摘要：本文通過整合氣象數(shù)據(jù)、地理信息、人口經(jīng)濟等多源異構(gòu)數(shù)據(jù)，構(gòu)建了一套基于機器學(xué)習(xí)的火災(zāi)預(yù)測與風(fēng)險評估模型。本文采用XGBoost、Light GBM等多種算法進行對比實驗，結(jié)果表明XGBoost算法在預(yù)測準(zhǔn)確率上表現(xiàn)最優(yōu)，達到91.30%。通過特征重要性分析發(fā)現(xiàn)，日照時間、氣溫、GDP等因素是影響火災(zāi)發(fā)生的關(guān)鍵驅(qū)動因子。基于預(yù)測結(jié)果，利用GIS技術(shù)繪制了區(qū)域火險等級分布圖，為火災(zāi)防控提供了數(shù)據(jù)支撐。

關(guān)鍵詞：大數(shù)據(jù)分析；火災(zāi)預(yù)測；火災(zāi)風(fēng)險評估；XGBoost算法

引言

火災(zāi)預(yù)防與控制一直是公共安全領(lǐng)域的重要課題。隨著大數(shù)據(jù)、人工智能技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動的火災(zāi)預(yù)測模型展現(xiàn)出巨大潛力。傳統(tǒng)的火災(zāi)預(yù)測方法主要依賴單一數(shù)據(jù)源和簡單的統(tǒng)計分析，難以充分刻畫火災(zāi)發(fā)生的復(fù)雜機制。而融合多源異構(gòu)數(shù)據(jù)的機器學(xué)習(xí)方法，能夠更好地捕捉各類影響因素之間的非線性關(guān)系，提高預(yù)測精度。因此，構(gòu)建準(zhǔn)確可靠的火災(zāi)預(yù)測模型，對于指導(dǎo)消防部門科學(xué)部署防控資源、降低火災(zāi)風(fēng)險具有重要意義。

1. 數(shù)據(jù)獲取與預(yù)處理

1.1 數(shù)據(jù)來源

本文以廣東省會城市主城區(qū)為研究范圍，收集了多源異構(gòu)數(shù)據(jù)，主要面向城市火災(zāi)預(yù)測建模需求，時間跨度為2001～2017年。該城市作為典型的大型城市，具有建筑密集、人口聚集、功能復(fù)雜等特征，具有較好的代表性?；馂?zāi)事故數(shù)據(jù)來自消防救援部門的火災(zāi)事故數(shù)據(jù)庫，記錄了火災(zāi)發(fā)生的時空位置、火災(zāi)類型、燃燒物質(zhì)等屬性[1]。氣象數(shù)據(jù)采集自中國國家氣象數(shù)據(jù)網(wǎng)，涵蓋日均溫度、濕度、風(fēng)速、降水量等影響城市火災(zāi)發(fā)生的關(guān)鍵氣象要素[2]。建筑數(shù)據(jù)源自城市規(guī)劃部門，包括建筑密度、建筑年代、建筑類型、建筑高度等屬性信息[3]。用地性質(zhì)數(shù)據(jù)來自土地利用現(xiàn)狀圖，用于表征不同功能區(qū)的空間分布[4]。社會經(jīng)濟數(shù)據(jù)包括1km網(wǎng)格的GDP、人口密度、流動人口等統(tǒng)計指標(biāo)，反映區(qū)域人類活動強度[5]?；A(chǔ)設(shè)施數(shù)據(jù)整合了消防站點、消防栓分布等信息，用于分析消防救援資源可達性與火災(zāi)風(fēng)險的關(guān)系[6]。

1.2 特征工程

針對城市火災(zāi)發(fā)生的復(fù)雜機理，本文構(gòu)建了24個特征因子體系。氣象特征包括日累計降水量、日平均風(fēng)速、日平均氣溫、日平均濕度、日照時間等，這些因素影響建筑物內(nèi)外溫度差異和可燃物狀態(tài)。建筑特征包括建筑密度、建筑年代、建筑高度、建筑結(jié)構(gòu)類型、消防設(shè)施配置等，這些因素直接關(guān)系到火災(zāi)發(fā)生風(fēng)險和蔓延速度。用地功能特征包括居住區(qū)、商業(yè)區(qū)、工業(yè)區(qū)的空間分布。人文社會特征包括常住人口密度、流動人口比例、GDP、月份、節(jié)假日等時空屬性，這些因素反映人類活動強度與火災(zāi)風(fēng)險的關(guān)聯(lián)?；A(chǔ)設(shè)施特征計算了采樣點到消防站、消防栓的響應(yīng)時間，以及消防通道的可達性，用于評估消防救援能力。安全隱患特征包括電氣線路老化程度、燃氣管網(wǎng)分布、危險品倉儲位置、消防違章建筑等，用于識別火災(zāi)隱患點。

1.3 數(shù)據(jù)標(biāo)準(zhǔn)化

為消除不同特征量綱差異對城市火災(zāi)預(yù)測模型的影響，采用了多種標(biāo)準(zhǔn)化方法。連續(xù)型特征如建筑密度、人口密度、氣溫、風(fēng)速等采用最小-最大歸一化，將數(shù)值映射到[0，1]區(qū)間，標(biāo)準(zhǔn)化公式為

式中，xi和x*i分別表示特征歸一化前后的值，max（X）和min（X）分別為樣本中的最大值和最小值。這種轉(zhuǎn)換確保特征對模型的貢獻權(quán)重相對均衡。建筑高度數(shù)據(jù)通過對數(shù)函數(shù)轉(zhuǎn)換log（x），降低高層建筑的極值影響。相對濕度和建筑密度采用比例轉(zhuǎn)換，將百分比轉(zhuǎn)化為0-1范圍之內(nèi)的比例值。分類特征如建筑類型、用地性質(zhì)、消防設(shè)施等級等，采用獨熱編碼轉(zhuǎn)換為數(shù)值型特征。時間特征如月份、節(jié)假日、時段等，采用周期性編碼，保留時間的循環(huán)特性。對于距離類特征（如到消防站、消防栓的距離），考慮到應(yīng)急響應(yīng)的時效性，采用指數(shù)衰減轉(zhuǎn)換，其中d為特征響應(yīng)半徑。為確保數(shù)據(jù)處理的一致性，構(gòu)建了標(biāo)準(zhǔn)化參數(shù)查找表，記錄各特征的轉(zhuǎn)換參數(shù)和閾值。同時，建立了異常值檢測機制，對超出合理范圍的數(shù)據(jù)進行修正[7]。

2. 預(yù)測模型構(gòu)建

2.1 算法選擇與對比

本文針對城市火災(zāi)預(yù)測的復(fù)雜性特點，從主流機器學(xué)習(xí)算法中篩選了五種算法構(gòu)建預(yù)測模型。XGBoost算法通過連續(xù)建樹的方式捕捉城市火災(zāi)發(fā)生的非線性特征，每棵新樹專注于修正此前預(yù)測的偏差，模型結(jié)構(gòu)如圖1所示。該算法在處理高維建筑特征、人文因素時表現(xiàn)出色，能有效降低過擬合風(fēng)險。Light GBM算法采用直方圖加速技術(shù)處理海量火災(zāi)事故記錄，在訓(xùn)練速度和內(nèi)存占用上具有優(yōu)勢，特別適合處理多源異構(gòu)的城市火災(zāi)數(shù)據(jù)。CatBoost算法在處理建筑類型、用地性質(zhì)等分類特征時表現(xiàn)突出，通過對稱決策樹有效整合不同類型的火災(zāi)影響因素。深度神經(jīng)網(wǎng)絡(luò)（deep neural networks，DNN）采用8層網(wǎng)絡(luò)結(jié)構(gòu)，通過多層非線性變換學(xué)習(xí)城市火災(zāi)風(fēng)險的潛在模式，每層使用ReLU激活函數(shù)提高模型表達能力。隨機森林（random forest，RF）算法通過895棵決策樹的投票機制提高預(yù)測穩(wěn)定性，對異常火災(zāi)數(shù)據(jù)具有較強的魯棒性[8]。

2.2 模型參數(shù)優(yōu)化

本文基于Optuna框架實現(xiàn)了模型超參數(shù)的自動優(yōu)化。對基于XGBoost算法的模型，優(yōu)化的關(guān)鍵參數(shù)包括最大樹深度、樹的數(shù)量、學(xué)習(xí)率、正則化參數(shù)（eg_alppha=1.892，reg_lambda=1.418）和分裂閾值。這些參數(shù)的優(yōu)化提高了模型對建筑密度、人口流動等城市特征的學(xué)習(xí)能力?；贚ight GBM算法的模型優(yōu)化了樹深度、葉子數(shù)量、學(xué)習(xí)率等參數(shù)?；贑atBoost算法的模型調(diào)整了迭代次數(shù)、學(xué)習(xí)率和L2正則化系數(shù)?；贒NN的模型優(yōu)化了批次大小、訓(xùn)練輪數(shù)、激活函數(shù)和神經(jīng)元數(shù)量?；赗F算法的模型優(yōu)化了樹的數(shù)量、特征選擇方式和最小分裂樣本數(shù)。通過交叉驗證評估不同參數(shù)組合的性能，Optuna采用貝葉斯優(yōu)化算法自動搜索最優(yōu)參數(shù)配置，顯著提升了模型精度。

2.3 模型評估指標(biāo)

構(gòu)建了多維度的評估體系，包括準(zhǔn)確率（OA）、召回率（R）、精密度（P）、F1值和AUC等指標(biāo)。準(zhǔn)確率計算公式為

式中，TP表示真陽性預(yù)測數(shù)，TN表示真陰性預(yù)測數(shù)，F(xiàn)P表示假陽性預(yù)測數(shù)，F(xiàn)N表示假陰性預(yù)測數(shù)，反映了模型的總體預(yù)測準(zhǔn)確性。召回率衡量正例識別能力，精密度反映預(yù)測結(jié)果的可靠性。F1值為召回率和精密度的調(diào)和平均，計算公式為，綜合評估模型性能。AUC值通過計算ROC曲線下面積評估模型的分類性能。

3. 實驗結(jié)果分析

3.1 模型性能對比

通過五種機器學(xué)習(xí)模型對城市火災(zāi)數(shù)據(jù)進行預(yù)測實驗，結(jié)果顯示各模型性能存在明顯差異。表1展示了模型評估的詳細指標(biāo)。基于XGBoost算法的模型表現(xiàn)最優(yōu)，準(zhǔn)確率達91.30%，召回率為93.51%，精密度為89.68%，F(xiàn)1值為91.56%，AUC值為0.970。基于Light GBM算法的模型次之，各項指標(biāo)均略低于基于XGBoost算法的模型，準(zhǔn)確率為88.71%?；贑atBoost算法、RF算法和DNN的模型的準(zhǔn)確率分別為88.09%、87.14%和83.57%。性能差異主要源于模型對特征的學(xué)習(xí)能力不同，基于XGBoost算法的模型在處理高維特征和捕捉非線性關(guān)系方面具有明顯優(yōu)勢。

3.2 特征重要性分析

利用XGBoost算法的平均降低精度方法，對24個特征因素的重要性進行了定量分析。建筑密度對模型貢獻最大，重要性得分為0.07479，這與其直接影響火災(zāi)蔓延速度和救援難度相關(guān)。人口流動性和消防設(shè)施配備分別以0.05790和0.04102的得分位居第二、三位，反映了人類活動密集度和應(yīng)急響應(yīng)能力對城市火災(zāi)的顯著影響?；A(chǔ)設(shè)施因素如建筑年代（0.03646）、用電負荷（0.02339）、消防栓密度（0.02235）等也顯示出較大的重要性。安全隱患特征如電氣線路老化程度（0.01662）、危險品存儲（0.01515）等對火災(zāi)預(yù)測也有重要貢獻。

3.3 驗證實驗

為檢驗?zāi)Ｐ偷姆夯芰?，本文采?018年的城市火災(zāi)事故數(shù)據(jù)進行獨立驗證。表2展示了各模型在驗證集上的預(yù)測性能?；赬GBoost算法的模型依然表現(xiàn)最佳，總體準(zhǔn)確率達87.81%，其中對火災(zāi)發(fā)生情況的預(yù)測準(zhǔn)確率為82%，對非火災(zāi)情況的預(yù)測準(zhǔn)確率為93%。其優(yōu)異表現(xiàn)尤其體現(xiàn)在對商業(yè)區(qū)和高密度住宅區(qū)火災(zāi)風(fēng)險的準(zhǔn)確預(yù)判上?；贚ight GBM和CatBoost算法的模型的驗證準(zhǔn)確率分別為82.68%和82.30%，在處理混合功能區(qū)的火災(zāi)預(yù)測時表現(xiàn)穩(wěn)定。基于RF算法和DNN的模型表現(xiàn)相對較弱，可能是由于城市火災(zāi)影響因素的高度耦合性導(dǎo)致的。

4. 風(fēng)險評估與應(yīng)用

4.1 風(fēng)險等級劃分

基于XGBoost算法的模型預(yù)測結(jié)果，采用ArcGIS地理信息系統(tǒng)的克里格插值法對城市火災(zāi)風(fēng)險進行空間化處理。將火災(zāi)風(fēng)險劃分為五個等級：Ⅰ級（極低風(fēng)險區(qū)），預(yù)測概率小于0.2；Ⅱ級（低風(fēng)險區(qū)），預(yù)測概率在0.2～0.4之間；Ⅲ級（中風(fēng)險區(qū)），預(yù)測概率在0.4～0.6之間；Ⅳ級（高風(fēng)險區(qū)），預(yù)測概率在0.6～0.8之間；Ⅴ級（極高風(fēng)險區(qū)），預(yù)測概率大于0.8。研究發(fā)現(xiàn)風(fēng)險等級呈現(xiàn)顯著的時空變化，節(jié)假日期間商業(yè)區(qū)和文娛場所的風(fēng)險等級明顯升高，這與人口流動性和活動密度密切相關(guān)。

4.2 空間分布特征

城市火災(zāi)風(fēng)險呈現(xiàn)明顯的空間分異規(guī)律。老城區(qū)分布著大量Ⅳ級和Ⅴ級高風(fēng)險區(qū)，這些地區(qū)不僅建筑密集老化，而且消防通道狹窄，基礎(chǔ)設(shè)施陳舊[9]。商業(yè)中心區(qū)域也存在較多中高風(fēng)險區(qū)域，主要受人流密集和用電負荷大的影響。城鄉(xiāng)接合部的風(fēng)險等級分布較為零散，呈現(xiàn)出顯著的碎片化特征。新建住宅區(qū)和規(guī)劃完善的城區(qū)火災(zāi)風(fēng)險相對較低，主要分布為Ⅰ級和Ⅱ級風(fēng)險區(qū)。

4.3 防控建議

對于老城區(qū)等高風(fēng)險區(qū)域，建議加強消防設(shè)施改造升級，擴展消防通道，優(yōu)化消防栓布局；在商業(yè)繁華區(qū)域，增派消防巡查人員，加強用電安全檢查。對于中等風(fēng)險區(qū)域，重點加強智能監(jiān)測預(yù)警，建立火災(zāi)預(yù)警平臺，實時監(jiān)控火災(zāi)隱患[10]。在低風(fēng)險區(qū)域，以日常巡檢和安全教育為主，增強居民消防意識。同時建議在重點區(qū)域安裝智能消防設(shè)備，建設(shè)智慧消防系統(tǒng)，配備先進的滅火裝備。加強社區(qū)消防網(wǎng)格化管理，建立多部門聯(lián)動機制，提升城市火災(zāi)防控的整體效能。

結(jié)語

通過多源數(shù)據(jù)融合與機器學(xué)習(xí)方法，成功構(gòu)建了一套高精度的火災(zāi)預(yù)測與風(fēng)險評估模型。實驗結(jié)果表明，基于XGBoost算法的預(yù)測模型具有優(yōu)異的性能，不僅能準(zhǔn)確預(yù)測火災(zāi)發(fā)生概率，還能識別關(guān)鍵影響因素。模型為制定差異化防控策略提供了科學(xué)依據(jù)。未來研究將進一步擴展數(shù)據(jù)維度，提升模型的時空預(yù)測能力。

參考文獻：

[1]國家消防救援局.數(shù)說2018年全國火災(zāi)及出警情況[EB/OL].（2020-02-07）[2024-12-20].https：//www.119.gov.cn/gk/sjtj/2022/54.shtml.

[2]廣東氣象.廣東省2017年1月：氣溫顯著偏高，降水顯著偏少，日照偏多[EB/OL].（2017-02-07）[2024-12-20].https：//www.gd121.cn/tq/qhpd/2017/02/97155.shtml.

[3]資源環(huán)境科學(xué)數(shù)據(jù)平臺.中國主要城市建筑底面輪廓和建筑高度空間分布數(shù)據(jù)[EB/OL].https：//www.resdc.cn/data.aspx？DATAID=270.

[4]資源環(huán)境科學(xué)數(shù)據(jù)平臺.中國多時期土地利用遙感監(jiān)測數(shù)據(jù)集[EB/OL].[2024-12-20].https：//www.resdc.cn/DOI/doi.aspx？DOIid=54.

[5]國家統(tǒng)計局.中華人民共和國2017年國民經(jīng)濟和社會發(fā)展統(tǒng)計公報[EB/OL].（2018-02-28）[2024-12-20].https：//www.stats.gov.cn/sj/zxfb/202302/t20230203_1899855.html.

[6]廣東省應(yīng)急管理廳.廣東省各市消防救援支隊地址及聯(lián)系方式[EB/OL].[2024-12-20].http：//yjgl.gd.gov.cn/attachment/0/526/526860/4223420.pdf.

[7]謝筱依，董雷，董志勇，等.基于大數(shù)據(jù)技術(shù)的消防火災(zāi)風(fēng)險分析體系[J].今日消防，2020，5（1）：106-108，110.

[8]陳俊雹.基于機器學(xué)習(xí)的森林火險因子大數(shù)據(jù)的深度約簡機制研究[J].現(xiàn)代信息科技，2020，4（1）：86-87.

[9]朱龍祥，王自法，張昕，等.基于GIS和多種機器學(xué)習(xí)算法的廣東省森林火災(zāi)預(yù)測模型[J].林業(yè)工程學(xué)報，2024，9（3）：159-167.

[10]宋鵬，岳夢奎.基于大數(shù)據(jù)分析的電網(wǎng)火災(zāi)風(fēng)險預(yù)測與防范策略研究[J].消防界（電子版），2024，10（7）：55-57.

作者簡介：張曉珺，碩士研究生，工程師，amber_z_purple@163.com，研究方向：消防監(jiān)督。