龔瑞昆 曹一凡

摘 要：為了對(duì)樓宇內(nèi)的消防供水節(jié)點(diǎn)的壓力值進(jìn)行預(yù)測(cè)并達(dá)到較高的精準(zhǔn)度，提出運(yùn)用果蠅優(yōu)化算法和適用于預(yù)測(cè)時(shí)間變化序列的模型ARMA相結(jié)合的方法，使得對(duì)消防系統(tǒng)的水壓預(yù)測(cè)更為精確。該方法以ARMA為基礎(chǔ)建立預(yù)測(cè)模型，通過果蠅優(yōu)化算法對(duì)ARMA的模型階數(shù)進(jìn)行優(yōu)化，提高整體消系統(tǒng)部署的應(yīng)急精準(zhǔn)性，并且通過不同模型的預(yù)測(cè)結(jié)果對(duì)比可知，初始模型的預(yù)測(cè)相對(duì)誤差為4.38%，改進(jìn)后模型的預(yù)測(cè)相對(duì)誤差為3.11%，說明運(yùn)用此改進(jìn)方法能有效地提高樓宇水壓預(yù)測(cè)的精準(zhǔn)度。

關(guān)鍵詞：果蠅優(yōu)化算法;ARMA模型;水壓預(yù)測(cè);優(yōu)化

由于樓宇內(nèi)的消防水壓監(jiān)測(cè)方面存在著許多缺陷，導(dǎo)致了在相關(guān)消防問題突發(fā)時(shí)，供水節(jié)點(diǎn)無法保障正常的工作水壓，這就延緩了問題處理的及時(shí)性。此外，在日常使用與維護(hù)中，對(duì)于未來時(shí)間節(jié)點(diǎn)水壓的預(yù)測(cè)并未普及，且精準(zhǔn)度欠缺，這就大大降低了樓宇整體系統(tǒng)的智能性，因此，研究并建立高精確度的節(jié)點(diǎn)水壓預(yù)測(cè)模型是具有實(shí)際意義的。

1.ARMA模型的建立

ARMA模型能夠?qū)跁r(shí)間變化的一系列的數(shù)據(jù)進(jìn)行預(yù)測(cè)，符合這一特點(diǎn)的數(shù)據(jù)為時(shí)間序列數(shù)據(jù)，樓宇內(nèi)的節(jié)點(diǎn)檢測(cè)的水壓數(shù)據(jù)集，由于其特性與測(cè)量方法，符合時(shí)間序列的條件，因此能夠被用于模型內(nèi)進(jìn)行數(shù)據(jù)處理。在取得樣本數(shù)據(jù)后，首先需要確定樣本數(shù)據(jù)是否平穩(wěn)，若數(shù)據(jù)平穩(wěn)則直接代用，若數(shù)據(jù)為不平穩(wěn)，可借由MATLAB軟件進(jìn)行差分處理后得到平穩(wěn)可用數(shù)據(jù)。在ARMA模型中，模型的階數(shù)決定了模型的性能，階數(shù)是否接近最優(yōu)直接影響了后續(xù)整體模型的預(yù)測(cè)精準(zhǔn)度，但是大多情況下階數(shù)的確定都是基于AIC準(zhǔn)則或者大量的人為試探，這就導(dǎo)致預(yù)測(cè)效率低，預(yù)測(cè)結(jié)果精準(zhǔn)度不高等問題。因此提出將果蠅優(yōu)化算法的尋優(yōu)結(jié)果帶入到ARMA模型的定階步驟中得到FOA-ARMA模型。

2.果蠅優(yōu)化算法

果蠅算法（FOA）是一種新型的群智能算法，意在的到特定的全局的最優(yōu)目標(biāo)，其開及應(yīng)用靈感來源于自然界果蠅的覓食習(xí)性。果蠅算法的最終結(jié)果是得到種群中最優(yōu)的個(gè)體的所在位置，位置信息更新以及確定有以下步驟完成：

a.首先在算法的初始化過程中，最大迭代次數(shù)、種群數(shù)量、起始濃度值、每只個(gè)體的隨機(jī)位置哦度得到給定值。

b.每只果蠅個(gè)體通過模擬的嗅覺參數(shù)進(jìn)行隨機(jī)方向與隨機(jī)距離的搜索。并根據(jù)式（1）來進(jìn)行位置更新。

randomvalue代表的是每一只果蠅個(gè)體在每一支線的隨機(jī)搜索距離。

c.由于在尋優(yōu)（搜索食物）的過程中并未明確具體坐標(biāo)，因此先根據(jù)歐氏距離公式來大致計(jì)算每只果蠅個(gè)體到原點(diǎn)的距離。歐氏距離表達(dá)式如（2）。

（2），繼而用歐式距離表達(dá)式的倒數(shù)來表示濃度的判別數(shù)值Si，如式（3）。

d.果蠅個(gè)體的“判斷力”通過目標(biāo)函數(shù)實(shí)現(xiàn)，將濃度判別值Si作為變量帶入到目標(biāo)函數(shù)中，通過計(jì)算的到濃度值smelli，表達(dá)式如下，

e.通過對(duì)比群體中每只果蠅個(gè)體的適應(yīng)度值來確定群體中的最優(yōu)位置個(gè)體，如表達(dá)式所示，

f.保存并標(biāo)出最優(yōu)濃度個(gè)體坐標(biāo)，得到其x，y值，群體中其余個(gè)體向?qū)?yīng)位置進(jìn)行尋優(yōu)，

g.重讀執(zhí)行步驟b-f直到循環(huán)次數(shù)達(dá)到設(shè)置的最大迭代次數(shù)，若達(dá)到最大迭代次數(shù)則輸出最優(yōu)個(gè)體位置參數(shù)。

3.優(yōu)化模型參數(shù)

在模型最終的預(yù)測(cè)結(jié)果的精確度上，相對(duì)誤差RE是最佳體現(xiàn)數(shù)值，由于果蠅算法的尋優(yōu)過程是一個(gè)取極小值的過程，因此取F（x）=RE為目標(biāo)函數(shù)即相對(duì)誤差取到最小為優(yōu)。首先設(shè)定最大迭代次數(shù)為，K=100，種群數(shù)量為N=50，初始濃度為0.5并隨機(jī)初始化果蠅個(gè)體的位置，而后經(jīng)上述算法循環(huán)步驟加以仿真后，根據(jù)ARMA模型其他給定參數(shù)，得到果蠅最優(yōu)個(gè)體位置坐標(biāo)可用于模型的最優(yōu)階數(shù)為（25，7）。通過用改進(jìn)后的模型對(duì)未來時(shí)間內(nèi)100條水壓數(shù)據(jù)進(jìn)行預(yù)測(cè)并與AIC準(zhǔn)則一起和真實(shí)測(cè)量的數(shù)據(jù)進(jìn)行對(duì)比，通過MATLAB仿真得到AIC-ARMA模型預(yù)測(cè)值得相對(duì)誤差為4.38%，基于果蠅算法改進(jìn)的ARMA模型的預(yù)測(cè)相對(duì)誤差為3.11%，預(yù)測(cè)圖如下圖1所示：

4.結(jié)論

基于果蠅優(yōu)化算法與ARMA模型各自的特點(diǎn)，將果蠅優(yōu)化算法的尋優(yōu)過程應(yīng)用在ARMA模型階數(shù)確定的步驟中組成一個(gè)更加完整、精確的模型，使其更加符合安全、即時(shí)的使用環(huán)境，從結(jié)果來看，預(yù)測(cè)值相對(duì)誤差明顯減少，符合研究初衷及目的。

參考文獻(xiàn)

[1]辛本順.一種智慧消防云共性基礎(chǔ)平臺(tái)的建設(shè)[J].消防技術(shù)與產(chǎn)品信息，2017，1（2）：21-24，53.

[2]林天揚(yáng).基于BIM的可視化消防設(shè)備信息監(jiān)管研究[D].北京：北京建筑大學(xué)，2016.

[3]張文泉，李泓澤.極大似然估計(jì)與AIC準(zhǔn)則聯(lián)合建模[J].現(xiàn)代電力，1999（2）：78-82.

[4]李少波，趙輝，張成龍，等.果蠅優(yōu)化算法研究綜述[J].科學(xué)技術(shù)與工程，2018，18（1）：163-171.

[5]屈展，趙鑫，屈伸.引入果蠅優(yōu)化算法的最小二乘支持向量機(jī)交通流量預(yù)測(cè)[J].電子測(cè)量技術(shù)，2018（16）：18-22.

[6]盧志義，聶惟聰，陳麗珍.基于ARMA模型的城市軌道交通客流量預(yù)測(cè)[J].河南科學(xué)，2018，v.36;No.234（5）：12-17.

[7]Baptista M，Sankararaman S，Medeiros I P D，et al.Forecasting fault events for predictive maintenance using data-driven techniques and ARMA modeling[J].Computers & Industrial Engineering，2018，115：41-53.

（作者單位：華北理工大學(xué) 電氣工程學(xué)院）