CN110457736B - Rcrss中基于马尔科夫链的火势预测 - Google Patents

Rcrss中基于马尔科夫链的火势预测 Download PDF

Info

Publication number
CN110457736B
CN110457736B CN201910531503.4A CN201910531503A CN110457736B CN 110457736 B CN110457736 B CN 110457736B CN 201910531503 A CN201910531503 A CN 201910531503A CN 110457736 B CN110457736 B CN 110457736B
Authority
CN
China
Prior art keywords
time
fire
state
building
state transition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910531503.4A
Other languages
English (en)
Other versions
CN110457736A (zh
Inventor
于凯东
梁志伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201910531503.4A priority Critical patent/CN110457736B/zh
Publication of CN110457736A publication Critical patent/CN110457736A/zh
Application granted granted Critical
Publication of CN110457736B publication Critical patent/CN110457736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

RCRSS中基于马尔科夫链的火势预测，首先，由智能体确定发现火灾的场地，并计算出火区的凸包大小，所述火区的凸包指的是火区可能蔓延的方向；然后确定凸包中t时刻的建筑物状态Xt的概率；之后，确定建筑物的状态转移矩阵R；计算连续时间tm～tn下同状态建筑物的状态转移变化，基于此得到相应的连续时间中的状态转移矩阵；最后，计算下一步或n步时间后的状态转移矩阵，得出下一步或n步时间后的状态概率，以此做出决策判断。本发明不需要考虑火势模型以及热传播等，只是通过大量的数据模型，得出建筑物的温度上升、起燃、烧毁程度以及火势蔓延的结果，从而做出灭火或预浇水的决策，极大的降低了建模的复杂性，减少了参数的数量以及降低了计算的时间成本。

Description

RCRSS中基于马尔科夫链的火势预测
技术领域
本发明涉及机器人数据处理领域，具体涉及一种RCRSS中基于马尔科夫链的火势预测。
背景技术
目前，随着机器人技术的迅速发展，机器人应用的场景也越来越多，其中就包括基于救援仿真系统(RoboCup Rescue Simulation System，RCRSS)，利用一个或数个机器人共同完成清理路障、扑灭火灾、救援市民等任务。
在RCRSS仿真平台中，由于火势传播机理十分复杂，目前大多数方案都是采取基于火势特征值评估计算的方法进行灭火决策，虽然这种方案能够取得不错的灭火效果，但特征值的选取总是受限的，特征值越多，调整的难度越大，一旦错漏了某个未考虑到的因素，此方案在进行灭火任务时就会出现一定的偏差，产生较大的问题。
同时，RCRSS中整合了多个仿真器，其中火势仿真器是基于真实火灾情景模拟火势蔓延，包括热传递和热对流，其物理模型十分复杂。在实际运用过程中，过于复杂的物理建模不利于后续的火灾蔓延情况的预测，不利于及时地救火，造成火灾灾害损失和人身危险。
发明内容
本发明针对上述问题，提出一种RCRSS中基于马尔科夫链的火势预测，包括如下步骤：
步骤1，由智能体确定初次发现火灾的场地，以及计算出火区的凸包大小，所述火区的凸包指的是火区可能蔓延的方向；
步骤2，确定凸包中t时刻的建筑物状态Xt的概率；
步骤3，确定建筑物的状态转移矩阵R；计算连续时间tm～tn下同状态建物的状态转移变化，基于此得到相应的连续时间中的状态转移矩阵；
步骤4，计算下一步或n步时间后的状态转移矩阵{Rn}，得出下一步或n步时间后的状态概率，以此做出决策判断。
进一步地，所述步骤2中，通过建筑物的热量将建筑的状态分为未着火E1、轻度着火E2、重度着火E3以及烧毁E4四种状态，Xt概率如下：
Figure BDA0002099910170000021
Figure BDA0002099910170000022
Figure BDA0002099910170000023
Figure BDA0002099910170000024
故P(Xt)＝[P(E1)，P(E2)，P(E3)，P(E4)] (7)
进一步地，所述步骤3中，由于在火势蔓延仿真中，建筑物的着火级别只会逐级上升而不会下降；
Figure BDA0002099910170000025
表示在tm时刻下i状态的建筑物数量，
Figure BDA0002099910170000026
表示tm至tn时刻下保持i状态不变的建筑物数量；j表示tn时刻下建筑物状态；
所以t1时刻到t2时刻的Pij为
Figure BDA0002099910170000031
因此t1时刻到t2时刻的状态转移矩阵R12由公式(2)可得，得到的状态转移矩阵R12如公式(9)所示:
Figure BDA0002099910170000032
Figure BDA0002099910170000033
同理可得由接下来连续时间的状态转移矩阵R23和R34，计算平均的R为：
R＝(R1++R23+R34)/3 (10)
进一步地，所述步骤4中，根据式(11)得出下一步或n步时间后的状态概率，以此做出决策判断。
P(Xt+1)＝P(Xt)*Rn，n＝1，2，3，4… (11)
本发明提出的基于马尔科夫链的火势预测模型，不需要考虑火势模型以及热传播等，只是通过大量的数据模型，得出建筑的温度上升、起燃、烧毁程度以及火势蔓延的结果，从而做出灭火或预浇水的决策，极大的降低了建模的复杂性，减少了参数的数量以及降低了计算的时间成本。
附图说明
图1为本发明的实施例中的火灾发生区域地图。
图2为本发明实施例中的火灾发生区域连续时间序列各状态建筑物数量的统计表格。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
RCRSS中基于马尔科夫链的火势预测，包括如下步骤：
步骤1，由智能体确定初次发现火灾的场地，以及计算出火区的凸包大小，所述火区的凸包指的是火区可能蔓延的方向。
步骤2，确定凸包中t时刻的建筑物状态Xt的概率。
通过建筑物的热量将建筑的状态分为未着火E1、轻度着火E2、重度着火E3以及烧毁E4四种状态，Xt概率如下：
Figure BDA0002099910170000041
Figure BDA0002099910170000042
Figure BDA0002099910170000043
Figure BDA0002099910170000044
故P(Xt)＝[P(E1)，P(E2)，P(E3)，P(E4)] (7)
步骤3，确定建筑物的状态转移矩阵R；计算连续时间tm～tn下同状态建物的状态转移变化，基于此得到相应的连续时间中的状态转移矩阵。由于在火势蔓延仿真中，建筑物的着火级别只会逐级上升而不会下降；
Figure BDA0002099910170000045
表示在tm时刻下i状态的建筑物数量，
Figure BDA0002099910170000046
表示tm至tn时刻下保持i状态不变的建筑物数量；j表示tn时刻下建筑物状态；
所以t1时刻到t2时刻的Pij为
Figure BDA0002099910170000051
因此t1时刻到t2时刻的状态转移矩阵R12由公式(2)可得，得到的状态转移矩阵R12如公式(9)所示:
Figure BDA0002099910170000052
Figure BDA0002099910170000053
同理可得由接下来连续时间的状态转移矩阵R23和R34，计算平均的R为：
R＝(R12+R23+R34)/3 (10)
步骤4，计算下一步或n步时间后的状态转移矩阵{Rn}，根据式(11)得出下一步或n步时间后的状态概率，以此做出决策判断。
P(Xt+1)＝P(Xt)*Rn，n＝1，2，3，4… (11)
具体地，参照图1的地图，图中，num建筑物为125，num未着火建筑为71，num轻度着火建筑为40，num重度着火建筑为13，num烧毁建筑为1，故
Figure BDA0002099910170000054
图2为图1的地图中，连续时间序列各状态建筑物数量的统计表格，从表中可知时间1到时间2中，4个建筑物从E1转变为E2，1个建筑物从E2转变为E3，1个建筑物从E3转变为E4，所以1时刻到2时刻的状态转移矩阵R12由公式(8)可得:
Figure BDA0002099910170000061
Figure BDA0002099910170000062
Figure BDA0002099910170000063
计算平均的R(保留三位有效数字)为：
Figure BDA0002099910170000064
计算得出的P(Xt+1)＝P(Xt)*R＝[0.518，0.331，0.141，0.008]。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (1)

1.一种RCRSS中基于马尔科夫链的火势预测方法，其特征在于：包括如下步骤：
步骤1，由智能体确定初次发现火灾的场地，以及计算出火区的凸包大小，所述火区的凸包指的是火区可能蔓延的方向；
步骤2，确定凸包中t时刻的建筑物状态Xt的概率；
所述步骤2中，通过建筑物的热量将建筑的状态分为未着火E1、轻度着火E2、重度着火E3以及烧毁E4四种状态，Xt概率如下：
Figure FDA0003735594150000011
Figure FDA0003735594150000012
Figure FDA0003735594150000013
Figure FDA0003735594150000014
故P(Xt)＝[p(E1)，P(E2),P(E3)，P(E4)] (7)
步骤3，确定建筑物的状态转移矩阵R；计算连续时间tm～tn下同状态建物的状态转移变化，基于此得到相应的连续时间中的状态转移矩阵；
所述步骤3中，由于在火势蔓延仿真中，建筑物的着火级别只会逐级上升而不会下降；
Figure FDA0003735594150000015
表示在tm时刻下i状态的建筑物数量，
Figure FDA0003735594150000016
表示tm至tn时刻下保持i状态不变的建筑物数量；j表示tn时刻下建筑物状态；
所以t1时刻到t2时刻的Pij为
Figure FDA0003735594150000021
因此t1时刻到t2时刻的状态转移矩阵R12由公式(2)可得，得到的状态转移矩阵R12如公式(9)所示：
Figure FDA0003735594150000022
Figure FDA0003735594150000023
同理可得由接下来连续时间的状态转移矩阵R23和R34，计算平均的R为：
R＝(R12+R23+R34)/3 (10)
步骤4，计算下一步或n步时间后的状态转移矩阵{Rn}，得出下一步或n步时间后的状态概率，以此做出决策判断；
所述步骤4中，根据式(11)得出下一步或n步时间后的状态概率，以此做出决策判断
P(Xt+1)＝P(Xt)*Rn，n＝1，2，3，4… (11)。
CN201910531503.4A 2019-06-19 2019-06-19 Rcrss中基于马尔科夫链的火势预测 Active CN110457736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910531503.4A CN110457736B (zh) 2019-06-19 2019-06-19 Rcrss中基于马尔科夫链的火势预测

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910531503.4A CN110457736B (zh) 2019-06-19 2019-06-19 Rcrss中基于马尔科夫链的火势预测

Publications (2)

Publication Number Publication Date
CN110457736A CN110457736A (zh) 2019-11-15
CN110457736B true CN110457736B (zh) 2022-10-11

Family

ID=68480772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910531503.4A Active CN110457736B (zh) 2019-06-19 2019-06-19 Rcrss中基于马尔科夫链的火势预测

Country Status (1)

Country Link
CN (1) CN110457736B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113190031B (zh) * 2021-04-30 2023-03-24 成都思晗科技股份有限公司 基于无人机的森林火灾自动拍照跟踪方法、装置及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477657A (zh) * 2009-02-03 2009-07-08 中国科学技术大学 建筑火灾人员伤亡概率的预测方法
CN102509173A (zh) * 2011-10-28 2012-06-20 山东电力集团公司青岛供电公司 一种基于马尔科夫链的电力系统负荷准确预测方法
CN109635854A (zh) * 2018-11-26 2019-04-16 国网冀北电力有限公司 基于马尔科夫链的充电桩故障预测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477657A (zh) * 2009-02-03 2009-07-08 中国科学技术大学 建筑火灾人员伤亡概率的预测方法
CN102509173A (zh) * 2011-10-28 2012-06-20 山东电力集团公司青岛供电公司 一种基于马尔科夫链的电力系统负荷准确预测方法
CN109635854A (zh) * 2018-11-26 2019-04-16 国网冀北电力有限公司 基于马尔科夫链的充电桩故障预测方法及装置

Also Published As

Publication number Publication date
CN110457736A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
Su et al. Smart performance-based design for building fire safety: Prediction of smoke motion via AI
CN107909190B (zh) 一种毒气泄漏事故下人群疏散行为动态预测模拟装置及其工作方法
CN104933841A (zh) 一种基于自组织神经网络的火灾预测方法
CN111797572B (zh) 一种城市事故灾害演化模拟及风险预测预警方法
CN110457736B (zh) Rcrss中基于马尔科夫链的火势预测
JP2020533679A5 (zh)
CN111611749A (zh) 基于rnn的室内人群疏散自动引导仿真方法及系统
KR20210055150A (ko) 가상현실 기반의 화재 대피 시뮬레이션 장치 및 방법
CN111523177B (zh) 一种基于智能学习的空战对抗自主决策方法及系统
CN111881625A (zh) 一种基于深度强化学习的人群疏散仿真方法及系统
Zhang et al. Ensemble framework by using nature inspired algorithms for the early-stage forest fire rescue—A case study of dynamic optimization problems
Karki et al. CFD model for jet fan ventilation systems
CN114880935A (zh) 隧道火灾超前预测方法
CN111339668B (zh) 基于情绪认知的人群疏散可视化方法
CN110231777B (zh) 基于决策点的陆军合同战斗方案自动控制仿真方法
CN116541671A (zh) 一种基于深度学习的密集通道山火蔓延行为预测算法
CN110956684A (zh) 基于残差网络的人群运动疏散仿真方法及系统
CN112800679B (zh) 一种光电装备防御规划方法、装置、设备及存储介质
CN112766612A (zh) 阻火要素作用下的火灾蔓延预测方法及计算机装置
CN114065614B (zh) 基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质
CN113419524B (zh) 一种结合深度q学习的机器人路径学习与避障系统及方法
CN112884310B (zh) 一种污染物扩散规律计算机辅助评估方法、系统及装置
CN105069217A (zh) 一种基于道路动态分区模型的城市救援仿真方法
CN113096479A (zh) 一种消防演习虚拟训练方法
JP4942695B2 (ja) 間接的な設計コーディングを用いた設計の最適化

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant