基于情景數(shù)據(jù)的火災(zāi)預(yù)測(cè)模型設(shè)計(jì)與實(shí)現(xiàn)

劉洪太 郭云霞

摘 要：針對(duì)目前火災(zāi)數(shù)據(jù)利用率低的問題，文章提出基于火災(zāi)情景數(shù)據(jù)構(gòu)建分析預(yù)測(cè)模型，對(duì)不同情景數(shù)據(jù)進(jìn)行權(quán)重配比，來預(yù)測(cè)火災(zāi)事故的影響等。最后，文章對(duì)提出的模型進(jìn)行了模擬應(yīng)用，預(yù)測(cè)結(jié)果準(zhǔn)確，表明基于情景數(shù)據(jù)分析預(yù)測(cè)模型能夠充分利用消防應(yīng)急數(shù)據(jù)，具有較高的決策價(jià)值。

關(guān)鍵詞：火災(zāi)；情景數(shù)據(jù)；預(yù)測(cè)模型

中圖分類號(hào)：TU998.1 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2018）26-0079-02

Abstract： In order to solve the problem of low utilization of fire data， this paper proposes an analysis and prediction model based on fire scenario data， which can be used to predict the impact of fire accidents by weight ratio of different scenario data. Finally， the simulation application of the proposed model shows that the prediction model based on situational data analysis and prediction can make full use of fire emergency data， and has high decision-making value.

Keywords： fire； scenario data； prediction model

近幾年，我國頻發(fā)火災(zāi)事故[1]，火災(zāi)發(fā)生時(shí)，由于決策者對(duì)火災(zāi)可能造成的影響沒有清晰的判斷，導(dǎo)致應(yīng)急預(yù)案啟動(dòng)延遲或不準(zhǔn)確，造成了嚴(yán)重的后果?；馂?zāi)的復(fù)雜性也使得災(zāi)害發(fā)生發(fā)展過程極為復(fù)雜[2]。這些年，國家有關(guān)部門和企業(yè)在火災(zāi)事故方面都積累了大量的情景數(shù)據(jù)，但相當(dāng)大的一部分?jǐn)?shù)據(jù)還沒有被開發(fā)利用。現(xiàn)如今，大數(shù)據(jù)技術(shù)已經(jīng)在各行各業(yè)得到了廣泛的應(yīng)用[3]，在火災(zāi)事故處理方面也得到了應(yīng)用[4-5]。

綜上分析，本文提出基于情景數(shù)據(jù)構(gòu)建火災(zāi)預(yù)測(cè)模型，以火災(zāi)特征數(shù)據(jù)作為模型輸入，造成的損失如直接財(cái)產(chǎn)損失作為輸出。輸出結(jié)果可以應(yīng)用于消防應(yīng)急決策中，使應(yīng)急決策者及時(shí)了解火災(zāi)可能造成的影響，快速啟動(dòng)應(yīng)急預(yù)案，減少火災(zāi)的危害。

1 模型構(gòu)建

1.1 問題描述及數(shù)據(jù)

構(gòu)建基于情景數(shù)據(jù)的火災(zāi)預(yù)測(cè)模型時(shí)， 情景數(shù)據(jù)搜集應(yīng)盡量全面，基礎(chǔ)的情景數(shù)據(jù)結(jié)構(gòu)描述如下：

火災(zāi)場(chǎng)地?cái)?shù)據(jù)結(jié)構(gòu)（起火地點(diǎn)，起火面積，場(chǎng)地耐火等級(jí)，地質(zhì)，有無重大危險(xiǎn)源，可燃物類型，可燃物燃燒性能，可燃物數(shù)量，可燃物分布密度，潛在的引火源，周圍供水能力，周圍滅火設(shè)備及系統(tǒng)，周圍滅火設(shè)備數(shù)量，人口密度）；消防隊(duì)數(shù)據(jù)結(jié)構(gòu)（消防隊(duì)名稱，消防隊(duì)地點(diǎn)，消防員人數(shù)，聯(lián)系人，聯(lián)系人電話）；消防裝備數(shù)據(jù)結(jié)構(gòu)（裝備名稱，裝備存放地點(diǎn)，裝備數(shù)量，裝備狀態(tài)，聯(lián)系人，聯(lián)系人電話）；天氣環(huán)境數(shù)據(jù)結(jié)構(gòu)（時(shí)間，地點(diǎn)，氣溫，氣壓，濕度，天氣狀況，風(fēng)力，風(fēng)向）；火災(zāi)信息數(shù)據(jù)結(jié)構(gòu)（火災(zāi)編號(hào)，火災(zāi)發(fā)生時(shí)間，火災(zāi)發(fā)生地點(diǎn)，火災(zāi)原因分類，火災(zāi)等級(jí)，起火物，報(bào)警時(shí)間，啟動(dòng)應(yīng)急預(yù)案時(shí)間，警員出動(dòng)時(shí)間，出動(dòng)警員人數(shù)，裝備物資出動(dòng)時(shí)間，警員到達(dá)時(shí)間，裝備物資到達(dá)時(shí)間，火災(zāi)撲滅時(shí)間，應(yīng)急預(yù)案編號(hào)）；火災(zāi)損失數(shù)據(jù)結(jié)構(gòu)（火災(zāi)編號(hào)，直接財(cái)產(chǎn)損失，過火面積，受災(zāi)人數(shù)，環(huán)境污染等級(jí)）。

鑒于火災(zāi)情景數(shù)據(jù)量大的特點(diǎn)以及分析預(yù)測(cè)模型需要具有高效的實(shí)時(shí)處理能力，本文選用Hadoop大數(shù)據(jù)平臺(tái)為依托進(jìn)行分析建模，選取RBF神經(jīng)網(wǎng)絡(luò)[6]作為數(shù)據(jù)分析技術(shù)。

1.2 數(shù)據(jù)分析算法

RBF神經(jīng)網(wǎng)絡(luò)為前向兩層神經(jīng)網(wǎng)絡(luò)，并含有單隱含層，處理非線性關(guān)系數(shù)據(jù)有很好的效果。

圖1為一般的RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。

如圖1所示，RBF網(wǎng)絡(luò)的輸入向量由n個(gè)輸入數(shù)據(jù)組成，在模型隱含層有由m個(gè)元素組成的中間向量H=[h1，h2，…，hn]T，hm稱為徑向基函數(shù)，操作符·代表一個(gè)p基，稱為歐氏范數(shù)。RBF網(wǎng)絡(luò)的第三層為綜合輸出，公式（1）：

對(duì)于RBF輸出權(quán)重的更新迭代算法，使用梯度下降方法來進(jìn)行，中心點(diǎn)寬度表示如下：

模型構(gòu)建過程中的RBF神經(jīng)網(wǎng)絡(luò)算法選用高斯函數(shù)[8]作為核函數(shù)。

1.3 模型參數(shù)及輸入權(quán)重確定

模型中以情景數(shù)據(jù)的屬性作為模型輸入，本文采用基于粗糙集理論的規(guī)則權(quán)重確定方法[7]對(duì)真實(shí)火災(zāi)數(shù)據(jù)以及應(yīng)急演練數(shù)據(jù)進(jìn)行初始的權(quán)重分配。

模型數(shù)據(jù)用數(shù)據(jù)集中70%、20%、10%的數(shù)據(jù)分別訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)、測(cè)試數(shù)據(jù)。

2 基于情景數(shù)據(jù)的火災(zāi)預(yù)測(cè)模型模擬應(yīng)用

2.1 數(shù)據(jù)選取

模擬應(yīng)用中使用某應(yīng)急管理系統(tǒng)中的火災(zāi)數(shù)據(jù)為基礎(chǔ)，模擬應(yīng)用中共抽取了100條真實(shí)火災(zāi)記錄以及1000次演練記錄作為模擬數(shù)據(jù)，并按照1.1節(jié)中70%、20%和10%的數(shù)據(jù)比例進(jìn)行分配使用。

2.2 應(yīng)用效果

本文對(duì)模型預(yù)測(cè)精確性做了評(píng)估，選用平均絕對(duì)百分比誤差（MAPE）作為預(yù)測(cè)結(jié)果評(píng)判標(biāo)準(zhǔn)：

圖2為使用基于情景數(shù)據(jù)的火災(zāi)預(yù)測(cè)模型，來預(yù)測(cè)最后10條真實(shí)火災(zāi)損失的預(yù)測(cè)結(jié)果。

通過公式（3）以及實(shí)驗(yàn)結(jié)果數(shù)據(jù)得出，最后10條真實(shí)火災(zāi)損失的MAPE值為0.8978。

3 結(jié)束語

本文提出基于火災(zāi)情景數(shù)據(jù)對(duì)火災(zāi)預(yù)測(cè)模型進(jìn)行設(shè)計(jì)與實(shí)現(xiàn)，以情景數(shù)據(jù)作為輸入并進(jìn)行權(quán)重控制，最后以實(shí)際的應(yīng)急系統(tǒng)進(jìn)行模擬應(yīng)用，預(yù)測(cè)效果明顯，證明了基于情景數(shù)據(jù)的火災(zāi)預(yù)測(cè)模型能夠獲得精確的預(yù)測(cè)效果，可以為消防應(yīng)急決策提供強(qiáng)有力的決策支持，值得推廣。

參考文獻(xiàn)：

[1]傅智敏.我國火災(zāi)統(tǒng)計(jì)數(shù)據(jù)分析[J].安全與環(huán)境學(xué)報(bào)，2014（06）.

[2]劉永杰.火災(zāi)調(diào)查研究及分析[J].中國科技信息，2010（18）.

[3]Kristen，Etheredge，Chidambaram，等.大數(shù)據(jù)改變能源未來[J].首席財(cái)務(wù)官，2016（1）：84-85.

[4]朱亞明.基于大數(shù)據(jù)的建筑火災(zāi)風(fēng)險(xiǎn)預(yù)測(cè)[J].消防科學(xué)與技術(shù)，2017（7）：1011-1013.

[5]張芳.消防大數(shù)據(jù)平臺(tái)的建設(shè)[J].電子技術(shù)與軟件工程，2017（7）：174-174.

[6]衛(wèi)敏，余樂安.具有最優(yōu)學(xué)習(xí)率的RBF神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[J].管理科學(xué)學(xué)報(bào)，2012（04）.

[7]姜長虹，何天榮，屈玉華，等.基于粗糙集理論的規(guī)則權(quán)重確定方法[J].甘肅聯(lián)合大學(xué)學(xué)報(bào)（自然科學(xué)版），2008（06）：35-37.

[8]韓孝明.高斯函數(shù)在數(shù)值估算中的應(yīng)用研究[J].湖南城市學(xué)院學(xué)報(bào)（自然科學(xué)版），2015（03）.