一种基于RBF神经网络的农村住房台风灾害预估方法技术

本发明专利技术公开了一种基于RBF神经网络的农村住房台风灾害预估方法，包括：筛选出对评估地区有影响的台风信息；对台风关键参数标定，并利用风场模型模拟确定台风风速；根据评估地区内农村住房保险承保与理赔数据，获取各台风灾害影响下各乡镇农村住房对应的保额损失率；建立预测模型，将得到的台风风速数据和保额损失率数据代入预测模型进行训练，获取最优的RBF神经网络结构；通过预测模型预测得到不同台风风速下各乡镇保额损失率，根据预测结果对评估地区进行乡镇级分辨率的农村住房台风灾害评估。本发明专利技术借助公共巨灾保险数据和RBF神经网络可实现乡镇级高分辨率的农村住房台风灾情预评，评估结果可靠，对防灾减灾具有重要意义。对防灾减灾具有重要意义。对防灾减灾具有重要意义。

【技术实现步骤摘要】
一种基于RBF神经网络的农村住房台风灾害预估方法


[0001]本专利技术涉及灾害天气预测
，具体是涉及一种基于RBF神经网络的 农村住房台风灾害预估方法。

技术介绍

[0002]我国是台风重灾国家，近年来随着全球气候变暖，西太平洋生成台风的平 均强度呈下降趋势，但我国台风平均登陆强度呈逐渐增强趋势。台风是海洋与 大气相互作用的产物之一，通常伴随着强风、大雨和风暴潮。其破坏力极强且 常会引发洪水、泥石流等次生灾害。根据资料统计台风是历年影响沿海城市各 种气象灾害之最，而且倒塌房屋和死亡人数的平均数为最高，相较于城市，农 村住房抗风性能较差，特别是一些老旧农房，极易遭受台风破坏。
[0003]根据全国第三次农业普查数据显示，农户住房主要为砖混和砖(石)木结 构。住房为砖混结构的13182万户，占57.2％；砖(石)木结构的5993万户， 占26.0％；钢筋混凝土结构的2884万户，占12.5％；竹草土坯结构的640万户， 占2.8％；其他结构的329万户，占1.4％。除了抗风性能较好的钢筋混凝土结构 外，砖混、砖石、竹草等结构房屋都可能因为台风来临而倒塌。因此，对农房 进行合理的灾情评估及预测显得愈发重要。
[0004]针对台风灾害问题，国内外不少学者进行了研究。在致灾因子危险性方面， 有学者基于综合灾情关联度及台风灾致灾因子建立台风灾情预估模型；有学者 以上海年最大风速作为应用对象，采用概率统计方法对致灾因子危险度进行定 量诊断；有学者建立基于主成分分析法的神经网络，并以直接经济损失指数作 为评估指标对浙江省5个台风进行拟合评估。在承灾体易损性方面，有学者综 合考虑致灾因子和承灾体特征并依据自然灾害系统理论对中国沿海地区台风灾 害危险性进行分析；有学者通过建立基于层次分析法的指标系统对中国沿海地 区台风引发的灾害风险进行评估；有学者把台风灾害与社会经济因子相结合， 指出造成灾情损失的主要原因与人口、经济通货密切相关；有学者利用浙江省 农村住房保险数据建立了浙江省农村住房台风易损性方程并给出相关参数。
[0005]目前国内各地应急管理部门主要通过基层灾害信息员收集汇总台风灾情数 据，数据时间序列长，人为干扰因素多，历史数据质量不理想，且侧重于统计 受灾居民数量、人员伤亡、直接经济损失等民政指标，其统计的台风灾情数据 缺乏统一标准，灾情数据的整理与修正存在困难。而气象水利等部门基于历史 数据且主要集中于致灾因子统计，选取相关因素因子，基本上都是通过台风产 生的极大风速和累积雨量这两个测量值与台风灾害的影响程度确定权重系数， 最后构建台风灾害综合风险区划模型，得到风险区划结果，但是不能精确到各 乡镇、村的风险区划，因此气象水利等部门提供的灾情数据空间分辨率较低， 缺少承灾体统计，缺乏量化评估台风灾害风险。
[0006]因此，对于气象或政府等业务部分而言，实现对未来台风可能造成灾害损 失的预估更具有现实意义。

技术实现思路

[0007]针对现有技术中存在的上述问题，旨在提供一种基于RBF神经网络的农村 住房台风灾害预估方法，有效建立从致灾因子到承灾体损失的台风灾情评估模 型，解决传统风险评估空间分辨率较低、风险度量难的问题，精确到各乡镇、 村的风险灾害预估，量化评估台风灾害风险，为后续制定台风灾害保险政策、 台风应急预案等应用提供科学依据。
[0008]具体技术方案如下：
[0009]一种基于RBF神经网络的农村住房台风灾害预估方法，包括以下步骤：
[0010]步骤1：从台风历史信息数据库中筛选出对评估地区有影响的台风信息；
[0011]步骤2：对筛选出的台风信息进行台风关键参数标定，并利用风场模型模拟 确定台风风速；
[0012]步骤3：根据评估地区内农村住房保险承保与理赔数据，获取各台风灾害影 响下各乡镇农村住房对应的保额损失率；
[0013]步骤4：建立基于RBF神经网络的预测模型，将得到的台风风速数据作为预 测模型的输入变量、将得到的保额损失率数据作为预测模型的输出变量代入预 测模型进行训练，获取最优的RBF神经网络结构；
[0014]步骤5：通过预测模型预测得到不同台风风速下各乡镇保额损失率，根据预 测结果对评估地区进行乡镇级分辨率的农村住房台风灾害评估。
[0015]相较于现有技术，本专利技术利用RBF神经网络有效建立了从致灾因子到承灾 体损失的台风灾情评估模型，借助公共巨灾保险数据可以实现乡镇级高分辨率 的农村住房台风灾情预估，解决传统风险评估空间分辨率较低、风险度量难的 问题，精确到各乡镇、村的风险灾害预估，量化评估台风灾害风险，为后续制 定台风灾害保险政策、台风应急预案等应用提供科学依据，可有效减少因风致 倒塌造成的人员伤亡和经济损失。
[0016]进一步的，在步骤4中，RBF神经网络结构包括输入层、隐含层和输出层；
[0017]输入层的每个输入样本为：其中，x
p
表示台风风速，m 代表输入样本数量，T表示对输入样本组成的矩阵的转置；
[0018]输入层通过径向基函数实现x
p
→
R(x
p
‑
c
i
)的空间非线性映射变换，其激活 函数为：其中，R(x
p
‑
c
i
)为映射值，exp()表 示以e为底的指数函数，||x
p
‑
c
i
||为欧式距离，c
i
为隐含层节点中心，σ为基函数 方差；
[0019]输出层通过加权组合实现R(x
p
‑
c
i
)
→
y
j
的线性映射，表示为： j＝1,2,...,n(n为输出层个数)，其中，ω
ij
为隐含层到输 出层的连接权值,i＝1,2,3...,h(h为训练样本对应的隐含层节点数)，y
j
为数据 对应的第j个保额损失率输出值。
[0020]本专利技术提供的该RBF神经网络结构简单，收敛速度快，总体预测误差小。
[0021]进一步的，在步骤4中，具体包括如下步骤：
[0022]步骤41：随机选取I个互不相同的向量作为初始聚类中心c
i
(0)(i＝1,2,3,...h)， 并预先设定阈值ε的值，通过计算获取最终隐含层中心c
i
(h)；
[0023]步骤42：求解方差σ，表示为i＝1,2,...,h(h为训练样本对应的 隐含层节点数)，其中，c
max
是选取中心之间的最大距离；
[0024]步骤43：计算连接权值ω
ij
为：i＝1,2,...,h(h表示 训练样本对应的隐含层节点数)，其中，c
max
是选取中心之间的最大距离。
[0025]进一步的，获取最终隐含层中心c
i
(h)的具体计算方法包括如下步骤：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RBF神经网络的农村住房台风灾害预估方法，其特征在于，包括以下步骤：步骤1：从台风历史信息数据库中筛选出对评估地区有影响的台风信息；步骤2：对筛选出的台风信息进行台风关键参数标定，并利用风场模型模拟确定台风风速；步骤3：根据评估地区内农村住房保险承保与理赔数据，获取各台风灾害影响下各乡镇农村住房对应的保额损失率；步骤4：建立基于RBF神经网络的预测模型，将得到的台风风速数据作为预测模型的输入变量、将得到的保额损失率数据作为预测模型的输出变量代入预测模型进行训练，获取最优的RBF神经网络结构；步骤5：通过预测模型预测得到不同台风风速下各乡镇保额损失率，根据预测结果对评估地区进行乡镇级分辨率的农村住房台风灾害评估。2.根据权利要求1所述的基于RBF神经网络的农村住房台风灾害预估方法，其特征在于：在步骤4中，RBF神经网络结构包括输入层、隐含层和输出层；输入层的每个输入样本为：其中，x
p
表示台风风速，m代表输入样本数量，T表示对输入样本组成的矩阵的转置；输入层通过径向基函数实现x
p
→
R(x
p
‑
c
i
)的空间非线性映射变换，其激活函数为：其中，R(x
p
‑
c
i
)为映射值，exp()表示以e为底的指数函数，||x
p
‑
c
i
||为欧式距离，c
i
为隐含层节点中心，σ为基函数方差；输出层通过加权组合实现R(x
p
‑
c
i
)
→
y
j
的线性映射，表示为：(n为输出层个数)，其中，ω
ij
为隐含层到输出层的连接权值,i＝1,2,3...,h(h为训练样本对应的隐含层节点数)，y
j
为数据对应的第j个保额损失率输出值。3.根据权利要求2所述的基于RBF神经网络的农村住房台风灾害预估方法，其特征在于：在步骤4中，具体包括如下步骤：步骤41：随机选取I个互不相同的向量作为初始聚类中心c
i
(0)(i＝1,2,3,...h)，并预先设定阈值ε的值，通过计算获取最终隐含层中心c
i
(h)；步骤42：求解方差σ，表示为(h为训练样本对应的隐含层节点数)，其中，c
max
是选取中心之间的最大距离；步骤43：计算连接权值ω
ij
为：(h表示训练样本对应的隐含层节点数)，其中，c
max
是选取中心之间的最大距离。4.根据权利要求3所述的基于RBF神经网络的农村住房台风灾害预估方法，其特征在于：获取最终隐含层中心c
i

【专利技术属性】
技术研发人员：李强，郏鸿韬，陆泳竹，裘晴，章根良，冯传庆，
申请(专利权)人：宁波市凯弘工程咨询有限公司，
类型：发明
国别省市：