基于遗传算法的施工现场灾害预测方法技术

本发明专利技术提出一种基于遗传算法的施工现场灾害预测方法。首先，将施工现场的降水量，风速和人工活动时间等作为属性，通过对每个属性的历史数据进行分析，得到每个属性的预测模型。其次，基于遗传算法，确定每个属性的预测模型中的参数值，从而得到每个属性的预测值。再者，对每个属性设置权重，将所有加权后的预测值进行综合，得到综合灾害预测，通过判断综合灾害预测结果，预测施工现场发生灾害的可能性。该方法将施工现场的多个属性综合考虑，应用遗传算法，实现快速预测的同时提高了预测的准确性。

【技术实现步骤摘要】

本专利技术涉及施工工程安全防范领域，尤其涉及一种基于遗传算法的施工现场灾害预测方法。
技术介绍
随着城市现代化建设的发展，城市的各个角落都可以看到各式各样的施工场地，它们为我们建设出美好的城市做出了卓越的贡献，在我们的城市发展中扮演着重要的角色。然而，近几十年由于人们的大力开采，有限的自然资源在不断地减少，随之带来的就是伤害极大的各种灾害。由于灾害突然地发生，将会给施工现场带来巨大的损失。因此，就需要提出一种施工现场的灾害预测方法，可以预测施工现场或工程发生灾害的可能性，使施工场地尽可能地避免灾害，或者当灾害来临时，可以将施工现场的损失降到最低。近几十年，已有相当多的灾害预测方法。有基于遗传算法的自然灾害预测方法，有基于遗传算法优化神经网络的灾害预测方法，也有基于神经网络的灾害预测方法。但是，它们都只结合了灾害发生的单个因素，并没有考虑多方灾害因素的综合。因此，预测出来的结果与实际相比，误差较大。遗传算法(GeneticAlgorithm)是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种搜索最优解的方法。在工程设计、人工智能等领域有着广泛的应用。遗传算法将待求解的问题表示成染色体，构成初始种群，根据适者生存的原则，从中选择出适应环境的染色体，经过交叉、变异等操作后产生出更能适应环境的种群。这样一代一代不断进化，最后收敛到一个最适应环境的个体中，从而求得问题的最优解。与传统搜索方法相比，遗传算法采用以种群为单位进行搜索，体现了其随机性的原则，适合全局寻优。除此之外，遗传算法还具有处理对象的多样性、不需要附加信息、较强的非线性处理能力、较强的并行处理能力以及还可以和其它算法结合使用的优点。因此，将遗传算法用于灾害预测方法中，可以减少预测时间和预测结果的误差。综上，对于现在已经出现的灾害预测的方法，它们的计算方法复杂，预测时间长。这就亟需本领域技术人员解决相应的技术问题。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于遗传算法的施工现场灾害预测方法。为了实现本专利技术的上述目的，本专利技术提供了一种基于遗传算法的施工现场灾害预测方法，包括如下步骤：S1，获取施工现场灾害属性历史数据，得到灾害属性预测模型；S2，提取灾害属性预测模型的参数进行编码；S3，将参数进行解码，将解码后的参数与时间变量代入预测模型得到预测值，从而计算适应度F；S4，设置降水量权重wa、风速权重wb和人工活动时间属性权重wc；S5，定义预测模型进行预测结果计算，设置施工现场灾害预测的阈值，当灾害预测值S大于阈值，则发生灾害的可能性大；若小于阈值，则发生灾害的可能性小。所述的基于遗传算法的施工现场灾害预测方法，优选的，所述S1包括：获取施工现场降水量、风速和人工活动时间的历史数据，得到降水量A的预测模型a(t)，风速B的预测模型b(t)和人工活动时间C的预测模型c(t)；S1-1，降水量的预测模型：其中，a(t)为降水量在t时刻的预测值；为降水量动态变化中的高斯分量；a4cos(a5t+a6)为降水量动态变化中的随机干扰分量；S1-2，风速的预测模型：其中，b(t)为风速在t时刻的预测值；为风速动态变化中的趋势分量；b4sin(b5t+b6)为风速动态变化中的周期分量；为风速动态变化中的随机干扰分量；S1-3，人工活动时间的预测模型：c(t)＝c1u(t+c2)-c3u(t-c4)+c5cos(c6t+c7)其中，c(t)为人工活动时间在t时刻的预测值；c1u(t+c2)-c3u(t-c4)为人工活动时间动态变化中的均匀分布分量；c5cos(c6t+c7)为人工活动时间动态变化中的随机干扰分量。所述的基于遗传算法的施工现场灾害预测方法，优选的，所述S2包括：提取降水量A的预测模型a(t)参数ai进行编码，风速B的预测模型b(t)参数bj进行编码，人工活动时间C的预测模型c(t)参数ck进行编码；设置参数ai的变化范围是[amin,amax]，参数bj的变化范围是[bmin,bmax]，参数ck的变化范围是[cmin,cmax]，采用l位二进制编码。所述的基于遗传算法的施工现场灾害预测方法，优选的，所述S3包括：参数ai的解码值为ai′、参数bj的解码值为b′j、参数ck的解码值为c′k；将解码后的参数与时间变量一起代入预测模型，在统计时间内计算每一个个体在每一个时间点的预测值：Dq(t)＝f1(a′1,a′2,...a′6；t)+f2(b′1，b′2,...b′7；t)+f3(c′1,c′2，...c′7；t),t＝1,2,...L，其中，Dq(t)为每个个体在每一个时间点的预测值；f1(a′1,a′2,...,a′6,t)为个体在降水量属性的每一个时间点的预测值；f2(b′1,b′2,...,b′7,t)为个体在风速属性的每一个时间点的预测值；f3(c′1,c′2,...,c′7,t)为个体在人工活动时间属性的每一个时间点的预测值；L为统计时间内最大的时刻；计算每一个个体在各个时间点上观测与预测值的差值，并计算残差平方和，具体按照以下方法：其中，H为每个个体的残差平方和；D0(t)为每个个体在每一个时间点的观测值；Dq(t)为每个个体在每一个时间点的预测值；L为统计时间内最大的时刻；计算适应度，具体按照以下方法：其中，F为每一个个体的适应度；E为常数，由于一般H较大，故可取一个较大的常数E；H为每个个体的残差平方和。所述的基于遗传算法的施工现场灾害预测方法，优选的，所述S4包括：S4-1，降水量的权重：其中，wa为降水量的权重；qa为降水量权重的动态变化分量；S4-2，风速的权重：其中，wb为风速的权重；qb为风速权重的动态变化分量；S4-3，人工活动时间的权重：其中，wc为人工活动时间的权重；qc为人工活动时间权重的动态变化分量。所述的基于遗传算法的施工现场灾害预测方法，优选的，所述S5包括：综合预测模型的定义：其中，S为灾害预测值；wa为降水量的权重，a(t0)为降水量的预测值，aT为降水量的阈值；wb为风速的权重，b(t0)为风速的预测值，bT为风速的阈值；wc为人工活动时间的权重，c(t0)为人工活动时间的预测值，cT为人工活动时间的阈值。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：将引起灾害发生的降水量，风速以及人工活动时间等数据作为属性，通过对每个属性的历史数据进行分析，得到每个属性的预测模型。基于遗传算法，确定每个属性的预测模型中的参数值，从而得到每个属性的预测值。再对每个属性设置权重，将所有加权后的预测值进行综合，进而应用于灾害预测，可以有效地提高预测结果的准确性。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是本专利技术总体流程图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。在本专利技术的描述中，需要理解的是，术语“纵向本文档来自技高网...

【技术保护点】
一种基于遗传算法的施工现场灾害预测方法，其特征在于，包括如下步骤：S1，获取施工现场灾害属性历史数据，得到灾害属性预测模型；S2，提取灾害属性预测模型的参数进行编码；S3，将参数进行解码，将解码后的参数与时间变量代入预测模型得到预测值，从而计算适应度F；S4，设置降水量权重wa、风速权重wb和人工活动时间属性权重wc；S5，定义预测模型进行预测结果计算，设置施工现场灾害预测的阈值，当灾害预测值S大于阈值，则发生灾害的可能性大；若小于阈值，则发生灾害的可能性小。

【技术特征摘要】
1.一种基于遗传算法的施工现场灾害预测方法，其特征在于，包括如下步骤：S1，获取施工现场灾害属性历史数据，得到灾害属性预测模型；S2，提取灾害属性预测模型的参数进行编码；S3，将参数进行解码，将解码后的参数与时间变量代入预测模型得到预测值，从而计算适应度F；S4，设置降水量权重wa、风速权重wb和人工活动时间属性权重wc；S5，定义预测模型进行预测结果计算，设置施工现场灾害预测的阈值，当灾害预测值S大于阈值，则发生灾害的可能性大；若小于阈值，则发生灾害的可能性小。2.根据权利要求1所述的基于遗传算法的施工现场灾害预测方法，其特征在于，所述S1包括：获取施工现场的降水量、风速以及人工活动时间的历史数据，得到降水量A的预测模型a(t)，风速B的预测模型b(t)和人工活动时间C的预测模型c(t)；S1-1，降水量的预测模型：a(t)=a1e[-(t-a2)2a32]+a4cos(a5t+a6),]]>其中，a(t)为降水量在t时刻的预测值；为降水量动态变化中的高斯分量；a4cos(a5t+a6)为降水量动态变化中的随机干扰分量；S1-2，风速的预测模型：b(t)=b1+b2tb3+b4sin(b5t+b6)+tb72e-t22b72,]]>其中，b(t)为风速在t时刻的预测值；为风速动态变化中的趋势分量；b4sin(b5t+b6)为风速动态变化中的周期分量；为风速动态变化中的随机干扰分量；S1-3，人工活动时间的预测模型：c(t)＝c1u(t+c2)-c3u(t-c4)+c5cos(c6t+c7)，其中，c(t)为人工活动时间在t时刻的预测值；c1u(t+c2)-c3u(t-c4)为人工活动时间动态变化中的均匀分布分量；c5cos(c6t+c7)为人工活动时间动态变化中的随机干扰分量。3.根据权利要求1所述的基于遗传算法的施工现场灾害预测方法，其特征在于，所述S2包括：提取降水量A的预测模型a(t)参数ai进行编码，风速B的预测模型b(t)参数bj进行编码，人工活动时间C的预测模型c(t)参数ck进行编码；设置参数ai的变化范围是[amin,amax]，参数bj的变化范围是[bmin,bmax]，参数ck的变化范围是[cmin,cmax]，采用l位二进制编码。4.根据权利要求1所述的基于遗传算法的施工现场灾害预测方法，其特征在于，所述S...

【专利技术属性】
技术研发人员：辜斌，廖勇，胡异，
申请(专利权)人：成都希盟泰克科技发展有限公司，
类型：发明
国别省市：四川;51