[发明专利]基于大数据的多元线性回归火灾风险评估方法

权利要求书

1.一种基于大数据的多元线性回归火灾风险评估方法，其特征在于：包括如下步骤：

(1)构建火灾风险因素层级结构模型：

(2)划分建筑火灾风险等级；

(3)确立评估模型R＝W^TX；其中，R代表评估风险值，向量W为权重，向量X为因素的属性值；

(4)构建风险评估机器学习数据样本，具体过程如下：设，消防火灾风险评估数据样本有m个：{(X⁽¹⁾，y⁽¹⁾)，(X⁽²⁾，y⁽²⁾)，...，(X^(m)，y^(m))}；具体为构建消防多因素的属性值样本{X⁽¹⁾，X⁽²⁾，...，X^(m)}以及与之对应的风险值样本{y⁽¹⁾，y⁽²⁾，...，y^(m)}；

(4.1)构建因素的属性值样本{X⁽¹⁾，X⁽²⁾，...，X^(m)}

筛选清洗消防安全数据及火灾数据样本。由第(1)步建立的火灾风险层级结构确定的风险因素表示为：

V＝[a₁，a₂…，a_i，...，a_n]^T (式1)

a_i代表第i个火灾风险因素，将其进行数据标准化，计算各风险因素的属性值；

具体为：

F＝[f₁，f₂，...，f_i，...，f_n]^T (式2)

式2中F为因素属性值的赋值函数向量，f_i分别对α_i进行数据标准化，标准化后的值域为[0，5]；

属性既有定性属性也包括定量属性，对于属于定性因素的风险因素，根据其对消防安全的影响程度进行分值计算；对于定量因素的风险因数，采用min-max标准化，即离差标准化方法计算分值将各个属性值标准化为可进行比较计算的定量属性值：

X＝[1，f₁(a₁)，f₂(a₂)，...，f_n(a_n)]^T＝[x₀，x₁，x₂，...，x_n]^T (式3)

标准化后的因素属性值由向量X表示，为计算后续权重将属性值向量添加x₀，其中x₀恒为1；

(4.2)构建对应的风险评估分数样本{y⁽¹⁾，y⁽²⁾，...，y^(m)}：

抽取火灾数据库的历史火灾数据，根据步骤(2)划分的火灾等级，计算样本的火灾风险评分，y⁽ⁱ⁾代表第i个样本的风险分数；

设第i个火灾样本数据中火灾后果数据为向量r⁽ⁱ⁾，

r₁⁽ⁱ⁾、r₂⁽ⁱ⁾、r₃⁽ⁱ⁾分别为死亡人数、重伤人数、直接经济损失；

矩阵GE代表全部分险等级分数的范围，令grade^(j)代表矩阵GE的第j行，第j行代表该风险等级的分数范围，grade₁^(j)和grade₂^(j)分别为j风险等级分数的最小值和最大值；

矩阵DH代表全部分险等级火灾死亡人数的范围，令death^(j)代表分数段矩阵DH的第j行，第j行代表该风险等级的火灾死亡人数范围，death₁^(j)和death₂^(j)分别为j风险等级火灾死亡人数的最小值和最大值；

矩阵IY代表全部风险等级火灾重伤人数的范围，令injury^(j)代表分数段矩阵IY的第j行，第j行代表第j风险等级的火灾重伤人数范围，injury₁^(j)和injury₂^(j)分别为第j风险等级火灾重伤人数的最小值和最大值；

矩阵LS代表全部风险等级财产损失的范围，令loss^(j)代表分数段矩阵LS的第j行，第j行代表第j风险等级的火灾直接财产损失范围，loss₁^(j)和loss₂^(j)分别为第j风险等级火灾直接财产损失的最小值和最大值；

y⁽ⁱ⁾＝max(grade₁，grade₂-score_death⁽ⁱ⁾-score_injury⁽ⁱ⁾-score_loss⁽ⁱ⁾) (式9)

样本结果r⁽ⁱ⁾，对应的风险等级为j，则该样本风险得分y⁽ⁱ⁾由上式计算得出，其中score_death⁽ⁱ⁾代表火灾死亡的扣分，score_injury⁽ⁱ⁾代表火灾重伤的扣分，score_loss⁽ⁱ⁾代表火灾直接财产损失的扣分；

score_gap＝grade_score₂^(j)-grade_score₁^(j) (式13)

最终获得消防安全风险评估分数样本值空间，值为{y⁽¹⁾，y⁽²⁾，...，y^(m)}；

(5)根据样本计算权重W，完成消防安全火灾风险评估模型建立R＝W^TX；用以评估民用建筑中的公共建筑的火灾风险：

(6)根据步骤(4.1)计算得出待评估建筑的属性值，再以步骤(5)建立的模型计算出风险值与步骤(2)中划分的风险等级进行对比，进而得出建筑物的风险等级。