基于人工神经网络的城市火灾事故的预测方法

基于人工神经网络的城市火灾事故基于人工神经网络的城市火灾事故 的预测方法的预测方法 1 1 引言引言 现代化城市具有建筑物集中 生产集中 财富集中 人口 集中等特点 一旦发生火灾 热必造成巨大的经济损失和人员 伤亡 甚至会引起社会动荡 特别近年来城市火灾发生呈上升 趋势 给社会造成了不可忽视的损失 1998 年 3 月 22 日 伦 敦金融城中心发生火灾 一幢 44 层高塔楼的 1 5 化为灰烬 2001 年 8 月 27 日 俄罗斯首都莫斯科的奥斯坦基诺电讯发射 塔 世界第二高的电视发射塔 发生火灾 7 人遇难 2002 年 6 月 16 日 位于北京海淀区学院路 20 号的 蓝极速 网吧发 生火灾 造成 25 人死亡 12 人受伤 烧毁建筑 952 烧毁台式 电脑 71 台 因而对火灾发生次数及其分布特性进行准确 有效 地预测 有利于消防部门合理投入人力 物力 优化配置消防 资源 设施等 也有利于消防队伍的科学培训和管理 应用神 经网络预测方法 掌握火灾事故发生次数的规律 成功的预防 火灾的发生 对减少人员伤亡 财产损失 对社会经济发展 对保持社会秩序的稳定 都具有非常重要意义 2 2 bpbp 神经网络模型及其算法步骤神经网络模型及其算法步骤 人工神经网络是基于连接学说构造的智能仿生模型 它是 由大量神经元组成的非线性动力学系统 是由大量的 同时也 是很简单的处理单元 神经元 广泛地相互连接而形成的复杂 网络系统 人工神经网络模拟人的大脑活动 具有极强的非线 性逼近 大规模并行处理 自训练学习 容错能力以及外部环 境的活应能力 由于城市火灾的发生具有很大的突发性 复杂 多样性及非线性 在很大程度上受外界环境的影响 因而利用 神经网络的特点和功能 对城市火灾进行预测预报 更符合火 灾发生的特性 2 1bp 网络模型 bp back propagation 网络是当前应用最为广泛的一种 人工神经网络 有 80 90 的人工神经网络模型是采用 bp 网络 或变形网络 是前向网络的核心部分 标准的 bp 网络模型由 3 个神经元层次组成 如图 1 所示 其最下层称为输入层 中间 层称为隐含层 最上层称为输出层 各层次之间的神经元形成 全互连接 各层次内的神经元之间没有连接 其中输入层 n 个 节点分别对应 n 个输入分量 输入分量 p p1 p2 p3 pn 输出层 m 个节点 其对应 m 个输出分量 t t 1 t 2 t 3 t m 图 1 bp 网络模型 2 2bp 算法步骤 给输入层单元到隐含层单元的连接权值 w ij1 i 1 2 s1 j 1 2 n 隐含层单元到输出层单元连接 权值 w mi2 m 1 2 s2 i 1 2 s1 隐含层阀值单元 b i1 输出层的阀值 b m2 并赋予权值 阀值 1 1 区间的随 机值 2 2 1bp 网络的输入向前传播 1 将样本值 p 输入 通过连接权值 w ij1 送到隐含层 产生隐含层单元的激活值 at1 f1 w ij1p b i1 1 式中 i j 同上 f1 函数为对数 s 形函数 即 f1 x 1 e x 1 2 2 计算输出层单元激活值 am2 f w mi2 at1 b m2 令 c w mi2 at1 b m2 3 式中 f 函数文中取饱和线性函数 2 2 2bp 网络的反向传播 定义误差函数为 输出层的权值变化 同理可得 输出层的权值变化 同理可得 反向传播的一个主要问题是需要较长时间 为了加快网络的学习速度 采用动量 bp 算法 加入动 量系数 修正权值和阀值为 bp 网络的学习算法框图如图 2 所示 图 2 bp 网络算法框图 3 3 bpbp 网络在某城市火灾中的应用网络在某城市火灾中的应用 笔者以某市 1985 2001 年火灾事故数据次数为例 见表 1 说明神经网络预测模型在城市火灾预测中的应用 表 1 某市火灾事故数据 见表 年份 高峰期 春 非高峰期 节 1985 42 335 1986 52 348 1987 56 369 1988 65 463 1989 79 528 1990 71 528 1991 92 616 1992 85 666 1993 112 718 1994 123 871 1995 161 1031 1996 206 1329 1997 235 1679 1998 256 1702 1999 273 1868 2000 335 265 2001 378 2196 1 由于春节期间是火灾的高峰期 根据城市火灾发生时间或季节 采用分时段的方法 即将每 一年分为两个部分进行预测 春节高峰期 非常高峰期 除春节以外 1 12 月 由于在预测中数据处理 较多 以 matlab 中的人工神经网络工具箱为工具编程对城市火灾事故进行预测 2 在 bp 网络模型中 神经元的变化函数是 s 形函数 其函数的特性要求其输入信息节点的数据必须转化为 1 1 之 间的数值 因而必须对原始样本进行数据的初始化 转化为分 布在 1 1 区间范围内的数值 初始化具体方法采用参加训练 的样本各指标原始值与参加训练的样本各指标原始值的最大值 之比 即 pij xij max xij 为初始化后的网络输入数据 xij 为原始数据 max xij 为原始数据的最大 即必须对 1985 1998 年的数据作初始化 3 初始权值的确定 取初始权值为 1 1 之间的随 机数 从而保证神经元的权值能够在 s 形函数变化最大处进行 调节 4 对模型进行修正权值和阀值 然后把 1999 2001 年的 数据作为预测样本 将得到一个预测误差 如果没有达到所要 求的误差值 或者没有达到所要求的训练次数 继续训练 直 到满足预测误差 满足误差后 得到最优权重和阀值 5 期望误差值是通过不同期望误差的网络的对比训练来 选取的 如果选取较小的期望误差值要通过增加隐含层的节点 数和训练的时间 笔者经过多次训练比较 选取期望误差为 0 001 最大训练步数为 20000 学习率为 0 01 动量系数为 0 1 按照误差要求 多次筛选 得到最优的 bp 神经网络结构 高峰期的网络结构为 7 7 1 非高峰期的网络结构为 6 6 1 同时得到最优权值和阈值距阵 此时可以对 1999 2001 年火 灾事故进行预测 其结果及误差分析如表 2 所示 表 2 1999 2001 年预测值与实际值结果及误差分析 见表 高峰期 非高峰期 年份 实际 值 预测 值 误差 实际 值 预测 值 误差 1999 273 272 0 35 1868 1861 0 37 2000 335 338 0 88 2065 2052 0 62 2001 378 379 0 27 2196 2203 0 32 6 从上表可以看出误差结果最大误差不超过 0 88 预测的精度较高 能够满足实际需要 因 此 可以预测未来 3 年的火灾事故 其结果如表 3 所示 表 3 2002 2004 年预测结果 见表 份 高峰期预测值 非高峰期预 测值 404 2330 2002 2003 398 2417 2004 426 2463 4 4 结论结论 1 预测城市未来火灾事故的发生次数是一项复杂的工作 笔者根据神经网络的特点 将其用于城市火灾的预测 科学的 预测火灾事故发生的趋势 有利于防灾基础资源配置和城市应 急安全预案的科学制订 2 神经网络预测方法具有极强的非线性逼近 大规模并 行处理 自训练学习 容错能以及对外界环境的适应能力 很 好