基于BP神經網絡的地震應急物資需求預測研究

中圖分類號：F251 文獻標志碼：A DOI： 10.13714/j.cnki.1002-3100.2025.08.012

Abstract： Accurate predictionof emergencymaterial demand is crucial for enhancing China's earthquake emergencyrescue capabilities.Byconstructinga prediction model basedon the Back Propagation Neural Network，this study selects earthquake magnitude，tieinethethquakeicetertesityisicortiicationlevelartquakefrecastingopuatiosity andaectedareaasinputlayereuronswiththefectedpopulationasteoutputlayerneuron，achievingprecisepredictionof earthquakecasualties.Furthermore，byintegratingtherelationshipetweenthenumberofaffectedpeopleandthematerialdemand， thedemandforcriticalemergencymaterals（suchasdrinkingwaterandclothing）afteranearthquakeisestimated.Troughepiical analysis，teefectivenessand practicalityofthis modelinpredictingtheafected populationandemergencymaterialdeandare verified.

Key Words：earthquake prediction;Back Propagation Neural Network; emergency material demand prediction

地震災害作為自然界中較為嚴重的自然災害之一，其頻繁發(fā)生對人類社會造成了巨大的破壞和深遠的影響。地震的突發(fā)性、難以預測性以及其強大的破壞力，使得受災地區(qū)往往在極短的時間內面臨基礎設施損毀、房屋倒塌、人員傷亡、生命線系統(tǒng)中斷等多重危機。在這樣的背景下，地震物資預測在解決災后供需不平衡方面發(fā)揮著關鍵性作用。當地震等自然災害發(fā)生時，受災地區(qū)往往會迅速出現物資短缺的現象，尤其是在初期階段，由于信息不對稱、交通中斷、救援力量不足等原因，物資的供應往往難以滿足受災群眾的基本生活需求和救援工作的緊急需要，從而形成供需不平衡的局面。地震物資預測通過科學的方法和模型，可以有效地解決供需不平衡的問題。

在深入查閱國內相關文獻后，發(fā)現學者們采用了不同方法對應急物資需求進行預測，一些學者采用案例推理（CBR）通過收集和分析歷史應急事件案例，依據這些案例的應急物資使用情況來預測新事件的物資需求，王慶榮等（2021）引入消耗策略優(yōu)化案例推理方法，通過具體地震實例的分析，驗證了該方法在應急物資預測中的有效性。王蘭英等（2015）引入直覺模糊集理論，結合案例推理技術，構建一種新的應急物資需求預測模型，通過算例分析驗證了該方法的有效性2。一些學者應用GM（1，1）模型進行應急物資需求預測，王婷婷等（2023）基于改進GM（1，1）模型預測災民數量，結合災民結構特征和安全庫存服務水平系數，構建應急物資動態(tài)需求預測模型，并通過實例驗證其準確性]。胡忠君等（2019）通過構建并改進GM（1，1）模型，結合庫存管理方法，對洪澇災害應急物資的動態(tài)需求進行預測，并通過實例驗證其可行性和預測精度。另外還有一些學者用BP神經網絡構建模型預測應急物資需求，劉芳等（2019）創(chuàng)新融合改進蟻群優(yōu)化（IACO）與BP神經網絡，構建了IACO-BP預測模型，精準預測受災轉移人數，并借助庫存管理理念，預測了洪澇災害應急物資需求]。何忻蕓等（2022）基于BP神經網絡，通過分析洪澇災害相關因素，預測災后緊急轉移安置人口，并結合安全庫存理念預測防汛應急物資需求，提高應急物資預測準確性，為應急救援體系提供參考。石鈺磊等（2017）利用改進型RBP神經網絡預測模型預測地震傷亡人數，結合庫存管理估算應急物資需求。通過三層網絡模型，輸人地震參數預測傷亡率，估算飲食、醫(yī)療和御寒物資需求，并通過驗證云南魯甸縣地震，表明模型有效。郭金芬等（2011）用BP神經網絡預測災后傷亡人數，結合庫存管理估算應急物資需求，為籌措配送提供參考。

基于此，本文采用BP神經網絡模型，該模型通過多層神經元之間的連接，能夠學習并表現復雜的非線性關系。地震受災人數的預測涉及多個因素，如地震的震級、人口密度以及建筑物的抗震能力等，這些因素之間往往存在復雜的非線性關系。GM（1，1）模型雖然通過灰色系統(tǒng)理論能夠處理部分不確定性和小樣本數據，但其線性特性和對復雜系統(tǒng)動態(tài)變化的捕捉能力有限。相比之下，BP神經網絡能夠更準確地捕捉這些復雜關系，提高預測的準確性和可靠性。直接針對地震受災人口進行預測，而非傳統(tǒng)的傷亡率或傷亡人數預測。這顯著提升了應急物資需求預測的準確性和直接性，因為受災人口數量是評估物資需求、制定救援策略及分配救援資源的關鍵基礎。通過精確預測受災人口，能夠更加高效地估算出地震后關鍵應急物資的需求量，從而確保應急響應的迅速性和精準性。地震發(fā)生后，“黃金72小時”是展開救援工作的關鍵時期，因此本文估算在地震發(fā)生后的72小時內物資的需求量，并且選取具有代表性的兩類物資：消耗性物資——飲用水，以及非消耗性物資——衣服作為典型分析對象。

1BP神經網絡預測模型的構建

1.1BP神經網絡

BP神經網絡，即反向傳播神經網絡（BackPropagationNeuralNetwork），是一種多層前饋神經網絡，它通過反向傳播算法進行訓練。包括輸入層、隱藏層（可以有一個或多個）和輸出層，如圖1所示。每一層都包含一定數量的神經元（或稱節(jié)點），這些神經元負責接收前一層神經元傳遞的信號，并通過激活函數處理后輸出給下一層。BP神經網絡模型可以根據不同的問題和數據集進行調整和優(yōu)化。通過調整網絡結構（如層數、神經元數量）、激活函數、學習率等參數，可以進一步提高模型的預測性能。這種適應性和可調性使得BP神經網絡在多種預測場景中都能發(fā)揮出

1.2確定輸入層、輸出層神經元

影響地震傷亡人數的因素是多方面的，在深入研究和廣泛查閱相關地震災害管理、應急救援及數據科學領域的文獻資料后，本文選取震級、時間、震中烈度、抗震設防水平、地震預報、人口密度、受災面積作為輸入層神經元，選取受災人口數量作為輸出層神經元。這些參數對地震物資需求預測具有直接且顯著的影響。震級：震級是衡量地震大小的物理量，震級越高，表示地震釋放的能量越大，對地面的破壞力也越強，因此通常與更高的受災人口相關聯(lián)。時間：不同的時間（白天或夜晚）可能會影響人們的警覺性、活動狀態(tài)以及逃生能力，從而對傷亡人口產生影響。震中烈度：震中烈度越高，表示地震對該地區(qū)的破壞越嚴重。這種破壞不僅限于建筑物倒塌和損壞，還可能包括道路中斷、基礎設施癱瘓等，從而影響居民的生活和安全。高烈度地區(qū)往往伴隨著更廣泛和更嚴重的受災范圍，這直接導致了受災人口數量的增加?？拐鹪O防水平：抗震設防水平是指建筑物、基礎設施等在設計時考慮到的地震抵抗能力?？拐鹪O防水平高的地區(qū)，其建筑物和基礎設施在地震中能夠更好地抵御破壞，從而減少人員傷亡。地震預報：地震預報能夠為受災地區(qū)提供寶貴的預警時間。盡管地震預報的精度和時效性仍然面臨挑戰(zhàn)，但即使是幾秒到幾十秒的預警時間，也能極大地提升人們采取防護措施的能力，減少受災人口數量。人口密度：人口密度是指單位面積內的人口數量。人口密度高的地區(qū)，在同等規(guī)模的地震等自然災害發(fā)生時，受災人口數量往往更多。受災面積：受災面積的大小直接影響到受地震影響的人口數量。受災面積越大，可能涉及的人口就越多，進而增加受災人口的數量。受災人口：地震發(fā)生時，迅速而準確地掌握受災人口數量，是制定有效救援策略、合理分配有限救援物資的前提。

1.3數據收集

1.4數據處理

數據歸一化是一種廣泛采用的數據預處理技術，其核心思想在于將原本具有較大波動范圍的數據集，通過數學變換映射到一個特定的、通常是較小的數值區(qū)間內（如0到1或-1到1）。這一過程旨在消除或減輕不同特征（或指標）之間因數量級差異過大而導致的潛在問題，從而優(yōu)化后續(xù)數據分析或機器學習模型的訓練效率和性能。其公式為：

1.5基于MATLAB的BP神經網絡訓練

首先劃分訓練集和測試集，數據收集后使用rand函數使樣本隨機排序，選取前 8 0 % 為訓練集，剩余 2 0 % 為測試集，即1—14為訓練集，15一18為測試集，有助于確保模型能夠學習到數據的普遍特征。

隱藏節(jié)點個數對預測模型性能有較大的影響，合理調整隱藏層節(jié)點數，可以有效平衡模型的過擬合與欠擬合問題，從而優(yōu)化模型的預測精度和泛化能力。根據公式 ，其中a是一個在1到10之間的常數，計算可以得出所需隱含層神經元數量為[3，13]。通過試湊法確定，當隱含層神經元個數為11時，訓練集的實際值和預測值對比圖像最佳，如圖2所示。

當神經網絡訓練參數設置為最大訓練次數為1000次，學習速率為0.01，最小目標誤差為0.0001時，預測值和實際值最為接近，如表2所示。從表中可以看出，網絡輸出結果與樣本實際結果之間表現出了高度的一致性，尤其是在測試集15、17和18的預測上，網絡輸出結果與實際結果的差距非常小，幾乎可以忽略不計。即使在測試集16上，雖然存在一定的誤差，但考慮到地震災害預測的復雜性和不確定性，這樣的預測精度仍然是相當可觀的。

因此，本文判斷該神經網絡模型在預測地震災害中的受災人數方面展現出了良好的性能，其預測結果與實際值高度接近，具有較高的準確性和可靠性，驗證了模型的有效性和適用性。

2地震救災物資預測

2.1應急物資估算模型

2.1.1 種類需求

本文估算在地震發(fā)生后的72小時內，與受災人數直接相關的關鍵物資需求量。水，作為生命之源，對維持人體正常生理功能具有無可替代的重要性。當地震這類自然災害發(fā)生時，其破壞力往往導致供水系統(tǒng)遭受重創(chuàng)，包括水井受到污染、供水管道破裂以及泵站停止運行，這一系列連鎖反應會嚴重阻礙受災地區(qū)的飲用水供應，使居民面臨嚴峻的飲水困境。與此同時，地震還可能導致建筑物倒塌，使得居民的衣物在混亂中損毀或遺失。在寒冷的天氣條件下，這種情況尤為嚴重，因為缺乏衣物將直接威脅到受災群眾的生存安全，特別是那些身體較為脆弱的老人、兒童和體弱者，他們更容易受到寒冷侵襲，從而引發(fā)健康問題?；诖?，本文選取具有代表性的兩類物資：消耗性物資——飲用水，以及非消耗性物資——衣服作為典型分析對象。

2.1.2 構建模型

地震發(fā)生時，地質構造與地形地貌導致的受災程度和范圍差異、人口密度、經濟發(fā)展水平、季節(jié)與氣候條件都會對應急物資的需求量產生影響。構建模型時主要考慮季節(jié)和地區(qū)兩個因素。不同季節(jié)的自然環(huán)境和社會活動特點不同，導致對應急物資的需求也存在顯著差異。例如，在夏季，由于天氣炎熱，可能需要更多的飲用水、清涼衣物；而在冬季，則需要更多的保暖衣物，對飲用水的需求量較少?？紤]到地區(qū)間的經濟發(fā)展水平、地理環(huán)境等因素的差異，為不同地區(qū)設定特定的系數。地區(qū)系數反映了災區(qū)的社會經濟屬性，如人口密度、經濟發(fā)展水平、救援能力等，這些屬性直接影響應急物資的需求量和分配策略。具體計算公式如下。

公式中： 表示應急物資需求量， 表示每人每天種物資的需求量， L 表示受災人數預測值， 表示地區(qū)系數， 表示季節(jié)系數， n 表示所需天數。

根據《環(huán)球計劃手冊》與《中國居民膳食指南（2022）》的標準，不同季節(jié)對物資需求有所調整。對于飲用水來說，夏季因高溫導致排汗增多，飲用水需求增大，季節(jié)指數設為1.5；春秋兩季氣候溫和，但仍需適量補水，季節(jié)指數為1.2；冬季則因排汗減少，水分需求降低，季節(jié)指數為1。對于衣物，冬季寒冷需更多保暖衣物，季節(jié)指數為2.0；春秋兩季溫度變化大，衣物需求也較高，季節(jié)指數為1.5；而夏季因高溫多著輕薄衣物，需求相對較低，季節(jié)指數為 表3為物資需求量預測標準[]。

2.2地震物資估算

2.2.1 數據收集

估算以下三次地震的應急物資需求情況：1988年11月6日21時03分14秒，云南瀾滄－耿馬發(fā)生的7.6級地震，2001年10月27日中午1點35分，云南永勝發(fā)生的6.0級地震以及2008年8月30日16時30分，四川省攀枝花市仁和區(qū)、涼山彝族自治州會理縣交界發(fā)生的6.1級地震，主要數據如表4所示。

2.2.2 預測受災人口

將收集到的數據進行歸一化處理后進行預測，如圖3所示瀾滄一耿馬受災人口為249.1574萬人，圖4所示永勝受災人口為25.4187萬人，圖5所示攀枝花受災人口為83.5905萬人，與實際值誤差較小，這一結果充分說明了BP神經網絡在預測應急物資需求方面具有較高的準確性和可靠性。

2.2.3物資估算

經查閱資料，得到這三個地區(qū)的地區(qū)系數近似值都為1，瀾滄一耿馬和永勝的地震發(fā)生時間在冬季，飲用水和衣服的季節(jié)指數分別為1.0和2.0，攀枝花的地震發(fā)生時間在夏季，飲用水和衣服的季節(jié)指數分別為1.5和1.0。根據公式（2）可得如下。

升） 套）

升） 4（套） （升） 套）

計算得出震后72h內瀾滄一耿馬災區(qū)需要消耗類物資飲用水1308.1萬升，即常規(guī)550ml瓶裝水2378.2萬瓶，非消耗類物資衣服需要498.3萬套；云南永勝災區(qū)需要飲用水133.5萬升，即瓶裝水242.7萬瓶，衣服需要50.9萬套；四川攀枝花需要飲用水658.3萬升，即瓶裝水1196.9萬瓶，衣服需要83.6萬套。可以看出，前兩次地震發(fā)生在冬季，對衣服的需求量相對較大，而對水的需求量相對較小。反之，第三次地震發(fā)生在夏季，對水的需求量相對較大，對衣服的需求量相對較小。在未來的災害預防和應急管理中，應該更加注重季節(jié)性差異，科學預測并合理調整應急物資的儲備與分配策略。

3結束語

通過對地震應急物資需求的深人研究，提出了一種基于BP神經網絡的預測模型，該模型通過綜合考慮多種影響因素，實現了對地震傷亡規(guī)模的精準預測，并據此估算了關鍵應急物資的需求量。實證分析表明，該模型具有較高的預測精度和實用性，能夠為地震災害的應急響應和物資調配提供科學依據。未來，隨著數據量的增加和模型的不斷優(yōu)化，該預測方法有望在更廣泛的災害管理領域發(fā)揮重要作用，進一步提升我國應對自然災害的能力和水平。

參考文獻：

[1]王慶榮，馬辰坤．面向案例消耗推理的應急物資預測[J]．計算機工程與應用，2021，57（22）：281-287.

[2]王蘭英，郭子雪，張玉芬，等．基于直覺模糊案例推理的應急物資需求預測模型[J]：中國礦業(yè)大學學報，201544（4）：775-780[3]王婷婷，陳偉炯，張善杰，等．城市雨災洪澇背景下應急物資動態(tài)需求預測[J]．上海海事大學學報，2023，4（1）：73-80.

[4]胡忠君，劉艷秋，李佳．基于改進 的洪澇災害應急物資動態(tài)需求預測[J]：系統(tǒng)仿真學報，2019，31（4）：702-709.

[5]劉芳，馮丹，宮雪然．基于IACO-BP 算法的洪澇災害應急物資需求預測[J]．沈陽工業(yè)大學學報，2019，41（3）：32-338.

[6]何忻蕓，王超．基于BP神經網絡的防汛應急物資需求預測研究[J]．信息與電腦（理論版），2022，34（24）：84-86，91.

[7]石鈺磊，成世杰，宋啟杰．基于大數據的震災應急物資需求預測方法研究[J]．軍民兩用技術與產品，2017（19）：58-61.

[8]郭金芬，周剛．大型地震應急物資需求預測方法研究[J]．價值工程，2011，30（22）：27-29.

[9]鄧硯，蘇桂武，聶高眾．中國地震應急地區(qū)系數的初步研究[J]．災害學，2008（1）：140-144.

[10] 陳濤，許燕蓉，龍厚?。嫦虻卣馂暮Φ膽蔽镔Y需求預測[J]．上海大學學報（自然科學版），2022，28（6）：946-956.