一种建筑消防风险等级预测方法及系统与流程

本发明涉及基于大数据分类算法的等级预测技术，尤其涉及一种基于大数据分类算法的建筑消防风险等级预测方法及系统。

背景技术：

随着近年社会经济的快速发展，消防工作面临的新情况、新问题不断增多，消防安全形势依然严峻，区域性火灾隐患突出，总体上仍处于火灾易发、多发期，给消防工作带来严峻的挑战和考验。目前，为了排查建筑消防安全隐患，降低建筑消防安全风险，各地消防管理部门加大了针对建筑物的消防安全检测。其中，所述的消防安全检测指的是消防安全管理部门或者检测机构对指定建筑消防设施进行全面检测，并量化记录各个消防设施状态的一系列检查行为。基于消防检测形成的量化数据，进行指定建筑物的消防风险等级预测评定，以确定该建筑是否属于高风险建筑，这样消防主管部门便能以此确定重点火灾隐患防范目标，从而加强高风险建筑的管理，降低消防事故的发生几率。然而，由于消防检测数据量非常庞大，数据关系复杂，消防风险等级预测评定需要耗费大量人力，从而导致评定人员的工作量和工作负担大，而且评定结果往往受限于评定人的经验水平等，容易导致评定结果不稳定、准确度低等缺点。

技术实现要素：

为了解决上述的技术问题，本发明的目的是提供一种基于大数据分类算法的建筑消防风险等级预测方法，从而提高建筑消防风险等级预测的处理效率、稳定性和准确性。

本发明的另一目的是提供一种基于大数据分类算法的建筑消防风险等级预测系统，从而提高建筑消防风险等级预测的处理效率、稳定性和准确性。

本发明采用的一技术方案为：一种建筑消防风险等级预测方法，该方法的步骤包括有：

获取建筑消防检测结果信息；

将获得的建筑消防检测结果信息输入至SVM分类器中进行数据处理，从而输出建筑消防风险等级类别。

进一步，所述将获得的建筑消防检测结果信息输入至SVM分类器中进行数据处理，从而输出建筑消防风险等级类别这一步骤之前设有构建SVM分类器这一步骤，所述构建SVM分类器这一步骤包括有：

获取SVM分类器的训练数据集，其中，所述训练数据集包括训练输入数据和训练输出数据，所述训练输入数据包括历史建筑消防检测结果信息，所述训练输出数据包括历史建筑消防风险等级类别；

从预设的多个参数对中选取一参数对来分别作为误差惩罚因子初始值和核参数初始值；

利用获得的SVM分类器的训练数据集、误差惩罚因子初始值和核参数初始值，从而对SVM分类器进行训练；

判断训练结束后得到的SVM分类器所输出的建筑消防风险等级类别是否满足预定的准确率要求，若是，则将当前训练结束后得到的SVM分类器作为所需构建的SVM分类器；反之，则返回重新执行所述从预设的多个参数对中选取一参数对来分别作为误差惩罚因子初始值和核参数初始值这一步骤。

进一步，所述判断训练结束后得到的SVM分类器所输出的建筑消防风险等级类别是否满足预定的准确率要求这一步骤，其包括有：

将测试数据集中的历史建筑消防检测结果信息输入至训练结束后得到的SVM分类器进行数据处理，从而输出建筑消防风险等级类别；

判断输出的建筑消防风险等级类别与测试数据集中对应的历史建筑消防风险等级类别之间的误差是否满足预定的准确率要求。

进一步，所述多个参数对的构建步骤，其包括有：

根据误差惩罚因子的取值范围和核参数的取值范围，构建由取值范围内所有误差惩罚因子的数值和核参数的数值组成的参数对，从而得到多个参数对。

进一步，所述误差惩罚因子的取值范围为[1,1000]，和/或所述核参数的取值范围为[0,100]。

进一步，所述获取建筑消防检测结果信息这一步骤，其包括有：

对建筑中的多个消防系统进行消防检测，从而得到多个消防系统的消防检测结果；

根据多个消防检测结果，从而对应判断出多个消防系统分别所包含的不合格检测项目个数；

计算多个消防系统的项目得分率，所述多个消防系统的项目得分率构成建筑消防检测结果信息。

进一步，所述消防系统的项目得分率，其计算公式为：

其中，a表示为该消防系统的项目得分率，b表示为该消防系统所包含的不合格检测项目个数，c表示为该消防系统所包含的检测项目总个数。

本发明采用的另一技术方案为：一种建筑消防风险等级预测系统，该系统包括：

获取单元，用于获取建筑消防检测结果信息；

处理单元，用于将获得的建筑消防检测结果信息输入至SVM分类器中进行数据处理，从而输出建筑消防风险等级类别。

进一步，所述处理单元之前设有用于构建SVM分类器的构建单元，所述构建单元具体包括：

训练数据获取模块，用于获取SVM分类器的训练数据集，其中，所述训练数据集包括训练输入数据和训练输出数据，所述训练输入数据包括历史建筑消防检测结果信息，所述训练输出数据包括历史建筑消防风险等级类别；

参数对获取模块，用于从预设的多个参数对中选取一参数对来分别作为误差惩罚因子初始值和核参数初始值；

训练模块，用于利用获得的SVM分类器的训练数据集、误差惩罚因子初始值和核参数初始值，从而对SVM分类器进行训练；

判断处理模块，用于判断训练结束后得到的SVM分类器所输出的建筑消防风险等级类别是否满足预定的准确率要求，若是，则将当前训练结束后得到的SVM分类器作为所需构建的SVM分类器；反之，则返回重新执行参数对获取模块所对应的数据处理流程。

进一步，所述获取单元包括：

检测结果获取模块，用于对建筑中的多个消防系统进行消防检测，从而得到多个消防系统的消防检测结果；

不合格项数判断模块，用于根据多个消防检测结果，从而对应判断出多个消防系统分别所包含的不合格检测项目个数；

建筑消防检测结果信息获取模块，用于计算多个消防系统的项目得分率，所述多个消防系统的项目得分率构成建筑消防检测结果信息。

本发明的有益效果是：通过使用本发明的方法，在建筑消防风险等级预测过程中，仅需要获取建筑消防检测结果信息后，将获得的建筑消防检测结果信息输入至训练好的SVM分类器中进行数据处理，便能获得该建筑的消防风险等级类别，这样便能快速地实现对该建筑的消防风险等级预测，处理效率高。并且本发明的方法是基于SVM分类器来实现，无需依赖评估人的经验，这样消除了因人工预测而导致产生的漏判、误判等情况，达到快速、科学、标准、客观进行建筑消防风险等级类别预测的效果。

本发明的另一有益效果是：通过使用本发明的系统，在制备过程中，仅需获取单元获取建筑消防检测结果信息，然后处理单元将获得的建筑消防检测结果信息输入至SVM分类器中进行数据处理后，便会输出建筑消防风险等级类别，这样便能快速地实现该建筑的消防风险等级预测，处理效率高。并且本发明的系统是基于SVM分类器来实现，无需依赖评估人的经验，消除了因人工预测而导致产生的漏判、误判等情况，达到快速、科学、标准、客观进行建筑消防风险等级类别预测的效果。

附图说明

图1是本发明一种建筑消防风险等级预测方法的步骤流程示意图；

图2是本发明一种建筑消防风险等级预测方法的一具体实施例步骤流程示意图；

图3是本发明一种建筑消防风险等级预测系统的结构框示意图；

图4是本发明一种建筑消防风险等级预测系统的一具体实施例结构框示意图。

具体实施方式

如图1所示，一种建筑消防风险等级预测方法，该方法的步骤包括有：

获取建筑消防检测结果信息；

将获得的建筑消防检测结果信息输入至SVM分类器中进行数据处理，从而输出建筑消防风险等级类别。

进一步作为本实施例的优选实施方式，所述将获得的建筑消防检测结果信息输入至SVM分类器中进行数据处理，从而输出建筑消防风险等级类别这一步骤之前设有构建SVM分类器这一步骤。

实施例1、建筑消防检测结果信息、训练数据集和测试数据集的获取

对于所述建筑消防检测结果信息的获取，其具体步骤包括有：

步骤一、将建筑中的所有消防检测项目按照不同的消防系统类别(例如：消防给水系统、气体灭火系统、温度感应系统等)以及重要等级(对一个消防系统中的不同消防检测项目按照其影响程度进行级别分类，总体按照项目对消防系统运行影响大小分为三级，分别为：较大影响项目、一般影响项目、较小影响项目)进行分组分类。具体分类列表如下所示：

由上述列表可见，在本实施例中，一建筑所包含的消防系统个数为21个；

步骤二、通过各种检测仪器对建筑中的21个消防系统进行消防检测，从而得到21个消防系统的消防检测结果，然后根据21个消防检测结果，从而对应判断出21个消防系统分别所包含的不合格检测项目个数；

步骤三、计算21个消防系统的项目得分率，其中，所述消防系统的项目得分率a的计算公式为：

其中，b表示为该消防系统所包含的不合格检测项目个数，c表示为该消防系统所包含的检测项目总个数；

步骤四、将步骤三中计算得到的21个项目得分率组成一个21维的向量x＝[a₁，a₂，…，a₂₁]，该向量x则表示为一建筑消防检测结果信息。

由上述可知，通过采用上述的建筑消防检测结果信息获取步骤，便能计算得出所有建筑的建筑消防检测结果信息，构成全体数据集X＝{x_n,n∈R}。另外，对于建筑消防风险等级类别，其分为高风险建筑和非高风险建筑这两个等级类别，其中，高风险建筑标注为1，非高风险建筑标注为-1，这样便能根据历史建筑消防风险等级类别来对全体数据集X中的所有元素x进行标号分类，即一建筑消防检测结果信息对应一个建筑消防风险等级类别。

在本实施例中，从标注等级类别后的全体数据集X中随机取出60％的数据来组成训练数据集S_train＝{(x_n,y_n)|x_n∈X,y_n∈{-1,1},n＝1,2,3…}，其中，x_n为第n个建筑消防检测结果信息，y_n为对应第n个建筑消防风险等级类别；其余40％的数据则作为测试数据集S_test＝{(x_m,y_m)|x_m∈X，y_m∈{-1,1},m＝1,2,3…}，其中，x_m为第m个建筑消防检测结果信息，y_m为对应第m个建筑消防风险等级类别。对于所述的训练数据集，其用于训练SVM分类器，得到对应数据集下的模型参数，而测试数据集则用于检验这一参数水平下对不参与训练的数据的预测准确率，从而分析模型的泛化能力，判断出训练结束后得到的SVM分类器是否为所需构建的SVM分类器。对于所述训练数据集和测试数据集，其中所包含的建筑消防检测结果信息实质为历史建筑消防检测结果信息，而其对应的建筑消防风险等级类别则为历史建筑消防风险等级类别。

实施例2、一种建筑消防风险等级预测方法

如图2所示，一种建筑消防风险等级预测方法，其具体步骤如下所示。

步骤S101、构建SVM分类器。

对于SVM分类器，其训练数据集为{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，其中，xⁱ∈Rⁿ为输入向量，yⁱ∈{-1,1}为输出向量，假设该训练集可被一个超平面W·X+b＝0线性划分，问题转化为求最优化超平面问题，如以下第一公式所示：

而对于非线性可分的情况，可以通过一个映射函数(在SVM称核函数)，将低维的输入空间Rⁿ映射到高维的特征空间H，使线性可分，也就是说，优化问题可转化为如以下第二公式所示：

然后，解出上述第二公式的最优化函数为：

从上述最优化函数公式可以得出，选择合适的函数K(·)和C便可确定SVM分类器。在本实施例中优选采用RBF径向基核函数，即K(X_i,X_j)＝exp(-γ||X_i-X_j||)²，来确定SVM分类器，即本实施例的SVM分类器为基于RBF径向基核函数的SVM分类器，这样所述SVM分类器的优化问题最终转化为参数对(误差惩罚因子C，核函数γ)的选择问题。

由上述可得，对于所述步骤S101，其具体包括的子步骤有：

S1011、获取SVM分类器的训练数据集S_train＝{(x_n,y_n)|x_n∈X,y_n∈{-1,1},n＝1,2,3…}，其中，所述训练数据集包括训练输入数据和训练输出数据，所述训练输入数据包括历史建筑消防检测结果信息，所述训练输出数据包括历史建筑消防风险等级类别；

S1012、从预设的多个参数对中选取一参数对来分别作为误差惩罚因子初始值和核参数初始值；

其中，对于所述多个参数对，其是根据误差惩罚因子C的取值范围和核参数γ的取值范围，从而构建由取值范围内所有误差惩罚因子C的数值和核参数γ的数值组成的参数对而得到的；优选地，所述误差惩罚因子C的取值范围为[1,1000]，所述核参数γ的取值范围为[0,100]；

S1013、利用获得的SVM分类器的训练数据集、误差惩罚因子初始值和核参数初始值，从而对SVM分类器进行训练；

S1014、判断训练结束后得到的SVM分类器所输出的建筑消防风险等级类别是否满足预定的准确率要求，若是，则将当前训练结束后得到的SVM分类器作为所需构建的SVM分类器；反之，则返回重新执行所述从预设的多个参数对中选取一参数对来分别作为误差惩罚因子初始值和核参数初始值这一步骤；

对于所述的步骤S1014，其具体包括有：

S10141、将测试数据集中的历史建筑消防检测结果信息输入至训练结束后得到的SVM分类器进行数据处理，从而输出建筑消防风险等级类别；

S10142、判断步骤S10141输出的建筑消防风险等级类别与测试数据集中对应的历史建筑消防风险等级类别之间的误差是否满足预定的准确率要求，若是，则将当前训练结束后得到的SVM分类器作为所需构建的SVM分类器，并记录下当前所使用的误差惩罚因子C数值C₀和核参数γ数值γ₀，即此时训练好的SVM分类器为基于参数对(C₀,γ₀)的SVM分类器，反之，则返回重新执行步骤S1012从预设的多个参数对中选取下一个参数对来分别作为误差惩罚因子初始值和核参数初始值，从而结合获得的训练数据集重新对SVM分类器进行训练，直到训练结束后得到的SVM分类器所输出的建筑消防风险等级信息满足预定的准确率要求为止。

步骤S102、对未评估预测过的实际建筑进行消防检测，利用实施例1中所述的建筑消防检测结果信息获取步骤，从而得到该实际建筑的建筑消防检测结果信息x’。

步骤S103、将步骤S102获得的建筑消防检测结果信息x’输入至基于参数对(C₀,γ₀)的SVM分类器中进行数据处理，从而输出建筑消防风险等级类别y’，即其为所求的建筑风险等级评估结果。

对于上述方法实施例中所描述的所有技术特征，其均适用于以下系统实施例中。

实施例3、一种建筑消防风险等级预测系统

如图3所示，一种建筑消防风险等级预测系统，该系统包括：

获取单元，用于获取建筑消防检测结果信息；

处理单元，用于将获得的建筑消防检测结果信息输入至SVM分类器中进行数据处理，从而输出建筑消防风险等级类别。对于所述的获取单元和处理单元，其可利用处理器来实现。

作为本系统实施例的优选实施方式，如图4所示，所述处理单元之前设有用于构建SVM分类器的构建单元，所述构建单元具体包括：

训练数据获取模块，用于获取SVM分类器的训练数据集，其中，所述训练数据集包括训练输入数据和训练输出数据，所述训练输入数据包括历史建筑消防检测结果信息，所述训练输出数据包括历史建筑消防风险等级类别；

参数对获取模块，用于从预设的多个参数对中选取一参数对来分别作为误差惩罚因子初始值和核参数初始值；

训练模块，用于利用获得的SVM分类器的训练数据集、误差惩罚因子初始值和核参数初始值，从而对SVM分类器进行训练；

判断处理模块，用于判断训练结束后得到的SVM分类器所输出的建筑消防风险等级类别是否满足预定的准确率要求，若是，则将当前训练结束后得到的SVM分类器作为所需构建的SVM分类器；反之，则返回重新执行参数对获取模块所对应的数据处理流程。

作为本系统实施例的优选实施方式，所述判断训练结束后得到的SVM分类器所输出的建筑消防风险等级类别是否满足预定的准确率要求，其包括有：

将测试数据集中的历史建筑消防检测结果信息输入至训练结束后得到的SVM分类器进行数据处理，从而输出建筑消防风险等级类别；

判断输出的建筑消防风险等级类别与测试数据集中对应的历史建筑消防风险等级类别之间的误差是否满足预定的准确率要求。

作为本系统实施例的优选实施方式，所述多个参数对的构建步骤，其包括有：

根据误差惩罚因子的取值范围和核参数的取值范围，构建由取值范围内所有误差惩罚因子的数值和核参数的数值组成的参数对，从而得到多个参数对。

作为本系统实施例的优选实施方式，所述误差惩罚因子的取值范围为[1,1000]，和/或所述核参数的取值范围为[0,100]。

作为本系统实施例的优选实施方式，所述获取单元包括：

检测结果获取模块，用于对建筑中的多个消防系统进行消防检测，从而得到多个消防系统的消防检测结果；

不合格项数判断模块，用于根据多个消防检测结果，从而对应判断出多个消防系统分别所包含的不合格检测项目个数；

建筑消防检测结果信息获取模块，用于计算多个消防系统的项目得分率，所述多个消防系统的项目得分率构成建筑消防检测结果信息。

作为本系统实施例的优选实施方式，所述消防系统的项目得分率，其计算公式为：

其中，a表示为该消防系统的项目得分率，b表示为该消防系统所包含的不合格检测项目个数，c表示为该消防系统所包含的检测项目总个数。

由上述可得，本发明的方法和系统通过采用SVM支持向量机的构建，并以历史数据作为模型构建的基础，从而基于大数据分类算法来实现建筑消防风险等级预测，这样则无需依赖评估人的经验及消防安全相关业务水平，消除因人为主观因素而导致产生的漏判、误判等情况，达到快速、科学、标准、客观进行建筑消防风险等级预测的效果。而且由于本发明是采用了所述的建筑消防检测结果信息作为SVM分类器的输入，及基于RBF径向基核函数的SVM分类器，因此，不仅具有易于实现的优点，而且其预测结果更符合实际需求，准确度更高。

以上是对本发明的较佳实施进行了具体说明，但对本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。