动态火灾风险评估方法、装置、服务器及存储介质与流程

本发明属于消防风险评估技术领域，尤其涉及一种动态火灾风险评估方法、装置、服务器及存储介质。

背景技术：

现有智慧消防系统中火灾风险评估仅仅适用于对社会单元进行评估，而城市综合体内存在不同功能的社会单元，因此，该方法不能适用于城市综合体火灾风险评估。另外，在现有的评估过程中主要依靠专家经验进行指标权重设定、风险等级判断以及风险分级，导致主观性很强，客观性不足，且上述指标权重固定，未涉及到物联设备的监测问题，忽略了消防状态时刻变化这一动态特点，从而使得评估结果不精确。

技术实现要素：

有鉴于此，本发明实施例提供了一种适用于城市综合体的动态火灾风险评估方法、装置、服务器及存储介质，以解决现有评估模型指标权重固定，不能随实际情况进行调整的问题。

本发明实施例的第一方面提供了一种动态火灾风险评估方法，包括：

利用专家调查法建立区域风险评估模型；

利用区域风险评估模型获取训练样本集；

建立机器学习模型，利用训练样本集对模型进行训练；

当出现异常报警时执行模型调整步骤对机器学习模型进行调整；

利用经过调整的机器学习模型进行火灾风险评估；

其中，模型调整步骤包括：

根据异常报警产生异常样本，将异常样本加入训练样本集；

利用训练样本集对机器学习模型进行重新训练。

优选地，所述根据异常报警产生异常样本的步骤包括：获取异常报警发生时各指标的分值和异常报警对应的安全等级，以异常报警发生时各指标的分值和异常报警对应的安全等级作为异常样本。

优选地，所述机器学习模型为多元线性回归模型。

优选地，利用专家调查法建立区域风险评估模型的步骤包括：

将城市综合体划分为不同功能分区，建立每一类功能分区的消防安全评估模型；

根据城市综合体的区域参数，结合专家调查法，获得城市综合体每个功能分区的权重，所述区域参数包括火灾危险性、人员密度、分区面积和重要度；

根据城市综合体中每个功能分区的权重，建立区域风险评估模型。

优选地，所述将城市综合体划分为不同功能分区，建立每一类功能分区的消防安全评估模型包括：

通过对城市综合体的不同功能分区进行火灾危险性分析，设定不同功能分区的消防安全影响因素，所述功能分区包括商场区域、超市区域、餐饮区域、影院区域、娱乐区域、行政办公区域和公寓住宅区域；

根据不同功能分区的消防安全影响因素，构建不同功能分区的指标体系；

使用专家调查法，确定不同功能分区的指标体系中每个指标的权重；

建立每一类功能分区的消防安全评估模型。

优选地，所述根据城市综合体的区域参数，结合专家调查法，获得城市综合体每个功能分区的权重包括：

通过专家调查法对每种功能分区的指标体系各层级指标相对重要程度进行判断赋值，得出每种功能分区的模糊判断矩阵；

对每种功能分区的模糊判断矩阵进行转化，获得模糊一致矩阵；

根据模糊一致矩阵，通过方根法计算评估指标初始权重向量；

将评估指标初始权重向量，作为迭代初值引入幂法迭代法进行迭代计算，获得每个功能分区的权重。

优选地，所述通过专家调查法对每种功能分区的指标体系各层级指标相对重要程度进行判断赋值具体：

对每种功能分区的指标体系的准则层-目标层、子准则层-准则层与指标层-子准则层内指标相对重要程度，运用模糊标度法进行赋值。

优选地，所述利用区域风险评估模型获取训练样本集的步骤包括：获取指标分值；利用区域风险评估模型根据指标分值计算对应的安全等级。

本发明实施例的第二方面提供了一种动态火灾风险评估装置，包括：

区域模型建立模块，用于利用专家调查法建立区域风险评估模型；

样本获取模块，用于利用区域风险评估模型获取训练样本集；

训练模块，用于利用训练样本集对机器学习模型进行训练；

动态调整模块，用于当出现异常报警时产生异常样本，将异常样本加入训练样本集，并利用训练样本集对机器学习模型进行重新训练；

评估模块，利用经过调整的机器学习模型进行区域火灾风险评估。

进一步地，所述区域模型建立模块包括：

分区风险评估单元，用于将城市综合体划分为不同功能分区，建立每一类功能分区的消防安全评估模型；

区域权重获取单元，用于根据城市综合体的区域参数，结合专家调查法，获得城市综合体每个功能分区的权重，所述区域参数包括火灾危险性、人员密度、分区面积和重要度；

区域风险评估单元，用于根据城市综合体中每个功能分区的权重，建立区域风险评估模型。

本发明实施例的第三方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面的任一项动态火灾风险评估方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面的任一项动态火灾风险评估方法的步骤。

本发明的有益效果在于：一方面，本发明实施例通过利用专家调查法建立专用于城市综合体的区域风险评估模型，利用区域风险评估模型获取训练样本集，建立机器学习模型，并利用训练样本集对模型进行训练，当出现异常报警时执行模型调整步骤，从而获得经过调整的机器学习模型，由于训练样本集保留了由专家调查法建立的区域风险评估模型产生的训练样本，因此本发明的火灾风险评估方法能够在学习专家经验的同时根据实际火情对评估模型作出动态的调整，以便更加准确地对城市综合体的火灾风险进行评估。另一方面，本发明针对城市综合体提出了指标体系和权重计算方法，使得城市综合体的火灾风险评估更加科学和精确。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的动态火灾风险评估方法的实现流程示意图；

图2是利用专家调查法建立区域风险评估模型的流程图；

图3是本发明实施例二提供的动态火灾风险评估装置的结构框图；

图4是按照本发明的一种实施例的区域模型建立模块的结构框图；

图5是本发明实施例三提供的服务器的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一

图1示出了本发明实施例一提供的动态火灾风险评估方法的实现流程示意图。如图1所示，该动态火灾风险评估方法具体可包括如下步骤：

步骤s1：利用专家调查法建立区域风险评估模型；

步骤s2：利用区域风险评估模型获取训练样本集；

步骤s3：建立机器学习模型，利用训练样本集对模型进行训练；

步骤s4：当出现异常报警时执行模型调整步骤对机器学习模型进行调整；

步骤s5：利用经过调整的机器学习模型进行火灾风险评估。

具体地，步骤s2具体包括如下两个步骤：

步骤s21：获取指标分值，具体地，可以在不同区域(例如不同城市综合体)按一定时间间隔(例如一个月、一个季度)通过消防信息系统采集多组指标分值，具体指标体系将在下文详细说明。

步骤s22：利用区域风险评估模型根据指标分值计算对应的安全等级，具体地，训练样本集中的样本包括样本特征和样本标签，可以将各指标的分值作为样本特征，将对应的安全等级作为样本标签，多组样本特征和样本标签形成训练样本集。

具体地，步骤s4中的模型调整步骤具体包括如下两个步骤：

步骤s41：根据异常报警产生异常样本，将异常样本加入训练样本集；

步骤s42：利用训练样本集对机器学习模型进行重新训练。

其中，步骤s41中的所述根据异常报警产生异常样本的步骤具体包括如下两个子步骤：

步骤s411：获取异常报警发生时各指标的分值和异常报警对应的安全等级；具体地，指标的分值可以通过查询消防信息系统获得，安全等级可以由专家根据实际火情进行评估得到，例如当发生火灾时，可以将安全等级降到最低，指标的分值不变。

步骤s412：以异常报警发生时各指标的分值和异常报警对应的安全等级作为异常样本。

在一些实施例中，所述机器学习模型可以为下列模型中的一种或组合：多元线性回归模型、softmax回归模型、支持向量机模型、随机森林模型。优选地，所述机器学习模型包括多元线性回归模型。当将各指标的分值作为特征值(自变量)且将对应的安全等级作为标签(因变量)对多元线性回归模型进行训练后，容易知道，多元线性回归模型的回归系数将趋近于相应指标地权重。当发生火灾时，触发模型调整步骤，即利用发生火情时的异常样本对多元线性回归模型进行训练，从而使得多元线性回归模型的回归系数发生变化，实现了模型的动态调整，可以根据回归系数产生新的指标权重。

由于训练样本集包含专家经验形成的样本和根据实际火情生成的异常样本，样本容量不断扩大，多元线性回归模型根据训练样本集不断进行迭代，实现对新形成的全部样本的拟合，从而能够在学习专家经验的同时根据实际火情作出动态的调整。

需要说明的是，建立多元性回归模型时，为了保证回归模型具有优良的解释能力和预测效果，应首先注意自变量的选择，其准则是：(1)自变量对因变量必须有显著的影响，并呈密切的线性相关；(2)自变量与因变量之间的线性相关必须是真实的，而不是形式上的；(3)自变量之间应具有一定的互斥性，即自变量之间的相关程度不应高于自变量与因变量之因的相关程度；(4)自变量应具有完整的统计数据，其预测值容易确定。多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和为最小的前提下，用最小二乘法求解参数。

图2是利用专家调查法建立区域风险评估模型的流程图。如图2所示，在一些实施例中，步骤s1利用专家调查法建立区域风险评估模型的步骤包括如下三个子步骤：

步骤s11：将城市综合体划分为不同功能分区，建立每一类功能分区的消防安全评估模型。

具体地，步骤s11包括如下四个步骤：

步骤s111：通过对城市综合体的不同功能分区进行火灾危险性分析，设定不同功能分区的消防安全影响因素，所述功能分区包括商场区域、超市区域、餐饮区域、影院区域、娱乐区域、行政办公区域和公寓住宅区域；

其中，消防安全影响因素包括常规安全影响因素和特殊影响因素，各个功能分区的特殊影响因素如下：

步骤s112：根据不同功能分区的消防安全影响因素，构建不同功能分区的指标体系；具体地，对每种功能分区的指标体系的准则层-目标层、子准则层-准则层与指标层-子准则层内指标相对重要程度，运用1-9模糊标度法进行赋值。例如城市综合体商场区域的消防安全评估指标体系如下：

步骤s113：使用专家调查法，确定不同功能分区的指标体系中每个指标的权重；其中商场区域的指标权重如下：

步骤s114：建立每一类功能分区的消防安全评估模型。

步骤s12：根据城市综合体的区域参数，结合专家调查法，获得城市综合体每个功能分区的权重，所述区域参数包括火灾危险性、人员密度、分区面积和重要度。

具体地，步骤s12包括如下四个步骤：

步骤s121：通过专家调查法对每种功能分区的指标体系各层级指标相对重要程度进行判断赋值，得出每种功能分区的模糊判断矩阵；

步骤s122：对每种功能分区的模糊判断矩阵进行转化，获得模糊一致矩阵；

步骤s123：根据模糊一致矩阵，通过方根法计算评估指标初始权重向量；

步骤s124：将评估指标初始权重向量，作为迭代初值引入幂法迭代法进行迭代计算，获得每个功能分区的权重。

步骤s13：根据城市综合体中每个功能分区的权重，建立区域风险评估模型。例如，各个功能分区权重如下：

将指标的分值与权重做加权和即可得到安全等级。需要说明的是，指标的分值具体可以通过如下方法得到：由消防监管人员根据安全评估项目对目标区域进行检查，并将检查结果(选择型结果)输入消防信息系统，依据指标量化赋值标准将消防监管人员输入的选择型结果转化为对应指标(a11,a12,…)的分值。利用区域风险评估模型根据指标分值计算对应的安全等级可以具体包括如下步骤：依据区域内的各功能分区的指标分值和权重按照指标的层级进行加权求和即可计算各功能分区的安全分值，再根据功能分区的权重和安全分值的加权和即可获得区域的安全等级。通过优化权重算法模型可以使指标权重更精确，从而保证评估结果的精确性。

需要说明的是，建立机器学习模型时，可以建立多个与功能分区一一对应的多元线性回归模型，然后利用对应功能分区的消防安全评估模型获得功能分区的训练样本集，利用功能分区的样本集对相应的多元线性回归模型进行训练。将相应功能分区的指标分值输入到经过训练的多元线性回归模型中可以获得功能分区的火灾风险评估结果，功能分区的火灾风险评估结果再结合功能分区的权重进行加权求和运算，即可得到区域的火灾风险评估结果。为功能分区建立多元线性回归模型可以降低模型的自变量数量，从而降低模型训练的运算复杂度。

实施例二

图3是本发明实施例二提供的动态火灾风险评估装置的结构框图。如图3所示，本发明实施例二提供了一种动态火灾风险评估装置，包括：区域模型建立模块101、样本获取模块102、训练模块103、动态调整模块104和评估模块105。其中，区域模型建立模块101用于利用专家调查法建立区域风险评估模型；样本获取模块102用于利用区域风险评估模型获取训练样本集；训练模块103用于建立机器学习模型，并利用训练样本集对机器学习模型进行训练；动态调整模块104用于当出现异常报警时产生异常样本，将异常样本加入训练样本集，并利用训练样本集对机器学习模型进行重新训练；评估模块105利用经过动态调整模块104重新训练的机器学习模型进行区域火灾风险评估。

在本实施例中，首先由区域模型建立模块101利用专家调查法建立区域风险评估模型；由样本获取模块102利用区域风险评估模型获取训练样本集；训练模块103利用训练样本集对机器学习模型进行训练；当出现异常报警时动态调整模块104产生异常样本，将异常样本加入训练样本集，并利用训练样本集对机器学习模型进行重新训练，评估模块105利用经过动态调整模块104重新训练的机器学习模型进行区域火灾风险评估，从而获得区域火灾风险评估结果。

具体地，样本获取模块102可以包括分值获取单元(未示出)和安全等级计算单元(未示出)。分值获取单元用于获取指标分值，具体地，可以在不同区域(例如不同城市综合体)按一定时间间隔(例如一个月、一个季度)通过消防信息系统采集多组指标分值，具体指标体系在第一实施例中有相似描述，这里不再赘述；安全等级计算单元利用区域风险评估模型根据指标分值计算对应的安全等级，具体地，训练样本集中的样本包括样本特征和样本标签，可以将各指标的分值作为样本特征，将对应的安全等级作为样本标签，多组样本特征和样本标签形成训练样本集。

动态调整模块104可以包括异常样本产生单元(未示出)和迭代训练单元(未示出)。异常样本产生单元根据异常报警产生异常样本，将异常样本加入训练样本集。当发生异常报警时，异常样本产生单元可以获取异常报警发生时各指标的分值和异常报警对应的安全等级；具体地，指标的分值可以通过查询消防信息系统获得，安全等级可以由专家根据实际火情进行评估得到，例如当发生火灾时，可以将安全等级降到最低，指标的分值不变。异常样本产生单元以异常报警发生时各指标的分值和异常报警对应的安全等级作为异常样本。迭代训练单元利用加入异常样本的训练样本集对机器学习模型进行重新训练。

图4是是按照本发明的一种实施例的区域模型建立模块的结构框图。如图4所示，在一些实施例中，区域模型建立模块101可以进一步包括：分区风险评估单元1011、区域权重获取单元1012和区域风险评估单元1013。分区风险评估单元1011用于将城市综合体划分为不同功能分区，建立每一类功能分区的消防安全评估模型；区域权重获取单元1012用于根据城市综合体的区域参数，结合专家调查法，获得城市综合体每个功能分区的权重，所述区域参数包括火灾危险性、人员密度、分区面积和重要度；区域风险评估单元1013用于根据城市综合体中每个功能分区的权重，建立区域风险评估模型。

在一些实施例中，分区风险评估单元1011可以通过对城市综合体的不同功能分区进行火灾危险性分析，设定不同功能分区的消防安全影响因素，所述功能分区包括商场区域、超市区域、餐饮区域、影院区域、娱乐区域、行政办公区域和公寓住宅区域，其中，消防安全影响因素包括常规安全影响因素和特殊影响因素，各个功能分区的特殊影响因素可以参考实施例一。然后分区风险评估单元1011可以根据不同功能分区的消防安全影响因素，构建不同功能分区的指标体系；具体地，对每种功能分区的指标体系的准则层-目标层、子准则层-准则层与指标层-子准则层内指标相对重要程度，运用1-9模糊标度法进行赋值；然后使用专家调查法，确定不同功能分区的指标体系中每个指标的权重；其中商场区域的指标权重可以参考实施例一。分区风险评估单元1011可以建立每一类功能分区的消防安全评估模型。

在一些实施例中，区域权重获取单元1012根据城市综合体的区域参数，结合专家调查法，获得城市综合体每个功能分区的权重，所述区域参数包括火灾危险性、人员密度、分区面积和重要度。在一些实施例中，区域权重获取单元1012可以通过专家调查法对每种功能分区的指标体系各层级指标相对重要程度进行判断赋值，得出每种功能分区的模糊判断矩阵；对每种功能分区的模糊判断矩阵进行转化，获得模糊一致矩阵；根据模糊一致矩阵，通过方根法计算评估指标初始权重向量；将评估指标初始权重向量，作为迭代初值引入幂法迭代法进行迭代计算，获得每个功能分区的权重。

实施例三

图5是本发明实施例三提供的服务器的示意图。如图5所示，该实施例的服务器包括：处理器33、存储器31以及存储在所述存储器31中并可在所述处理器33上运行的计算机程序32，例如动态火灾风险评估方法。所述处理器33执行所述计算机程序时实现如上述各动态火灾风险评估方法，例如图1所示的步骤s1至s5。

所述服务器可以是计算机及云端服务器等计算设备。所述服务器可包括，但不仅限于，处理器33、存储器31。本领域技术人员可以理解，图3仅仅是服务器的示例，并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。

所称处理器33可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器31可以是所述服务器的内部存储单元，例如服务器的硬盘或内存。所述存储器31也可以是所述服务器的外部存储设备，例如所述服务器上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器31还可以既包括所述服务器的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述服务器所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。

实施例四

本发明的第四实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述各动态火灾风险评估方法，例如图1所示的步骤s1至s5。所述计算机可读存储介质可以是内存，插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/服务器和方法，可以通过其它的方式实现。例如，以上所描述的装置/服务器实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。