劉洪太 郭云霞 趙剛 薛彥宇

摘 要：近年來，火災(zāi)事故在我國頻頻發(fā)生，對環(huán)境和經(jīng)濟(jì)造成了巨大的影響和損失，消防應(yīng)急決策能力及決策的精確性越來越受到重視。在對火災(zāi)預(yù)測方面，組合模型較單一模型能夠更加全面準(zhǔn)確地描述火災(zāi)的變化規(guī)律。然而，組合模型中模型權(quán)重的確定主觀性太強(qiáng)，影響預(yù)測結(jié)果的準(zhǔn)確性。針對上述問題，該文提出了一種基于模糊自適應(yīng)變權(quán)重的組合預(yù)測模型，來預(yù)測火災(zāi)事故帶來的影響以及可啟動的應(yīng)急預(yù)案等。最后，該文對提出的模型進(jìn)行了模擬應(yīng)用，預(yù)測結(jié)果準(zhǔn)確，表明該模型能夠很好地應(yīng)用于消防應(yīng)急決策，具有較高的決策價值。

關(guān)鍵詞：火災(zāi)；模糊自適應(yīng)；變權(quán)重；組合模型；消防應(yīng)急決策

中圖分類號：TD76 文獻(xiàn)標(biāo)志碼：A

近幾年，我國頻發(fā)火災(zāi)事故，火災(zāi)事故不僅給國家和企業(yè)帶來了財(cái)產(chǎn)、人身、生態(tài)環(huán)境上的巨大損失，甚至還會使社會動蕩，影響社會秩序、生產(chǎn)秩序、工作秩序等。一旦火災(zāi)事故發(fā)生，決策者需要及時果斷地做出科學(xué)、合理的決策，啟動相應(yīng)的應(yīng)急預(yù)案，最大限度地降低火災(zāi)造成的危害。目前，大數(shù)據(jù)技術(shù)及預(yù)測模型在火災(zāi)預(yù)測中得到了廣泛的應(yīng)用， 然而，大多數(shù)的研究都是基于單一的預(yù)測模型進(jìn)行火災(zāi)預(yù)測，雖然一些學(xué)者也嘗試使用組合模型對火災(zāi)進(jìn)行預(yù)測，但是組合模型中模型權(quán)重的確定主觀性太強(qiáng)，缺少科學(xué)的方法，導(dǎo)致預(yù)測結(jié)果不準(zhǔn)確。

針對上述問題，該文提出了一種基于模糊自適應(yīng)變權(quán)重的組合預(yù)測模型來預(yù)測火災(zāi)事故造成的損失如直接財(cái)產(chǎn)損失等。根據(jù)預(yù)測結(jié)果，應(yīng)急決策者能夠相對準(zhǔn)確及時地了解火災(zāi)事故的整體情況和可能造成的影響，快速啟動應(yīng)急預(yù)案，極大地減少因啟動預(yù)案延遲帶來的危害。

1 模糊自適應(yīng)變權(quán)重方法

該文使用模糊自適應(yīng)算法控制組合模型中的權(quán)重變化。對于一個組合預(yù)測模型來說，假定有n（n>2）種單一預(yù)測模型，每種預(yù)測模型都有各自的預(yù)測效果。組合模型的模糊控制因素包括在第i時刻第j種模型的誤差ej（i）和被預(yù)測對象在第i時刻的真實(shí)值相對于前面k個時刻的真實(shí)值的算術(shù)平均值的改變量cj（i），ej（i）和cj（i）的表達(dá)式分別為（1）和（2）。

1.1 模糊控制器

相對誤差ej（i）的模糊控制過程如下：

首先，將一連續(xù)區(qū)域[-1，1]分割成小的碎片，每一個碎片為一個不連續(xù)的點(diǎn)，使ej（i）在[-1，1]區(qū)間內(nèi)變化，就得到了關(guān)于ej（i）的不連續(xù)區(qū)域X，稱X為ej（i）的離散論域。使用Ak（k=1，2，…，5）來標(biāo)示相對誤差的語義變量，這個離散域?qū)⒈环譃?個語義值，見表1。

將E視為在i時刻第j個預(yù)測模型的預(yù)測值和在i時刻的真實(shí)值之間的誤差，用C來表示在i時刻第j個預(yù)測模型的預(yù)測值相對于在i時刻的真實(shí)值的變化率，k'j（i）表示在i時刻第j個預(yù)測模型的預(yù)測值相對于在i時刻的真實(shí)值的模糊權(quán)重。這樣，就能建立一個模糊控制規(guī)則，如下：

1.2 基于模糊自適應(yīng)變權(quán)重的組合模型

在組合模型中，如果在i時刻的實(shí)際值y（i）通過k個歷史數(shù)據(jù)，從i-k時刻到i-1時刻內(nèi)的值，y（i-k），y（i-k+1），…，y（i-1）被預(yù)測出來，相對于相對誤差ej（i）和灰色趨勢變量cj（i）的灰色基本權(quán)重r（ej（i））和S（c'j（i））的表達(dá)式分別為（4）和（5）。

自適應(yīng)控制系數(shù)βi的公式如（7）所示。

此外，進(jìn)行歸一化后，在i時刻，第j種預(yù)測模型的自適應(yīng)變權(quán)重kj（i）可以通過公式（8）得到。

公式（9）表示了在時刻i之前的所有時刻點(diǎn)數(shù)據(jù)對組合模型自適應(yīng)變權(quán)重全面、平均的影響。并且使用模糊自適應(yīng)變權(quán)重的方式對模型進(jìn)行組合，能夠使得個模型的權(quán)重較其他組合方法分布更合理。

當(dāng)通過歸一化Kj（i）得到在i時刻、第j種預(yù)測模型的自適應(yīng)變權(quán)重后，結(jié)合各模型模糊自適應(yīng)變權(quán)重Kj（i）和預(yù)測值fj（i），得到在i時刻的預(yù)測值，通過（9）得到：

等式（9）中，充分表明了關(guān)于模糊權(quán)重的模糊推理規(guī)則，這在模糊推理的定義過程中阻止跳躍現(xiàn)象是非常有效的。因此，這種量化方法將歸一化模糊自適應(yīng)變權(quán)重Kj（i）作為一個修正因子是相當(dāng)合理和可行的。

2 基于模糊自適應(yīng)變權(quán)重組合預(yù)測模型在消防應(yīng)急決策中的模擬應(yīng)用

2.1 模型數(shù)據(jù)選取

由于支持向量機(jī)回歸（SVMR）和徑向基函數(shù) （RBF） 神經(jīng)網(wǎng)絡(luò)具有良好的非線性預(yù)測控制效果，模擬應(yīng)用中使用這2種預(yù)測模型作為單一模型進(jìn)行組合預(yù)測，實(shí)驗(yàn)將得出SVMR和RBF神經(jīng)網(wǎng)絡(luò)單一模型預(yù)測結(jié)果以及兩者組合模型預(yù)測結(jié)果，并進(jìn)行對比。

2.2 模型數(shù)據(jù)選取

在模擬應(yīng)用中，以某應(yīng)急管理系統(tǒng)中的火災(zāi)數(shù)據(jù)為基礎(chǔ)，模擬應(yīng)用中共抽取了1 000條真實(shí)火災(zāi)記錄以及100次演練記錄作為模擬數(shù)據(jù)，以數(shù)據(jù)集中前800條真實(shí)火災(zāi)事故數(shù)據(jù)和前90條演練火災(zāi)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)；以數(shù)據(jù)集中后195條真實(shí)火災(zāi)事故數(shù)據(jù)和后10條演練火災(zāi)數(shù)據(jù)作為驗(yàn)證模型；以數(shù)據(jù)集中最后5條真實(shí)火災(zāi)事故數(shù)據(jù)作為測試模型，用來驗(yàn)證模型的預(yù)測性能。該文選取火災(zāi)直接財(cái)產(chǎn)損失為預(yù)測對象進(jìn)行模擬應(yīng)用。

2.3 模型權(quán)重參數(shù)

實(shí)驗(yàn)中模糊自適應(yīng)變權(quán)重方法灰色關(guān)系程度的分辨率δ取0.5，自適應(yīng)控制系數(shù)βi計(jì)算公式中，取N=0.5。

2.4 應(yīng)用效果

該文對模型預(yù)測精確性做了評估，選用平均絕對百分比誤差（MAPE）作為預(yù)測結(jié)果評判標(biāo)準(zhǔn)：

表2為使用基于模糊自適應(yīng)變權(quán)重組合預(yù)測模型與SVMr預(yù)測模型、RBF神經(jīng)網(wǎng)絡(luò)、固定權(quán)重組合模型預(yù)測最后10條真實(shí)火災(zāi)直接財(cái)產(chǎn)損失結(jié)果表。

表3為表2中各模型預(yù)測性能表，評判標(biāo)準(zhǔn)MAPE。

3.4 應(yīng)用效果分析

本模擬應(yīng)用中使用不同的預(yù)測模型對應(yīng)急系統(tǒng)中的火災(zāi)財(cái)產(chǎn)損失分別進(jìn)行了預(yù)測，從3.3節(jié)中的各模型對火災(zāi)直接財(cái)產(chǎn)損失的預(yù)測值可以看出，該文提出的基于模糊自適應(yīng)變權(quán)重組合預(yù)測模型的預(yù)測相對誤差在所有模型中是最小的，雖然在極少的個別點(diǎn)上會偏大一些，但是不影響其整體性能；客觀的，從評判標(biāo)準(zhǔn)來看，該文使用的模糊自適應(yīng)變權(quán)重組合模型代表的MAPE均小于其他模型，說明該文使用的模糊自適應(yīng)變權(quán)重組合預(yù)測模型比其他模型預(yù)測性能要好。

4 結(jié)論

該文提出了將基于模糊自適應(yīng)變權(quán)重的組合預(yù)測模型應(yīng)用于消防應(yīng)急決策，并在最后以實(shí)際的應(yīng)急系統(tǒng)進(jìn)行模擬應(yīng)用，預(yù)測效果明顯，證明了基于模糊自適應(yīng)變權(quán)重的組合預(yù)測模型能夠很好地利用火災(zāi)情景數(shù)據(jù)，并獲得精確的預(yù)測效果，可以為消防應(yīng)急決策提供強(qiáng)有力的決策支持，值得推廣。

參考文獻(xiàn)

[1]傅智敏.我國火災(zāi)統(tǒng)計(jì)數(shù)據(jù)分析[J].安全與環(huán)境學(xué)報，2014，14（6）：341-345.

[2]張芳.消防大數(shù)據(jù)平臺的建設(shè)[J].電子技術(shù)與軟件工程，2017（7）：174.

[3]趙偉，馬凱.基于灰色預(yù)測GM（1，1）模型的火災(zāi)損失預(yù)測[J].消防科學(xué)與技術(shù)，2013，32（3）：324-327.

[4]吳秋平.基于神經(jīng)網(wǎng)絡(luò)的森林火災(zāi)預(yù)報系統(tǒng)[J].信息化建設(shè)，2016（2）：26-27.

[5]張迎輝.模糊神經(jīng)網(wǎng)絡(luò)在礦井帶式輸送機(jī)火災(zāi)探測中的應(yīng)用[J].煤礦機(jī)械，2009，30（8）：182-184.

[6]伍愛友，施式亮，王從陸.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的城市火災(zāi)風(fēng)險評價模型[J].中國安全科學(xué)學(xué)報，2006（11）：108-113.

[7]袁朋偉，宋守信，董曉慶.基于灰色神經(jīng)網(wǎng)絡(luò)優(yōu)化組合模型的火災(zāi)預(yù)測研究[J].中國安全生產(chǎn)科學(xué)技術(shù)，2014，10（3）：119-124.

[8]唐小我，王景，曹長修.一種新的模糊自適應(yīng)變權(quán)重組合預(yù)測算法[J].電子科技大學(xué)學(xué)報，1997（3）：66-69.

[9]張曉輝，常淑惠，張璠，等.支持向量機(jī)的基本理論與應(yīng)用[J].科技經(jīng)濟(jì)導(dǎo)刊，2017（5）：32，17.

[10]衛(wèi)敏，余樂安.具有最優(yōu)學(xué)習(xí)率的RBF神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[J].管理科學(xué)學(xué)報，2012，15（4）：50-57.