CN117557409A - 基于物联网的智慧建筑火灾风险可视化评估管理系统 - Google Patents
基于物联网的智慧建筑火灾风险可视化评估管理系统 Download PDFInfo
- Publication number
- CN117557409A CN117557409A CN202410038489.5A CN202410038489A CN117557409A CN 117557409 A CN117557409 A CN 117557409A CN 202410038489 A CN202410038489 A CN 202410038489A CN 117557409 A CN117557409 A CN 117557409A
- Authority
- CN
- China
- Prior art keywords
- fire risk
- fire
- decision tree
- decision
- 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.)
- Granted
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 title claims abstract description 13
- 238000003066 decision tree Methods 0.000 claims abstract description 183
- 238000013138 pruning Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000007637 random forest analysis Methods 0.000 claims abstract description 22
- 230000035945 sensitivity Effects 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 239000000463 material Substances 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及建筑火灾风险管理技术领域,具体涉及基于物联网的智慧建筑火灾风险可视化评估管理系统。该系统包括数据采集模块:采集建筑物各房间每月火灾历史特征数据作为各样本数据;数据处理模块:根据各样本火灾发生次数、火灾持续时间得到各类火灾风险等级;通过抽样结合CART算法得到各决策树;根据各决策树的决策结果分析其火灾灵敏度及精确率,构建火灾风险泛化值;根据各决策树内部节点对火灾风险泛化值的影响对决策树进行后剪枝;结合防火材料电阻值得到各房间的火灾风险;预警模块:根据各房间的火灾风险构建建筑物火灾风险模型。从而实现建筑火灾风险可视化评估,减小了随机森林的分类误差,提高了建筑内房间火灾风险评估准确性。
Description
技术领域
本发明涉及建筑火灾风险管理技术领域,具体涉及基于物联网的智慧建筑火灾风险可视化评估管理系统。
背景技术
通过采取有效的火灾预防措施,可以极大限度地减小人员伤亡和财产损失。此外,火灾预防对于维护社会秩序和保障企业的经济持续发展也具有重要作用。物联网技术是一种将物理世界和数字世界相连接的技术,通过互联网实现不同设备之间的通信和数据交换。这为火灾预防提供了新的手段和机会。可视化技术是另一个有用的工具,通过使用图形界面、地图等方式,将这些监测数据以非常直观的方式呈现给用户。这有助于非技术人员更容易地分析建筑物的火灾风险。在数字化社会的今天,机器学习等数学方法也可以应用于火灾风险的科学预防。通过对历史数据的分析,机器学习算法可以识别潜在的火灾风险因素,并帮助建立更有效的火灾预防策略。这种数据驱动的方法可以提高火灾风险预测的准确性和及时性。
对同一建筑来说,火灾发生的频次少,概率低。发生火灾的数据样本要远小于未发生火灾的样本数。使用传统的机器学习算法很容易得到算法的过拟合模型,导致算法模型仅能识别训练集中的火灾数据样本,对于新样本数据识别准确度降低,存在安全隐患。
综上所述,本发明提出了基于物联网的智慧建筑火灾风险可视化评估管理系统,根据建筑火灾历史数据构建各决策树,根据各决策树内部节点对决策树泛化能力的影响程度对各决策树进行后剪枝,根据剪枝后各决策树构建孤立森林;根据孤立森林计算各房间火灾风险;通过各房间的火灾风险构建建筑物火灾风险模型。
发明内容
为了解决上述技术问题,本发明的目的在于提供基于物联网的智慧建筑火灾风险可视化评估管理系统,所采用的技术方案具体如下:
本发明提出了基于物联网的智慧建筑火灾风险可视化评估管理系统,所述系统包括:
数据采集模块:采集建筑各房间每月历史特征作为各样本数据,历史特征包括房间各月火灾发生次数、火灾持续时间、室外平均温度、消防检查的违规次数、耗电情况、建筑已使用年限及房间的使用类型、房间面积、是否存在易燃物;
数据处理模块:根据各样本的火灾发生次数及火灾持续时间得到各样本的火灾风险等级,作为实际火灾风险等级;通过随机森林算法及各样本数据得到每个样本的各决策树的决策火灾风险等级;根据实际以及决策火灾风险等级得到各决策树的火灾灵敏度及精确率;根据火灾风险灵敏度及精确率得到各决策树的火灾风险调和平均值;根据各决策树的决策结果得到各决策树的混淆矩阵;根据各混淆矩阵得到各决策树的火灾风险混淆误差;根据火灾风险调和平均值及火灾风险混淆误差得到各决策树的火灾风险泛化值;将各决策树内除根节点与叶子节点外的其他节点作为各决策树的内部节点;根据各决策树的火灾风险泛化值得到各决策树每个内部节点的剪枝系数;根据剪枝系数得到各房间的火灾风险;
预警模块:通过各房间的火灾风险构建建筑物火灾风险模型,其中各房间火灾风险与建筑物火灾风险模型中对应区域红色深度成正相关关系。
优选的,所述根据各样本的火灾发生次数及火灾持续时间得到各样本的火灾风险等级,具体为:
将各样本的火灾发生次数与火灾持续时间的乘积作为各样本的火灾风险分数;将火灾风险分数最小值与最大值之间的数值区间等分成3个区间;将各区间作为各火灾风险等级,分别量化为1、2、3;其中低火灾风险等级量化值为1,中火灾风险等级量化值为2,高火灾风险等级量化值为3;
通过各样本的火灾风险分数所处区间得到各样本的火灾风险等级。
优选的,所述通过随机森林算法及各样本数据得到每个样本的各决策树的决策火灾风险等级,具体为:
通过随机森林算法获取样本数据的各次抽样的数据集合作为各抽样数据集,其中各抽样数据集至少包含一个中、高火灾风险样本;通过CART算法得到各抽样数据集的决策树;
对于各决策树,将通过决策树得到的火灾风险等级作为样本的决策火灾风险等级。
优选的,所述根据实际以及决策火灾风险等级得到各决策树的火灾灵敏度及精确率,具体包括:
统计各类实际火灾风险等级中样本数量,记为第一数量;对于各决策树,统计各类决策火灾风险等级中样本数量,记为第二数量;统计各类火灾风险等级中,实际与决策火灾风险等级相同的样本个数;计算以自然常数为底数、以各火灾风险等级的相反数为指数的指数函数的计算结果;将所述计算结果的相反数作为各火灾风险等级的决策权重;
计算各类火灾风险等级的第一数量与对应火灾风险等级决策权重的乘积;计算所有所述乘积的和值,记为第一和值;计算各类火灾风险等级的所述样本个数与对应火灾风险等级决策权重的乘积,记为第一乘积;计算所有第一乘积的和值,记为第二和值;将第二和值与第一和值的比值作为决策树的火灾风险灵敏度;
计算所有火灾风险等级的所述样本个数的和值,记为第三和值;计算所有火灾风险等级的第二数量的和值,记为第四和值;将第三和值与第四和值的比值作为决策树的火灾精确率。
优选的,所述根据火灾风险灵敏度及精确率得到各决策树的火灾风险调和平均值,具体包括:
分别计算各决策树的火灾风险灵敏度与精确度的乘积、和值;计算所述乘积与所述和值的比值;将所述比值作为各决策树的火灾风险调和平均值。
优选的,所述根据各决策树的决策结果得到各决策树的混淆矩阵,具体为:
对于各决策树,将实际火灾风险等级为b但被决策树决策为c火灾风险等级的样本个数作为决策树混淆矩阵的第b行、第c列的元素值,获取各元素值构建决策树的混淆矩阵。
优选的,所述根据各混淆矩阵得到各决策树的火灾风险混淆误差,表达式为:
式中,为第a棵决策树的火灾风险混淆误差,/>为实际与决策火灾风险等级均为i的样本个数,/>为实际火灾风险等级为j、决策火灾风险等级为i的样本个数,/>为实际火灾风险等级为i、决策火灾风险等级为j的样本个数,/>为以e为底的对数函数,k为火灾风险等级数。
优选的,所述根据火灾风险调和平均值及火灾风险混淆误差得到各决策树的火灾风险泛化值,具体包括:
通过各决策树的混淆矩阵获取各决策树的受试者工作特征曲线下面积;计算所述面积与各决策树的火灾风险调和平均值的乘积;计算所述乘积与各决策树的火灾风险混淆误差的比值;将所述比值作为各决策树的火灾风险泛化值。
优选的,所述根据各决策树的火灾风险泛化值得到各决策树每个内部节点的剪枝系数,具体包括:
对于各决策树,通过火灾风险泛化值的计算方式获取去掉各内部节点后决策树的火灾风险泛化值;计算去掉各内部节点后与未去掉前的决策树的火灾风险泛化值之间的差值;将所述差值作为决策树的各内部节点的剪枝系数。
优选的,所述根据剪枝系数得到各房间的火灾风险,具体包括:
将各决策树内剪枝系数大于0的内部节点剪除得到各剪枝后的决策树;获取所有剪枝完成后的决策树组成的随机森林;通过随机森林结合最新月份各房间的各类特征数据进行预测得到最新月份各房间的火灾风险等级的预测值;计算以自然常数为底数、所述预测值的对数的计算结果;计算各房间内防火材料的检测得到的实时电阻值与常温下防火材料电阻值的差值;计算所述计算结果与所述差值的乘积;将所述乘积作为各房间的火灾风险。
本发明具有如下有益效果:
本发明通过随机森林结合物联网进行建筑物火灾风险预测,首先将建筑物内每个房间每月的火灾历史特征数据作为各样本数据;根据各样本的火灾发生次数、火灾持续时间得到各样本的火灾风险分数;根据所有样本的火灾风险分数的分布区间得到各类火灾风险等级,火灾风险等级量化了火灾的大小;通过对样本数据进行抽样得到每个抽样数据集,其中由于火灾风险数据集样本不平衡的特点,赋予高火灾风险特征的数据较大的权重,提高模型对高火灾风险数据的重视程度;结合CART算法得到各决策树;根据各决策树对各样本数据的决策结果分析各决策树的火灾灵敏度及精确率,从而构建各决策树的火灾风险泛化值,根据各决策树的内部节点对火灾风险泛化值的影响,分析各内部节点对决策树泛化能力的影响,并对决策树进行后剪枝,有效提高了算法模型的准确度,减小了随机森林的分类误差;通过随机森林结合各房间内防火材料电阻值的变化得到各房间的火灾风险,从而构建建筑物火灾风险模型,提高了建筑内房间火灾风险评估准确性,有利于建筑火灾风险可视化评估。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的基于物联网的智慧建筑火灾风险可视化评估管理系统框图;
图2为混淆矩阵示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于物联网的智慧建筑火灾风险可视化评估管理系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于物联网的智慧建筑火灾风险可视化评估管理系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于物联网的智慧建筑火灾风险可视化评估管理系统框图,该系统包括:数据采集模块101、数据处理模块102、预警模块103。
数据采集模块101,采集建筑火灾历史数据。
对于特定的某个建筑来说,统计该建筑在过去10年间记录的每个房间每个月的以下特征:当前房间当月的火灾发生次数、火灾持续时间、室外平均温度、消防检查的违规次数、耗电情况、建筑已使用年限以及房间的使用类型、房间面积、是否存在易燃物,共九个历史特征,每个房间每月记录一次,设共得到个样本。其中房间当月的火灾持续时间为该月内所有次火灾发生时的持续时间的总和。
在房间内安装一个与防火材料相连的电路,防火材料具有在高温状态下存在直流电阻值变化的特性,设电阻与温度呈正相关关系。通过恒压法获取防火材料的实时电阻值作为房间的实时特征。
数据处理模块102,根据建筑火灾历史数据构建各决策树,根据各决策树内部节点对决策树泛化能力的影响程度对各决策树进行后剪枝,根据剪枝后各决策树构建孤立森林;根据孤立森林计算各房间火灾风险。
在上述获取的九个历史特征中,火灾发生次数、火灾持续时间、室外平均温度、消防检查的违规次数、耗电情况、建筑已使用年限以及房间面积均为数值型特征(数值型特征,指该特征是一个确切的数字)。而房间的使用类型以及是否存在易燃物均没有确切的数值,为方便计算,需要对这两个特征进行量化,具体为:对于房间的使用类型,其包括洗手间、仓储、空置房间、图书室、实验室、机房、办公室以及会议室,将其分别用数字1~8表示;对于是否存在易燃物,若存在易燃物,则量化值为1,否则量化值为0。
火灾发生次数与火灾持续时间最能表征火灾的风险等级,根据每个房间每月的火灾发生次数和火灾持续时间构建各房间每月的火灾风险分数,表达式为:
式中,为房间p第q月的火灾风险分数,/>为房间p第q月的火灾发生次数,/>为房间p第q月的火灾持续时间,火灾持续时间使用分钟为单位。火灾持续的时间越长,则火势越凶猛,火灾越严重;火灾发生次数越多,则房间存在的火灾隐患越大,越容易产生火灾,从而/>越大。将火灾风险分数作为决策属性,即要进行预测的值。
为了明确火灾的风险等级,需要将火灾风险分数FRS离散化,因此将所有样本的火灾风险分数从最小值0到最大值,平均分为k等份得到k个区间,将每个区间作为一个火灾风险等级,将其按从小到大的顺序,分别用数值1、2、…、k进行量化,数值越大,风险等级越高。需要说明的是,k的值实施者可自行设定,本实施例将k的值设定3,将三个火灾风险等级分别确定为低火灾风险等级量化值为1,中火灾风险等级量化值为2,高火灾风险等级量化值为3。
至此,已量化建筑物房间内的全部特征,且使用火灾发生次数和火灾持续时间两特征构建了决策属性。随机森林是一种全程自举汇聚算法,称之为bagging方法。首先在已有的数据集中有放回抽样次,每次抽样/>个样本作为每次的抽样数据集。使用/>次抽样数据集,构建/>个决策树,当进行预测时/>个决策树采用投票的方式来确定数据的类别。需要说明的是,/>、/>的值实施者可自行设定,本实施例将/>、/>的值分别设定为/>、/>。所有的抽样数据集组成的集合使用/>来表示,其中/>表示第a次抽样数据集。在构建决策树的过程中,使用CART算法生成决策树,但不执行算法中的剪枝步骤,CART算法依据/>不纯度来构建,使用CART算法来构建决策树为一种公知技术,具体过程不再赘述。
通过每个火灾风险等级的划分区间结合每个样本的火灾风险分数,获取每个样本的火灾风险等级。由于建筑内正常的样本数量远大于发生火灾的样本数量,每个抽样数据集中大概率没有中高火灾风险分数FRS的样本,构建的决策树会主要预测低火灾风险(某决策树没见过高火灾风险分数的样本,只见过低火灾风险分数的样本,无论输入什么样本,该决策树只会预测低火灾风险)。该情况显然是不合适的,应保证每个抽样数据集中至少有一个中、高火灾风险等级的样本,因此在第次抽样的过程中,若抽样数据集中没有中、高火灾风险等级的样本,则舍弃该抽样数据集重新抽取,直到获得抽样数据集中存在至少一个中、高火灾风险的样本。
在每个抽样数据集内,由于中高火灾风险等级的样本比较少,随机森林中每个决策树的构建都用到为数不多的几个中高火灾风险的样本,很容易造成模型的过拟合。因此考虑对决策树进行剪枝操作,具体为:
对于每棵决策树,用整个数据集共个样本数据作为决策树的测试集,通过决策树对测试集中的每个样本数据进行决策,得到每个样本的决策火灾风险等级;统计未进行决策时,各类火灾风险等级的样本数量,记为第一数量,用/>表示,并将未进行决策时每个样本的火灾风险等级确定为实际火灾风险等级;在各类实际火灾风险等级的样本中,统计决策火灾风险等级与实际火灾风险等级相同的样本个数,用/>表示。为了评价每棵决策树的决策效果,构建每棵决策树的火灾风险灵敏度/>,表达式为:
式中,为第a棵决策树的火灾风险灵敏度;/>为火灾风险等级数,本实施例中将火灾风险等级分为三类,因此/>;/>为第a棵决策树的决策火灾风险等级与实际火灾风险等级均为第i类火灾风险等级的样本个数;/>为第i类火灾风险等级的决策权重;/>为第i类实际火灾风险等级的样本数量;/>为以e为底的指数函数。其中/>为第一乘积,为第一和值,/>为第二和值。
由于中高火灾风险的样本数量较少,在上式中赋予中高火灾风险的样本一个较高的权重,表示对中高火灾风险的样本的重视,赋予低火灾风险一个较低的权重。若中高火灾风险的类别分错一个,因为中高风险火灾的类别权重较大,在式中对应着较大的火灾风险灵敏度R的减小。灵敏度解释为所有正确分类的样本数量与总样本数量的比例。通过上述方法获取每棵决策树的火灾风险灵敏度。
然后,统计每棵决策树的决策结果中,各类决策火灾风险等级中包含的样本数量,记为第二数量,用表示。计算每棵决策树的火灾风险精确率,表达式为:
式中,为第a棵决策树的火灾风险精确率,/>为火灾风险等级数,/>为第a棵决策树的决策火灾风险等级与实际火灾风险等级均为第i类火灾风险等级的样本个数;/>为第a棵决策树的第i类决策火灾风险等级中包含的样本数量。其中/>为第三和值,为第四和值。精确率P可理解为在所有决测为/>的样本中实际为/>的比例,比例越大,精确率越高。
综合火灾风险灵敏度R和精确率P,构建每棵决策树的火灾风险调和平均值,表达式为:
式中,为第a棵决策树的火灾风险调和平均值,/>为第a棵决策树的火灾风险灵敏度,/>为第a棵决策树的精确率,/>为权重因子,需要说明的是,/>的值实施者可自行设定,本实施例将/>的值设定为2。火灾风险的调和平均值综合考虑了决策树的预测准确性和覆盖程度。若直接使用灵敏度作为衡量决策树模型的依据,由于在数据集样本中低火灾风险的样本远大于中高火灾风险的样本数量,只要一个决策树模型一直预测低风险火灾,其准确率大概率是较高的,即使预测错误少数几个中高火灾风险的样本也不会对准确率有较大的影响。
混淆矩阵是用于评估分类模型性能的矩阵,对分类结果做出了详细的总结。一颗决策树就是一个分类模型。将搜集的个样本数据交给决策树进行分类,与/>个样本数据的真实火灾风险等级相对照,构建每棵决策树的混淆矩阵/>,表达式为:
式中,为第a棵决策树的混淆矩阵,混淆矩阵是一个/>的方形矩阵,在本实施例中将火灾风险分为低中高三类,因此/>;其中/>表示实际火灾风险等级为b但被该决策树决策为c火灾风险等级的样本个数,例如/>为实际火灾风险等级为低风险但被该决策树分到了中火灾风险等级的样本个数。
显然在混淆矩阵中,矩阵左对角线的数字(即之和)越大,代表识别结果越准确。根据每棵决策树的混淆矩阵构建每棵决策树的火灾风险混淆误差/>,表达式为:
式中,为第a棵决策树的火灾风险混淆误差,/>为实际与决策火灾风险等级均为i的样本个数,/>为实际火灾风险等级为j、决策火灾风险等级为i的样本个数,/>为实际火灾风险等级为i、决策火灾风险等级为j的样本个数;/>为以e为底的对数函数。是混淆矩阵中左对角线元素之和,/>为左下角/>的和,/>为右上角矩阵元素之和。如图2所示。
在预测结果中,显然希望预测正确的样本个数越多越好,即越大越好。火灾关乎到人身安全,事关重大,可以接受将低风险火灾预测为中高风险的错误预测,防患于未然(混淆矩阵右上角),使用ln减小该部分的数值。但将中高火灾风险预测为低风险的错误分类是难以接受的(混淆矩阵左下角,表示将较高的火灾风险样本预测为较低的火灾风险),相当于忽略了潜在的危险信号。因此混淆矩阵中左下角(图中三角区域内的数值)数值之和越小越好。整体而言,/>越小,第a棵决策树将高风险样本误分类为低风险的情况越少。
通过每棵决策树的混淆矩阵绘制各决策树的受试者工作特征曲线(曲线),并获取/>曲线下面积,其中/>曲线绘制为公知技术,具体过程不再赘述,将第a棵决策树的/>曲线下面积用/>表示。结合上述构建的火灾风险混淆误差/>和火灾风险调和平均值/>,构建每棵决策树的火灾风险泛化值/>,表达式为:
式中,为第a决策树的火灾风险泛化值,/>为第a棵决策树的火灾风险调和平均值,/>为第a棵决策树的/>曲线下面积,/>为第a棵决策树的火灾风险混淆误差,/>为一个很小的常数,/>的值实施者可自行设定,本实施例将/>的值设定为0.01,目的是防止分母为0。/>曲线下面积越大、代表决策树的分类结果越好。一颗决策树的分类效果越好,其和/>均增大,将高风险样本错误分类的概率越小;/>越小,决策树将高风险样本误分类为低风险的情况越少,决策树的火灾风险泛化值越大。
泛化函数越大,表示越能准确的分类未见过的数据,且保证尽量减小将较高的火灾风险预测为较小火灾风险的概率,泛化能力越强。
遍历第a棵决策树中的所有内部节点(所谓内部节点解释为:非根节点且非叶子节点)。通过每棵决策树的火灾风险泛化值的获取方法,依次计算各决策树的去除某个内部节点后的该决策树的火灾风险泛化值,来分析该决策树此时的泛化能力。若泛化能力增加,表示该内部节点的存在对最终分类结果的判断有负面影响。构建每棵决策树内部节点的剪枝系数,表达式为:
式中,为第a棵决策树中第d个内部节点的剪枝系数,/>为第a棵决策树去除第d个内部节点后该决策树的火灾风险泛化值,/>为第a棵决策树未去除内部节点时的火灾风险泛化值。若/>大于0,代表将第/>颗决策树的第/>个内部节点去除后,有助于提高该决策树对火灾风险的预测能力。因此遍历随机森林中的所有决策树的所有内部节点,计算每个内部节点的剪枝系数,之后删除所有剪枝系数大于0的内部节点,完成决策树的剪枝。
获取所有剪枝完成后的决策树组成的随机森林;通过随机森林对最新月份的每个房间的火灾风险等级进行预测得到每个房间的火灾风险等级的预测值;获取房间内防火材料的实时电阻值;通过实时测量得到的房间内防火材料的电阻值进一步修正火灾情况。设实时测量得到的电阻值为。据此构建每个房间的火灾风险/>,表达式为:
式中,为房间q的火灾风险,/>为通过随机森林得到的房间q的火灾风险等级的预测值,/>为以e为底的对数函数,x为房间q内实时测得的防火材料的电阻值,r为防火材料在常温下的电阻值。火灾风险等级越高,火灾隐患越大;当发生火灾时,房间内温度升高,电阻变大,火灾风险/>增加。
预警模块103,通过各房间的火灾风险构建建筑物火灾风险模型。
将建筑内各房间的火灾风险数据上传至云服务器,在服务器端,根据不同房间的火灾风险值,在建筑物的火灾风险模型中绘制不同的颜色,来表示建筑物的火灾风险,某房间的/>值越大,绘制的红色越深,表示越有可能发生火灾。用户通过微信小程序等方式访问服务器来实时查看建筑内的火灾风险情况。
综上所述,本发明实施例通过随机森林结合物联网进行建筑物火灾风险预测,首先将建筑物内每个房间每月的火灾历史特征数据作为各样本数据;根据各样本的火灾发生次数、火灾持续时间得到各样本的火灾风险分数;根据所有样本的火灾风险分数的分布区间得到各类火灾风险等级,火灾风险等级量化了火灾的大小;通过对样本数据进行抽样得到每个抽样数据集,其中由于火灾风险数据集样本不平衡的特点,赋予高火灾风险特征的数据较大的权重,提高模型对高火灾风险数据的重视程度;结合CART算法得到各决策树;根据各决策树对各样本数据的决策结果分析各决策树的火灾灵敏度及精确率,从而构建各决策树的火灾风险泛化值,根据各决策树的内部节点对火灾风险泛化值的影响,分析各内部节点对决策树泛化能力的影响,并对决策树进行后剪枝,有效提高了算法模型的准确度,减小了随机森林的分类误差,提高了建筑内房间火灾风险评估准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.基于物联网的智慧建筑火灾风险可视化评估管理系统,其特征在于,所述系统包括:
数据采集模块:采集建筑各房间每月历史特征作为各样本数据,历史特征包括房间各月火灾发生次数、火灾持续时间、室外平均温度、消防检查的违规次数、耗电情况、建筑已使用年限及房间的使用类型、房间面积、是否存在易燃物;
数据处理模块:根据各样本的火灾发生次数及火灾持续时间得到各样本的火灾风险等级,作为实际火灾风险等级;通过随机森林算法及各样本数据得到每个样本的各决策树的决策火灾风险等级;根据实际以及决策火灾风险等级得到各决策树的火灾灵敏度及精确率;根据火灾风险灵敏度及精确率得到各决策树的火灾风险调和平均值;根据各决策树的决策结果得到各决策树的混淆矩阵;根据各混淆矩阵得到各决策树的火灾风险混淆误差;根据火灾风险调和平均值及火灾风险混淆误差得到各决策树的火灾风险泛化值;将各决策树内除根节点与叶子节点外的其他节点作为各决策树的内部节点;根据各决策树的火灾风险泛化值得到各决策树每个内部节点的剪枝系数;根据剪枝系数得到各房间的火灾风险;
预警模块:通过各房间的火灾风险构建建筑物火灾风险模型,其中各房间火灾风险与建筑物火灾风险模型中对应区域红色深度成正相关关系。
2.根据权利要求1所述的基于物联网的智慧建筑火灾风险可视化评估管理系统,其特征在于,所述根据各样本的火灾发生次数及火灾持续时间得到各样本的火灾风险等级,具体为:
将各样本的火灾发生次数与火灾持续时间的乘积作为各样本的火灾风险分数;将火灾风险分数最小值与最大值之间的数值区间等分成3个区间;将各区间作为各火灾风险等级,分别量化为1、2、3;其中低火灾风险等级量化值为1,中火灾风险等级量化值为2,高火灾风险等级量化值为3;
通过各样本的火灾风险分数所处区间得到各样本的火灾风险等级。
3.根据权利要求1所述的基于物联网的智慧建筑火灾风险可视化评估管理系统,其特征在于,所述通过随机森林算法及各样本数据得到每个样本的各决策树的决策火灾风险等级,具体为:
通过随机森林算法获取样本数据的各次抽样的数据集合作为各抽样数据集,其中各抽样数据集至少包含一个中、高火灾风险样本;通过CART算法得到各抽样数据集的决策树;
对于各决策树,将通过决策树得到的火灾风险等级作为样本的决策火灾风险等级。
4.根据权利要求1所述的基于物联网的智慧建筑火灾风险可视化评估管理系统,其特征在于,所述根据实际以及决策火灾风险等级得到各决策树的火灾灵敏度及精确率,具体包括:
统计各类实际火灾风险等级中样本数量,记为第一数量;对于各决策树,统计各类决策火灾风险等级中样本数量,记为第二数量;统计各类火灾风险等级中,实际与决策火灾风险等级相同的样本个数;计算以自然常数为底数、以各火灾风险等级的相反数为指数的指数函数的计算结果;将所述计算结果的相反数作为各火灾风险等级的决策权重;
计算各类火灾风险等级的第一数量与对应火灾风险等级决策权重的乘积;计算所有所述乘积的和值,记为第一和值;计算各类火灾风险等级的所述样本个数与对应火灾风险等级决策权重的乘积,记为第一乘积;计算所有第一乘积的和值,记为第二和值;将第二和值与第一和值的比值作为决策树的火灾风险灵敏度;
计算所有火灾风险等级的所述样本个数的和值,记为第三和值;计算所有火灾风险等级的第二数量的和值,记为第四和值;将第三和值与第四和值的比值作为决策树的火灾精确率。
5.根据权利要求1所述的基于物联网的智慧建筑火灾风险可视化评估管理系统,其特征在于,所述根据火灾风险灵敏度及精确率得到各决策树的火灾风险调和平均值,具体包括:
分别计算各决策树的火灾风险灵敏度与精确度的乘积、和值;计算所述乘积与所述和值的比值;将所述比值作为各决策树的火灾风险调和平均值。
6.根据权利要求1所述的基于物联网的智慧建筑火灾风险可视化评估管理系统,其特征在于,所述根据各决策树的决策结果得到各决策树的混淆矩阵,具体为:
对于各决策树,将实际火灾风险等级为b但被决策树决策为c火灾风险等级的样本个数作为决策树混淆矩阵的第b行、第c列的元素值,获取各元素值构建决策树的混淆矩阵。
7.根据权利要求1所述的基于物联网的智慧建筑火灾风险可视化评估管理系统,其特征在于,所述根据各混淆矩阵得到各决策树的火灾风险混淆误差,表达式为:
式中,为第a棵决策树的火灾风险混淆误差,/>为实际与决策火灾风险等级均为i的样本个数,/>为实际火灾风险等级为j、决策火灾风险等级为i的样本个数,/>为实际火灾风险等级为i、决策火灾风险等级为j的样本个数,/>为以e为底的对数函数,k为火灾风险等级数。
8.根据权利要求1所述的基于物联网的智慧建筑火灾风险可视化评估管理系统,其特征在于,所述根据火灾风险调和平均值及火灾风险混淆误差得到各决策树的火灾风险泛化值,具体包括:
通过各决策树的混淆矩阵获取各决策树的受试者工作特征曲线下面积;计算所述面积与各决策树的火灾风险调和平均值的乘积;计算所述乘积与各决策树的火灾风险混淆误差的比值;将所述比值作为各决策树的火灾风险泛化值。
9.根据权利要求1所述的基于物联网的智慧建筑火灾风险可视化评估管理系统,其特征在于,所述根据各决策树的火灾风险泛化值得到各决策树每个内部节点的剪枝系数,具体包括:
对于各决策树,通过火灾风险泛化值的计算方式获取去掉各内部节点后决策树的火灾风险泛化值;计算去掉各内部节点后与未去掉前的决策树的火灾风险泛化值之间的差值;将所述差值作为决策树的各内部节点的剪枝系数。
10.根据权利要求1所述的基于物联网的智慧建筑火灾风险可视化评估管理系统,其特征在于,所述根据剪枝系数得到各房间的火灾风险,具体包括:
将各决策树内剪枝系数大于0的内部节点剪除得到各剪枝后的决策树;获取所有剪枝完成后的决策树组成的随机森林;通过随机森林结合最新月份各房间的各类特征数据进行预测得到最新月份各房间的火灾风险等级的预测值;计算以自然常数为底数、所述预测值的对数的计算结果;计算各房间内防火材料的检测得到的实时电阻值与常温下防火材料电阻值的差值;计算所述计算结果与所述差值的乘积;将所述乘积作为各房间的火灾风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038489.5A CN117557409B (zh) | 2024-01-11 | 2024-01-11 | 基于物联网的智慧建筑火灾风险可视化评估管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038489.5A CN117557409B (zh) | 2024-01-11 | 2024-01-11 | 基于物联网的智慧建筑火灾风险可视化评估管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557409A true CN117557409A (zh) | 2024-02-13 |
CN117557409B CN117557409B (zh) | 2024-03-26 |
Family
ID=89813187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410038489.5A Active CN117557409B (zh) | 2024-01-11 | 2024-01-11 | 基于物联网的智慧建筑火灾风险可视化评估管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557409B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118097922A (zh) * | 2024-04-26 | 2024-05-28 | 浙江省森林资源监测中心(浙江省林业调查规划设计院) | 一种基于数据采集分析的农林区域火灾智能化预警系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015062209A1 (zh) * | 2013-10-29 | 2015-05-07 | 华为技术有限公司 | 随机森林分类模型的可视化优化处理方法及装置 |
CN112529327A (zh) * | 2020-12-21 | 2021-03-19 | 北京建筑大学 | 一种用于构建商业地区建筑火灾风险预测等级模型的方法 |
CN113379267A (zh) * | 2021-06-21 | 2021-09-10 | 重庆大学 | 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 |
CN113762805A (zh) * | 2021-09-23 | 2021-12-07 | 国网湖南省电力有限公司 | 一种应用于输电线路的山林火灾预警方法 |
CN113901705A (zh) * | 2021-09-07 | 2022-01-07 | 广州市城市规划勘测设计研究院 | 一种火灾风险评估方法、装置、终端设备及存储介质 |
KR20220076066A (ko) * | 2020-11-30 | 2022-06-08 | 주식회사 업데이터 | Ai 건물화재 위험도 모델 활용 화재보험 비대면 역경매 서비스 시스템 및 방법 |
CN117333011A (zh) * | 2023-10-08 | 2024-01-02 | 城安盛邦(北京)网络科技股份有限公司 | 一种火灾风险评估方法、装置、设备及介质 |
-
2024
- 2024-01-11 CN CN202410038489.5A patent/CN117557409B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015062209A1 (zh) * | 2013-10-29 | 2015-05-07 | 华为技术有限公司 | 随机森林分类模型的可视化优化处理方法及装置 |
KR20220076066A (ko) * | 2020-11-30 | 2022-06-08 | 주식회사 업데이터 | Ai 건물화재 위험도 모델 활용 화재보험 비대면 역경매 서비스 시스템 및 방법 |
CN112529327A (zh) * | 2020-12-21 | 2021-03-19 | 北京建筑大学 | 一种用于构建商业地区建筑火灾风险预测等级模型的方法 |
CN113379267A (zh) * | 2021-06-21 | 2021-09-10 | 重庆大学 | 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 |
CN113901705A (zh) * | 2021-09-07 | 2022-01-07 | 广州市城市规划勘测设计研究院 | 一种火灾风险评估方法、装置、终端设备及存储介质 |
CN113762805A (zh) * | 2021-09-23 | 2021-12-07 | 国网湖南省电力有限公司 | 一种应用于输电线路的山林火灾预警方法 |
CN117333011A (zh) * | 2023-10-08 | 2024-01-02 | 城安盛邦(北京)网络科技股份有限公司 | 一种火灾风险评估方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
张家伟;郭林明;杨晓梅;: "针对不平衡数据的过采样和随机森林改进算法", 计算机工程与应用, no. 11, 31 December 2020 (2020-12-31) * |
李斌;陈爱斌;周涛;张雷;: "基于改进C4.5算法的森林火险天气等级评估", 湖南林业科技, no. 01, 15 February 2018 (2018-02-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118097922A (zh) * | 2024-04-26 | 2024-05-28 | 浙江省森林资源监测中心(浙江省林业调查规划设计院) | 一种基于数据采集分析的农林区域火灾智能化预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117557409B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117557409B (zh) | 基于物联网的智慧建筑火灾风险可视化评估管理系统 | |
CN112053756B (zh) | 基于临床标本检验数据的检验结果质量评价方法及系统 | |
CN110796284A (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
CN112132233A (zh) | 一种基于有效影响因子的服刑人员危险行为预测方法及系统 | |
CN106952159A (zh) | 一种不动产抵押品风险控制方法、系统及存储介质 | |
CN113298373A (zh) | 一种金融风险评估方法、装置、存储介质和设备 | |
CN108875118B (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
CN114220540A (zh) | 一种糖尿病肾病风险预测模型的构建方法及应用 | |
CN113177839A (zh) | 一种信用风险评估方法、装置、存储介质和设备 | |
CN112957021B (zh) | 一种心率健康预警系统及实现方法 | |
CN112184415A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN110928752A (zh) | 空管台站健康度评估方法、装置及设备 | |
CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
CN115153549A (zh) | 一种基于bp神经网络的人机交互界面认知负荷预测方法 | |
CN114936204A (zh) | 一种特征筛选方法、装置、存储介质及电子设备 | |
CN113807587A (zh) | 一种基于多梯核深度神经网络模型积分预警方法以及系统 | |
CN113111918A (zh) | 基于异常样本检测和多维信息输出的脑卒中风险筛查方法 | |
CN116189896B (zh) | 一种基于云端的糖尿病健康数据预警方法及系统 | |
CN117874654B (zh) | 基于随机森林算法的风险监控方法及系统 | |
CN117857202B (zh) | 一种信息系统的多维度安全评估方法 | |
CN116523659B (zh) | 一种具备实时提醒的金融数据风险监控平台 | |
CN112733897B (zh) | 确定多维样本数据的异常原因的方法和设备 | |
CN117171478B (zh) | 一种医学检测数据误差识别模型构建方法与装置 | |
CN116992363A (zh) | 一种季节性野火易发性评价方法 | |
CN115526386A (zh) | 一种个体工商户生存分析方法 |
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 |