基于SBG_XGBoost的煤矿安全应急物资储备中心选址研究

煤矿安全应急物资储备中心选址优化是推动煤矿安全应急体系建设的重要基础,为提高煤矿安全应急物资储备中心选址的准确度和合理性,提出利用人口因素、交通因素、经济因素和自然因素,建立融合多源空间数据的煤矿安全应急物资储备中心选址机器学习组合模型,提高煤矿安全应急物资储备中心选址的准确度和科学性。利用ArcGIS分别通过渔网划分、空间链接和投影等任务对多源空间数据进行处理,并利用SMOTEENN算法避免数据不均衡的负面影响,从而构建适用于机器学习模型分析的数据集。通过对不同机器学习算法、不同特征选择方法以及不同参数寻优方法进行比较分析,得出XGBoost机器学习算法、Boruta算法和遗传算法在对煤矿安全应急物资储备中心选址分析中,相较于其他机器学习算法、特征选择方法和参数寻优方法其表现更为优异。故基于各自优势,得到煤矿安全应急物资储备中心选址的机器学习组合模型。最后引入SHAP分析方法,对不同特征影响程度、影响方向等进行分析,定量评估输入数据在决策中的贡献,增强模型可解释性。研究结果表明煤矿安全应急物资储备中心选址组合模型性能优异,准确率、精确率、召回率、F1和AUC分别为0.976、0.966、0.989、0.977、0.996,可为选址决策提供有力支持,模型可解释分析也能够为煤矿安全应急物资储备中心选址提供科学参考。

应急物资储备中心选址研究

为了提高应急救援效率,保障应急物资供给及时性,通过熵权法改进的TOPSIS选出应急物资储备中心备选区域,进一步利用多面体不确定集合刻画需求和速度的不确定性,并以物资供应成本和交通运输时间为目标函数构建具有库存双容量限制和救援时效性限制的鲁棒优化选址模型,通过鲁棒优化选址确定最终选址,保证突发公共卫生事件下各需求点所需的物资都能得到满足.结果表明,鲁棒优化选址方案能够合理分配应急物资资源,物资供应平均运输时间2.06 h,需求满足率达到91.69%,且鲁棒优化模型在解决不确定性问题具有更好的表现.