????3 BP網絡在某城市火災中的應用

????　　筆者以某市1985~2001年火災事故數據次數為例（見表1），說明神經網絡預測模型在城市火災預測中的應用。

????　　表1 某市火災事故數據

????　　見表

?

?

?

????　　（1）由于春節期間是火災的高峰期，根據城市火災發生時間或季節，采用分時段的方法，即將每一年分為兩個部分進行預測：春節高峰期，非常高峰期（除春節以外1~12月）。由于在預測中數據處理較多，以Matlab中的人工神經網絡工具箱為工具編程對城市火災事故進行預測。

????　　（2）在BP網絡模型中，神經元的變化函數是S形函數，其函數的特性要求其輸入信息節點的數據必須轉化為[-1，1]之間的數值。因而必須對原始樣本進行數據的初始化，轉化為分布在[-1，1]區間范圍內的數值。初始化具體方法采用參加訓練的樣本各指標原始值與參加訓練的樣本各指標原始值的最大值之比。即，P_ij=x_ij/max(x_ij)為初始化后的網絡輸入數據，x_ij為原始數據，max(x_ij)為原始數據的最大。即必須對1985~1998年的數據作初始化。

????　　（3）初始權值的確定。取初始權值為（-1，1）之間的隨機數，從而保證神經元的權值能夠在S形函數變化最大處進行調節。

????　　（4）對模型進行修正權值和閥值，然后把1999~2001年的數據作為預測樣本，將得到一個預測誤差，如果沒有達到所要求的誤差值，或者沒有達到所要求的訓練次數，繼續訓練，直到滿足預測誤差。滿足誤差后，得到最優權重和閥值。

????　　（5）期望誤差值是通過不同期望誤差的網絡的對比訓練來選取的。如果選取較小的期望誤差值要通過增加隱含層的節點數和訓練的時間。筆者經過多次訓練比較，選取期望誤差為0.001，最大訓練步數為20000，學習率為0.01，動量系數為0.1。按照誤差要求，多次篩選，得到最優的BP神經網絡結構。

????　　高峰期的網絡結構為7-7-1，非高峰期的網絡結構為6-6-1，同時得到最優權值和閾值距陣。此時可以對1999~2001年火災事故進行預測，其結果及誤差分析如表2所示。

????　　表2 1999~2001年預測值與實際值結果及誤差分析

????　　見表

?

????　　（6）從上表可以看出誤差結果最大誤差不超過0.88%，預測的精度較高，能夠滿足實際需要。因此，可以預測未來3年的火災事故，其結果如表3所示。

????　　表3 2002~2004年預測結果

????　　見表

?

????4結論

????　　（1）預測城市未來火災事故的發生次數是一項復雜的工作。筆者根據神經網絡的特點，將其用于城市火災的預測。科學的預測火災事故發生的趨勢，有利于防災基礎資源配置和城市應急安全預案的科學制訂。

????　　（2）神經網絡預測方法具有極強的非線性逼近，大規模并行處理，自訓練學習，容錯能以及對外界環境的適應能力，很好地解決了傳統預測方法中須事先構造函數的不足。只要有足夠的樣本，就能準確預測火災事故發生的趨勢，而且對于火災事故發生次數復雜動態數據的處理比傳統方法更具有精確性和優越性，其計算處理過程可通過Matlab中的人工神經網絡工具箱編程實現。

????　　（3）預測值實際值的比較分析顯示，神經網絡應用在城市火災次數預測方面是可行的、可信的。