基于情景数据的火灾预测模型设计与实现

刘洪太 郭云霞

摘 要：针对目前火灾数据利用率低的问题，文章提出基于火灾情景数据构建分析预测模型，对不同情景数据进行权重配比，来预测火灾事故的影响等。最后，文章对提出的模型进行了模拟应用，预测结果准确，表明基于情景数据分析预测模型能够充分利用消防应急数据，具有较高的决策價值。

关键词：火灾；情景数据；预测模型

中图分类号：TU998.1 文献标志码：A 文章编号：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

近几年，我国频发火灾事故[1]，火灾发生时，由于决策者对火灾可能造成的影响没有清晰的判断，导致应急预案启动延迟或不准确，造成了严重的后果。火灾的复杂性也使得灾害发生发展过程极为复杂[2]。这些年，国家有关部门和企业在火灾事故方面都积累了大量的情景数据，但相当大的一部分数据还没有被开发利用。现如今，大数据技术已经在各行各业得到了广泛的应用[3]，在火灾事故处理方面也得到了应用[4-5]。

综上分析，本文提出基于情景数据构建火灾预测模型，以火灾特征数据作为模型输入，造成的损失如直接财产损失作为输出。输出结果可以应用于消防应急决策中，使应急决策者及时了解火灾可能造成的影响，快速启动应急预案，减少火灾的危害。

1 模型构建

1.1 问题描述及数据

构建基于情景数据的火灾预测模型时， 情景数据搜集应尽量全面，基础的情景数据结构描述如下：

火灾场地数据结构（起火地点，起火面积，场地耐火等级，地质，有无重大危险源，可燃物类型，可燃物燃烧性能，可燃物数量，可燃物分布密度，潜在的引火源，周围供水能力，周围灭火设备及系统，周围灭火设备数量，人口密度）；消防队数据结构（消防队名称，消防队地点，消防员人数，联系人，联系人电话）；消防装备数据结构（装备名称，装备存放地点，装备数量，装备状态，联系人，联系人电话）；天气环境数据结构（时间，地点，气温，气压，湿度，天气状况，风力，风向）；火灾信息数据结构（火灾编号，火灾发生时间，火灾发生地点，火灾原因分类，火灾等级，起火物，报警时间，启动应急预案时间，警员出动时间，出动警员人数，装备物资出动时间，警员到达时间，装备物资到达时间，火灾扑灭时间，应急预案编号）；火灾损失数据结构（火灾编号，直接财产损失，过火面积，受灾人数，环境污染等级）。

鉴于火灾情景数据量大的特点以及分析预测模型需要具有高效的实时处理能力，本文选用Hadoop大数据平台为依托进行分析建模，选取RBF神经网络[6]作为数据分析技术。

1.2 数据分析算法

RBF神经网络为前向两层神经网络，并含有单隐含层，处理非线性关系数据有很好的效果。

图1为一般的RBF神经网络的结构图。

如图1所示，RBF网络的输入向量由n个输入数据组成，在模型隐含层有由m个元素组成的中间向量H=[h1，h2，…，hn]T，hm称为径向基函数，操作符·代表一个p基，称为欧氏范数。RBF网络的第三层为综合输出，公式（1）：

对于RBF输出权重的更新迭代算法，使用梯度下降方法来进行，中心点宽度表示如下：

模型构建过程中的RBF神经网络算法选用高斯函数[8]作为核函数。

1.3 模型参数及输入权重确定

模型中以情景数据的属性作为模型输入，本文采用基于粗糙集理论的规则权重确定方法[7]对真实火灾数据以及应急演练数据进行初始的权重分配。

模型数据用数据集中70%、20%、10%的数据分别训练数据、验证数据、测试数据。

2 基于情景数据的火灾预测模型模拟应用

2.1 数据选取

模拟应用中使用某应急管理系统中的火灾数据为基础，模拟应用中共抽取了100条真实火灾记录以及1000次演练记录作为模拟数据，并按照1.1节中70%、20%和10%的数据比例进行分配使用。

2.2 应用效果

本文对模型预测精确性做了评估，选用平均绝对百分比误差（MAPE）作为预测结果评判标准：

图2为使用基于情景数据的火灾预测模型，来预测最后10条真实火灾损失的预测结果。

通过公式（3）以及实验结果数据得出，最后10条真实火灾损失的MAPE值为0.8978。

3 结束语

本文提出基于火灾情景数据对火灾预测模型进行设计与实现，以情景数据作为输入并进行权重控制，最后以实际的应急系统进行模拟应用，预测效果明显，证明了基于情景数据的火灾预测模型能够获得精确的预测效果，可以为消防应急决策提供强有力的决策支持，值得推广。

参考文献：

[1]傅智敏.我国火灾统计数据分析[J].安全与环境学报，2014（06）.

[2]刘永杰.火灾调查研究及分析[J].中国科技信息，2010（18）.

[3]Kristen，Etheredge，Chidambaram，等.大数据改变能源未来[J].首席财务官，2016（1）：84-85.

[4]朱亚明.基于大数据的建筑火灾风险预测[J].消防科学与技术，2017（7）：1011-1013.

[5]张芳.消防大数据平台的建设[J].电子技术与软件工程，2017（7）：174-174.

[6]卫敏，余乐安.具有最优学习率的RBF神经网络及其应用[J].管理科学学报，2012（04）.

[7]姜长虹，何天荣，屈玉华，等.基于粗糙集理论的规则权重确定方法[J].甘肃联合大学学报（自然科学版），2008（06）：35-37.

[8]韩孝明.高斯函数在数值估算中的应用研究[J].湖南城市学院学报（自然科学版），2015（03）.