一、简介

当要帮助人们在大型、不熟悉的设施中行走时，标牌系统的价值是无价的。通过适当设计的标牌系统，可以增强建筑居民从一处导航到另一处的能力 [ 1]。此外，可以使用标牌快速找到紧急出口和安全区域。将标志定位在“最佳”位置是设计标牌系统以实现高效、安全的寻路的主要困难。在具有多个入口和出口的大型复杂建筑中手动放置标志是一项困难、繁琐且耗时的设计工作。手动考虑大量可能的寻路场景，同时考虑不同的（通常是相互竞争的）设计目标，例如引导乘员沿着最短路线行驶（例如，在紧急情况下）、避免标志冗余、优化建筑物的视觉集水区相对于决策点等的符号几乎是不可能的。传统的标牌评估和设计主要依靠设计师的直觉和经验。

特别是建筑物内发生的火灾，直接影响居住者的生命安全，并造成包括各种基础设施在内的二次、三次间接损害。在过去10年（2011-2020年）的423,317起家庭火灾事故中，发生在住宅和工业设施的火灾占265,365起，占火灾总数的63%[ 2 ]。为此，有必要审查影响建筑物火灾风险的原因，检查易受风险的指标，并制定适当的非结构和结构措施[ 3]]。受自然或人为因素影响，全球每年发生数十万起建筑火灾，受伤人数达数百万人。自20世纪80年代以来，复杂建筑火灾的数量逐年上升。这是因为全球变暖不断恶化，极端天气事件不断发生。复杂的建筑火灾烧毁商场场所，破坏建筑资源，短时间内释放大量温室气体，对环境危害较大，对建筑的长远发展影响较大[ 4 ][ 5 ]。复杂建筑火灾风险等级预测是减少商场火灾发生的重要技术手段，具有重要的应用价值[ 6 ]。

复杂建筑火灾的发生，受到不少商场的影响。由于气候、地形、植被类型、人为因素等原因，不同地区发生火灾的风险差异很大[ 7 ][ 8 ]。目前，相关研究主要提供基于气象、遥感等数据的大范围、中长期建筑火灾风险等级预测，如天或月的火灾风险等级预测。然而，针对特定地区的短期建筑火灾风险预测研究还很少。以往研究提出的预测模型具有不同的火灾危险因素，不同的模型有其固有的适用范围。准确及时地预测火灾风险等级是很困难的[ 9]] [ 10 ]。近年来，随着人工智能（AI）技术的进步，基于传感器网络的实时数据采集系统可以利用智能方法构建多因素建筑火灾风险评级预测模型，并进行准确、实时的预测。小范围预测，对于有效保护建筑火灾重点区域的商场资源、节省商场消防资金具有重要意义[ 11 ][ 12 ][ 13 ]。在这篇文章中，我们综合考虑以下因素：

·气候因素、复杂建筑因素、人为因素，建筑火灾因素共三类16个。

· 作者结合PSO技术和BP神经网络模型，提出并实验验证了混合多因素商场火灾风险预测模型，即基于粒子群优化的反向传播（PSO-BP）神经网络。

· 我们展示了个人能够进行的信息交互的范围。

· 当局部最优权重较高时，即使人口的适度增加也可以加快疏散过程。

· 为了模拟真实场景中的大规模户外疏散问题，为地质灾害应急预案提供参考，提出了PSO-BP技术。

在本文的其余部分安排如下。基本的 PSO 和 BP 在第 2 节中详细描述。在第 3 节中，我们将更详细地介绍 PSO-BP 混合的细节和方法。在第 4 节中，我们使用购物中心基准函数和结果分析来展示新算法的性能如何。我们得出了一些最终结果，并在第 5 节中提出了一些最终想法。

2.相关工作

为了评估医院的火灾风险，Rahmani等人。[ 14 ]，NFPA根据三个要素（火灾干扰、医院保护、消防队与医院之间的接口）形成了指标。从建筑物、业主和占用者的角度来看，Brzezińska等人。[ 15 ]基于四个指标（商业、生命、环境和属性）制定了考虑多重利益的火灾风险评估策略。弗朗齐奇等人。[ 16】曾经将居民遭受的个人火灾风险与大规模火灾造成的社会风险分开，形成一个指标。随着互联网的发展、移动设备的普及以及SNS的扩展，数字信息量呈指数级增长。2010年左右出现的一个术语，短短几年时间就成为世界多国关注的重要技术[ 17]]。大数据技术应用于建筑火灾风险管理的一个例子是，纽约市消防局（FDNY）利用大数据和人工智能技术的“Firecast 2.0”模型计算建筑物的火灾风险评分，制定对策为了火。数据（指标）连同建筑结构、材料和位置，已考虑到建筑间距和建筑特征造成的死亡和损失人数。但由于纽约市人力和预算的限制，33000多个消防安全检查对象中只有30000多栋建筑，约占10%[ 18 ]。在中国，Park等人。[ 19】对火灾统计数据进行处理，在大数据火灾预测平台上实现。金等人。[ 20 ]利用火灾统计数据，通过对相关大数据的分析，开发出预测火灾现场危险程度的模型，该模型主要依靠最终确定的统计数据进行研究。

建筑物中的标牌系统评估很难进行。在评估和设计标牌时，专家意见、经验、纸质原型和入住后审查是常态[ 21 ]。使用空间分析工具来量化建筑规划或拟议标牌系统的可见性和相互可见性相关特征是一种先进的方法[ 22 ]。专家可以“围绕”建筑物的 3D 虚拟模型来评估建议的标志放置和布局的可行性 [ 23 ]。为了评估二维疏散标志设计的有效性，作者在[ 24] 开发了一种寻路模拟。这种方法的根本缺陷在于它过度简化了人类视觉，因此忽略了所用标志的可读性和检测问题。

通过深入研究人工神经网络 (ANN) 中的五种不同的软计算方法，Al-Janabi等人。[ 25] 计划了一个模块，该模块将成为预测森林火灾的最有效方法。使用地理分析、基于专家的虚拟演练和基于代理的模拟，我们可以评估使用标志的寻路的几个方面。由专业人士从可能居民的角度模拟导航进行的虚拟现实 (VR) 演练可能有助于对寻路性能（例如犹豫点）进行定性评估。虽然非专业参与者在功能和真实度较低的模拟环境中导航时经常会经历“暂时的怀疑”，但在指导演练的专家的帮助下可以克服这种现象[ 26]。然而，据观察，随着人口密度的增加，人们的平均出行时间会减慢。通过使用麦克斯韦-玻尔兹曼分布，Henderson等人。[ 27 ]推导了前进速度与疏散过程中涉及的几个参数之间的联系。刘等人。[ 28 ]提出在“排队网络”建筑疏散模拟模型中将建筑物的楼层设计抽象为网络规划。排队网络使用仿真语言中的马尔可夫过程[ 29 ]进行建模。

由于其结构简单、非线性映射能力强、良好的自学习能力以及对任意函数的高精度逼近[ 30 ][ 31 ][ 32 ][ 33 ]，BP神经网络已成为最流行的神经网络之一网络模型。为了从训练数据中获取知识，BP 神经网络算法采用梯度下降技术。它使用误差反向传播来训练网络节点的权重和偏移，目的是减少输出误差的平方[ 34]。当BP神经网络拓扑（层数、每层节点数）复杂时，该技术会出现学习速度慢、容易陷入局部极小值、稳定性差等问题[ 35 ][ 36 ]。

3. 方法论

为了加快标准BP神经网络算法的收敛速度，我们提出了一种基于PSO的BP神经网络算法，并将其集成到BP神经网络模型中。更准确地说，BP神经网络的连接权值和阈值在每一层都被粒子群位置向量替代。通过不断迭代算法建立PSO-BP神经网络方法模型，创建理想种群粒子，然后将其解码并转化为最优解，并作为BP神经网络的连接权值和阈值进行全局优化。利用基于PSO算法的增强BP神经网络，建立了森林火灾威胁的短期预测模型。PSO-BP 神经网络模型通过解决传统 BP 神经网络在训练时间、稳定性和陷入局部最小值的可能性方面的弱点，对使用传统 BP 神经网络建立的模型进行了改进。当将真实数据输入模型时，它可以在更短的时间内做出更精确的预测（在这种情况下，分配火灾风险评级）。因此，综合考虑因素选择原则和代表性关键词相关搜索词之间的访问获取难易程度，设定以下标准并选择指标来满足本研究的目标：在更短的时间内分配火灾风险评级）。因此，综合考虑因素选择原则和代表性关键词相关搜索词之间的访问获取难易程度，设定以下标准并选择指标来满足本研究的目标：在更短的时间内分配火灾风险评级）。因此，综合考虑因素选择原则和代表性关键词相关搜索词之间的访问获取难易程度，设定以下标准并选择指标来满足本研究的目标：

· 相关性：应该是影响建筑物火灾风险的指标。

· 代表性：必须能够代表代表性关键词及相关搜索词的分析结果。

· 可用性：建筑单元的统计数据必须得到保证或可计算。

· 连续性：数据应定期更新和连续产生。

· 易懂性：简单、清晰、易于理解。

· 方向性：评价应与正面或负面效果一致。

· 可比性：可以随时间进行比较，并且适用于所有建筑物

3.1. 变量选择

文章以收集到的相关检索词为对象，研究其相关性、代表性、可用性、连续性、可理解性、方向性和可比性，并筛选指标。基于通用性、完整性和可用性的原则，选取的危险因素不仅能够全面反映建筑火灾的相关情况，而且能够收集研究区域内相关危险因素的量化数据。参考现有工作，本研究选取建筑特性、经济性、气候因素、消防等4个火灾相关变量中的16个因素构建PSO-BP模型

从表1可以看出将16个变量分为四个维度。对导致建筑火灾的各种因素进行完整、全面的描述，可以有效预测商场火灾的发生。为了提高预测模型的可扩展性（可以适用于不同气候条件下的地区），本研究选择的一些变量对于特定地区可能具有一定的相关性，例如土壤含水量和燃料含水量等；日平均气温、24小时降水量等。然而，不同地区这些变量以及它们之间的相关性可能有很大差异。例如，不同地区由于降雨后地质条件不同，土壤含水量和可燃水含量可能相似，而可燃水含量可能相差较大。

3.2. 数据源

本研究的数据来源于研究区建筑防火实验站采集的传感器数据和现场测量结果。数据收集时间为2018年1月至12月。为了分析PSO-BP模型的可用性和性能，从收集的数据中随机选择8760组（每组包括16个变量值）作为数据集。对于每组数据，结合实时建筑火灾风险气象等级预报结果，邀请商场消防专家人工校对火灾风险等级，分为五个不同等级。随机选取256组标注火灾风险等级的数据作为训练集，1752组数据作为测试样本来训练预测模型。

可能引起火灾的许多因素的规格都有不同的可接受范围。某些因素的较高值与较高的火灾风险相关，而其他参数的较低值则具有相反的效果。另一方面，本研究使用的BP神经网络模型的隐含层采用Sigmaid函数作为激活函数，该函数的取值范围为[0, 1]。针对上述问题，本研究首先对数据进行归一化处理。即各参数的值映射到[0, 1]区间，值越大，火灾风险越大。使用最小最大变换方法对不同参数进行归一化[ 37 ][ 38 ]。

对于选取的16个变量，如果是定量指标，则采用式（1）或（2）进行计算。如果是定性指标，则需要对火灾风险进行定性描述，然后参照层次分析法（[ 39 ]中的1-9评价法）将其转化为定量值。根据拉合尔购物中心植被分布特征，将植被类型按照火灾危险程度分为杂草、灌木、混合购物中心、人工购物中心四类。上述四种定性方法对应的定量值分别为4、3、2、1。得到定量值后，利用式（1）对相应的变量值进行归一化处理。

3.3. PSO-BP模型

为了改进BP神经网络模型，在[ 40 ][ 41 ][ 42中实现了PSO算法]。在计算机科学中，PSO 算法是群体智能优化方法的一个例子。这种方法的灵感来自于鸟类捕食的发生。通过搜索距离食物最近的鸟周围的区域，它会越来越接近最佳解决方案。粒子的轨迹在算法中通过其适应度值、速度和坐标（鸟）来表示。当涉及到全局优化时，PSO 方法表现出色。利用粒子群位置向量作为 BP 神经网络每层连接权重和阈值的替代，这项研究提供了一种编码网络内部工作的新方法。该算法不断迭代，以产生尽可能最佳的粒子群。

图 1描述了构建 PSO-BP 神经网络模型所涉及的步骤。首先，构建了一个具有四层（其中两层是隐藏层）的基本 BP 神经网络。粒子群的起始位置和速度可以使用神经网络来设置。对于 BP 神经网络，每个粒子代表隐藏层中的一个节点，每个粒子群代表连接权重和阈值的特定组合。解码后得到BP神经网络模型。通过迭代更新粒子群的速度和位置来建立神经网络模型以逼近理想解。粒子适应度值F的计算公式为：

在此基础上，不断更新单元的速度和位置，直到迭代误差达到设定的精度（e）或重复次数达到预设的最大迭代次数（N num）。当迭代终止时，理想的解决方案是适应度最低的粒子。对PSO得到的最优种群粒子进行解码，确定BP神经网络的理想连接权值和阈值。

4 结果分析与比较

4.1. 结果

根据3.2节，数据分为训练数据集、测试样本、测试数据集。训练数据集中的前25组数据如表2所示（每列是一组数据）。为了构建训练数据集，通过征求建筑消防管理专家的意见，每一列（一组完整的输入数据x 1 - x 6）都标记了相应的火灾风险等级（因变量y ）。训练模型时，第一步是使用 3.2 节中描述的预处理方法对模型将使用的数据进行归一化。

通过训练数据，构建PSO-BP预测模型并进行预测。为了保证预测模型的有效性，本研究在构建PSO-BP模型的过程中，参考文献[ 43 ]中的方法逐步增加隐层节点数。首先，通过训练集数据训练模型。训练过程收敛后，根据测试样本测试预测误差。当测试样本验证预测误差小于某个停止训练阈值（δ），停止训练过程或者开始新一轮的训练。通过上述方法，预测模型的精度逐渐提高。最后确定隐藏层节点数为23，停止训练阈值δ =0.150。

4.2. 分析

利用MATLAB软件，按照4.1节描述的方法，确定BP神经网络模型的参数，并通过训练数据集和测试样本建立PSO-BP神经网络模型。在此基础上，采用PSO-BP神经网络模型对火灾风险等级进行预测。输入如表3所示的测试数据（从测试数据集中随机选取）后，在模型中计算15组测试数据，得到火灾风险等级。

实际预测的火灾风险等级比测试数据集中标注的低一级。这表明PSO-BP模型是有效的。参考文献[ 44 ]的方法，采用SPSS V.18.0软件和多因素Logistic回归分析方法，设置x 1 - x 16为自变量，y为因变量，建立拟合模型。采用逐步回归方法去掉无关紧要的变量，然后考察建筑物火灾的危险因素。结果表明，日最高气温( x 1 )、日平均气温( x2）、24小时降水量（× 3）、日照时数（× 5）、日平均相对湿度（× 6）、可燃物含水量（× 13）对建筑火灾发生率影响较大，结果为与文献一致[ 45 ]。

4.3. 比较

为了更好地理解所提出的基于 PSO 的机器学习算法与用于预测复杂建筑火灾的其他模型的比较，我们在表 5中汇总了我们的发现。均方根误差 (RMSE)、均方误差 (MSE) 和平均绝对误差 (MAE) 都是准确性的度量。PSO 是另一种流行的机器学习算法。利用群体智能，此类算法能够在全局优化中学习并表现良好。

为了验证PSO-BP模型的效率并分析其性能，首先随机产生神经网络连接权值和阈值，通过训练集分别训练PSO-BP和基本BP神经网络模型数据和测试样本。其中，最大迭代次数N num模型训练过程中的参数设置为50。其次，使用训练好的PSO-BP模型和BP神经网络模型基于测试集数据进行预测。对于BP神经网络和PSO-BP，训练模型过程重复10次，并根据测试数据集进行预测。在此基础上，比较不同方法在训练模型过程中的时间复杂度以及构建模型的预测结果的准确性。均方根误差用于计算各模块的预测误差。

与BP神经网络模型相比，PSO-BP模型迭代次数较少，训练时间较短。PSO-BP模型的10次运算中，预测结果的准确率略高于BP模型，并且高于4.2节中描述的多因素Logistic回归模型的预测结果的准确率（逻辑回归模型为 0.32475)。PSO-BP模型预测精度的波动范围低于BP模型，体现出更高的鲁棒性。预测模型的10个预测结果的预测误差均低于停止训练阈值（δ），说明预测模型具有良好的可扩展性。这是因为未经PSO算法优化的神经网络模型在训练过程中会进入误差面的平坦区域，导致收敛速度变慢甚至陷入局部极小值，导致训练失败。

通过使用测试样本可以提高预测模型的可用性。PSO算法的引入可以在模型训练过程中加速参数向最优解的逼近，从而提高模型的有效性。因此，PSO-BP模型更加实用。

5。结论

为了提高建筑火灾风险评估的准确性，提出一种基于PSO-BP神经网络的购物中心火灾风险评估模型，并利用来自30个不同购物中心的购物中心（巴基斯坦拉合尔）火灾风险数据进行模拟实验。确定建筑特征、经济因素、气候因素、消防等16个与建筑火灾相关的因素作为预测参数。在此基础上，采用基于PSO算法的改进BP神经网络对建筑火灾危险进行短期预测，称为PSO-BP模型。PSO-BP模型弥补了BP神经网络模型易陷入局部极小值、稳定性差、训练时长不确定等问题。PSO-BP 模型可以更快、更准确地产生结果。根据PSO-BP模型算法和MATLAB软件，建立了研究区火灾风险等级预测原型系统。经过测试，原型系统能够更好地分析和处理16个火灾危险因素的数据，预测相应的火灾危险等级，为研究区的火灾管理提供依据。该模型还可以推广到有相关数据条件的购物中心农场。

本研究建立的研究区火灾风险等级预测原型系统是一个面向建筑类的小型系统。在商场火灾风险预测中，可以提高预测精度，并且随着数据的实时更新，可以进行实时预测。在未来的研究工作中，将引入更多的建筑火灾风险相关因素，采用更准确的预测模型，进一步提高小型商场火灾等级的预测性能。