融合GWO和SVR的建筑安全事故预测模型

当前建筑业迅速发展,但随之而来的是频频发生的建筑安全事故,造成不可逆转的损失和伤害。虽然近些年来在建筑安全事故控制方面的研究已取得一定的成果,但建筑安全事故仍未得到有效控制。针对建筑业市政工程安全事故总数和死亡人数,探究二者之间的关系,构建灰狼优化算法-支持向量回归机(Grey Wolf Optimization and Support Vactor Regression,GWO-SVR)组合模型,收集2008—2020年每个月的建筑安全事故数据及死亡人数数据集,发现二者之间成正向相关关系,以建筑安全事故数为特征对建筑死亡人数进行预测,精度达到95%以上,对建筑安全资源与人力投入有较大参考价值,有助于提升建筑安全管理水平。

河南省水利建设资金投入实证分析与预测研究

水利建设投资是重要的基础性投资,对促进经济社会发展具有重要作用。采用实证分析法、以“十二五”“十三五”(2011—2020年)期间为时间序列,依据河南省水利建设投资数据,利用对比分析法、相关性分析法、投入产出法、贡献率分析法等,分析河南省2011—2020年水利建设投资的变化特征和趋势、水利建设投资与经济社会发展之间的相互关系、水利建设与经济发展产出效益的关系、水利建设投入对经济社会发展的贡献率等。结果表明:水利建设投入额与经济社会发展情况高度相关,但水利建设投入额在时间序列上表现出的不稳定性扰动水利行业自身发展的同时,也对经济社会发展产生不利影响;将研究结果数据作为基础数据,采用GM预测模型和ARIMA预测模型拟合预测得到“十四五”期间河南省水利建设投资总规模为2 838.95亿元,水利建设投资对GDP平均贡献率为0.41%,对财政收入平均贡献率为3.70%。同时,对河南省下一阶段水利建设投资优化提出了建议。

基于CART回归树模型的变电站施工安全事故分析与预测

在当前的变电站施工过程中,主要通过数据包络分析过程预测安全事故,忽略了表征信息中的不确定性,导致预测结果的选取受试者工作特征曲线下面积(AUC)值较低.针对这一问题,本研究应用分类回归树(CART)模型,设计了一种新的变电站施工安全事故分析与预测方法.首先,利用固定型、移动型采集技术相结合的方式,采集变电站施工现场数据,并通过主成分分析算法进行筛选处理.然后,深入分析变电站施工安全事故发生过程,通过基于概率分布的可分性判据,提取施工安全事故前兆特征.最后,利用CART模型构建施工安全事故根节点,再使用支持向量机(SVM)回归算法建立叶节点,形成可用于施工安全事故预测的最优决策树.通过迭代训练多个串联的CART模型实现梯度提升,应用该模型即可得到准确的事故预测结果.实验结果表明:该预测方法灵敏度更高,能够预测出更多的安全事故,并且该预测方法的AUC值高达0.91,具有更高的预测精度.

建筑安全事故灰色季节指数预测模型及应用

为构建能针对建筑安全系统事故特征的事故预测模型,从气候、地域性、传统节日等方面分析我国房屋建筑及市政工程生产安全事故数据。基于灰色系统理论及季节变动预测方法,建立建筑安全事故灰色季节指数预测模型。用GM(1,1)模型作为季节指数预测的趋势方程,使不满1个整数周期的事故量统计数据参与建模,实现对模型的即时更新。结果表明:建筑安全事故时间序列有以指数变化为特征的趋势性和以年为周期的周期性;在建筑安全事故预测应用中,灰色季节指数预测模型平均预测准确度达到89%,比常规趋势方程季节指数预测方法预测精度提高5%以上。

建筑工程生产事故死亡人数时间序列分析

为研究建筑工程安全生产事故死亡人数的变化规律,采用时间序列分析方法,分析了建筑安全事故死亡人数时间序列上的趋势性规律,通过数据预处理和模型的识别与检验,最终建立了安全事故死亡人数预测模型。对全国2005—2014年建筑工程安全生产事故造成的死亡人数进行了分析和预测。结果表明:ARIMA模型各年预测值与实际值误差率为0.393,相比灰色模型和BP神经网络模型误差率最小。总体上说,ARIMA模型较适用于随机性较大的数据的趋势预测。

灰色系统理论在河南省建筑安全事故预测中的应用研究

对2015-2019年河南省建筑安全事故统计数据进行处理后构建灰色预测模型GM(1,1),求得白化方程和时间响应式并通过了模型精度检验。结果表明,灰色GM(1,1)模型适用于建筑安全事故预测,并利用该模型预测了河南省2020年和2021年安全事故发展趋势,为河南省事故预防和措施的制定提供科学的数据支持。

面向省级应急平台的突发事件案例库系统设计

突发事件案例是各种非常规突发事件发生后事件演变过程、应急处置和事后恢复与总结的真实记述。基于突发事件案例的特征和应急平台人工智能技术对案例的复用要求,根据系统工程的思想,设计了突发事件案例元模型、案例库组织模型、案例库主题词表、数据库系统及其高级应用方案。

基于ARIMA和LSTM模型的建筑安全事故预测

研究比较差分自回归移动平均模型(Autoregressive Integrated Moving Average model,简称ARIMA)与长短期记忆神经网络(Long Short Term Memory,LSTM)模型在建筑安全事故预测中的效果。采用2012—2018年全国建筑安全事故快报数据训练ARIMA及LSTM模型,并对全国每年、每月发生的建筑安全事故次数进行预测,使用RMSE和MAE作为评价指标对比两种模型的预测准确率。ARIMA(1,1,0)模型和LSTM模型的RMSE、MAE值分别为8.1318、6.5911和16.4341、14.5534。结果表明,ARIMA模型比LSTM模型更适于预测建筑安全事故发生次数。

马尔可夫优化下的GM(1,1)模型在建筑安全事故预测研究中的应用

建筑业安全事故方面的数据具有波动性大,规律性弱,公开的数据少等特点。国家住建部发布2010—2019年的建筑业安全事故死亡人数,通过运用单纯的灰色GM(1,1)模型和马尔可夫优化下的灰色GM(1,1)模型分别预测出来的结果对比,基于马尔可夫优化下的灰色GM(1,1)模型克服了传统预测模型仅适用于短期预测的缺点,且提高了预测的精度。同时,用该模型对我国2020—2021年建筑业安全事故死亡人数进行预测,并提出合理化的管理建议,推动我国建筑业的平稳健康发展。

基于灰色马尔科夫模型的建筑施工安全事故伤亡预测

建筑业在推动我国经济全面发展的进程中起着不可替代的作用,但同时在我国的建筑施工过程中由于行业本身的特点,每年都会有大大小小的建筑施工安全事故发生,给人民的生命安全和身心健康带来重大损害的同时,对国家和社会的经济发展以及社会的稳定发展都产生了一定的影响,所以,减少建筑施工安全事故是当务之急。以浙江省某市2010-2021年发生的建筑施工安全事故为基础,在对比灰色GM(1,1)模型与灰色马尔科夫模型两种模型之后,发现后者的预测精度明显提高了很多,因此利用该模型预测该市未来建筑施工安全事故的变化趋势,对事故预防具有指导意义。

面向建筑工程事故的灰色模型的研究与应用

为了探究面向建筑工程事故对工程建筑所带来的影响,本文对面向建筑工程事故的灰色模型进行了研究。以国内某大型城市为研究对象,基于实际应用案例对安全事故进行了预测,本文通过对安全事故的虚拟预测,验证了所提出模型的正确性,并对将来几年安全事故进行了预测。本文可为将来的安全事故的预防工作提供借鉴。本文所提出的模型,可为其他城市的建筑工程安全事故预测起到一定的示范作用,具有一定的推广和应用价值。

基于BP神经网络的建筑施工安全事故预测研究

选取2012年-2021年江苏省房屋市政工程安全事故10个相关数据,利用Spearman相关性分析进一步筛选出7个相关数据,并在此基础上运用BP神经网络构建了事故预测模型,最后利用测试数据实际验证了模型的可靠性。研究结果表明:BP神经网络可以很好地应用于房屋市政工程事故预测,并且具有较高的精确度,可以为房屋市政工程事故预防、政府监管、应急管理等工作提供有效的数据支撑。

基于GM(1,1)-RBF模型的建筑安全事故预测研究

建筑安全事故统计数据贫乏,规律性差。基于此,构建灰色GM(1,1)-RBF模型。针对2006~2015年全国建筑安全事故死亡人数数据,运用灰色GM(1,1)-RBF模型进行分析,得出该模型预测具有较高精度,适用于建筑事故伤亡人数的预测分析。