CN113901705A - 一种火灾风险评估方法、装置、终端设备及存储介质 - Google Patents

一种火灾风险评估方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN113901705A
CN113901705A CN202111041738.9A CN202111041738A CN113901705A CN 113901705 A CN113901705 A CN 113901705A CN 202111041738 A CN202111041738 A CN 202111041738A CN 113901705 A CN113901705 A CN 113901705A
Authority
CN
China
Prior art keywords
fire
value
evaluation unit
obtaining
weight value
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.)
Pending
Application number
CN202111041738.9A
Other languages
English (en)
Inventor
刘畅
詹玮璇
刘明宇
方鉴明
杨玉奎
刘春峥
范威威
何昕娅
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.)
Guangzhou Urban Planning Survey and Design Institute
Original Assignee
Guangzhou Urban Planning Survey and Design Institute
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 Guangzhou Urban Planning Survey and Design Institute filed Critical Guangzhou Urban Planning Survey and Design Institute
Priority to CN202111041738.9A priority Critical patent/CN113901705A/zh
Publication of CN113901705A publication Critical patent/CN113901705A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种火灾风险评估方法、装置、终端设备及存储介质，包括：将待评估区域划分为至少一个评估单元；计算每一个评估单元的中心坐标与起火点坐标之间的火源距离；根据火源距离和火灾类型对应的初始特征值，获得每一个评估单元的火灾特征值；分别采用层次分析法和熵值法获得每一个评估单元的火灾指标的第一权重值和第二权重值；基于随机森林模型，根据火灾指标和所述火灾特征值，获得火灾指标的贡献值；根据第一权重值、第二权重值和贡献值，获得火灾指标的第三权重值；根据火灾指标和第三权重值，获得每一个评估单元的火灾风险评估值。采用本发明实施例，能够大大提高火灾风险评估结果的准确性。

Description

一种火灾风险评估方法、装置、终端设备及存储介质
技术领域
本发明涉及风险分析评估领域，尤其涉及一种火灾风险评估方法、装置、终端设备及计算机可读存储介质。
背景技术
随着经济的快速发展，城市规模不断扩大，城市各类生产生活要素以及人口不断集中，各类风险高度聚集，致使城市消防工作的总量与难度均大幅增加，产生了本质的改变，而在原有的管理模式与管理机制下，即便增大管理强度，其管理效益也难以得到显著提升。因此有必要提出一种火灾风险评估方法，指导城市区域火灾风险水平与消防应急救援力量相结合的优化部署，为火灾防控、灭火救援中多维度研判和指挥处置提供科学依据。
然而现有的城市区域火灾风险评估主要考虑火灾危险源、人口密度、建筑特征、消防设施和抗灾能力等因素指标，采用加权平均方法，对各个单元进行评估，得出火灾风险评估结果。该方法未考虑火灾历史数据的统计结果，难以针对城市各个区域的火灾特点，对火灾风险进行精准判断。除此之外，由于传统火灾风险评估体系中指标权重的确定受决策者的主观经验影响较大，因此难以消除主观因素对火灾评估结果造成的影响，从而降低了火灾评估结果的准确性。
发明内容
针对上述问题，本发明实施例的目的在于提供一种火灾风险评估方法、装置、终端设备及计算机可读存储介质，能通过对区域火灾历史数据进行特征分析，并结合层次分析法、熵值法和随机森林算法对区域火灾风险进行评估，大大提高了火灾风险评估结果的准确性。
为了实现上述目的，本发明实施例第一方面提供了一种火灾风险评估方法，包括：将待评估区域划分为至少一个评估单元；获取每一个所述评估单元的历史火灾区域的起火点坐标Mjk，并计算每一个所述评估单元的中心坐标Nj与所述起火点坐标Mjk之间的火源距离，Mjk表示在第j个评估单元中的第k个起火点坐标，Nj表示第j个评估单元的中心坐标；根据所述火源距离和火灾类型对应的初始特征值，获得每一个所述评估单元的火灾特征值；采用层次分析法获得每一个所述评估单元的火灾指标的第一权重值；采用熵值法获得所述火灾指标的第二权重值；基于随机森林模型，根据所述火灾指标和所述火灾特征值，获得所述火灾指标的贡献值；根据所述第一权重值、所述第二权重值和所述贡献值，获得所述火灾指标的第三权重值；根据所述火灾指标和所述第三权重值，得到每一个所述评估单元的火灾风险评估值。
进一步地，所述火灾风险评估方法通过以下步骤获得所述随机森林模型：将所述火灾指标进行量化处理，获得所述火灾指标的量化值；将所述火灾指标的量化值作为特征值，所述火灾特征值作为标签值，采用随机森林算法生成决策树，获得所述随机森林模型。
进一步地，所述基于随机森林模型，根据所述火灾指标和所述火灾特征值，获得所述火灾指标的贡献值，具体为：采用所述随机森林算法，根据所述特征值对应的第一袋外数据获得所述决策树的第一袋外数据误差；对所述第一袋外数据加入噪声干扰，获得第二袋外数据；采用所述随机森林算法，根据所述第二袋外数据获得所述决策树的第二袋外数据误差；根据所述第一袋外数据误差、所述第二袋外数据和所述决策树的数量，获得所述火灾指标的贡献值。
进一步地，所述获取每一个所述评估单元的历史火灾区域的起火点坐标Mjk，并计算每一个所述评估单元的中心坐标Nj与所述起火点坐标Mjk之间的火源距离，具体为：针对在第j个评估单元中的第k个起火点坐标，调用地图Web服务API,获取所述历史火灾区域的地理坐标和所述评估单元的中心的地理坐标；基于ARCMap，采用投影的方法获得所述历史火灾区域的起火点坐标Mjk和所述评估单元的中心坐标Nj；根据
Figure BDA0003249519260000031
计算获得所述火源距离；其中，r表示火源距离，x表示起火点坐标的横坐标，y表示起火点坐标的纵坐标，xi表示中心坐标的横坐标，yi表示中心坐标的纵坐标。
进一步地，所述根据所述火源距离和火灾类型对应的初始特征值，获得每一个所述评估单元的火灾特征值，具体为：根据如下公式获得每一起火灾的火灾特征值：
Figure BDA0003249519260000032
其中，F表示火灾的火灾特征值，F0表示火灾类型对应的初始特征值，r表示火源距离，R1表示火灾影响范围的内半径，R2表示火灾影响范围的外半径；将每一起所述火灾的火灾特征值进行叠加，获得每一个所述评估单元的火灾特征值。
进一步地，所述根据所述第一权重值、所述第二权重值和所述贡献值，获得所述火灾指标的第三权重值，具体为：根据
Figure BDA0003249519260000041
Figure BDA0003249519260000042
获得修正系数；根据Wi＝(ε×αi+(1-)×βi)获得所述火灾指标的第三权重值；其中，n表示指标的数量，Yi表示随机森林算法的偏差值，αi表示第一权重值，βi表示第二权重值，θi表示贡献值，ε表示修正系数，Wi表示第三权重值。
进一步地，所述根据所述火灾指标和所述第三权重值，获得每一个所述评估单元的火灾风险评估值，具体为：将所述火灾指标进行量化处理，获得所述火灾指标的量化值；将所述火灾指标的量化值与所述第三权重值相乘，获得子级指标评估值；将属于相同父级指标的子级指标的评估值累加，获得父级指标评估值；将所述父级指标评估值累加，获得每一个所述评估单元的火灾风险评估值。
本发明实施例第二方面提供了一种火灾风险评估装置，包括评估单元划分模块，用于将待评估区域划分为至少一个评估单元；火源距离获取模块，用于获取每一个所述评估单元的历史火灾区域的起火点坐标Mjk，并计算每一个所述评估单元的中心坐标Nj与所述起火点坐标Mjk之间的火源距离，Mjk表示在第j个评估单元中的第k个起火点坐标，Nj表示第j个评估单元的中心坐标；火灾特征值获取模块，用于根据所述火源距离和火灾类型对应的初始特征值，获得每一个所述评估单元的火灾特征值；第一权重值获取模块，用于采用层次分析法获得每一个所述评估单元的火灾指标的第一权重值；第二权重值获取模块，用于采用熵值法获得所述火灾指标的第二权重值；贡献值获取模块，用于基于随机森林模型，根据所述火灾指标和所述火灾特征值，获得所述火灾指标的贡献值；第三权重值获取模块，用于根据所述第一权重值、所述第二权重值和所述贡献值，获得所述火灾指标的第三权重值；火灾风险评估模块，用于根据所述火灾指标和所述第三权重值，得到每一个所述评估单元的火灾风险评估值。
本发明实施例第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的火灾风险评估方法。
本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现如第一方面任一项所述的火灾风险评估方法。
相比于现有技术，本发明实施例的有益效果在于：本发明实施例提供的一种火灾风险评估方法、装置、终端设备及计算机可读存储介质，通过对区域进行单元划分，并对各单元的火灾历史数据进行特征分析，综合层次分析法和熵值法的指标权重输出结果，并采用随机森林算法对指标权重值进行修正，形成客观准确的指标权重值，根据该指标权重值对区域火灾风险进行评估，大大提高了火灾风险评估结果的准确性，并能准确地反映区域火灾风险的空间分布特征。
附图说明
图1是本发明提供的一种火灾风险评估方法的一个优选实施例的流程示意图；
图2是本发明提供的层次分析法的一个优选实施例的指标层次结构示意图；
图3是本发明提供的一种火灾风险评估装置的一个优选实施例的结构示意图。
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作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。
参见图1，是本发明提供的一种火灾风险评估方法的一个优选实施例的流程示意图。
本发明实施例第一方面提供了一种火灾风险评估方法，包括步骤S1至步骤S9，具体如下：
步骤S1：将待评估区域划分为至少一个评估单元。
优选地，在GIS系统中，运用创建渔网工具，以500m×500m的栅格为划分尺寸，将评估区域划分成数个独立的评估单元。
步骤S2：获取每一个所述评估单元的历史火灾区域的起火点坐标Mjk，并计算每一个所述评估单元的中心坐标Nj与所述起火点坐标Mjk之间的火源距离，Mjk表示在第j个评估单元中的第k个起火点坐标，Nj表示第j个评估单元的中心坐标。
其中，获取每一个所述评估单元的历史火灾区域的起火点坐标Mjk，并计算每一个所述评估单元的中心坐标Nj与所述起火点坐标Mjk之间的火源距离，Mjk表示在第j个评估单元中的第k个起火点坐标，Nj表示第j个评估单元的中心坐标，具体为：
针对在第j个评估单元中的第k个起火点坐标，调用地图Web服务API,获取所述历史火灾区域的地理坐标和所述评估单元的中心的地理坐标；
基于ARCMap，采用投影的方法获得所述历史火灾区域的起火点坐标Mjk和所述评估单元的中心坐标Nj；
根据
Figure BDA0003249519260000071
可获得所述火源距离；
其中，r表示火源距离，x表示起火点坐标的横坐标，y表示起火点坐标的纵坐标，xi表示中心坐标的横坐标，yi表示中心坐标的纵坐标。
需要说明的是，所述地图Web服务API可以使用如百度地图、高德地图等地图软件的Web服务API，在此不做具体限定。
步骤S3：根据所述火源距离和火灾类型对应的初始特征值，获得每一个所述评估单元的火灾特征值。
其中，所述根据所述火源距离和火灾类型对应的初始特征值，获得每一个所述评估单元的火灾特征值，具体为：
根据如下公式获得每一起火灾的火灾特征值：
Figure BDA0003249519260000081
其中，F表示火灾的火灾特征值，F0表示火灾类型对应的初始特征值，r表示火源距离，R1表示火灾影响范围的内半径，R2表示火灾影响范围的外半径；
将每一起所述火灾的火灾特征值进行叠加，获得每一个所述评估单元的火灾特征值。
由此可见，当r≤R1时，火源造成的火灾特征值不变，称为特征不变区；当R1≤r≤R2时，火源造成的火灾特征值随距离的增大而减少，并且下降速度越来越快，直至趋近于0，称为特征梯度区。
需要说明的是，根据火灾不同起火原因，其产生的火灾初始特征值和辐射半径如表1所示：
表1不同火灾类型的火灾初始特征值及辐射半径
Figure BDA0003249519260000082
Figure BDA0003249519260000091
步骤S4：采用层次分析法获得每一个所述评估单元的火灾指标的第一权重值。
具体地，层次分析法首先根据影响区域火灾风险的因素和因素子级，构建分层指标体系，如图2所示。在建立分层指标体系后，上下层次之间指标的隶属关系就确定了，假定某一层次指标的目标为Ak，它所支配的下一层次准则为B1,B2,...Bn，则按照他们相对于目标的相对重要程度赋予B1,B2,...Bn相应的权重值，当B1,B2,...Bn对于目标Ak的相对重要性可以直接定量表示时，就可以确定他们相应的权重。层次分析法所用的确定权重的方法就是两两比较法，将比较的结果以数字的形式写入判断矩阵，得到准则层B对于目标层A的判断矩阵，如表2所示：
表2判断矩阵
A<sub>k</sub> B<sub>1</sub> B<sub>2</sub> ... B<sub>j</sub>
B<sub>1</sub> b<sub>11</sub> b<sub>12</sub> ... b<sub>1j</sub>
B<sub>2</sub> b<sub>21</sub> b<sub>22</sub> ... b<sub>2j</sub>
... ... ... ... ...
B<sub>i</sub> b<sub>i1</sub> b<sub>i2</sub> ... b<sub>ij</sub>
在表2中，bij＝Bi/Bj，表示对于Ak这一评估指标，因素Bi对因素Bj相对重要性判断的数值表现形式。bij的值可用1-9及其倒数表示，作为相对重要性标度，如表3所示：
表3相对重要性标度及其含义
Figure BDA0003249519260000092
Figure BDA0003249519260000101
运用上述判断矩阵的标度，对因素Bi和因素Bj两两比较判断得到bij，进而构成了一个量化的判断矩阵B。求出判断矩阵B的最大特征根及其对应的特征向量，将最大特征根对应的最大特征向量归一化，就得到准则B1,B2,...Bn对于目标A的权重值。合成权重的计算要自下而上，将最后一层各指标的权重值依次与上一层准则的相对权重值相乘，从而形成各指标对于总目标的合成权重。定义层次分析法中各指标权重为αi。
步骤S5：采用熵值法获得所述火灾指标的第二权重值。
具体地，熵值法第一步为对数据矩阵进行标准化处理，假设有m个指标和n个评估单元，则原始矩阵为：
Figure BDA0003249519260000102
进行标准化处理：
Figure BDA0003249519260000103
其中，rab为第b个指标在第a个评估单元上的标准值。
则，标准化后的数据矩阵为：
R＝(raa)m×n
熵值法第二步为对各指标的熵值进行计算，计算第b个指标对于第a个评估单元的比重Pab为：
Figure BDA0003249519260000111
进而得到第b个指标的熵值eb为：
Figure BDA0003249519260000112
其中，
Figure BDA0003249519260000113
进而得到第b个指标的差异系数gb为：
gb＝1-eb
对于第b个指标，Xab的差异越大，对评估结果的影响就越大，熵值就越小。
熵值法第三步为对各指标的权重进行计算，第b个指标的权重为：
Figure BDA0003249519260000114
步骤S6：基于随机森林模型，根据所述火灾指标和所述火灾特征值，获得所述火灾指标的贡献值。
其中，所述火灾风险评估方法通过以下步骤获得所述随机森林模型：将所述火灾指标进行量化处理，获得所述火灾指标的量化值；将所述火灾指标的量化值作为特征值，所述火灾特征值作为标签值，采用随机森林算法生成决策树，获得所述随机森林模型。
优选地，对所述火灾指标进行量化处理有如下方法：
对于有量纲的指标，可根据各评估单元内服务范围的面积百分比作为量化指标值；也可采用分位数法，将评估单元内的火灾数据按照等份划分进行量化处理。
对于无量纲指标，按照其风险等级与对应的量化范围对其进行定性量化处理。
具体地，随机森林属于集成算法，主要思想是将若干个弱分类器的分类结果进行投票选择，从而组成一个强分类器，“随机”主要体现在随机抽样和随机特征选择两方面，有效地防止过拟合现象；“森林”体现在生成多棵决策树，防止了模型泛化能力低的现象发生，具有优秀的大数据处理能力。
决策树是一种通过对历史数据进行测算实现对新数据进行分类和预测的树形结构。决策树由三个主要部分构成，分别为决策节点，分支和叶子节点。其中，决策树最顶部的决策节点是根决策节点，每一个分支都有一个新的决策节点。决策节点下面是叶子节点，每个决策节点表示一个待分类的指标值，每个叶子节点表示一种结果。整个决策的过程从根决策节点开始，从上到下，根据数据的分类在每个决策节点给出不同的结果。
决策树采用贪婪思想进行构造，即选择可以得到最优分裂结果的属性进行分裂。为了得到最优的分裂结果，每一次分裂之后子节点的数据应当尽量“纯”，选择的依据就是信息增益率：
Figure BDA0003249519260000121
其中，Gain表示节点的复杂程度，Gain越高，说明复杂程度越高；信息增益即分裂前的数据复杂度减去子节点的数据复杂度的和，信息增益越大，分裂后的复杂度减小得越多，分类的效果越明显。
节点的复杂度可以用以下两种不同的计算方式，即熵和基尼系数。本发明实施例通过基尼系数判定最优属性：
Figure BDA0003249519260000131
其中，pi为i类的数量占比。选择好决策树信息分裂属性后，因不能让其无限制地增长，提出最小节点数，即当节点的数据量小于一个指定的数量时，不继续分裂。不能让决策树无限制地增长有两个原因：一是数据量较少时，再做分裂容易强化噪声数据的作用；二是降低树生长的复杂性，提前结束分裂一定程度上有利于降低过拟合的影响。
进一步地，所述基于随机森林模型，根据所述火灾指标和所述火灾特征值，获得所述火灾指标的贡献值，具体为：采用所述随机森林算法，根据所述特征值对应的第一袋外数据获得所述决策树的第一袋外数据误差；对所述第一袋外数据加入噪声干扰，获得第二袋外数据；采用所述随机森林算法，根据所述第二袋外数据获得所述决策树的第二袋外数据误差；根据所述第一袋外数据误差、所述第二袋外数据和所述决策树的数量，获得所述火灾指标的贡献值。
具体地，对每一棵决策树，选择相应的袋外数据(out of bag，OOB)计算袋外数据误差，记为errOOB1。所述袋外数据是指在步骤S6中每次建立决策树时，通过对样本和特征值进行重复抽样得到一组数据用于训练决策树，此时大约还有1/3的数据没有被利用，即没有参与决策树的建立，这部分没有被利用的数据可以用于对决策树的性能进行评估，计算模型的预测错误率，该错误率即为袋外数据误差。
随机对袋外数据所有样本对应的火灾特征加入噪声干扰，本发明实施例采用随机改变样本在其对应的火灾特征处的值的方法以引入噪声干扰，再次计算袋外数据误差，记为errOOB2。
假设随机森林模型中有N棵决策树，则每一个火灾特征的贡献值θi为：
Figure BDA0003249519260000141
此数值之所以能够说明火灾特征的重要性，是因为如果加入随机噪声干扰后，袋外数据准确率大幅度下降(即errOOB2上升)，说明这个火灾特征对于样本的预测结果有很大影响，进而说明其重要性比较高。
需要说明的是，本发明实施例所采用的随机森林算法是基于python中的scikit-learn程序包实现的，除此之外，也可以采用其他平台以实现随机森林算法，在此不做具体限定。
步骤S7：根据所述第一权重值、所述第二权重值和所述贡献值，获得所述火灾指标的第三权重值。
其中，所述根据所述第一权重值、所述第二权重值和所述贡献值，获得所述火灾指标的第三权重值，具体为：
根据
Figure BDA0003249519260000142
获得修正系数；
根据Wi＝(ε×αi+(1-ε)×βi)获得所述火灾指标的第三权重值；
其中，n表示指标的数量，Yi表示随机森林算法的偏差值，αi表示第一权重值，βi表示第二权重值，θi表示贡献值，ε表示修正系数，Wi表示第三权重值。
需要说明的是，每个指标对于随机森林算法的偏差值Yi＝|Wi-θi|，当
Figure BDA0003249519260000151
最小时，所求得的ε为最终的修正系数，从而获得每个指标的最终权重值。
步骤S8：根据所述火灾指标和所述第三权重值，获得每一个所述评估单元的火灾风险评估值。
其中，所述根据所述火灾指标和所述第三权重值，获得每一个所述评估单元的火灾风险评估值，具体为：
将所述火灾指标进行量化处理，获得所述火灾指标的量化值；
将所述火灾指标的量化值与所述第三权重值相乘，获得子级指标评估值；
将属于相同父级指标的所述子级指标评估值累加，获得父级指标评估值；
将所述父级指标评估值累加，获得每一个所述评估单元的火灾风险评估值。
需要说明的是，在设定量化范围的基础上结合火灾事故等级分级标准，将火灾风险分为五级，如表4所示：
表4火灾风险等级划分
Figure BDA0003249519260000152
Figure BDA0003249519260000161
在火灾风险评估过程中，每个火灾指标都能够依据此等级划分标准，实现评估结果的统一性，各级对应的分值如下：Ⅰ级，80～100分；Ⅱ级，60～79分；Ⅲ级，40～59分；Ⅳ级，20～39分；Ⅴ级，0～19分。
本发明实施例提供的一种火灾风险评估方法，通过对区域进行单元划分，并对各单元的火灾历史数据进行特征分析，综合层次分析法和熵值法的指标权重输出结果，并采用随机森林算法对指标权重值进行修正，形成客观准确的指标权重值，根据该指标权重值对区域火灾风险进行评估，大大提高了火灾风险评估结果的准确性，并能准确地反映区域火灾风险的空间分布特征。
参见图3，本发明实施例第二方面提供了一种火灾风险评估装置，包括：
评估单元划分模块301，用于将待评估区域划分为至少一个评估单元；
火源距离获取模块302，用于获取每一个所述评估单元的历史火灾区域的起火点坐标Mjk，并计算每一个所述评估单元的中心坐标Nj与所述起火点坐标Mjk之间的火源距离，Mjk表示在第j个评估单元中的第k个起火点坐标，Nj表示第j个评估单元的中心坐标；
火灾特征值获取模块303，用于根据所述火源距离和火灾类型对应的初始特征值，获得每一个所述评估单元的火灾特征值；
第一权重值获取模块304，用于采用层次分析法获得每一个所述评估单元的火灾指标的第一权重值；
第二权重值获取模块305，用于采用熵值法获得所述火灾指标的第二权重值；
贡献值获取模块306，用于基于随机森林模型，根据所述火灾指标和所述火灾特征值，获得所述火灾指标的贡献值；
第三权重值获取模块307，用于根据所述第一权重值、所述第二权重值和所述贡献值，获得所述火灾指标的第三权重值；
火灾风险评估模块308，用于根据所述火灾指标和所述第三权重值，得到每一个所述评估单元的火灾风险评估值。
进一步地，所述火源距离获取模块302还用于：针对在第j个评估单元中的第k个起火点坐标，调用地图Web服务API,获取所述历史火灾区域的地理坐标和所述评估单元的中心的地理坐标；基于ARCMap，采用投影的方法获得所述历史火灾区域的起火点坐标Mjk和所述评估单元的中心坐标Nj；根据
Figure BDA0003249519260000171
计算获得所述火源距离；其中，r表示火源距离，x表示起火点坐标的横坐标，y表示起火点坐标的纵坐标，xi表示中心坐标的横坐标，yi表示中心坐标的纵坐标。
进一步地，所述火灾特征值获取模块303还用于：根据如下公式获得每一起火灾的火灾特征值：
Figure BDA0003249519260000181
其中，F表示火灾的火灾特征值，F0表示火灾类型对应的初始特征值，r表示火源距离，R1表示火灾影响范围的内半径，R2表示火灾影响范围的外半径；将每一起所述火灾的火灾特征值进行叠加，获得每一个所述评估单元的火灾特征值。
进一步地，所述火灾风险评估装置还包括随机森林获取模块309，用于将所述火灾指标进行量化处理，获得所述火灾指标的量化值；将所述火灾指标的量化值作为特征值，所述火灾特征值作为标签值，采用随机森林算法生成决策树，获得所述随机森林模型。
进一步地，所述贡献值获取模块306还用于：采用所述随机森林算法，根据所述特征值对应的第一袋外数据获得所述决策树的第一袋外数据误差；对所述第一袋外数据加入噪声干扰，获得第二袋外数据；采用所述随机森林算法，根据所述第二袋外数据获得所述决策树的第二袋外数据误差；根据所述第一袋外数据误差、所述第二袋外数据和所述决策树的数量，获得所述火灾指标的贡献值。
进一步地，所述第三权重值获取模块307还用于：根据
Figure BDA0003249519260000182
获得修正系数；根据Wi＝(ε×αi+(1-ε)×βi)获得所述火灾指标的第三权重值；其中，n表示指标的数量，Yi表示随机森林算法的偏差值，αi表示第一权重值，βi表示第二权重值，θi表示贡献值，ε表示修正系数，Wi表示第三权重值。
进一步地，所述火灾风险评估模块308还用于：将所述火灾指标进行量化处理，获得所述火灾指标的量化值；将所述火灾指标的量化值与所述第三权重值相乘，获得子级指标评估值；将属于相同父级指标的所述子级指标评估值累加，获得父级指标评估值；将所述父级指标评估值累加，获得每一个所述评估单元的火灾风险评估值。
需要说明的是，本发明实施例所提供的一种火灾风险评估装置，能够实现上述任一实施例所述的火灾风险评估方法的所有流程，装置中的各个模块的作用以及实现的技术效果分别与上述实施例所述的火灾风险评估方法的作用以及实现的技术效果对应相同，这里不再赘述。
本发明实施例第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一实施例所述的火灾风险评估方法。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现如第一方面任一实施例所述的火灾风险评估方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种火灾风险评估方法，其特征在于，包括：
将待评估区域划分为至少一个评估单元；
获取每一个所述评估单元的历史火灾区域的起火点坐标Mjk，并计算每一个所述评估单元的中心坐标Nj与所述起火点坐标Mjk之间的火源距离，Mjk表示在第j个评估单元中的第k个起火点坐标，Nj表示第j个评估单元的中心坐标；
根据所述火源距离和火灾类型对应的初始特征值，获得每一个所述评估单元的火灾特征值；
采用层次分析法获得每一个所述评估单元的火灾指标的第一权重值；
采用熵值法获得所述火灾指标的第二权重值；
基于随机森林模型，根据所述火灾指标和所述火灾特征值，获得所述火灾指标的贡献值；
根据所述第一权重值、所述第二权重值和所述贡献值，获得所述火灾指标的第三权重值；
根据所述火灾指标和所述第三权重值，获得每一个所述评估单元的火灾风险评估值。
2.如权利要求1所述的火灾风险评估方法，其特征在于，所述方法通过以下步骤获得所述随机森林模型：
将所述火灾指标进行量化处理，获得所述火灾指标的量化值；
将所述火灾指标的量化值作为特征值，所述火灾特征值作为标签值，采用随机森林算法生成决策树，获得所述随机森林模型。
3.如权利要求2所述的火灾风险评估方法，其特征在于，所述基于随机森林模型，根据所述火灾指标和所述火灾特征值，获得所述火灾指标的贡献值，具体为：
采用所述随机森林算法，根据所述特征值对应的第一袋外数据获得所述决策树的第一袋外数据误差；
对所述第一袋外数据加入噪声干扰，获得第二袋外数据；
采用所述随机森林算法，根据所述第二袋外数据获得所述决策树的第二袋外数据误差；
根据所述第一袋外数据误差、所述第二袋外数据和所述决策树的数量，获得所述火灾指标的贡献值。
4.如权利要求1所述的火灾风险评估方法，其特征在于，所述获取每一个所述评估单元的历史火灾区域的起火点坐标Mjk，并计算每一个所述评估单元的中心坐标Nj与所述起火点坐标Mjk之间的火源距离，具体为：
针对在第j个评估单元中的第k个起火点坐标，调用地图Web服务API,获取所述历史火灾区域的地理坐标和所述评估单元的中心的地理坐标；
基于ARCMap，采用投影的方法获得所述历史火灾区域的起火点坐标Mjk和所述评估单元的中心坐标Nj；
根据
Figure FDA0003249519250000031
计算获得所述火源距离；
其中，r表示火源距离，x表示起火点坐标的横坐标，y表示起火点坐标的纵坐标，xi表示中心坐标的横坐标，yi表示中心坐标的纵坐标。
5.如权利要求1所述的火灾风险评估方法，其特征在于，所述根据所述火源距离和火灾类型对应的初始特征值，获得每一个所述评估单元的火灾特征值，具体为：
根据如下公式获得每一起火灾的火灾特征值：
Figure FDA0003249519250000032
其中，F表示火灾的火灾特征值，F0表示火灾类型对应的初始特征值，r表示火源距离，R1表示火灾影响范围的内半径，R2表示火灾影响范围的外半径；
将每一起所述火灾的火灾特征值进行叠加，获得每一个所述评估单元的火灾特征值。
6.如权利要求1所述的火灾风险评估方法，其特征在于，所述根据所述第一权重值、所述第二权重值和所述贡献值，获得所述火灾指标的第三权重值，具体为：
根据
Figure FDA0003249519250000041
获得修正系数；
根据Wi＝(ε×αi+(1-)×βi)获得所述火灾指标的第三权重值；
其中，n表示指标的数量，Yi表示随机森林算法的偏差值，αi表示第一权重值，βi表示第二权重值，θi表示贡献值，ε表示修正系数，Wi表示第三权重值。
7.如权利要求1所述的火灾风险评估方法，其特征在于，所述根据所述火灾指标和所述第三权重值，获得每一个所述评估单元的火灾风险评估值，具体为：
将所述火灾指标进行量化处理，获得所述火灾指标的量化值；
将所述火灾指标的量化值与所述第三权重值相乘，获得子级指标评估值；
将属于相同父级指标的所述子级指标评估值累加，获得父级指标评估值；
将所述父级指标评估值累加，获得每一个所述评估单元的火灾风险评估值。
8.一种火灾风险评估装置，其特征在于，包括：
评估单元划分模块，用于将待评估区域划分为至少一个评估单元；
火源距离获取模块，用于获取每一个所述评估单元的历史火灾区域的起火点坐标Mjk，并计算每一个所述评估单元的中心坐标Nj与所述起火点坐标Mjk之间的火源距离，Mjk表示在第j个评估单元中的第k个起火点坐标，Nj表示第j个评估单元的中心坐标；
火灾特征值获取模块，用于根据所述火源距离和火灾类型对应的初始特征值，获得每一个所述评估单元的火灾特征值；
第一权重值获取模块，用于采用层次分析法获得每一个所述评估单元的火灾指标的第一权重值；
第二权重值获取模块，用于采用熵值法获得所述火灾指标的第二权重值；
贡献值获取模块，用于基于随机森林模型，根据所述火灾指标和所述火灾特征值，获得所述火灾指标的贡献值；
第三权重值获取模块，用于根据所述第一权重值、所述第二权重值和所述贡献值，获得所述火灾指标的第三权重值；
火灾风险评估模块，用于根据所述火灾指标和所述第三权重值，得到每一个所述评估单元的火灾风险评估值。
9.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的火灾风险评估方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现如权利要求1至7任一项所述的火灾风险评估方法。
CN202111041738.9A 2021-09-07 2021-09-07 一种火灾风险评估方法、装置、终端设备及存储介质 Pending CN113901705A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111041738.9A CN113901705A (zh) 2021-09-07 2021-09-07 一种火灾风险评估方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111041738.9A CN113901705A (zh) 2021-09-07 2021-09-07 一种火灾风险评估方法、装置、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN113901705A true CN113901705A (zh) 2022-01-07

Family

ID=79188696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111041738.9A Pending CN113901705A (zh) 2021-09-07 2021-09-07 一种火灾风险评估方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN113901705A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115408702A (zh) * 2022-11-01 2022-11-29 浙江城云数字科技有限公司 Stacking接口运行风险等级评估方法及其应用
CN117557409A (zh) * 2024-01-11 2024-02-13 中国建筑科学研究院有限公司 基于物联网的智慧建筑火灾风险可视化评估管理系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115408702A (zh) * 2022-11-01 2022-11-29 浙江城云数字科技有限公司 Stacking接口运行风险等级评估方法及其应用
CN115408702B (zh) * 2022-11-01 2023-02-14 浙江城云数字科技有限公司 Stacking接口运行风险等级评估方法及其应用
CN117557409A (zh) * 2024-01-11 2024-02-13 中国建筑科学研究院有限公司 基于物联网的智慧建筑火灾风险可视化评估管理系统
CN117557409B (zh) * 2024-01-11 2024-03-26 中国建筑科学研究院有限公司 基于物联网的智慧建筑火灾风险可视化评估管理系统

Similar Documents

Publication Publication Date Title
CN110135167B (zh) 一种随机森林的边缘计算终端安全等级评估方法
CN113901705A (zh) 一种火灾风险评估方法、装置、终端设备及存储介质
CN111539451B (zh) 样本数据优化方法、装置、设备及存储介质
CN110751355A (zh) 一种科技成果评估方法和装置
CN112116225A (zh) 装备系统的作战效能评估方法、装置和存储介质
CN112308387B (zh) 客户意向度评估方法与装置、云服务器
CN114048468A (zh) 入侵检测的方法、入侵检测模型训练的方法、装置及介质
CN114638498A (zh) Esg评价方法、系统、电子设备及存储设备
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN113239199B (zh) 一种基于多方数据集的信用分类方法
CN116662868A (zh) 数据分类方法、装置、电子设备及存储介质
CN109165854B (zh) 空管运行效率等级评估方法及其装置
Klepac et al. A case study and parametric analysis of predicting hurricane-induced building damage using data-driven machine learning approach
CN116108177A (zh) 一种语音交互与品牌定位关系的评价方法及装置
CN113221966A (zh) 基于F_Max属性度量的差分隐私决策树构建方法
WO2022188080A1 (zh) 图像分类网络模型训练方法、图像分类方法及相关设备
CN113962440A (zh) 一种融合dpc和gru的光伏预测方法和系统
Xie et al. A Novel Variable Selection Approach Based on Multi-criteria Decision Analysis
CN107818342A (zh) 大数据环境下基于限定模糊规则的多分类系统及方法
CN114529063A (zh) 一种基于机器学习的金融领域数据预测方法、设备及介质
Liu et al. Personal Credit Evaluation Under the Big Data and Internet Background Based on Group Character
CN118134105B (zh) 融合注意力及随机森林的站点客流预测方法及系统
CN116777300B (zh) 基于梯度提升决策树的城市道路交通事故风险评估方法
CN114330562B (zh) 小样本细化分类及多分类模型构建方法
Zhang Application of English Score Management System Based on Spark-Decision Tree Algorithm

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