消息來源所收集每筆死亡人數資料之發生機率，
因此必須先將資料加以分類，以求得各資料點於定義分類中發生機率，再計算各 消息來源所收集資料之熵值。
（1）資料分類
本研究所定義資料分類方式，參考統計學信賴區間定義方式，以收集資料 之平均數（ μ ）與決策者可容忍資料誤差（
ε
）作為分類依據。若以X 表由第k j, j 個消息來源所收集第k分區之死亡人數資料，則X 落入本研究定義區間之機k j,率，即以落入區間之資料筆數（o ）除以由第 j 個消息來源所收集第k ji, k分區收 集之資料總筆數（Ok j, ），如 3. 1 式所計算：
,
, i k j i
k j
p o
=O ...……..…..………..……..……..…….…（3.1）
其中，p 為第 j 個消息來源所收集每筆死亡人數資料落入本研究定義i 資料分類區間中所發生的機率，且總和為 1，i=1, 2,...,n；
k j,
O 表由第 j 個消息來源所收集第k分區的死亡人數資料之總 筆數，k=1, 2,...,q， j=1, 2,...,m；
, i
o 表由落入本研究定義分類區間之資料筆數。 k j
依據上述定義，本研究以決策者可容忍資料誤差之大小為衡量標準，將所
（2）熵值計算
本研究以熵表示各消息來源所收集資料之不確定程度，所計算之熵值越 大，表示由此消息來源所收集資料之不確定程度也就越高，於資料融合步驟便分 配給較低權重。根據 2.1 式之 Shannon Entropy 公式，本研究熵值計算公式如 3.2 式所示，其計算結果即可代表該時間點透過此消息來源所收集死亡人數資料之不 確定程度。
( )
, 1 2 2
1 1
, ,... log
n n
k j n i k i i
i i
H p p p p I p p
= =
=
∑
= −∑
...……..………...…（3.2）其中，H 即代表由第 j 個消息來源所收集第k j, k分區死亡人數資料之 熵值， j=1, 2,...,m，k =1, 2,...,q；
p 代表由第 j 個消息來源所收集每筆死亡人數資料於本研究i
定義資料分類中所發生機率；
log2
k i
I = − p 即第k分區傷亡資料之信息量，其值越大，即事 件發生之不確定程度越高；而當事件出現某種結果之機率越 高，即表示事件發生之不確定程度越低。
3.2.3 權重推導與資料融合
綜合上述步驟，本研究之災情消息資料融合模式，首先將每時間點透過各 消息來源所收集之死亡人數資料，依可信賴程度高低將資料予以分類；並以 3.2 式求出消息來源之熵值，用以表達資料之不確定程度；本小節將進行權重推導步 驟，依據 2.5 式之推導結果，可求得系統中各消息來源之最佳權重，並根據熵值 大小決定其權重分配，本研究之權重推導模式如 3.3 式。