[發明專利]一種基于風險分級預測的城市火災事件處理方法、系統及存儲介質

有效

• 申請號: 202110686295.2
• 申請日: 2021-06-21
• 公開（公告）號: CN113379267B
• 公開（公告）日: 2023-06-16
• 發明（設計）人: 張可;柴毅;邱可玥;李希晨;安翼堯
• 申請（專利權）人: 重慶大學
• 主分類號: G06Q10/0635
• 分類號: G06Q10/0635;G06F30/27;G06F18/2431;G06Q50/26
• 代理公司: 重慶市嘉允啟行專利代理事務所(普通合伙) 50243
• 代理人: 胡柯

1.一種基于風險分級預測的城市火災事件處理方法，其特征在于，所述方法具體方法如下：

獲取城市的歷史火災信息、歷史火災結果信息和目標城市突發火災信息；

根據歷史火災信息和歷史火災結果信息，為歷史火災進行風險分級并構建火災風險分級模型；

根據火災風險分級模型，計算目標火災的風險分級；

獲取與目標火災風險分級相同的歷史火災的消防車數量和事故處理時間，采用神經網絡算法計算目標火災的最優消防車出勤數量；

所述火災信息包括有以下內容：

火災情況、火災場所、建筑類型、建筑物狀態、火災探測器響應情況、自噴響應情況、氣溫和風力；

所述火災結果信息包括有以下內容：

救援響應時間、救援人數、受困人數；

所述火災情況包括有以下內容：

1、建筑火災；2、固定火災；3、移動性火災；4、自然植被火災；5、室外垃圾火災；6、室外特殊火災；7、農作物火災；8、其他類型火災；

所述火災場所包括有以下內容：

1、多用途；2、教育；3、醫療；4、住宅；5、商業；6、工礦、農場；7、加工制造場所；8、倉庫；9、室外其他建筑；10、其他；

所述建筑類型包括有以下內容：

1、封閉式建筑；2、可移動式建筑；3、開放式建筑；4、膜結構建筑；5、帳篷；6、

開放的平臺；7、地下建筑；8、裙房；9、其他；

所述建筑物狀態包括有以下內容：

1、在建；2、正常使用；3、不常用的二手建筑；4、大型的裝修；5、空建筑；6、正在被拆；7、其他；

所述火災探測器響應情況包括有以下內容：

1、探測器動作，住戶響應；2、探測器動作，但住戶無響應；3、無住戶；4、探測器無動作；5、無探測器；

所述自噴響應情況包括有以下內容：

1、有效工作；2、失效；3、火災太小未能響應；4、未能發揮作用；5、無自噴系統；

所述氣溫和風力的數字化表達方式為：

氣溫：1、寒-5℃-5℃；2、涼5℃-15℃；3、溫15℃-25℃；4、熱25℃-35℃；5、極熱35℃；

風力：1、無風；2、軟風；3、和風；4、強風；5、大風；6、狂風；7、臺風；

E_i表示第i件歷史突發火災信息，且E_i＝{ind_i_1,ind_i_2,...,ind_i_n}，其中ind_i_n表示歷史突發火災事件E_i的關鍵指標ind_n的信息；

所述根據歷史火災信息和歷史火災結果信息，為歷史火災進行風險分級的具體方法如下：

定義并標注各歷史突發火災事件的可能性等級P_i，i＝1,2,...,m：

統計歷史突發火災事件關鍵特征信息集合，獲取與第i件歷史突發火災事件關鍵特征信息火災情況l₁、火災場所l₂、建筑類型l₃、建筑物狀態l₄相同的事件出現的頻數信息：

S＝{(l₁,t₁),(l₂,t₂),(l₃,t₃)，(l₄,t₄)}

T_i表示火災情況l₁、火災場所l₂、建筑類型l₃、建筑物狀態l₄與第i件歷史突發火災事件都相同的事件出現的頻次；t_j，j＝1,2,...,m，代表第j種關鍵特征信息相同的歷史突發火災事件出現的頻次；

第i件歷史突發火災事件的可能性等級評估值為：

根據評估值S將火災發生的可能性等級P_i，i＝1,2,...,m，可分為6級；

1：極低＜1％，2：較低1％-5％，:3：中5％-10％，4：高10％-25％，5：較高25％-50％，6：極高≥50％

定義并標注各歷史突發火災事件的嚴重度等級l_i，i＝1,2,...,m：

火災導致的結果嚴重度可分為5級：

1甚微：財產損失在0～1萬人民幣或0～2人受傷、

2較小：財產損失在1～5萬人民幣或2～8人受傷、

3一般：財產損失在5～10萬人民幣或8～20人受傷或1～5人死亡、

4重大：財產損失在10～100萬人民幣或20～50人受傷及或5～14人死亡

5災難：財產損失在100萬以上人民幣或50人及以上受傷或死亡14人及以上；

定義并標注各歷史突發火災事件的可修復性等級r_i，i＝1,2,...,m：

根據專家經驗，針對歷史火災突發事件災后修復的狀況，對災后可修復性進行評價，分為1完全可修復、2基本可修復、3基本不可修復、4完全不可修復四個等級；

則第i件歷史火災突發事件所有信息可表示為E_all_i＝{E_i,p_i,l_i,r_i}，得到第i件歷史火災突發事件發生的可能性、嚴重度、可修復性的等級向量X_{History_i}＝{p_i,l_i,r_i}；

根據歷史第i件歷史火災突發事件發生的可能性、嚴重度、可修復性的等級向量X_{History_i}＝{p_i,l_i,r_i}，計算第i件歷史火災突發事件的風險程度值確定歷史第i件歷史火災突發事件的風險程度等級History_Lev_i：

滿足風險程度值在數值區間[0,1)時風險程度等級History_Lev_i＝1，為A極低風險；

滿足風險程度值在數值區間[1,3)時風險程度等級History_Lev_i＝2，為B低度風險；

滿足風險程度值在數值區間[3,5)時風險程度等級History_Lev_i＝3，為C中度風險；

滿足風險程度值在數值區間[5,7)時風險程度等級History_Lev_i＝4，為D高度風險；

滿足風險程度值在數值區間[7,9]時風險程度等級History_Lev_i＝5，為E極高風險；

所述構建火災風險分級模型的具體方法如下：

1)所有城市歷史火災突發事件集表示為History＝{History₁,History₂,...,History_i,...,History_N}，其中History_i＝(E_i,History_Lev_i)；將若干城市歷史火災事件各所有關鍵特征信息集E_History＝{E₁,E₂,...E_i,,...,E_N}作為樣本，E_i∈E_History為城市歷史火災事件各所有關鍵特征信息集中的任一樣本，History_Lev_i為該樣本標記的風險程度等級，History_Lev_i∈[1,5]；按均勻分布隨機地將E_History＝{E₁,E₂,...E_i,,...,E_N}其中的80％作為訓練集F,20％作為測試集G；

2)在訓練集F上用CART分類回歸樹算法訓練生成包含num棵樹的初始隨機模型，即：在訓練集F上訓練隨機森林模型，生成包含num棵樹的初始隨機森林模型，訓練時num的值取100；

3)將測試集G輸入初始隨機森林模型，計算每棵決策樹分類結果的相似度和精確度，即：

相似度由Kappa統計量確定，計算方法如下：

令為測試集G中第i'個樣本E_i’被第j棵樹預測獲得的風險程度等級，其中k＝[1,5]，定義：

表示測試集G中被第j棵樹預測為第k風險程度等級的歷史事件集合；

G_k＝{E_i’|History_Lev_i'＝k,History_i'∈G}表示測試集G中標記為第k風險程度等級的歷史事件集合；

表示測試集G中被第j棵樹正確預測為第k風險程度等級的歷史事件集合；

則第j棵樹Tree_j的分類觀測一致率表達式為：

則第j棵樹Tree_j的分類期望一致率表達式為：

則第j棵樹Tree_j的相似度Kappa統計量表達式為：

精確度計算方法如下：

精確度根據決策樹對樣本的預測風險程度等級和標記風險程度等級之間的方差來度量，歸一化處理后得到第j棵決策樹Tree_j對于測試集G中所有樣本History_i'∈G的精確度為：

4)根據相似度和精確度，計算每棵決策樹的綜合性能指標為：H^(j)＝αK^(j)+(1-α)R^(j)，其中，α為可調參數，α∈[0,1]；

5)將所有決策樹Tree＝{Tree₁,Tree₂,...,Tree_j,...,Tree₁₀₀}的H^(j)值由高到低進行排序得到Tree'＝{Tree₁',Tree₂',...,Tree_j',...,Tree₁₀₀'}，取前h個H^(j)值對應的決策樹組成改進后的隨機森林模型CTree＝{Tree₁',Tree₂',...,Tree_h'}，用于對目標突發火災事件的風險程度等級進行預測；

獲取與目標火災風險分級相同的歷史火災信息，歷史火災信息包括有消防車數量和事故處理時間，采用神經網絡算法計算目標火災的最優消防車出勤數量的具體方法如下：

1)將與目標突發火災事件風險程度等級Target_Lev相同的歷史突發火災事件對應的消防車出勤數量、事故處理時間分別構建為兩個數據集；

2)以消防車出勤數量數據集為神經網絡模型的輸入，以突發火災事故處理時間數據集為神經網絡模型的輸出，前70％作為訓練集，后30％作為測試集，構建單隱層神經元個數為8的神經網絡模型W(消防車出勤數量)＝f(事故處理時間)

3)構建目標函數為其中input為神經網絡模型W的輸入，即input為消防車出勤數量，output為神經網絡模型W的輸出，即事故處理時間；

4)給定消防車出勤最大數量以及事故處理允許最長時間，以消防車出勤最大數量作為模型的初始輸入數據，獲得目標函數值；然后每次使輸入數據消防車出勤數量減少1，再獲得目標函數值；以此類推，直到消防車出勤數量等于0或者模型輸出道路事故處理時間大于設定的事故處理允許最長時間，則終止；

5)通過全局搜索尋求最優解，即通過全局搜索算法尋找目標函數值最小的輸入輸出組合，然后找出與該組合突發火災處理時間相差5分鐘以內的組合，構成一個備選集合；

6)最終根據消防車出勤數量為最小的原則，篩選出備選集合中的最優解，給出屬于該類綜合評價等級的突發火災事件消防車應出勤數量，以及預計火災事故處理時間。