基于灰色关联分析与BP神经网络的台风灾害人道救援物资需求量预测研究

2018-04-08

福建质量管理 2018年7期

(北京物资学院　北京　100000)

一、引言

中国红十字会是政府人道领域的好助手，在应对自然灾害和突发意外情况，能够第一时间为群众提供人道援助，将灾害损失将至最低。合理的预测人道救援物资的种类和数量十分重要。台风灾害是世界上最严重的自然灾害之一，由于能量大，给所到之处造成的破坏也是巨大的，往往具有突发性强、破坏力大的特点。每年平均有7个台风在我国登陆，造成严重的人员和财产损失，给经济和社会发展带来重大影响。本文以台风灾害所需的人道救援物资帐篷为例，运用灰色关联度分析，选取关键影响因素，通过建立台风所需人道救援物资帐篷需求量BP神经网络预测模型来预测帐篷数量。

二、影响因素分析

主要从人道救援物资需求的地域、时间、种类和数量四个方面分析人道救援物资的影响因素，根据台风灾害发生、影响等特点，将台风灾害所需物资需求的因素归纳为以下几点：

(一)受灾季节

台风是由热带的空气旋转形成的，集中发生在每年的夏秋季节。台风登陆后强度会逐渐减弱，但其可能给内陆造成暴雨、大暴雨甚至特大暴雨等强天气，也可能与前期汛情发生叠加效应，发生山洪、泥石流等次生灾害。一般情况，秋季台风的破坏性更强。由台风造成的直接或次生灾害以及发生灾害的季节决定了保障受灾群众所需的物资种类，如造成的洪灾需要单帐篷、毛毯、家庭箱等物资。

(二)受灾区域

图1　1949—2015年台风登陆我国各省(市、区)年均次数

登陆型台风基本在我国广东省、福建省、浙江省等沿海省份登陆，虽然内陆省份也会受到台风的影响，但沿海省份受灾情况更为严重，见图1。受灾区域不同，人口密度，经济发展情况也都不同，灾害发生后造成的生命与财产损失也就不同，这些对人道救援物资需求的种类和数量都有着十分重要的影响。

(三)受灾人口

台风灾害发生后，根据灾后评估确定受灾人口，也就是救援物资需求人口数量。救援物资是主要是用来救济保障灾区人民生活的，其其数量主要是根据受灾人口的数量确定的，例如，救援帐篷的数量按照实际救援人口的1/4计算，因此，救援物资的需求数量与受灾人口数量息息相关，受灾人口数量对人道救援物资需求量的确定十分重要。

(四)台风登陆时的等级

台风登陆时的等级越大，造成的破坏就越大，受灾相关的受灾人口数量、死亡失踪人数、农作物受灾面积、房屋损坏数量、紧急安置人口数量以及直接经济损失等指标体现的越明显。通过国家减灾网等渠道统计确定台风登陆时的等级，对人道救援物资数量的确定起到十分重要的影响。

三、预测方法

本文采用定量预测的方法，利用统计方法和数学模型，分析近几年来典型台风灾害相关数据，运用灰色关联分析与BP神经网络预测综合模型预测台风灾害所需人道救援物资帐篷的需求数量，并对预测结果进行分析。

(一)灰色关联分析模型

设数列X0={x0(k)|k=1,2,…,m}，Xi={xi(k)|i=1,2,…,n;k=1,2,…,m}则数列X0对数列Xi在k点的关联系数γ(x0(k),xi(k))为：

公式中，minimink|x0(k)-xi(k)|为两级最小差；maximaxk|x0(k)-xi(k)|为两级最大差值；ρ为分辨系数且ρ∈(0,∞)，越小表示分辨力越大，一般ρ的取值区间为(0,1)，当ρ≤0.5436时，分辨力最好。本文取ρ=0.5。

数列X0对数列Xi的关联度γ(X0,Xi)计算公式为：

(二)BP神经网络模型

BP神经网络模型处理信息的原理是：输入信号通过中间节点作用于输出节点，经过非线形变换产生输出信号。输出值与期望值之间的偏差可通过调整输入节点与隐含层节点之间的关联强度和隐含层与输出节点之间的关联强度以及阈值，时误差沿梯度方向下降，经过反复学习，确定与最小误差相对应的参数。

BP神经网络的中间层数、各层的节点个数可根据具体情况任意设定，并且随着结构的差异性能也有所不同。图2为是m×k×n的三层BP网络模型。

图2　m×k×n三层BP神经网络模型

BP神经网络的设计主要包括网络层数、输入层节点数、隐含层节点数、输出层节点数级传输函数、训练方法、训练参数的设置等几个方面。

四、台风人道救援物资的预测

(一)预测影响指标选取和灰色关联分析

经过多方面考虑，本文选取台风登陆时的强度风力等级、受灾地区人口密度、受灾人口数量、死亡失踪人口、紧急转移安置人口、农作物受灾面积、倒塌房屋数量、房屋损坏数量和直接经济损失等作为衡量台风灾情的指标，其对人道物资需求也将产生重要影响。

选取近年来，我国发生的13次台风受灾数据作样本，样本数据，见表1：

表1　台风灾害样本数据表

注：表中对应的台风灾害与受灾地点分别是：1.“纳沙”，江西省；2.“海马”，广东省；3.“莎莉嘉”，海南省；4.“狮子山”，吉林省；5.“尼伯特”，福建省；6.“彩虹”，广东省；7、“苏迪罗”，浙江省8.“苏迪罗”，安徽省；9.“灿鸿”，江苏省；10.“彩虹”广西自治区；11.“威马逊”，广东省；12.“海鸥”，海南省；13.“凤凰”，浙江省。

取帐篷需求量为Y作为输出值，取登陆时台风风力等级为X1、人口密度为X2、需求人口X3、死亡失踪人口X4、紧急转移安置人口X5、农作物受灾面积X6、倒塌房屋数量X7、房屋损坏数X8、直接经济损失X9等作为输入值。

首先，运用spss19.0对原样本数据进行标准化处理，消除量纲和数量级的影响，解决各数值不可综合性的问题。不考虑个指标的权重，把无量纲化处理完毕的数据计算各指标与帐篷需求量之间的联系。取分辨系数ρ=0.5，计算结果，见表2：

表2　影响指标灰色关联度计算结果

记影响指标Xi对帐篷需求数量Y的灰色关联度为：γ(Xi)，将计算出的各影响指标灰色关联度进行大小排序，有：γ(X1)﹥γ(X5)﹥γ(X4)﹥γ(X7)﹥γ(X9)﹥γ(X2)﹥γ(X8)﹥γ(X6)﹥γ(X3)。剔除关联度γ﹤0.6的影响指标，将剩下的影响指标作为预测的输入值进行预测。

(二)预测模型的建立

以灰色关联度大于0.6的影响指标X1、X2、X4、X5、X7、X8、X9作为输入变量，以帐篷需求量Y作为输出变量。即输入层的节点数为7，输出层的节点数为1。将前12组数据作为预测的基数据，将最后一组数据作为预测的数量，预测完毕后，预测数据与实际数据作对比分析，数据处理结果见表3。

表3　预测数据处理结果

隐含层节点数的设置，本文采用以下的经验公式：

式中，n为输入层节点数,m为输出层节点数，a为a[1,10]之间的常数。根据上式可以计算出隐含层节点数为4～13个之间，本文选择隐含层节点数为6。

将训练样本数据归一化后输入网络，取网络隐含层、输出层激励函数分别为为tansig和logsig函数，网络训练函数为traingdx，网络性能函数为mse，隐含层节点数为6。设定网络迭代次数epochs为5000次，期望误差goal为0.0000001，学习速率lr为0.01。设定完参数后，开始训练网络，网络结构参数，见表4-5：