一种基于大数据分类算法的建筑消防安全指数计算方法技术

本发明专利技术涉及消防安全大数据分析平台技术领域，尤其是一种基于大数据分类算法的建筑消防安全指数计算方法，其方法步骤为：步骤一：数据标记与分组；步骤二：构建SVM分类器；步骤三：训练分类模型；步骤四：应用模型预测结果。本发明专利技术有益效果：本发明专利技术结合最新的数据挖掘理论实施方法，采用SVM支持向量机构建标准化的安全指数计算模型，并提前以历史数据作为模型构建的基础，在现今计算机运算速度的支持下，能达到快速、科学、标准、客观的计算结果。

A method of building fire safety index calculation based on big data classification algorithm

The invention relates to the technical field of large data analysis platform for fire safety, especially a calculation method of building fire safety index based on large data classification algorithm. The steps are step 1: data marking and grouping; step two: constructing SVM classifier; step three: training classification model; step four: application model pre model. Test results. The invention has beneficial effect: the invention combines the latest data mining theory implementation method, uses the SVM support vector mechanism to build the standardized security index calculation model, and takes the historical data as the basis of the model construction in advance, and can reach the fast, scientific, standard and objective plan under the support of the computer computing speed. The results are calculated.

【技术实现步骤摘要】
一种基于大数据分类算法的建筑消防安全指数计算方法
本专利技术涉及消防安全大数据分析平台
，尤其是一种基于大数据分类算法的建筑消防安全指数计算方法。
技术介绍
随着近年社会经济的快速发展，消防工作面临的新情况、新问题不断增多，消防安全形势依然严峻，区域性火灾隐患突出，总体上仍处于火灾易发、多发期，给消防工作带来严峻的挑战和考验。为了排查建筑消防安全隐患，降低建筑消防安全风险，各地消防管理部门加大了针对建筑物的消防安全检测，消防检测指的是消防安全管理部门或者检测机构对指定建筑消防设施进行全面检测，并量化记录各个消防设施状态的一系列检查行为。基于消防检测形成的量化数据，进行指定建筑物的消防安全指数计算，以确定该建筑是否属于高风险建筑，消防主管部门以此确定重点火灾隐患防范目标，加强高风险建筑的管理，从而降低消防事故的发生几率。由于消防检测记录数据量庞大，数据关系复杂，建筑消防安全指数计算需要耗费大量人力，且评定结果往往受限于评定人的经验水平等，导致评定结果不稳定等。因此，对于上述问题有必要提出一种基于大数据分类算法的建筑消防安全指数计算方法。
技术实现思路
本专利技术目的是克服了现有技术中的不足，提供了一种基于大数据分类算法的建筑消防安全指数计算方法，通过数据挖掘中常用的分类算法，基于原有一些分类数据的结果进行数据学习，从而建立建筑消防安全指数计算的大数据分类模型，更科学，快捷，准确地进行建筑消防安全指数评定。为了解决上述技术问题，本专利技术是通过以下技术方案实现：一种基于大数据分类算法的建筑消防安全指数计算方法，其方法步骤为：步骤一：数据标记与分组；步骤二：构建SVM分类器；步骤三：训练分类模型；步骤四：应用模型预测结果。优选地，数据标记与分组进一步包括：(1)将所有消防检测项目数据按照不同的系统类别；(2)按照步骤(1)中的分类列表，统计计算所有项目的得分率。得分率计算公式为：(3)将步骤(2)中计算得到的所有21个项目得分率组合成一个21维的向量x＝[a1，a2，…，a21]，该向量即表示一栋建筑物的所有检测得分情况，计算所有建筑的检测得分情况向量，构成全体数据集X＝{xn,n∈R}；(4)以历史建筑风险指数计算结果对全体数据集X中的数据进行标号分类，所有高风险建筑标注为1，非高风险建筑标注为-1；并将标注结果后全体数据集中随机取出的60％数据组合构成训练数据集Strain＝{(xn,yn)|xn∈X,yn∈{-1,1},n＝1,2,3…}其中xn为第n个建筑的得分率向量，yn为对应第n个建筑的风险结果，其余40％作为测试数据集Stest＝{(xm,ym)|xm∈X，ym∈{-1,1},m＝1,2,3…}其中xm为第m个建筑的得分率向量，ym为对应第m个建筑的安全指数计算结果。训练数据集用于训练SVM分类模型，得到对应数据集下的模型参数，测试数据集用于检验这一参数水平下对不参与训练的数据的预测准确率，从而分析模型的泛化能力(理解为对未知数据的预测能力)。优选地，其中构建SVM分类器进一步的包括：(1)设给定的训练集为{(x1,y1),(x2,y2),…,(xn,yn)}其中xi∈Rn为输入向量，yi∈{-1,1}为输出向量,假设该训练集可被一个超平面W·X+b＝0线性划分，问题转化为求最优化超平面问题：(2)对于非线性可分的情况,可以通过一个映射函数(在SVM称核函数),将低维的输入空间Rn映射到高维的特征空间H，使线性可分。则优化问题转化为(3)解出式(2)最优化函数为：从式(2)最小化问题可以得出，选择合适的函数K(·)和C即可以确定SVM分类器；(4)选用RBF径向基核函数，即K(Xi，Xj)＝exp(-γ||Xi-Xj||)2,则分类器的优化问题最终转化为参数对(C,γ)的选择问题。优选地，其中训练分类模型进一步的包括：(1)以1≤C≤1000和0≤γ≤100为范围，构建取值范围内所有C和γ组成的参数对；(2)依次取参数对(C,γ)作为基于RBF核函数的SVM分类器参数初始值，训练数据向量集Strain和测试数据向量集Stest，记这一分类模型下对测试数据集预测的准确率为pt；(3)针对测试集准确率，用计算机程序调整测试SVM算法中不同的C值和γ值参数对，使准确率pt达到预定要求的准确率p0，并保存记录这一准确率p0下的模型参数对(C0,γ0)，即这一参数对为所求SVM分类模型的模型参数。优选地，其中应用模型预测结果进一步的包括：(1)构建不含标记结果的建筑得分率数据向量x’。(构建方法参考步骤一中的Step1-Step3)；(2)采用步骤三中训练所得的模型参数(C0,γ0)对x’进行SVM分类预测，得到输出结果y’∈{-1,1}；(3)y’即为所求的建筑安全指数计算结果。本专利技术有益效果：本专利技术结合最新的数据挖掘理论实施方法，采用SVM支持向量机构建标准化的安全指数计算模型，并提前以历史数据作为模型构建的基础，在现今计算机运算速度的支持下，能达到快速、科学、标准、客观的计算结果。以下将结合附图对本专利技术的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本专利技术的目的、特征和效果。附图说明图1是本专利技术的方法流程图。具体实施方式以下结合附图对本专利技术的实施例进行详细说明，但是本专利技术可以由权利要求限定和覆盖的多种不同方式实施。如图1所示，一种基于大数据分类算法的建筑消防安全指数计算方法，其方法步骤为：步骤一：数据标记与分组；(例如：消防给水系统、气体灭火系统、温度感应系统等)以及重要等级(对一个系统中的不同子项进行分类，总体按照项目对消防系统运行影响大小分为三级，分别为：较大影响项目、一般影响项目、较小影响项目)进行分组分类。具体分类列表如下所示：步骤二：构建SVM分类器；步骤三：训练分类模型；步骤四：应用模型预测结果。进一步的，数据标记与分组进一步包括：(1)将所有消防检测项目数据按照不同的系统类别；(2)按照步骤(1)中的分类列表，统计计算所有项目的得分率。得分率计算公式为：(3)将步骤(2)中计算得到的所有21个项目得分率组合成一个21维的向量x＝[a1，a2，…，a21]，该向量即表示一栋建筑物的所有检测得分情况，计算所有建筑的检测得分情况向量，构成全体数据集X＝{xn,n∈R}；(4)以历史建筑风险指数计算结果对全体数据集X中的数据进行标号分类，所有高风险建筑标注为1，非高风险建筑标注为-1；并将标注结果后全体数据集中随机取出的60％数据组合构成训练数据集Strain＝{(xn,yn)|xn∈X,yn∈{-1,1},n＝1,2,3…}其中xn为第n个建筑的得分率向量，yn为对应第n个建筑的风险结果，其余40％作为测试数据集Stest＝{(xm,ym)|xm∈X，ym∈{-1,1},m＝1,2,3…}其中xm为第m个建筑的得分率向量，ym为对应第m个建筑的安全指数计算结果。训练数据集用于训练SVM分类模型，得到对应数据集下的模型参数，测试数据集用于检验这一参数水平下对不参与训练的数据的预测准确率，从而分析模型的泛化能力(理解为对未知数据的预测能力)。其中构建SVM分类器进一步的包括：(1)设给定的训练集为{(x1,y1),(x2,y2),…,(xn,yn)}其中xi∈Rn为输入向量，yi本文档来自技高网...

【技术保护点】
一种基于大数据分类算法的建筑消防安全指数计算方法，其特征在于：其方法步骤为：步骤一：数据标记与分组；步骤二：构建SVM分类器；步骤三：训练分类模型；步骤四：应用模型预测结果。

【技术特征摘要】
1.一种基于大数据分类算法的建筑消防安全指数计算方法，其特征在于：其方法步骤为：步骤一：数据标记与分组；步骤二：构建SVM分类器；步骤三：训练分类模型；步骤四：应用模型预测结果。2.如权利要求1所述的一种基于大数据分类算法的建筑消防安全指数计算方法，其特征在于：数据标记与分组进一步包括：(1)将所有消防检测项目数据按照不同的系统类别；(2)按照步骤(1)中的分类列表，统计计算所有项目的得分率，得分率计算公式为：(3)将步骤(3)中计算得到的所有21个项目得分率组合成一个21维的向量x＝[a1，a2，…，a21]，该向量即表示一栋建筑物的所有检测得分情况，计算所有建筑的检测得分情况向量，构成全体数据集X＝{xn,n∈R}；(4)以历史建筑风险指数计算结果对全体数据集X中的数据进行标号分类，所有高风险建筑标注为1，非高风险建筑标注为-1；并将标注结果后全体数据集中随机取出的60％数据组合构成训练数据集Strain＝{(xn,yn)|xn∈X,yn∈{-1,1},n＝1,2,3…}其中xn为第n个建筑的得分率向量，yn为对应第n个建筑的风险结果，其余40％作为测试数据集Stest＝{(xm,ym)|xm∈X，ym∈{-1,1},m＝1,2,3…}其中xm为第m个建筑的得分率向量，ym为对应第m个建筑的安全指数计算结果；训练数据集用于训练SVM分类模型，得到对应数据集下的模型参数，测试数据集用于检验这一参数水平下对不参与训练的数据的预测准确率，从而分析模型的泛化能力。3.如权利要求1所述的一种基于大数据分类算法的建筑消防安全指数计算方法，其特征在于：其中构建SVM分类器进一步的包括：(1)设给定的训练集为{(x1,y1),(x2,y2),…,(xn,yn)}其中xi∈Rn为输入向量，yi∈{-1,1}为输出向量,假设该训练集可被一个超平面W·X+b＝0线性划分，问题转化为求最优化超平面问题：

【专利技术属性】
技术研发人员：王晓佳，蔡文鑫，
申请(专利权)人：广东广业开元科技有限公司，
类型：发明
国别省市：广东,44