基于DBSCAN聚類的城市區(qū)域火災(zāi)風(fēng)險(xiǎn)計(jì)算方法*
——以深圳市鹽田區(qū)為例

王倩倩，孟繁宇，2，曾益萍，張少標(biāo)，吳國華，楊麗麗

(1.南方科技大學(xué) 統(tǒng)計(jì)與數(shù)據(jù)科學(xué)系,廣東 深圳 518055； 2.南方科技大學(xué) 前沿與交叉科學(xué)研究院,廣東 深圳 518055;3.深圳市城市公共安全技術(shù)研究院,廣東 深圳 518055)

0 引言

城市火災(zāi)風(fēng)險(xiǎn)評(píng)估一直是政府和民眾關(guān)心的問題，如何對(duì)火災(zāi)事故風(fēng)險(xiǎn)進(jìn)行分析并量化，是目前我國相關(guān)學(xué)者正在研究的重要課題。國內(nèi)外學(xué)者對(duì)城市區(qū)域火災(zāi)風(fēng)險(xiǎn)評(píng)估進(jìn)行一系列的研究：張一先等[1]采用指數(shù)法對(duì)蘇州古城區(qū)的火災(zāi)危險(xiǎn)性進(jìn)行分級(jí)；魯鈺雯等[2]通過ArcGIS軟件對(duì)廈門市火災(zāi)風(fēng)險(xiǎn)進(jìn)行評(píng)估；馬礪等[3]采用主成分分析法對(duì)火災(zāi)成因進(jìn)行分析和量化；李犇[4]在辨識(shí)研究區(qū)域火災(zāi)危險(xiǎn)源的基礎(chǔ)上，篩選出相應(yīng)的火災(zāi)風(fēng)險(xiǎn)評(píng)估指標(biāo)，進(jìn)行火災(zāi)風(fēng)險(xiǎn)評(píng)估；賈進(jìn)章等[5]采用突變理論與模糊數(shù)學(xué)相結(jié)合的評(píng)價(jià)方法求得火災(zāi)危險(xiǎn)性評(píng)價(jià)結(jié)果；劉紀(jì)華[6]提出基于FTA，ETA的綜合分析；王元鵬等[7]引用“社群”相關(guān)概念和算法，建立火災(zāi)社區(qū)之間拓?fù)潢P(guān)系的分析模型。 文獻(xiàn)[1-7]雖然可以快速地對(duì)火災(zāi)風(fēng)險(xiǎn)進(jìn)行評(píng)估，但存在過度依賴專業(yè)的判斷和過去的經(jīng)驗(yàn)的問題，基于數(shù)據(jù)運(yùn)用聚類算法建立風(fēng)險(xiǎn)評(píng)估模型的研究較為少見。因此，本文在前人研究的基礎(chǔ)上，基于數(shù)據(jù)思想運(yùn)用DBSCAN聚類算法，并結(jié)合層次分析法構(gòu)建火災(zāi)風(fēng)險(xiǎn)評(píng)估的驗(yàn)證模型，同時(shí)加入火災(zāi)原因因子通過線性變換進(jìn)行量化，綜合得出風(fēng)險(xiǎn)評(píng)估結(jié)果。

1 研究方法及數(shù)據(jù)來源

1.1 研究方法

1.1.1 DBSCAN聚類算法

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是1種經(jīng)典的基于密度空間的聚類方法[8]，其將簇定義為密度相連的點(diǎn)的最大集合，能夠把足夠密度的區(qū)域劃分為簇，并可以在含有噪點(diǎn)的空間中發(fā)現(xiàn)任意形狀的簇。

本文使用該算法識(shí)別深圳市鹽田區(qū)火災(zāi)事故的空間聚集特征，通過多次改變參數(shù)值進(jìn)行多次迭代最終得到最優(yōu)聚類效果。在運(yùn)用DBSCAN算法進(jìn)行聚類時(shí)，需要計(jì)算2點(diǎn)之間的距離，使用haversine方法計(jì)算2個(gè)經(jīng)緯度之間的距離，最后運(yùn)用DBSCAN算法進(jìn)行聚類。其中haversine計(jì)算公式如式(1)所示：

(1)

式中：haversine為半正矢函數(shù)；d為所求距離，km；R為地球半徑，km；φ1,φ2為2點(diǎn)的緯度，(°)；Δλ為2點(diǎn)經(jīng)度的差值，(°)。

1.1.2 層次分析法

層次分析法[9,14]將決策過程中的信息采用定性與定量相結(jié)合的方式進(jìn)行優(yōu)化處理。

AHP具體步驟如下：

1)建立系統(tǒng)的層次結(jié)構(gòu)模型

按照因素間的相互關(guān)系影響以及隸屬關(guān)系，將因素聚集為不同層次，本文將建立3層結(jié)構(gòu)模型。DBSCAN算法對(duì)火災(zāi)事故的地理位置聚類產(chǎn)生的結(jié)果集內(nèi)的中心點(diǎn)作為第1層數(shù)據(jù)；火災(zāi)事故場景構(gòu)成層次結(jié)構(gòu)模型的第2層數(shù)據(jù)；火災(zāi)事故原因作為層次結(jié)構(gòu)模型的第3層數(shù)據(jù)。

2)構(gòu)造判斷矩陣

層次分析結(jié)構(gòu)模型確立后，問題將轉(zhuǎn)化為層次中各因素和上層因素相對(duì)重要性的排序問題。本文將采用1～9及其倒數(shù)的標(biāo)度方法[9]對(duì)每1層的權(quán)重進(jìn)行賦值，構(gòu)造判斷矩陣。若A層元素中ak與下1層中B1,B2,…,Bn有聯(lián)系，則判斷矩陣見表1。其中aii=1,aji=1/aij(i,j=1,2,…,n)。

表1 判斷矩陣Table 1 Judgment matrix

3)計(jì)算判斷矩陣的最大特征根和特征向量

②計(jì)算最大特征值λmax，如式(2)所示：

(2)

式中：λmax為最大特征值；(BW)i為BW的第i個(gè)分量；BW為特征向量。

1.1.3 區(qū)域火災(zāi)綜合風(fēng)險(xiǎn)值計(jì)算

1)線性變換

為減小所得數(shù)據(jù)的差異敏感度，對(duì)數(shù)據(jù)進(jìn)行線性變換，此處采用底數(shù)為2的對(duì)數(shù)對(duì)其轉(zhuǎn)化，計(jì)算第3層風(fēng)險(xiǎn)值。線性變換及風(fēng)險(xiǎn)值計(jì)算公式分別如式(3)～(4)所示：

(3)

(4)

式中：ri為所需要轉(zhuǎn)化的數(shù)據(jù)ai通過對(duì)數(shù)轉(zhuǎn)化后的數(shù)值；a和b為線性變換上下限，a=50，b=100；RL3為第3層風(fēng)險(xiǎn)值。

2)綜合風(fēng)險(xiǎn)值計(jì)算

由1.1.2節(jié)計(jì)算得知分類后第1，2層的權(quán)重以及第3層的風(fēng)險(xiǎn)值，對(duì)于聚類算法產(chǎn)生的每個(gè)區(qū)域的火災(zāi)風(fēng)險(xiǎn)值，可通過每層的數(shù)據(jù)及其風(fēng)險(xiǎn)權(quán)重計(jì)算得到。應(yīng)用線性加權(quán)方法確定火災(zāi)風(fēng)險(xiǎn)的模型計(jì)算如式(5)～(7)所示：

(5)

(6)

(7)

1.2 數(shù)據(jù)來源

本文研究的案例為深圳市鹽田區(qū)2011—2019年的火災(zāi)事故數(shù)據(jù)，字段主要有火災(zāi)發(fā)生時(shí)間、地點(diǎn)、火災(zāi)發(fā)生原因。通過數(shù)據(jù)分析，探究在不同火災(zāi)事故場景下火災(zāi)發(fā)生起數(shù)隨時(shí)間、空間以及火災(zāi)類型之間的關(guān)系，確定所需要的模型變量；刪除冗雜數(shù)據(jù)，剩余火災(zāi)427起。

將火災(zāi)事故地點(diǎn)按照《關(guān)于城市消防管理工作的規(guī)定》[10-11]對(duì)消防安全重點(diǎn)單位實(shí)施分級(jí)管理和劃分，并結(jié)合對(duì)數(shù)據(jù)的認(rèn)識(shí)及需要將場所的管轄范圍分為10類。賓館、飯館、旅店、招待所、咖啡館、酒吧等娛樂場所為第1類P1；室內(nèi)、室外農(nóng)貿(mào)市場、商場，三合一、多合一場所為第2類P2；候車(機(jī)、船)室、公共交通工具為第3類P3；體育場(館)、游泳場(館)、公園、醫(yī)院、博物館、美術(shù)館、動(dòng)物園、圖書館、書店、報(bào)刊亭為第4類P4；住宅、職工宿舍、學(xué)生宿舍為第5類P5；辦公場所，公司為第6類P6；工廠、拆遷工地、建筑工地、建筑施工場所、倉庫為第7類P7；變壓器、露天框架為第8類P8；花卉、林木(含果園)、垃圾及廢棄物、苗圃、農(nóng)田、養(yǎng)殖場為第9類P9；其他、誤報(bào)為第10類P10。

2 深圳市鹽田區(qū)火災(zāi)風(fēng)險(xiǎn)計(jì)算與分析

2.1 研究步驟

為篩選出合適變量進(jìn)入模型，本文將深圳市鹽田區(qū)火災(zāi)事故數(shù)據(jù)進(jìn)行清洗與分析，分析中發(fā)現(xiàn)火災(zāi)事故發(fā)生場所與眾多因素關(guān)聯(lián)性很強(qiáng)，因此分別探究在不同場景下火災(zāi)發(fā)生起數(shù)隨時(shí)間(年份、月份、小時(shí)、周末)、空間和火災(zāi)原因的分布特性，最終確定地理位置、火災(zāi)事故場所及事故原因3個(gè)指標(biāo)來計(jì)算城市區(qū)域火災(zāi)風(fēng)險(xiǎn)值。研究步驟如圖1所示。

2.2 區(qū)域火災(zāi)風(fēng)險(xiǎn)的聚類模型

DBSCAN聚類算法

本文經(jīng)過數(shù)次迭代調(diào)換參數(shù)，最終確定Eps值為0.5，MmPts值為10，聚類結(jié)果為4類，分別標(biāo)記為A，B，C，D類，聚類結(jié)果圖如圖2所示。

將每類數(shù)據(jù)匯總，計(jì)算標(biāo)準(zhǔn)偏差，觀察每1類內(nèi)部數(shù)據(jù)的波動(dòng)性大小，具體見表2。

由圖2及表2可知，對(duì)算法聚類產(chǎn)生的每1類的數(shù)據(jù)計(jì)算標(biāo)準(zhǔn)偏差，值接近于0，說明每1簇內(nèi)部的點(diǎn)比較集中，波動(dòng)較小，結(jié)果表明參數(shù)值選取的相對(duì)合理。

圖2 DBSCAN聚類結(jié)果Fig.2 DBSCAN clustering results

表2 DBSCAN算法聚類結(jié)果匯總Table 2 Summary of DBSCAN algorithm clustering results

2.3 層次分析模型構(gòu)建及驗(yàn)證

2.3.1 分類方法的分層劃分

根據(jù)聚類結(jié)果構(gòu)建層次分析法的第1層數(shù)據(jù)，由于每類的數(shù)量反映火災(zāi)的發(fā)生起數(shù)，即數(shù)值越大則在此區(qū)域發(fā)生的火災(zāi)越多，反之則越少。因此根據(jù)每類的發(fā)生起數(shù)作為指標(biāo)值的參考值構(gòu)造判斷矩陣，見表3。

表3 第1層判斷矩陣數(shù)據(jù)表示及計(jì)算Table 3 Data representation and calculation of first-level judgment matrix

第2層數(shù)據(jù)由火災(zāi)事故場景構(gòu)成。根據(jù)各類場所的性質(zhì)、功能類型及相關(guān)文獻(xiàn)[12-13]，得到每類場所的指標(biāo)值排序：P6

基于第1層數(shù)據(jù)構(gòu)造第2層數(shù)據(jù)的判斷矩陣，每類包含的場所不同，因此構(gòu)造判斷矩陣不同，利用1.1.2節(jié)的計(jì)算方法，得到各項(xiàng)指標(biāo)的權(quán)重、最大特征值及隨機(jī)一致性比例。由于篇幅有限，本文將以A區(qū)域?yàn)槔M(jìn)行展示每層的判斷矩陣計(jì)算值，見表4。

第3層數(shù)據(jù)是由火災(zāi)事故原因構(gòu)成，根據(jù)不同類型火災(zāi)發(fā)生起數(shù)[3]作為指標(biāo)的參考值，由1.1.3中方法計(jì)算得到第3層風(fēng)險(xiǎn)值，風(fēng)險(xiǎn)矩陣見表5。

表4 第2層A類區(qū)域判斷矩陣數(shù)據(jù)表示及計(jì)算Table 4 Data representation and calculation of second-level judgment matrix for area A

表5 第3層A類區(qū)域風(fēng)險(xiǎn)矩陣判斷矩陣數(shù)據(jù)表示及計(jì)算Table 5 Data representation and calculation of third-level judgment matrix for area A

2.3.2 區(qū)域火災(zāi)綜合風(fēng)險(xiǎn)值計(jì)算

通過1.1.3方法對(duì)模型計(jì)算，得到每個(gè)區(qū)域的火災(zāi)風(fēng)險(xiǎn)值，以區(qū)域A為例，見表6。

根據(jù)區(qū)域火災(zāi)實(shí)際防控設(shè)定量化范圍[50，100]及風(fēng)險(xiǎn)分為4級(jí)[14-15]，見表7。

表6 區(qū)域A風(fēng)險(xiǎn)值計(jì)算Table 6 Calculation of risk value for area A

表7 火災(zāi)風(fēng)險(xiǎn)等級(jí)量化Table 7 Quantification of fire risk levels

2.4 結(jié)果分析

將各區(qū)域風(fēng)險(xiǎn)計(jì)算結(jié)果匯總，見表8。4類區(qū)域地理分布如圖3所示。

表8 區(qū)域風(fēng)險(xiǎn)值匯總Table 8 Summary of regional risk values

圖3 模型結(jié)果區(qū)域分布Fig.3 Regional distribution of model results

聚類區(qū)域結(jié)果討論：

1)A類區(qū)域中住宅類最多，占比39.3%，其次為垃圾廢棄物、花卉類，占比25.2%。起火原因類型中電氣火災(zāi)占比最高達(dá)33.1%，間接驗(yàn)證了基于聚類并結(jié)合場所、原因?qū)馂?zāi)風(fēng)險(xiǎn)計(jì)算得到的區(qū)域風(fēng)險(xiǎn)值的合理性。因此，在針對(duì)此區(qū)域的消防安全中，應(yīng)加強(qiáng)社區(qū)安全消防的宣傳，定期組織疏散滅火演習(xí)，及時(shí)發(fā)現(xiàn)和整改火災(zāi)隱患，降低區(qū)域火災(zāi)風(fēng)險(xiǎn)。

2)B類區(qū)域位于高速交叉處，地形復(fù)雜，為事故多發(fā)地，且周圍工業(yè)園區(qū)較多，一旦發(fā)生火災(zāi)，造成的影響將會(huì)很大。在B區(qū)域中交通類型火災(zāi)占比較大，為24.04%，垃圾廢棄物類占比為12.57%。由第3部分的計(jì)算得到B類區(qū)域風(fēng)險(xiǎn)最高，達(dá)96.25。建議B區(qū)域?qū)S房、倉庫，要逐一簽訂防火安全責(zé)任書，嚴(yán)查嚴(yán)管，防患未然。

3)C類區(qū)域毗鄰梧桐山，有部分居民區(qū)，地點(diǎn)較為偏僻，在2011—2019年間共發(fā)生22起火災(zāi)，其中住宅類火災(zāi)為15起，火災(zāi)原因多為電氣火災(zāi)，為火災(zāi)事故低風(fēng)險(xiǎn)區(qū)，建議及時(shí)更換老舊設(shè)施，排查隱患，提高用火安全意識(shí)。

4)D類區(qū)域位于大梅沙景區(qū)，周圍酒店居多，有部分小區(qū)和學(xué)校。其中住宅類和交通類火災(zāi)較多，合計(jì)達(dá)50%，火災(zāi)原因多為電氣火災(zāi)，占比38.9%。建議D類區(qū)域嚴(yán)格按照消防安全規(guī)定合理設(shè)置消防設(shè)施，提高酒店住宿的防火等級(jí)。

3 結(jié)論

1)基于DBSCAN聚類算法計(jì)算城市區(qū)域火災(zāi)風(fēng)險(xiǎn)，聚類結(jié)果產(chǎn)生4類，由于各區(qū)域功能不同及地理位置不同，區(qū)域火災(zāi)風(fēng)險(xiǎn)值有明顯差異。

2)通過結(jié)合層次分析法進(jìn)行驗(yàn)證，模型計(jì)算出的4個(gè)區(qū)域結(jié)果與實(shí)際火災(zāi)情況具有一致性，結(jié)果表明B區(qū)域的消防安全狀況相對(duì)于鹽田區(qū)其他區(qū)域風(fēng)險(xiǎn)較高，C區(qū)域火災(zāi)風(fēng)險(xiǎn)較低，消防安全系數(shù)較高。

3)本文區(qū)域火災(zāi)風(fēng)險(xiǎn)值計(jì)算的嘗試，可為開展城市區(qū)域火災(zāi)風(fēng)險(xiǎn)評(píng)估提供參考和借鑒。