CN113177737A - 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及*** - Google Patents
基于ga优化bp神经网络的城市暴雨灾害风险评估方法及*** Download PDFInfo
- Publication number
- CN113177737A CN113177737A CN202110577159.XA CN202110577159A CN113177737A CN 113177737 A CN113177737 A CN 113177737A CN 202110577159 A CN202110577159 A CN 202110577159A CN 113177737 A CN113177737 A CN 113177737A
- Authority
- CN
- China
- Prior art keywords
- disaster
- risk
- rainstorm
- neural network
- risk assessment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002068 genetic effect Effects 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 title abstract description 7
- 230000002265 prevention Effects 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000003064 k means clustering Methods 0.000 claims abstract description 9
- 230000035945 sensitivity Effects 0.000 claims abstract description 9
- 238000013210 evaluation model Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000012876 topography Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明公开了基于GA优化BP神经网络的城市暴雨灾害风险评估方法及***,涉及城市暴雨灾害风险评估的技术领域,旨在解决目前所采用的评估方法本身存在评价机理不够直观、评估结果的可信度不足、缺乏实时动态的风险评估的问题。其技术方案要点是建立包括致灾因子危险性、孕灾环境敏感性、承灾体的脆弱性、防灾抗灾能力的暴雨灾害风险评估体系;基于k‑means聚类历史灾损数据生成风险等级标签;根据所述暴雨灾害风险评估体系和风险等级标签,构建GA优化神经网络暴雨灾害风险评估模型;将实时降雨量输入所述暴雨灾害风险评估模型中,获得特定时段内的风险等级标签。本发明达到了提高评估全面性和准确性的效果。
Description
技术领域
本发明涉及城市暴雨灾害风险评估的技术领域,尤其是涉及一种基于GA优化BP神经网络的城市暴雨灾害风险评估方法及***。
背景技术
当前,我国每年由于自然灾害受到的人员伤亡和经济损失数目巨大,其中暴雨引发的灾害及衍生灾害在城市中十分普遍,因此迫切需要构建一个针对城市区域的暴雨灾害风险评估模型,对潜在可能发生的风险进行评估,既可以为城市土地资源利用提供参考,也对城市防灾减灾发挥着重要作用。
暴雨洪涝灾害风险评估是对其风险发生的强度和形式进行定量评定和估计。要进行风险评估,首先必须存在风险源,即存在自然灾变;第二,必须有风险承载体(承灾体),即人类社会,自然灾害是自然力作用于承灾体的结果。因此,暴雨洪涝风险评估实际上是评估暴雨洪涝对承灾体的负面影响。
关于暴雨洪涝灾害风险评估,国内外学者做了大量研究,认为灾害的形成是承载体脆弱性、致灾因子和暴露度等方面综合作用的结果。暴雨洪涝灾害风险评估应综合考虑致灾因子、承灾体和防灾能力等因素,构建评估模型开展风险评估,其主要包括暴雨灾害危险性、承灾体暴露性、承灾体脆弱性以及综合风险分析,风险等级划分及其风险应对措施等内容。
暴雨洪涝灾害所造成的损失是由众多灾害影响因素相互作用的结果,而这些影响因素无法用精确的数学模型来描述。目前所采用的评估方法本身存在诸多不足,如评价机理不够直观、部分评价方法由于其建立的数学基础本身的原因,影响评估结果的可信度等。同时,防范暴雨洪涝灾害迫切需要实时动态的风险评估,而当前灾害风险实时评估的工作相对匮乏。
发明内容
本发明的目的是提供一种基于GA优化BP神经网络的城市暴雨灾害风险评估方法及***,其具有提高评估全面性和准确性的效果。
本发明的上述发明目的一是通过以下技术方案得以实现的:
一种基于GA优化BP神经网络的城市暴雨灾害风险评估方法,包括以下步骤:
建立包括致灾因子危险性、孕灾环境敏感性、承灾体的脆弱性、防灾抗灾能力的暴雨灾害风险评估体系;
基于k-means聚类历史灾损数据生成风险等级标签,所述风险等级标签包括有极高风险、高风险、中风险和低风险四个标签;
根据所述暴雨灾害风险评估体系和风险等级标签,构建GA优化神经网络暴雨灾害风险评估模型;
将实时降雨量输入所述暴雨灾害风险评估模型中,获得特定时段内的风险等级标签。
本发明进一步设置为:所述致灾因子危险性由等效日降雨量衡量,所述等效日降雨量在某一时段的转换关系为:
D=εPTβ
其中,D为等效日降雨量,P为T时长的降雨量,ε和β为转化系数;
所述致灾因子的危险性的量化计算公式为:
其中,W为暴雨致灾因子危险性,p′为累计降雨量阈值,当等效日降雨量D小于p′时,致灾因子危险性为0,当等效日降雨量超过p′时,致灾因子危险性呈指数型增长。
本发明进一步设置为:所述孕灾环境敏感性包括地形、地势、水系的评价指标,所述地形从高程数据获取,所述地势通过某一格点的高程与周围八个格点的高程标准差来计算,所述水系通过城市中河流面积和长度表示;
所述承灾体的脆弱性包括人口数量、人均GDP、路网密度三个评价指标;
所述防灾抗灾能力包括防汛路段长度和防汛点数量的两个评价指标;
将所述地形、地势、水系、人口数量、人均GDP、路网密度、防汛路段长度和防汛点数量八个评价指标无量纲化处理。
本发明进一步设置为:所述基于k-means聚类历史灾损数据生成风险等级标签,包括以下步骤:
获取历史受灾数据,统计受灾人数、直接经济损失和农作物受灾面积;
将所述受灾人数、直接经济损失和农作物受灾面积采用min-max标准化方法进行无量纲处理;
随机选择四个聚类的质心,对每个数据点求其到质心的距离,将每个数据点的类划分为离该数据点最近的质心,形成四个簇,根据分类好的簇,在每个簇内重新计算质心,重复迭代更新质心,直到达到稳定状态;
将分类后的数据,根据受灾情况分别对应到特大灾、大灾、中灾和小灾四个受灾等级,将受灾等级映射为对应的风险等级标签,特大灾对应为极高风险,大灾对应为高风险,中灾对应中风险,小灾对应低风险。
本发明进一步设置为:所述构建GA优化神经网络暴雨灾害风险评估模型,包括以下步骤:
构建包括输入层、隐含层和输出层的BP神经网络;
获取样本数据,将样本数据分为训练数据和测试数据;
使用遗传算法优化BP神经网络的权重和阈值。
本发明进一步设置为:所述输入层包括有致灾因子危险性、地形、地势、水系、人口数量、人均GDP、路网密度、防汛路段长度和防汛点数量9个神经元节点;
所述隐含层为1层,所述隐含层包括有19个神经元节点;
所述输出层包括有特大灾、大灾、中灾和小灾4个神经元节点。
本发明进一步设置为:所述使用遗传算法优化BP神经网络的权重和阈值,包括以下步骤:
步骤一:种群初始化,采用二进制编码方式对个体进行编码,连接所有所述权值和阈值的编码即为一个个体编码,当所述权值和阈值均为n位二进制编码时,所述个体的二进制编码包括有171*n位输入层与隐含层连接权值编码、19*n位隐含层阈值编码、76*n位隐含层与输出层连接权值编码、4*n位输出层编码,所述个体的二进制编码供270*n位;
步骤二:计算个体适应度,包括以下公式:
其中,minE(n)为目标函数,Fit(n)为适应度函数,N为训练集中样本个数,yj(n)是训练样本n在第j个输出节点的实际输出值,dj(n)训练样本n在第j个输出节点的目标输出值,c是输出端个数;
步骤三:选择运算;
步骤四:交叉运算;
步骤五:变异运算;
步骤六:当均方差E小于预设值ε或达到最大迭代次数时,则输出最佳个体,解码获得最佳神经网络权值和阈值,否则,解码得到权值和阈值,将权值和阈值赋值给新建的BP神经网络,使用训练样本训练网络,使用测试样本测试网络,再计算测试误差,返回步骤二继续执行。
本发明的上述发明目的二是通过以下技术方案得以实现的:
一种基于GA优化BP神经网络的城市暴雨灾害风险评估***,包括:
暴雨灾害风险评估体系建立模块,用于建立包括致灾因子危险性、孕灾环境敏感性、承灾体的脆弱性、防灾抗灾能力的暴雨灾害风险评估体系;
风险等级标签生成模块,用于基于k-means聚类历史灾损数据生成包括有极高风险、高风险、中风险和低风险四个标签的风险等级标签;
暴雨灾害风险评估模型建立模块,用于根据所述暴雨灾害风险评估体系和风险等级标签,构建GA优化神经网络暴雨灾害风险评估模型;
结果输出模块,用于将实时降雨量输入所述暴雨灾害风险评估模型中,获得特定时段内的风险等级标签。
综上所述,本发明的有益技术效果为:
基于GA优化BP神经网络对暴雨灾害风险进行评估,相比于依赖层次分析法、专家打分法确定各暴雨风险评估前的权重,使用神经网络模型训练评估指标和风险等级的关系更具有科学性。该方法不依赖于主观赋值,有着很强大的非线性映射能力、自学习能力和自适应性,可以有效的从暴雨灾害历史灾损数据训练得到更加高效精准的评估指标和风险等级之间的关系模型,进而得到实时暴雨灾害风险评估产品。此外,GA优化的神经网络模型克服了BP神经网络局部极小化的不足,对BP神经网络的权值和阈值进行优化。
附图说明
图1是本发明实施例一的整体流程图;
图2是本发明实施例一中BP神经网络的拓扑结构图。
具体实施方式
实施例一
本发明公开了一种基于GA(Genetic Algorithm,遗传算法)优化BP(backpropagation,反向传播)神经网络的城市暴雨灾害风险评估方法,参照图1,包括以下步骤:
S1、建立包括致灾因子危险性、孕灾环境敏感性、承灾体的脆弱性、防灾抗灾能力的暴雨灾害风险评估体系。
建立一个完备的暴雨灾害风险评估指标体系对预测和评估灾害风险的发生至关重要,如果指标构建不全面,会导致使评估结果与实际产生较大偏差。如果将自然灾害风险从***角度去理解,它的构成首先应该包括风险源。风险源不但从根本上决定某种自然灾害是否存在,而且还决定了该种风险的大小。我们通常采用致灾因子危险性来表述。在暴雨风险灾害***中,将降雨强度作为致灾因子,采用模型转化到同一维度来量化致灾因子的危险性。但是风险源存在不一定意味着风险存在,风险是相对于承受灾害的行为主体的,在城市区域中,通常将人口和地均DGP作为承灾主体。此外由于交通对一个城市的人口流动和经济发展也起着至关重要的作用,故把路网密度也作为一项重要的承灾体。此外风险源的变异强度与孕灾环境有关,例如,同样的降水强度,地势低洼的地方更容易出现洪涝灾害。拟选择地势、地形和水系指标来分析孕灾环境。最后,在人类能力范围的防汛措施可大大降低暴雨灾害风险,在风险评估时亦需要将当前防灾减灾措施作为指标考虑进来。
S2、基于k-means聚类历史灾损数据生成风险等级标签,风险等级标签包括有极高风险、高风险、中风险和低风险四个标签。
S3、根据暴雨灾害风险评估体系和风险等级标签,构建GA优化神经网络暴雨灾害风险评估模型。城市暴雨灾害风险评估指标与灾害风险等级之间具有高度不确定的非线性关系,采用主观赋权法,缺乏一定的科学性,受制于专家的主观因素,故采用BP神经网络模型,将输入的风险评估指标与输出的风险级别进行非线性映射。同时由于BP神经网络存在初始值敏感,易陷于局部最优等缺点,故采用GA算法对权值和阈值进行优化,构建GA优化的BP神经网络模型。
S4、将实时降雨量输入暴雨灾害风险评估模型中,获得特定时段内的风险等级标签。依据BP神经网络模型,即可通过输入的灾害风险评估***的各个指标,得到相应的可能发生的灾害的风险等级。在孕灾环境、承灾体及防灾抗灾能力不变的情况下,实时输入降雨量,转化为等效日降雨量并量化为致灾因子危险度后,即可对应输出该时段该地区的暴雨灾害风险等级。
在步骤S1中,致灾因子危险性由等效日降雨量衡量,等效日降雨量在某一时段的转换关系为:
D=εPTβ
其中,D为等效日降雨量,P为T时长的降雨量,ε和β为转化系数;
致灾因子的危险性的量化计算公式为:
其中,W为暴雨致灾因子危险性,p′为累计降雨量阈值,当等效日降雨量D小于p′时,致灾因子危险性为0,当等效日降雨量超过p′时,致灾因子危险性呈指数型增长。
孕灾环境敏感性在本实施例中主要考虑地形、地势、水系三个方面,地形从高程数据获取,地势通过某一格点的高程与周围八个格点的高程标准差来计算,水系通过城市中河流面积和长度来量化。
承灾体的脆弱性是指当一旦发生灾变,对灾害承受主体可能遭到的损失的度量,在城市中的暴雨灾害承载体主要考虑人口数量、人均GDP、路网密度三个评价指标。
防灾抗灾能力包括防汛路段长度和防汛点数量的两个评价指标。
将地形、地势、水系、人口数量、人均GDP、路网密度、防汛路段长度和防汛点数量八个评价指标无量纲化处理。
在步骤S2中,基于k-means聚类历史灾损数据生成风险等级标签,包括以下步骤:
S21、获取历史受灾数据,统计受灾人数、直接经济损失和农作物受灾面积。
S22、将受灾人数、直接经济损失和农作物受灾面积采用min-max标准化方法进行无量纲处理。
S23、随机选择四个聚类的质心,对每个数据点求其到质心的距离,将每个数据点的类划分为离该数据点最近的质心,形成四个簇,根据分类好的簇,在每个簇内重新计算质心,重复迭代更新质心,直到达到稳定状态。
S24、将分类后的数据,根据受灾情况分别对应到特大灾、大灾、中灾和小灾四个受灾等级,将受灾等级映射为对应的风险等级标签,特大灾对应为极高风险,大灾对应为高风险,中灾对应中风险,小灾对应低风险。
步骤S3中,构建GA优化神经网络暴雨灾害风险评估模型,包括以下步骤:
S31、构建包括输入层、隐含层和输出层的BP神经网络。其中,根据暴雨灾害风险评估体系可知,从致灾因子、孕灾环境、承灾体和防灾抗灾能力四个方面分别选取了1、3、3、2个指标。故本文将降雨强度、地形、地势、水系、人口、地均GDP、路网密度、防汛点数量、防汛路段长度作为BP网络的输入层,因此输入层神经元节点数目为9个。
由于过多隐含层层数会导致训练时间增长,计算量巨大,同时也会导致在训练过程中更容易陷入局部最优,使得局部最小误差增加,基于上述考虑,本模型隐含层层数选择1层。隐含层神经元数目依据经验公式来确定,隐含层神经元个数n2与输入层神经元个数n1之间的关系为:n2=2*n1+1,由于输入层神经元个数为9,所以隐含层神经元个数为19个。
输出层的节点选择由评估结果来确定。在模型的训练阶段,期望输出值是从历史灾损数据中获得,并根据上文提到的分类方法将历史灾情数据定级为特大灾、大灾、中灾和小灾四个等级,对应的输出应分别是(1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1),显然输出层的神经元节点数为4。
S32、获取样本数据,将样本数据分为训练数据和测试数据。训练数据用于网络训练,通过不断修正权值和阈值,来降低测试样本的测试误差。
S33、使用遗传算法优化BP神经网络的权重和阈值。优化步骤如下:
S331、种群初始化,参照图2,采用二进制编码方式对个体进行编码,连接所有权值和阈值的编码即为一个个体编码,由于该模型中输入层神经元个数为9个,隐含层神经元为19个,输出层神经元为4个,所以共有权值9*19+19*4=247个,阈值19+4=23个。当权值和阈值均为10位二进制编码时,个体的二进制编码包括有9*19*n位输入层与隐含层连接权值编码、19*n位隐含层阈值编码、19*4*n位隐含层与输出层连接权值编码、4*n位输出层编码,个体的二进制编码供270*n位。若每个权值和阈值使用10位的二进制编码,则每个个体的二进制编码长度为2700,其中前1710位是输入层与隐含层连接权值编码,1711-1900位是隐含层阈值编码,1901-2660位是隐含层与输出层连接权值编码,2661-2700位则为输出层编码。
S332、为了使BP网络预测时,预测值与期望值的均值误差尽可能小,选取网络在训练样本中产生的均值误差作为学习的目标函数,并利用目标函数的倒数作为适应度函数。计算个体适应度,包括以下公式:
其中,minE(n)为目标函数,Fit(n)为适应度函数,N为训练集中样本个数,yj(n)是训练样本n在第j个输出节点的实际输出值,dj(n)训练样本n在第j个输出节点的目标输出值,c是输出端个数。yj(n)和dj(n)的差的平方和越小,个体适应度值越大,该个体越优,网络的性能越好。
S333、选择运算,采用随机遍历抽样,为现有技术。
S334、交叉运算,采用最简单的单点交叉算子,为现有技术。
S335、变异运算,变异以一定概率产生变异基因数,用随机方法选出发生变异的基因。如果所选的基因的编码为1,则将其变为0;反之则变为1。
S336、当均方差E小于预设值ε或达到最大迭代次数时,则输出最佳个体,解码获得最佳神经网络权值和阈值,否则,解码得到权值和阈值,将权值和阈值赋值给新建的BP神经网络,使用训练样本训练网络,使用测试样本测试网络,再计算测试误差,返回步骤二继续执行。
实施例二
本发明公开了一种基于GA优化BP神经网络的城市暴雨灾害风险评估***,包括:
暴雨灾害风险评估体系建立模块,用于建立包括致灾因子危险性、孕灾环境敏感性、承灾体的脆弱性、防灾抗灾能力的暴雨灾害风险评估体系;
风险等级标签生成模块,用于基于k-means聚类历史灾损数据生成包括有极高风险、高风险、中风险和低风险四个标签的风险等级标签;
暴雨灾害风险评估模型建立模块,用于根据暴雨灾害风险评估体系和风险等级标签,构建GA优化神经网络暴雨灾害风险评估模型;
结果输出模块,用于将实时降雨量输入暴雨灾害风险评估模型中,获得特定时段内的风险等级标签。
本具体实施方式的实施例均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (8)
1.一种基于GA优化BP神经网络的城市暴雨灾害风险评估方法,其特征在于,包括以下步骤:
建立包括致灾因子危险性、孕灾环境敏感性、承灾体的脆弱性、防灾抗灾能力的暴雨灾害风险评估体系;
基于k-means聚类历史灾损数据生成风险等级标签,所述风险等级标签包括有极高风险、高风险、中风险和低风险四个标签;
根据所述暴雨灾害风险评估体系和风险等级标签,构建GA优化神经网络暴雨灾害风险评估模型;
将实时降雨量输入所述暴雨灾害风险评估模型中,获得特定时段内的风险等级标签。
3.根据权利要求2所述的基于GA优化BP神经网络的城市暴雨灾害风险评估方法,其特征在于:所述孕灾环境敏感性包括地形、地势、水系的评价指标,所述地形从高程数据获取,所述地势通过某一格点的高程与周围八个格点的高程标准差来计算,所述水系通过城市中河流面积和长度表示;
所述承灾体的脆弱性包括人口数量、人均GDP、路网密度三个评价指标;
所述防灾抗灾能力包括防汛路段长度和防汛点数量的两个评价指标;
将所述地形、地势、水系、人口数量、人均GDP、路网密度、防汛路段长度和防汛点数量八个评价指标无量纲化处理。
4.根据权利要求3所述的基于GA优化BP神经网络的城市暴雨灾害风险评估方法,其特征在于,所述基于k-means聚类历史灾损数据生成风险等级标签,包括以下步骤:
获取历史受灾数据,统计受灾人数、直接经济损失和农作物受灾面积;
将所述受灾人数、直接经济损失和农作物受灾面积采用min-max标准化方法进行无量纲处理;
随机选择四个聚类的质心,对每个数据点求其到质心的距离,将每个数据点的类划分为离该数据点最近的质心,形成四个簇,根据分类好的簇,在每个簇内重新计算质心,重复迭代更新质心,直到达到稳定状态;
将分类后的数据,根据受灾情况分别对应到特大灾、大灾、中灾和小灾四个受灾等级,将受灾等级映射为对应的风险等级标签,特大灾对应为极高风险,大灾对应为高风险,中灾对应中风险,小灾对应低风险。
5.根据权利要求4所述的基于GA优化BP神经网络的城市暴雨灾害风险评估方法,其特征在于:所述构建GA优化神经网络暴雨灾害风险评估模型,包括以下步骤:
构建包括输入层、隐含层和输出层的BP神经网络;
获取样本数据,将样本数据分为训练数据和测试数据;
使用遗传算法优化BP神经网络的权重和阈值。
6.根据权利要求5所述的基于GA优化BP神经网络的城市暴雨灾害风险评估方法,其特征在于:所述输入层包括有致灾因子危险性、地形、地势、水系、人口数量、人均GDP、路网密度、防汛路段长度和防汛点数量9个神经元节点;
所述隐含层为1层,所述隐含层包括有19个神经元节点;
所述输出层包括有特大灾、大灾、中灾和小灾4个神经元节点。
7.根据权利要求6所述的基于GA优化BP神经网络的城市暴雨灾害风险评估方法,其特征在于,所述使用遗传算法优化BP神经网络的权重和阈值,包括以下步骤:
步骤一:种群初始化,采用二进制编码方式对个体进行编码,连接所有所述权值和阈值的编码即为一个个体编码,当所述权值和阈值均为n位二进制编码时,所述个体的二进制编码包括有171*n位输入层与隐含层连接权值编码、19*n位隐含层阈值编码、76*n位隐含层与输出层连接权值编码、4*n位输出层编码,所述个体的二进制编码供270*n位;
步骤二:计算个体适应度,包括以下公式:
其中,minE(n)为目标函数,Fit(n)为适应度函数,N为训练集中样本个数,yj(n)是训练样本n在第j个输出节点的实际输出值,dj(n)训练样本n在第j个输出节点的目标输出值,c是输出端个数;
步骤三:选择运算;
步骤四:交叉运算;
步骤五:变异运算;
步骤六:当均方差E小于预设值ε或达到最大迭代次数时,则输出最佳个体,解码获得最佳神经网络权值和阈值,否则,解码得到权值和阈值,将权值和阈值赋值给新建的BP神经网络,使用训练样本训练网络,使用测试样本测试网络,再计算测试误差,返回步骤二继续执行。
8.一种基于GA优化BP神经网络的城市暴雨灾害风险评估***,其特征在于,包括:
暴雨灾害风险评估体系建立模块,用于建立包括致灾因子危险性、孕灾环境敏感性、承灾体的脆弱性、防灾抗灾能力的暴雨灾害风险评估体系;
风险等级标签生成模块,用于基于k-means聚类历史灾损数据生成包括有极高风险、高风险、中风险和低风险四个标签的风险等级标签;
暴雨灾害风险评估模型建立模块,用于根据所述暴雨灾害风险评估体系和风险等级标签,构建GA优化神经网络暴雨灾害风险评估模型;
结果输出模块,用于将实时降雨量输入所述暴雨灾害风险评估模型中,获得特定时段内的风险等级标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577159.XA CN113177737A (zh) | 2021-05-26 | 2021-05-26 | 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577159.XA CN113177737A (zh) | 2021-05-26 | 2021-05-26 | 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113177737A true CN113177737A (zh) | 2021-07-27 |
Family
ID=76927080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110577159.XA Pending CN113177737A (zh) | 2021-05-26 | 2021-05-26 | 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177737A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192296A (zh) * | 2021-04-19 | 2021-07-30 | 武汉邻盛智能设备有限公司 | 一种水灾灾害判定及预警方法 |
CN113723824A (zh) * | 2021-09-01 | 2021-11-30 | 廊坊市气象局 | 一种暴雨致灾风险评估方法 |
CN113869438A (zh) * | 2021-09-30 | 2021-12-31 | 自然资源部第三海洋研究所 | 一种基于k-means的风暴潮灾害重点防御区选划方法 |
CN114066288A (zh) * | 2021-11-24 | 2022-02-18 | 广州交投工程检测有限公司 | 一种基于智慧数据中心的营运道路应急检测方法及*** |
CN114280490A (zh) * | 2021-09-08 | 2022-04-05 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及*** |
CN114399235A (zh) * | 2022-03-25 | 2022-04-26 | 北京慧图科技(集团)股份有限公司 | 一种基于雨情数据判定灾害风险等级的方法及*** |
CN114679335A (zh) * | 2022-03-01 | 2022-06-28 | 国网宁夏电力有限公司 | 电力监控***网络安全风险评估训练、评估方法及设备 |
CN116341739A (zh) * | 2023-03-27 | 2023-06-27 | 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) | 一种洪涝损失预评估方法、装置、设备及介质 |
CN117332909A (zh) * | 2023-12-01 | 2024-01-02 | 南京师范大学 | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 |
CN117592789A (zh) * | 2024-01-18 | 2024-02-23 | 山东金桥保安器材有限公司 | 基于时间序列分析的电网环境火灾风险评估方法及设备 |
CN117608005A (zh) * | 2024-01-23 | 2024-02-27 | 南京信息工程大学 | 一种对区域暴雨频次的研判方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867110A (zh) * | 2012-08-22 | 2013-01-09 | 广东电网公司电力科学研究院 | 一种输电线路杆塔基础边坡暴雨灾害风险评估方法 |
CN102867217A (zh) * | 2012-08-28 | 2013-01-09 | 南京信息工程大学 | 基于投影寻踪的设施农业气象灾害风险评价方法 |
CN103699943A (zh) * | 2013-12-27 | 2014-04-02 | 长春工业大学 | 一种基于ga-psobp算法的地质灾害危险性评价方法 |
CN105654414A (zh) * | 2015-12-25 | 2016-06-08 | 浙江大学城市学院 | 基于开源体系架构和建筑物空间数据库的城市多灾害风险损失评测***及方法 |
CN106022953A (zh) * | 2016-05-13 | 2016-10-12 | 国网浙江省电力公司台州供电公司 | 电网设施暴雨风险评估方法 |
CN106611245A (zh) * | 2016-12-21 | 2017-05-03 | 国网福建省电力有限公司 | 一种基于gis的电网台风灾害风险评估方法 |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
CN109272189A (zh) * | 2018-08-03 | 2019-01-25 | 华南理工大学 | 一种基于链式结构的城市尺度洪涝灾害风险评估方法 |
CN110728448A (zh) * | 2019-10-10 | 2020-01-24 | 国网河南省电力公司电力科学研究院 | 基于强降水时空分布特征的电网灾害风险评估方法和装置 |
-
2021
- 2021-05-26 CN CN202110577159.XA patent/CN113177737A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867110A (zh) * | 2012-08-22 | 2013-01-09 | 广东电网公司电力科学研究院 | 一种输电线路杆塔基础边坡暴雨灾害风险评估方法 |
CN102867217A (zh) * | 2012-08-28 | 2013-01-09 | 南京信息工程大学 | 基于投影寻踪的设施农业气象灾害风险评价方法 |
CN103699943A (zh) * | 2013-12-27 | 2014-04-02 | 长春工业大学 | 一种基于ga-psobp算法的地质灾害危险性评价方法 |
CN105654414A (zh) * | 2015-12-25 | 2016-06-08 | 浙江大学城市学院 | 基于开源体系架构和建筑物空间数据库的城市多灾害风险损失评测***及方法 |
CN106022953A (zh) * | 2016-05-13 | 2016-10-12 | 国网浙江省电力公司台州供电公司 | 电网设施暴雨风险评估方法 |
CN106611245A (zh) * | 2016-12-21 | 2017-05-03 | 国网福建省电力有限公司 | 一种基于gis的电网台风灾害风险评估方法 |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
CN109272189A (zh) * | 2018-08-03 | 2019-01-25 | 华南理工大学 | 一种基于链式结构的城市尺度洪涝灾害风险评估方法 |
CN110728448A (zh) * | 2019-10-10 | 2020-01-24 | 国网河南省电力公司电力科学研究院 | 基于强降水时空分布特征的电网灾害风险评估方法和装置 |
Non-Patent Citations (5)
Title |
---|
《计算机应用》: "基于GIS的广西暴雨风险度实时评估***", 《计算机应用》, pages 282 - 286 * |
央金卓玛: "GIS支持下的西藏冰雹灾害风险评估模型", 《高原山地气象研究》, vol. 36, no. 2, 15 June 2016 (2016-06-15), pages 71 - 76 * |
扈海波: "北京地区城市暴雨积涝灾害风险预评估", 《应用气象学报》, 15 February 2013 (2013-02-15), pages 101 - 110 * |
蔡嘉婧: "基于GIS的德阳市暴雨洪涝灾害风险定量化研究", 《中国农学通报》, pages 165 - 170 * |
陈超泉;王政锋;匡昭敏;李莉;孟翠丽;何立;: "基于GIS的广西暴雨风险度实时评估***", 计算机应用, no. 01, 1 January 2013 (2013-01-01), pages 282 - 286 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192296A (zh) * | 2021-04-19 | 2021-07-30 | 武汉邻盛智能设备有限公司 | 一种水灾灾害判定及预警方法 |
CN113723824A (zh) * | 2021-09-01 | 2021-11-30 | 廊坊市气象局 | 一种暴雨致灾风险评估方法 |
CN114280490B (zh) * | 2021-09-08 | 2024-02-09 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及*** |
CN114280490A (zh) * | 2021-09-08 | 2022-04-05 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及*** |
CN113869438A (zh) * | 2021-09-30 | 2021-12-31 | 自然资源部第三海洋研究所 | 一种基于k-means的风暴潮灾害重点防御区选划方法 |
CN114066288B (zh) * | 2021-11-24 | 2022-07-29 | 广州交投工程检测有限公司 | 一种基于智慧数据中心的营运道路应急检测方法及*** |
CN114066288A (zh) * | 2021-11-24 | 2022-02-18 | 广州交投工程检测有限公司 | 一种基于智慧数据中心的营运道路应急检测方法及*** |
CN114679335A (zh) * | 2022-03-01 | 2022-06-28 | 国网宁夏电力有限公司 | 电力监控***网络安全风险评估训练、评估方法及设备 |
CN114679335B (zh) * | 2022-03-01 | 2024-03-29 | 国网宁夏电力有限公司 | 电力监控***网络安全风险评估训练方法、评估方法及设备 |
CN114399235B (zh) * | 2022-03-25 | 2022-07-08 | 北京慧图科技(集团)股份有限公司 | 一种基于雨情数据判定灾害风险等级的方法及*** |
CN114399235A (zh) * | 2022-03-25 | 2022-04-26 | 北京慧图科技(集团)股份有限公司 | 一种基于雨情数据判定灾害风险等级的方法及*** |
CN116341739A (zh) * | 2023-03-27 | 2023-06-27 | 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) | 一种洪涝损失预评估方法、装置、设备及介质 |
CN117332909A (zh) * | 2023-12-01 | 2024-01-02 | 南京师范大学 | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 |
CN117332909B (zh) * | 2023-12-01 | 2024-03-08 | 南京师范大学 | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 |
CN117592789A (zh) * | 2024-01-18 | 2024-02-23 | 山东金桥保安器材有限公司 | 基于时间序列分析的电网环境火灾风险评估方法及设备 |
CN117592789B (zh) * | 2024-01-18 | 2024-04-16 | 山东金桥保安器材有限公司 | 基于时间序列分析的电网环境火灾风险评估方法及设备 |
CN117608005A (zh) * | 2024-01-23 | 2024-02-27 | 南京信息工程大学 | 一种对区域暴雨频次的研判方法及*** |
CN117608005B (zh) * | 2024-01-23 | 2024-03-29 | 南京信息工程大学 | 一种对区域暴雨频次的研判方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113177737A (zh) | 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及*** | |
Pijanowski et al. | Urban expansion simulation using geospatial information system and artificial neural networks | |
CN107610021B (zh) | 环境变量时空分布的综合分析方法 | |
Soma et al. | Optimization of causative factors using logistic regression and artificial neural network models for landslide susceptibility assessment in Ujung Loe Watershed, South Sulawesi Indonesia | |
Bacanli et al. | Adaptive neuro-fuzzy inference system for drought forecasting | |
CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
Marofi et al. | Predicting spatial distribution of snow water equivalent using multivariate non-linear regression and computational intelligence methods | |
Kolehmainen et al. | Forecasting air quality parameters using hybrid neural network modelling | |
CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
CN111968019A (zh) | 一种基于cnn与rnn集成的滑坡灾害易发性预测方法 | |
CN112966722A (zh) | 基于半监督随机森林模型的区域滑坡易发性预测方法 | |
CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
CN114595629A (zh) | 基于gbdt-lr和信息量模型的滑坡易发性评价方法 | |
CN113191582B (zh) | 一种基于gis与机器学习的道路山洪易损性评价方法 | |
CN111008734A (zh) | 洪水危险性的区划和时空演变规律的研究方法 | |
CN113987813A (zh) | 一种基于多参数决策和层次分析法的滑坡敏感性制图模型 | |
CN117808214A (zh) | 水利工程数据分析*** | |
CN117332909B (zh) | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 | |
CN117391727B (zh) | 一种负碳排放的碳中和方法及*** | |
Zahraie et al. | Exploring spatiotemporal meteorological correlations for basin scale meteorological drought forecasting using data mining methods | |
Kanyama et al. | Application of machine learning techniques in forecasting groundwater levels in the grootfontein aquifer | |
CN111144636A (zh) | 一种边坡变形预测方法 | |
CN115115163A (zh) | 台风过境下输电线路杆塔故障危险度评估方法及存储介质 | |
Francipane et al. | A comparison between heuristic, statistical, and data-driven methods in landslide susceptibility assessment: an application to the briga and giampilieri catchments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |