基于大数据分析的火灾预测与风险评估模型.pdfVIP

P-流水-火灾预测与风险评估模型研究

基于大数据分析的

火灾预测与风险评估模型

文/张晓珺1）姜立平2）1）杭州市消防救援支队2）杭州市萧山区消防救援大队

摘要：本文通过整合气象数据、地向城市火灾预测建模需求，时间跨度为与火灾风险的关联。基础设施特征计算

理信息、人口经济等多源异构数据，构建2001～2017年。该城市作为典型的大型了采样点到消防站、消防栓的响应时

了一套基于机器学习的火灾预测与风险评城市，具有建筑密集、人口聚集、功能间，以及消防通道的可达性，用于评估

估模型。本文采用XGBoost、LightGBM复杂等特征，具有较好的代表性。火灾消防救援能力。安全隐患特征包括电气

等多种算法进行对比实验，结果表明事故数据来自消防救援部门的火灾事故线路老化程度、燃气管网分布、危险品

XGBoost算法在预测准确率上表现最优，数据库，记录了火灾发生的时空位置、仓储位置、消防违章建筑等，用于识别

达到91.30%。通过特征重要性分析发现，火灾类型、燃烧物质等属性[1]。气象数据火灾隐患点。

日照时间、气温、GDP等因素是影响火灾采集自中国国家气象数据网，涵盖日均

发生的关键驱动因子。基于预测结果，利温度、湿度、风速、降水量等影响城市1.3数据标准化

用GIS技术绘制了区域火险等级分布图，火灾发生的关键气象要素[2]。建筑数据源为消除不同特征量纲差异对城市

为火灾防控提供了数据支撑。自城市规划部门，包括建筑密度、建筑年火灾预测模型的影响，采用了多种标

关键词：大数据分析；火灾预测；代、建筑类型、建筑高度等属性信息[3]。准化方法。连续型特征如建筑密度、

火灾风险评估；XGBoost算法用地性质数据来自土地利用现状图，用人口密度、气温、风速等采用最小-最

于表征不同功能区的空间分布[4]。社会经大归一化，将数值映射到[0,1]区间，

引言济数据包括1km网格的GDP、人口密度、标准化公式为

流动人口等统计指标，反映区域人类活

火灾预防与控制一直是公共安全领动强度[5]。基础设施数据整合了消防站

域的重要课题。随着大数据、人工智能点、消防栓分布等信息，用于分析消防

技术的发展，基于数据驱动的火灾预测救援资源可达性与火灾风险的关系[6]。式中，x和x*分别表示特征归一化

ii

模型展现出巨大潜力。传统的火灾预测前后的值，max（X）和min（X）分别为

方法主要依赖单一数据源和简单的统计1.2特征工程样本中的最大值和最小值。这种转换确

分析，难以充分刻画火灾发生的复杂机针对城市火灾发生的复杂机理，保特征对模型的贡献权重相对均衡。建

制。而融合多源异构数据的机器学习方本文构建了24个特征因子体系。气象特筑高度数据通过对数函数转换log（x），

法，能够更好地捕捉各类影响因素之间征包括日累计降水量、日平均风速、日降低高层建筑的极值影响。相对湿度和

的非线性关系，提高预测精度。因此，平均气温、日平均湿度、日照时间等，建筑密度采用比例转换，将百分比转化

构建准确可靠的火灾预测模型，对于指这些因素影响建筑物内外温度差异和可为0-1范围之内的比例值。分类特征如建

导消防部门科学部署防控资