基于情景數據的火災預測模型設計與實現

劉洪太 郭云霞

摘 要：針對目前火災數據利用率低的問題，文章提出基于火災情景數據構建分析預測模型，對不同情景數據進行權重配比，來預測火災事故的影響等。最后，文章對提出的模型進行了模擬應用，預測結果準確，表明基于情景數據分析預測模型能夠充分利用消防應急數據，具有較高的決策價值。

關鍵詞：火災；情景數據；預測模型

中圖分類號：TU998.1 文獻標志碼：A 文章編號：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，我國頻發火災事故[1]，火災發生時，由于決策者對火災可能造成的影響沒有清晰的判斷，導致應急預案啟動延遲或不準確，造成了嚴重的后果。火災的復雜性也使得災害發生發展過程極為復雜[2]。這些年，國家有關部門和企業在火災事故方面都積累了大量的情景數據，但相當大的一部分數據還沒有被開發利用。現如今，大數據技術已經在各行各業得到了廣泛的應用[3]，在火災事故處理方面也得到了應用[4-5]。

綜上分析，本文提出基于情景數據構建火災預測模型，以火災特征數據作為模型輸入，造成的損失如直接財產損失作為輸出。輸出結果可以應用于消防應急決策中，使應急決策者及時了解火災可能造成的影響，快速啟動應急預案，減少火災的危害。

1 模型構建

1.1 問題描述及數據

構建基于情景數據的火災預測模型時， 情景數據搜集應盡量全面，基礎的情景數據結構描述如下：

火災場地數據結構（起火地點，起火面積，場地耐火等級，地質，有無重大危險源，可燃物類型，可燃物燃燒性能，可燃物數量，可燃物分布密度，潛在的引火源，周圍供水能力，周圍滅火設備及系統，周圍滅火設備數量，人口密度）；消防隊數據結構（消防隊名稱，消防隊地點，消防員人數，聯系人，聯系人電話）；消防裝備數據結構（裝備名稱，裝備存放地點，裝備數量，裝備狀態，聯系人，聯系人電話）；天氣環境數據結構（時間，地點，氣溫，氣壓，濕度，天氣狀況，風力，風向）；火災信息數據結構（火災編號，火災發生時間，火災發生地點，火災原因分類，火災等級，起火物，報警時間，啟動應急預案時間，警員出動時間，出動警員人數，裝備物資出動時間，警員到達時間，裝備物資到達時間，火災撲滅時間，應急預案編號）；火災損失數據結構（火災編號，直接財產損失，過火面積，受災人數，環境污染等級）。

鑒于火災情景數據量大的特點以及分析預測模型需要具有高效的實時處理能力，本文選用Hadoop大數據平臺為依托進行分析建模，選取RBF神經網絡[6]作為數據分析技術。

1.2 數據分析算法

RBF神經網絡為前向兩層神經網絡，并含有單隱含層，處理非線性關系數據有很好的效果。

圖1為一般的RBF神經網絡的結構圖。

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

對于RBF輸出權重的更新迭代算法，使用梯度下降方法來進行，中心點寬度表示如下：

模型構建過程中的RBF神經網絡算法選用高斯函數[8]作為核函數。

1.3 模型參數及輸入權重確定

模型中以情景數據的屬性作為模型輸入，本文采用基于粗糙集理論的規則權重確定方法[7]對真實火災數據以及應急演練數據進行初始的權重分配。

模型數據用數據集中70%、20%、10%的數據分別訓練數據、驗證數據、測試數據。

2 基于情景數據的火災預測模型模擬應用

2.1 數據選取

模擬應用中使用某應急管理系統中的火災數據為基礎，模擬應用中共抽取了100條真實火災記錄以及1000次演練記錄作為模擬數據，并按照1.1節中70%、20%和10%的數據比例進行分配使用。

2.2 應用效果

本文對模型預測精確性做了評估，選用平均絕對百分比誤差（MAPE）作為預測結果評判標準：

圖2為使用基于情景數據的火災預測模型，來預測最后10條真實火災損失的預測結果。

通過公式（3）以及實驗結果數據得出，最后10條真實火災損失的MAPE值為0.8978。

3 結束語

本文提出基于火災情景數據對火災預測模型進行設計與實現，以情景數據作為輸入并進行權重控制，最后以實際的應急系統進行模擬應用，預測效果明顯，證明了基于情景數據的火災預測模型能夠獲得精確的預測效果，可以為消防應急決策提供強有力的決策支持，值得推廣。

參考文獻：

[1]傅智敏.我國火災統計數據分析[J].安全與環境學報，2014（06）.

[2]劉永杰.火災調查研究及分析[J].中國科技信息，2010（18）.

[3]Kristen，Etheredge，Chidambaram，等.大數據改變能源未來[J].首席財務官，2016（1）：84-85.

[4]朱亞明.基于大數據的建筑火災風險預測[J].消防科學與技術，2017（7）：1011-1013.

[5]張芳.消防大數據平臺的建設[J].電子技術與軟件工程，2017（7）：174-174.

[6]衛敏，余樂安.具有最優學習率的RBF神經網絡及其應用[J].管理科學學報，2012（04）.

[7]姜長虹，何天榮，屈玉華，等.基于粗糙集理論的規則權重確定方法[J].甘肅聯合大學學報（自然科學版），2008（06）：35-37.

[8]韓孝明.高斯函數在數值估算中的應用研究[J].湖南城市學院學報（自然科學版），2015（03）.