城市火災(zāi)的成因及預(yù)防

城市火災(zāi)的成因及預(yù)防

1北京城市采集有關(guān)火災(zāi)現(xiàn)代化城市具有建筑集中、生產(chǎn)集中、財(cái)富集中、人口集中等特點(diǎn)。如果發(fā)生火災(zāi)，必然會(huì)造成巨大的經(jīng)濟(jì)損失和人員傷亡，并導(dǎo)致社會(huì)動(dòng)蕩。特別近年來(lái)城市火災(zāi)發(fā)生呈上升趨勢(shì),給社會(huì)造成了不可忽視的損失。1998年3月22日,倫敦金融城中心發(fā)生火災(zāi),一幢44層高塔樓的1/5化為灰燼。2001年8月27日,俄羅斯首都莫斯科的奧斯坦基諾電訊發(fā)射塔(世界第二高的電視發(fā)射塔)發(fā)生火災(zāi),7人遇難。2002年6月16日,位于北京海淀區(qū)學(xué)院路20號(hào)的“藍(lán)極速”網(wǎng)吧發(fā)生火災(zāi),造成25人死亡,12人受傷,燒毀建筑95m2,燒毀臺(tái)式電腦71臺(tái)。因而對(duì)火災(zāi)發(fā)生次數(shù)及其分布特性進(jìn)行準(zhǔn)確、有效地預(yù)測(cè),有利于消防部門(mén)合理投入人力、物力,優(yōu)化配置消防資源、設(shè)施等,也有利于消防隊(duì)伍的科學(xué)培訓(xùn)和管理。應(yīng)用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法,掌握火災(zāi)事故發(fā)生次數(shù)的規(guī)律,成功的預(yù)防火災(zāi)的發(fā)生,對(duì)減少人員傷亡,財(cái)產(chǎn)損失,對(duì)社會(huì)經(jīng)濟(jì)發(fā)展,對(duì)保持社會(huì)秩序的穩(wěn)定,都具有非常重要意義。2人工神經(jīng)網(wǎng)絡(luò)模擬人工神經(jīng)網(wǎng)絡(luò)是基于連接學(xué)說(shuō)構(gòu)造的智能仿生模型,它是由大量神經(jīng)元組成的非線性動(dòng)力學(xué)系統(tǒng),是由大量的,同時(shí)也是很簡(jiǎn)單的處理單元(神經(jīng)元)廣泛地相互連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)模擬人的大腦活動(dòng),具有極強(qiáng)的非線性逼近、大規(guī)模并行處理、自訓(xùn)練學(xué)習(xí)、容錯(cuò)能力以及外部環(huán)境的適應(yīng)能力。由于城市火災(zāi)的發(fā)生具有很大的突發(fā)性、復(fù)雜多樣性及非線性,在很大程度上受外界環(huán)境的影響,因而利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和功能,對(duì)城市火災(zāi)進(jìn)行預(yù)測(cè)預(yù)報(bào),更符合火災(zāi)發(fā)生的特性。2.1bp網(wǎng)絡(luò)模型BP(BackPropagation)網(wǎng)絡(luò)是當(dāng)前應(yīng)用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò),有80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)或變形網(wǎng)絡(luò),是前向網(wǎng)絡(luò)的核心部分。標(biāo)準(zhǔn)的BP網(wǎng)絡(luò)模型由3個(gè)神經(jīng)元層次組成,如圖1所示。其最下層稱(chēng)為輸入層,中間層稱(chēng)為隱含層,最上層稱(chēng)為輸出層,各層次之間的神經(jīng)元形成全互連接,各層次內(nèi)的神經(jīng)元之間沒(méi)有連接。其中輸入層n個(gè)節(jié)點(diǎn)分別對(duì)應(yīng)n個(gè)輸入分量,輸入向量為p=(p1,p2,p3…,pn),輸出層m個(gè)節(jié)點(diǎn),其對(duì)應(yīng)m個(gè)輸出分量T=(t1,t2,t3,…,tm)。2.2不同單元的連接權(quán)值給輸入層單元到隱含層單元的連接權(quán)值w1ij,i=1,2,…,s1,j=1,2,…n,隱含層單元到輸出層單元連接權(quán)值w2mi,m=1,2,…s2,i=1,2,…,s1,隱含層閥值單元b1i1i,輸出層的閥值b2m2m,并賦予權(quán)值、閥值(-1,+1)區(qū)間的隨機(jī)值。2.2.1輸出層激活值fps(1)將樣本值P輸入,通過(guò)連接權(quán)值w1ij送到隱含層,產(chǎn)生隱含層單元的激活值:A1t=f1(∑w1ijP+b1i)(1)式中,i,j同上,f1函數(shù)為對(duì)數(shù)s形函數(shù),即f1(x)(1+e-x)-1(2)(2)計(jì)算輸出層單元激活值:A2m=f(∑w2miA1t+b2m)(3)令c=∑w2miA1i+b2m式中,f函數(shù)文中取飽和線性函數(shù):f2={0c<0c0≤c≤101c>1(4)2.2.2mif1pn的表達(dá)定義誤差函數(shù)為Em=12s2∑m=1(tm-A2m)2(5)輸出層的權(quán)值變化Δw2mi=-α?E?w2mi=-α?E?A2m?A2m?w2mi=α(tm-A2m)f2′A1i(6)同理可得Δ=b2m=-α?E?b2mi=α(tm-A2m)f2′(7)輸出層的權(quán)值變化Δw1ij=-a?E2m?w1ij=-a?E?A2m?AΙ?A2m?A1i?w1ij=αs2∑m(tm-A2m)f2′wWmif1′pn(8)同理可得:Δ=b1i=αs2∑m(tm-A2m)f2′w2mif1′(9)反向傳播的一個(gè)主要問(wèn)題是需要較長(zhǎng)時(shí)間,為了加快網(wǎng)絡(luò)的學(xué)習(xí)速度,采用動(dòng)量BP算法,加入動(dòng)量系數(shù)γ,修正權(quán)值和閥值為Δw2mi=γΔw2mi(k-1)-(1-γ)α(tm-A2m)f2′A1i(10)Δw1ij(k)=γΔw1ij(k-1)-(1-γ)αs2∑m(tm-A2m)f2′w3mif1′pn(11)Δb2m(k)=γΔb2m(k-1)-(1-γ)α(tm-A2m)f2′(12)Δb1i(k)=γΔbm(k-1)-(1-γ)αs2∑m(tm-A2m)f2′w2mif1′(13)BP網(wǎng)絡(luò)的學(xué)習(xí)算法框圖如圖2所示。3基于原始網(wǎng)絡(luò)結(jié)構(gòu)的bp神經(jīng)網(wǎng)絡(luò)的初始化筆者以某市1985～2001年火災(zāi)事故數(shù)據(jù)次數(shù)為例(見(jiàn)表1),說(shuō)明神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在城市火災(zāi)預(yù)測(cè)中的應(yīng)用。(1)由于春節(jié)期間是火災(zāi)的高峰期,根據(jù)城市火災(zāi)發(fā)生時(shí)間或季節(jié),采用分時(shí)段的方法,即將每一年分為兩個(gè)部分進(jìn)行預(yù)測(cè):春節(jié)高峰期,非高峰期(除春節(jié)以外1～12月)。由于在預(yù)測(cè)中數(shù)據(jù)處理較多,以Matlab中的人工神經(jīng)網(wǎng)絡(luò)工具箱為工具編程對(duì)城市火災(zāi)事故進(jìn)行預(yù)測(cè)。(2)在BP網(wǎng)絡(luò)模型中,神經(jīng)元的變化函數(shù)是S形函數(shù),其函數(shù)的特性要求其輸入信息節(jié)點(diǎn)的數(shù)據(jù)必須轉(zhuǎn)化為[-1,1]之間的數(shù)值。因而必須對(duì)原始樣本進(jìn)行數(shù)據(jù)的初始化,轉(zhuǎn)化為分布在[-1,1]區(qū)間范圍內(nèi)的數(shù)值。初始化具體方法采用參加訓(xùn)練的樣本各指標(biāo)原始值與參加訓(xùn)練的樣本各指標(biāo)原始值的最大值之比。即,Ρij=xij/max(xij)為初始化后的網(wǎng)絡(luò)輸入數(shù)據(jù),xij為原始數(shù)據(jù),max(xij)為原始數(shù)據(jù)的最大。即必須對(duì)1985～1998年的數(shù)據(jù)作初始化。(3)初始權(quán)值的確定。取初始權(quán)值為(-1,1)之間的隨機(jī)數(shù),從而保證神經(jīng)元的權(quán)值能夠在S形函數(shù)變化最大處進(jìn)行調(diào)節(jié)。(4)對(duì)模型進(jìn)行修正權(quán)值和閥值,然后把1999～2001年的數(shù)據(jù)作為預(yù)測(cè)樣本,將得到一個(gè)預(yù)測(cè)誤差,如果沒(méi)有達(dá)到所要求的誤差值,或者沒(méi)有達(dá)到所要求的訓(xùn)練次數(shù),繼續(xù)訓(xùn)練,直到滿足預(yù)測(cè)誤差。滿足誤差后,得到最優(yōu)權(quán)重和閥值。(5)期望誤差值是通過(guò)對(duì)不同期望誤差的網(wǎng)絡(luò)的對(duì)比訓(xùn)練來(lái)選取的。如果選取較小的期望誤差值要通過(guò)增加隱含層的節(jié)點(diǎn)數(shù)和訓(xùn)練的時(shí)間。筆者經(jīng)過(guò)多次訓(xùn)練比較,選取期望誤差為0.001,最大訓(xùn)練步數(shù)為20000,學(xué)習(xí)率為0.01,動(dòng)量系數(shù)為0.1。按照誤差要求,多次篩選,得到最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。高峰期的網(wǎng)絡(luò)結(jié)構(gòu)為7-7-1,非高峰期的網(wǎng)絡(luò)結(jié)構(gòu)為6-6-1,同時(shí)得到最優(yōu)權(quán)值和閾值矩陣。此時(shí)可以對(duì)1999～2001年火災(zāi)事故進(jìn)行預(yù)測(cè),其結(jié)果及誤差分析如表2所示。(6)從上表可以看出誤差結(jié)果最大誤差不超過(guò)0.88%,預(yù)測(cè)的精度較高,能夠滿足實(shí)際需要。因此,可以預(yù)測(cè)未來(lái)3年的火災(zāi)事故,其結(jié)果如表3所示。4神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建立的前提背景(1)預(yù)測(cè)城市未來(lái)火災(zāi)事故的發(fā)生次數(shù)是一項(xiàng)復(fù)雜的工作。筆者根據(jù)神經(jīng)網(wǎng)絡(luò)的特點(diǎn),將其用于城市火災(zāi)的預(yù)測(cè)。科學(xué)的預(yù)測(cè)火災(zāi)事故發(fā)生的趨勢(shì),有利于防災(zāi)基礎(chǔ)資源配置和城市應(yīng)急安全預(yù)案的科學(xué)制訂。(2)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法具有極強(qiáng)的非線性逼近,大規(guī)模并行處理,自訓(xùn)練學(xué)習(xí),容錯(cuò)能以及對(duì)外界環(huán)境的適應(yīng)能力,很好地解決了傳統(tǒng)預(yù)測(cè)方法中須