[发明专利]一种基于贝叶斯网络的火灾风险预警方法及系统

权利要求书

1.一种基于贝叶斯网络的火灾风险预警方法，其特征在于：

将与火灾事件相关的各种要素划分为3类：风险源、火灾事件状态和火灾风险；

1.1分别以风险源、火灾事件状态和火灾风险3种变量为行变量和列变量，构建关联矩阵Mⁱ＝(m_ij)_m*n；

采集第i个簇集的知识并进行分析，其中m_ij＝p(0＜＜p＜＜1)表示第i个簇集相应变量之间存在因果关系的信度，

应用证据合成理论将关联矩阵M⁰，M¹，M²，...，Mⁱ，...Mⁿ中各簇集信度进行合成，形成结果关联矩阵Mⁱ＝(m_ij)_m*n，遍历该矩阵，当m_ij＝p(p＞＞a)(a为一临界值)时，用有向边将对应的行变量与列变量连接起来，最终形成普遍可接受的专业网络结构；

按照此方法，建立风险源-火灾事件状态、火灾事件状态-火灾事件状态、火灾事件状态-火灾风险3个子网络：

1.1.1风险源-火灾事件状态子网络：该网络主要包括第一类风险源和第二类风险源与火灾事件状态变量之间的因果关系；第一类风险源为产生能量的能量源或载体；第二类风险源为导致、限制能量屏蔽措施失效或破坏的各种不安全因素；

令EI＝{ei_i|1＜＜i＜＜m}为第一类风险源变量集合，

AI＝{ai_i|1＜＜k＜＜m}为第二类风险源变量集合，

MP＝{mp_j|1＜＜j＜＜n}为火灾事件状态变量集合，

IP＝{ip_j|1＜＜j＜＜m}为承灾体(建筑)状态变量集合；

以EI为行变量，MP为列变量，根据可信专家知识构建关联矩阵A＝{(a_ij)_m×n}，遍历该矩阵，当a_ij＞＞a时，用有向边将ei_i与mp_j连接；针对AI中的每种控制措施ai_k，根据控制对象与目的，用有向边将ai_k与mp_j或ip_j连接，从而形成风险源-火灾事件状态子网络；该网络中的因果关系用条件概率表示为：

P(mp_j|ei_i)表示火灾风险源对火灾事件状态的影响程度；

P(mp_j，jp_j|ai_k)表示第二类风险源对火灾事件状态与承灾体状态的影响程度；

1.1.2火灾事件状态-火灾事件状态子网络：该网络主要用于描述状态变量之间的因果关系；

令MP为火灾事件状态变量集合；

IP为承灾体状态变量集合；lc为火灾事件生命全周期变量；

按照火灾风险源-火灾事件状态子网络的构建方法，以MP为矩阵行变量和列变量，建立火灾事件状态关联矩阵B＝{(b_ij)_n×n}，以MP为行变量，IP为列变量，建立火灾事件状态和承载体状态关联矩阵C＝{(c_ij)_m×n}；遍历矩阵，当b_ij＞＞a或C_ij＞＞a时，用有向边将相关变量连接；最后用有向边连接火灾事件生命周期的事件状态mp_j和承灾体状态ip_j与火灾生命周期变量lc，形成火灾事件状态-状态子网络；网络中包含的事件因果关系用条件概率表示为：

设mp_j∈MP；p(mp_j|mp_i)表示火灾事件状态变量之间的影响程度；

p(ip_j|mp_i)表示火灾事件状态变量对承灾体状态变量的影响度；

p(lc|mp_i，ip_j)表示不同的火灾事件状态和承灾体状态所对应的火灾事件生命周期；

1.1.3火灾事件状态-火灾风险子网络：该网络包括了火灾事件状态变量与火灾风险变量之间的因果关系；

设MP为火灾事件状态变量集合；

IP为承灾体状态变量集合；

O＝{o_j|1＜＜j＜＜m}为火灾风险变量集合；

EO＝{eo_j|1＜＜j＜＜p}为受到火灾事件影响的火灾风险变量集合；

LO＝{lo_k|1＜＜k＜＜q}为火灾事件损失变量集合，

其中O＝EO∪LO；

令S＝MP∪IP为火灾事件的状态变量，以S为行变量，EO为列变量，构建状态风险关联矩阵D＝(d_ij)_(m×n)×p，以IP为行变量，LO为列变量，构建承载体状态损失关联矩阵E＝(e_jk)_m×q；遍历矩阵，当d_ij＞＞a或e_jk＞＞a时，用有向边将相关变量连接；从而形成火灾事件状态-火灾风险子网络；该网络包含的因果关系用条件概率表示主要有p(o_j|mp_i)与p(o_j|ip_j)，分别表示当火灾事件或承灾体处于特定状态时，火灾事件对火灾风险变量或造成特定损失的概率；

1.2构建火灾事件预测的贝叶斯网络：

根据所建立的3个子网络，以火灾事件状态变量与承灾体状态变量为公共节点，合并以上3个子网络，形成火灾事件预测的贝叶斯网络模型。