一种基于BP网络的韧性城市智能防灾评估及决策方法

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。