电力通道山火蔓延指数预测方法及装置与流程

1.本发明涉及电力运维与应急救援技术领域，尤其涉及电力通道山火蔓延指数预测方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.电力通道是电网线路中的重要组成部分，经过数十年的大规模电网建设，现有大量电力通道存在于山区丘陵中。近些年来，山火频繁发生，对电网运行的稳定性产生严重威胁。山火蔓延是林火行为中的一部分，是山火预防、前期扑救的重要现实依据。蔓延速度会随着火灾的发展而产生一定的变化，而山火初始蔓延主要是研究其从可燃物点燃后一小段时间内的火情发展状况，为一定程度上量化此阶段发展过程，通常将山火蔓延指数用于表征山火初始蔓延速度。
4.山火对电网线路造成的威胁主要集中在火灾大规模发生阶段，使电力通道线路下方形成烟雾、火焰及高温特殊环境，造成空气间隙绝缘强度大幅下降，引起输电线路放电跳闸，同时山火造成的特殊环境具有一定的持续性，可能会造成重合闸失败，导致形成大规模的停电事故，危害用电安全，火灾所形成的特殊环境还可能对输电线路形成不可逆的损坏，造成电网设备的损失。


技术实现要素：

5.本发明实施例提供一种电力通道山火蔓延指数预测方法，用以获取影响山火蔓延指数的特征数据，从而有效预测山火蔓延指数，该方法包括：
6.获取历史山火发生地的山火相关数据，其中，山火相关数据包括气象数据、土壤数据及地面附着物数据；
7.对历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；
8.根据相关性分析结果，从历史山火发生地的山火相关数据中筛选得到影响山火蔓延指数的特征数据；
9.根据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型；
10.将待预测的山火发生地的山火相关数据输入山火蔓延指数预测模型，输出山火蔓延指数预测结果。
11.本发明实施例还提供一种电力通道山火蔓延指数预测装置，用以获取影响山火蔓延指数的特征数据，从而有效预测山火蔓延指数，该装置包括：
12.山火相关数据获取模块，用于获取历史山火发生地的山火相关数据，其中，山火相关数据包括气象数据、土壤数据及地面附着物数据；
13.相关性分析模块，用于对历史山火发生地的山火相关数据进行相关性分析，获得
相关性分析结果；
14.特征数据筛选模块，用于根据相关性分析结果，从历史山火发生地的山火相关数据中筛选得到影响山火蔓延指数的特征数据；
15.山火蔓延指数预测模型建立模块，用于根据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型；
16.山火蔓延指数预测结果获取模块，用于将待预测的山火发生地的山火相关数据输入山火蔓延指数预测模型，输出山火蔓延指数预测结果。
17.本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述电力通道山火蔓延指数预测方法。
18.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述电力通道山火蔓延指数预测方法。
19.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述电力通道山火蔓延指数预测方法。
20.本发明实施例中，通过对获取的历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；根据相关性分析结果，筛选得到影响山火蔓延指数的特征数据，从而快速识别影响预测结果的相关特征数据，并依据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，进而建立山火蔓延指数预测模型，将待预测的山火相关数据输入山火蔓延指数预测模型，得到山火蔓延指数预测结果，从而提高山火蔓延指数预测的准确性。
附图说明
21.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，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，还可以根据这些附图获得其他的附图。在附图中：
22.图1为本发明实施例中电力通道山火蔓延指数预测方法的流程图；
23.图2为本发明实施例中建立随机森林模型的流程图；
24.图3为本发明实施例中电力通道山火蔓延指数预测装置的示意图；
25.图4为本发明实施例中具体的电力通道山火蔓延指数预测装置的示意图。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
27.图1为本发明实施例中电力通道山火蔓延指数预测方法的流程图，该方法包括：
28.步骤101，获取历史山火发生地的山火相关数据，其中，山火相关数据包括气象数据、土壤数据及地面附着物数据；
29.步骤102，对历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；
30.步骤103，根据相关性分析结果，从历史山火发生地的山火相关数据中筛选得到影响山火蔓延指数的特征数据；
31.步骤104，根据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型；
32.步骤105，将待预测的山火发生地的山火相关数据输入山火蔓延指数预测模型，输出山火蔓延指数预测结果。
33.下面对每一步骤进行详细说明。
34.在步骤101中，获取历史山火发生地的山火相关数据，其中，山火相关数据包括气象数据、土壤数据及地面附着物数据。
35.在一实施例中，气象数据包括：温度、相对湿度、风速和雨量；
36.土壤数据包括：半腐层湿度码、干旱码；
37.地面附着物数据：可燃物湿度码。
38.在步骤102中，对历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果。
39.在一实施例中，对历史山火发生地的山火相关数据进行相关性分析之前，还包括：
40.对历史山火发生地的山火相关数据进行数据清洗和标准化处理。
41.具体实施例中，所述数据清洗包括：识别并剔除综合数据中的异常值，利用线性插值法对综合数据中缺失的数据进行补充；所述标准化处理包括：利用z-score标准化法，消除综合数据中影响山火蔓延指数的特征参数之间属性或纲量的不同，其中，选用z-score法对样本数据进行标准化处理，标准化的公式为：
[0042][0043]
其中，z为标准化后的数据，x为原始数据；为平均数；s为标准差。
[0044]
具体实施例中，经对山火相关数据进行统计处理，得到处理后的山火相关数据，如表1所示。
[0045]
表1
[0046][0047]
在一实施例中，对历史山火发生地的山火相关数据进行相关性分析，包括：
[0048]
使用斯皮尔曼相关系数法，对历史山火发生地的山火相关数据中各变量数据进行相关性分析。
[0049]
在步骤103中，根据相关性分析结果，从历史山火发生地的山火相关数据中筛选得到影响山火蔓延指数的特征数据。
[0050]
具体实施例中，使用斯皮尔曼相关系数法对山火相关数据(含细小可燃物湿度码、半腐层湿度码、干旱码、温度、相对湿度、风速、雨量等)进行两两相关性分析。斯皮尔曼相关性分析可以为后续影响山火蔓延指数的特征数据的筛选提供依据，通过舍弃与山火初始蔓延指数无关联或关联性小的特征数据，达到降低维度的目的，以减少后续建模工作量，提高运行效率。通过斯皮尔曼相关系数法得到与山火蔓延指数形成显著相关的特征数据有细小可燃物湿度码、半腐层湿度码、干旱码、温度、相对湿度、时间为八月六项因素，其中除相对湿度与山火蔓延指数成负相关外均为正相关。
[0051]
在步骤104中，根据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型。
[0052]
在一实施例中，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型，包括：
[0053]
将训练的随机森林模型和多层感知机模型，按权重组合构成山火蔓延指数预测模型。
[0054]
具体实施例中，随机森林模型可以对样本进行较好的分类和拟合，同时随机森林模型对数据的处理具有一定程度上的速度优势，其模型建立过程如图2所示：图中n表示训练样本的个数，m表示特征数目；输入特征数目m(其中m应远小于m以确保具有足够区分度的决策树)用于确定决策树的决策结果；使用botstrap取样以有放回抽样的形式从训练样本中取样n次并多次重复，形成多个训练集，并将预测值与未抽取样本比较以评估误差；随机选择m个特征，在决策树的形成过程中根据特征来做出判断，树都会完整发育以保证决策树在满足所有m个特征的情况下做出最佳决策，最后综合所有决策树成果给出决策。
[0055]
所述的多层感知机模型是神经网络计算中的一个经典模型，其具有输入层、输出层及多个隐藏层组成。各层之间的神经元具备使用非线性激活函数全连接的特征，且通过训练不同的链接赋予不同的权重，使预测模型具有较高的精确度、较好的非线性拟合能力及较强的容错性。用y代表模型中的第l层第i个神经元输出量，则输入量为：
[0056][0057]
其中f为第i层激活函数，n为l-1层神经元数量，是l-1层的第j个神经元输出量，是该神经元的权重，是第l层第i个神经元的偏置。在一实施例中，将训练的随机森林模型和多层感知机模型，按权重组合构成山火蔓延指数预测模型，包括：
[0058]
确定训练的随机森林模型的第一验证集平均绝对误差；
[0059]
确定训练的多层感知机模型的第二验证集平均绝对误差；
[0060]
将第一验证集平均绝对误差与第二验证集平均绝对误差相加后，分别按第一验证集平均绝对误差和第二验证集平均绝对误差的数值百分比，分别确定训练的随机森林模型和多层感知机模型的权重；
[0061]
按权重将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型。
[0062]
在一实施例中，按照以下公式，确定随机森林模型的权重：
[0063]
c＝a/(a+b)；
[0064]
其中，a为第一验证集平均绝对误差，b为第二验证集平均绝对误差，c为随机森林模型的权重；
[0065]
按照以下公式，确定多层感知机模型的权重：
[0066]
d＝b/(a+b)；
[0067]
其中，a为第一验证集平均绝对误差，b为第二验证集平均绝对误差，d为多层感知机模型的权重。
[0068]
具体实施例中，从表2可以看出，山火蔓延指数预测模型相较于多元线性回归模型，其训练集、验证集和测试集误差均偏小，对结果的预测精确度更高。
[0069]
表2
[0070][0071]
步骤105，将待预测的山火发生地的山火相关数据输入山火蔓延指数预测模型，输出山火蔓延指数预测结果。
[0072]
具体实施例中通过将随机森林模型与多层感知机模型的预测结果进行融合，就能够按照权重将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型，从而提高山火蔓延指数预测的精度。
[0073]
本发明实施例中还提供了一种电力通道山火蔓延指数预测装置，如下面的实施例所述。由于该装置解决问题的原理与电力通道山火蔓延指数预测方法相似，因此该装置的实施可以参见电力通道山火蔓延指数预测方法的实施，重复之处不再赘述。如图3所示，该装置包括：
[0074]
山火相关数据获取模块301，用于获取历史山火发生地的山火相关数据，其中，山火相关数据包括气象数据、土壤数据及地面附着物数据；
[0075]
相关性分析模块302，用于对历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；
[0076]
特征数据筛选模块303，用于根据相关性分析结果，从历史山火发生地的山火相关数据中筛选得到影响山火蔓延指数的特征数据；
[0077]
山火蔓延指数预测模型建立模块304，用于根据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型；
[0078]
山火蔓延指数预测结果获取模块305，用于将待预测的山火发生地的山火相关数据输入山火蔓延指数预测模型，输出山火蔓延指数预测结果。
[0079]
在一实施例中，气象数据包括：温度、相对湿度、风速和雨量；
[0080]
土壤数据包括：半腐层湿度码、干旱码；
[0081]
地面附着物数据：可燃物湿度码。
[0082]
如图4所示，在一实施例中，还包括数据处理模块401，用于：
[0083]
对历史山火发生地的山火相关数据进行数据清洗和标准化处理。
[0084]
在一实施例中，相关性分析模块302，具体用于：
[0085]
使用斯皮尔曼相关系数法，对历史山火发生地的山火相关数据中各变量数据进行相关性分析。
[0086]
在一实施例中，山火蔓延指数预测模型建立模块304，具体用于：
[0087]
将训练的随机森林模型和多层感知机模型，按权重组合构成山火蔓延指数预测模型。
[0088]
在一实施例中，山火蔓延指数预测模型建立模块304，还用于：
[0089]
确定训练的随机森林模型的第一验证集平均绝对误差；
[0090]
确定训练的多层感知机模型的第二验证集平均绝对误差；
[0091]
将第一验证集平均绝对误差与第二验证集平均绝对误差相加后，分别按第一验证集平均绝对误差和第二验证集平均绝对误差的数值百分比，分别确定训练的随机森林模型和多层感知机模型的权重；
[0092]
按权重将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型。
[0093]
在一实施例中，按照以下公式，确定随机森林模型的权重：
[0094]
c＝a/(a+b)；
[0095]
其中，a为第一验证集平均绝对误差，b为第二验证集平均绝对误差，c为随机森林模型的权重；
[0096]
按照以下公式，确定多层感知机模型的权重：
[0097]
d＝b/(a+b)；
[0098]
其中，a为第一验证集平均绝对误差，b为第二验证集平均绝对误差，d为多层感知机模型的权重。
[0099]
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
[0100]
本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述电力通道山火蔓延指数预测方法。
[0101]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述电力通道山火蔓延指数预测方法。
[0102]
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述电力通道山火蔓延指数预测方法。
[0103]
本发明实施例中，通过对获取的历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；根据相关性分析结果，筛选得到影响山火蔓延指数的特征数据，从而快速识别影响预测结果的相关特征数据，并依据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，进而建立山火蔓延指数预测模型，将待预测的山火相关数据输入山火蔓延指数预测模型，得到山火蔓延指数预测结果，从而提高山火蔓延指数预测的准确性。
[0104]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0105]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0106]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0107]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0108]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种电力通道山火蔓延指数预测方法，其特征在于，包括：获取历史山火发生地的山火相关数据，其中，山火相关数据包括气象数据、土壤数据及地面附着物数据；对历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；根据相关性分析结果，从历史山火发生地的山火相关数据中筛选得到影响山火蔓延指数的特征数据；根据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型；将待预测的山火发生地的山火相关数据输入山火蔓延指数预测模型，输出山火蔓延指数预测结果。2.如权利要求1所述的方法，其特征在于，气象数据包括：温度、相对湿度、风速、雨量；土壤数据包括：半腐层湿度码、干旱码；地面附着物数据：可燃物湿度码。3.如权利要求1所述的方法，其特征在于，对历史山火发生地的山火相关数据进行相关性分析之前，还包括：对历史山火发生地的山火相关数据进行数据清洗和标准化处理。4.如权利要求1所述的方法，其特征在于，对历史山火发生地的山火相关数据进行相关性分析，包括：使用斯皮尔曼相关系数法，对历史山火发生地的山火相关数据中各变量数据进行相关性分析。5.如权利要求1所述的方法，其特征在于，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型，包括：将训练的随机森林模型和多层感知机模型，按权重组合构成山火蔓延指数预测模型。6.如权利要求5所述的方法，其特征在于，将训练的随机森林模型和多层感知机模型，按权重组合构成山火蔓延指数预测模型，包括：确定训练的随机森林模型的第一验证集平均绝对误差；确定训练的多层感知机模型的第二验证集平均绝对误差；将第一验证集平均绝对误差与第二验证集平均绝对误差相加后，分别按第一验证集平均绝对误差和第二验证集平均绝对误差的数值百分比，分别确定训练的随机森林模型和多层感知机模型的权重；按权重将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型。7.如权利要求6所述的方法，其特征在于，按照以下公式，确定随机森林模型的权重：c＝a/(a+b)；其中，a为第一验证集平均绝对误差，b为第二验证集平均绝对误差，c为随机森林模型的权重；按照以下公式，确定多层感知机模型的权重：d＝b/(a+b)；其中，a为第一验证集平均绝对误差，b为第二验证集平均绝对误差，d为多层感知机模型的权重。
8.一种电力通道山火蔓延指数预测装置，其特征在于，包括：山火相关数据获取模块，用于获取历史山火发生地的山火相关数据，其中，山火相关数据包括气象数据、土壤数据及地面附着物数据；相关性分析模块，用于对历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；特征数据筛选模块，用于根据相关性分析结果，从历史山火发生地的山火相关数据中筛选得到影响山火蔓延指数的特征数据；山火蔓延指数预测模型建立模块，用于根据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型；山火蔓延指数预测结果获取模块，用于将待预测的山火发生地的山火相关数据输入山火蔓延指数预测模型，输出山火蔓延指数预测结果。9.如权利要求8所述的装置，其特征在于，气象数据包括：温度、相对湿度、风速和雨量；土壤数据包括：半腐层湿度码、干旱码；地面附着物数据：可燃物湿度码。10.如权利要求8所述的装置，其特征在于，还包括数据处理模块，用于：在相关性分析模块对历史山火发生地的山火相关数据进行相关性分析之前，对历史山火发生地的山火相关数据进行数据清洗和标准化处理。11.如权利要求8所述的装置，其特征在于，相关性分析模块，具体用于：使用斯皮尔曼相关系数法，对历史山火发生地的山火相关数据中各变量数据进行相关性分析。12.如权利要求8所述的装置，其特征在于，山火蔓延指数预测模型建立模块，具体用于：将训练的随机森林模型和多层感知机模型，按权重组合构成山火蔓延指数预测模型。13.如权利要求12所述的装置，其特征在于，山火蔓延指数预测模型建立模块，具体用于：确定训练的随机森林模型的第一验证集平均绝对误差；确定训练的多层感知机模型的第二验证集平均绝对误差；将第一验证集平均绝对误差与第二验证集平均绝对误差相加后，分别按第一验证集平均绝对误差和第二验证集平均绝对误差的数值百分比，分别确定训练的随机森林模型和多层感知机模型的权重；按权重将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型。14.如权利要求13所述的装置，其特征在于，山火蔓延指数预测模型建立模块，具体用于：按照以下公式，确定随机森林模型的权重：c＝a/(a+b)；其中，a为第一验证集平均绝对误差，b为第二验证集平均绝对误差，c为随机森林模型的权重；按照以下公式，确定多层感知机模型的权重：
d＝b/(a+b)；其中，a为第一验证集平均绝对误差，b为第二验证集平均绝对误差，d为多层感知机模型的权重。15.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。17.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。

技术总结
本发明公开了一种电力通道山火蔓延指数预测方法及装置，其中该方法包括：获取历史山火发生地的山火相关数据；对历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；根据相关性分析结果，从历史山火发生地的山火相关数据中筛选得到影响山火蔓延指数的特征数据；根据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型；将待预测的山火发生地的山火相关数据输入山火蔓延指数预测模型，输出山火蔓延指数预测结果。本发明可以快速识别影响预测结果的相关特征数据，提高山火蔓延指数预测的准确性。预测的准确性。预测的准确性。


技术研发人员：李佳骏 周强 王志强 周肖东 江柱 王辰辉 吴婧宜 刘永亮
受保护的技术使用者：国网电力空间技术有限公司
技术研发日：2023.05.05
技术公布日：2023/8/6