CN111797572B - 一种城市事故灾害演化模拟及风险预测预警方法 - Google Patents

一种城市事故灾害演化模拟及风险预测预警方法 Download PDF

Info

Publication number
CN111797572B
CN111797572B CN202010640242.2A CN202010640242A CN111797572B CN 111797572 B CN111797572 B CN 111797572B CN 202010640242 A CN202010640242 A CN 202010640242A CN 111797572 B CN111797572 B CN 111797572B
Authority
CN
China
Prior art keywords
data
model
prediction
urban
accident disaster
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
CN202010640242.2A
Other languages
English (en)
Other versions
CN111797572A (zh
Inventor
吴建松
胡啸峰
原帅琪
沈兵
蔡继涛
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.)
PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
China University of Mining and Technology Beijing CUMTB
Original Assignee
PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
China University of Mining and Technology Beijing CUMTB
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 PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA, China University of Mining and Technology Beijing CUMTB filed Critical PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
Priority to CN202010640242.2A priority Critical patent/CN111797572B/zh
Publication of CN111797572A publication Critical patent/CN111797572A/zh
Application granted granted Critical
Publication of CN111797572B publication Critical patent/CN111797572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种城市事故灾害演化模拟及风险预测预警方法，属于机器学习技术领域。通过建立融合多类数据的城市事故灾害数据仓库，利用机器学习方法构建城市事故灾害演化模拟及风险预测预警机器学习预测模型，实现对事故灾害演化的快速精确预测以及对事故灾害风险的快速预测预警。数据仓库融合了城市事故灾害历史数据、城市事故灾害实验数据、各类传感器实时监测数据以及高置信度的城市事故灾害演化数值模拟数据。其中，高置信度的城市事故灾害演化数值模拟数据由经过事故灾害历史数据或实验数据验证的数值模拟模型产生或由基于数据同化技术融合数值模拟模型与事故历史数据或实验数据的数值模拟模型产生，解决数据仓库数据量不足的问题。

Description

一种城市事故灾害演化模拟及风险预测预警方法
技术领域
本发明具体涉及一种城市事故灾害演化模拟及风险预测预警方法，属于机器学习技术领域。
背景技术
近年来，随着我国经济和社会的快速发展，城市化水平得到了不断提升。但由于城市化进程加快以及自然环境的恶化，导致了我国城市内致灾因素的急速增加与城市事故灾害的频繁发生，我国城市公共安全形式十分严峻。目前，城市事故灾害类别多样，具有多样性、耦合性和连锁性等特点。同时，由于城市人口集中，建筑物密集等特点，若不能及时有效对城市事故灾害进行预测预警与应急处置，将造成巨大的经济损失并严重威胁城市安全运行和公民的生命安全。在城市事故灾害应急处置中，能够快速、准确模拟城市事故灾害演化过程以及实现事故灾害风险快速预测预警十分重要。当前对于城市事故灾害演化模拟及风险预测预警的研究及技术方法较为单一，多集中于对单类事故的演化模拟以及利用传感器等监测监控设备的事故灾害预测预警，其在灾害演化模拟的速度及精度上有所欠缺，风险预测预警的定量化、精确性不足，未能满足事故灾害风险快速预测预警与应急响应的需求。
随着机器学习技术的不断进步，将其用于灾害事故预测和处理成为一个新的研究方向。中国发明专利CN2014101779450，公开了一种巨灾风险大数据处理的应急分解分拣方法及系统。这种方法的不足之处在于必须依赖大量的收集数据，在数据不足的情况下无法开展工作。
发明内容
因此，本发明目的是提供一种城市事故灾害演化模拟及风险预测预警方法，实现城市事故灾害演化过程的快速及准确模拟，并且实现城市事故灾害风险的快速预测预警，为城市事故灾害的预测预警、安全防控、应急响应等工作的有效开展提供重要技术支撑。
具体的，本发明提供的城市事故灾害演化模拟及风险预测预警方法，所述方法具体为：
利用机器学习技术方法，通过利用多种数据构建城市事故灾害演化数据仓库来实现对城市事故灾害机器学习快速预测模型的参数训练与参数学习，机器学习快速预测模型通过对视频监控数据、传感器实时监测数据等的分析与计算来实现对城市事故灾害风险的快速预测预警；
其中，建立的数据仓库通过高置信度数值模拟数据来扩充数据容量；高置信度的数值模拟数据通过两类模型产生：一类是经过实验数据或事故灾害历史数据验证的数值模拟模型；另一类是基于数据同化技术的估计及扩散预测矫正模型；基于数据同化技术的估计及扩散预测矫正模型由贝叶斯推断—集合卡尔曼滤波耦合数据同化模型构建完成，所述贝叶斯推断—集合卡尔曼滤波耦合数据同化模型首先通过贝叶斯推断方法结合由实验数据或事故灾害历史数据中提取的观测数据实现对源项信息的反演估计，进而将获得的源项信息反演计算结果用于时空分布的预测，并通过集合卡尔曼滤波算法结合观测数据实现对时空分布的矫正。
本发明的有益效果：
本发明中建立的数据仓库可通过大量的高置信度数值模拟数据来扩充数据容量，满足城市事故灾害机器学习快速预测模型深度学习的需求。利用机器学习技术方法，通过利用多种数据构建城市事故灾害演化数据仓库来实现对城市事故灾害机器学习快速预测模型的参数训练与参数学习，机器学习快速预测模型将通过对视频监控数据、传感器实时监测数据等的分析与计算来实现对城市事故灾害风险的快速预测预警。
附图说明
图1为本发明一种城市事故灾害演化模拟及风险预测预警方法及系统的结构框图。
图2为本发明实施例2实现综合管廊燃气泄漏事故灾害演化模拟及风险预测预警的结构框图。
图3为本发明实施例2的机器学习模型结构示意图(以DBN网络为例)。
图4a、图4b为本发明实施例2对城市地下综合管廊燃气泄漏事故泄漏位置及泄漏率预测结果图。
图5a、图5b、图5c、图5d为本发明实施例2对城市地下综合管廊燃气泄漏事故燃气浓度时空分布预测结果图。
具体实施方式
下面结合附图对本发明的具体实施方式进行说明：
实施例1
本发明利用机器学习技术方法，通过利用多种数据构建城市事故灾害演化数据仓库来实现对城市事故灾害机器学习快速预测模型的参数训练与参数学习，机器学习快速预测模型将通过对视频监控数据、传感器实时监测数据等的分析与计算来实现对城市事故灾害风险的快速预测预警。其中，城市事故灾害演化数据仓库包括的各类数据如下：
1.城市中各类传感器实时监测数据；
2.各类事故灾害的历史数据；
3.各类城市事故灾害的实验数据；
4.各类城市事故灾害的高置信度数值模拟数据。
本发明中建立的数据仓库可通过大量的高置信度数值模拟数据来扩充数据容量，满足城市事故灾害机器学习快速预测模型深度学习的需求。其中，高置信度的数值模拟数据可通过经过实验数据或事故灾害历史数据验证的数值模拟模型提供，或基于数据同化技术实现数值模拟模型与实验数据或事故灾害历史数据相融合，进而进行高置信度的数值模拟来获得大量可靠性强的城市事故灾害数值模拟数据。其中基于数据同化技术的数值模拟模型，即为贝叶斯推断—集合卡尔曼滤波耦合模型，该模型通过利用贝叶斯推断方法结合观测数据实现对事故灾害模拟参数或源项信息的反演计算，并进而由集合卡尔曼滤波方法结合观测数据实现对事故灾害模拟结果的预测矫正，可获得大量高置信度的数值模拟数据来扩充数据仓库的数据容量。
在上述四种数据类型中，事故灾害的历史数据更新频率低，数据量较少并且数据属性不统一，故采用JSON数据结构、NoSQL类数据库(例如MongoDB)进行存储；城市中各类传感器实时监测数据更新频率高，数据量大且数据属性确定，需要数据库高并发、高吞吐量、高稳定性地进行数据传输，故采用Spark Restful API接收各类传感器实时监测数据，然后采用Hadoop分布式数据库进行存储。各类城市事故灾害的实验数据和各类城市事故灾害的高置信度数值模拟数据具有数据量大，数据属性易于统一的特点，并且数据实时吞吐量不大，故采用Hadoop分布式数据库进行存储。
如图1本发明实现城市事故灾害演化模拟及风险预测预警的结构框图，本发明通过对传感器实时监测数据、城市事故灾害的历史数据以及城市事故灾害实验数据进行收集与处理构建城市事故灾害数据仓库。当数据仓库数据量不足时，可利用经过实验数据或事故灾害历史数据验证的数值模拟模型进行事故灾害数据模拟产生大量数据或利用数据同化技术方法实现数值模拟模型与事故历史数据或实验数据的融合，产生高置信度的数值模拟数据，以达到扩充数据仓库的目的。
实施例2
图2为本发明实施例，实现城市地下综合管廊燃气泄漏事故灾害演化模拟及风险预测预警的结构框图。基于现有的综合管廊燃气泄漏实验数据及高置信度综合管廊燃气泄漏数值模拟数据可建立综合管廊舱内燃气泄漏事故数据仓库。其中，高置信度的综合管廊燃气泄漏数值模拟数据通过两类模型产生：1.经过实验数据或事故灾害历史数据验证的综合管廊燃气泄漏扩散数值模拟模型；2.基于数据同化技术的综合管廊燃气泄漏源项估计及扩散预测矫正模型。基于数据同化技术的综合管廊燃气泄漏源项估计及扩散预测矫正模型由贝叶斯推断—集合卡尔曼滤波耦合数据同化模型构建完成，可实现数值模拟模型与实验数据或事故灾害历史数据相融合，完成综合管廊燃气泄漏源项信息(泄漏位置、泄漏速率)的反演计算和综合管廊舱内燃气浓度时空分布的预测矫正。所述贝叶斯推断—集合卡尔曼滤波耦合数据同化模型首先通过贝叶斯推断方法结合由实验数据或事故灾害历史数据中提取的观测数据实现对燃气泄漏源项信息的反演估计，进而将获得的源项信息反演计算结果用于燃气浓度时空分布的预测，并通过集合卡尔曼滤波算法结合观测数据实现对燃气浓度时空分布的矫正。所述贝叶斯推断—集合卡尔曼滤波耦合数据同化模型算法流程如下：
通过贝叶斯推断方法实现燃气泄漏源项信息反演计算，公式如下：
Figure BDA0002570747150000041
式中，Q为源项参数，I为观测值，P(I|Q)表示似然函数，P(Q)是基于先验信息对源项参数的先验估计，P(Q|I)表示源项参数后验概率分布。似然函数可表示为：
Figure BDA0002570747150000042
式中，
Figure BDA0002570747150000043
分别为t时刻第i个传感器的观测值与预测值，
Figure BDA0002570747150000044
表示t时刻第i个传感器的模型误差与观测误差，源项参数Q的后验分布为：
Figure BDA0002570747150000045
Figure BDA0002570747150000046
完成源项参数反演计算后，将获得的源项信息用于燃气浓度时空分布的预测，并通过集合卡尔曼滤波实现对燃气浓度时空分布的矫正，具体如公式五：
Figure BDA0002570747150000051
式中，
Figure BDA0002570747150000052
为i时刻状态集合中第n个状态预测值，M为预测模型，即i-1时刻到i时刻状态的变化关系，
Figure BDA0002570747150000053
为i-1时刻状态集合中第n个状态更新值，θ为预测模型误差，
当i时刻存在观测值时，可通过观测值更新集合中所有的状态：
Figure BDA0002570747150000054
Figure BDA0002570747150000055
Figure BDA0002570747150000056
Figure BDA0002570747150000057
Pe＝B′B′T 公式十
式中，
Figure BDA0002570747150000058
是i时刻状态集合中第n个状态更新值；Ke是增益矩阵；In(ti)是i时刻的观测数据；H表示观测模型；β为观测误差，Re为观测误差协方差矩阵；Pe为状态的预测模型误差方差矩阵；b表示状态向量，在本实施例中由综合管廊各处的燃气浓度值构成，N表示集合的大小。
由贝叶斯推断—集合卡尔曼滤波耦合数据同化模型可产生不同泄漏条件、通风条件下的高置信度综合管廊舱内燃气浓度时空分布数据，可基于此高置信度的综合管廊舱内燃气浓度时空分布数据构建综合管廊舱内燃气泄漏事故数据仓库，并基于数据仓库通过机器学习技术方法可构建城市事故灾害机器学习快速预测模型。以综合管廊燃气管道泄漏场景为例，基于数据仓库中的综合管廊舱内燃气泄漏扩散数值模拟数据集对机器学习模型进行训练和验证。选用SVM、随机森林、DBN、CNN和LSTM机器学习模型，构建泄漏气体时空预测模型。模型的特征主要考虑泄漏源特征、通风口特征、环境因素和观测点的时空特征，每种特征类型的具体特征属性如表1所示。机器学习模型的预测目标为特定位置、特定时间下的泄漏气体浓度和浓度变化的速率，具体的属性如表2所示。模型的目标函数定义如公式十一、公式十二所示：
E＝RMSE(Ci_prediCt，Ci_ture)+RMSE(Sv_predict，Sv_ture)
公式十一
Figure BDA0002570747150000061
其中E代表机器学习模型的目标函数，Ci_predict为泄漏气体浓度的预测值，Ci_ture为泄漏气体浓度的真实值，Sv_predict为泄漏气体浓度变化速率的预测值，Sv_ture为泄漏气体浓度变化速率的真实值，n为样本的数量。
表1机器学习模型的特征属性
Figure BDA0002570747150000062
表2机器学习模型的预测目标属性
Figure BDA0002570747150000063
综合管廊燃气泄漏事故数据仓库构建完成后，可基于该数据仓库进行综合管廊燃气泄漏扩散机器学习预测模型的构建，模型的结构图为图3所示。模型的训练集和测试集划分的比例为4:1，在训练集上采用交叉验证(cross validation)的方法对模型进行训练，并在测试集上计算模型的预测性能指标，例如RMSE，R2等。当存在人为蓄意破坏导致综合管廊发生燃气管线气体泄漏事故时，综合管廊燃气泄漏扩散机器学习预测模型可通过获得的燃气传感器实时监测数据实现对燃气浓度时空分布以及泄漏位置、泄漏速率的快速预测，进而对发生燃气爆炸事故的风险进行预测预警。
图4a、图4b为本发明对城市地下综合管廊燃气泄漏事故泄漏位置及泄漏率预测结果图。如图4可见本发明对综合管廊燃气泄漏事故泄漏位置及泄漏率预测的概率分布，在本实施例中燃气真实泄漏位置和泄漏率分别为45m和0.1473m3/s，通过本实施例燃气泄漏率及泄漏位置的后验概率分布结果，可对燃气泄漏事故应急响应以及燃气燃烧爆炸事故的风险预测预警提供支撑。
图5a、图5b、图5c、图5d为本发明实施例城市地下综合管廊燃气泄漏事故燃气浓度时空分布预测结果图。由本实施例城市地下综合管廊燃气泄漏事故燃气浓度时空分布预测可得到综合管廊内部燃气燃烧爆炸危险性较高的区域范围，进而实现燃气燃烧爆炸事故的风险预测预警。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种城市事故灾害演化模拟及风险预测预警方法，其特征在于，所述方法具体为：
利用机器学习技术方法，通过利用多种数据构建城市事故灾害演化数据仓库来实现对城市事故灾害机器学习快速预测模型的参数训练与参数学习，机器学习快速预测模型通过对视频监控数据、传感器实时监测数据的分析与计算来实现对城市事故灾害风险的快速预测预警；
其中，建立的数据仓库通过高置信度数值模拟数据来扩充数据容量；高置信度的数值模拟数据通过两类模型产生：一类是经过实验数据或事故灾害历史数据验证的数值模拟模型；另一类是基于数据同化技术的估计及扩散预测矫正模型；基于数据同化技术的估计及扩散预测矫正模型由贝叶斯推断—集合卡尔曼滤波耦合数据同化模型构建完成，所述贝叶斯推断—集合卡尔曼滤波耦合数据同化模型首先通过贝叶斯推断方法结合由实验数据或事故灾害历史数据中提取的观测数据实现对源项信息的反演估计，进而将获得的源项信息反演计算结果用于时空分布的预测，并通过集合卡尔曼滤波算法结合观测数据实现对时空分布的矫正；
贝叶斯推断—集合卡尔曼滤波耦合数据同化模型算法流程如下：
通过贝叶斯推断方法实现燃气泄漏源项信息反演计算，如公式一所示：
Figure FDA0002916883410000011
式中，Q为源项参数，I为观测值，P(I|Q)表示似然函数，P(Q)是基于先验信息对源项参数的先验估计，P(Q|I)表示源项参数后验概率分布，似然函数可表示为：
Figure FDA0002916883410000012
式中，
Figure FDA0002916883410000013
分别为t时刻第i个传感器的观测值与预测值，
Figure FDA0002916883410000014
表示t时刻第i个传感器的模型误差与观测误差，源项参数Q的后验分布为：
Figure FDA0002916883410000015
Figure FDA0002916883410000016
Figure FDA0002916883410000021
完成源项参数反演计算后，将获得的源项信息用于燃气浓度时空分布的预测，并通过集合卡尔曼滤波实现对燃气浓度时空分布的矫正，具体如公式五：
Figure FDA0002916883410000022
式中，
Figure FDA0002916883410000023
为i时刻状态集合中第n个状态预测值，M为预测模型，即i-1时刻到i时刻状态的变化关系，
Figure FDA0002916883410000024
为i-1时刻状态集合中第n个状态更新值，θ为预测模型误差，
当i时刻存在观测值时，将通过观测值更新集合中所有的状态：
Figure FDA0002916883410000025
Figure FDA0002916883410000026
Figure FDA0002916883410000027
Figure FDA0002916883410000029
Pe＝B′B′T 公式十
式中，
Figure FDA0002916883410000028
是i时刻状态集合中第n个状态更新值；Ke是增益矩阵；In(ti)是i时刻的观测数据；H表示观测模型；β表示观测误差，Re为观测误差协方差矩阵；Pe为状态的预测模型误差协方差矩阵；b表示状态向量，由各个位置处的燃气浓度值组成，N表示集合的大小；
由贝叶斯推断-集合卡尔曼滤波耦合数据同化模型可产生不同风条件下的高置信度时空分布数据，基于此高置信度的时空分布数据构建数据仓库，并基于数据仓库通过机器学习技术方法构建城市事故灾害机器学习快速预测模型，基于数据仓库中的数值模拟数据集对机器学习模型进行训练和验证，选用SVM、随机森林、DBN、CNN和LSTM机器学习模型，构建时空预测模型，模型的目标函数定义如公式十一、公式十二所示：
E＝RMSE(Ci_predict，Ci_ture)+RMSE(Sv_predict，Sv_ture) 公式十一
Figure FDA0002916883410000031
其中E代表机器学习模型的目标函数，Ci_predict为泄漏气体浓度的预测值，Ci_ture为泄漏气体浓度的真实值，Sv_predict为泄漏气体浓度变化速率的预测值，Sv_ture为泄漏气体浓度变化速率的真实值，n为样本的数量。
2.如权利要求1所述的城市事故灾害演化模拟及风险预测预警方法，其特征在于，所述方法中城市事故灾害演化数据仓库构建完成后，基于该数据仓库进行机器学习预测模型的构建，模型的训练集和测试集划分的比例为4:1，在训练集上采用交叉验证的方法对模型进行训练，并在测试集上计算模型的预测性能指标。
3.如权利要求1所述的城市事故灾害演化模拟及风险预测预警方法，其特征在于，所述方法中城市事故灾害演化数据仓库包括：城市中各类传感器实时监测数据；各类事故灾害的历史数据；各类城市事故灾害的实验数据；各类城市事故灾害的高置信度数值模拟数据。
4.如权利要求1所述的城市事故灾害演化模拟及风险预测预警方法，其特征在于，所述方法中城市事故灾害为城市地下综合管廊燃气泄漏事故灾害。
5.如权利要求4所述的城市事故灾害演化模拟及风险预测预警方法，其特征在于，所述方法中高置信度的综合管廊燃气泄漏数值模拟数据通过两类模型产生：一类是经过实验数据或事故灾害历史数据验证的综合管廊燃气泄漏扩散数值模拟模型；另一类是基于数据同化技术的综合管廊燃气泄漏源项估计及扩散预测矫正模型。
CN202010640242.2A 2020-07-06 2020-07-06 一种城市事故灾害演化模拟及风险预测预警方法 Active CN111797572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010640242.2A CN111797572B (zh) 2020-07-06 2020-07-06 一种城市事故灾害演化模拟及风险预测预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010640242.2A CN111797572B (zh) 2020-07-06 2020-07-06 一种城市事故灾害演化模拟及风险预测预警方法

Publications (2)

Publication Number Publication Date
CN111797572A CN111797572A (zh) 2020-10-20
CN111797572B true CN111797572B (zh) 2021-03-05

Family

ID=72811235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010640242.2A Active CN111797572B (zh) 2020-07-06 2020-07-06 一种城市事故灾害演化模拟及风险预测预警方法

Country Status (1)

Country Link
CN (1) CN111797572B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329346B (zh) * 2020-11-06 2022-06-14 国网四川省电力公司泸州供电公司 一种输电线路雷电地闪数据分析优化方法
CN112613639A (zh) * 2020-11-30 2021-04-06 河南汇祥通信设备有限公司 一种基于lstm模型的综合管廊运维数据预测系统及方法
CN113222218B (zh) * 2021-04-16 2022-06-10 浙江工业大学 基于卷积长短时记忆神经网络的交通事故风险预测方法
CN114840584B (zh) * 2022-07-06 2022-09-20 中国矿业大学(北京) 一种事故灾情信息实时监测与区域重建方法及系统
CN115375201B (zh) * 2022-10-24 2023-01-10 中国矿业大学(北京) 城市地下综合管廊多灾种演化动态风险评估方法和系统
CN116542185B (zh) * 2023-07-06 2023-09-01 中国矿业大学(北京) 基于降阶仿真模型和实时校准算法的数字孪生管廊系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737466A (zh) * 2012-06-07 2012-10-17 清华大学 一种火灾火源位置及强度估计方法及系统
CN104408900A (zh) * 2014-11-10 2015-03-11 柳州师范高等专科学校 基于动态优化的神经网络洪水预警装置及其方法
CN108280849A (zh) * 2018-01-23 2018-07-13 中国矿业大学(北京) 一种综合管廊燃气泄漏浓度场预测矫正及泄漏率估计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737155A (zh) * 2011-04-12 2012-10-17 中国科学院寒区旱区环境与工程研究所 基于贝叶斯滤波的通用数据同化方法
US20170140656A1 (en) * 2015-08-26 2017-05-18 Purdue Research Foundation Estimating aircraft operations at airports using transponder data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737466A (zh) * 2012-06-07 2012-10-17 清华大学 一种火灾火源位置及强度估计方法及系统
CN104408900A (zh) * 2014-11-10 2015-03-11 柳州师范高等专科学校 基于动态优化的神经网络洪水预警装置及其方法
CN108280849A (zh) * 2018-01-23 2018-07-13 中国矿业大学(北京) 一种综合管廊燃气泄漏浓度场预测矫正及泄漏率估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
燃气圆管道在空气中泄漏源地面逸出区域反算方法应用研究;焦建瑛等;《城市燃气》;20200229;第10-13页 *

Also Published As

Publication number Publication date
CN111797572A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111797572B (zh) 一种城市事故灾害演化模拟及风险预测预警方法
CN105426970B (zh) 一种基于离散动态贝叶斯网络的气象威胁评估方法
CN110544402B (zh) 基于大数据融合的化工园区虚拟仿真应急推演系统
KR102061500B1 (ko) 인공신경망 기반 지진해일 예측 시스템
CN113990168A (zh) 基于地震救援虚拟演练系统的虚拟地震灾害场景优化方法
CN103093035A (zh) 用于城市危机应急决策演练的计算机仿真系统及仿真方法
CN113625697B (zh) 考虑任务能力变化的无人机集群可靠性评估方法和系统
CN110503805A (zh) 管道地质灾害监测预警方法及装置
CN108615098B (zh) 基于贝叶斯生存分析的供水管网管道爆管风险预测方法
CN111866453A (zh) 一种基于人工智能和bim的堰塞坝应急监测预警方法
CN115688032A (zh) 基于多源数据融合的台风灾害下电网风险预警方法及系统
Luo et al. A fast PM2. 5 forecast approach based on time-series data analysis, regression and regularization
CN114493052A (zh) 多模型融合自适应新能源功率预测方法和系统
Pengju An English teaching ability evaluation model based on edge computing
Zhong et al. Pipeline risk big data intelligent decision-making system based on machine learning and situation awareness
Li et al. Expert knowledge-driven Bayesian network modeling for marine disaster assessment under the small sample condition
Van Moorter et al. Habitat functionality: Integrating environmental and geographic space in niche modeling for conservation planning
CN116384255B (zh) 一种基于多源数据融合的园区危险态势感知方法及系统
Zhai et al. Design and implementation of earthquake information publishing system based on mobile computing and machine learning technology in GIS
CN111178756A (zh) 一种基于环境大数据的多元线性回归火灾风险评估方法
Sun et al. Study on safe evacuation routes based on crowd density map of shopping mall
CN116052300A (zh) 一种基于数字孪生的电力巡检系统和方法
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
Liu et al. Research on ship abnormal behavior detection method based on graph neural network
Chang et al. A deep belief network and case reasoning based decision model for emergency rescue

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