CN113379267B - 一种基于风险分级预测的城市火灾事件处理方法、系统及存储介质 - Google Patents

Abstract

一种基于风险分级预测的城市火灾事件处理方法、系统及存储介质，包括有以下内容：获取城市的历史火灾信息、历史火灾结果信息和目标城市突发火灾信息；为历史火灾进行风险分级并构建火灾风险分级模型；计算目标火灾的风险分级；获取与目标火灾风险分级相同的历史火灾的消防车数量和事故处理时间，采用神经网络算法计算目标火灾的最优消防车出勤数量。本发明以神经网络与火灾风险评估相结合，建立定量化的突发火灾事件评估模型，对历史数据进行关联分析，来实现对目标突发火灾事件进行预测，从而支持决策相关人员即时合理调配资源处理突发事件。

Description

一种基于风险分级预测的城市火灾事件处理方法、系统及存 储介质

技术领域

本发明涉及城市应急技术领域，特别是一种城市火灾事件处理方法、系统及存储介质。

背景技术

对城市市民而言，由危险源引发的突发事件是影响城市安全的重要，尤其是突发火灾事件，更是对城市安全一个不小的安全的威胁。基于风险分级预测的城市火处理方法，可以帮助相关城市安全人员及时对突发事件进行一个初步评价，有利于对针对目标突发事件进行一个初步响应，给出响应的应急措施方案。

目前现有的关于突发火灾事件的特征处理主要是描述性的分析，包括火灾的现象或统计的火灾数量等，缺少对火灾数据的挖掘分析。而机器学习能通过算法使从大量历史数据中学习规律，以对目标进行预测。相对而言，本发明以神经网络与火灾风险评估相结合，建立定量化的突发火灾事件评估模型，对历史数据进行关联分析，来实现对目标突发火灾事件进行预测，从而支持决策相关人员即时合理调配资源处理突发事件。

发明内容

本发明的目的就是提供一种基于风险分级预测的城市火灾事件处理方法、系统及存储介质。

本发明的目的是通过这样的技术方案实现的，具体方法如下：

获取城市的历史火灾信息、历史火灾结果信息和目标城市突发火灾信息；

根据历史火灾信息和历史火灾结果信息，为历史火灾进行风险分级并构建火灾风险分级模型；

根据火灾风险分级模型，计算目标火灾的风险分级；

获取与目标火灾风险分级相同的历史火灾的消防车数量和事故处理时间，采用神经网络算法计算目标火灾的最优消防车出勤数量。

进一步，所述火灾信息包括有以下内容：

火灾情况、火灾场所、建筑类型、建筑物状态、火灾探测器响应情况、自喷响应情况、气温和风力；

所述火灾结果信息包括有以下内容：

救援响应时间、救援人数、受困人数。

进一步，所述火灾情况包括有以下内容：

1、建筑火灾；2、固定火灾；3、移动性火灾；4、自然植被火灾；5、室外垃圾火灾；6、室外特殊火灾；7、农作物火灾；8、其他类型火灾；

所述火灾场所包括有以下内容：

1、多用途；2、教育；3、医疗；4、住宅；5、商业；6、工矿、农场；7、加工制造场所；8、仓库；9、室外其他建筑；10、其他；

所述建筑类型包括有以下内容：

1、封闭式建筑；2、可移动式建筑；3、开放式建筑；4、膜结构建筑；5、帐篷；6、开放的平台；7、地下建筑；8、裙房；9、其他；

所述建筑物状态包括有以下内容：

1、在建；2、正常使用；3、不常用的二手建筑；4、大型的装修；5、空建筑；6、正在被拆；7、其他；

所述火灾探测器响应情况包括有以下内容：

1、探测器动作，住户响应；2、探测器动作，但住户无响应；3、无住户；4、探测器无动作；5、无探测器；

所述自喷响应情况包括有以下内容：

1、有效工作；2、失效；3、火灾太小未能响应；4、未能发挥作用；5、无自喷系统；

所述气温和风力的数字化表达方式为：

气温：1、寒(-5℃-5℃)；2、凉(5℃-15℃)；3、温(15℃-25℃)；4、热(25℃-35℃)；5、极热(>35℃)

风力：1、无风；2、软风；3、和风；4、强风；5、大风；6、狂风；7、台风

E_i表示第i件历史突发火灾信息，且E_i＝{ind_i_1,ind_i_2,...,ind_i_n}，其中ind_i_n表示历史突发火灾事件E_i的关键指标ind_n的信息。

进一步，所述根据历史火灾信息和历史火灾结果信息，为历史火灾进行风险分级的具体方法如下：

定义并标注各历史突发火灾事件的可能性等级p_i(i＝1,2,...,m)：

统计历史突发火灾事件关键特征信息集合，获取与第i件历史突发火灾事件关键特征信息火灾情况l₁、火灾场所l₂、建筑类型l₃、建筑物状态l₄相同的事件出现的频数信息：

S＝{(l₁,t₁),(l₂,t₂),(l₃,t₃)，(l₄,t₄)}

T_i表示火灾情况l₁、火灾场所l₂、建筑类型l₃、建筑物状态l₄与第i件历史突发火灾事件都相同的事件出现的频次；t_j(j＝1,2,...,m)代表第i种关键特征信息相同的历史突发火灾事件出现的频次；

第i件历史突发火灾事件的可能性等级评估值为：

根据评估值S将火灾发生的可能性等级p_i(i＝1,2,...,m)可分为6级；

1：极低(＜1％)，2：较低(1％-5％)，:3：中(5％-10％)，4：高(10％-25％)，5：较高(25％-50％)，:6：极高(≥50％)

定义并标注各历史突发火灾事件的严重度等级l_i(i＝1,2,...,m)：

火灾导致的结果严重度可分为5级：

1甚微(财产损失在0～1万人民币或0～2人受伤)、

2较小(财产损失在1～5万人民币或2～8人受伤)、

3一般(财产损失在5～10万人民币或8～20人受伤或1～5人死亡)、

4重大(财产损失在10～100万人民币或20～50人受伤及或5～14人死亡)

5灾难(财产损失在100万以上人民币或50人及以上受伤或死亡14人及以上)；

定义并标注各历史突发火灾事件的可修复性等级r_i(i＝1,2,...,m)：

根据专家经验，针对历史火灾突发事件灾后修复的状况，对灾后可修复性进行评价，分为1完全可修复、2基本可修复、3基本不可修复、4完全不可修复四个等级；

则第i件历史火灾突发事件所有信息可表示为E_all_i＝{E_i,p_i,l_i,r_i}，得到第i件历史火灾突发事件发生的可能性、严重度、可修复性的等级向量X_{History_i}＝{p_i,l_i,r_i}；

分别将6级城市突发火灾事件风险发生的可能性、5级风险结果的严重度、4级风险的可预测性作为坐标系的三个维度，构造三维风险矩阵色谱图，色谱图中的一个小方块表示一种风险发生的可能性、风险结果的严重度、风险的可修复性的组合，代表由三者共同决定的一种风险程度等级；

风险程度被分为用红色表达的E极高风险、用橙色表达的H高度风险、用黄色表达的M中度风险、用白色表达的L低度风险四个等级：

根据历史第i件历史火灾突发事件发生的可能性、严重度、可修复性的等级向量X_{History_i}＝{p_i,l_i,r_i}，计算第i件历史火灾突发事件的风险程度值

确定历史第i件历史火灾突发事件的风险程度等级History_Lev_i：

满足风险程度值在数值区间[0,1)时风险程度等级History_Lev_i＝1，为A极低风险满足风险程度值在数值区间[1,3)时风险程度等级History_Lev_i＝2，为B低度风险满足风险程度值在数值区间[3,5)时风险程度等级History_Lev_i＝3，为C中度风险满足风险程度值在数值区间[5,7)时风险程度等级History_Lev_i＝4，为D高度风险满足风险程度值在数值区间[7,9]时风险程度等级History_Lev_i＝5，为E极高风险。

进一步，所述构建火灾风险预测分级模型的具体方法如下：

1)所有城市历史火灾突发事件集表示为History＝{History₁,History₂,...,History_i,...,History_N}，其中History_i＝(E_i,History_Lev_i)；将若干城市历史火灾事件各所有关键特征信息集E_History＝{E₁,E₂,...E_i,,...,E_N}作为样本，E_i∈E_History为城市历史火灾事件各所有关键特征信息集中的任一样本，History_Lev_i为该样本标记的风险程度等级，History_Lev_i∈[1,5]；按均匀分布随机地将E_History＝{E₁,E₂,...E_i,,...,E_N}其中的80％作为训练集F,20％作为测试集G；

2)在训练集F上用CART分类回归树算法训练生成包含num棵树的初始随机模型，即：在训练集F上训练随机森林模型，生成包含num棵树的初始随机森林模型，训练时num的值取100；

3)将测试集G输入初始随机森林模型，计算每棵决策树分类结果的相似度和精确度，即：

相似度由Kappa统计量确定，计算方法如下：

令

为测试集G中第i'个样本E_i’被第j棵树预测获得的风险程度等级，其中k＝[1,5]，定义：

表示测试集G中被第j棵树预测为第k风险程度等级的历史事件集合；

G_k＝{E_i’|History_Lev_i'＝k,History_i'∈G}表示测试集G中标记为第k风险程度等级的历史事件集合；

表示测试集G中被第j棵树正确预测为第k风险程度等级的历史事件集合；

则第j棵树Tree_j的分类观测一致率表达式为：

则第j棵树Tree_j的分类期望一致率表达式为：

则第j棵树Tree_j的相似度Kappa统计量表达式为：

精确度计算方法如下：

精确度根据决策树对样本的预测风险程度等级和标记风险程度等级之间的方差来度量，归一化处理后得到第j棵决策树Tree_j对于测试集G中所有样本History_i'∈G的精确度为：

4)根据相似度和精确度，计算每棵决策树的综合性能指标为：H^(j)＝αK^(j)+(1-α)R^(j)，其中，α为可调参数，α∈[0,1]；

5)将所有决策树Tree＝{Tree₁,Tree₂,...,Tree_j,...,Tree₁₀₀}的H^(j)值由高到低进行排序得到Tree'＝{Tree₁',Tree₂',...,Tree_j',...,Tree₁₀₀'}，取前h个H^(j)值对应的决策树组成改进后的随机森林模型CTree＝{Tree₁',Tree₂',...,Tree_h'}，用于对目标突发火灾事件的风险程度等级进行预测。

进一步，根据火灾风险分级模型，计算目标城市突发火灾的风险分级的具体方法如下：

获取目标城市的火灾信息E_target＝{ind_tar₁,ind_tar₂,...,ind_tar_n}，其中ind_tar_s代表城市目标突发火灾事件的第n个指标的信息；

采用目标突发火灾事件预测模型计算目标突发火灾事件的风险程度等级：输入目标突发火灾事件关键特征信息，输出目标突发火灾事件的风险程度等级Target_Lev。

进一步，获取与目标火灾风险分级相同的历史火灾信息，历史火灾信息包括有消防车数量和事故处理时间，采用神经网络算法计算目标火灾的最优消防车出勤数量的具体方法如下：

1)将与目标突发火灾事件风险程度等级Target_Lev相同的的历史突发火灾事件对应的消防车出勤数量、事故处理时间分别构建为两个数据集；

2)以消防车出勤数量数据集为神经网络模型的输入，以突发火灾事故处理时间数据集为神经网络模型的输出，前70％作为训练集，后30％作为测试集，构建单隐层神经元个数为8的神经网络模型W(消防车出勤数量)＝f(事故处理时间)

3)构建目标函数为

其中input为神经网络模型W的输入，即input为消防车出勤数量，output为神经网络模型W的输出，即事故处理时间；

4)给定消防车出勤最大数量以及事故处理允许最长时间，以消防车出勤最大数量作为模型的初始输入数据，获得目标函数值；然后每次使输入数据消防车出勤数量减少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或者模型输出道路事故处理时间大于设定的事故处理允许最长时间，则终止。

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，然后找出与该组合突发火灾处理时间相差5分钟以内的组合，构成一个备选集合；

6)最终根据消防车出勤数量为最小的原则，筛选出备选集合中的最优解，给出属于该类综合评价等级的突发火灾事件消防车应出勤数量，以及预计火灾事故处理时间。

一种基于风险分级预测的城市火灾事件系统，包括有：

信息获取模块，用于获取城市的历史火灾信息、历史火灾结果信息和目标城市突发火灾信息；

风险分级模型构建模块，用于根据历史火灾信息和历史火灾结果信息，为历史火灾进行风险分级并构建火灾风险分级模型；

风险分级模块，用于根据火灾风险分级模型，计算目标火灾的风险分级；

输出模块，用于获取与目标火灾风险分级相同的历史火灾的消防车数量和事故处理时间，采用神经网络算法计算目标火灾的最优消防车出勤数量。

一种存储介质，存储有若干指令，所述指令适用于处理器进行加载，以执行权利要求1至8任意一项所述的城市火灾事件处理方法。

由于采用了上述技术方案，本发明具有如下的优点：

1、不同于以往的二维风险矩阵，本方案从可能性、严重度、可修复性三个维度建立三维风险矩阵，对突发事件的描述更为具体全面；

2、本方案以神经网络与火灾三维风险矩阵相结合，建立定量化的突发火灾事件评估模型，对历史数据进行关联分析，来实现对目标突发火灾事件进行预测，从而支持决策相关人员即时合理调配资源处理突发事件。

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事件处理方法，可以及时响应目标突发火灾事件，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为本发明的流程示意图；

图2为风险等级预测流程示意图。

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：

仿真2021年3月18日16时25分,某城市突发火灾，目标突发火灾事件Z^*和该城市五件历史突发事件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8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

1)计算历史突发火灾事件Z¹、Z²、Z³、Z⁴、Z⁵的可能性等级评估值分别为：

2)计算历史突发火灾事件Z¹、Z²、Z³、Z⁴、Z⁵的风险程度值分别为：

表2各历史突发事件信息评价结果

一种基于风险分级预测的城市火灾事件处理方法，针对目标突发火灾事件的风险程度等级预测，本专利选取Z¹到Z⁵这五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部分：

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、获取第i件历史火灾突发事件关键特征信息E_i，E_i＝{ind₁,ind₂,...,ind₈}，

S2、定义并标注各历史突发火灾事件的可能性等级p_i(i＝1,2,...,m)：

S3、定义并标注各历史突发火灾事件的严重度等级l_i(i＝1,2,...,m)：

S4、定义并标注各历史突发火灾事件的可修复性等级r_i(i＝1,2,...,m)：

S5、第i件历史火灾突发事件所有信息可表示为E_all_i＝{E_i,p_i,l_i,r_i}，得到第i件历史火灾突发事件发生的可能性、严重度、可修复性的等级向量X_{History_i}＝{p_i,l_i,r_i}

S6、根据历史第i件历史火灾突发事件发生的可能性、严重度、可修复性的等级向量X_{History_i}＝{p_i,l_i,r_i}，计算第i件历史火灾突发事件的风险程度值

S7、确定历史第i件历史火灾突发事件的风险程度等级History_Lev_i

第二部分，构建目标突发火灾事件风险程度等级预测模型，具体实施步骤如下：

S1、获取若干城市历史火灾事件各所有关键特征信息集E_History＝{E₁,E₂,...E_i,,...,E_N}作为样本，E_i∈E_History为城市历史火灾事件各所有关键特征信息集中的任一样本，History_Lev_i为该样本标记的风险程度等级，History_Lev_i∈[1,5]；按均匀分布随机地将E_History＝{E₁,E₂,...E_i,,...,E_N}其中的80％作为训练集F,20％作为测试集G；

2)在训练集F上用CART分类回归树算法训练生成包含100棵树的初始随机模型；

3)将测试集G输入初始随机森林模型，计算每棵决策树分类结果的相似度和精确度，即：

相似度由Kappa统计量确定，计算方法如下：

令

为测试集G中第i'个样本E_i’被第j棵树预测获得的风险程度等级，其中k＝[1,5]，定义：

表示测试集G中被第j棵树预测为第k风险程度等级的历史事件集合；

G_k＝{E_i’|History_Lev_i'＝k,History_i'∈G}表示测试集G中标记为第k风险程度等级的历史事件集合；

表示测试集G中被第j棵树正确预测为第k风险程度等级的历史事件集合；

则第j棵树Tree_j的分类观测一致率表达式为：

则第j棵树Tree_j的分类期望一致率表达式为：

则第j棵树Tree_j的相似度Kappa统计量表达式为：

精确度计算方法如下：

精确度根据决策树对样本的预测风险程度等级和标记风险程度等级之间的方差来度量，归一化处理后得到第j棵决策树Tree_j对于测试集G中所有样本History_i'∈G的精确度为：

4)根据相似度和精确度，计算每棵决策树的综合性能指标为：H^(j)＝αK^(j)+(1-α)R^(j)，其中，α为可调参数，α∈[0,1]；

5)将所有决策树Tree＝{Tree₁,Tree₂,...,Tree_j,...,Tree₁₀₀}的H^(j)值由高到低进行排序得到Tree'＝{Tree₁',Tree₂',...,Tree_j',...,Tree₁₀₀'}，取前h个H^(j)值对应的决策树组成改进后的随机森林模型CTree＝{Tree₁',Tree₂',...,Tree_h'}，用于对目标突发火灾事件的风险程度等级进行预测。

第三部分，目标突发火灾事件信息获取，具体实施步骤如下：

S1、获取目标城市的火灾信息E_target＝{ind_tar₁,ind_tar₂,...,ind_tar_s}，其中ind_tar_s代表城市目标突发火灾事件的第s个指标的信息；

第四部分，目标突发火灾事件的风险程度等级预测，具体实施步骤如下：

S1、采用目标突发火灾事件预测模型计算目标突发火灾事件的风险程度等级：输入目标突发火灾事件关键特征信息，输出目标突发火灾事件的风险程度等级Target_Lev；

针对目标突发火灾事件的处理方法，以上述获取的风险程度等级为基础，具体步骤如下：

S1、将与目标突发火灾事件风险程度等级Target_Lev相同的的历史突发火灾事件对应的消防车出勤数量、事故处理时间分别构建为两个数据集；

S2、以消防车出勤数量数据集为神经网络模型的输入，以突发火灾事故处理时间数据集为神经网络模型的输出，前70％作为训练集，后30％作为测试集，构建单隐层神经元个数为8的神经网络模型W(消防车出勤数量)＝f(事故处理时间)

S3、构建目标函数为

其中input为神经网络模型W的输入，即input为消防车出勤数量，output为神经网络模型W的输出，即事故处理时间；

S4、给定消防车出勤最大数量以及事故处理允许最长时间，以消防车出勤最大数量作为模型的初始输入数据，获得目标函数值；然后每次使输入数据消防车出勤数量减少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或者模型输出道路事故处理时间大于设定的事故处理允许最长时间，则终止。

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的输入输出组合，然后找出与该组合突发火灾处理时间相差5分钟以内的组合，构成一个备选集合；

S6、最终根据消防车出勤数量为最小的原则，筛选出备选集合中的最优解，给出属于该类综合评价等级的突发火灾事件消防车应出勤数量，以及预计火灾事故处理时间。

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 (4)

1.一种基于风险分级预测的城市火灾事件处理方法，其特征在于，所述方法具体方法如下：

获取城市的历史火灾信息、历史火灾结果信息和目标城市突发火灾信息；

根据历史火灾信息和历史火灾结果信息，为历史火灾进行风险分级并构建火灾风险分级模型；

根据火灾风险分级模型，计算目标火灾的风险分级；

获取与目标火灾风险分级相同的历史火灾的消防车数量和事故处理时间，采用神经网络算法计算目标火灾的最优消防车出勤数量；

所述火灾信息包括有以下内容：

火灾情况、火灾场所、建筑类型、建筑物状态、火灾探测器响应情况、自喷响应情况、气温和风力；

所述火灾结果信息包括有以下内容：

救援响应时间、救援人数、受困人数；

所述火灾情况包括有以下内容：

1、建筑火灾；2、固定火灾；3、移动性火灾；4、自然植被火灾；5、室外垃圾火灾；6、室外特殊火灾；7、农作物火灾；8、其他类型火灾；

所述火灾场所包括有以下内容：

1、多用途；2、教育；3、医疗；4、住宅；5、商业；6、工矿、农场；7、加工制造场所；8、仓库；9、室外其他建筑；10、其他；

所述建筑类型包括有以下内容：

1、封闭式建筑；2、可移动式建筑；3、开放式建筑；4、膜结构建筑；5、帐篷；6、

开放的平台；7、地下建筑；8、裙房；9、其他；

所述建筑物状态包括有以下内容：

1、在建；2、正常使用；3、不常用的二手建筑；4、大型的装修；5、空建筑；6、正在被拆；7、其他；

所述火灾探测器响应情况包括有以下内容：

1、探测器动作，住户响应；2、探测器动作，但住户无响应；3、无住户；4、探测器无动作；5、无探测器；

所述自喷响应情况包括有以下内容：

1、有效工作；2、失效；3、火灾太小未能响应；4、未能发挥作用；5、无自喷系统；

所述气温和风力的数字化表达方式为：

气温：1、寒-5℃-5℃；2、凉5℃-15℃；3、温15℃-25℃；4、热25℃-35℃；5、极热>35℃；

风力：1、无风；2、软风；3、和风；4、强风；5、大风；6、狂风；7、台风；

E_i表示第i件历史突发火灾信息，且E_i＝{ind_i_1,ind_i_2,...,ind_i_n}，其中ind_i_n表示历史突发火灾事件E_i的关键指标ind_n的信息；

所述根据历史火灾信息和历史火灾结果信息，为历史火灾进行风险分级的具体方法如下：

定义并标注各历史突发火灾事件的可能性等级P_i，i＝1,2,...,m：

统计历史突发火灾事件关键特征信息集合，获取与第i件历史突发火灾事件关键特征信息火灾情况l₁、火灾场所l₂、建筑类型l₃、建筑物状态l₄相同的事件出现的频数信息：

S＝{(l₁,t₁),(l₂,t₂),(l₃,t₃)，(l₄,t₄)}

T_i表示火灾情况l₁、火灾场所l₂、建筑类型l₃、建筑物状态l₄与第i件历史突发火灾事件都相同的事件出现的频次；t_j，j＝1,2,...,m，代表第j种关键特征信息相同的历史突发火灾事件出现的频次；

第i件历史突发火灾事件的可能性等级评估值为：

根据评估值S将火灾发生的可能性等级P_i，i＝1,2,...,m，可分为6级；

1：极低＜1％，2：较低1％-5％，:3：中5％-10％，4：高10％-25％，5：较高25％-50％，6：极高≥50％

定义并标注各历史突发火灾事件的严重度等级l_i，i＝1,2,...,m：

火灾导致的结果严重度可分为5级：

1甚微：财产损失在0～1万人民币或0～2人受伤、

2较小：财产损失在1～5万人民币或2～8人受伤、

3一般：财产损失在5～10万人民币或8～20人受伤或1～5人死亡、

4重大：财产损失在10～100万人民币或20～50人受伤及或5～14人死亡

5灾难：财产损失在100万以上人民币或50人及以上受伤或死亡14人及以上；

定义并标注各历史突发火灾事件的可修复性等级r_i，i＝1,2,...,m：

根据专家经验，针对历史火灾突发事件灾后修复的状况，对灾后可修复性进行评价，分为1完全可修复、2基本可修复、3基本不可修复、4完全不可修复四个等级；

则第i件历史火灾突发事件所有信息可表示为E_all_i＝{E_i,p_i,l_i,r_i}，得到第i件历史火灾突发事件发生的可能性、严重度、可修复性的等级向量X_{History_i}＝{p_i,l_i,r_i}；

根据历史第i件历史火灾突发事件发生的可能性、严重度、可修复性的等级向量X_{History_i}＝{p_i,l_i,r_i}，计算第i件历史火灾突发事件的风险程度值

确定历史第i件历史火灾突发事件的风险程度等级History_Lev_i：

满足风险程度值在数值区间[0,1)时风险程度等级History_Lev_i＝1，为A极低风险；

满足风险程度值在数值区间[1,3)时风险程度等级History_Lev_i＝2，为B低度风险；

满足风险程度值在数值区间[3,5)时风险程度等级History_Lev_i＝3，为C中度风险；

满足风险程度值在数值区间[5,7)时风险程度等级History_Lev_i＝4，为D高度风险；

满足风险程度值在数值区间[7,9]时风险程度等级History_Lev_i＝5，为E极高风险；

所述构建火灾风险分级模型的具体方法如下：

1)所有城市历史火灾突发事件集表示为History＝{History₁,History₂,...,History_i,...,History_N}，其中History_i＝(E_i,History_Lev_i)；将若干城市历史火灾事件各所有关键特征信息集E_History＝{E₁,E₂,...E_i,,...,E_N}作为样本，E_i∈E_History为城市历史火灾事件各所有关键特征信息集中的任一样本，History_Lev_i为该样本标记的风险程度等级，History_Lev_i∈[1,5]；按均匀分布随机地将E_History＝{E₁,E₂,...E_i,,...,E_N}其中的80％作为训练集F,20％作为测试集G；

2)在训练集F上用CART分类回归树算法训练生成包含num棵树的初始随机模型，即：在训练集F上训练随机森林模型，生成包含num棵树的初始随机森林模型，训练时num的值取100；

3)将测试集G输入初始随机森林模型，计算每棵决策树分类结果的相似度和精确度，即：

相似度由Kappa统计量确定，计算方法如下：

令

为测试集G中第i'个样本E_i’被第j棵树预测获得的风险程度等级，其中k＝[1,5]，定义：

表示测试集G中被第j棵树预测为第k风险程度等级的历史事件集合；

G_k＝{E_i’|History_Lev_i'＝k,History_i'∈G}表示测试集G中标记为第k风险程度等级的历史事件集合；

表示测试集G中被第j棵树正确预测为第k风险程度等级的历史事件集合；

则第j棵树Tree_j的分类观测一致率表达式为：

则第j棵树Tree_j的分类期望一致率表达式为：

则第j棵树Tree_j的相似度Kappa统计量表达式为：

精确度计算方法如下：

精确度根据决策树对样本的预测风险程度等级和标记风险程度等级之间的方差来度量，归一化处理后得到第j棵决策树Tree_j对于测试集G中所有样本History_i'∈G的精确度为：

4)根据相似度和精确度，计算每棵决策树的综合性能指标为：H^(j)＝αK^(j)+(1-α)R^(j)，其中，α为可调参数，α∈[0,1]；

5)将所有决策树Tree＝{Tree₁,Tree₂,...,Tree_j,...,Tree₁₀₀}的H^(j)值由高到低进行排序得到Tree'＝{Tree₁',Tree₂',...,Tree_j',...,Tree₁₀₀'}，取前h个H^(j)值对应的决策树组成改进后的随机森林模型CTree＝{Tree₁',Tree₂',...,Tree_h'}，用于对目标突发火灾事件的风险程度等级进行预测；

获取与目标火灾风险分级相同的历史火灾信息，历史火灾信息包括有消防车数量和事故处理时间，采用神经网络算法计算目标火灾的最优消防车出勤数量的具体方法如下：

1)将与目标突发火灾事件风险程度等级Target_Lev相同的历史突发火灾事件对应的消防车出勤数量、事故处理时间分别构建为两个数据集；

2)以消防车出勤数量数据集为神经网络模型的输入，以突发火灾事故处理时间数据集为神经网络模型的输出，前70％作为训练集，后30％作为测试集，构建单隐层神经元个数为8的神经网络模型W(消防车出勤数量)＝f(事故处理时间)

3)构建目标函数为

其中input为神经网络模型W的输入，即input为消防车出勤数量，output为神经网络模型W的输出，即事故处理时间；

4)给定消防车出勤最大数量以及事故处理允许最长时间，以消防车出勤最大数量作为模型的初始输入数据，获得目标函数值；然后每次使输入数据消防车出勤数量减少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或者模型输出道路事故处理时间大于设定的事故处理允许最长时间，则终止；

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，然后找出与该组合突发火灾处理时间相差5分钟以内的组合，构成一个备选集合；

6)最终根据消防车出勤数量为最小的原则，筛选出备选集合中的最优解，给出属于该类综合评价等级的突发火灾事件消防车应出勤数量，以及预计火灾事故处理时间。

2.如权利要求1所述的基于风险分级预测的城市火灾事件处理方法，其特征在于，根据火灾风险分级模型，计算目标城市突发火灾的风险分级的具体方法如下：

获取目标城市的火灾信息E_target＝{ind_tar₁,ind_tar₂,...,ind_tar_n}，其中ind_tar_s代表城市目标突发火灾事件的第n个指标的信息；

采用目标突发火灾事件预测模型计算目标突发火灾事件的风险程度等级：输入目标突发火灾事件关键特征信息，输出目标突发火灾事件的风险程度等级Target_Lev。

3.一种基于风险分级预测的城市火灾事件系统，其特征在于，所述系统包括有：

信息获取模块，用于获取城市的历史火灾信息、历史火灾结果信息和目标城市突发火灾信息；

风险分级模型构建模块，用于根据历史火灾信息和历史火灾结果信息，为历史火灾进行风险分级并构建火灾风险分级模型；

风险分级模块，用于根据火灾风险分级模型，计算目标火灾的风险分级；

输出模块，用于获取与目标火灾风险分级相同的历史火灾的消防车数量和事故处理时间，采用神经网络算法计算目标火灾的最优消防车出勤数量；

所述火灾信息包括有以下内容：

火灾情况、火灾场所、建筑类型、建筑物状态、火灾探测器响应情况、自喷响应情况、气温和风力；

所述火灾结果信息包括有以下内容：

救援响应时间、救援人数、受困人数；

所述火灾情况包括有以下内容：

1、建筑火灾；2、固定火灾；3、移动性火灾；4、自然植被火灾；5、室外垃圾火灾；6、室外特殊火灾；7、农作物火灾；8、其他类型火灾；

所述火灾场所包括有以下内容：

1、多用途；2、教育；3、医疗；4、住宅；5、商业；6、工矿、农场；7、加工制造场所；8、仓库；9、室外其他建筑；10、其他；

所述建筑类型包括有以下内容：

1、封闭式建筑；2、可移动式建筑；3、开放式建筑；4、膜结构建筑；5、帐篷；6、

开放的平台；7、地下建筑；8、裙房；9、其他；

所述建筑物状态包括有以下内容：

1、在建；2、正常使用；3、不常用的二手建筑；4、大型的装修；5、空建筑；6、正在被拆；7、其他；

所述火灾探测器响应情况包括有以下内容：

1、探测器动作，住户响应；2、探测器动作，但住户无响应；3、无住户；4、探测器无动作；5、无探测器；

所述自喷响应情况包括有以下内容：

1、有效工作；2、失效；3、火灾太小未能响应；4、未能发挥作用；5、无自喷系统；

所述气温和风力的数字化表达方式为：

气温：1、寒-5℃-5℃；2、凉5℃-15℃；3、温15℃-25℃；4、热25℃-35℃；5、极热>35℃；

风力：1、无风；2、软风；3、和风；4、强风；5、大风；6、狂风；7、台风；

E_i表示第i件历史突发火灾信息，且E_i＝{ind_i_1,ind_i_2,...,ind_i_n}，其中ind_i_n表示历史突发火灾事件E_i的关键指标ind_n的信息；

所述根据历史火灾信息和历史火灾结果信息，为历史火灾进行风险分级的具体方法如下：

定义并标注各历史突发火灾事件的可能性等级P_i，i＝1,2,...,m：

统计历史突发火灾事件关键特征信息集合，获取与第i件历史突发火灾事件关键特征信息火灾情况l₁、火灾场所l₂、建筑类型l₃、建筑物状态l₄相同的事件出现的频数信息：

S＝{(l₁,t₁),(l₂,t₂),(l₃,t₃)，(l₄,t₄)}

T_i表示火灾情况l₁、火灾场所l₂、建筑类型l₃、建筑物状态l₄与第i件历史突发火灾事件都相同的事件出现的频次；t_j，j＝1,2,...,m，代表第j种关键特征信息相同的历史突发火灾事件出现的频次；

第i件历史突发火灾事件的可能性等级评估值为：

根据评估值S将火灾发生的可能性等级P_i，i＝1,2,...,m，可分为6级；

1：极低＜1％，2：较低1％-5％，:3：中5％-10％，4：高10％-25％，5：较高25％-50％，6：极高≥50％

定义并标注各历史突发火灾事件的严重度等级l_i，i＝1,2,...,m：

火灾导致的结果严重度可分为5级：

1甚微：财产损失在0～1万人民币或0～2人受伤、

2较小：财产损失在1～5万人民币或2～8人受伤、

3一般：财产损失在5～10万人民币或8～20人受伤或1～5人死亡、

4重大：财产损失在10～100万人民币或20～50人受伤及或5～14人死亡

5灾难：财产损失在100万以上人民币或50人及以上受伤或死亡14人及以上；

定义并标注各历史突发火灾事件的可修复性等级r_i，i＝1,2,...,m：

根据专家经验，针对历史火灾突发事件灾后修复的状况，对灾后可修复性进行评价，分为1完全可修复、2基本可修复、3基本不可修复、4完全不可修复四个等级；

则第i件历史火灾突发事件所有信息可表示为E_all_i＝{E_i,p_i,l_i,r_i}，得到第i件历史火灾突发事件发生的可能性、严重度、可修复性的等级向量X_{History_i}＝{p_i,l_i,r_i}；

根据历史第i件历史火灾突发事件发生的可能性、严重度、可修复性的等级向量X_{History_i}＝{p_i,l_i,r_i}，计算第i件历史火灾突发事件的风险程度值

确定历史第i件历史火灾突发事件的风险程度等级History_Lev_i：

满足风险程度值在数值区间[0,1)时风险程度等级History_Lev_i＝1，为A极低风险；

满足风险程度值在数值区间[1,3)时风险程度等级History_Lev_i＝2，为B低度风险；

满足风险程度值在数值区间[3,5)时风险程度等级History_Lev_i＝3，为C中度风险；

满足风险程度值在数值区间[5,7)时风险程度等级History_Lev_i＝4，为D高度风险；

满足风险程度值在数值区间[7,9]时风险程度等级History_Lev_i＝5，为E极高风险；

所述构建火灾风险分级模型的具体方法如下：

1)所有城市历史火灾突发事件集表示为History＝{History₁,History₂,...,History_i,...,History_N}，其中History_i＝(E_i,History_Lev_i)；将若干城市历史火灾事件各所有关键特征信息集E_History＝{E₁,E₂,...E_i,,...,E_N}作为样本，E_i∈E_History为城市历史火灾事件各所有关键特征信息集中的任一样本，History_Lev_i为该样本标记的风险程度等级，History_Lev_i∈[1,5]；按均匀分布随机地将E_History＝{E₁,E₂,...E_i,,...,E_N}其中的80％作为训练集F,20％作为测试集G；

2)在训练集F上用CART分类回归树算法训练生成包含num棵树的初始随机模型，即：在训练集F上训练随机森林模型，生成包含num棵树的初始随机森林模型，训练时num的值取100；

3)将测试集G输入初始随机森林模型，计算每棵决策树分类结果的相似度和精确度，即：

相似度由Kappa统计量确定，计算方法如下：

令

为测试集G中第i'个样本E_i’被第j棵树预测获得的风险程度等级，其中k＝[1,5]，定义：

表示测试集G中被第j棵树预测为第k风险程度等级的历史事件集合；

G_k＝{E_i’|History_Lev_i'＝k,History_i'∈G}表示测试集G中标记为第k风险程度等级的历史事件集合；

表示测试集G中被第j棵树正确预测为第k风险程度等级的历史事件集合；

则第j棵树Tree_j的分类观测一致率表达式为：

则第j棵树Tree_j的分类期望一致率表达式为：

则第j棵树Tree_j的相似度Kappa统计量表达式为：

精确度计算方法如下：

精确度根据决策树对样本的预测风险程度等级和标记风险程度等级之间的方差来度量，归一化处理后得到第j棵决策树Tree_j对于测试集G中所有样本History_i'∈G的精确度为：

4)根据相似度和精确度，计算每棵决策树的综合性能指标为：H^(j)＝αK^(j)+(1-α)R^(j)，其中，α为可调参数，α∈[0,1]；

5)将所有决策树Tree＝{Tree₁,Tree₂,...,Tree_j,...,Tree₁₀₀}的H^(j)值由高到低进行排序得到Tree'＝{Tree₁',Tree₂',...,Tree_j',...,Tree₁₀₀'}，取前h个H^(j)值对应的决策树组成改进后的随机森林模型CTree＝{Tree₁',Tree₂',...,Tree_h'}，用于对目标突发火灾事件的风险程度等级进行预测；

获取与目标火灾风险分级相同的历史火灾信息，历史火灾信息包括有消防车数量和事故处理时间，采用神经网络算法计算目标火灾的最优消防车出勤数量的具体方法如下：

1)将与目标突发火灾事件风险程度等级Target_Lev相同的历史突发火灾事件对应的消防车出勤数量、事故处理时间分别构建为两个数据集；

2)以消防车出勤数量数据集为神经网络模型的输入，以突发火灾事故处理时间数据集为神经网络模型的输出，前70％作为训练集，后30％作为测试集，构建单隐层神经元个数为8的神经网络模型W(消防车出勤数量)＝f(事故处理时间)

3)构建目标函数为

其中input为神经网络模型W的输入，即input为消防车出勤数量，output为神经网络模型W的输出，即事故处理时间；

4)给定消防车出勤最大数量以及事故处理允许最长时间，以消防车出勤最大数量作为模型的初始输入数据，获得目标函数值；然后每次使输入数据消防车出勤数量减少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或者模型输出道路事故处理时间大于设定的事故处理允许最长时间，则终止；

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，然后找出与该组合突发火灾处理时间相差5分钟以内的组合，构成一个备选集合；

6)最终根据消防车出勤数量为最小的原则，筛选出备选集合中的最优解，给出属于该类综合评价等级的突发火灾事件消防车应出勤数量，以及预计火灾事故处理时间。

4.一种存储介质，其特征在于，所述存储介质存储有若干指令，所述指令适用于处理器进行加载，以执行权利要求1至2任意一项所述的城市火灾事件处理方法。

Images