CN103268391A - 基于朴素贝叶斯的自适应雷电灾害风险预估方法 - Google Patents

Abstract

本发明公开了基于朴素贝叶斯的自适应雷电灾害风险预估方法，属于雷电灾害风险评估的技术领域。所述方法选取评价因子；划分网格区域；利用已经发生雷电灾害网格的评价因子取值训练贝叶斯分类器完善分类器数据库；待评价网格数据经过贝叶斯分类器分析得出雷电灾害等级。本发明避免了层次分析法认为加权评价因子带来的主观性强的缺点；通过贝叶斯分类器不断完善雷电灾害数据，使得预测精度随着样本数据的增加而逐步提高。

Description

基于朴素贝叶斯的自适应雷电灾害风险预估方法

技术领域

本发明公开了基于朴素贝叶斯的自适应雷电灾害风险预估方法，属于雷电灾害风险评估的技术领域。 

背景技术

雷电是一种常见的自然灾害，具有很强的破坏力，经常造成人员的伤亡和经济财产的损失，对经济和社会的发展造成了很大的威胁，预估雷电风险等级可以提前通知地方群众做好防灾减灾工作，减少不必要的生命财产损失。因此雷电灾害风险等级预估具有重要的现实意义。 

现有的技术方案通过对目标区域进行空间网格化，得到每个网格单元各评价因子的值，由一个经过层次分析法确定的评价体系确定一个得分，再经过模糊综合评价法预估目标区域的雷电灾害风险等级。 

传统的雷电灾害危险性预估方法主要采用到了层次分析法去和模糊综合评价法，层次分析法又是通过专家打分的方法确定各评价因子的权重，主观性比较强；此外，现有系统在随着数据的积累，缺乏对权重因子做出适当的自主调整，不具有系统自学习能力；传统的雷电分析方法还具有所选评价因子不全等缺点。发明内容 

本发明所要解决的技术问题是针对上述背景技术的不足，提供了基于朴素贝叶斯的自适应雷电灾害风险预估方法。 

本发明为实现上述发明目的采用如下技术方案： 

基于朴素贝叶斯的自适应雷电灾害风险预估方法，包括如下步骤： 

步骤1，选择评价雷电风险等级的评价因子； 

步骤2，对目标区域进行网格划分； 

步骤3，对于已经发生雷电灾害的网格：用各评价因子取值构成训练样本，训练贝叶斯分类器； 

步骤4，对于待评价网格：以各评价因子取值构成的评估样本，作为贝叶斯分类器输入量，重复步骤1至步骤3得到待评价网格发生雷电灾害的预估等级。 

所述基于朴素贝叶斯的自适应雷电灾害风险预估方法，步骤3中对于已经发 生雷电灾害的网格，利用如下方法训练贝叶斯分类器： 

步骤3-1，计算训练样本中每一个评价因子导致各级雷电灾害的概率； 

步骤3-2，计算训练样本导致各级雷电灾害的概率； 

步骤3-3，计算训练样本发生各级雷电灾害的概率。 

所述基于朴素贝叶斯的自适应雷电灾害风险预估方法中，步骤4计算出待评价网格发生雷电灾害的预估等级后： 

若待评价网格发生雷电灾害，重复步骤3训练贝叶斯分类器；否则，结束预估过程。 

本发明采用上述技术方案，具有以下有益效果：避免了层次分析法认为加权评价因子带来的主观性强的缺点；通过贝叶斯分类器不断完善雷电灾害数据，使得预测精度随着样本数据的增加而逐步提高。 

具体实施方式

下面对发明的技术方案进行详细说明： 

基于朴素贝叶斯的自适应雷电灾害风险预估方法，将雷电灾害分为5个等级：C₁,C₂,...,C_j,...,C_m,1≤j≤m，m为正整数用C={C₁,C₂,...,C_j,...,C_m}表示雷电灾害等级集合，具体包括如下步骤。 

步骤1，选择评价雷电风险等级的评价因子A₁,A₂,...,A_k,...,A_n,1≤k≤n，n为正整数。 

步骤2，使用成熟的地理信息系统软件对目标区域进行空间网格化，并收集相关统计数据，利用插值的方法得到每个网格单元各评价因子的值。 

步骤3，对于已经发生雷电灾害的网格：用各评价因子取值构成训练样本X={x₁,x₂,...,x_k,...,x_n}，训练贝叶斯分类器： 

步骤3-1，在雷电风险区划项目中，每个评价因子取值都是连续的，例如地闪密度，人均GDP，河网密度等属性的值，所以可以利用表达式（1）计算训练样本中每一个评价因子导致各级雷电灾害的概率P(x_k|C_i)： 

$P\left(x_k\right|C_i)=g(x_k,{\mathrm{\μ}}_{C_i},{\mathrm{\σ}}_{C_i})=\frac{1}{\sqrt{2\mathrm{\π\σ}}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2}}---\left(1\right);$

其中，

和

分别代表训练样本中属于第Ci类的评价因子A_k的平均值和 标准差，μ表示训练样本X中各评价因子取值的平均值，σ表示训练样本X中各评价因子取值的标准差。 

步骤3-2，各评价因子是相互独立的，如：地闪密度与人均GDP和河网密度都没有关系，则利用表达式（2）计算训练样本导致各级雷电灾害的概率P(X|C_i) 

$P\left(X\right|C_i)={\mathrm{\Π}}_{k=1}^{n}P\left(x_k\right|C_i)---\left(2\right).$

步骤3-3，设训练样本X属于分类C_i，当且仅当P(C_i|X)>P(C_j|X),j≠i，P(C_i|X)最大的类C_i称为最大后验假设，根据表达式（3）计算训练样本发生各级雷电灾害的概率P(C_i|X)： 

$P\left(C_i\right|X)=\frac{P\left(X\right|C_i)P\left(C_i\right)}{P\left(X\right)}---\left(3\right),$

由于P(X)对于所有类都为常数，所以只需要求P(X|C_i)P(C_i)达到最大即可。类的先验概率P(C_i)=|C_i,D|/|D|，其中|C_i，D|代表D中Ci类的训练样本数，|D|代表训练元组数。 

步骤4，对于待评价网格：以各评价因子取值构成的评估样本，作为贝叶斯分类器输入量，重复步骤1至步骤3得到P(C_i|X)，取概率最大的灾害风险等级分类作为最终的雷电灾害预估等级。 

在雷电灾害风险预估过程中，从致灾因子、孕灾环境、承灾体易损性、防灾减灾能力这四大方面综合考虑，采用地闪密度、地闪强度、地形标准差、河网密度、植被覆盖率、人口密度、道路密度、经济密度、农业用地比例、防雷工程投入、财政收入、医疗水平这12个评价因子作为评价雷电灾害风险等级的指标。将雷电灾害分为5个等级：C1，C2，C3，C4，C5，选取历史上已经发生的雷电灾害的网格单元作为贝叶斯分类器的样本。历史上已经发生的雷电灾害的网络格单元中各评价因子取值如表1所示， 

表1历史上已经发生的雷电灾害的网络格单元中各评价因子取值 

对于{C₁，C₂，C₃，C₄，C₅}的每一个灾害等级分类，计算每个评价因子取值的平均差和标准差，将计算结果缓存，以备预估目标区域网格单元时直接使用。 

利用表1所示的数据根据步骤1至步骤3所述方法训练贝叶斯分类器。对于如表2所示的网格预估雷电灾害，按照步骤4所述方法预估。 

表2待评价网格中评价因子取值 

经过大量样本的试验表明，采用本发明的模型来预估雷电灾害风险等级比传 统方法的准确度提高了15%以上。 

若预估结果表示该网格发生雷电灾害，将该网格各个评价因子取值作为训练样本重复步骤1至步骤3训练贝叶斯分类器，完善分类器知识库。 

可见，利用本发明所述的方法预测雷电灾害等级，避免了层次分析法认为加权评价因子带来的主观性强的缺点；通过贝叶斯分类器不断完善雷电灾害数据，使得预测精度随着样本数据的增加而逐步提高。 

Claims (3)

1.基于朴素贝叶斯的自适应雷电灾害风险预估方法，其特征在于包括如下步骤：

步骤1，选择评价雷电风险等级的评价因子；

步骤2，对目标区域进行网格划分；

步骤3，对于已经发生雷电灾害的网格：用各评价因子取值构成训练样本，训练贝叶斯分类器；

步骤4，对于待评价网格：以各评价因子取值构成的评估样本，作为贝叶斯分类器输入量，重复步骤1至步骤3得到待评价网格发生雷电灾害的预估等级。

2.根据权利要求1所述的基于朴素贝叶斯的自适应雷电灾害风险预估方法，其特征在于，步骤3中对于已经发生雷电灾害的网格，利用如下方法训练贝叶斯分类器：

步骤3-1，计算训练样本中每一个评价因子导致各级雷电灾害的概率；

步骤3-2，计算训练样本导致各级雷电灾害的概率；

步骤3-3，计算训练样本发生各级雷电灾害的概率。

3.根据权利要求1或2所述的基于朴素贝叶斯的自适应雷电灾害风险预估方法，其特征在于，所述步骤4计算出待评价网格发生雷电灾害的预估等级后：

若待评价网格发生雷电灾害，重复步骤3训练贝叶斯分类器；否则，结束预估过程。