【技术实现步骤摘要】
一种城市事故灾害演化模拟及风险预测预警方法
本专利技术具体涉及一种城市事故灾害演化模拟及风险预测预警方法，属于机器学习
技术介绍
近年来，随着我国经济和社会的快速发展，城市化水平得到了不断提升。但由于城市化进程加快以及自然环境的恶化，导致了我国城市内致灾因素的急速增加与城市事故灾害的频繁发生，我国城市公共安全形式十分严峻。目前，城市事故灾害类别多样，具有多样性、耦合性和连锁性等特点。同时，由于城市人口集中，建筑物密集等特点，若不能及时有效对城市事故灾害进行预测预警与应急处置，将造成巨大的经济损失并严重威胁城市安全运行和公民的生命安全。在城市事故灾害应急处置中，能够快速、准确模拟城市事故灾害演化过程以及实现事故灾害风险快速预测预警十分重要。当前对于城市事故灾害演化模拟及风险预测预警的研究及技术方法较为单一，多集中于对单类事故的演化模拟以及利用传感器等监测监控设备的事故灾害预测预警，其在灾害演化模拟的速度及精度上有所欠缺，风险预测预警的定量化、精确性不足，未能满足事故灾害风险快速预测预警与应急响应的需求。随着机...
【技术保护点】
1.一种城市事故灾害演化模拟及风险预测预警方法，其特征在于，所述方法具体为：/n利用机器学习技术方法，通过利用多种数据构建城市事故灾害演化数据仓库来实现对城市事故灾害机器学习快速预测模型的参数训练与参数学习，机器学习快速预测模型通过对视频监控数据、传感器实时监测数据等的分析与计算来实现对城市事故灾害风险的快速预测预警；/n其中，建立的数据仓库通过高置信度数值模拟数据来扩充数据容量；高置信度的数值模拟数据通过两类模型产生：一类是经过实验数据或事故灾害历史数据验证的数值模拟模型；另一类是基于数据同化技术的估计及扩散预测矫正模型；基于数据同化技术的估计及扩散预测矫正模型由贝叶斯推...
【技术特征摘要】
1.一种城市事故灾害演化模拟及风险预测预警方法，其特征在于，所述方法具体为：
利用机器学习技术方法，通过利用多种数据构建城市事故灾害演化数据仓库来实现对城市事故灾害机器学习快速预测模型的参数训练与参数学习，机器学习快速预测模型通过对视频监控数据、传感器实时监测数据等的分析与计算来实现对城市事故灾害风险的快速预测预警；
其中，建立的数据仓库通过高置信度数值模拟数据来扩充数据容量；高置信度的数值模拟数据通过两类模型产生：一类是经过实验数据或事故灾害历史数据验证的数值模拟模型；另一类是基于数据同化技术的估计及扩散预测矫正模型；基于数据同化技术的估计及扩散预测矫正模型由贝叶斯推断—集合卡尔曼滤波耦合数据同化模型构建完成，所述贝叶斯推断—集合卡尔曼滤波耦合数据同化模型首先通过贝叶斯推断方法结合由实验数据或事故灾害历史数据中提取的观测数据实现对源项信息的反演估计，进而将获得的源项信息反演计算结果用于时空分布的预测，并通过集合卡尔曼滤波算法结合观测数据实现对时空分布的矫正。
2.如权利要求1所述的城市事故灾害演化模拟及风险预测预警方法，其特征在于，所述方法中贝叶斯推断—集合卡尔曼滤波耦合数据同化模型算法流程如下：
通过贝叶斯推断方法实现燃气泄漏源项信息反演计算，如公式一所示：
式中，Q为源项参数，I为观测值，P(I|Q)表示似然函数，P(Q)是基于先验信息对源项参数的先验估计，P(Q|I)表示源项参数后验概率分布，似然函数可表示为：
式中，分别为t时刻第i个传感器的观测值与预测值，表示t时刻第i个传感器的模型误差与观测误差，源项参数Q的后验分布为：
完成源项参数反演计算后，将获得的源项信息用于燃气浓度时空分布的预测，并通过集合卡尔曼滤波实现对燃气浓度时空分布的矫正，具体如公式五：
式中，为i时刻状态集合中第n个状态预测值，M为预测模型，即i-1时刻到i时刻状态的变化关系，为i-1时刻状态集合中第n个状态更新值，θ为预测模型误差，
当i时刻存在观测值时，将通过观测值更新集合中所有的状态：
Pe＝B′B′...
【专利技术属性】
技术研发人员：吴建松，胡啸峰，原帅琪，沈兵，蔡继涛，
申请(专利权)人：中国矿业大学北京，中国人民公安大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。