数据时间维度对火灾形势预测精度的影响

为提高火灾形势预测精度,基于我国2008—2019年以年、季和月为时间维度的9项火灾历史数据,利用主成分分析法得到相应的火灾形势评价结果,根据评价结果并控制数据量构建GM(1,1)预测模型,通过比较后验差比值、小误差概率和平均相对误差,研究不同时间维度的火灾历史数据对火灾形势预测精度的影响,从而以适合的数据构建更加精准的预测模型。结果表明:(1)在预测2020年火灾形势发展趋势时,火灾历史数据的时间维度对GM(1,1)模型的预测精度有着较大的影响,季度数据尤其明显,且当数据量为3时,季度数据所建立的GM(1,1)模型的预测精度最高,为99.98%;当数据量为4~8时,年份数据所建立的GM(1,1)模型的预测精度普遍优于季度和月份数据,预测精度最高为96.74%(数据量为8);当数据量为9~12时,月份数据所建立的GM(1,1)模型的预测精度表现最高,最高为95.53%(数据量为12);(2)预测得到2020年全年、第1季度和1月份的火灾形势综合评价得分分别为0.166 0、0.949 1和0.733 5。可见,利用季度和月份数据可以细化和完善消防规划,从而更有效地降低火灾发生次数及其损失。

基于YOLO-v5和ResNet的舱底水液位识别算法

针对船舶破损浸水后无法快速识别的问题,提出一种基于YOLO-v5和ResNet算法的舱底水液位识别算法,测试结果显示,该方法的准确率和响应速度基本达到实际使用需求,随着训练样本数量增加,该舱底水液位识别算法的精度将继续提高,并具备在船舶损害管制系统中应用的可能。