[发明专利]存储器、火灾风险预测模型构建方法、系统和装置

说明书

本发明公开了存储器、火灾风险预测模型构建方法、系统和装置，其中所述方法包括：根据与目标区域的火灾发生相关的变量项构成的变量数据集并生成自变量数据集；将目标区域的火灾密度作为因变量项并生成因变量数据集；通过特征选择对变量数据集中的变量项进行筛选获得优选变量项，并生成优选变量项的重要度排序；根据重要度排序从所述优选变量项中确定最终变量项；根据最终自变量项与因变量项组成样本数据集；根据样本数据集随机划分预设个数的数据子集，并从数据子集中确定训练集和内部测试集，通过训练生成多个子模型来构建火灾风险预测模型。本发明能够为预测工业园区火灾风险以及发展更为有效的火灾响应预防措施提供更加精确的模型参考。

技术领域

本发明涉及过程工业安全领域，特别涉及存储器、火灾风险预测模型构建方法、系统和装置。

背景技术

工业园区内较密集的建筑、人群，以及周边丰富的植被资源，使得这一区域火灾发生的频次和危害显著提升。火灾的发生与地形、气候和人类活动等因素息息相关。

现有的技术主要应用多元线性回归模型和相关分析来解析工业园区火灾风险与影响因子的关系；发明人经过研究发现，现有技术中多元线性回归模型和相关分析来解析工业园区火灾风险与影响因子的关系的方式至少存在以下缺陷：

仅体现变量间的线性关系，忽略了工业园区火灾风险和影响因子间复杂的非线性关系，且自变量间的共线性及独立性明显，从而导致预测模型的准确度较低。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于为预测工业园区火灾风险以及发展更为有效的火灾响应预防措施提供更加精确的模型参考。

本发明提供了一种火灾风险预测模型构建方法，包括步骤：

S11、根据与目标区域的火灾发生相关的变量项构成的变量数据集并生成自变量数据集；将目标区域的火灾密度作为因变量项并生成因变量数据集；

S12、通过特征选择对所述变量数据集中的变量项进行筛选获得优选变量项，并生成所述优选变量项的重要度排序；根据所述重要度排序从所述优选变量项中确定最终变量项；

S13、根据所述最终自变量项与所述因变量项组成样本数据集；

S14、根据所述样本数据集随机划分预设个数的数据子集，并从所述数据子集中确定训练集和内部测试集，通过训练生成多个子模型来构建火灾风险预测模型。

在本发明中，所述与目标区域的火灾发生相关的变量项包括：

海拔、坡度、坡向、归一化植被指数、人口密度、道路线密度、铁路线密度、月均降水量、月均最低温度、月均平均温度和月均最高温度中的一种及其任意组合。

在本发明中，所述生成自变量数据集包括：

对所述变量项中的具体数值进行0-1标准化处理，以生成自变量数据集中各变量项的变量数据；

在本发明中，所述对所述变量项中的具体数值进行0-1标准化处理，以生成自变量数据集中各变量项的变量数据，包括：

以分辨率为30M的数字高程模型DEM为基础，采用ArcGIS“栅格表面-坡度”工具计算所述预设区域的坡度和数值型坡向值；所述数值型坡向值根据坡度获得，所述数值型坡向值为介于-1和1之间的数值型变量；

以500MNDVI月合成产品为基础，计算归一化植被指数；

以相应年份的人口密度分布图为基础，使用网格分配算法计算所述预设区域人的口密度；

以道路网、铁路网为基础，使用ArcMap“线密度”工具计算道路线密度和铁路线密度；