• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    消防救援問題研究

    2021-08-16 11:17:00張濟(jì)薪張怡霖劉子源
    科學(xué)技術(shù)創(chuàng)新 2021年22期
    關(guān)鍵詞:預(yù)測值次數(shù)神經(jīng)網(wǎng)絡(luò)

    張濟(jì)薪 張怡霖 劉子源

    (1、南京郵電大學(xué)理學(xué)院,江蘇 南京 210023 2、上海大學(xué)力學(xué)與工程科學(xué)學(xué)院,上海 201900 3、南京郵電大學(xué)通信與信息工程學(xué)院,江蘇 南京 210023)

    1 研究背景

    由于我國經(jīng)濟(jì)發(fā)展迅速,各大商業(yè)建筑、科學(xué)工廠、科研基地等不斷建設(shè)使得城市空間環(huán)境復(fù)雜性快速增長,多類災(zāi)害性事故的發(fā)生概率也隨之升高。由于人們生活危險系數(shù)不斷增大,消防救援隊(duì)所擔(dān)負(fù)的任務(wù)也逐漸復(fù)雜多樣化。同時,城市消防站的位置安排不但關(guān)系著消防救援隊(duì)的救助效率更關(guān)系著人們生命財產(chǎn)能否及時得到保障。關(guān)于出警預(yù)測和值班安排問題以及如何根據(jù)救援時間確定消防站安置位置等問題需要我們?nèi)ニ伎肌?/p>

    2 模型的建立和求解

    2.1 時間序列與灰色預(yù)測

    時間序列預(yù)測法可以通過分析時間序列數(shù)據(jù),利用事物發(fā)展的連續(xù)性規(guī)律從而對未來進(jìn)行預(yù)測。生活中各類災(zāi)害性事故在某一時間段發(fā)生的次數(shù)與其發(fā)生的時間具有一定的關(guān)聯(lián)性,因此我們首先采用時間序列方法對2月1日、5月1日、8月1日、11月1日的出警數(shù)建立預(yù)測模型。指數(shù)平滑法是一種特殊的加權(quán)移動平均法,進(jìn)一步加強(qiáng)了觀察期近期觀察值對預(yù)測值的作用,對不同時間的觀察值所賦予的權(quán)數(shù)不等,從而加大了近期觀察值的權(quán)數(shù),使預(yù)測值能夠迅速反映市場實(shí)際的變化。指數(shù)平滑法適用于對具有長期趨勢的數(shù)據(jù)進(jìn)行預(yù)測。用二次指數(shù)平滑法對2016-2020年中的相關(guān)數(shù)據(jù)進(jìn)行二次指數(shù)平滑。[1]灰色預(yù)測的核心體系是灰色模型,即對原始數(shù)據(jù)作累加生成(或其他方法生成)得到近似的指數(shù)規(guī)律再進(jìn)行建模的方法。由模型GM(1,1)模型得到指定時區(qū)內(nèi)的預(yù)測值,根據(jù)實(shí)際問題的需要,給出相應(yīng)的預(yù)測預(yù)報。[2]對時間序列預(yù)測模型和灰色預(yù)測模型進(jìn)行求解,得到的結(jié)果如圖1所示。

    圖1 2019-2020年出警數(shù)預(yù)測

    2.2 基于BP神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)擬合算法

    基于BP神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)擬合算法流程可以分為BP神經(jīng)網(wǎng)絡(luò)構(gòu)建、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和BP神經(jīng)網(wǎng)絡(luò)預(yù)測三步。我們以2016-2019年在某一月份的所有出警次數(shù)記錄為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù),以2020年在此月份的出警次數(shù)記錄為網(wǎng)絡(luò)測試數(shù)據(jù),首先對訓(xùn)練數(shù)據(jù)進(jìn)行歸一化處理,接著我們分析2016-2019年的數(shù)據(jù)進(jìn)行模型預(yù)測,并將預(yù)測結(jié)果與2020年的真實(shí)出警數(shù)據(jù)進(jìn)行擬合,利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差考察模型的準(zhǔn)確性和合理性。最終我們得到的BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出誤差。由BP網(wǎng)絡(luò)預(yù)測誤差得出2020年1-6月的擬合度較差,而7-12月的擬合度較為理想。由于數(shù)據(jù)的選取對神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的準(zhǔn)確性影響較大,綜合當(dāng)時的時間節(jié)點(diǎn)以及現(xiàn)實(shí)情況考慮分析推測是2020年1-6月由于某些特殊原因?qū)е?020年消防救援隊(duì)的出警次數(shù)與往年有較大的出入。綜合考慮各類因素之后,我們所建模型具有理想的準(zhǔn)確性和合理性,適用于預(yù)測2021年的出警次數(shù)數(shù)據(jù)。用2016-2019年的數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),使網(wǎng)絡(luò)對非線性函數(shù)輸出具有預(yù)測2021年出警次數(shù)數(shù)據(jù)的能力。最后使用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)預(yù)測2021年的出警次數(shù),得到結(jié)果。

    最終2021年每個月份的預(yù)測值如表1所示。

    表1 2021年每個月份的出警預(yù)測值

    2.3 七類事件的擬合

    我們建立各類別事件發(fā)生次數(shù)與月份關(guān)系的十種數(shù)學(xué)模型,并以擬合度為評判標(biāo)準(zhǔn),對比出擬合度最高的最優(yōu)模型。我們利用SPSS 26.0 對數(shù)據(jù)建立三次回歸模型、指數(shù)回歸模型、冪回歸模型、線性回歸模型等十種回歸模型,最終得到七類事件的擬合結(jié)果。

    通過對四種模型的R值、判定系數(shù)R2以及顯著性值進(jìn)行比較,得到三次回歸模擬的擬合度最優(yōu),且各類事件擬合的最終結(jié)果如表2所示。

    表2 不同事件類別的三次擬合方程

    2.4 克里金Kriging)插值分析

    我們首先以周為單位對數(shù)據(jù)進(jìn)行處理,得到各類事件的時間密度,我們利用Excel來實(shí)現(xiàn)這個要求。對數(shù)據(jù)進(jìn)行預(yù)處理之后我們使用克里金插值模型實(shí)現(xiàn)時間密度在空間上的數(shù)據(jù)可視化。借助處理后的數(shù)據(jù),我們以P區(qū)域?yàn)槠瘘c(diǎn)利用Dijkstra算法計算P區(qū)域至其他各區(qū)域的最短路徑并對不同區(qū)域事件類別進(jìn)行相關(guān)性分析,得到相關(guān)性最強(qiáng)的事件類別。

    我們通過克里金算法,以事件所在區(qū)域?yàn)閤軸,以事件類別為y軸,以事件密度為z軸建立模型,求得的事件密度在空間上的數(shù)據(jù)可視化及其插值誤差如圖2。

    圖2 事件密度在空間上的數(shù)據(jù)可視化

    根據(jù)Dijkstra圖論算法得出的最短路徑和數(shù)據(jù)預(yù)處理得出的各區(qū)域2016-2020年各類事件密度,我們對2016-2020中各類事件密度在空間上進(jìn)行相關(guān)性分析,在分析過程中,我們考慮了包含p區(qū)域和不包含p區(qū)域兩種情況,分別得出在兩種情況下各類事件密度在空間上相關(guān)性關(guān)系。得到結(jié)論:不同區(qū)域中,事件類別②的相關(guān)性最強(qiáng)。

    3 模型評價與推廣

    3.1 模型優(yōu)點(diǎn)

    3.1.1 本文分別采用了時間序列預(yù)測和灰色預(yù)測兩種預(yù)測模型對出警次數(shù)進(jìn)行預(yù)測,使得最終的數(shù)據(jù)更加真實(shí)可靠。3.1.2 本文在計算各類事件密度在空間上的相關(guān)性時,采用了克里金插值模型,使得事件密度的數(shù)據(jù)在空間上實(shí)現(xiàn)了可視化,可以更直觀地體現(xiàn)事件密度的空間相關(guān)性。3.1.3 本文在分析各類別事件發(fā)生次數(shù)與月份關(guān)系時,建立了十種數(shù)學(xué)模型并進(jìn)行擬合度比較,使得最終得出的模型具有更強(qiáng)的說服力。

    3.2 模型缺點(diǎn)

    3.2.1 本文對值班人數(shù)的安排具有較高的主觀性,不能保證最終的安排結(jié)果完全合理。3.2.2 2020年出警次數(shù)與往年偏差較大,使得模型預(yù)測出的2020年數(shù)據(jù)與真實(shí)數(shù)據(jù)擬合度不高。

    3.3 模型推廣

    3.3.1 以選取2月1日、5月1日、8月1日、11月1日四天前后更大時間跨度的出警數(shù)據(jù)對其進(jìn)行預(yù)測,可以使得預(yù)測的準(zhǔn)確性和精度更高。3.3.2 可以建立ARIMA時間序列等模型對各類事件發(fā)生次數(shù)與月份關(guān)系進(jìn)行擬合,從而得出擬合度更高的數(shù)學(xué)模型。

    猜你喜歡
    預(yù)測值次數(shù)神經(jīng)網(wǎng)絡(luò)
    IMF上調(diào)今年全球經(jīng)濟(jì)增長預(yù)期
    企業(yè)界(2024年8期)2024-07-05 10:59:04
    機(jī)場航站樓年雷擊次數(shù)計算
    加拿大農(nóng)業(yè)部下調(diào)2021/22年度油菜籽和小麥產(chǎn)量預(yù)測值
    ±800kV直流輸電工程合成電場夏季實(shí)測值與預(yù)測值比對分析
    2020年,我國汽車召回次數(shù)同比減少10.8%,召回數(shù)量同比增長3.9%
    商用汽車(2021年4期)2021-10-13 07:16:02
    一類無界算子的二次數(shù)值域和譜
    法電再次修訂2020年核發(fā)電量預(yù)測值
    國外核新聞(2020年8期)2020-03-14 02:09:19
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    依據(jù)“次數(shù)”求概率
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    枣阳市| 棋牌| 麟游县| 横山县| 赤城县| 正安县| 岳池县| 抚宁县| 常熟市| 太白县| 厦门市| 大兴区| 绥德县| 铜梁县| 商水县| 仁化县| 龙江县| 安康市| 扬州市| 团风县| 海阳市| 芷江| 双城市| 吴桥县| 台东县| 白山市| 德令哈市| 高台县| 平顺县| 南雄市| 马边| 双辽市| 青河县| 家居| 同心县| 鱼台县| 五家渠市| 政和县| 平南县| 满洲里市| 哈密市|