CN111369058B - 一种森林火灾消防直升机需求预测方法及系统 - Google Patents
一种森林火灾消防直升机需求预测方法及系统 Download PDFInfo
- Publication number
- CN111369058B CN111369058B CN202010146758.1A CN202010146758A CN111369058B CN 111369058 B CN111369058 B CN 111369058B CN 202010146758 A CN202010146758 A CN 202010146758A CN 111369058 B CN111369058 B CN 111369058B
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- influence
- sequence
- fire
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2133—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on naturality criteria, e.g. with non-negative factorisation or negative correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种森林火灾消防直升机需求预测方法及系统,涉及消防直升机技术领域。该方法包括:获取待预测消防直升机数量的影响数据和样本数据;利用改进灰色关联分析对影响数据进行属性约简;利用改进奇异值分解法对第一矩阵进行降维处理;利用样本数据构建径向基函数神经网络;将待预测矩阵导入构建的径向基函数神经网络模型,得到预测的消防直升机数量。本发明以径向基函数神经网络作为消防直升机需求预测模型的主体,充分考虑影响消防直升机数量的多个影响数据,采用改进灰色关联分析和改进奇异值分解法对影响数据进行属性约简和维度约简,优化RBF神经网络模型的结构,提高预测消防直升机数量的精度。
Description
技术领域
本发明涉及消防直升机技术领域,特别是涉及一种森林火灾消防直升机需求预测方法及系统。
背景技术
据国家森林草原防灭火指挥部办公室统计,2018年,全国共发生森林火灾2478起,其中:一般森林火灾1579起、较大森林火灾894起、重大森林火灾3起、特大森林火灾2起,受害森林面积16309公顷,因灾造成人员伤亡39人,其中死亡23人,由森林火灾造成的人力和财力资源损失严重。因此,在森林火灾面临如此严峻的形势下,如何在森林火灾发生时迅速采取措施,有效控制火势,减少森林资源的损失和人员伤亡是一个必要解决的问题。通用航空是我国航空应急救援体系社会化的基础,构建以消防直升机为基础的通航应急救援体系已经成为未来应急救援的必然趋势。国内外对森林火灾发生时的航空救援的研究大多集中在资源调度上,但是关于森林火灾资源调度之前的资源需求分析环节的研究并不多见,近年来,森林火灾频发,依靠飞机灭火是森林防火的重要手段。森林火灾发生后迅速确定直升机需求,不仅可以为调度直升机节约时间,还可以提高消防救援效率。现有预测消防直升机需求的方法采用熵权法与案例推理法结合,通过建立案例库进行火灾相似度匹配和修正,对森林火灾所需的消防直升机具体数量进行预测,然而案例推理法在面对大量的案例数据是缺少一定的时序性和准确性,对样本数据的依赖程度高,得到的预测结果精度不高。因此,现有技术存在预测结果精度低的问题。
发明内容
本发明的目的是提供一种森林火灾消防直升机需求预测方法及系统,解决了现有技术预测结果精度低的问题。
为实现上述目的,本发明提供了如下方案:
一种森林火灾消防直升机需求预测方法,包括:
获取待预测消防直升机数量的影响数据;所述影响数据为影响消防直升机数量的影响因素;
利用改进灰色关联分析对所述影响数据进行属性约简,得到主要影响数据;
利用改进奇异值分解法对所述影响数据和所述主要影响数据构建的第一矩阵进行降维处理,得到待预测矩阵;
获取样本数据,所述样本数据包括历史消防直升机数量以及与所述历史消防直升机数量对应的历史影响数据;
利用所述样本数据构建径向基函数神经网络,得到构建的径向基函数神经网络模型;
将所述待预测矩阵导入所述构建的径向基函数神经网络模型,得到预测的消防直升机数量。
可选的,所述利用改进灰色关联分析对所述影响数据进行属性约简,得到主要影响数据,具体包括:
获取参考序列和比较序列,所述参考序列为所述待预测消防直升机数量,所述比较序列为所述影响数据;
对所述参考序列和所述比较序列进行去量纲处理,得到第一参考序列和第一比较序列;
将所述第一比较序列与所述第一参考序列做差,得到差序列;
利用所述差序列计算所述第一比较序列和所述第一参考序列的两极最大差,以及所述第一比较序列和所述第一参考序列的两极最小差;
利用所述两极最大差和所述两极最小差,计算所述第一比较序列中各影响因素的灰色关联系数,得到每个所述影响因素的灰色关联系数;
利用所述每个所述影响因素的灰色关联系数计算所述第一比较序列和所述第一参考序列的灰色关联度,得到每个所述影响因素的灰色关联度;
对所述每个所述影响因素的灰色关联度进行从大到小的排序,得到关联序列;
利用黄金分割法对所述关联序列进行分割,得到所述主要影响数据。
可选的,所述利用改进奇异值分解法对所述影响数据和所述主要影响数据构建的第一矩阵进行降维处理,得到待预测矩阵,具体包括:
计算所述第一矩阵的平均相似度;
利用所述平均相似度和所述改进奇异值分解法计算降维阈值;
利用所述降维阈值得到所述待预测矩阵。
可选的,所述利用所述平均相似度和所述改进奇异值分解法计算降维阈值,具体包括:
初始化奇异值个数;
利用所述第一矩阵和所述奇异值个数计算所述第一矩阵的相似矩阵;
对所述相似矩阵进行奇异值分解,得到奇异值矩阵;
计算所述奇异值矩阵的奇异平均相似度;
利用所述平均相似度和所述奇异平均相似度计算相似度误差;
令所述奇异值个数+1,并返回“利用所述第一矩阵和所述奇异值个数计算所述第一矩阵的相似矩阵”,得到奇异值个数的不同取值时对应的相似度误差;
利用所有的相似度误差计算得到最优奇异值个数;所述最优奇异值个数为所述降维阈值。
可选的,所述利用所述样本数据构建径向基函数神经网络,得到构建的径向基函数神经网络模型,具体包括:
利用改进灰色关联分析确定所述历史影响数据中的主要历史影响数据;
利用改进奇异值分解法对所述历史影响数据和所述主要历史影响数据构建的第一样本矩阵进行降维处理,得到样本矩阵;
利用所述样本矩阵训练径向基函数神经网络,得到构建的径向基函数神经网络模型。
一种森林火灾消防直升机需求预测系统,包括:
影响数据模块,用于获取待预测消防直升机数量的影响数据;所述影响数据为影响消防直升机数量的影响因素;
主要影响数据模块,用于利用改进灰色关联分析对所述影响数据进行属性约简,得到主要影响数据;
待预测矩阵模块,用于利用改进奇异值分解法对所述影响数据和所述主要影响数据构建的第一矩阵进行降维处理,得到待预测矩阵;
样本数据模块,用于获取样本数据,所述样本数据包括历史消防直升机数量以及与所述历史消防直升机数量对应的历史影响数据;
构建模块,用于利用所述样本数据构建径向基函数神经网络,得到构建的径向基函数神经网络模型;
预测模块,用于将所述待预测矩阵导入所述构建的径向基函数神经网络模型,得到预测的消防直升机数量。
可选的,所述主要影响数据模块,具体包括:
序列单元,用于获取参考序列和比较序列,所述参考序列为所述待预测消防直升机数量,所述比较序列为所述影响数据;
去量纲单元,用于对所述参考序列和所述比较序列进行去量纲处理,得到第一参考序列和第一比较序列;
差序列单元,用于将所述第一比较序列与所述第一参考序列做差,得到差序列;
两极单元,用于利用所述差序列计算所述第一比较序列和所述第一参考序列的两极最大差,以及所述第一比较序列和所述第一参考序列的两极最小差;
灰色关联系数单元,用于利用所述两极最大差和所述两极最小差,计算所述第一比较序列中各影响因素的灰色关联系数,得到每个所述影响因素的灰色关联系数;
灰色关联度单元,用于利用所述每个所述影响因素的灰色关联系数计算所述第一比较序列和所述第一参考序列的灰色关联度,得到每个所述影响因素的灰色关联度;
关联序列单元,用于对所述每个所述影响因素的灰色关联度进行从大到小的排序,得到关联序列;
主要影响数据单元,用于利用黄金分割法对所述关联序列进行分割,得到所述主要影响数据。
可选的,所述待预测矩阵模块,具体包括:
平均相似度单元,用于计算所述第一矩阵的平均相似度;
降维阈值单元,用于利用所述平均相似度和所述改进奇异值分解法计算降维阈值;
待预测矩阵单元,用于利用所述降维阈值得到所述待预测矩阵。
可选的,所述降维阈值单元,具体包括:
初始化子单元,用于初始化奇异值个数;
相似矩阵子单元,用于利用所述第一矩阵和所述奇异值个数计算所述第一矩阵的相似矩阵;
奇异值矩阵子单元,用于对所述相似矩阵进行奇异值分解,得到奇异值矩阵;
奇异平均相似度子单元,用于计算所述奇异值矩阵的奇异平均相似度;
相似度误差子单元,用于利用所述平均相似度和所述奇异平均相似度计算相似度误差;
重复子单元,用于令所述奇异值个数+1,并返回相似矩阵子单元,得到奇异值个数的不同取值时对应的相似度误差;
最优奇异值个数子单元,用于利用所有的相似度误差计算得到最优奇异值个数;所述最优奇异值个数为所述降维阈值。
可选的,所述构建模块,具体包括:
主要历史影响数据单元,用于利用改进灰色关联分析确定所述历史影响数据中的主要历史影响数据;
样本矩阵单元,用于利用改进奇异值分解法对所述历史影响数据和所述主要历史影响数据构建的第一样本矩阵进行降维处理,得到样本矩阵;
构建单元,用于利用所述样本矩阵训练径向基函数神经网络,得到构建的径向基函数神经网络模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种森林火灾消防直升机需求预测方法及系统。该方法包括:获取待预测消防直升机数量的影响数据;影响数据为影响消防直升机数量的影响因素;利用改进灰色关联分析对影响数据进行属性约简,得到主要影响数据;利用改进奇异值分解法对影响数据和主要影响数据构建的第一矩阵进行降维处理,得到待预测矩阵;获取样本数据,样本数据包括历史消防直升机数量以及与历史消防直升机数量对应的历史影响数据;利用样本数据构建径向基函数神经网络,得到构建的径向基函数神经网络模型;将待预测矩阵导入构建的径向基函数神经网络模型,得到预测的消防直升机数量。本发明以径向基函数(Radial Basis Function,RBF)神经网络作为消防直升机需求预测模型的主体,充分考虑影响消防直升机数量的多个影响数据,采用改进灰色关联分析和改进奇异值分解法对RBF神经网络的输入,即影响数据进行属性约简和维度约简,优化RBF神经网络模型的结构,降低RBF神经网络模型规模的复杂度,提高RBF神经网络模型的性能,提高预测消防直升机数量的精度,使得径向基函数神经网络模型能够高效的解决森林火灾发生时消防直升机数量预测问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的森林火灾消防直升机需求预测方法的流程图;
图2为本发明实施例所提供的RBF神经网络模型的结构图;
图3本发明实施例所提供的森林火灾消防直升机需求预测系统的系统图。
其中,1、输入层;2、隐含层;3、输出层。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种提高预测精度的森林火灾消防直升机需求预测方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供一种森林火灾消防直升机需求预测方法,图1为本发明实施例所提供的森林火灾消防直升机需求预测方法的流程图。参见图1,森林火灾消防直升机需求预测方法包括:
步骤101,获取待预测消防直升机数量的影响数据;影响数据为影响消防直升机数量的因素。本实施例中影响数据包括18个影响因素,具体为:人口密度、灾害强度、常备应急队伍、常备应急物资、预警、响应级别、可燃物密度、可燃物含水量、郁闭度、树龄、树种、过火面积、温度、降水量、海拔、风级、能见度和周边停机坪数量。
目前航空护林所采用的消防直升机主要为中型直升机,可搭乘消防员约为20-30人,代表机型有M171、AC313和K35等,本实施例预测森林火灾需求消防直升机数量时,可以确定所需消防直升机的数量,但不对消防直升机机型做需求决策。
步骤102,利用改进灰色关联分析(Improved grey relation analysis,IGRA)对影响数据进行属性约简,得到主要影响数据。定义森林火灾发生时的待预测消防直升机数量Y=f(X1,X2,...,Xm),其中X1,X2,...,Xm为m个影响消防直升机数量的影响因素,本实施例中m=18,利用IGRA找出待预测消防直升机数量Y的p个主要影响数据X1,X2,...,Xp,即Y≈f(X1,X2,...,Xp),p<m。
步骤102具体包括:获取参考序列和比较序列,参考序列为待预测消防直升机数量Y,比较序列为影响数据。
对参考序列和比较序列进行去量纲处理,得到第一参考序列和第一比较序列。具体为:消除影响数据及待预测消防直升机数量的量纲,即消除各个影响因素和待预测消防直升机数量的单位,避免不同的单位尺度对预测结果造成影响。
根据公式(1)对参考序列进行去量纲处理,得到第一参考序列:
式中,表示第一参考序列,表示去量纲后参考序列中的参考元素;Yn=(Y1,Y2,...,Yz)表示参考序列中任一参考元素;n表示参考序列中参考元素的序号,z表示参考元素的总数,本实施例中参考序列为待预测消防直升机数量,即n=z=1。
根据公式(2)对比较序列进行去量纲处理,得到第一比较序列:
式中,表示第一比较序列,表示去量纲后比较序列中的比较元素,即去量纲后的影响因素;Xi=(X1,X2,...,Xm)表示比较序列中任一比较元素,即任一影响因素;i表示影响因素的序号,m表示影响因素的总数。
将第一比较序列与第一参考序列做差,得到差序列。
根据公式(3)计算差序列:
式中,ΔD表示差序列。
利用差序列计算第一比较序列和第一参考序列的两极最大差,以及第一比较序列和第一参考序列的两极最小差。
根据公式(4)计算两极最大差Δmax:
根据公式(5)计算两极最小差Δmin:
利用两极最大差和两极最小差,计算第一比较序列中各影响因素的灰色关联系数,得到每个影响因素的灰色关联系数。
根据公式(6)计算灰色关联系数ξi:
式中,ρ表示分辨系数,ρ的取值范围为[0,1],本实施例中ρ=0.5。
利用每个影响因素的灰色关联系数计算第一比较序列和第一参考序列的灰色关联度,得到每个影响因素的灰色关联度。
根据公式(7)计算灰色关联度RLi:
对每个影响因素的灰色关联度进行从大到小的排序,得到关联序列;具体为是令RLi>RLj,j=1,2,...,m,j≠i,j表示与影响因素i不同的影响因素。
利用黄金分割法对关联序列进行分割,得到主要影响数据,主要影响数据包括p个主要影响因素:X1,X2,...,Xp。黄金分割法是对立统一法则的补充和延伸,是人类实践活动的重要方法论原则,本发明基于黄金分割法改进基于GRA的属性约简方法,旨在约简属性的同时,根据实践经验合理保留强影响因素。
步骤103,利用改进奇异值分解法(Improved Singular Value Decomposition,ISVD)对影响数据和主要影响数据构建的第一矩阵进行降维处理,得到待预测矩阵。步骤103以主要影响因素构建的第一矩阵为基础,利用ISVD对第一矩阵进行维度约简,得到待预测矩阵。
步骤103具体包括:m个影响因素在p个主要影响因素下的观测数据所构成的第一矩阵为:
式中,h11,h12,...,hmp表示m个影响因素分别在p个主要影响因素下的观测数据,h12表示第一矩阵第1行第2列的元素,即第1个影响因素在第2个主要影响因素下的观测数据;第一矩阵的总行数为m,总列数为p。
计算第一矩阵的平均相似度。相似度计算优选采用余弦相似夹角模型,余弦值越大,则相关度越高。
根据公式(8)计算第一矩阵中第a行数据与第b行数据的相似度sab:
式中,Ha表示第一矩阵的第a行数据,Hb表示第一矩阵的第b行数据,a≠b;d(Ha,Hb)表示第一矩阵欧氏距离。
根据公式(9)计算第一矩阵欧氏距离d(Ha,Hb):
式中,q表示主要影响因素的序号,即第一矩阵的第q列,p表示主要影响因素的总数,即第一矩阵的总列数,q=1,2,...,p;haq表示第一矩阵中第a行第q列的元素;hbq表示第一矩阵中第b行第q列的元素。
利用平均相似度和改进奇异值分解法计算降维阈值。具体包括:初始化奇异值个数,令奇异值个数t=1,奇异值个数代表奇异值矩阵的列数。
利用第一矩阵和奇异值个数计算第一矩阵的相似矩阵。
对相似矩阵进行奇异值分解,得到奇异值矩阵。
根据公式(11)对相似矩阵进行奇异值分解:
式中,表示相似矩阵;表示奇异值矩阵,奇异值矩阵为第一矩阵对角线上的元素,即HHT及HTH的特征值的非零平方根,并且与H的行数据相对应;表示HHT的正交单位特征向量矩阵;表示HTH的正交单位特征向量矩阵。对相似矩阵进行奇异值分解可利用矩阵实验室(matrix&laboratory,MATLAB)中的svd进行计算。
利用平均相似度和奇异平均相似度计算相似度误差。
根据公式(15)计算相似度误差△(t):
利用所有的相似度误差计算得到最优奇异值个数;最优奇异值个数为降维阈值。
当时,降低了储存空间。本实施例的改进奇异值分解法不仅能够实现对第一矩阵H进行降维,而且还能有效地降低数据的存储空间;同时,迭代的步骤还有助于保证降维前后奇异值矩阵的相似程度,在保证降维前后奇异值矩阵的相似程度的同时最大可能的对奇异值矩阵进行降维,进而保障径向基函数神经网络模型预测结果的合理性。
步骤104,获取样本数据,样本数据包括历史消防直升机数量以及与历史消防直升机数量对应的历史影响数据。
步骤105,利用样本数据构建径向基函数神经网络,得到构建的径向基函数神经网络模型。
步骤105具体包括:利用改进灰色关联分析确定历史影响数据中的主要历史影响数据;具体为根据步骤102的改进灰色关联分析确定主要历史影响数据。
利用改进奇异值分解法对历史影响数据和主要历史影响数据构建的第一样本矩阵进行降维处理,得到样本矩阵;具体为根据步骤103的改进奇异值分解法对第一样本矩阵进行降维处理得到样本矩阵。
利用样本矩阵训练径向基函数神经网络,得到构建的径向基函数神经网络模型;具体包括:图2为本发明实施例所提供的RBF神经网络模型的结构图,图2中x1,x2,...,xp-1,xp表示RBF神经网络模型输入层1的输入向量,p表示输入层1的节点数;h1,h2,...,hs表示RBF神经网络模型隐含层2的隐含向量,s表示隐含层2的节点数;y1,y2,...,yn表示RBF神经网络模型输出层3的输出向量,n表示输出层3的节点数。本实施例中样本矩阵为RBF神经网络模型的输入,输入层的节点数为样本矩阵的行数,RBF神经网络模型的输出为预测的消防直升机数量,即输出层的节点数为1,隐含层的节点数随机确定,本实施例中隐含层的节点数为2。隐含层节点的中心向量采用k均值聚类算法(k-means clustering algorithm,k-means算法)计算获得。
根据公式(17)计算隐含层的输出Or:
式中,xq表示输入层的第q个输入向量,即样本矩阵的第q行数据,q=1,2,...,p;ur表示隐含层第r个节点的中心向量,r=1,2,...,s;表示隐含层的变换函数,优选高斯函数,即公式(17)表示为公式(18):
式中,σr表示隐含层第r个节点的宽度。
根据公式(19)计算σr:
式中,ug表示隐含层第g个节点的中心向量,g=1,2,...,s,g不等于r。
根据公式(20)计算RBF神经网络模型的输出y:
式中,wr表示隐含层第r个节点至输出层的权值,权值由样本矩阵训练径向基函数神经网络时获得。
步骤106,将待预测矩阵导入构建的径向基函数神经网络模型,得到预测的消防直升机数量。步骤106具体包括:将待预测矩阵导入构建的径向基函数神经网络模型,得到构建的径向基函数神经网络模型输出的预测值,对预测值做与标准化相反的处理,得到预测的消防直升机数量。在步骤102中为了避免不同的单位尺度对预测结果造成影响,对影响数据及待预测消防直升机数量进行了去量纲处理,因此在步骤106对构建的径向基函数神经网络模型输出的预测值做与标准化相反的处理,得到预测的消防直升机数量。
本实施例将内蒙古大兴安岭奇乾、四川甘孜州、内蒙古大兴安岭毕拉河、内蒙古呼伦贝尔尔红花尔基和呼伦贝尔陈巴尔虎旗发生森林火灾时对消防直升机数量的影响数据和消防直升机数量作为样本数据,获取大兴安岭地区影响消防直升机数量的影响数据作为影响数据,对大兴安岭地区发生火灾时需求的消防直升机数量进行预测,验证本发明森林火灾消防直升机需求预测方法的预测效果:
参见表1,样本数据中影响消防直升机数量的影响因素包括灾害强度、常备应急队伍、常备应急物资、可燃物密度、郁闭度、过火面积和能见度等18个影响因素。同时针对上述影响因素,收集了内蒙古大兴安岭奇乾、四川甘孜州、内蒙古大兴安岭毕拉河、内蒙古呼伦贝尔尔红花尔基和呼伦贝尔陈巴尔虎旗近几年发生的森林火灾数据,得到影响因素的具体数据。样本数据中,树龄设定为幼树:1,成年树:2;树种设定为松木:1,杉木:2,灌木:3,阔叶林:4;响应级别设定为I:1,II:2,Ⅲ:3,Ⅳ:4,未启动:0;灾害强度设定为一般:1,重大:2,特大:3;常备应急物资及队伍设定为有:1,无:0;预警设定为有:1,无:0。由于部分影响因素下的各样本的值相同,故忽略样本值相同的部分影响因素对预测结果的影响,删除样本值相同的部分影响因素,即影响因素包括:可燃物密度(X1),可燃物含水量(X2),郁闭度(X3),树龄(X4),树种(X5),温度(X6),风向(X7),海拔(X8),能见度(X9),周边停机坪数量(X10),过火面积(X11),响应级别(X12),灾害强度(X13)。
表1:影响因素和样本数据
利用改进灰色关联分析对历史影响数据进行属性约简,计算得到各样本影响因素(即X1-X13)与直升机数量的灰色关联度,根据黄金分割法计算得到p=7,即7个主要历史影响数据包括:X4、X2、X6、X11、X9、X8和X13。
利用改进奇异值分解法计算样本降维矩阵:
主要历史影响数据的第一样本矩阵为:
隐含层的节点数为2,利用对RBF神经网络进行训练,得到隐含层至输出层的权值W,隐含层节点的宽度σ1和σ2,以及隐含层的中心向量u1和u2。保存权值W,隐含层节点的宽度σ1和σ2,以及隐含层的中心向量u1和u2,得到构建的RBF神经网络模型。
本发明预测需求的消防直升机数量为4架,而大兴安岭地区发生火灾时共出动5架消防直升机,与预测结果更接近,说明了本发明森林火灾消防直升机需求预测方法的合理性。
本发明还提供一种森林火灾消防直升机需求预测系统,图3本发明实施例所提供的森林火灾消防直升机需求预测系统的系统图。参见图3,森林火灾消防直升机需求预测系统包括:
影响数据模块201,获取待预测消防直升机数量的影响数据;影响数据为影响消防直升机数量的因素。本实施例中影响数据包括18个影响因素,具体为:人口密度、灾害强度、常备应急队伍、常备应急物资、预警、响应级别、可燃物密度、可燃物含水量、郁闭度、树龄、树种、过火面积、温度、降水量、海拔、风级、能见度和周边停机坪数量。
主要影响数据模块202,用于利用改进灰色关联分析对影响数据进行属性约简,得到主要影响数据。
主要影响数据模块202具体包括:
序列单元,用于获取参考序列和比较序列,参考序列为待预测消防直升机数量,比较序列为影响数据。
去量纲单元,用于对参考序列和比较序列进行去量纲处理,得到第一参考序列和第一比较序列。具体为:消除影响数据及待预测消防直升机数量的量纲,即消除各个影响因素和待预测消防直升机数量的单位,避免不同的单位尺度对预测结果造成影响。
差序列单元,用于将第一比较序列与第一参考序列做差,得到差序列。
两极单元,用于利用差序列计算第一比较序列和第一参考序列的两极最大差,以及第一比较序列和第一参考序列的两极最小差。
灰色关联系数单元,用于利用两极最大差和两极最小差,计算第一比较序列中各影响因素的灰色关联系数,得到每个影响因素的灰色关联系数。
灰色关联度单元,用于利用每个影响因素的灰色关联系数计算第一比较序列和第一参考序列的灰色关联度,得到每个影响因素的灰色关联度。
关联序列单元,用于对每个影响因素的灰色关联度进行从大到小的排序,得到关联序列。
主要影响数据单元,用于利用黄金分割法对关联序列进行分割,得到主要影响数据。
待预测矩阵模块203,用于利用改进奇异值分解法对影响数据和主要影响数据构建的第一矩阵进行降维处理,得到待预测矩阵。
待预测矩阵模块203具体包括:
平均相似度单元,用于计算第一矩阵的平均相似度。
降维阈值单元,用于利用平均相似度和改进奇异值分解法计算降维阈值。
降维阈值单元具体包括:初始化子单元,用于初始化奇异值个数。
相似矩阵子单元,用于利用第一矩阵和奇异值个数计算第一矩阵的相似矩阵。
奇异值矩阵子单元,用于对相似矩阵进行奇异值分解,得到奇异值矩阵。
奇异平均相似度子单元,用于计算奇异值矩阵的奇异平均相似度。
相似度误差子单元,用于利用平均相似度和奇异平均相似度计算相似度误差。
重复子单元,用于令奇异值个数t+1,并返回相似矩阵子单元,得到奇异值个数的不同取值时对应的相似度误差。
最优奇异值个数子单元,用于利用所有的相似度误差计算得到最优奇异值个数;最优奇异值个数为降维阈值。
待预测矩阵单元,用于利用降维阈值得到待预测矩阵。
样本数据模块204,用于获取样本数据,样本数据包括历史消防直升机数量以及与历史消防直升机数量对应的历史影响数据。
构建模块205,用于利用样本数据构建径向基函数神经网络,得到构建的径向基函数神经网络模型。
构建模块205具体包括:
主要历史影响数据单元,用于利用改进灰色关联分析确定历史影响数据中的主要历史影响数据。
样本矩阵单元,用于利用改进奇异值分解法对历史影响数据和主要历史影响数据构建的第一样本矩阵进行降维处理,得到样本矩阵。
构建单元,用于利用样本矩阵训练径向基函数神经网络,得到构建的径向基函数神经网络模型。
预测模块206,用于将待预测矩阵导入构建的径向基函数神经网络模型,得到预测的消防直升机数量。
本发明以RBF神经网络作为消防直升机需求预测模型的主体,充分考虑灾害强度、常备应急队伍、常备应急物资、可燃物密度、郁闭度、过火面积、能见度等18个影响因素,采用改进灰色关联分析和改进奇异值分解法对RBF神经网络的输入,即影响因素进行属性约简和维度约简,优化RBF神经网络模型的结构。采用本发明的森林火灾消防直升机需求预测方法及系统可以降低RBF神经网络模型规模的复杂度,提高RBF神经网络模型的性能,改善预测效果,提高预测消防直升机数量的精度,使得径向基函数神经网络模型能够高效的解决森林火灾发生时消防直升机数量预测问题。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种森林火灾消防直升机需求预测方法,其特征在于,包括:
获取待预测消防直升机数量的影响数据;所述影响数据为影响消防直升机数量的影响因素;
利用改进灰色关联分析对所述影响数据进行属性约简,得到主要影响数据;
利用改进奇异值分解法对所述影响数据和所述主要影响数据构建的第一矩阵进行降维处理,得到待预测矩阵;以主要影响因素构建的第一矩阵为基础,利用ISVD对第一矩阵进行维度约简,得到待预测矩阵,具体包括:
m个影响因素在p个主要影响因素下的观测数据所构成的第一矩阵为:
式中,h11,h12,...,hmp表示m个影响因素分别在p个主要影响因素下的观测数据,h12表示第一矩阵第1行第2列的元素,即第1个影响因素在第2个主要影响因素下的观测数据;第一矩阵的总行数为m,总列数为p;
获取样本数据,所述样本数据包括历史消防直升机数量以及与所述历史消防直升机数量对应的历史影响数据;
利用所述样本数据构建径向基函数神经网络,得到构建的径向基函数神经网络模型;
将所述待预测矩阵导入所述构建的径向基函数神经网络模型,得到预测的消防直升机数量。
2.根据权利要求1所述的森林火灾消防直升机需求预测方法,其特征在于,所述利用改进灰色关联分析对所述影响数据进行属性约简,得到主要影响数据,具体包括:
获取参考序列和比较序列,所述参考序列为所述待预测消防直升机数量,所述比较序列为所述影响数据;
对所述参考序列和所述比较序列进行去量纲处理,得到第一参考序列和第一比较序列;
将所述第一比较序列与所述第一参考序列做差,得到差序列;
利用所述差序列计算所述第一比较序列和所述第一参考序列的两极最大差,以及所述第一比较序列和所述第一参考序列的两极最小差;
利用所述两极最大差和所述两极最小差,计算所述第一比较序列中各影响因素的灰色关联系数,得到每个所述影响因素的灰色关联系数;
利用所述每个所述影响因素的灰色关联系数计算所述第一比较序列和所述第一参考序列的灰色关联度,得到每个所述影响因素的灰色关联度;
对所述每个所述影响因素的灰色关联度进行从大到小的排序,得到关联序列;
利用黄金分割法对所述关联序列进行分割,得到所述主要影响数据。
3.根据权利要求1所述的森林火灾消防直升机需求预测方法,其特征在于,所述利用改进奇异值分解法对所述影响数据和所述主要影响数据构建的第一矩阵进行降维处理,得到待预测矩阵,具体包括:
计算所述第一矩阵的平均相似度;
利用所述平均相似度和所述改进奇异值分解法计算降维阈值;
利用所述降维阈值得到所述待预测矩阵。
4.根据权利要求3所述的森林火灾消防直升机需求预测方法,其特征在于,所述利用所述平均相似度和所述改进奇异值分解法计算降维阈值,具体包括:
初始化奇异值个数;
利用所述第一矩阵和所述奇异值个数计算所述第一矩阵的相似矩阵;
对所述相似矩阵进行奇异值分解,得到奇异值矩阵;
计算所述奇异值矩阵的奇异平均相似度;
利用所述平均相似度和所述奇异平均相似度计算相似度误差;
令所述奇异值个数+1,并返回“利用所述第一矩阵和所述奇异值个数计算所述第一矩阵的相似矩阵”,得到奇异值个数的不同取值时对应的相似度误差;
利用所有的相似度误差计算得到最优奇异值个数;所述最优奇异值个数为所述降维阈值。
5.根据权利要求1所述的森林火灾消防直升机需求预测方法,其特征在于,所述利用所述样本数据构建径向基函数神经网络,得到构建的径向基函数神经网络模型,具体包括:
利用改进灰色关联分析确定所述历史影响数据中的主要历史影响数据;
利用改进奇异值分解法对所述历史影响数据和所述主要历史影响数据构建的第一样本矩阵进行降维处理,得到样本矩阵;
利用所述样本矩阵训练径向基函数神经网络,得到构建的径向基函数神经网络模型。
6.一种森林火灾消防直升机需求预测系统,其特征在于,包括:
影响数据模块,用于获取待预测消防直升机数量的影响数据;所述影响数据为影响消防直升机数量的影响因素;
主要影响数据模块,用于利用改进灰色关联分析对所述影响数据进行属性约简,得到主要影响数据;
待预测矩阵模块,用于利用改进奇异值分解法对所述影响数据和所述主要影响数据构建的第一矩阵进行降维处理,得到待预测矩阵;以主要影响因素构建的第一矩阵为基础,利用ISVD对第一矩阵进行维度约简,得到待预测矩阵,具体包括:
m个影响因素在p个主要影响因素下的观测数据所构成的第一矩阵为:
式中,h11,h12,...,hmp表示m个影响因素分别在p个主要影响因素下的观测数据,h12表示第一矩阵第1行第2列的元素,即第1个影响因素在第2个主要影响因素下的观测数据;第一矩阵的总行数为m,总列数为p;
样本数据模块,用于获取样本数据,所述样本数据包括历史消防直升机数量以及与所述历史消防直升机数量对应的历史影响数据;
构建模块,用于利用所述样本数据构建径向基函数神经网络,得到构建的径向基函数神经网络模型;
预测模块,用于将所述待预测矩阵导入所述构建的径向基函数神经网络模型,得到预测的消防直升机数量。
7.根据权利要求6所述的森林火灾消防直升机需求预测系统,其特征在于,所述主要影响数据模块,具体包括:
序列单元,用于获取参考序列和比较序列,所述参考序列为所述待预测消防直升机数量,所述比较序列为所述影响数据;
去量纲单元,用于对所述参考序列和所述比较序列进行去量纲处理,得到第一参考序列和第一比较序列;
差序列单元,用于将所述第一比较序列与所述第一参考序列做差,得到差序列;
两极单元,用于利用所述差序列计算所述第一比较序列和所述第一参考序列的两极最大差,以及所述第一比较序列和所述第一参考序列的两极最小差;
灰色关联系数单元,用于利用所述两极最大差和所述两极最小差,计算所述第一比较序列中各影响因素的灰色关联系数,得到每个所述影响因素的灰色关联系数;
灰色关联度单元,用于利用所述每个所述影响因素的灰色关联系数计算所述第一比较序列和所述第一参考序列的灰色关联度,得到每个所述影响因素的灰色关联度;
关联序列单元,用于对所述每个所述影响因素的灰色关联度进行从大到小的排序,得到关联序列;
主要影响数据单元,用于利用黄金分割法对所述关联序列进行分割,得到所述主要影响数据。
8.根据权利要求6所述的森林火灾消防直升机需求预测系统,其特征在于,所述待预测矩阵模块,具体包括:
平均相似度单元,用于计算所述第一矩阵的平均相似度;
降维阈值单元,用于利用所述平均相似度和所述改进奇异值分解法计算降维阈值;
待预测矩阵单元,用于利用所述降维阈值得到所述待预测矩阵。
9.根据权利要求8所述的森林火灾消防直升机需求预测系统,其特征在于,所述降维阈值单元,具体包括:
初始化子单元,用于初始化奇异值个数;
相似矩阵子单元,用于利用所述第一矩阵和所述奇异值个数计算所述第一矩阵的相似矩阵;
奇异值矩阵子单元,用于对所述相似矩阵进行奇异值分解,得到奇异值矩阵;
奇异平均相似度子单元,用于计算所述奇异值矩阵的奇异平均相似度;
相似度误差子单元,用于利用所述平均相似度和所述奇异平均相似度计算相似度误差;
重复子单元,用于令所述奇异值个数+1,并返回相似矩阵子单元,得到奇异值个数的不同取值时对应的相似度误差;
最优奇异值个数子单元,用于利用所有的相似度误差计算得到最优奇异值个数;所述最优奇异值个数为所述降维阈值。
10.根据权利要求6所述的森林火灾消防直升机需求预测系统,其特征在于,所述构建模块,具体包括:
主要历史影响数据单元,用于利用改进灰色关联分析确定所述历史影响数据中的主要历史影响数据;
样本矩阵单元,用于利用改进奇异值分解法对所述历史影响数据和所述主要历史影响数据构建的第一样本矩阵进行降维处理,得到样本矩阵;
构建单元,用于利用所述样本矩阵训练径向基函数神经网络,得到构建的径向基函数神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010146758.1A CN111369058B (zh) | 2020-03-05 | 2020-03-05 | 一种森林火灾消防直升机需求预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010146758.1A CN111369058B (zh) | 2020-03-05 | 2020-03-05 | 一种森林火灾消防直升机需求预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111369058A CN111369058A (zh) | 2020-07-03 |
CN111369058B true CN111369058B (zh) | 2022-06-14 |
Family
ID=71206694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010146758.1A Active CN111369058B (zh) | 2020-03-05 | 2020-03-05 | 一种森林火灾消防直升机需求预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369058B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10438212B1 (en) * | 2013-11-04 | 2019-10-08 | Ca, Inc. | Ensemble machine learning based predicting customer tickets escalation |
CN103617459A (zh) * | 2013-12-06 | 2014-03-05 | 李敬泉 | 一种多影响因素下商品需求信息预测方法 |
CN109214863B (zh) * | 2018-08-27 | 2021-08-03 | 西北工业大学 | 一种基于快递数据预测城市房屋需求的方法 |
CN109472346B (zh) * | 2018-10-11 | 2020-08-07 | 南京航空航天大学 | 考虑部分数据模糊和缺失的应急物资需求预测的方法 |
CN109376953B (zh) * | 2018-11-21 | 2022-09-23 | 国网冀北电力有限公司 | 一种中长期电量预测方法及系统 |
CN109919356B (zh) * | 2019-01-27 | 2023-07-21 | 河北工程大学 | 一种基于bp神经网络区间需水预测方法 |
CN110443413B (zh) * | 2019-07-23 | 2021-08-27 | 华南理工大学 | 电力物资需求预测系统及电力物资需求模型的构建方法 |
-
2020
- 2020-03-05 CN CN202010146758.1A patent/CN111369058B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111369058A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Naveed et al. | Mathematical analysis of novel coronavirus (2019-nCov) delay pandemic model | |
CN110532859A (zh) | 基于深度进化剪枝卷积网的遥感图像目标检测方法 | |
Kettle et al. | Determinants of fine-scale spatial genetic structure in three co-occurring rain forest canopy trees in Borneo | |
CN108897732B (zh) | 语句类型识别方法和装置、存储介质及电子装置 | |
Thorn et al. | Rare species, functional groups, and evolutionary lineages drive successional trajectories in disturbed forests | |
Morales et al. | Genetic structure in remnant populations of an endangered cyprinodontid fish, Orestias ascotanensis, endemic to the Ascotán salt pan of the Altiplano | |
Oudelha et al. | HMM parameters estimation using hybrid Baum-Welch genetic algorithm | |
CN109902564A (zh) | 一种基于结构相似性稀疏自编码网络的异常事件检测方法 | |
Metz et al. | Temporal and spatial variability in seedling dynamics: a cross-site comparison in four lowland tropical forests | |
CN111369058B (zh) | 一种森林火灾消防直升机需求预测方法及系统 | |
CN116451553A (zh) | 一种改进的变分模态分解与BiGRU融合的水质预测方法 | |
Portillo et al. | Area and distance from mainland affect in different ways richness and phylogenetic diversity of snakes in Atlantic Forest coastal islands | |
Tyler et al. | Diving into a dead-end: asymmetric evolution of diving drives diversity and disparity shifts in waterbirds | |
CN110176006A (zh) | 图像前景物体分割方法及装置 | |
Qian | Intercontinental comparison of phylogenetic relatedness in introduced plants at the transition from naturalization to invasion: A case study on the floras of South Africa and China | |
Pang et al. | Environmental risk assessment and comprehensive index model of disaster loss for COVID-19 transmission | |
Zaldívar‐Riverón et al. | Phylogeny and evolution of dorsal pattern in the Mexican endemic lizard genus Barisia (Anguidae: Gerrhonotinae) | |
CN113435780B (zh) | 一种基于神经网络的应急通信感知装备体系效能评估方法 | |
CN115171433A (zh) | 一种车雾辅助无人机灾后救援任务卸载方法 | |
Decker et al. | Trailing-edge zombie forests can increase population persistence in the face of climate change | |
Loiola et al. | Underdispersion of anti‐herbivore defence traits and phylogenetic structure of cerrado tree species at fine spatial scale | |
Fazekas et al. | Simulation results on a triangle-based network evolution model | |
Stephens et al. | A decade of genetic monitoring reveals increased inbreeding for the Endangered western leopard toad, Sclerophrys pantherina | |
Viana et al. | Best linear unbiased prediction for genetic evaluation in reciprocal recurrent selection with popcorn populations | |
Diniz-Filho et al. | Modeling body size evolution in Felidae under alternative phylogenetic hypotheses |
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 |