本发明涉及一种评估决策方法,尤其涉及一种基于bp网络的韧性城市智能防灾评估及决策方法。
背景技术:
1、由于城市建成年代远、建筑防灾等级低、配套设施差等原因,韧性城市防灾等级普遍较低,提高韧性城市防灾能力至关重要。韧性城市指城市能够凭自身的能力抵御灾害,减轻灾害损失,并合理的调配资源以从灾害中快速恢复过来。韧性城市可以看做是物理、居民和信息组成的“三度空间”,在该模型框架下,更能反映灾害视域下的韧性城市防灾系统性,有利于进一步开展韧性城市智能防灾评估及决策工作。然而,现有实际工作中更多是将韧性城市视作防灾设施、经济和社会因素等基础功能上的衔接,缺乏全过程智能决策的视角对韧性城市智能防灾状况进行深入分析。
技术实现思路
1、发明目的:本发明旨在提供一种能够全面反映韧性城市防灾状态、准确评估并智能决策的基于bp网络的韧性城市智能防灾评估及决策方法。
2、技术方案:本发明所述的一种基于bp网络的韧性城市智能防灾评估及决策方法,包括以下步骤:
3、(1)数据采集、整理,构建韧性城市智能防灾评估指标体系;
4、(2)采用主客观相结合方法,组合赋权计算得出最优组合权重;
5、(3)建立基于bp神经网络的韧性城市防灾评估模型并进行训练验证;
6、(4)防灾评估,采用训练后的bp神经网络评估模型计算韧性城市防灾评估结果;
7、(5)智能决策,对防灾评估结果进行分级,发布对应等级预警信息,根据预警信息采取应急措施。
8、优选地,所述步骤(1)中评估指标体系包括刺激性、脆弱性和响应性三个一级指标和对应隶属的八个二级指标;所述刺激性包括外部环境危险因子和潜在内部危险因子,脆弱性包括工程设施要素、建筑非结构要素、人口分布要素和公共空间要素,响应性包括应急救援能力和适应恢复能力。
9、优选地,所述步骤(2)包括以下步骤:
10、(21)采用主观权重处理方法对评估指标体系进行相对重要性评估,计算最大特征值并通过一致性检验,得到相对重要性排序,确定主观指标权重;
11、采用anp决策分析模型,其中,控制层包括评估目标,即韧性城市智能防灾水平,下属三个决策准则(刺激性-脆弱性-响应性)。网络层将各准则层指标作为相互不独立的元素组。
12、利用satty 1-9级标度法,1、3、5、7、9表示ui相对于uj相同重要、差异轻微、差异明显、差异强烈、差异极端,2、4、6、8表示判断介于两个临近标度之间;其中,ui、uj(i,j为区间[0,8]的整数)分别表示三个一级指标和对应隶属的二级指标;
13、判断矩阵rm为:
14、
15、其中,uij表示ui相对uj的评估重要性比值;
16、对判断矩阵rm的每一列向量进行归一化处理,如下式所示:
17、
18、
19、其中:为向量归一化后矩阵;按行求和后得到的矩阵;
20、利用模糊权值处理计算得出主观指标权重系数wi,如下式所示:
21、
22、其中:wi为第i项指标的组合权重系数;
23、对判断矩阵rm进行一致性检验,如下式所示:
24、
25、
26、其中,cr为随机一致性比率;ri为随机一致性指标,取值如下表所示;ci为一致性偏差检验指标;λmax为最大特征根;当cr≤0.1时,表示通过一致性检验,判断矩阵rm一致性是可以接受的;当cr>0.1时,采用修正方法对判断矩阵进行修正,使所得cr处于可信度范围内。
27、
28、(22)采用客观权重处理方法进行权重计算:
29、构建多对象多指标评估矩阵r*:
30、
31、式中:m为评估目标个数;n为评估指标个数,n=1,2,3,4,5,6,7,8;rij′为第j个评估指标下第i个评估对象的评估值;
32、对上述矩阵r*进行归一化处理,得到标准矩阵r:
33、
34、确定客观权重熵值:
35、
36、其中:
37、计算评估指标客观权重wj:
38、
39、(23)主客观组合计算求得模糊权重:
40、
41、
42、式中:wi为评估指标主观权重,wj为评估指标客观权重,ω*为组合权重计算结果,θ1和θ2分别为主观、客观权重系数,θ1*和θ2*分别为评估指标主观、客观最优权重系数,且θ1*+θ2*=1,θ1*和θ2*均大于0。
43、优选地,所述步骤(3)包括确定隐含层节点数、参数设置和优化训练。
44、优选地,所述隐含层节点数通过下式确定:
45、
46、d为训练样本数。若i>k,规定
47、k=log2 a
48、其中,a为输入韧性城市智能防灾评估指标;b为单输出层;k为隐含层节点数;对不同隐含层节点数的训练样本进行均方误差(mse)比较,其中均方误差(mse)最小的确定为最佳隐含层节点数。
49、优选地,所述参数设置包括选择训练迭代次数为1000,学习动量为0.01,训练目标最小误差为0.00001;隐含层、输出层激活函数采用tansig函数,学习函数为leamdm,性能函数为mse,训练函数为trainlm函数,提取训练的权值和阈值,通过实数编码,设置所述bp神经网络的预设参数。
50、优选地,所述优化训练包括将训练样本划分70%作为训练集和30%作为测试集,进行样本训练,bp神经网络评估模型通过逆向误差传播不断优化参数、设置学习速率和传递函数,直至均方跟误差最小;判断第一次训练拟合结果是否过拟合或欠拟合,若训练结果不理想,进行第二次训练,修正的权值和阈值再向前传播。若评估模型迭代或误差达到目标精度,则证明训练成功,否则返回开始新一轮训练,直至满足。
51、优选地,所述步骤(5)中分级处理包括采用非等距划分法,将韧性城市智能防灾等级划分为不安全i级、较不安全ii级、一般安全iii级、较安全iv级、安全v级;
52、韧性城市防灾评估值l*如下式所示:
53、
54、
55、
56、
57、式中:s为刺激性评估值;f为脆弱性评估值;r为响应性评估值;nh为刺激性指标个数;nf为脆弱性指标个数;nr为响应性指标个数;w*为第i项评估指标的主客观组合权重;l*为韧性城市智能防灾评估值;vi为第i项评估指标的输入神经元量化值,界限范围为[1,2,3,4,5]之间;将韧性城市智能防灾评估值l*划分为5个等级,划分过程为:
58、l0≤韧性城市智能防灾评估值≤l1,表征防灾状态为不安全i级;
59、l1≤韧性城市智能防灾评估值≤l2,表征防灾状态为较不安全ii级;
60、l2≤韧性城市智能防灾评估值≤l3,表征防灾状态为一般安全iii级;
61、l3≤韧性城市智能防灾评估值≤l4,表征防灾状态为较安全iv级;
62、l4≤韧性城市智能防灾评估值≤l5,表征防灾状态为安全v级。
63、有益效果:与现有技术相比,本发明具有如下显著优点:1、全面考虑评估指标,通过改进主客观结合方法计算评估指标最优组合权重,并采用bp神经网络进行模拟仿真训练、测试,使评估结果更准确;2、通过划分韧性城市防灾安全化等级,发布预警信息,根据预警信息采取应急措施,实现韧性城市防灾智能化决策。