CN112990599A - 一种基于突发火灾事件相似度计算的城市应急消防优化方法 - Google Patents

Abstract

一种基于突发火灾事件相似度计算的城市应急消防优化方法，先根据计算目标城市火灾突发事件与历史火灾突发事件中各历史突发事件的各关键指标相似度，确定目标城市火灾突发事件相似的火灾突发事件；再根据相似的火灾突发事件确定目标城市火灾突发事件的危险等级；最后选取危险等级相同相似的历史火灾突发事件作为参考，采用神经网络算法预测优化后的消防车出勤数量及灭火时间。

Description

一种基于突发火灾事件相似度计算的城市应急消防优化方法

技术领域

本发明涉及城市应急技术领域，特别是一种城市应急消防优化方法。

背景技术

如今各种自然类、社会类、公共类的城市危险事件屡屡频发，特别是火灾事件，对城市人民的幸福生活和社会和谐安宁造成十分严重的影响。基于事件相似度计算的突发火灾事件应急消防优化方法，可以帮助有关人员及时掌握突发事件的危险等级，尽快给出初步应急措施。

目前现有的关于突发事件的相似性计算方法均没有考虑关键指标之间的关联关系。此外，目前大多研究采用参考历史事件对应的事件相似度比率作为危险性等级评估的概率权重，然后将所有参考历史事件危险等级加权求和，获得目标突发事件的危险等级评估结果。但是，参考历史事件的事件相似度已经达到一定的阈值要求，相对而言，本文以参考历史事件集合中的不同危险等级种类以及出现的频次为基础进行等级评估更加科学。而且，目前还没有针对突发火灾事件的具体化应急优化措施的相关研究。

发明内容

本发明的目的就是提供一种基于突发火灾事件相似度计算的城市应急消防优化方法。

本发明的目的是通过这样的技术方案实现的，它包括有以下步骤：

1)定义火灾事件关键指标集合INDEX＝{ind₁,ind₂,...,ind_j,...,ind_n}，其中j,n∈N⁺且j＝1,2,...,n，ind_j表示城市突发事件的第j个关键指标；

定义并标注各历史火灾突发事件的危险等级l_i(i＝1,2,...,m)；

获取城市各历史火灾突发事件中消防车出勤数量信息，构成城市火灾突发事件消防车出勤集合Action＝{act₁,act₂,...,act_i,...,act_N}，其中act_i代表第i件历史火灾突发事件的消防车出勤数量；

获取城市各历史火灾突发事件中灭火时间信息，构成城市火灾突发事件灭火时间集合Time＝{time₁,time₂,...,time_i,...,time_N}，其中time_i代表第i件历史火灾突发事件的灭火时间；

获取若干城市历史火灾突发事件各关键指标信息E_History＝{E₁,E₂,...E_i,,...,E_N}，其中i,N∈N⁺且i＝1,2,...,N，E_i表示第i件历史火灾突发事件关键指标信息，且E_i＝{ind_i_1,ind_i_2,...,ind_i_n}，其中ind_i_n表示历史火灾突发事件E_i的关键指标ind_n的信息；

则第i件历史火灾突发事件所有信息可表示为E_A_i＝{E_i,act_i,l_i}；

2)获取目标城市突发火灾事件信息E_target＝{ind_tar₁,ind_tar₂,...,ind_tar_s}，其中ind_tar_s代表目标城市突发事件的第s个指标的信息；

3)计算目标城市火灾突发事件E_target与历史火灾突发事件E_History中各历史突发事件的各关键指标相似度，根据各关键指标相似度计算出目标城市火灾突发事件与历史火灾突发事件E_History中所有历史突发事件的相似度{Sim₁,Sim₂,...,Sim_N}；

4)预设相似度阈值r，筛选出{Sim₁,Sim₂,...,Sim_N}中相似度不小于r的所有城市历史火灾突发事件，构成参考城市历史火灾突发事件集合Ω＝{E_j,j＝1,2,...,k|Sim_j≥r,E_j∈E_History}，E_j代表城市历史火灾突发事件库中第j个与目标城市火灾突发事件相似度不小于r的历史突发事件，k代表可参考历史火灾突发事件总数；

5)根据参考城市历史突发事件的各事件危险等级，计算目标城市突发事件的危险等级；

6)根据目标城市突发事件的危险等级，采用神经网络算法计算消防车出勤数量。

进一步，步骤1)中所述指标集合INDEX具体包括：

天气、温度、建筑结构、建筑物高度、建筑物占地面积、湿度、受困人数、可燃物数量、风力、火灾类型、建筑物内消防设施和通道；受困人员基本消防安全知识；火势大小；周围建筑物密度交通是否便利；时间；

建筑物内消防设施和通道、受困人员基本消防安全知识、火势大小和周围建筑物密度，采用模拟语言评价：s₀很差、s₁差、s₂一般、s₃好、s₄很好。

进一步，步骤3)中所述计算目标城市火灾突发事件E_target与E_History中各历史火灾突发事件的各关键指标相似度，根据各关键指标相似度计算出目标城市火灾突发事件与E_History中所有历史火灾突发事件的相似度{Sim₁,Sim₂,...,Sim_N}，具体方法如下：

3-1)以E_History中所有历史火灾突发事件与目标城市火灾突发事件的各个指标相似度数据为数据样本，计算各关键指标相似度数据之间的相关性，则有指标ind_i相似度与各指标相似度的相关系数分别为{r_i,1,r_i,2,...,r_i,i-1,r_ii,r_i,i+1,...,r_i,s}，归一化到区间[0,1]，取各相关系数百分比：

则有关键指标ind_i与各关键指标的相关系数百分比为{α_i,1,α_i,2,...,α_i,i-1,α_ii,α_i,i+1,...,α_i,s}，满足

3-2)根据专家经验确定目标城市突发事件E_target中各指标权重集合为{w₁,w₂,...,w_s}，则目标城市突发事件与E_History中历史突发事件E_i的相似度为：

其中，sim_k,i代表第k件历史火灾突发事件的第i个指标与目标城市火灾突发事件的相似度；

为w_i的调整系数。

进一步，步骤5)中所述根据参考城市历史火灾突发事件的各事件危险等级，计算目标城市火灾突发事件的危险等级的具体方法如下：

统计参考城市历史突发事件集合中各危险等级出现的频数信息：

Lev＝{(l₁,t₁),(l₂,t₂),...,(l_m,t_m)},(t₁+t₂+…+t_m＝k)；

其中l_i(i＝1,2,...,m)代表第i种危险等级，t_i(i＝1,2,...,m)代表第i种危险等级出现的频次；

目标城市突发事件的危险等级评估结果为：

进一步，步骤6)中根据目标城市突发事件的危险等级，采用神经网络算法计算消防车出勤数量的具体方法如下：

6-1)将所有与目标城市突发事件危险等级相同的历史突发事件对应的消防车出勤数量、灭火时间分别构建成两个数据集；

6-2)以消防车出勤数量数据集为神经网络模型的输入，以灭火时间数据集为神经网络模型的输出，前60％作为训练集，后40％作为测试集，构建结构为单隐层6个神经元的神经网络模型W＝f(消防车出勤数；灭火时间)；

6-3)构建目标函数为Q＝input_W+output_W÷10，其中input_W为神经网络模型W的输入，即消防车出勤数量，output_W为神经网络模型W的输出，即灭火时间；

6-4)给定消防车出勤最大数量以及灭火允许最长时间，以消防车出勤最大数量作为模型W初始输入数据，获得目标函数值；然后每次使输入数据减少1，再获得目标函数值；以此类推，直到消防车出勤数量等于0或者模型输出灭火时间大于设定的灭火允许最长时间，则终止。

6-5)通过全局搜索寻求最优解，即通过全局搜索算法寻找目标函数值最小的输入输出组合，然后找出与该组合灭火时间相差5分钟以内的组合，构成一个备选集合；

6-6)最终根据消防车出勤数量最小的原则，筛选出备选集合中的最优解，给出消防车应出勤数量，以及预计灭火时间。

由于采用了上述技术方案，本发明具有如下的优点：

1、考虑了突发火灾事件各个关键指标之间的相关关系，使得事件相似性度量更加准确科学，能准确找出适合用于目标突发火灾的源域数据；

2、不同于以往的基于各历史突发火灾事件的相似度为权重，本方案以历史突发火灾事件中各个危险等级出现的频次为权重，计算目标突发火灾事件的危险等级，更具有区分性；

3、提出一种基于神经网络建模和全局搜索算法的突发火灾事件的应急优化方法，可以及时相应突发火灾事件，有利于减少损失。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明的优化流程示意图；

图2为实施例一的危险等级评估过程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例一：

假设2020年8月12日22时50分,某公司危险品仓库发生火灾爆炸事故，目标突发事件Z^*相和六件同类别历史突发事件Z¹——Z⁶相关指标信息如列表所示；其中，目标突发事件Z^*只有指标1到指标11的信息，故只选取历史突发事件指标1到指标11的信息：

表1目标城市突发事件与各历史突发事件指标信息

表2各历史突发事件危险等级

1)计算各指标相似度结果如下：

表3各指标相似度结果

2)计算各指标相似度的相关系数，再将其归一化到[0,1],获得相关系数归一化矩阵如下：

3)计算各指标相似度的相关系数百分比，获得矩阵如下：

4)计算各历史突发事件与目标突发事件的相似度：

其中，sum(per)代表对矩阵per的每一列求和，得到一个1×16的新矩阵。

则可得目标城市突发事件与各历史突发事件的相似度为：

{Sim₁,Sim₂,Sim₃,Sim₄,Sim₅,Sim₆}＝(0.5869 0.4778 0.2834 0.4240 0.67020.6689)

5)假设相似度阈值r＝0.6，则选取参考历史突发事件集合为Ω＝{Z⁵,Z⁶}，其对应危险等级统计情况为Lev＝{(2,1),(3,1)}，故目标城市突发事件Z^*的危险等级评估结果为：

一种基于突发火灾事件相似度计算的城市应急消防优化方法，针对目标突发火灾事件的危险等级评估，本专利选取Z¹到Z⁶这六件历史城市突发事件和目标城市突发事件Z^*作为分析对象。

如图2所示，具体实施步骤分为四个模块：历史突发火灾事件信息获取、目标突发火灾事件信息获取、历史突发火灾事件与目标突发火灾事件相似性计算、目标突发火灾事件的危险等级评估。

第一部分，历史突发火灾事件信息获取，具体实施步骤如下：

S1、定义火灾事件关键指标集合INDEX＝{ind₁,ind₂,...,ind_j,...,ind_n}，其中j,n∈N⁺且j＝1,2,...,n，ind_j表示城市突发事件的第j个关键指标；

S2、定义并标注各历史火灾突发事件的危险等级l_i(i＝1,2,...,m)；

S3、获取城市各历史火灾突发事件中消防车出勤数量信息，构成城市火灾突发事件消防车出勤集合Action＝{act₁,act₂,...,act_i,...,act_N}，其中act_i代表第i件历史火灾突发事件的消防车出勤数量；

S4、获取城市各历史火灾突发事件中灭火时间信息，构成城市火灾突发事件灭火时间集合Time＝{time₁,time₂,...,time_i,...,time_N}，其中time_i代表第i件历史火灾突发事件的灭火时间；

S5、获取若干城市历史火灾突发事件各关键指标信息E_History＝{E₁,E₂,...E_i,,...,E_N}，其中i,N∈N⁺且i＝1,2,...,N，E_i表示第i件历史火灾突发事件关键指标信息，且E_i＝{ind_i_1,ind_i_2,...,ind_i_n}，其中ind_i_n表示历史火灾突发事件E_i的关键指标ind_n的信息；

则第i件历史火灾突发事件所有信息可表示为E_A_i＝{E_i,act_i,time_i,l_i}；

第二部分，目标突发火灾事件信息获取，具体实施步骤如下：

获取目标城市突发火灾事件信息E_target＝{ind_tar₁,ind_tar₂,...,ind_tar_s}，其中ind_tar_s代表目标城市突发事件的第s个关键指标的信息；

第三部分，历史突发火灾事件与目标突发火灾事件相似性计算，具体实施步骤如下：

S1、以E_History中所有历史火灾突发事件与目标城市火灾突发事件的各个指标相似度数据为数据样本，计算各关键指标相似度数据之间的相关性，则有关键指标ind_i相似度与各关键指标相似度的相关系数分别为{r_i,1,r_i,2,...,r_i,i-1,r_ii,r_i,i+1,...,r_i,s}，归一化到区间[0,1]，取各相关系数百分比：

则有关键指标ind_i与各关键指标的相关系数百分比为{α_i,1,α_i,2,...,α_i,i-1,α_ii,α_i,i+1,...,α_i,s}，满足

各指标相似度计算方法主要采用了总所周知的数值型数据相似度计算方法、模糊评价语言中的五标度语言相似度计算方法以及字符型数据相似度计算方法。

S2、根据专家经验确定目标城市突发事件E_target中各指标权重集合为{w₁,w₂,...,w_s}，则目标城市突发事件与E_History中历史突发事件E_i的相似度为：

其中，sim_k,i代表第k件历史火灾突发事件的第i个指标与目标城市火灾突发事件的相似度。

第四部分，目标突发火灾事件的危险等级评估，具体实施步骤如下：

S1、预设相似度阈值r，筛选出{Sim₁,Sim₂,...,Sim_N}中相似度不小于r的所有城市历史火灾突发事件，构成参考城市历史火灾突发事件集合Ω＝{E_j,j＝1,2,...,k|Sim_j≥r,E_j∈E_History}，E_j代表城市历史火灾突发事件库中第j个与目标城市火灾突发事件相似度不小于r的历史突发事件，k代表可参考历史火灾突发事件总数。

S2、统计参考城市历史突发事件集合中各危险等级出现的频数信息：

Lev＝{(l₁,t₁),(l₂,t₂),...,(l_m,t_m)},(t₁+t₂+…+t_m＝k)；

其中l_i(i＝1,2,...,m)代表第i种危险等级，t_i(i＝1,2,...,m)代表第i种危险等级出现的频次；

S3、目标城市突发事件的危险等级评估结果为：

针对目标突发火灾事件的应急优化方法，以上述求得的危险等级为基础，具体步骤如下：

S1、将所有与目标城市突发事件危险等级相同的历史突发事件对应的消防车出勤数量(单位：辆)、灭火时间(单位：分钟)分别构建成两个数据集；

S2、以消防车出勤数量数据集为神经网络模型的输入，以灭火时间数据集为神经网络模型的输出，前60％作为训练集，后40％作为测试集，构建结构为单隐层(6个神经元)的神经网络模型W＝f(消防车出勤数,灭火时间)；

S3、构建目标函数为Q＝input_W+output_W÷10，其中input_W为神经网络模型W的输入，即消防车出勤数量，output_W为神经网络模型W的输出，即灭火时间；

S4、给定消防车出勤最大数量以及灭火允许最长时间，以消防车出勤最大数量作为模型W初始输入数据，获得目标函数值。然后每次使输入数据减少1，再获得目标函数值。以此类推，直到消防车出勤数量等于0或者模型输出灭火时间大于设定的灭火允许最长时间。

S5、通过全局搜索寻求最优解，即通过全局搜索算法寻找目标函数值最小时对应的模型输入输出组合数据，然后找出与该组合灭火时间相差5分钟以内的所有输入输出组合，构成一个备选集合；

S6、最终根据消防车出勤数量最小的原则，筛选出备选集合中的最优组合，给出消防车应出勤数量(输入数据)，以及预计灭火时间(输出数据)。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (5)

1.一种基于突发火灾事件相似度计算的城市应急消防优化方法，其特征在于，所述城市应急消防方法包括有以下步骤：

1)定义火灾事件关键指标集合INDEX＝{ind₁,ind₂,...,ind_j,...,ind_n}，其中j,n∈N⁺且j＝1,2,...,n，ind_j表示城市突发事件的第j个关键指标；

定义并标注各历史火灾突发事件的危险等级l_i(i＝1,2,...,m)；

获取城市各历史火灾突发事件中消防车出勤数量信息，构成城市火灾突发事件消防车出勤集合Action＝{act₁,act₂,...,act_i,...,act_N}，其中act_i代表第i件历史火灾突发事件的消防车出勤数量；

获取城市各历史火灾突发事件中灭火时间信息，构成城市火灾突发事件灭火时间集合Time＝{time₁,time₂,...,time_i,...,time_N}，其中time_i代表第i件历史火灾突发事件的灭火时间；

获取若干城市历史火灾突发事件各关键指标信息E_History＝{E₁,E₂,...E_i,,...,E_N}，其中i,N∈N⁺且i＝1,2,...,N，E_i表示第i件历史火灾突发事件关键指标信息，且E_i＝{ind_i_1,ind_i_2,...,ind_i_n}，其中ind_i_n表示历史火灾突发事件E_i的关键指标ind_n的信息；

则第i件历史火灾突发事件所有信息可表示为E_A_i＝{E_i,act_i,l_i}；

2)获取目标城市突发火灾事件信息E_target＝{ind_tar₁,ind_tar₂,...,ind_tar_s}，其中ind_tar_s代表目标城市突发事件的第s个指标的信息；

3)计算目标城市火灾突发事件E_target与历史火灾突发事件E_History中各历史突发事件的各关键指标相似度，根据各关键指标相似度计算出目标城市火灾突发事件与历史火灾突发事件E_History中所有历史突发事件的相似度{Sim₁,Sim₂,...,Sim_N}；

4)预设相似度阈值r，筛选出{Sim₁,Sim₂,...,Sim_N}中相似度不小于r的所有城市历史火灾突发事件，构成参考城市历史火灾突发事件集合Ω＝{E_j,j＝1,2,...,k|Sim_j≥r,E_j∈E_History}，E_j代表城市历史火灾突发事件库中第j个与目标城市火灾突发事件相似度不小于r的历史突发事件，k代表可参考历史火灾突发事件总数；

5)根据参考城市历史突发事件的各事件危险等级，计算目标城市突发事件的危险等级；

6)根据目标城市突发事件的危险等级，采用神经网络算法计算消防车出勤数量。

2.权利要求1所述的基于突发火灾事件相似度计算的城市应急消防优化方法，其特征在于，步骤1)中所述指标集合INDEX具体包括：

天气、温度、建筑结构、建筑物高度、建筑物占地面积、湿度、受困人数、可燃物数量、风力、火灾类型、建筑物内消防设施和通道；受困人员基本消防安全知识；火势大小；周围建筑物密度交通是否便利；时间；

建筑物内消防设施和通道、受困人员基本消防安全知识、火势大小和周围建筑物密度，采用模拟语言评价：s₀很差、s₁差、s₂一般、s₃好、s₄很好。

3.权利要求1所述的基于突发火灾事件相似度计算的城市应急消防优化方法，其特征在于，步骤3)中所述计算目标城市火灾突发事件E_target与E_History中各历史火灾突发事件的各关键指标相似度，根据各关键指标相似度计算出目标城市火灾突发事件与E_History中所有历史火灾突发事件的相似度{Sim₁,Sim₂,...,Sim_N}，具体方法如下：

3-1)以E_History中所有历史火灾突发事件与目标城市火灾突发事件的各个指标相似度数据为数据样本，计算各关键指标相似度数据之间的相关性，则有指标ind_i相似度与各指标相似度的相关系数分别为{r_i,1,r_i,2,...,r_i,i-1,r_ii,r_i,i+1,...,r_i,s}，归一化到区间[0,1]，取各相关系数百分比：

则有关键指标ind_i与各关键指标的相关系数百分比为{α_i,1,α_i,2,...,α_i,i-1,α_ii,α_i,i+1,...,α_i,s}，满足

3-2)根据专家经验确定目标城市突发事件E_target中各指标权重集合为{w₁,w₂,...,w_s}，则目标城市突发事件与E_History中历史突发事件E_i的相似度为：

其中，sim_k,i代表第k件历史火灾突发事件的第i个指标与目标城市火灾突发事件的相似度；

为w_i的调整系数。

4.如权利要求1所述的基于突发火灾事件相似度计算的城市应急消防优化方法，其特征在于，步骤5)中所述根据参考城市历史火灾突发事件的各事件危险等级，计算目标城市火灾突发事件的危险等级的具体方法如下：

统计参考城市历史突发事件集合中各危险等级出现的频数信息：

Lev＝{(l₁,t₁),(l₂,t₂),...,(l_m,t_m)},(t₁+t₂+…+t_m＝k)；

其中l_i(i＝1,2,...,m)代表第i种危险等级，t_i(i＝1,2,...,m)代表第i种危险等级出现的频次；

目标城市突发事件的危险等级评估结果为：

5.如权利要求1所述的基于突发火灾事件相似度计算的城市应急消防优化方法，其特征在于，步骤6)中根据目标城市突发事件的危险等级，采用神经网络算法计算消防车出勤数量的具体方法如下：

6-1)将所有与目标城市突发事件危险等级相同的历史突发事件对应的消防车出勤数量、灭火时间分别构建成两个数据集；

6-2)以消防车出勤数量数据集为神经网络模型的输入，以灭火时间数据集为神经网络模型的输出，前60％作为训练集，后40％作为测试集，构建结构为单隐层6个神经元的神经网络模型W＝f(消防车出勤数；灭火时间)；

6-3)构建目标函数为Q＝input_W+output_W÷10，其中input_W为神经网络模型W的输入，即消防车出勤数量，output_W为神经网络模型W的输出，即灭火时间；

6-4)给定消防车出勤最大数量以及灭火允许最长时间，以消防车出勤最大数量作为模型W初始输入数据，获得目标函数值；然后每次使输入数据减少1，再获得目标函数值；以此类推，直到消防车出勤数量等于0或者模型输出灭火时间大于设定的灭火允许最长时间，则终止。

6-5)通过全局搜索寻求最优解，即通过全局搜索算法寻找目标函数值最小的输入输出组合，然后找出与该组合灭火时间相差5分钟以内的组合，构成一个备选集合；

6-6)最终根据消防车出勤数量最小的原则，筛选出备选集合中的最优解，给出消防车应出勤数量，以及预计灭火时间。

Images