基于ARIMA的安全生产事故预测与实证研究

为了减少企业安全管理者在生产作业中由于不确定性导致错误决策所产生的风险,在企业历年安全生产事故数据基础上进行预测具有一定的现实意义。以某企业2008年至2011年的安全生产事故次数时序数据,采用EViews 5统计分析软件,基于ARIMA时间序列预测模型更加关注对事故发生是否平稳而相对于其他预测模型更关注于趋势研究的良好特点,建立安全生产事故ARIMA时序预测模型,并对2012年的安全生产事故发生次数进行预测,通过效果检验发现该模型预测结果基本上能够反映该企业安全生产事故发生的实际情况。通过ARIMA方法在某企业安全生产事故预测具体案例的实现,是对现有安全生产事故预测方法的补充和完善,可为企业安全管理和决策提供一定的指导。     

时间序列模型在火警短期预测中的应用

基于某市的119火警数据,采用时间序列模型中的ARIMA算法进行了分析.计算结果表明,该市119火警数据的天序列服从ARIMA(0,1,2)模型,周序列服从ARIMA(1,0,0)模型.从模型对数据的拟合效果来看,ARIMA模型较为准确的反映了数据序列的发展趋势.采用这两种模型对数据序列分别进行了短期的预测,其预测值与实际结果在趋势上基本一致,研究表明采用周序列预测的效果要好于天序列.基于时序模型的火警预测方法是实现时火灾应急处置中关口前移的重要措施.     

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。     

基于Prophet-聚类模型的火灾时空聚集性特征及预测研究

为研究火灾发生的时空变化规律和聚集性特征,为火灾的科学防范提供参考,基于全国2003-2017年火灾发生次数、死亡人数、受伤人数和直接经济损失及31个省级行政区火灾发生次数等统计数据对火灾特征进行了趋势分析和时间序列预测,并通过K-means聚类分析对火灾空间分布特征和风险程度进行了划分.结果表明,2003-2017年月火灾特征呈先下降后上升再下降的趋势,且具有明显的季节趋势特征.春节期间火灾次数显著增多,具有节假日事件特征.使用Prophet模型对火灾次数进行了时间序列预测,均方根误差RMSE为 3 554.25,决定系数R2为0.98,预测精度较高,平均误差为4.6％,表明使用Prophet模型预测具有季节趋势和节假日事件特征的时间序列效果良好.对2015-2017年31个省级行政区的火灾风险程度进行等级划分,发现广东、浙江和江苏的火灾风险最高,总体为严重风险;天津、海南、贵州、西藏、青海、宁夏的火灾风险程度均较低.研究结果可以为更好地挖掘火灾时空分布及聚集性特征,以及消防部门的火灾防控工作提供一定的依据.     

基于ARIMA模型的航空装备事故时序预测

为提高航空装备事故预防的针对性、有效性和主动性,预防和减少事故的发生,降低事故造成的损失,提出一种时序的差分自回归滑动平均(ARIMA)模型。其建模过程先在时间序列基础上辨识一个试用模型,然后加以诊断,并作出必要调整,反复进行辨识、估计、诊断,直至获得较为满意的ARIMA预测模型。在实例验证中,所构建的用来预测美国空军飞行事故万时率的ARIMA模型,能够将预测的平均相对误差控制在7%以内,预测结果总体反映航空装备的实际安全状况。     

基于ARIMA和XGBoost组合模型的交通事故预测

近年来交通事故及其损失严重影响社会经济的发展和人民生活的提高,交通事故预测可以为交通事故预防提供数据支持。基于自回归滑动平均(ARIMA)模型和极端梯度提升(XGBoost)模型,构建时间序列组合预测模型,对交通事故相关指标进行趋势预测。根据交通事故的特点,选定"事故起数""受伤人数""死亡人数"及"损失"4个指标。首先,根据自相关、偏自相关图确定ARIMA模型参数,根据AIC(赤池信息准则)值确定最终模型;然后,对4个指标的ARIMA模型预测结果的残差构建残差序列,对其进行XGBoost建模,得出修正后的残差预测值;最后,根据残差预测值和ARIMA模型预测值得出组合模型最终的预测值。实例结果表明,4项指标的混合预测模型的预测精度均优于单一的ARIMA模型和Holt-winters模型,其中以"受伤人数"和"死亡人数"的模型改善效果最为显著,"受伤人数"指标的平均绝对百分比误差降低了5.431 7个百分点,"死亡人数"指标的平均绝对百分比误差降低了3.625 9个百分点。     

林火数据的Logistic和零膨胀Poisson(ZIP)回归模型

利用统计模型对森林火灾数据进行了描述和分析,所用模型包括Logistic回归模型和零膨胀Poisson(ZIP)回归模型.将所用的森林火灾数据分别视为分组因子数据和有序变量数据进行建模.为了进行预测和验证,建模时使用部分数据,其余数据作为检验数据,用以检验预测的准确性.研究结果显示,所研究的两类模型都得到了与检验样本接近的结果,具有较好的火灾次数预测能力.其中零膨胀模型不仅可以得到与Logistic模型相当的结果,而且能够有效解决火灾数大于天数的问题,以及可以对零值过多的数据进行较好地建模.该研究表明所建立的Lo-gistic回归模型和零膨胀Poisson回归模型都是分析火灾与影响因素相关性的适用模型.     

季节调整分析在城市火灾发生规律研究中的应用

利用样本周期图法定量分析了城市火灾序列的周期性,并实例分析得出了北京市火灾时间序列具有12个月和48个月的周期性。然后采用季节调整法,将火灾时间序列中的季节因子和不规则因子提取出来,得出了经季节调整后的时间序列,从而得到了北京市火灾发生受季节因素影响的大小和城市火灾时间序列的基本发展趋势,大大提高了火灾数据之间的可比性。同时结论可为消防管理部门有针对性地采取消防监督管理措施和科学地安排消防执勤战备提供有力指导。     

基于人工神经网络的城市火灾事故的预测方法

随着社会经济的飞速发展,城市化进程的加快和人口的迅速增长,城市火灾频繁发生,造成的损失呈上升趋势。针对城市火灾事故发生的特点,根据人工神经网络基本原理和特性,建立了城市火灾事故神经网络预测模型;为了更精确预测城市火灾事故的发生,将城市火灾事故分为了高峰期(春节)和非高峰期两个时段分别进行预测;应用神经网络预测模型和分时段相结合方法对某城市火灾事故进行了实际预测。结果表明,神经网络模型是城市火灾事故预测的有效工具,该模型与时段法的结合能准确预测火灾事故发生的趋势。     

重特大火灾对南京市火灾发生影响规律的时间序列研究

本文采用时间序列法分析中国江苏省南京市每月火灾发生次数受该时间段内江苏省特大火灾以及南京市重特大火灾的影响规律。在对原始数据依次进行了异常点剔除、季节调整后,运用时间序列干涉模型对调整后的数据序列进行滞后分析,分析结果表明通常重特大火灾的影响可持续三个月。     

交通事故损失的时间序列分析

为揭示交通事故经济损失的变化规律,笔者研究并利用时间序列的方法,建立了ARIMA模型,对1985—2005年全国交通事故经济损失的数据进行了分析和预测。根据原始数据的特点,选择随机时间序列分析方法。通过对模型的识别和参数的选择,得到2006—2008年的交通事故损失的预测值分别为2.9559,2.9707和3.0129亿元,置信区间为95%。通过对1985—2005年交通事故经济损失的预测结果与原始数据的比较表明,预测结果接近原始数据,该方法为交通事故的预防和控制提供了技术指导和有益参考。     

灰色Elman神经网络在火灾事故预测中的应用研究

针对我国火灾事故现状,结合灰色理论和神经网络的特点,提出灰色Elman神经网络火灾事故预测模型。依据我国1998—2007年火灾事故统计数据,分别选用GM(1,1)模型和灰色Elman神经网络模型对1998—2005年数据(火灾起数)进行拟合,对2006年、2007年数据进行(火灾起数)预测。结果表明:灰色Elman神经网络火灾事故预测模型符合火灾事故的特点;有效地解决了传统灰色预测模型在火灾事故预测中误差大稳定性差的缺陷,提高了预测精度;可对火灾事故进行预测与分析,为消防安全管理提供依据,以最大限度地减少火灾事故的发生。     

基于支持向量机的综合管廊火灾纵向温度实时预测

城市地下综合管廊一旦发生火灾,会对城市造成很大的经济损失和社会影响。考虑到火灾的快速发展和综合管廊狭长受限的特殊空间结构,迫切需要一套准确、实时的火灾温度预测系统辅助消防救援人员制定决策和指导消防行动。建立了5种不同火源位置的地下综合管廊电缆火灾数值模型,结合支持向量机(SVM),根据火源位置、热释放速率、火灾发生时间以及待测点与火源之间的相对位置关系开发了一种数据驱动的温度实时预测模型,实现了地下管廊火灾场景内的纵向温度预测,提出了在火源附近数据结构的优化方案,提高了火源附近的预测准确度。该方法在预测性能和预测时间方面取得了优异的性能,展示了人工智能在火灾预测应用中的优越表现和发展前景。     

城市火灾的马尔可夫链预测方法

对1951-2004年间城市火灾起火数据进行分析,可以看出城市火灾发生率具有马尔可夫性.用马尔可夫链预测方法对2005年城市火灾发生率进行了预测,得到预测值与实际值完全吻合.用1991-2004年间城市火灾发生的实际数据对该方法进行了检验,说明该方法的可行性.预测结果表明,马尔可夫链预测方法用于城市火灾发生率及其分级的预测是一种切实可行的方法.     

基于ARIMA干预模型和对比分析的安徽省“清剿火患”效果研究

为了研究"清剿火患"行动对安徽省火灾形势的抑制作用,采用ARIMA干预模型与火灾数据对比的方法对2007—2012年安徽省火灾统计数据进行了分析。2种ARIMA干预模型都能检测到"清剿火患"行动对季节调整后火灾起数时间序列的抑制效果。根据干预模型,抑制效果在"清剿火患"行动开展后第3个月时出现,火灾立即减少约300起,随后抑制效果逐渐衰减。在"清剿火患"行动开展14个月后,抑制效果几乎衰减为0。通过对比"清剿火患"期间与2009-10—2010-02、2010-10—2011-02的火灾统计数据,发现"清剿火患"行动期间的火灾起数较前两年同期的火灾起数大幅度降低,平均降幅达64%。在此基础上又分析了不同火灾原因、火灾场所和火灾起数的降低情况。对比发现,"清剿火患"期间火灾死亡人数与死亡人数不低于3人的火灾起数均降低为0。     

基于灰色拓扑的公共聚集场所火灾预测模型

根据1991—2006年间中国公共聚集场所火灾统计资料,针对公共聚集场所火灾影响因子的不确定性和数据的波动性,运用灰色拓扑预测方法探讨公共聚集场所火灾发生的规律,并建立灰色拓扑预测模型,预测未来5年内火灾发生情况。结果表明,所建立的灰色拓扑预测模型的检验精度都达到"好"的标准。因此,采用该模型对公共聚集场所火灾发生情况进行预测,其结果比较可靠,可供消防部门参考。     

自回归模型在井水埋深预测中的应用及改进

用时间序列分析方法建立井水埋深的预测模型时,首先采用差分的方法把季节性时间序列变成平稳时间序列,在此基础上,再用动态数据系统方法的传统F检验定阶法进行分析。由于样本的随机性可能过早地退出对模型的循环检验,从而不能找到合适的预测模型。笔者在用自回归模型建立井水预测模型的基础上,采用了一种改进的建模方法,提高了预测精度,并用实例进行了验证。     

海洋钻井平台井喷火灾概率动态预测研究

为动态预测海洋钻井平台井喷火灾概率随时间变化过程,首先运用安全屏障模型分析导致井喷火灾事故的主要因素;然后利用系统动力学(SD)仿真软件Vensim建立井喷火灾事故概率预测模型,分析井喷火灾概率随时间的变化趋势;并基于历史数据和仿真模拟数据进行非线性拟合,得到概率预测公式。结果表明:海洋钻井平台井喷火灾发生概率与时间成指数函数关系,在4年时间内,井喷火灾概率从2.41×10-6逐渐增大到3.997×10-6,所推导的概率预测公式预测精度高,适用于实际工作中对井喷火灾发生概率的预测。     

煤尘爆炸最大压力随点火延迟时间的时序性分析

为研究煤尘爆炸最大压力随点火延迟时间的变化规律,采用20 L球形爆炸装置进行试验,通过采集不同点火延迟时间下煤尘爆炸最大压力数据,建立最大压力-点火延迟时间的自回归移动平均(ARIMA)时间序列模型。采用差分法消除最大压力数据的上升趋势性。通过计算自相关、偏相关系数与赤池信息量准则(AIC)函数值、贝叶斯信息量准则(BIC)函数值,确定模型自回归、移动平均阶数,并采用最小二乘法估计模型参数。运用模型预测20组不同点火延迟时间下的最大压力。结果表明,用ARIMA时间序列模型预测的最佳点火延迟时间与实测情况基本吻合,同时实现了对最大压力数据波动特征的合理分析。     

基于GM(1,1)的残差修正模型的电梯故障率预测

为研究某城市某品牌电梯故障率发展趋势,建立了该城市该品牌电梯故障率的GM(1,1)灰色预测模型,并对所建模型进行了数据检验,检验结果表明该预测模型的预测精度波动较大。为了提高GM(1,1)灰色预测模型的预测精度,利用对模型进行数据检验时得到的残差序列,建立GM(1,1)灰色预测模型的残差修正模型,利用该残差修正模型对原预测模型进行修正。利用经残差修正模型修正后的故障率预测模型对该城市A品牌电梯的故障率进行预测,结果表明:1)残差修正模型对原模型修正后的相对误差与修正前相比有升也有降,但精度有所提高且趋于稳定,表明残差修正模型有利于提高预测精度;2)利用所建立的故障率预测模型求得的预测故障率与实际故障率相比,相对误差不超过8.010%,表明该故障率预测模型的预测精度较高;3)修正模型预测值表明,在现有状态下该城市A品牌电梯的故障率呈上升趋势,应加强该品牌电梯的检维修与管理。