基于动态递归神经网络洪水灾害损失预测.docVIP

基于动态递归神经网络洪水灾害损失预测 　　摘 要：对洪水灾害损失进行预测，旨在为我国巨灾保险产品的创新提供新的理论依据。神经网络自身的联想能力决定了它在预测方面有比较大的优势，特别是在处理洪水灾害损失这类动态问题上，Elman动态神经网络能很好地预测洪水灾害损失，与静态神经网络相比，预测所得结果的精度进一步提高。 　　关键词：洪水灾害 损失预测 神经网络 　　中图分类号：F840.69 文献标识码：A 　　文章编号：1004-4914（2014）05-016-04 　　关于洪水灾害损失的预测，我国目前仍处于起步阶段。常采用定性分析的方法，分析得出有关影响因素，并且进一步分析各因素对洪水灾害影响作用的大小。例如杨凯在对包括洪水灾害的巨灾风险进行分析之后指出我国巨灾风险最大的问题是：相关保险的供给不足，需求也不足。其中的根本原因是：国民的巨灾保险意识薄弱，巨灾保险存在再保险困难，巨灾保险目标市场难以确认；但是这些理论研究对我国如何防范洪水灾害风险的借鉴性比较小。洪水灾害风险防范的核心问题在于洪水灾害损失的预测，近年来有学者将数学模型引入到了洪水灾害损失预测，例如张正建立了洪水灾害损失的数学预测模型，通过利用历史数据，来完成对未来数据的预测。可这种研究方式有一个前提假设，即洪水灾害损失是一个静态问题，但是洪水灾害损失是否是一个静态问题值得商榷。 　　针对洪水灾害损失的特点，本文对其损失的预测将按照以下三个步骤进行。首先，需要对洪水灾害的影响因素进行分析；其次，本文分别利用静态神经网络和动态神经网络分别对洪水灾害损失进行预测，根据预测所的结果的精度来确定洪水灾害损失属于静态问题还是动态问题；最后，利用相应的神经网络对洪水灾害损失进行建模，从而实现洪水灾害损失预测。 　　一、洪水灾害的主要影响因素 　　（一）降雨量和持续时间 　　降雨量和降雨持续时间是洪水灾害发生的最直接的两个因素。洪水灾害的发生往往伴随着强降雨的发生。强降雨主要导致两方面的结果：一段时间内地面排水系统的排水量严重小于降雨量、山体表面的吸水能力严重小于降雨量。可是，仅仅依靠强降雨量来造成洪水灾害往往是不可能的。因为即使降雨量再大，持续时间过短，所造成的积水持续时间很短，对于山体的冲刷力度往往不足以造成洪水灾害。所以强降雨量加上较长的持续时间才会造成城市积水严重以及山体滑坡、泥石流等灾害。这两个因素对于洪水灾害的造成缺一不可。 　　（二）土质结构 　　土质是指土壤的构造和性质。我国国土幅员辽阔，不同地区之间的土质结构往往不同。我国的土质分为八类土，级别由低到高分别为：松软土、普通土、坚土、砂砾坚土、软石、次坚石、坚石、特坚石。级别越高，土壤中所含岩石成分就越高，土质也就越坚固。所以，在洪水发生的时候，在土质级别较低的地区容易发生泥石流等灾害，而土质级别越高的地方发生泥石流灾害的可能比较小。 　　（三）建筑物坚固程度 　　建筑物的坚固程度是指建筑物对于洪水灾害的抵抗能力。洪水灾害发生对建筑物的影响主要有三方面：第一，洪水发生时对建筑物的直接冲击作用，这种冲击力一般比较大，通常情况下结构性能较差的房屋会直接被这种冲击力冲毁。第二，洪水的不断冲刷使会使墙体的砂浆流失，砂浆的饱和程度下降，进而使墙体强度下降。第三，洪水灾害发生后，建筑物会长期浸泡在水中，水分子会不断进入土颗粒之间，破坏墙体结构，进而会导致建筑物开裂，结构受损。 　　（四）该地区洪水灾害的历史情况 　　该地区洪水灾害的历史情况是指该地区以前是否发生过洪水灾害。一次洪水灾害的发生所造成的灾难并不是在这次洪水灾害结束后就全部结束了，有可能上次洪水灾害已经造成了灾害但是没有显示出来，这对下次洪水发生时造成更大的灾难做了铺垫，所以发生过洪水灾害和没有发生过洪水灾害的地区两者相比，相同程度的洪水灾害在发生过洪水灾害的地区所造成的损失更大。 　　（五）排水力度 　　排水设施是指一个地区的积水排放效率和能力。一个城市是否容易造成积水，在不出现特大强降雨量的情况下，排水力度是决定因素。排水力度与能否造成城市积水呈反向关系，即排水力度好的城市产生严重积水的可能性就越小。 　　二、BP神经网络与Elman神经网络 　　（一）BP神经网络的结构 　　BP神经网络是最经典的静态神经网络，其核心思想是将BP算法运用到人工神经网络。它是由美国加利福尼亚的PDP（parallel distributed procession）小组将1974年P.Werbos在其博士论文中提出的适合多层网络的学习算法运用到神经网络所产生，其结构如图1所示。BP神经网络具有人工神经网络所具有的一切特点，但与一般人工神经网络不同的是：BP神经网络的学习过程由信号的正向传播与误差的反向传播两个过程组成，正向传播时，输入样本从输