[發明專利]一種城市事故災害演化模擬及風險預測預警方法

有效

• 申請號: 202010640242.2
• 申請日: 2020-07-06
• 公開（公告）號: CN111797572B
• 公開（公告）日: 2021-03-05
• 發明（設計）人: 吳建松;胡嘯峰;原帥琪;沈兵;蔡繼濤
• 申請（專利權）人: 中國礦業大學(北京);中國人民公安大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06Q10/06;G06Q50/26;G06F16/27;G06F16/28;G06N7/00;G06N20/00;G06F111/10
• 代理公司: 北京律遠專利代理事務所(普通合伙) 11574
• 代理人: 全成哲

1.一種城市事故災害演化模擬及風險預測預警方法，其特征在于，所述方法具體為：

利用機器學習技術方法，通過利用多種數據構建城市事故災害演化數據倉庫來實現對城市事故災害機器學習快速預測模型的參數訓練與參數學習，機器學習快速預測模型通過對視頻監控數據、傳感器實時監測數據的分析與計算來實現對城市事故災害風險的快速預測預警；

其中，建立的數據倉庫通過高置信度數值模擬數據來擴充數據容量；高置信度的數值模擬數據通過兩類模型產生：一類是經過實驗數據或事故災害歷史數據驗證的數值模擬模型；另一類是基于數據同化技術的估計及擴散預測矯正模型；基于數據同化技術的估計及擴散預測矯正模型由貝葉斯推斷—集合卡爾曼濾波耦合數據同化模型構建完成，所述貝葉斯推斷—集合卡爾曼濾波耦合數據同化模型首先通過貝葉斯推斷方法結合由實驗數據或事故災害歷史數據中提取的觀測數據實現對源項信息的反演估計，進而將獲得的源項信息反演計算結果用于時空分布的預測，并通過集合卡爾曼濾波算法結合觀測數據實現對時空分布的矯正；

貝葉斯推斷—集合卡爾曼濾波耦合數據同化模型算法流程如下：

通過貝葉斯推斷方法實現燃氣泄漏源項信息反演計算，如公式一所示：

式中，Q為源項參數，I為觀測值，P(I|Q)表示似然函數，P(Q)是基于先驗信息對源項參數的先驗估計，P(Q|I)表示源項參數后驗概率分布，似然函數可表示為：

式中，分別為t時刻第i個傳感器的觀測值與預測值，表示t時刻第i個傳感器的模型誤差與觀測誤差，源項參數Q的后驗分布為：

完成源項參數反演計算后，將獲得的源項信息用于燃氣濃度時空分布的預測，并通過集合卡爾曼濾波實現對燃氣濃度時空分布的矯正，具體如公式五：

式中，為i時刻狀態集合中第n個狀態預測值，M為預測模型，即i-1時刻到i時刻狀態的變化關系，為i-1時刻狀態集合中第n個狀態更新值，θ為預測模型誤差，

當i時刻存在觀測值時，將通過觀測值更新集合中所有的狀態：

P_e＝B′B′^T 公式十

式中，是i時刻狀態集合中第n個狀態更新值；K_e是增益矩陣；I_n(t_i)是i時刻的觀測數據；H表示觀測模型；β表示觀測誤差，R_e為觀測誤差協方差矩陣；P_e為狀態的預測模型誤差協方差矩陣；b表示狀態向量，由各個位置處的燃氣濃度值組成，N表示集合的大小；

由貝葉斯推斷-集合卡爾曼濾波耦合數據同化模型可產生不同風條件下的高置信度時空分布數據，基于此高置信度的時空分布數據構建數據倉庫，并基于數據倉庫通過機器學習技術方法構建城市事故災害機器學習快速預測模型，基于數據倉庫中的數值模擬數據集對機器學習模型進行訓練和驗證，選用SVM、隨機森林、DBN、CNN和LSTM機器學習模型，構建時空預測模型，模型的目標函數定義如公式十一、公式十二所示：

E＝RMSE(Ci_predict，Ci_ture)+RMSE(Sv_predict，Sv_ture) 公式十一

其中E代表機器學習模型的目標函數，Ci_predict為泄漏氣體濃度的預測值，Ci_ture為泄漏氣體濃度的真實值，Sv_predict為泄漏氣體濃度變化速率的預測值，Sv_ture為泄漏氣體濃度變化速率的真實值，n為樣本的數量。

2.如權利要求1所述的城市事故災害演化模擬及風險預測預警方法，其特征在于，所述方法中城市事故災害演化數據倉庫構建完成后，基于該數據倉庫進行機器學習預測模型的構建，模型的訓練集和測試集劃分的比例為4:1，在訓練集上采用交叉驗證的方法對模型進行訓練，并在測試集上計算模型的預測性能指標。

3.如權利要求1所述的城市事故災害演化模擬及風險預測預警方法，其特征在于，所述方法中城市事故災害演化數據倉庫包括：城市中各類傳感器實時監測數據；各類事故災害的歷史數據；各類城市事故災害的實驗數據；各類城市事故災害的高置信度數值模擬數據。