一种构建森林火灾预警系统的方法、决策方法及其装置

1.本发明属于数据处理技术领域，具体涉及一种构建森林火灾预警系统的方法、决策方法及其装置。


背景技术：

2.森林火灾对生态环境、生物生存和社会经济都存在严重危害，因此有必要对森林火灾发生风险进行有效评估。由于大量影响因素和高复杂性的问题解决过程，现有的森林火灾预警系统往往无法全面描述不确定性信息，并且无法处理收集到的数据中的不完备信息，同时未考虑决策者的有限理性问题。森林火灾预警问题中存在许多影响因素，这些影响因素可以视为多个指标，潜在的燃烧地区可以视为多个决策者，因此森林火灾预警问题转化为一个多属性群决策问题进行处理是一个合理的选择，可在一定程度上解决现有系统无法处理的问题。


技术实现要素：

3.针对上述森林火灾预警问题中存在许多影响因素的技术问题，本发明提供了一种一种构建森林火灾预警系统的方法、决策方法及其装置，用于应对实际森林火灾预警背景下天气因素与火灾发生可能性关系的不完备性、不确定性问题。
4.为了解决上述技术问题，本发明采用的技术方案为：
5.一种构建森林火灾预警系统的方法，其特征在于：包括下列步骤：
6.s1.1、获取天气状况集、与所述天气状况集对应的日期集、与所述天气状况集和日期集对应的不同地区下的关系集；
7.s1.2、根据所述天气状况集、所述日期集和所述不同地区下的关系集生成不完备t-球型模糊关系集；
8.s1.3、构建一种补全方法将所述不完备t-球型模糊关系集转化为完备t-球型模糊关系集；
9.s1.4、依据所述完备t-球型模糊关系集生成火灾预警标准集；
10.s1.5、根据所述天气状况集、所述日期集、所述不同地区下的关系集、所述不完备t-球型模糊关系集和所述火灾预警标准集构建森林火灾预警系统。
11.所述根据所述天气状况集、所述日期集和所述不同地区下的关系集生成不完备t-球型模糊关系集的方法为：
12.根据线性归一化公式将表示所述天气状况集中不同指标下的初始数据转化为t-球型模糊数中的隶属度，其中，所述线性归一化公式表示为：
13.14.其中，代表归一化后第i个地区下第j个日期与第k个指标的隶属度，a
ijk
代表初始数据中第i个地区下第j个日期与第k个指标的关系，i代表不同地区下的关系集中第i个地区，j代表日期集中第j个日期，k代表天气状况集中第k个指标；
15.根据所述t-球型模糊数中的隶属度和转换公式生成t-球型模糊数中的非隶属度和犹豫度，其中转换公式为：
[0016][0017][0018]
其中，代表归一化后第i个地区下第j个日期与第k个指标的非隶属度，代表归一化后第i个地区下第j个日期与第k个指标的犹豫度；
[0019]
对于所述天气状况集中初始数据的存在的缺失值，对其隶属度、非隶属度和犹豫度赋值为-1、0和0；
[0020]
根据所述隶属度、所述非隶属度和所述犹豫度生成所述不完备t-球型模糊关系集。
[0021]
一种构建森林火灾预警系统的决策方法，包括下列步骤：
[0022]
s2.1、将所述天气状况集、与所述天气状况集对应的日期集、与所述天气状况集和日期集对应的不同地区下的关系集输入所述森林火灾预警系统进行数据初始化处理，处理后生成不完备t-球型模糊关系集；
[0023]
s2.2、通过基于相似度的不完备t-球型模糊处理方法计算所述日期集中所有日期的相似度类，并根据相似度类的定义生成所述日期集中所有日期的条件概率和可调条件概率；
[0024]
s2.3、使用基于相似度的补全方法将所述不完备t-球型模糊关系集转化为完备t-球型模糊关系集；
[0025]
s2.4、根据所述完备t-球型模糊关系集和熵权法计算所述天气状况集中的指标权重集，进一步基于所述天气状况集中指标的权重计算所述不同地区下的关系集中的地区权重集；
[0026]
s2.5、对多粒度t-球型模糊隶属度进行定义，并根据此定义和相对损失函数计算所述不同地区下的关系集中所有地区的阈值；
[0027]
s2.6、根据通过t-球型模糊后悔理论将所述所有地区的阈值进行集成得到最终阈值；
[0028]
s2.7、根据决策规则、得分函数、所述可调多粒度t-球型模糊条件概率和所述最终阈值，生成所述日期集中所有日期的火灾发生可能性排序结果。
[0029]
所述生成日期集中所有日期的条件概率和可调条件概率的方法为：
[0030]
通过基于相似度的不完备t-球型模糊处理方法计算所述日期集中所有日期的相似度类，所述基于相似度的不完备t-球型模糊处理方法描述如下：
[0031]
首先计算所述日期集中各日期间的相似度和差异度，其中计算公式为：
[0032][0033][0034]
其中，s
ik
(x1,x2)和ds
ik
(x1,x2)分别代表第i个地区中第k个天气状况指标下第1个日期和第2个日期的相似度和差异度，*代表缺失值，代表第i个地区中第k个天气状况指标的域，代表所述域中不同值的个数；
[0035]
接下来基于上述计算结果对t-球型模糊相似关系进行定义，该定义如下：
[0036][0037]
其中，sri(x1,x2)为第i个地区中第1天和第2天的t-球型模糊相似关系，n为天气状况指标的个数；
[0038]
根据t-球型模糊相似关系进一步定义(λ1,λ2,λ3)级t-球型模糊相似关系和相似度类，该定义如下：
[0039][0040][0041]
其中，为第i个地区中第1个日期和第2个日期的(λ1,λ2,λ3)级t-球型模糊相似关系，λ1,λ2,λ3满足和0≤λ1+λ2+λ3≤1，为所述不同地区下的关系集中第1个地区的相似度类；
[0042]
根据相似度类的定义生成所述日期集中所有日期的条件概率和可调条件概率，所述条件概率定义如下：
[0043][0044]
其中，x代表预决策结果，即在某个决策偏好下对备选方案进行初步排名，并选择排名最高的多个备选方案作为预决策结果，代表第i个地区中第j个日期的条件概率；
[0045]
对于所有条件概率进行升序排列即可得到可调条件概率为代表排在第i位的地区的可调条件概率。
[0046]
所述使用基于相似度的补全算法将不完备t-球型模糊关系集转化为完备t-球型模糊关系集的方法为：
[0047]
步骤1：对于所述不完备t-球型模糊关系集进行数值扫描，建立缺失值标记矩阵m=(miss
ij
)
l*m
，当第i行中存在缺失值时，miss
ij
＝1，否则，miss
ij
＝0；
[0048]
步骤2：定义标记矩阵步骤2：定义标记矩阵代表j1行和j2行中没有缺失值或者两者的缺失值存在于同一位置，在其他情况下
[0049]
步骤3：基于权利4中所述相似度的计算方法，得到相似度矩阵smf，其中f初始赋值为1；
[0050]
步骤4：对相似性矩阵按行扫描，通过计算得分函数(值为0和1不考虑)得到最大相似度，该需要最大值满足miss
ig
和miss
ih
中至少一个值为1及flag
gh
＝0；如果得到的最大相似度有多个，则选择得到的第一个最大相似度进行计算；
[0051]
步骤5：基于上述定义，使用以下步骤将所述不完备t-球型模糊关系集转化为完备t-球型模糊关系集：
[0052]
步骤5.1：k＝1；
[0053]
步骤5.2：如果r
gk
＝*且r
hk
≠*，则r
gk
＝r
hk
，
[0054]
如果r
gk
≠*且r
hk
＝*，则r
hk
＝r
gk
，
[0055]
如果r
gk
＝*且r
hk
＝*，则转步骤5.3；
[0056]
步骤5.3：k＝k+1；
[0057]
步骤5.4：如果k≤n，则转步骤5.2，
[0058]
如果k＞n,则f＝f+1,则flag
gh
＝1；
[0059]
步骤6：重新分别计算xg和xh与xj的相似性，并通过替换sm
f-1
中的相应值获得smf；
[0060]
步骤7：扫描目前不完备t-球型模糊关系集中的第g行和第h行检查缺失值并更新标记矩阵f；
[0061]
步骤8：如果t-球型模糊关系集中依然存在缺失值，则转到步骤5；否则，得到完备t-球型模糊关系集，该补全方法结束。
[0062]
所述根据完备t-球型模糊关系集和熵权法计算天气状况集中的指标权重集的方法为：
[0063]
熵权法首先计算所述天气状况集中的每个指标的信息熵其中当p
ijk
＝0时，令p
ijk ln(p
ijk
)＝0，基于信息熵的定义可以进一步得到天气状况集中的指标权重
[0064]
在此基础上，可进一步得到地区权重，计算步骤与上述天气状况集中的指标权重
类似；首先计算每个地区的信息熵其中接下来可得到地区权重
[0065]
所述多粒度t-球型模糊隶属度定义如下：
[0066][0067]
其中为多粒度t-球型模糊隶属度，ri(xj,yk)为完备t-球型模糊关系集中第i个地区下第k个指标和第j个日期的关系值，为第k个指标下的标准集；
[0068]
根据此定义和相对损失函数计算所述不同地区下的关系集中所有地区的阈值，阈值计算公式如下：
[0069][0070][0071]
其中σ∈[0,0.5]为风险厌恶系数，代表风险厌恶程度，σ越大则风险厌恶程度越低。计算后得到阈值矩阵为th
α
＝(th
αij
)q×m和th
β
＝(th
βij
)q×m。
[0072]
所述根据通过t-球型模糊后悔理论将所述所有地区的阈值进行集成得到最终阈值的方法为：
[0073]
步骤1：使用效用函数h(th
ij
)＝(th
ij
′
计算th
ij
的效用值，并对其进行升序排列；
[0074]
步骤2：计算th
ij
的欣喜-后悔值。欣喜-后悔函数为其中当g
′
(th
ij
)＞0时表示欣喜值，当g
′
(th
ij
)＜0时表示后悔值；
[0075]
步骤3：计算th
ij
的感知效用值，感知效用函数为d
′
(th
ij
)＝h(th
ij
)+g
′
(th
ij
)；
[0076]
步骤4：计算第i个地区下的阈值的总体感知效用值
[0077]
步骤5：通过比较所有地区的总体感知效用值获得其中的最大值，选择最大值对应的地区下的阈值作为最终阈值。
[0078]
所述生成日期集中所有日期的火灾发生可能性排序结果的方法为：
[0079][0080][0081]
[0082]
其中pos
α,η
(x)、neg
β,η
(x)、bnd
α,β,η
(x)分别代表正域、负域、边界域。
[0083]
得分函数表示为其中基于得分函数的比较规则如下：
[0084][0085][0086][0087]
一种构建森林火灾预警系统的装置，所述装置包括：
[0088]
获取模块，获取天气状况集、与所述天气状况集对应的日期集、与所述天气状况集和日期集对应的不同地区下的关系集；
[0089]
第一生成模块，用于根据所述天气状况集、所述日期集和所述不同地区下的关系集生成不完备t-球型模糊关系集；
[0090]
转化模块，用于构建一种补全算法将所述不完备t-球型模糊关系集转化为完备t-球型模糊关系集；
[0091]
第二生成模块，用于依据所述完备t-球型模糊关系集生成火灾预警标准集；
[0092]
构建模块，用于根据所述天气状况集、所述日期集、所述不同地区下的关系集、所述不完备t-球型模糊关系集和所述火灾预警标准集构建森林火灾预警系统；
[0093]
所述决策装置包括：
[0094]
处理模块，用于将所述天气状况集、与所述天气状况集对应的日期集、与所述天气状况集和日期集对应的不同地区下的关系集输入所述森林火灾预警系统进行数据初始化处理，处理后生成不完备t-球型模糊关系集；
[0095]
第三生成模块，用于通过基于相似度的不完备t-球型模糊处理方法计算所述日期集中所有日期的相似度类，并根据相似度类的定义生成所述日期集中所有日期的条件概率和可调条件概率；
[0096]
第一计算模块，用于根据所述完备t-球型模糊关系集和熵权法计算所述天气状况集中的指标权重集，进一步基于所述天气状况集中指标的权重计算所述不同地区下的关系集中的地区权重集；
[0097]
第二计算模块，用于对多粒度t-球型模糊隶属度进行定义，并根据此定义和相对损失函数计算所述不同地区下的关系集中所有地区的阈值；
[0098]
集成模块，用于根据通过t-球型模糊后悔理论将所述所有地区的阈值进行集成得到最终阈值；
[0099]
第四生成模块，用于根据决策规则、得分函数、所述可调多粒度t-球型模糊条件概率和所述最终阈值，生成所述日期集中所有日期的火灾发生可能性排序结果。
[0100]
本发明与现有技术相比，具有的有益效果是：
[0101]
本发明使用基于模糊集的方法，该方法可以应对实际森林火灾预警背景下天气因
素与火灾发生可能性关系的不完备性、不确定性问题，并且提高了森林火灾预警的准确性和问题处理效率，并且使森林消防员可以直观地了解森林火灾相关的即时信息，从而对当前情况及时做出判断。
附图说明
[0102]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
[0103]
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
[0104]
图1为本发明实施例1所提供的一种构建森林火灾预警系统的方法的流程图；
[0105]
图2为本发明基于相似度的补全算法的流程图；
[0106]
图3为本发明基于相似度的补全算法中步骤5的详细流程图；
[0107]
图4为本发明实施例1构建的森林火灾预警系统的决策方法的流程图；
[0108]
图5为本发明决策方法中t-球型模糊后悔理论的流程图；
[0109]
图6为本发明实施例1中的决策方法的另一种流程图；
[0110]
图7为本发明实施例2所提供的一种构建森林火灾预警系统的方法的结构示意图。
[0111]
图8为本发明实施例2中一种基于森林火灾预警系统的决策装置的结构示意图。
具体实施方式
[0112]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制；基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0113]
下面结合附图和实施例，对本发明的具体实施方式做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0114]
本技术提出了一种基于模糊集的森林火灾预警系统构建方法，并利用构建的森林火灾预警系统解决实际森林火灾预警问题。与现有的森林火灾预警方法相比，本技术的特点是使用基于模糊集的方法，该方法可以应对实际森林火灾预警背景下天气因素与火灾发生可能性关系的不完备性、不确定性问题，并且提高了森林火灾预警的准确性和问题处理效率，并且使森林消防员可以直观地了解森林火灾相关的即时信息，从而对当前情况及时做出判断。
[0115]
另外，本技术还提出一种基于森林火灾预警系统的决策方法，该决策方法选择三支决策模型作为基础性框架，对于天气状况的不同指标采用相似度和可调条件概率进行融合，使得最终结果更加准确合理，另一方面对于不同地区的阈值，该决策方法选择使用t-球
型模糊后悔理论进行集成，该理论可以解决决策中的有限理性问题，最后基于三支决策的决策规则对所有日期进行分类及排序，三支决策引入延迟决策的概念，使最终决策结果更符合人类思维和认知特点。下面参考附图描述本技术实施例的构建森林火灾预警系统的方法、决策方法及其装置。
[0116]
实施例1
[0117]
图1为本技术实施例1所提供的一种构建森林火灾预警系统的方法的流程图。
[0118]
本技术实施例提供了一种构建森林火灾预警系统的方法，如图1所示，该方法包括以下步骤：
[0119]
步骤110，获取天气状况集、与所述天气状况集对应的日期集、与所述天气状况集和日期集对应的不同地区下的关系集；
[0120]
步骤120，根据所述天气状况集、所述日期集和所述不同地区下的关系集生成不完备t-球型模糊关系集；
[0121]
步骤130，构建一种补全算法将所述不完备t-球型模糊关系集转化为完备t-球型模糊关系集；
[0122]
步骤140，依据所述完备t-球型模糊关系集生成火灾预警标准集；
[0123]
步骤150，根据所述天气状况集、所述日期集、所述不同地区下的关系集、所述不完备t-球型模糊关系集和所述火灾预警标准集构建森林火灾预警系统。
[0124]
在本技术的一个实施例中，森林火灾预警系统可表示为其中，u为日期集，并且u＝{x1,
…
,xj,
…
x
61
}表示61个备选日期，v＝{y1,
…
,yk,
…
y4}为天气状况集，其中y1、y2、y3、y4分别表示温度、相对湿度、风速、降雨量，r
*
＝{r
*1
,
…
,r
*i
,
…r*4
}为四个不同地区下的关系集，为森林火灾预警标准集。
[0125]
在本技术的一个实施例中，步骤120中的不完备t-球型模糊关系集生成过程如下：
[0126]
根据线性归一化公式将表示所述天气状况集中不同指标下的初始数据转化为t-球型模糊数中的隶属度，其中，所述线性归一化公式表示为：
[0127][0128]
其中，代表归一化后第i个地区下第j个日期与第k个指标的隶属度，a
ijk
代表初始数据中第i个地区下第j个日期与第k个指标的关系，i代表不同地区下的关系集中第i个地区，j代表日期集中第j个日期，k代表天气状况集中第k个指标；
[0129]
根据所述t-球型模糊数中的隶属度和转换公式生成t-球型模糊数中的非隶属度和犹豫度，其中所述转换公式为：
[0130][0131][0132]
其中，代表归一化后第i个地区下第j个日期与第k个指标的非隶属度，代表归一化后第i个地区下第j个日期与第k个指标的犹豫度；
[0133]
对于所述天气状况集中初始数据的存在的缺失值，对其隶属度、非隶属度和犹豫度赋值为-1、0和0。
[0134]
根据所述隶属度、所述非隶属度和所述犹豫度生成所述不完备t-球型模糊关系集。
[0135]
在本技术的一个实施例中，如图2所示，通过一种补全算法将不完备t-球型模糊关系集转化为完备t-球型模糊关系集：
[0136]
步骤131，对于所述不完备t-球型模糊关系集进行扫描，建立缺失值标记矩阵m＝(miss
ij
)
l*m
，当第i行中存在缺失值时，miss
ij
＝1，否则，miss
ij
＝0。
[0137]
步骤132：定义标记矩阵步骤132：定义标记矩阵代表j1行和j2行中没有缺失值或者两者的缺失值存在于同一位置，在其他情况下
[0138]
步骤133：基于权利4中所述相似度的计算方法，得到相似度矩阵smf，其中f初始赋值为1；
[0139]
步骤134：对相似性矩阵按行扫描，通过计算得分函数(值为0和1不考虑)得到最大相似度，该需要最大值满足miss
ig
和miss
ih
中至少一个值为1及flag
gh
＝0；如果得到的最大相似度有多个，则选择得到的第一个最大相似度进行计算；
[0140]
步骤135：补全数据，步骤135的详细补全过程如图3所示。
[0141]
步骤136：flag
gh
＝1；
[0142]
步骤137：重新分别计算xg和xh与xj的相似性，并通过替换smf-1中的相应值获得smf；
[0143]
步骤138：扫描目前不完备t-球型模糊关系集中的第g行和第h行检查缺失值并更新标记矩阵f；
[0144]
步骤139：如果t-球型模糊关系集中依然存在缺失值，则转到步骤135；否则，得到完备t-球型模糊关系集，该补全算法结束。
[0145]
在本技术的一个实施例中，步骤140中的火灾预警标准集生成过程如下：
[0146][0147]
通过该公式计算得到火灾预警标准集结果如下表所示：
[0148][0149]
表1标准集
[0150]
图4为基于森林火灾预警系统的决策方法的流程图。
[0151]
本技术实施例提供了一种基于森林火灾预警系统的决策方法，如图4所示，该决策方法包括以下步骤：
[0152]
步骤210：将所述天气状况集、与所述天气状况集对应的日期集、与所述天气状况集和日期集对应的不同地区下的关系集输入所述森林火灾预警系统进行数据初始化处理，处理后生成不完备t-球型模糊关系集。
[0153]
步骤220：通过基于相似度的不完备t-球型模糊处理方法计算所述日期集中所有日期的相似度类，并根据相似度类的定义生成所述日期集中所有日期的条件概率和可调条件概率，所述基于相似度的不完备t-球型模糊处理方法描述如下：
[0154]
首先计算所述日期集中各日期间的相似度和差异度，其中计算公式为：
[0155][0156][0157]
其中，s
ik
(x1,x2)和ds
ik
(x1,x2)分别代表第i个地区中第k个天气状况指标下第1个日期和第2个日期的相似度和差异度，*代表缺失值，代表第i个地区中第k个天气状况指标的域，代表所述域中不同值的个数；
[0158]
接下来对t-球型模糊相似关系进行计算：
[0159][0160]
其中，sri(x1,x2)为第i个地区中第一天和第二天的t-球型模糊相似关系，n为天气状况指标的个数；
[0161]
根据t-球型模糊相似关系进一步计算(λ1,λ2,λ3)级t-球型模糊相似关系和相似度类：
[0162][0163][0164]
其中，为第i个地区中第1个日期和第2个日期的(λ1,λ2,λ3)级t-球型模糊相似关系，λ1,λ2,λ3满足和0≤λ1+λ2+λ3≤1，为所述不同地区下的关系集中第1个地区的相似度类；
[0165]
相似度类的计算结果展示如下表2，由于数据过多，此处仅展示前5个备选日期的相似度类计算结果：
[0166][0167]
表2xj的相似度类
[0168]
根据相似度类的定义计算所述日期集中所有日期的条件概率和可调条件概率，所述条件概率计算公式如下：
[0169][0170]
其中，x代表预决策结果，即在某个决策偏好下对备选方案进行初步排名，并选择排名最高的多个备选方案作为预决策结果，代表第i个地区中第j个日期的条件概率；
[0171]
对于所有条件概率进行升序排列即可得到可调条件概率为代表排在第i位的地区的可调条件概率，本技术基于风险中性决策偏好将参数τ(i)赋值为
[0172]
步骤230：使用基于相似度的补全算法将所述不完备t-球型模糊关系集转化为完备t-球型模糊关系集，补全算法如图2和图3所示。
[0173]
步骤240：根据所述完备t-球型模糊关系集和熵权法计算所述天气状况集中的指标权重集，进一步基于所述天气状况集中指标的权重计算所述不同地区下的关系集中的地区权重集，熵权法描述如下：
[0174]
熵权法首先计算所述天气状况集中的每个指标的信息熵其中当p
ijk
＝0时，令p
ijk ln(p
ijk
)＝0，基于信息熵的定义可以进一步得到天气状况集中的指标权重天气状况指标权重计算结果如下表3所示：
[0175][0176]
表3天气状况指标权重集
[0177]
在此基础上，可以进一步得到地区权重，计算步骤与上述天气状况集中的指标权重类似。首先计算每个地区的信息熵其中接下来我们可以得到地区权重地区权重计算结果如下表4所示：
[0178][0179]
表4地区权重集
[0180]
步骤250：对多粒度t-球型模糊隶属度进行定义，并根据此定义和相对损失函数计算所述不同地区下的关系集中所有地区的阈值，其中多粒度t-球型模糊隶属度计算公式如下：
[0181][0182]
其中为多粒度t-球型模糊隶属度，ri(xj,yk)为完备t-球型模糊关系集中第i个地区下第k个指标和第j个日期的关系值，为第k个指标下的标准集。
[0183]
根据此定义和相对损失函数计算所述不同地区下的关系集中所有地区的阈值，阈值计算公式如下：
[0184][0185][0186]
其中σ∈[0,0.5]为风险厌恶系数，代表风险厌恶程度，σ越大则风险厌恶程度越低。计算后得到阈值矩阵为th
α
＝(th
αij
)q×m和th
β
＝(th
βij
)q×m。本技术基于风险中性决策偏好将参数σ赋值为0.25。
[0187]
步骤260：根据通过t-球型模糊后悔理论将所述所有地区的阈值进行集成得到最终阈值，其中t-球型模糊后悔理论如图5所示，其描述如下：
[0188]
首先使用效用函数h(th
ij
)＝(th
ij
)
χ
计算th
ij
的效用值，并对其进行升序排列；
[0189]
接下来计算th
ij
的欣喜-后悔值。欣喜-后悔函数为其中当g
′
(th
ij
)＞0时表示欣喜值，当g
′
(th
ij
)＜0时表示后悔值；
[0190]
之后计算th
ij
的感知效用值，感知效用函数为d
′
(th
ij
)＝h(th
ij
)+g
′
(th
ij
)；
[0191]
下一步计算第i个地区下的阈值的总体感知效用值
[0192]
最后通过比较所有地区的总体感知效用值获得其中的最大值，选择最大值对应的地区下的阈值作为最终阈值。
[0193]
本技术对后悔理论中的参数进行赋值为ψ(0.65和χ(0.3。
[0194]
步骤270：根据决策规则、得分函数、所述可调多粒度t-球型模糊条件概率和所述最终阈值，生成所述日期集中所有日期的火灾发生可能性排序结果，其中决策规则定义如下：
[0195][0196][0197][0198]
其中pos
α,η
(x)、neg
β,η
(x)、bnd
α,β,η
(x)分别代表正域、负域、边界域。
[0199]
得分函数表示为其中基于得分函数的比较规则如下：
[0200][0201][0202][0203]
分类结果如下表5所示：
[0204][0205]
所有备选日期的最终排序结果为：
[0206]
x
17
＜x
15
＜x1＜x
49
＜x
51
＜x
10
＜x
60
＜x
11
＜x
50
＜x5＜x
20
＜x
21
＜x
25
＜x3＜x
23
＜x
26
＜x
54
＜x9＜x
12
＜x
57
＜x
35
＜x4＜x
30
＜x
13
＜x
24
＜x6＜x
36
＜x
22
＜x
29
＜x
33
＜x
38
＜x
46
＜x
34
＜x
18
＜x
31
＜x
44
＜x
14
＜x
40
＜x
41
＜x
32
＜x
28
＜x
43
＜x
55
＜x
42
＜x
37
＜x
45
＜x
56
＜x
19
＜x
39
。
[0207]
综上，本技术实施例基于森林火灾预警系统的决策方法，该决策方法首先将所述天气状况集、与所述天气状况集对应的日期集、与所述天气状况集和日期集对应的不同地区下的关系集输入所述森林火灾预警系统进行数据初始化处理，处理后生成不完备t-球型模糊关系集；然后通过基于相似度的不完备t-球型模糊处理方法计算所述日期集中所有日期的相似度类，并根据相似度类的定义生成所述日期集中所有日期的条件概率和可调条件概率；接下来使用基于相似度的补全方法将所述不完备t-球型模糊关系集转化为完备t-球型模糊关系集；下一步根据所述完备t-球型模糊关系集和熵权法计算所述天气状况集中的指标权重集，进一步基于所述天气状况集中指标的权重计算所述不同地区下的关系集中的地区权重集；下一步对多粒度t-球型模糊隶属度进行定义，并根据此定义和相对损失函数计算所述不同地区下的关系集中所有地区的阈值，并根据通过t-球型模糊后悔理论将所述所有地区的阈值进行集成得到最终阈值；最后，根据决策规则、得分函数、所述可调多粒度t-球型模糊条件概率和所述最终阈值，生成所述日期集中所有日期的火灾发生可能性排序结果。由此，本技术所提出的基于相似度的补全方法可以合理准确地处理不完备信息，使构建的森林火灾预警系统可应对初始数据中存在缺失值的情况，之后通过熵权法计算得到的权重集对不同地区和天气状况下的不同指标之间的差异进行了数字化的准确表示，最后使用t-球型模糊后悔理论对阈值进行集成弥补了决策者有限理性的缺陷，从而使最终森林火灾预警结果更加客观。
[0208]
实施例2
[0209]
为了实现上述实施例，本技术实施例提出了一种构建森林火灾预警系统的装置，如图7所示，装置包括：
[0210]
获取模块10，用于获取天气状况集、与所述天气状况集对应的日期集、与所述天气状况集和日期集对应的不同地区下的关系集；
[0211]
第一生成模块20，用于根据所述天气状况集、所述日期集和所述不同地区下的关系集生成不完备t-球型模糊关系集；
[0212]
转化模块30，用于构建一种补全方法将所述不完备t-球型模糊关系集转化为完备t-球型模糊关系集；
[0213]
第二生成模块40，用于依据所述完备t-球型模糊关系集生成火灾预警标准集；
[0214]
构建模块50，用于根据所述天气状况集、所述日期集、所述不同地区下的关系集、所述不完备t-球型模糊关系集和所述火灾预警标准集构建森林火灾预警系统。
[0215]
由于本技术实施例执行实施例1中的构建森林火灾预警系统的方法，因此，本技术实施例实现的技术效果与上述方法所实现的技术效果雷同，为避免重复，在此不再赘述。
[0216]
为了实现上述实施例，本技术实施例提出了一种基于森林火灾预警系统的决策装置，如图8所示，决策装置包括：
[0217]
处理模块50，用于将所述天气状况集、与所述天气状况集对应的日期集、与所述天气状况集和日期集对应的不同地区下的关系集输入所述森林火灾预警系统进行数据初始化处理，处理后生成不完备t-球型模糊关系集；
[0218]
第三生成模块60，用于通过基于相似度的不完备t-球型模糊处理方法计算所述日期集中所有日期的相似度类，并根据相似度类的定义生成所述日期集中所有日期的条件概率和可调条件概率；
[0219]
第一计算模块70，用于根据所述完备t-球型模糊关系集和熵权法计算所述天气状况集中的指标权重集，进一步基于所述天气状况集中指标的权重计算所述不同地区下的关系集中的地区权重集；
[0220]
第二计算模块80，用于对多粒度t-球型模糊隶属度进行定义，并根据此定义和相对损失函数计算所述不同地区下的关系集中所有地区的阈值；
[0221]
集成模块90，用于根据通过t-球型模糊后悔理论将所述所有地区的阈值进行集成得到最终阈值；
[0222]
第四生成模块100，用于根据决策规则、得分函数、所述可调多粒度t-球型模糊条件概率和所述最终阈值，生成所述日期集中所有日期的火灾发生可能性排序结果。
[0223]
由于本技术实施例执行实施例1中的基于森林火灾预警系统的决策方法，因此，本技术实施例实现的技术效果与上述方法所实现的技术效果雷同，为避免重复，在此不再赘述。
[0224]
为了实现上述实施例，本技术实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现实施例1中的构建森林火灾预警系统的方法和基于森林火灾预警系统的决策方法。
[0225]
由于本技术实施例执行实现实施例1中的构建森林火灾预警系统的方法和基于森林火灾预警系统的决策方法，因此，为避免重复，本技术实施例实现的技术效果在此不再赘述。
[0226]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0227]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部
分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0228]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0229]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0230]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0231]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0232]
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。

技术特征：
1.一种构建森林火灾预警系统的方法，其特征在于：包括下列步骤：s1.1、获取天气状况集、与所述天气状况集对应的日期集、与所述天气状况集和日期集对应的不同地区下的关系集；s1.2、根据所述天气状况集、所述日期集和所述不同地区下的关系集生成不完备t-球型模糊关系集；s1.3、构建一种补全方法将所述不完备t-球型模糊关系集转化为完备t-球型模糊关系集；s1.4、依据所述完备t-球型模糊关系集生成火灾预警标准集；s1.5、根据所述天气状况集、所述日期集、所述不同地区下的关系集、所述不完备t-球型模糊关系集和所述火灾预警标准集构建森林火灾预警系统。2.根据权利要求1一种构建森林火灾预警系统的方法，其特征在于：所述根据所述天气状况集、所述日期集和所述不同地区下的关系集生成不完备t-球型模糊关系集的方法为：根据线性归一化公式将表示所述天气状况集中不同指标下的初始数据转化为t-球型模糊数中的隶属度，其中，所述线性归一化公式表示为：其中，代表归一化后第i个地区下第j个日期与第k个指标的隶属度，a
ijk
代表初始数据中第i个地区下第j个日期与第k个指标的关系，i代表不同地区下的关系集中第i个地区，j代表日期集中第j个日期，k代表天气状况集中第k个指标；根据所述t-球型模糊数中的隶属度和转换公式生成t-球型模糊数中的非隶属度和犹豫度，其中转换公式为：豫度，其中转换公式为：其中，代表归一化后第i个地区下第j个日期与第k个指标的非隶属度，代表归一化后第i个地区下第j个日期与第k个指标的犹豫度；对于所述天气状况集中初始数据的存在的缺失值，对其隶属度、非隶属度和犹豫度赋值为-1、0和0；根据所述隶属度、所述非隶属度和所述犹豫度生成所述不完备t-球型模糊关系集。3.一种构建森林火灾预警系统的决策方法，其特征在于：包括下列步骤：s2.1、将所述天气状况集、与所述天气状况集对应的日期集、与所述天气状况集和日期集对应的不同地区下的关系集输入所述森林火灾预警系统进行数据初始化处理，处理后生成不完备t-球型模糊关系集；s2.2、通过基于相似度的不完备t-球型模糊处理方法计算所述日期集中所有日期的相似度类，并根据相似度类的定义生成所述日期集中所有日期的条件概率和可调条件概率；s2.3、使用基于相似度的补全方法将所述不完备t-球型模糊关系集转化为完备t-球型
模糊关系集；s2.4、根据所述完备t-球型模糊关系集和熵权法计算所述天气状况集中的指标权重集，进一步基于所述天气状况集中指标的权重计算所述不同地区下的关系集中的地区权重集；s2.5、对多粒度t-球型模糊隶属度进行定义，并根据此定义和相对损失函数计算所述不同地区下的关系集中所有地区的阈值；s2.6、根据通过t-球型模糊后悔理论将所述所有地区的阈值进行集成得到最终阈值；s2.7、根据决策规则、得分函数、所述可调多粒度t-球型模糊条件概率和所述最终阈值，生成所述日期集中所有日期的火灾发生可能性排序结果。4.根据权利要求1所述的一种构建森林火灾预警系统的决策方法，其特征在于：所述生成日期集中所有日期的条件概率和可调条件概率的方法为：通过基于相似度的不完备t-球型模糊处理方法计算所述日期集中所有日期的相似度类，所述基于相似度的不完备t-球型模糊处理方法描述如下：首先计算所述日期集中各日期间的相似度和差异度，其中计算公式为：首先计算所述日期集中各日期间的相似度和差异度，其中计算公式为：其中，s
ik
(x1,x2)和ds
ik
(x1,x2)分别代表第i个地区中第k个天气状况指标下第1个日期和第2个日期的相似度和差异度，*代表缺失值，代表第i个地区中第k个天气状况指标的域，代表所述域中不同值的个数；接下来基于上述计算结果对t-球型模糊相似关系进行定义，该定义如下：其中，sr
i
(x1,x2)为第i个地区中第1天和第2天的t-球型模糊相似关系，n为天气状况指标的个数；根据t-球型模糊相似关系进一步定义(λ1,λ2,λ3)级t-球型模糊相似关系和相似度类，该定义如下：该定义如下：
其中，为第i个地区中第1个日期和第2个日期的(λ1,λ2,λ3)级t-球型模糊相似关系，λ1,λ2,λ3满足和0≤λ1+λ2+λ3≤1，为所述不同地区下的关系集中第1个地区的相似度类；根据相似度类的定义生成所述日期集中所有日期的条件概率和可调条件概率，所述条件概率定义如下：其中，x代表预决策结果，即在某个决策偏好下对备选方案进行初步排名，并选择排名最高的多个备选方案作为预决策结果，代表第i个地区中第j个日期的条件概率；对于所有条件概率进行升序排列即可得到可调条件概率为代表排在第i位的地区的可调条件概率。5.根据权利要求3所述的一种构建森林火灾预警系统的决策方法，其特征在于：所述使用基于相似度的补全算法将不完备t-球型模糊关系集转化为完备t-球型模糊关系集的方法为：步骤1：对于所述不完备t-球型模糊关系集进行数值扫描，建立缺失值标记矩阵m＝(miss
ij
)
l*m
，当第i行中存在缺失值时，miss
ij
＝1，否则，miss
ij
＝0；步骤2：定义标记矩阵步骤2：定义标记矩阵代表j1行和j2行中没有缺失值或者两者的缺失值存在于同一位置，在其他情况下步骤3：基于权利4中所述相似度的计算方法，得到相似度矩阵sm
f
，其中f初始赋值为1；步骤4：对相似性矩阵按行扫描，通过计算得分函数(值为0和1不考虑)得到最大相似度，该需要最大值满足miss
ig
和miss
ih
中至少一个值为1及flag
gh
＝0；如果得到的最大相似度有多个，则选择得到的第一个最大相似度进行计算；步骤5：基于上述定义，使用以下步骤将所述不完备t-球型模糊关系集转化为完备t-球型模糊关系集：步骤5.1：k＝1；步骤5.2：如果r
gk
＝*且r
hk
≠*，则r
gk
＝r
hk
，如果r
gk
≠*且r
hk
＝*，则r
hk
＝r
gk
，如果r
gk
＝*且r
hk
＝*，则转步骤5.3；步骤5.3：k＝k+1；步骤5.4：如果k≤n，则转步骤5.2，如果k＞n,则f＝f+1,则flag
gh
＝1；步骤6：重新分别计算x
g
和x
h
与x
j
的相似性，并通过替换sm
f-1
中的相应值获得sm
f
；步骤7：扫描目前不完备t-球型模糊关系集中的第g行和第h行检查缺失值并更新标记矩阵f；
步骤8：如果t-球型模糊关系集中依然存在缺失值，则转到步骤5；否则，得到完备t-球型模糊关系集，该补全方法结束。6.根据权利要求3所述的一种构建森林火灾预警系统的决策方法，其特征在于：所述根据完备t-球型模糊关系集和熵权法计算天气状况集中的指标权重集的方法为：熵权法首先计算所述天气状况集中的每个指标的信息熵其中当p
ijk
＝0时，令p
ijk
ln(p
ijk
)＝0，基于信息熵的定义可以进一步得到天气状况集中的指标权重在此基础上，可进一步得到地区权重，计算步骤与上述天气状况集中的指标权重类似；首先计算每个地区的信息熵其中接下来可得到地区权重7.根据权利要求3所述的一种构建森林火灾预警系统的决策方法，其特征在于：所述多粒度t-球型模糊隶属度定义如下：其中为多粒度t-球型模糊隶属度，r
i
(x
j
,y
k
)为完备t-球型模糊关系集中第i个地区下第k个指标和第j个日期的关系值，为第k个指标下的标准集；根据此定义和相对损失函数计算所述不同地区下的关系集中所有地区的阈值，阈值计算公式如下：算公式如下：其中σ∈[0,0.5]为风险厌恶系数，代表风险厌恶程度，σ越大则风险厌恶程度越低。计算后得到阈值矩阵为th
α
＝(th
αij
)
q
×
m
和th
β
＝(th
βij
)
q
×
m
。8.根据权利要求3所述的一种构建森林火灾预警系统的决策方法，其特征在于：所述根据通过t-球型模糊后悔理论将所述所有地区的阈值进行集成得到最终阈值的方法为：步骤1：使用效用函数h(th
ij
)＝(th
ij
)
χ
计算th
ij
的效用值，并对其进行升序排列；步骤2：计算th
ij
的欣喜-后悔值。欣喜-后悔函数为其中当g
′
(th
ij
)＞0时表示欣喜值，当g
′
(th
ij
)＜0时表示后悔值；
步骤3：计算th
ij
的感知效用值，感知效用函数为d
′
(th
ij
)＝h(th
ij
)+g
′
(th
ij
)；步骤4：计算第i个地区下的阈值的总体感知效用值步骤5：通过比较所有地区的总体感知效用值获得其中的最大值，选择最大值对应的地区下的阈值作为最终阈值。9.根据权利要求3所述的一种构建森林火灾预警系统的决策方法，其特征在于：所述生成日期集中所有日期的火灾发生可能性排序结果的方法为：成日期集中所有日期的火灾发生可能性排序结果的方法为：成日期集中所有日期的火灾发生可能性排序结果的方法为：其中pos
α,η
(x)、neg
β,η
(x)、bnd
α,β,η
(x)分别代表正域、负域、边界域。得分函数表示为其中基于得分函数的比较规则如下：基于得分函数的比较规则如下：基于得分函数的比较规则如下：10.一种构建森林火灾预警系统的装置，其特征在于：所述装置包括：获取模块，获取天气状况集、与所述天气状况集对应的日期集、与所述天气状况集和日期集对应的不同地区下的关系集；第一生成模块，用于根据所述天气状况集、所述日期集和所述不同地区下的关系集生成不完备t-球型模糊关系集；转化模块，用于构建一种补全算法将所述不完备t-球型模糊关系集转化为完备t-球型模糊关系集；第二生成模块，用于依据所述完备t-球型模糊关系集生成火灾预警标准集；构建模块，用于根据所述天气状况集、所述日期集、所述不同地区下的关系集、所述不完备t-球型模糊关系集和所述火灾预警标准集构建森林火灾预警系统；所述决策装置包括：处理模块，用于将所述天气状况集、与所述天气状况集对应的日期集、与所述天气状况集和日期集对应的不同地区下的关系集输入所述森林火灾预警系统进行数据初始化处理，处理后生成不完备t-球型模糊关系集；
第三生成模块，用于通过基于相似度的不完备t-球型模糊处理方法计算所述日期集中所有日期的相似度类，并根据相似度类的定义生成所述日期集中所有日期的条件概率和可调条件概率；第一计算模块，用于根据所述完备t-球型模糊关系集和熵权法计算所述天气状况集中的指标权重集，进一步基于所述天气状况集中指标的权重计算所述不同地区下的关系集中的地区权重集；第二计算模块，用于对多粒度t-球型模糊隶属度进行定义，并根据此定义和相对损失函数计算所述不同地区下的关系集中所有地区的阈值；集成模块，用于根据通过t-球型模糊后悔理论将所述所有地区的阈值进行集成得到最终阈值；第四生成模块，用于根据决策规则、得分函数、所述可调多粒度t-球型模糊条件概率和所述最终阈值，生成所述日期集中所有日期的火灾发生可能性排序结果。

技术总结
本发明公开一种构建森林火灾预警系统的方法、决策方法及其装置，其中，该构建森林火灾预警系统的方法包括获取天气状况集、日期集和不同地区下的关系集；根据所述天气状况集、日期集和关系集生成不完备T-球型模糊关系集；针对不完备T-球型模糊关系集构建一种补全方法；依据T-球型模糊关系集生成火灾预警标准集；根据所述天气状况集、日期集、关系集、不完备T-球型模糊关系集和火灾预警标准集构建森林火灾预警系统。上述方案可应对实际森林火灾预警背景下天气因素与火灾发生可能性关系的不完备性、不确定性问题，提高了森林火灾预警的准确性和问题处理效率，并且森林消防员可直观了解森林火灾的即时相关信息，从而对当下情况及时做出判断。做出判断。做出判断。


技术研发人员：张超 张晶晶 上官学奎 马瑾男 王志文 陆文瑞 刘东航
受保护的技术使用者：山西大学
技术研发日：2023.03.31
技术公布日：2023/6/28