CN106447088A - 基于遗传算法的施工现场灾害预测方法 - Google Patents

Abstract

本发明提出一种基于遗传算法的施工现场灾害预测方法。首先，将施工现场的降水量，风速和人工活动时间等作为属性，通过对每个属性的历史数据进行分析，得到每个属性的预测模型。其次，基于遗传算法，确定每个属性的预测模型中的参数值，从而得到每个属性的预测值。再者，对每个属性设置权重，将所有加权后的预测值进行综合，得到综合灾害预测，通过判断综合灾害预测结果，预测施工现场发生灾害的可能性。该方法将施工现场的多个属性综合考虑，应用遗传算法，实现快速预测的同时提高了预测的准确性。

Description

基于遗传算法的施工现场灾害预测方法

技术领域

本发明涉及施工工程安全防范领域，尤其涉及一种基于遗传算法的施工现场灾害预测方法。

背景技术

随着城市现代化建设的发展，城市的各个角落都可以看到各式各样的施工场地，它们为我们建设出美好的城市做出了卓越的贡献，在我们的城市发展中扮演着重要的角色。然而，近几十年由于人们的大力开采，有限的自然资源在不断地减少，随之带来的就是伤害极大的各种灾害。由于灾害突然地发生，将会给施工现场带来巨大的损失。因此，就需要提出一种施工现场的灾害预测方法，可以预测施工现场或工程发生灾害的可能性，使施工场地尽可能地避免灾害，或者当灾害来临时，可以将施工现场的损失降到最低。

近几十年，已有相当多的灾害预测方法。有基于遗传算法的自然灾害预测方法，有基于遗传算法优化神经网络的灾害预测方法，也有基于神经网络的灾害预测方法。但是，它们都只结合了灾害发生的单个因素，并没有考虑多方灾害因素的综合。因此，预测出来的结果与实际相比，误差较大。

遗传算法(Genetic Algorithm)是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种搜索最优解的方法。在工程设计、人工智能等领域有着广泛的应用。遗传算法将待求解的问题表示成染色体，构成初始种群，根据适者生存的原则，从中选择出适应环境的染色体，经过交叉、变异等操作后产生出更能适应环境的种群。这样一代一代不断进化，最后收敛到一个最适应环境的个体中，从而求得问题的最优解。与传统搜索方法相比，遗传算法采用以种群为单位进行搜索，体现了其随机性的原则，适合全局寻优。除此之外，遗传算法还具有处理对象的多样性、不需要附加信息、较强的非线性处理能力、较强的并行处理能力以及还可以和其它算法结合使用的优点。因此，将遗传算法用于灾害预测方法中，可以减少预测时间和预测结果的误差。

综上，对于现在已经出现的灾害预测的方法，它们的计算方法复杂，预测时间长。这就亟需本领域技术人员解决相应的技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于遗传算法的施工现场灾害预测方法。

为了实现本发明的上述目的，本发明提供了一种基于遗传算法的施工现场灾害预测方法，包括如下步骤：

S1，获取施工现场灾害属性历史数据，得到灾害属性预测模型；

S2，提取灾害属性预测模型的参数进行编码；

S3，将参数进行解码，将解码后的参数与时间变量代入预测模型得到预测值，从而计算适应度F；

S4，设置降水量权重w_a、风速权重w_b和人工活动时间属性权重w_c；

S5，定义预测模型进行预测结果计算，设置施工现场灾害预测的阈值，当灾害预测值S大于阈值，则发生灾害的可能性大；若小于阈值，则发生灾害的可能性小。

所述的基于遗传算法的施工现场灾害预测方法，优选的，所述S1包括：

获取施工现场降水量、风速和人工活动时间的历史数据，得到降水量A的预测模型a(t)，风速B的预测模型b(t)和人工活动时间C的预测模型c(t)；

S1-1，降水量的预测模型：

其中，a(t)为降水量在t时刻的预测值；为降水量动态变化中的高斯分量；a₄cos(a₅t+a₆)为降水量动态变化中的随机干扰分量；

S1-2，风速的预测模型：

其中，b(t)为风速在t时刻的预测值；为风速动态变化中的趋势分量；b₄sin(b₅t+b₆)为风速动态变化中的周期分量；为风速动态变化中的随机干扰分量；

S1-3，人工活动时间的预测模型：

c(t)＝c₁u(t+c₂)-c₃u(t-c₄)+c₅cos(c₆t+c₇)

其中，c(t)为人工活动时间在t时刻的预测值；c₁u(t+c₂)-c₃u(t-c₄)为人工活动时间动态变化中的均匀分布分量；c₅cos(c₆t+c₇)为人工活动时间动态变化中的随机干扰分量。

所述的基于遗传算法的施工现场灾害预测方法，优选的，所述S2包括：

提取降水量A的预测模型a(t)参数a_i进行编码，风速B的预测模型b(t)参数b_j进行编码，人工活动时间C的预测模型c(t)参数c_k进行编码；

设置参数a_i的变化范围是[a_min,a_max]，参数b_j的变化范围是[b_min,b_max]，参数c_k的变化范围是[c_min,c_max]，采用l位二进制编码。

所述的基于遗传算法的施工现场灾害预测方法，优选的，所述S3包括：

参数a_i的解码值为a_i′、参数b_j的解码值为b′_j、参数c_k的解码值为c′_k；

将解码后的参数与时间变量一起代入预测模型，在统计时间内计算每一个个体在每一个时间点的预测值：

D_q(t)＝f₁(a′₁,a′₂,...a′₆；t)+f₂(b′₁，b′₂,...b′₇；t)+f₃(c′₁,c′₂，...c′₇；t),t＝1,2,...L，

其中，D_q(t)为每个个体在每一个时间点的预测值；f₁(a′₁,a′₂,...,a′₆,t)为个体在降水量属性的每一个时间点的预测值；f₂(b′₁,b′₂,...,b′₇,t)为个体在风速属性的每一个时间点的预测值；f₃(c′₁,c′₂,...,c′₇,t)为个体在人工活动时间属性的每一个时间点的预测值；L为统计时间内最大的时刻；

计算每一个个体在各个时间点上观测与预测值的差值，并计算残差平方和，具体按照以下方法：

其中，H为每个个体的残差平方和；D₀(t)为每个个体在每一个时间点的观测值；D_q(t)为每个个体在每一个时间点的预测值；L为统计时间内最大的时刻；

计算适应度，具体按照以下方法：

其中，F为每一个个体的适应度；E为常数，由于一般H较大，故可取一个较大的常数E；H为每个个体的残差平方和。

所述的基于遗传算法的施工现场灾害预测方法，优选的，所述S4包括：

S4-1，降水量的权重：

其中，w_a为降水量的权重；q_a为降水量权重的动态变化分量；

S4-2，风速的权重：

其中，w_b为风速的权重；q_b为风速权重的动态变化分量；

S4-3，人工活动时间的权重：

其中，w_c为人工活动时间的权重；q_c为人工活动时间权重的动态变化分量。

所述的基于遗传算法的施工现场灾害预测方法，优选的，所述S5包括：

综合预测模型的定义：

其中，S为灾害预测值；w_a为降水量的权重，a(t₀)为降水量的预测值，a_T为降水量的阈值；w_b为风速的权重，b(t₀)为风速的预测值，b_T为风速的阈值；w_c为人工活动时间的权重，c(t₀)为人工活动时间的预测值，c_T为人工活动时间的阈值。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

将引起灾害发生的降水量，风速以及人工活动时间等数据作为属性，通过对每个属性的历史数据进行分析，得到每个属性的预测模型。基于遗传算法，确定每个属性的预测模型中的参数值，从而得到每个属性的预测值。再对每个属性设置权重，将所有加权后的预测值进行综合，进而应用于灾害预测，可以有效地提高预测结果的准确性。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明总体流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明提出了一种基于遗传算法的施工现场灾害预测方法，将灾害发生的多个因素相结合，可提高灾害预测方法的质量，减少预测时间。

结合附图1对本发明进行详细说明，主要包括以下步骤：

步骤1、对灾害发生的以下属性：降水量A，风速B和人工活动时间C的历史数据进行分析，得到降水量A的预测模型a(t)，风速B的预测模型b(t)和人工活动时间C的预测模型c(t)。

步骤2、提取降水量A的预测模型a(t)中的参数a_i(i＝1,2,3...,6)，风速B的预测模型b(t)中的参数b_j(j＝1,2,...,7)和人工活动时间C的预测模型c(t)中的参数c_k(k＝1,2,...,7)。

步骤3、对所有的参数进行编码，所有参数编码后组成的一个长字符串成为个体。

步骤4、建立初始种群，假设种群规模为n₁，进行交叉操作的个体数为n₂，最大迭代次数为M，随机产生n₁+n₂+1个个体。

步骤5、计算每个个体的适应度。

步骤6、判断是否达到最大迭代次数，若是，则得到最优的参数值，进行步骤10；若没有则进行步骤7。

步骤7、进行选择操作，淘汰掉适应值较小的n₂+1个个体，保持种群规模为n₁。

步骤8、进行交叉操作，从选择后的n₁个个体中随机选取n₂个个体，在这n₂个个体中，每个个体随机确定位串中的一个位置，该位置的字符与后一个位置的字符进行交叉。

步骤9、进行变异操作，在交叉后的n₂个个体中随机选取一个个体，在这个个体位串中随机选取一位进行求反，从而生成了新一代的规模为n₁+n₂+1的种群，再回到步骤5。

步骤10、将最优的参数值代入预测模型中，得到降水量在t₀时刻的预测值a(t₀)，风速在t₀时刻的预测值b(t₀)和人工活动时间在t₀时刻的预测值c(t₀)。

其中步骤3到步骤10属于基于遗传算法计算相应的降水量、风速、人工活动时间参数值从而求解预测值；

步骤11、对降水量、风速和人工活动时间等属性设置权重w_a、w_b、w_c。

步骤12、将以上设置好权重的属性的预测值按照以下方式进行处理：

其中，S为灾害预测值；w_a为降水量的权重，a(t₀)为降水量的预测值，a_T为降水量的阈值；w_b为风速的权重，b(t₀)为风速的预测值，b_T为风速的阈值；w_c为人工活动时间的权重，c(t₀)为人工活动时间的预测值，c_T为人工活动时间的阈值。

步骤13、设置灾害预测的阈值，当灾害预测值S大于阈值，则发生灾害的可能性大；若小于阈值，则发生灾害的可能性小。

本实施方式中在步骤1中，降水量的预测模型a(t)，风速的预测模型b(t)和人工活动时间的预测模型c(t)的设计具体如下：

(1)降水量的预测模型：

其中，a(t)为降水量在t时刻的预测值；为降水量动态变化中的高斯分量；a₄cos(a₅t+a₆)为降水量动态变化中的随机干扰分量。

(2)风速的预测模型：

其中，b(t)为风速在t时刻的预测值；为风速动态变化中的趋势分量；b₄sin(b₅t+b₆)为风速动态变化中的周期分量；为风速动态变化中的随机干扰分量。

(3)人工活动时间的预测模型：

c(t)＝c₁u(t+c₂)-c₃u(t-c₄)+c₅cos(c₆t+c₇)，

其中，c(t)为人工活动时间在t时刻的预测值；c₁u(t+c₂)-c₃u(t-c₄)为人工活动时间动态变化中的均匀分布分量；c₅cos(c₆t+c₇)为人工活动时间动态变化中的随机干扰分量。

本实施方式中在步骤3中，具体采用以下方式对参数进行编码：

1)设置参数a_i的变化范围是[a_min,a_max]，参数b_j的变化范围是[b_min,b_max]，参数c_k的变化范围是[c_min,c_max]。

2)采用l位二进制编码：

其中，为参数a_i进行编码后的二进制数；l为二进制数的位数；a_min为参数a_i变化的最小值；a_max为参数a_i变化的最大值。

其中，为参数b_j进行编码后的二进制数；l为二进制数的位数；b_min为参数b_j变化的最小值；b_max为参数b_j变化的最大值。

其中，为参数c_k进行编码后的二进制数；l为二进制数的位数；c_min为参数c_k变化的最小值；c_max为参数c_k变化的最大值。

本实施方式中在步骤5中，具体采用以下方式计算每个个体的适应度：

1)将每个个体中的每个编码后的参数进行解码：

参数a_i的解码值为a′_i：

其中，a′_i为参数a_i的解码值；为参数a_i进行编码后的二进制数；l为二进制数的位数；a_min为参数a_i变化的最小值；a_max为参数a_i变化的最大值。

参数b_j的解码值为b′_j：

其中，b′_j为参数b_j的解码值；为参数b_j进行编码后的二进制数；l为二进制数的位数；b_min为参数b_j变化的最小值；b_max为参数b_j变化的最大值。

参数c_k的解码值为c′_k：

其中，c′_k为参数c_k的解码值；为参数c_k进行编码后的二进制数；l为二进制数的位数；c_min为参数c_k变化的最小值；c_max为参数c_k变化的最大值。

2)将解码后的参数与时间变量一起代入预测模型，在统计时间内计算每一个个体在每一个时间点的预测值：

D_q(t)＝f₁(a′₁,a′₂,...a′₆；t)+f₂(b′₁，b′₂,...b′₇；t)+f₃(c′₁，c′₂,...c′₇；t),t＝1,2,...L，

其中，D_q(t)为每个个体在每一个时间点的预测值；f₁(a′₁,a′₂,...,a′₆,t)为个体在降水量属性的每一个时间点的预测值；f₂(b′₁,b′₂,...,b′₇,t)为个体在风速属性的每一个时间点的预测值；f₃(c′₁，c′₂,...,c′₇,t)为个体在人工活动时间属性的每一个时间点的预测值；L为统计时间内最大的时刻。

3)计算每一个个体在各个时间点上观测与预测值的差值，并计算残差平方和，具体按照以下方法：

其中，H为每个个体的残差平方和；D₀(t)为每个个体在每一个时间点的观测值；D_q(t)为每个个体在每一个时间点的预测值；L为统计时间内最大的时刻。

4)计算适应度，具体按照以下方法：

其中，F为每一个个体的适应度；E为常数，由于一般H较大，故可取一个较大的常数E；H为每个个体的残差平方和。

本实施方式中在步骤8中，具体采用以下比例来随机选取n₂个个体：

其中，n₁为种群规模；n₂为进行交叉操作的个体数。

本实施方式中在步骤11中，具体采用以下方式设置降水量、风速和人工活动时间的权重：

(1)降水量的权重：

其中，w_a为降水量的权重；q_a为降水量权重的动态变化分量，若降水量的归一化的预测值在三个属性的归一化的预测值中最大，则q_a＝0.1，若风速归一化的预测值与人工活动时间归一化的预测值同时最大，则q_a＝-0.2，否则q_a＝-0.05。

(2)风速的权重：

其中，w_b为风速的权重；q_b为风速权重的动态变化分量，若风速的归一化的预测值在三个属性的归一化的预测值中最大，则q_b＝0.1，若降水量归一化的预测值与人工活动时间归一化的预测值同时最大，则q_b＝-0.2，否则q_b＝-0.05。

(3)人工活动时间的权重：

其中，w_c为人工活动时间的权重；q_c为人工活动时间权重的动态变化分量，若人工活动时间的归一化的预测值在三个属性的归一化的预测值中最大，则q_c＝0.1，若降水量归一化的预测值与风速归一化的预测值同时最大，则q_c＝-0.2，否则q_c＝-0.05。

本实施方式中在步骤12中，计算综合预测值的原理如下：

在一个综合灾害预测模型中，预测结果的值越大，则发生灾害的可能性就越大。所以，我们利用综合灾害预测模型来衡量灾害发生的可能性。

综合预测模型的定义：

其含义为：综合灾害预测S＝降水量预测值与降水量阈值的差值×权值+风速预测值与风速阈值的差值×权值+人工活动时间预测值与人工活动时间阈值的差值×权值，对应预测值为本实施方式中步骤10所述的预测值，权值为本实施方式中步骤11所计算得到的权值。对于综合灾害预测结果，若值越大，则发生灾害的可能性就越大。

本实施方式中在步骤13中，具体采用以下方式进行灾害预测的阈值设置：

为保证预测结果的有效性和准确性，要对灾害预测结果设置一个阈值。具体的，当综合灾害预测结果大于阈值0.5时，发生灾害的可能性就大；当综合灾害预测结果小于或等于阈值0.5时，发生灾害的可能性就小。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种基于遗传算法的施工现场灾害预测方法，其特征在于，包括如下步骤：

S1，获取施工现场灾害属性历史数据，得到灾害属性预测模型；

S2，提取灾害属性预测模型的参数进行编码；

S3，将参数进行解码，将解码后的参数与时间变量代入预测模型得到预测值，从而计算适应度F；

S4，设置降水量权重w_a、风速权重w_b和人工活动时间属性权重w_c；

S5，定义预测模型进行预测结果计算，设置施工现场灾害预测的阈值，当灾害预测值S大于阈值，则发生灾害的可能性大；若小于阈值，则发生灾害的可能性小。

2.根据权利要求1所述的基于遗传算法的施工现场灾害预测方法，其特征在于，所述S1包括：

获取施工现场的降水量、风速以及人工活动时间的历史数据，得到降水量A的预测模型a(t)，风速B的预测模型b(t)和人工活动时间C的预测模型c(t)；

S1-1，降水量的预测模型：

$a\left(t\right)=a_1{e}^{\[\frac{-{(t-a_2)}^2}{a_3^2}\]}+a_{4}cos(a_{5}t+a_6),$

其中，a(t)为降水量在t时刻的预测值；为降水量动态变化中的高斯分量；a₄cos(a₅t+a₆)为降水量动态变化中的随机干扰分量；

S1-2，风速的预测模型：

$b\left(t\right)=b_1+b_2{t}^{b_3}+b_{4}sin(b_{5}t+b_6)+\frac{t}{b_7^2}{e}^{-\frac{t^2}{2b_7^2}},$

其中，b(t)为风速在t时刻的预测值；为风速动态变化中的趋势分量；b₄sin(b₅t+b₆)为风速动态变化中的周期分量；为风速动态变化中的随机干扰分量；

S1-3，人工活动时间的预测模型：

c(t)＝c₁u(t+c₂)-c₃u(t-c₄)+c₅cos(c₆t+c₇)，

其中，c(t)为人工活动时间在t时刻的预测值；c₁u(t+c₂)-c₃u(t-c₄)为人工活动时间动态变化中的均匀分布分量；c₅cos(c₆t+c₇)为人工活动时间动态变化中的随机干扰分量。

3.根据权利要求1所述的基于遗传算法的施工现场灾害预测方法，其特征在于，所述S2包括：

提取降水量A的预测模型a(t)参数a_i进行编码，风速B的预测模型b(t)参数b_j进行编码，人工活动时间C的预测模型c(t)参数c_k进行编码；

设置参数a_i的变化范围是[a_min,a_max]，参数b_j的变化范围是[b_min,b_max]，参数c_k的变化范围是[c_min,c_max]，采用l位二进制编码。

4.根据权利要求1所述的基于遗传算法的施工现场灾害预测方法，其特征在于，所述S3包括：

参数a_i的解码值为a′_i、参数b_j的解码值为b′_j、参数c_k的解码值为c′_k；

将解码后的参数与时间变量一起代入预测模型，在统计时间内计算每一个个体在每一个时间点的预测值：

D_q(t)＝f₁(a′₁,a′₂,...a′₆；t)+f₂(b′₁,b′₂,...b′₇；t)+f₃(c′₁,c′₂,...c′₇；t),t＝1,2,...L，

其中，D_q(t)为每个个体在每一个时间点的预测值；f₁(a′₁,a′₂,...,a′₆,t)为个体在降水量属性的每一个时间点的预测值；f₂(b′₁,b′₂,...,b′₇,t)为个体在风速属性的每一个时间点的预测值；f₃(c′₁,c′₂,...,c′₇,t)为个体在人工活动时间属性的每一个时间点的预测值；L为统计时间内最大的时刻；

计算每一个个体在各个时间点上观测与预测值的差值，并计算残差平方和，具体按照以下方法：

$H=\underset{t=1}{\overset{L}{\Σ}}{\left(D_0\right(t)-D_q(t\left)\right)}^2,$

其中，H为每个个体的残差平方和；D₀(t)为每个个体在每一个时间点的观测值；D_q(t)为每个个体在每一个时间点的预测值；L为统计时间内最大的时刻；

计算适应度，具体按照以下方法：

$F=ln\left(\frac{E}{H}+1\right),$

其中，F为每一个个体的适应度；E为常数，由于一般H较大，故可取一个较大的常数E；H为每个个体的残差平方和。

5.根据权利要求1所述的基于遗传算法的施工现场灾害预测方法，其特征在于，所述S4包括：

S4-1，降水量的权重：

$W_a=\frac{1}{3}+q_a,$

其中，w_a为降水量的权重；q_a为降水量权重的动态变化分量；

S4-2，风速的权重：

$w_b=\frac{1}{3}+q_b,$

其中，w_b为风速的权重；q_b为风速权重的动态变化分量；

S4-3，人工活动时间的权重：

$w_c=\frac{1}{3}+q_c,$

其中，w_c为人工活动时间的权重；q_c为人工活动时间权重的动态变化分量。

6.根据权利要求5所述的基于遗传算法的施工现场灾害预测方法，其特征在于，所述S5包括：

综合预测模型的定义：

$S=w_a\left(\frac{a\left(t_0\right)-a_T}{a_T}\right)+w_b\left(\frac{b\left(t_0\right)-b_T}{b_T}\right)+w_c\left(\frac{c\left(t_0\right)-c_T}{c_T}\right),$

其中，S为灾害预测值；w_a为降水量的权重，a(t₀)为降水量的预测值，a_T为降水量的阈值；w_b为风速的权重，b(t₀)为风速的预测值，b_T为风速的阈值；w_c为人工活动时间的权重，c(t₀)为人工活动时间的预测值，c_T为人工活动时间的阈值。