基于城市信息大数据的建筑火灾预测模型分析

　　在大数据时代的背景下，随着信息技术的不断发展，城市信息化应用水平不断提升，城市信息数据呈几何 级增加。与此同时，伴随着城市的发展，大中型城市常住人口增加迅速，“旧城镇、旧厂房、旧村庄”待改造 面积大，高密度的人口和大面积的消防隐患集聚地为监控消防安全带来了极大的难度。在城市不断向数字化、 智能化和智慧化的发展过程中，如何从来源越来越多样、数据蕴含内容越来越丰富的海量的数据中筛选出合理、 准确的致灾因素进行检测，降低城市发展带来的消防隐患，成为了一个极大的挑战。
　　城市火灾事件是随空间分布、时间序列和气象因素而变化的随机性偶然事件，随着多维数据的积累，可以 通过数据驱动来研究火灾的变化规律，分析出这类随机性偶然事件隐藏的必然规律性，达到预警火灾隐患和最 大限度地减轻火灾的损失的目的。基于城市信息大数据的建筑火灾预测模型就是应用这一原理，实现城市火灾 隐患的动态预测与监控，对构建和实现智慧消防具有重要的意义。
　　一、应用场景
　　2016 年 11 月，深圳市坪山区 公安分局消防大队在竹坑社区（约 2 平方千米）建设“智慧消防”项 目试点，该项目由深圳航天智慧城 市系统技术研究院有限公司（以下 简称“深城院”）与深圳市消安科 技有限公司共同建设，深城院通过 对数据处理，建立竹坑消防信息资 源数据库及三维电子地图模型，结 合消防物联网动态监控及消防自我 监督管理，综合利用物联网、大数据、 云计算、ICT 技术以及人工智能等先 进技术建立“智慧消防”示范系统 平台，在平台上实现基于城市信息 大数据的建筑火灾预测功能。
　　基于城市信息大数据的建筑火 灾预测模型已于广东省深圳市坪山 区竹坑社区进行试点运行，通过与三维地图的结合 , 可以实现重点建 筑、“三小场所”监控 , 火灾隐患 预测、日常巡查、物联消防、动态 救援圈、消防应急预案等功能（注： “三小场所”指小档口、小作坊、 小娱乐场所）。

　　二、应用模式
　　基于城市信息大数据的建筑火 灾预测模型从三个步骤对城市信息 大数据进行融合与挖掘。
　　首先，从空间、时间和气象等 方面对影响城市建筑火灾的因素进 行数据挖掘和分析。从社会经济因 素、城市计划土地使用类别、建筑 物结构、建筑物使用类别、建筑物 屋龄、建筑物楼层、建筑物所在区 交通便利性、建筑物所在的区域等 空间因子与火灾发生起数进行数据挖掘；从季节、月度等时间因子与火灾发生起数进行数据挖掘；从月 平均温度、月平均相对湿度、月平 均风速、月平均降雨量气象因子与 火灾发生起数进行数据挖掘。
　　其次，针对上述不同方面分 别建立子模型，对数据进行分析处 理。基于空间分布的关联分析建立 关联算法模型，基于时间序列的火 灾次数预测分析建立自回归移动平 均（ARIMA）算法模型，基于非线 性变换的火灾趋势分析建立多元线 性回归模型。分别获得火灾致灾的 空间、时间和气象高频因子。这些 模型可以根据数据源的增加进行扩 展，可以扩展到城市信息资源整体 角度，包括并不限于：用电、用水 量和流动人口分布标明人员密集程 度；基于互联网的公众舆论信息的 “火灾相关抱怨信息”的抓取，比如：抱怨经常跳闸、人员拥挤和其他； 从工商局获得的餐饮企业、加工企 业等不同单位的密度、历史消防火 灾数据，甚至人员素质、历史上的 消防相关处罚记录，日常消防自查 自纠情况，消防传感器历史维护情 况和海量的历史参数情况；企业管 理水平、生产类型、危险品分布、 水源分布、消防管网水压等。
　　最 后，构造火灾事故 树，对 城市建筑火灾风险因素进行评估 和预测。
　　三、关键技术
　　1．致灾空间分布因子挖掘
　　选择社会经济因素、城市计划土地使用类别、建筑物结构、建筑 物使用类别、建筑物屋龄、建筑物 楼层、建筑物所在区交通便利性、 建筑物所在区域等作为研究火灾的 致灾空间分布基本因子。使用应用 关联规则算法，对城市火灾案例数 据进行关联规则数据挖掘，找出各 类火灾致灾高频因子，并提出防灾 减灾具体措施。
　　高频次火灾多发生于土地使用 类型为住宅区、建筑结构为钢筋混 凝土结构、建筑物的使用类型是住 宿住宅类的地方。商业区的住宿住 宅类建筑，发生的火灾一般为电气 事故火灾。另一个现象是城市外圈 电气火灾频发，甚至高于存在大量 老建筑的城市核心区。
　　2．致灾时间序列因子挖掘
　　由于大量的时间序列是非平稳的，其特征参数和数据分布随时 间的推移而发生变化，仅通过对某 段历史数据的训练，建立单一的神 经网络预测模型，无法完成准确的 预测任务。为此，当现有的预测模 型不再适用于当前数据时，要对模 型重新训练，获得新的权重参数， 并在此基础上建立新的模型。Box- Jenkins 是将自回归模型和移动平 均模型相结合的一种方法，同时通 过某些阶数的差分处理使序列平稳 化，克服了两种模型单纯结合 ( 即 ARMA 模型 ) 时只适合分析平稳序 列的弊端。它有一套比较完整的时 间序列建模理论和分析方法，是随 机性时间序列分析中的一大类分析 方法的综合，这些方法以序列不同 时期间的相关性度量作为基础 , 可 以进行精度较高的短期预测。
　　3．致灾气象因子挖掘
　　火灾作为一个开放系 统，必 然在很大程度上受到自然现象的影 响，其中气象因素对火灾的发生、 防治和损失控制方面有着重要的影 响。通过将火灾数据与气象因素进 行相关性分析和研究，借助回归理 论建立火灾起数与关键气象因素之 间的关联模型，并采用已有数据对 模型进行了验证，用来说明火灾发 生与气象因素的关系。
　　4．城市建筑火灾风险评估与预测
　　结合火灾事故树对危险性及其 因素进行辨识和评价，有助于分析 事故的直接原因，既可定性分析、又可定量分析。基本步骤如下：
　　1）根据空间、时间和气象等高频因子，调查分析既有火灾事故 的特点；
　　2）确定顶事件，通过对典型 火灾事故损失和频率大小的分析， 从中找出后果严重且容易发生的事 故作为事故树分析的顶事件；
　　3）构建事故树，根据统计资 料，从顶事件开始进行剖析演绎分 析，逐级找出所有直接原因的基本 事件，并按照其逻辑关系，画出事 故树图；
　　4）定量分析，首先根据统计 数据、现场调查情况，确定所有基 本事件的发生概率，再按事故树逻 辑关系和数学方法计算顶事件的发 生概率；
　　5）确定顶事件发生概率的临 界数值，根据对既有火灾事故资料 统计分析的结果，选定顶事件事故 概率的临界数值，当求出的顶事件 发生概率高于此数时，便须为防范 顶事件的发生采取措施；
　　6）确定降低顶事件发生概率 的措施，计算各基本事件的临界重 要度系数，由其大小排序，选出能 够相对更为有效地降低顶事件风险 的基本事件，并采取合适的措施加 以控制。