一种高温防灾措施综合决策方法

本发明涉及高温防灾领域，具体涉及一种高温防灾措施综合决策方法。

背景技术：

1、高温是一种严重的自然灾害，容易危害农业生产及生命健康损失，对社会经济造成巨大破坏。由于城市地表的下垫面、建筑结构和人口分布等差异，导致地表温度分布不均，城市热岛效应日益加剧，这与植被和水体匮乏以及大量不透水建筑物的建造有关。由于不同城市受到经济、人口、地形、位置等因素的影响，仅仅依靠温度来划分高温等级不能全面反映高温特征和决策上的差异。

2、高温防灾决策通常依赖于历史经验，并根据专家判断和历史高温案例的相似程度来做出。然而，这种传统决策方式过于依赖个人决策者，缺乏客观性、地域差异性和量化决策效果的考量。随着城市的发展，仅依赖固有经验可能会带来更多问题，具体体现在以下几个方面：(1)高温极端事件在时空上表现出差异，仅仅依赖于单一的气象、水文或经济指标难以全面评估高温的空间分布，也无法有效确定高温决策的关键地区。(2)决策过程过于主观，缺乏充分的量化支持。(3)决策方法存在的决策冗余，决策效率低，决策效益无法评估等问题。

3、现有技术中，本案申请人在先申请了“一种高温防灾措施生成方法及系统及装置及介质”(授权公告号cn116703036b)，其通过分类若干高温评估因子、计算高温风险指标的方法来生成高温防灾措施，但是该技术只能在高温气象已经发生后再生成防灾措施，无法提前做出防灾准备，且该技术依然存在决策冗余、决策效率低、决策精度有限等不足。

技术实现思路

1、本发明提供一种高温防灾措施综合决策方法，以解决现有技术无法提前决策防灾措施，且决策冗余、决策效率低、决策精度有限等问题，实现能够为即将到来的高温极端气候动态且准确的决策出短期措施的目的。

2、本发明通过下述技术方案实现：

3、一种高温防灾措施综合决策方法，包括：

4、基于若干高温评估指标确定高温风险因子；采集若干高温防灾措施，建立各高温防灾措施与高温风险因子之间的映射关系；

5、确定目标研究区域；

6、采集高温评估指标的历史数据，建立并训练深度学习模型；所述深度学习模型以所述高温评估指标为输入，以所述高温风险因子为输出；

7、基于所述深度学习模型，预测目标研究区域在指定时间内的高温风险因子；

8、基于预测结果，建立包括不同高温防灾措施的决策矩阵；

9、基于梯形模糊数算法，将所述决策矩阵转化为模糊评价矩阵；

10、对模糊评价矩阵做去模糊化处理，得到规范化后属性值的期望值；

11、对各高温防灾措施进行排序，并基于各高温防灾措施与高温风险因子之间的映射关系，得到最优决策。

12、针对现有技术中无法提前决策防灾措施，且决策冗余、决策效率低、决策精度有限等问题，本发明提出一种高温防灾措施综合决策方法，该方法首先收集高温评估指标，并确定对应的高温风险因子；然后采集不同的高温防灾措施，并建立高温防灾措施与高温风险因子之间的映射关系，用于为后续措施效果的量化提供依据；本方法还采集高温评估指标的历史数据，以历史数据为样本建立并训练深度学习模型，用于预测各高温风险因子；至此，完成本方法的准备工作。之后，以建立好的深度学习模型为基础，以确定好的目标研究区域为空间范围，预测在指定时间内的高温风险因子的值，得到未来指定时间内，目标研究区域的高温风险因子，并以不同的高温防灾措施为依据，建立在采用不同高温防灾措施下的决策矩阵；然后基于梯形模糊数算法，将决策矩阵转化为模糊评价矩阵，再对模糊评价矩阵做去模糊化处理，得到规范化后属性值的期望值，对该期望值进行排序，即可得到对不同的高温防灾措施的排序结果，进而基于提前准备好的高温防灾措施与高温风险因子之间的映射关系，得到最优决策。

13、本技术中，通过梯形模糊数算法将决策矩阵转化为模糊评价矩阵，即是对决策矩阵中的所有数据做梯形模糊运算，得到对应的梯形模糊数值；本技术可采用现有梯形模糊数算法进行相关运算即可。

14、本技术与现有技术相比，基于深度学习技术来快速并准确的预测未来即将到来的高温极端气候并输出高温风险因子，相较于现有技术只能在高温气象已经发生后再对应生成防灾措施的思路而言，解决了决策滞后的问题，实现了提前作出短期防灾决策来指导防灾应对、降低极端高温天气对社会经济活动干扰的目的。此外，本技术提出了一种不同于现有技术的决策方法，能够有效实现针对高温极端事件的多种应对措施的最佳量化输出，显著提高了决策精准度；其中引入梯形模糊数算法、去模糊化后计算期望值等步骤，能够有效克服极端高温事件的时空差异性，且显著降低决策过程的主观干扰，实现对决策结果更为充分的量化支持。

15、优选的，高温风险因子包括危险性因子、脆弱性因子和暴露度因子；

16、高温评估指标包括气象数据指标、社会经济数据指标；其中：

17、气象数据指标包括以下任意一种或多种：最大地表温度、最大气温、平均地表温度、平均气温、气压、比湿、风速、降水；

18、社会经济数据指标包括以下任意一种或多种：人口密度、土地利用类型、建筑类型、gdp密度。

19、进一步的，所述深度学习模型包括：

20、convlstm模块，以气象数据指标为输入，执行一次卷积后输出；

21、vggnet模型，以社会经济数据指标、convlstm模块的输出共同作为输入，以高温风险因子为输出。

22、vggnet模型为现有深度学习模型，本案发明人在研究过程中发现，若直接采用现有vggnet模型用于本技术中预测高温风险因子，存在预测精度明显弱化的缺陷，分析其原因在于传统vggnet模型无法体现高温评估指标中的气象数据指标在时间上的连续关系；为了克服这一问题，本方案对现有vggnet模型进行改进，在vggnet模型中加入convlstm模块，通过convlstm模块对高温评估指标中的气象数据指标进行预处理，预处理方式为通过convlstm模块做一次卷积；再将经convlstm模块预处理后的气象数据指标和未经预处理的社会经济数据指标，共同输入至既有vggnet模型内。

23、本方案针对高温防灾措施的综合决策专门改进优化了vggnet模型，使得深度学习模型能够从输入的气象数据中捕捉到更多的连续性信息，显著提高了对高温风险因子的预测精度。

24、进一步的，建立包括不同高温防灾措施的决策矩阵的方法包括：

25、以预测的高温风险因子，以及措施成本指标，共同作为矩阵因子，对各矩阵因子分别进行分级；所述措施成本指标包括人员投入、工作量；

26、基于专家评分法，确定不同高温防灾措施下，预测得到的高温风险因子对应的等级、措施成本指标对应的等级；

27、以每种高温防灾措施对应所有矩阵因子的等级，作为所述决策矩阵。

28、本方案首先确定决策矩阵的矩阵因子，所采用的矩阵因子除了包括深度学习模型预测出的高温风险因子之外，还包括人员投入、工作量等措施成本指标；将每个矩阵因子划分为若干等级，便于后续的量化过程。之后基于专家评分的结果，对不同高温防灾措施下，各矩阵因子的所处等级进行划分，进而得到包括不同高温防灾措施的决策矩阵。

29、进一步的，对模糊评价矩阵做去模糊化处理，得到规范化后属性值的期望值的方法包括：

30、提取每种矩阵因子在不同高温防灾措施时的梯形模糊数，建立梯形模糊数型决策矩阵；

31、对梯形模糊数型决策矩阵做去模糊化处理，将梯形模糊数转化为期望值；

32、计算每种矩阵因子的期望向量；

33、计算规范化后的属性值，得到规范化后属性值的矩阵；

34、得到规范化后属性值的期望值；

35、基于深度学习模型的预测结果，修正规范化后属性值的期望值。

36、本方案创新的建立了基于高温应对措施综合效果的期望值量化方法，能够有效实现针对高温极端事件的多种高温防灾措施的最佳量化输出。

37、优选的，在所述梯形模糊数型决策矩阵中，每种高温防灾措施与每种矩阵因子均对应一个数据集，所述数据集表达为：其中，分别代表在第i种高温防灾措施下、第m种矩阵因子所对应的四个梯形模糊数；

38、每种矩阵因子的期望向量表达为：(γ1m,γ2m,…γim,…γam)；

39、其中，i代表第i种高温防灾措施；m代表第m种矩阵因子；a为高温防灾措施的总数；

40、所述规范化后的属性值通过如下公式计算：式中：代表规范化后的属性值；βi代表将梯形模糊数转化为期望值后的矩阵；maxγim代表第m种矩阵因子在第i种高温防灾措施下的最大期望向量。

41、在梯形模糊数型决策矩阵中，一共有a种高温防灾措施、以及若干种矩阵因子，每种高温防灾措施与每种矩阵因子均对应一个数据集，每个数据集中的四个梯形模糊数分别用于描述模糊性的最小值、上升部分、下降部分和最大值。本方案通过去模糊化处理，将梯形模糊数转化为期望值，那么对于每种矩阵因子而言，则能够提取出一个针对不同高温防灾措施下的期望向量；基于该期望向量可提取出最大期望向量maxγim，之后结合去模糊化处理结果，即可得到该矩阵因子所对应的规范化后的属性值。

42、其中的去模糊化处理可采用现有去模糊化算法实现。

43、此外，本案发明人团队在研究过程中还发现，在去模糊化且得到规范化后的属性值后，某些措施效果对应的属性值可直接运用，但是某些措施效果对应的属性值与实际存在偏差，因此还需要对规范化后属性值的期望值进行修正。进一步的，修正方法包括：

44、基于所述深度学习模型，预测在不同高温防灾措施下，各高温风险因子的预测区间；

45、对于任一高温风险因子执行如下判断：

46、若规范化后属性值的期望值，处于该高温风险因子的预测区间内，则不做修正；

47、若规范化后属性值的期望值，不处于该高温风险因子的预测区间内，将该高温风险因子对应的规范化后属性值的期望值，修正为所述预测区间的阈值。

48、本方案的修正方法，能够对各预测区间的阈值做动态修正，进而更有利于动态遴选出具有偏好性和针对性的、短期性的高温防灾措施措施。

49、进一步的，对各高温防灾措施进行排序的方法包括：

50、以各高温防灾措施为行、以所述矩阵因子为列，建立排序矩阵；

51、计算各高温防灾措施的一致性指数、非一致性指数；

52、计算各高温防灾措施的可信度指数；

53、将所述可信度指数转换为净可信指数，根据可信度指数得到排序结果。

54、现有技术中的传统排序方法，在各高温防灾措施不变时，只会得到唯一的排序结果；而本方案中由于对各预测区间的阈值进行了动态修正，所以排序结果也应当是动态的。本方案所提出的排序方法更加适用于这种动态的判断过程，能够利用深度学习模型的预测结果动态修正判定阈值，进而更加提高最终的排序结果、提高最优决策的准确度。

55、优选的，计算各高温防灾措施的一致性指数、非一致性指数的公式为：

56、

57、式中：cj(i,k)为一致性指数，代表在第j个矩阵因子上，aij优于akj的程度；dj(i,k)为非一致性指数，代表在第j个矩阵因子上，aij劣于akj的程度；aij为在第i种高温防灾措施、第j种矩阵因子下，所对应的规范化后属性值的期望值；akj为在第k种高温防灾措施、第j种矩阵因子下，所对应的规范化后属性值的期望值；qj为无差异阈值；pj为优于阈值；vj为劣于阈值。

58、优选的，计算各高温防灾措施的可信度指数的公式为：

59、

60、式中：s(i,k)为aij相较于akj的可信度指数；c(i,k)为整体一致性指数；

61、将可信度指数转换为净可信指数的公式为：

62、

63、式中：zi为净可信指数，代表第i种高温防灾措施优于其它高温防灾措施的程度；a为高温防灾措施的总数；∑i∈as(i,k)为所有s(i,k)的和；∑i∈as(k,i)为所有s(k,i)的和；s(k,i)为akj相较于aij的可信度指数。

64、本发明与现有技术相比，具有如下的优点和有益效果：

65、1、本发明一种高温防灾措施综合决策方法，创造性的将高温风险评估、深度学习技术和多属性决策融入高温防灾措施的决策应对中，通过完整决策流程解决了现有高温决策的主观性、决策冗余和决策效益无法评估等问题。

66、2、本发明基于深度学习技术来快速并准确的预测未来即将到来的高温极端气候并输出高温风险因子，相较于现有技术只能在高温气象已经发生后再对应生成防灾措施的思路而言，解决了决策滞后的问题，实现了提前作出短期防灾决策来指导防灾应对、降低极端高温天气对社会经济活动干扰的目的。

67、3、本发明能够有效实现针对高温极端事件的多种应对措施的最佳量化输出，显著提高了决策精准度；其中引入梯形模糊数算法、去模糊化后计算期望值等步骤，能够有效克服极端高温事件的时空差异性，且显著降低决策过程的主观干扰，实现对决策结果更为充分的量化支持。

68、4、本发明针对高温防灾措施的综合决策专门改进优化了vggnet模型，使得深度学习模型能够从输入的气象数据中捕捉到更多的连续性信息，显著提高了对高温风险因子的预测精度。

69、5、本发明能够对各预测区间的阈值做动态修正，进而更有利于动态遴选出具有偏好性和针对性的、短期性的高温防灾措施措施；并且，所提出的排序方法更加适用于这种动态的判断过程，能够利用深度学习模型的预测结果动态修正判定阈值，进而更加提高最终的排序结果、提高最优决策的准确度。