刘洪太 郭云霞 赵刚 薛彦宇

摘 要：近年来，火灾事故在我国频频发生，对环境和经济造成了巨大的影响和损失，消防应急决策能力及决策的精确性越来越受到重视。在对火灾预测方面，组合模型较单一模型能够更加全面准确地描述火灾的变化规律。然而，组合模型中模型权重的确定主观性太强，影响预测结果的准确性。针对上述问题，该文提出了一种基于模糊自适应变权重的组合预测模型，来预测火灾事故带来的影响以及可启动的应急预案等。最后，该文对提出的模型进行了模拟应用，预测结果准确，表明该模型能够很好地应用于消防应急决策，具有较高的决策价值。

关键词：火灾；模糊自适应；变权重；组合模型；消防应急决策

中图分类号：TD76 文献标志码：A

近几年，我国频发火灾事故，火灾事故不仅给国家和企业带来了财产、人身、生态环境上的巨大损失，甚至还会使社会动荡，影响社会秩序、生产秩序、工作秩序等。一旦火灾事故发生，决策者需要及时果断地做出科学、合理的决策，启动相应的应急预案，最大限度地降低火灾造成的危害。目前，大数据技术及预测模型在火灾预测中得到了广泛的应用， 然而，大多数的研究都是基于单一的预测模型进行火灾预测，虽然一些学者也尝试使用组合模型对火灾进行预测，但是组合模型中模型权重的确定主观性太强，缺少科学的方法，导致预测结果不准确。

针对上述问题，该文提出了一种基于模糊自适应变权重的组合预测模型来预测火灾事故造成的损失如直接财产损失等。根据预测结果，应急决策者能够相对准确及时地了解火灾事故的整体情况和可能造成的影响，快速启动应急预案，极大地减少因启动预案延迟带来的危害。

1 模糊自适应变权重方法

该文使用模糊自适应算法控制组合模型中的权重变化。对于一个组合预测模型来说，假定有n（n>2）种单一预测模型，每种预测模型都有各自的预测效果。组合模型的模糊控制因素包括在第i时刻第j种模型的误差ej（i）和被预测对象在第i时刻的真实值相对于前面k个时刻的真实值的算术平均值的改变量cj（i），ej（i）和cj（i）的表达式分别为（1）和（2）。

1.1 模糊控制器

相对误差ej（i）的模糊控制过程如下：

首先，将一连续区域[-1，1]分割成小的碎片，每一个碎片为一个不连续的点，使ej（i）在[-1，1]区间内变化，就得到了关于ej（i）的不连续区域X，称X为ej（i）的离散论域。使用Ak（k=1，2，…，5）来标示相对误差的语义变量，这个离散域将被分为5个语义值，见表1。

将E视为在i时刻第j个预测模型的预测值和在i时刻的真实值之间的误差，用C来表示在i时刻第j个预测模型的预测值相对于在i时刻的真实值的变化率，k'j（i）表示在i时刻第j个预测模型的预测值相对于在i时刻的真实值的模糊权重。这样，就能建立一个模糊控制规则，如下：

1.2 基于模糊自适应变权重的组合模型

在组合模型中，如果在i时刻的实际值y（i）通过k个历史数据，从i-k时刻到i-1时刻内的值，y（i-k），y（i-k+1），…，y（i-1）被预测出来，相对于相对误差ej（i）和灰色趋势变量cj（i）的灰色基本权重r（ej（i））和S（c'j（i））的表达式分别为（4）和（5）。

自适应控制系数βi的公式如（7）所示。

此外，进行归一化后，在i时刻，第j种预测模型的自适应变权重kj（i）可以通过公式（8）得到。

公式（9）表示了在时刻i之前的所有时刻点数据对组合模型自适应变权重全面、平均的影响。并且使用模糊自适应变权重的方式对模型进行组合，能够使得个模型的权重较其他组合方法分布更合理。

当通过归一化Kj（i）得到在i时刻、第j种预测模型的自适应变权重后，结合各模型模糊自适应变权重Kj（i）和预测值fj（i），得到在i时刻的预测值，通过（9）得到：

等式（9）中，充分表明了关于模糊权重的模糊推理规则，这在模糊推理的定义过程中阻止跳跃现象是非常有效的。因此，这种量化方法将归一化模糊自适应变权重Kj（i）作为一个修正因子是相当合理和可行的。

2 基于模糊自适应变权重组合预测模型在消防应急决策中的模拟应用

2.1 模型数据选取

由于支持向量机回归（SVMR）和径向基函数 （RBF） 神经网络具有良好的非线性预测控制效果，模拟应用中使用这2种预测模型作为单一模型进行组合预测，实验将得出SVMR和RBF神经网络单一模型预测结果以及两者组合模型预测结果，并进行对比。

2.2 模型数据选取

在模拟应用中，以某应急管理系统中的火灾数据为基础，模拟应用中共抽取了1 000条真实火灾记录以及100次演练记录作为模拟数据，以数据集中前800条真实火灾事故数据和前90条演练火灾数据作为训练数据；以数据集中后195条真实火灾事故数据和后10条演练火灾数据作为验证模型；以数据集中最后5条真实火灾事故数据作为测试模型，用来验证模型的预测性能。该文选取火灾直接财产损失为预测对象进行模拟应用。

2.3 模型权重参数

实验中模糊自适应变权重方法灰色关系程度的分辨率δ取0.5，自适应控制系数βi计算公式中，取N=0.5。

2.4 应用效果

该文对模型预测精确性做了评估，选用平均绝对百分比误差（MAPE）作为预测结果评判标准：

表2为使用基于模糊自适应变权重组合预测模型与SVMr预测模型、RBF神经网络、固定权重组合模型预测最后10条真实火灾直接财产损失结果表。

表3为表2中各模型预测性能表，评判标准MAPE。

3.4 应用效果分析

本模拟应用中使用不同的预测模型对应急系统中的火灾财产损失分别进行了预测，从3.3节中的各模型对火灾直接财产损失的预测值可以看出，该文提出的基于模糊自适应变权重组合预测模型的预测相对误差在所有模型中是最小的，虽然在极少的个别点上会偏大一些，但是不影响其整体性能；客观的，从评判标准来看，该文使用的模糊自适应变权重组合模型代表的MAPE均小于其他模型，说明该文使用的模糊自适应变权重组合预测模型比其他模型预测性能要好。

4 结论

该文提出了将基于模糊自适应变权重的组合预测模型应用于消防应急决策，并在最后以实际的应急系统进行模拟应用，预测效果明显，证明了基于模糊自适应变权重的组合预测模型能够很好地利用火灾情景数据，并获得精确的预测效果，可以为消防应急决策提供强有力的决策支持，值得推广。

参考文献

[1]傅智敏.我国火灾统计数据分析[J].安全与环境学报，2014，14（6）：341-345.

[2]张芳.消防大数据平台的建设[J].电子技术与软件工程，2017（7）：174.

[3]赵伟，马凯.基于灰色预测GM（1，1）模型的火灾损失预测[J].消防科学与技术，2013，32（3）：324-327.

[4]吴秋平.基于神经网络的森林火灾预报系统[J].信息化建设，2016（2）：26-27.

[5]张迎辉.模糊神经网络在矿井带式输送机火灾探测中的应用[J].煤矿机械，2009，30（8）：182-184.

[6]伍爱友，施式亮，王从陆.基于神经网络和遗传算法的城市火灾风险评价模型[J].中国安全科学学报，2006（11）：108-113.

[7]袁朋伟，宋守信，董晓庆.基于灰色神经网络优化组合模型的火灾预测研究[J].中国安全生产科学技术，2014，10（3）：119-124.

[8]唐小我，王景，曹长修.一种新的模糊自适应变权重组合预测算法[J].电子科技大学学报，1997（3）：66-69.

[9]张晓辉，常淑惠，张璠，等.支持向量機的基本理论与应用[J].科技经济导刊，2017（5）：32，17.

[10]卫敏，余乐安.具有最优学习率的RBF神经网络及其应用[J].管理科学学报，2012，15（4）：50-57.