基于灰色關聯分析與BP神經網絡的臺風災害人道救援物資需求量預測研究

(北京物資學院　北京　100000)

一、引言

中國紅十字會是政府人道領域的好助手，在應對自然災害和突發(fā)意外情況，能夠第一時間為群眾提供人道援助，將災害損失將至最低。合理的預測人道救援物資的種類和數量十分重要。臺風災害是世界上最嚴重的自然災害之一，由于能量大，給所到之處造成的破壞也是巨大的，往往具有突發(fā)性強、破壞力大的特點。每年平均有7個臺風在我國登陸，造成嚴重的人員和財產損失，給經濟和社會發(fā)展帶來重大影響。本文以臺風災害所需的人道救援物資帳篷為例，運用灰色關聯度分析，選取關鍵影響因素，通過建立臺風所需人道救援物資帳篷需求量BP神經網絡預測模型來預測帳篷數量。

二、影響因素分析

主要從人道救援物資需求的地域、時間、種類和數量四個方面分析人道救援物資的影響因素，根據臺風災害發(fā)生、影響等特點，將臺風災害所需物資需求的因素歸納為以下幾點：

(一)受災季節(jié)

臺風是由熱帶的空氣旋轉形成的，集中發(fā)生在每年的夏秋季節(jié)。臺風登陸后強度會逐漸減弱，但其可能給內陸造成暴雨、大暴雨甚至特大暴雨等強天氣，也可能與前期汛情發(fā)生疊加效應，發(fā)生山洪、泥石流等次生災害。一般情況，秋季臺風的破壞性更強。由臺風造成的直接或次生災害以及發(fā)生災害的季節(jié)決定了保障受災群眾所需的物資種類，如造成的洪災需要單帳篷、毛毯、家庭箱等物資。

(二)受災區(qū)域

圖1　1949—2015年臺風登陸我國各省(市、區(qū))年均次數

登陸型臺風基本在我國廣東省、福建省、浙江省等沿海省份登陸，雖然內陸省份也會受到臺風的影響，但沿海省份受災情況更為嚴重，見圖1。受災區(qū)域不同，人口密度，經濟發(fā)展情況也都不同，災害發(fā)生后造成的生命與財產損失也就不同，這些對人道救援物資需求的種類和數量都有著十分重要的影響。

(三)受災人口

臺風災害發(fā)生后，根據災后評估確定受災人口，也就是救援物資需求人口數量。救援物資是主要是用來救濟保障災區(qū)人民生活的，其其數量主要是根據受災人口的數量確定的，例如，救援帳篷的數量按照實際救援人口的1/4計算，因此，救援物資的需求數量與受災人口數量息息相關，受災人口數量對人道救援物資需求量的確定十分重要。

(四)臺風登陸時的等級

臺風登陸時的等級越大，造成的破壞就越大，受災相關的受災人口數量、死亡失蹤人數、農作物受災面積、房屋損壞數量、緊急安置人口數量以及直接經濟損失等指標體現的越明顯。通過國家減災網等渠道統(tǒng)計確定臺風登陸時的等級，對人道救援物資數量的確定起到十分重要的影響。

三、預測方法

本文采用定量預測的方法，利用統(tǒng)計方法和數學模型，分析近幾年來典型臺風災害相關數據，運用灰色關聯分析與BP神經網絡預測綜合模型預測臺風災害所需人道救援物資帳篷的需求數量，并對預測結果進行分析。

(一)灰色關聯分析模型

設數列X0={x0(k)|k=1,2,…,m}，Xi={xi(k)|i=1,2,…,n;k=1,2,…,m}則數列X0對數列Xi在k點的關聯系數γ(x0(k),xi(k))為：

公式中，minimink|x0(k)-xi(k)|為兩級最小差；maximaxk|x0(k)-xi(k)|為兩級最大差值；ρ為分辨系數且ρ∈(0,∞)，越小表示分辨力越大，一般ρ的取值區(qū)間為(0,1)，當ρ≤0.5436時，分辨力最好。本文取ρ=0.5。

數列X0對數列Xi的關聯度γ(X0,Xi)計算公式為：

(二)BP神經網絡模型

BP神經網絡模型處理信息的原理是：輸入信號通過中間節(jié)點作用于輸出節(jié)點，經過非線形變換產生輸出信號。輸出值與期望值之間的偏差可通過調整輸入節(jié)點與隱含層節(jié)點之間的關聯強度和隱含層與輸出節(jié)點之間的關聯強度以及閾值，時誤差沿梯度方向下降，經過反復學習，確定與最小誤差相對應的參數。

BP神經網絡的中間層數、各層的節(jié)點個數可根據具體情況任意設定，并且隨著結構的差異性能也有所不同。圖2為是m×k×n的三層BP網絡模型。

圖2　m×k×n三層BP神經網絡模型

BP神經網絡的設計主要包括網絡層數、輸入層節(jié)點數、隱含層節(jié)點數、輸出層節(jié)點數級傳輸函數、訓練方法、訓練參數的設置等幾個方面。

四、臺風人道救援物資的預測

(一)預測影響指標選取和灰色關聯分析

經過多方面考慮，本文選取臺風登陸時的強度風力等級、受災地區(qū)人口密度、受災人口數量、死亡失蹤人口、緊急轉移安置人口、農作物受災面積、倒塌房屋數量、房屋損壞數量和直接經濟損失等作為衡量臺風災情的指標，其對人道物資需求也將產生重要影響。

選取近年來，我國發(fā)生的13次臺風受災數據作樣本，樣本數據，見表1：

表1　臺風災害樣本數據表

注：表中對應的臺風災害與受災地點分別是：1.“納沙”，江西省；2.“海馬”，廣東省；3.“莎莉嘉”，海南省；4.“獅子山”，吉林省；5.“尼伯特”，福建省；6.“彩虹”，廣東省；7、“蘇迪羅”，浙江省8.“蘇迪羅”，安徽省；9.“燦鴻”，江蘇省；10.“彩虹”廣西自治區(qū)；11.“威馬遜”，廣東省；12.“海鷗”，海南省；13.“鳳凰”，浙江省。

取帳篷需求量為Y作為輸出值，取登陸時臺風風力等級為X1、人口密度為X2、需求人口X3、死亡失蹤人口X4、緊急轉移安置人口X5、農作物受災面積X6、倒塌房屋數量X7、房屋損壞數X8、直接經濟損失X9等作為輸入值。

首先，運用spss19.0對原樣本數據進行標準化處理，消除量綱和數量級的影響，解決各數值不可綜合性的問題。不考慮個指標的權重，把無量綱化處理完畢的數據計算各指標與帳篷需求量之間的聯系。取分辨系數ρ=0.5，計算結果，見表2：

表2　影響指標灰色關聯度計算結果

記影響指標Xi對帳篷需求數量Y的灰色關聯度為：γ(Xi)，將計算出的各影響指標灰色關聯度進行大小排序，有：γ(X1)﹥γ(X5)﹥γ(X4)﹥γ(X7)﹥γ(X9)﹥γ(X2)﹥γ(X8)﹥γ(X6)﹥γ(X3)。剔除關聯度γ﹤0.6的影響指標，將剩下的影響指標作為預測的輸入值進行預測。

(二)預測模型的建立

以灰色關聯度大于0.6的影響指標X1、X2、X4、X5、X7、X8、X9作為輸入變量，以帳篷需求量Y作為輸出變量。即輸入層的節(jié)點數為7，輸出層的節(jié)點數為1。將前12組數據作為預測的基數據，將最后一組數據作為預測的數量，預測完畢后，預測數據與實際數據作對比分析，數據處理結果見表3。

表3　預測數據處理結果

隱含層節(jié)點數的設置，本文采用以下的經驗公式：

式中，n為輸入層節(jié)點數,m為輸出層節(jié)點數，a為a[1,10]之間的常數。根據上式可以計算出隱含層節(jié)點數為4～13個之間，本文選擇隱含層節(jié)點數為6。

將訓練樣本數據歸一化后輸入網絡，取網絡隱含層、輸出層激勵函數分別為為tansig和logsig函數，網絡訓練函數為traingdx，網絡性能函數為mse，隱含層節(jié)點數為6。設定網絡迭代次數epochs為5000次，期望誤差goal為0.0000001，學習速率lr為0.01。設定完參數后，開始訓練網絡，網絡結構參數，見表4-5：

表4　網絡結構參數表

(三)預測結果分析

通過設定參數，重復學習達到預期誤差后完成學習。網絡訓練完成后，將各項影響指標輸入網絡得到預測數據。實際值為Y，預測值為Yˊ，殘差為=Y-Yˊ，相對誤差為：

預測結果，見表5：

表5　預測結果與實際值對比表

故，預測精度為97.56%。根據中國紅十字會總會的要求，此預測誤差在可接受的范圍內。所以，運用灰色關聯分析與BP神經網絡組合模型預測物資需求是合理的。

五、結論

本文在分析了臺風災害所需人道救援物資的影響因素基礎之上，建立了基于灰色關聯度分析和BP神經網絡的臺風災害人道救援物資量預測模型，得出以下結論：

(1)灰色關聯度分析能夠較好的度量臺風災害所需人道救援物資量與其影響指標之間的關聯程度，并能確定影響臺風災害所需人道救援物資量的主要因素，從而為預測模型篩選輸入變量。

(2)臺風災害所需人道救援物資量的主要影響指標為臺風登陸等級、災區(qū)人口密度、死亡失蹤人數、緊急轉移安置人口、倒塌房屋數量、房屋損壞數量和直接經濟損失。

(3)將預測結果和檢驗指標進行對比，并結合中國紅十字會總會的要求，預測的誤差在可接受的范圍之內，證明了模型預測的可行性。

【參考文獻】

[1]張斌,陳建國,吳金生等.臺風災害應急物資需求預測模型[J].清華大學學報：自然科學版，2012,52(7)：891-895.

[2]蘭培真,孫苗,李春曉等.基于GM(1,1)模型的臺風災害救災物資需求量預測[J].集美大學學報:自然科學版，2013,18(6)：440-444.

[3]遲道才,沈亞西,陳濤濤等.灰色關聯度組合模型在澇災預測中的應用[J].中國農村水利水電，2012(1)：80-82.

[4]錢楓林,崔健.BP神經網絡模型在應急需求預測中的應用[J].中國安全科學學報，2013,23(4)：20-23.