面向火灾数据的分析预测方法与系统

发布时间：2021-11-12 01:07

　　据统计,我国每年社区火灾发生起数约占全年火灾总起数的一半,这些火灾给人们带来了无尽的灾难。做好社区火灾预防工作对于社区的和谐稳定有着非常重要的作用。随着大数据时代的来临,有关部门已经积累了海量的火灾相关数据,为研究火灾发生的规律提供了数据基础;同时数据挖掘技术理论与方法也在不断发展,为火灾数据的分析提供了新的研究视角与思路。在此背景下,本文将数据挖掘技术应用到社区火灾预防中,设计并开发了一个社区火灾分析与预防系统。在本系统中,社区消防管理人员会定期对辖区内的各单位个体进行火灾预防巡查,同时采集其火灾巡查相关信息,对巡查不合格的单位个体会勒令其整改,从而达到预防火灾的目的。为了提升预防效率,系统做了四个方面的针对性设计。第一,为了使社区消防管理人员的巡查更有针对性,本文对社区内各类单位个体分别进行了聚类分组,考虑到采集的社区火灾巡查相关数据其特征具有不同的重要性,本文应用了多视图聚类算法TW-k-means,并对比了k-means算法和基于熵的特征加权k-means算法EW-k-means,发现TW-k-means算法得到的分组结果最接近于真实分组;第二,为了找出社区内火灾预期损失较大的... 

【文章来源】：深圳大学广东省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

系统总体模块图

面向火灾数据的分析预测方法与系统架构设计采用了前后端分离的思想，前端页面负责展示效果，后端程序后端通过 webservice 来交换数据。系统总体结构图如图 2-2 理组人员采集社区监控对象巡查数据时，通过前端界面和 w始数据上传到后端服务器。后端会对数据进行建模和清洗并将行存储并等待算法计算分析。当算法计算完成时，会将计算结到关系数据库中进行持久化。当通过前端页面请求分析结果 webserveice 到达后端，后端服务器并不会重新分析计算结果库中检索之前计算保存的结果数据，封装后返回给前端页面1 用户界面

面向火灾数据的分析预测方法与系统EW-k-means 和 k-means 算法在社区火灾监控对象分组上的优越性。最后用其对社区火灾监控数据进行了聚类分组，探究了数据集上特征权重的特点，并对分组后的结果进行了分析。a) λ = 10、η = 10 c) λ = 10、η = 20

【参考文献】：
期刊论文
[1]陕西省火灾事故的灰色预测[J]. 李杰.  安全. 2013(08)
[2]基于时间序列分析的火灾形势综合评价和预测[J]. 戴仕杰,蔡宾斌.  科技信息. 2012(06)
[3]改进型灰色神经网络在火灾预测中的应用研究[J]. 张栋楠,舒中俊,陈庆全,许滈.  中国安全科学学报. 2012(02)
[4]基于回归分析方法的城市火灾预测——以天津市为例[J]. 楚志勇.  安全与环境工程. 2011(03)
[5]当前企业消防安全管理工作的问题与对策分析[J]. 李涛.  中小企业管理与科技(下旬刊). 2009(11)
[6]中国火灾与社会经济因素的关系[J]. 杨立中,江大白.  中国工程科学. 2003(02)

博士论文
[1]基于数据挖掘的火灾分析模型及应用研究[D]. 谢道文.中南大学 2014



本文编号：3489899