[发明专利]动态火灾风险评估方法、装置、服务器及存储介质

权利要求书

1.一种动态火灾风险评估方法，其特征在于，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。

2.根据权利要求1所述的动态火灾风险评估方法，其特征在于，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。

3.根据权利要求1所述的动态火灾风险评估方法，其特征在于，所述机器学习模型为多元线性回归模型。

4.根据权利要求1所述的动态火灾风险评估方法，其特征在于，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。

5.根据权利要求4所述的动态火灾风险评估方法，其特征在于，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。

6.根据权利要求5所述的动态火灾风险评估方法，其特征在于，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。

7.一种动态火灾风险评估装置，其特征在于，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，利用区域风险评估模型获取训练样本集；

训练模块，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，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。

8.根据权利要求7所述的动态火灾风险评估装置，其特征在于，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，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。

9.一种服务器，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。

10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。