基于时间序列分析的火灾分析与预测*

2011-04-12陈俊达李晓宏李佳乐兰月新

科学之友 2011年7期

陈俊达，李晓宏，李佳乐，徐茂，兰月新

（中国人民武警部队学院，河北廊坊 065000）

1 引言

火灾数据分析和预测不仅能够客观地反映和预测一个地区受到火灾危害的程度，而且还是消防部门认识火灾发展规律、判断火灾形势、制定火灾风险防范和控制计划、制定城市消防规划、制定灭火预案，以及进行消防技术装备决策及灭火救援指挥等消防决策的重要依据。因为火灾的发生起数与人口密度有较大关系，所以对火灾的发生起数进行分析与预测会忽视人口密度的影响。为了更好地进行火灾趋势研究，本文通过对1997—2008年火灾发生率（起/10万人口）数据应用指数平滑法预测2009—2015年的火灾变化率，进而对1997—2015年火灾变化趋势进行时间序列分析，为掌握火灾发生规律及进行火灾预防等提供了依据。

2 时间序列分析

时间序列分析（Time Series Analysis）是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。经典的统计分析都假定数据序列具有独立性，而时间序列分析则侧重研究数据序列的互相依赖关系。后者实际上是对离散指标的随机过程的统计分析，所以又可看做是随机过程统计的一个组成部分。时间序列模型有很多，需要根据实际数据的图形形态确定选择哪种模型，常见的时间序列模型主要分为倾向线的拟合和倾向线的修正两种方法体系。

倾向线的拟合方法，实质上是一种时间序列回归分析法，主要是通过建立数学模型，将已掌握的数据通过软件拟合成曲线，然后再根据数学工具对该曲线进行分析，从而发现研究对象的发展规律。在检验线的拟合方法时需要计算拟合程度的不一致系数，即

主要方法有多项式曲线法、指数曲线法和生长曲线法。其中，在利用多项式曲线模型时，首先要根据数据作出散点图，然后根据散点的趋势选择适当的曲线。一般而言，多项式次数越高，拟合时间序列越好。但在实际应用中，次数越高，计算过程越复杂，一般通过比较不一致系数来确定次数。

倾向线的修正方法，则是对时间序列不规则、有突变的轨迹大致地修匀，形成平滑的倾向线，以此把握事物的发展趋势，主要方法有移动平均法和指数平滑法。

3 1997—2008年火灾分析与预测

3.1 参数选取及数据处理

火灾发生与趋势分析参数一般有火灾起数、死伤数、直接经济损失、火灾发生率、死伤率、火灾损失率等。但是考虑到火灾的发生很大在一定程度上受人为影响的因素比较多，所以在趋势分析中要考虑人口数量对火灾起数的影响。为了更好地对火灾发生趋势进行分析与预测，本文对火灾发生率（起/10万人口）建立时间序列模型进行分析和预测。此外，为了更好地说明火灾变化趋势及凸显数据中蕴含的积分特性，文章考虑火灾发生率的累加序列。具体火灾发生率（起/10万人口）及累计序列数据见表1（数据来源为2009年中国消防年鉴）。