CN109064050A

CN109064050A - 基于大数据的多元线性回归火灾风险评估方法

Info

Publication number: CN109064050A
Application number: CN201810945207.4A
Authority: CN
Inventors: 邢翱; 徐放; 隋虎林; 刘濛; 王军
Original assignee: Shenyang Fire Research Institute of Ministry of Public Security
Current assignee: Shenyang Fire Research Institute of Ministry of Public Security
Priority date: 2018-08-17
Filing date: 2018-08-17
Publication date: 2018-12-21

Abstract

本发明涉及一种基于大数据的多元线性回归火灾风险评估方法，于数据处理分析领域。包括如下步骤：(1)构建火灾风险因素层级结构模型：(2)划分建筑火灾风险等级；(3)确立评估模型R＝W^TX；(4)构建风险评估机器学习数据样本；(5)根据样本计算权重W，完成消防安全火灾风险评估模型建立R＝W^TX；用以评估民用建筑中的公共建筑的火灾风险：(6)根据步骤(4.1)计算得出待评估建筑的属性值，再以步骤(5)建立的模型计算出风险值与步骤(2)中划分的风险等级进行对比，进而得出建筑物的风险等级。本方法采用多属性评估方法，实现火灾风险等级定量化评价，全方位综合评估社会单位消防安全管理风险。

Description

基于大数据的多元线性回归火灾风险评估方法

技术领域

本发明涉及一种基于大数据和机器学习的火灾风险评估方法，属于数据处理分析领域。

背景技术

当今社会飞速发展，火灾早已成为一种不容忽视的灾害，如何主动发现、提前预警，如何降低社会单位的火灾风险，一直是社会化消防工作的基础。随着科技的发展，基于大数据、云计算以及人工智能的火灾风险评估方法不断成熟，通过对海量历史数据的分析和挖掘，建立一套科学的火灾风险评估体系。通过对社会单位进行火灾风险评估，确定其消防安全等级，发现风险项，指导其改进消防安全机制，提升消防安全等级，从而降低风险、保护人民群众的生命财产安全，更能够帮助各级政府和部门有针对性地开展消防工作，更有重点地解决至于火灾扑救和抢险救援的基础性、瓶颈性问题，从而提升城市防灾减灾能力。

火灾风险评估方法可分为定性法和定量法。定性的方法最为简单，适用于社会单位的安全检查，识别最不利火灾事件；定量的方法最为复杂，需要大量的历史数据，通过明确的假设、数据以及数学关联大量的模型实地评估确定火灾的实际风险。虽然评估结果较为准确，但难以在智慧消防的体系中方便快捷地运用。

发明内容

为了解决上述存在的技术问题，本发明提供一种基于大数据的多元线性回归火灾风险评估方法，该方法是建立在大数据和机器学习基础上的半定量火灾风险评估方法，采用科学的方法进行风险识别与风险分析，更加高效实用。

本发明的目的是通过下述技术方案实现的：一种基于大数据的多元线性回归火灾风险评估方法，其特征在于：包括如下步骤：

（1）构建火灾风险因素层级结构模型：

（2）划分建筑火灾风险等级；

（3）确立评估模型；其中，代表评估风险值，向量为权重，向量为因素的属性值；

（4）构建风险评估机器学习数据样本，具体过程如下：设，消防火灾风险评估数据样本有m个：具体为构建消防多因素的属性值样本以及与之对应的风险值样本{}；

（4.1）构建因素的属性值样本

筛选清洗消防安全数据及火灾数据样本。由第（1）步建立的火灾风险层级结构确定的风险因素表示为：

（式1）

代表第个火灾风险因素，将其进行数据标准化，计算各风险因素的属性值；

具体为：

（式2）

式2中为因素属性值的赋值函数向量，分别对进行数据标准化,标准化后的值域为[0,5]；

属性既有定性属性也包括定量属性，对于属于定性因素的风险因素，根据其对消防安全的影响程度进行分值计算；对于定量因素的风险因数，采用min-max标准化，即离差标准化方法计算分值将各个属性值标准化为可进行比较计算的定量属性值：

（式3）

标准化后的因素属性值由向量表示，为计算后续权重将属性值向量添加，其中恒为1；

（4.2）构建对应的风险评估分数样本：

抽取火灾数据库的历史火灾数据，根据步骤（2）划分的火灾等级，计算样本的火灾风险评分,代表第i个样本的风险分数；

设第i个火灾样本数据中火灾后果数据为向量，

（式4）

、、分别为死亡人数、重伤人数、直接经济损失；

（式5）

矩阵代表全部分险等级分数的范围，令代表矩阵的第j行，第j行代表该风险等级的分数范围，和分别为j风险等级分数的最小值和最大值；

（式6）

矩阵代表全部分险等级火灾死亡人数的范围，令代表分数段矩阵DH的第j行，第j行代表该风险等级的火灾死亡人数范围，和分别为j风险等级火灾死亡人数的最小值和最大值；

（式7）

矩阵代表全部风险等级火灾重伤人数的范围，令代表分数段矩阵的第j行，第j行代表第j风险等级的火灾重伤人数范围，和分别为第j风险等级火灾重伤人数的最小值和最大值；

（式8）

矩阵代表全部风险等级财产损失的范围，令代表分数段矩阵的第j行，第j行代表第j风险等级的火灾直接财产损失范围,和分别为j风险等级火灾直接财产损失的最小值和最大值；

（式9）

样本结果，对应的风险等级为j，则该样本风险得分由上式计算得出，其中代表火灾死亡的扣分，代表火灾重伤的扣分，代表火灾直接财产损失的扣分；

（式10）

（式11）

（式12）

（式13）

最终获得消防安全风险评估分数样本值空间，值为；

（5）根据样本计算权重，完成消防安全火灾风险评估模型建立；用以评估民用建筑中的公共建筑的火灾风险：

（6）根据步骤（4.1）计算得出待评估建筑的属性值，再以步骤（5）建立的模型计算出风险值与步骤（2）中划分的风险等级进行对比，进而得出建筑物的风险等级。

所述的火灾风险因素层级结构分为两层，第一层级因素包括五个方面，具体为：（1）火灾危险源；（2）建筑防火；（3）人员情况；（4）社会单位消防安全管理；（5）消防力量；

第二层级因素包括：（1.1）易燃易爆品；（1.2）电气安全情况；（1.3）不安全吸烟；（2.1）耐火等级；（2. 2）防火间距；（2.3）自动报警系统；（2.4）防排烟系统；（2.5）自动灭火系统；（2.6）消火栓系统；（2.7）疏散通道；（2.8）应急出口；（2.9）应急疏散照明。（3.1）人员载荷；（3.2）人员素质；（4.1）消防安全责任制落实情况；（4.2）消防安全培训；（4.3）隐患整改情况；（4.4）消防维护情况；（4.5）防火巡查信息；（5.1）消防队响应速度；（5.2）消防队员水平；（5.3）消防水源（5.4）消防装备情况；（5.5）应急预案情况；

选取第二层级因素的24个火灾风险因素进行评估：

（式1）

其中，向量表示火灾风险因素，，代表第个火灾风险因素。

步骤（2）划分建筑火灾风险等级划分如下：风险等级分为Ⅰ级至级：

其中，Ⅰ级，代表低风险，量化分值范围为85~100；

Ⅱ级，代表中风险，量化分值范围为65~85；

Ⅲ级，代表中高风险，量化分值范围为45~65；

Ⅳ级，代表高风险，量化分值范围为25~45；

Ⅴ级，代表极高风险，量化分值范围为0~25。

设步骤（5）评估模型的权重计算如下：

矩阵A表示多因素的属性值样本空间，向量表示样本评估分数；

（式14）

（式15）

权重，最终通过机器学习计算得出多因素火灾风险评估的权重：。

本发明的有益效果：本方法是建立在大数据和机器学习基础上的半定量火灾风险评估方法，采用科学的方法进行风险识别与风险分析，分析处理近十年的火灾数据和社会单位消防安全数据，从而确定单位火灾危险源、建筑防火、人员情况、消防安全管理等方面的一系列风险特征因素。本方法采用多属性评估方法，该模型因其便捷性和健壮性而广泛复杂系统中，关联这些属性的启发式进程能够构建一个健壮的火灾风险评估体系。本方法首次提出基于建构筑物消防能力等级、防火检查的频度、消防隐患概率密度、消防隐患修复率、平均消防隐患修复时间、平均无隐患间隔时间、消防宣传教育普及率等指标在内的综合评价指标体系，综合考虑社会单位火灾危险源、建筑防火、人员情况、消防安全管理等方面的火灾风险特性，将影响社会单位的各方面风险因素纳入到系统评估中。建立包括社会单位自我管理数据、消防设施运行数据、维保数据、社会单位消防安全管理工作数据、隐患整治数据的火灾风险定量评价基础数据，提出评价模型，采用定量层次分析法，实现火灾风险等级定量化评价，全方位综合评估社会单位消防安全管理风险。

附图说明

图1是本发明评估方法流程图。

具体实施方式

本发明提供一种基于大数据的多元线性回归火灾风险评估方法，该方法采用多属性评估方法，该模型因其便捷性和健壮性而广泛复杂系统中，关联这些属性的启发式进程构建了一个健壮的火灾风险评估体系。本多因素综合风险评估方法确定了影响风险的主要因素，解决了各个因素数据标准化问题，完成风险评估模型的建立。

（1）构建火灾风险因素层级结构模型

在多因素综合风险分析中，因素的选择与确定十分重要，消防领域影响社会单位消防安全的因素包含五个方面：（1）火灾危险源；（2）建筑防火；（3）人员情况；（4）社会单位消防安全管理；（5）消防力量。各个方面的详细因素如表1所示。因素的属性值如何计算十分重要，基于专业的判断和经验进行属性值的计算，将定性和定量的属性值进行数据标准化。

表1

本方法采用如下因素进行评估：（1）易燃易爆物品；（2）电气安全情况；（3）不安全吸烟；（4）耐火等级；（5）防火间距；（6）自动报警系统；（7）防排烟系统；（8）自动灭火系统；（9）消火栓系统；（10）疏散通道；（11）应急出口；（12）应急疏散照明；（13）人员载荷；（14）人员素质；（15）消防安全责任制落实情况；（16）消防安全培训；（17）隐患整改情况；（18）消防维保情况；（19）防火巡查信息；（20）消防队响应速度；（21）消防队员水平；（22）消防水源；（23）消防装备情况；（24）应急预案情况。

（式1）

如（式1）所示，由向量表示上述多个因素，代表第个火灾风险因素。

选择的这些因素选择的属性包括既有定性因素又有定量因素，且各自精确度不同，需要进行数据标准化标准化。标准化后因素的属性值取值范围0-5，采用Likert 5分量表法（0最差，5最好）。对于定性因素属性值根据其对消防安全的影响程度进行分值计算；对于定量因素的属性值采用min-max标准化（离差标准化）方法计算分值。

（式2）

（式2）中为因素属性值的赋值函数向量，分别对进行数据标准化，属性既有定性属性也包括定量属性，针对定性和定量属性分别进行数据标准化。将各个属性值标准化为可进行比较计算的定量属性值。

（式3）

标准化后的因素属性值由向量表示，为计算后续权重将属性值向量添加值，其中恒为1。

（2）划分风险等级

风险识别与风险分级量化见表2

风险等级	名称	量化范围	风险等级特征描述
				Ⅰ 级	低风险	［85，100］	几乎不可能发生火灾，火灾风险性低，火灾风险处于可接受的水平，风险控制重在维护和管理。
Ⅱ 级	中风险	［65，85］	可能发生轻微火灾，火灾风险性较低，火灾风险处于可控制的水平，提高安全意识，风险控制重在局部整改和加强管理。
				Ⅲ 级	中高风险	［45，65］	可能发生一般火灾，火灾风险性中高，提高安全意识，局部整改和加强消防安全管理。
Ⅳ 级	高风险	［25，45］	可能发生较大火灾，火灾风险性较高，火灾风险处于较难控制的水平，应采取措施加强消防基础设施建设和完善消防管理水平。
				级	极高风险	［0，25］	可能发生重大或特大火灾，火灾风险性极高，火灾风险处于很难控制的水平，应当采取全面的措施对建筑的设计、主动防火设施进行完善，加强对危险源的管控、增强消防管理和救援力量。

表2 风险分级量化和特征描述

火灾风险分级和火灾等级的对应关系为：

极高风险/特别重大火灾、重大火灾特别重大火灾是指造成30人以上死亡，或者100人以上重伤，或者1亿元以上直接财产损失的火灾；

重大火灾是指造成10人以上30人以下死亡，或者50人以上100人以下重伤，或者5000万元以上1亿元以下直接财产损失的火灾；

高风险/较大火灾是指造成3人以上10人以下死亡，或者10人以上50人以下重伤，或者1000万元以上5000万元以下直接财产损失的火灾；

中高风险/一般火灾是指造成1-2人死亡，或者1以上10人以下人重伤，或者100万以上1000万元以下直接财产损失的火灾。

中风险/轻微火灾或者无人员伤亡的火灾。

（3）确立评估模型。其中，代表评估风险值，向量为权重，向量为因素的属性值。

（4）构建多属性火灾风险评估机器学习数据样本：

通过数据清洗从社会单位消防安全数据和火灾数据中提取样本，分析消防安全数据，并依据风险量化构建样本。

设样本有m个。构建经过数据标准化处理后得到一系列因素的属性值向量：，和风险评估分数样本。

构建样本对应的风险评估分数，采用定量分析的方法实地评估社会单位的消防安全情况，针对本方法对火灾等级的划分和评估获得社会单位建筑的火灾风险评分；抽取火灾数据库的火灾历史数据，根据本方法对火灾等级的划分和评估获得历史火灾样本的火灾风险评分。

（式4）

第i个火灾样本数据中结果数据为向量，、、分别为死亡人数、重伤人数、直接经济损失。

（式5）

矩阵代表全部分险等级分数的范围，令代表矩阵的第j行，第j行代表该风险等级的分数范围，和分别为j风险等级分数的最小值和最大值。

（式6）

矩阵代表全部分险等级火灾死亡人数的范围，令代表分数段矩阵DH的第j行，第j行代表该风险等级的火灾死亡人数范围，和分别为第j风险等级火灾死亡人数的最小值和最大值。

（式7）

矩阵代表全部风险等级火灾重伤人数的范围，令代表分数段矩阵的第j行，第j行代表第j风险等级的火灾重伤人数范围，和分别为j风险等级火灾重伤人54数的最小值和最大值。

（式8）

矩阵代表全部风险等级财产损失的范围，令代表分数段矩阵的第j行，第j行代表第j风险等级的火灾直接财产损失范围,和分别为j风险等级火灾直接财产损失的最小值和最大值。

（式9）

样本结果，对应的风险等级为j，则该样本风险得分由上式计算得出，其中代表火灾死亡项的扣分，代表火灾重伤项的扣分，代表火灾直接财产损失项的扣分。

（式10）

（式11）

（式12）

（式13）

计算求得消防安全风险评估分数样本值，值为。

（5）确定权重，建立消防安全火灾风险评估模型

（式16）

其中，代表评估风险值，向量为权重，向量为因素的属性值。

（式14）

（式15）

多因素的属性值样本空间用矩阵A表示，样本评估分数用向量表示。

（式17）

由机器学习计算得出多因素火灾风险评估的权重W，具体表示为。至此完成评估模型建立，。

（6）根据模型计算风险等级

根据（4）的方法，将待评估的各因素的属性值进行数据标准化处理完成得到向量，并根据评估模型计算该社会单位建筑的火灾风险，根据分数对比划分好的火灾风险等级表确定待评估的建筑物的风险等级。

Claims

1.一种基于大数据的多元线性回归火灾风险评估方法，其特征在于：包括如下步骤：

(1)构建火灾风险因素层级结构模型：

(2)划分建筑火灾风险等级；

(3)确立评估模型R＝W^TX；其中，R代表评估风险值，向量W为权重，向量X为因素的属性值；

(4)构建风险评估机器学习数据样本，具体过程如下：设，消防火灾风险评估数据样本有m个：{(X⁽¹⁾，y⁽¹⁾)，(X⁽²⁾，y⁽²⁾)，...，(X^(m)，y^(m))}；具体为构建消防多因素的属性值样本{X⁽¹⁾，X⁽²⁾，...，X^(m)}以及与之对应的风险值样本{y⁽¹⁾，y⁽²⁾，...，y^(m)}；

(4.1)构建因素的属性值样本{X⁽¹⁾，X⁽²⁾，...，X^(m)}

筛选清洗消防安全数据及火灾数据样本。由第(1)步建立的火灾风险层级结构确定的风险因素表示为：

V＝[a₁，a₂…，a_i，...，a_n]^T (式1)

a_i代表第i个火灾风险因素，将其进行数据标准化，计算各风险因素的属性值；

具体为：

F＝[f₁，f₂，...，f_i，...，f_n]^T (式2)

式2中F为因素属性值的赋值函数向量，f_i分别对α_i进行数据标准化，标准化后的值域为[0，5]；

X＝[1，f₁(a₁)，f₂(a₂)，...，f_n(a_n)]^T＝[x₀，x₁，x₂，...，x_n]^T (式3)

标准化后的因素属性值由向量X表示，为计算后续权重将属性值向量添加x₀，其中x₀恒为1；

(4.2)构建对应的风险评估分数样本{y⁽¹⁾，y⁽²⁾，...，y^(m)}：

抽取火灾数据库的历史火灾数据，根据步骤(2)划分的火灾等级，计算样本的火灾风险评分，y⁽ⁱ⁾代表第i个样本的风险分数；

设第i个火灾样本数据中火灾后果数据为向量r⁽ⁱ⁾，

r₁ ⁽ⁱ⁾、r₂ ⁽ⁱ⁾、r₃ ⁽ⁱ⁾分别为死亡人数、重伤人数、直接经济损失；

矩阵GE代表全部分险等级分数的范围，令grade^(j)代表矩阵GE的第j行，第j行代表该风险等级的分数范围，grade₁ ^(j)和grade₂ ^(j)分别为j风险等级分数的最小值和最大值；

矩阵DH代表全部分险等级火灾死亡人数的范围，令death^(j)代表分数段矩阵DH的第j行，第j行代表该风险等级的火灾死亡人数范围，death₁ ^(j)和death₂ ^(j)分别为j风险等级火灾死亡人数的最小值和最大值；

矩阵IY代表全部风险等级火灾重伤人数的范围，令injury^(j)代表分数段矩阵IY的第j行，第j行代表第j风险等级的火灾重伤人数范围，injury₁ ^(j)和injury₂ ^(j)分别为第j风险等级火灾重伤人数的最小值和最大值；

矩阵LS代表全部风险等级财产损失的范围，令loss^(j)代表分数段矩阵LS的第j行，第j行代表第j风险等级的火灾直接财产损失范围，loss₁ ^(j)和loss₂ ^(j)分别为第j风险等级火灾直接财产损失的最小值和最大值；

y⁽ⁱ⁾＝max(grade₁，grade₂-score_death ⁽ⁱ⁾-score_injury ⁽ⁱ⁾-score_loss ⁽ⁱ⁾) (式9)

样本结果r⁽ⁱ⁾，对应的风险等级为j，则该样本风险得分y⁽ⁱ⁾由上式计算得出，其中score_death ⁽ⁱ⁾代表火灾死亡的扣分，score_injury ⁽ⁱ⁾代表火灾重伤的扣分，score_loss ⁽ⁱ⁾代表火灾直接财产损失的扣分；

score_gap＝grade_score₂ ^(j)-grade_score₁ ^(j) (式13)

最终获得消防安全风险评估分数样本值空间，值为{y⁽¹⁾，y⁽²⁾，...，y^(m)}；

(5)根据样本计算权重W，完成消防安全火灾风险评估模型建立R＝W^TX；用以评估民用建筑中的公共建筑的火灾风险：

(6)根据步骤(4.1)计算得出待评估建筑的属性值，再以步骤(5)建立的模型计算出风险值与步骤(2)中划分的风险等级进行对比，进而得出建筑物的风险等级。

2.根据权利要求1所述的一种基于大数据的多元线性回归火灾风险评估方法，其特征在于：所述的火灾风险因素层级结构分为两层，第一层级因素包括五个方面，具体为：(1)火灾危险源；(2)建筑防火；(3)人员情况；(4)社会单位消防安全管理；(5)消防力量；

第二层级因素包括：(1.1)易燃易爆品；(1.2)电气安全情况；(1.3)不安全吸烟；(2.1)耐火等级；(2.2)防火间距；(2.3)自动报警系统；(2.4)防排烟系统；(2.5)自动灭火系统；(2.6)消火栓系统；(2.7)疏散通道；(2.8)应急出口；(2.9)应急疏散照明。(3.1)人员载荷；(3.2)人员素质；(4.1)消防安全责任制落实情况；(4.2)消防安全培训；(4.3)隐患整改情况；(4.4)消防维护情况；(4.5)防火巡查信息；(5.1)消防队响应速度；(5.2)消防队员水平；(5.3)消防水源(5.4)消防装备情况；(5.5)应急预案情况；

选取第二层级因素的24个火灾风险因素进行评估：

V＝[a₁，a₂...，a_i，...，a_n]^T (式1)

其中，向量V表示火灾风险因素，n＝24，a_i代表第i个火灾风险因素。

3.根据权利1要求所述的一种基于大数据的多元线性回归火灾风险评估方法，其特征在于：步骤(2)划分建筑火灾风险等级划分如下：风险等级分为I级至V级：

其中，I级，代表低风险，量化分值范围为85～100；

II级，代表中风险，量化分值范围为65～85；

III级，代表中高风险，量化分值范围为45～65；

IV级，代表高风险，量化分值范围为25～45；

V级，代表极高风险，量化分值范围为0～25。

4.根据权利要求1所述的一种基于大数据的多元线性回归火灾风险评估方法，其特征在于：设步骤(5)评估模型的权重计算如下：

矩阵A表示多因素的属性值样本空间，向量y表示样本评估分数；

y＝[y⁽¹⁾，y⁽²⁾，...，y^(m)]^T (式15)

权重W＝[w₀，w₁，w₂，...，w_n]^T，最终通过机器学习计算得出多因素火灾风险评估的权重：W＝(A^TA)^-1A^Ty。