保险洪灾损失预测模型

第17 第11200511

计算机辅助设计与图形学学报JOURNALOFCOMPUTERAIDEDDESIGN&COMPUTER

VoI.17，No.Nov.保险洪灾损失预测模型杨立左春（中国科学院软件研究所（yangIi@.摘要提出并实现了一种基于地形条件和领域知识的保险洪灾损失预测模型，根据数字高程模型生成地形及排水能力因子，利用神经网络模型的非线性映射能力进行仿真建模，并给出了在该模型中融合领域知识的方法.实验证明，该模型可得出动态的预测结果并具有较强的泛化能力，为保险及相关行业提供了一个可操作的洪灾损失预测处理平台洪灾损失域知中图法分类号TP391InsuranceFloodLossPredictionYang Zuo Wang（InstituteofSoftware，ChineseAcademyofSciences，BeijingAFIoodLossPredictionModeIforinsurancebasedonterrainconditionandknowIedgeisproposedandimpIemented.BythismodeItheterrainanddrainageabiIityfactorisgeneratedbasedonDigitaIEIevationModeIDEM），andNeuraINetworkisusedwithitspowerfuInonIinearmapabiIity.AmethodtoincorporatedomainknowIedgewiththismodeIisgiven.ExperimentsdemonstratethatthemodeIcangeneratedynamicresuItsandhavegoodgeneraIizationabiIity，anditprovidesanoperationabIefIoodIosspredictionpIatformforinsuranceandreIatedindustries.

洪灾损失预测模型一般被认为具有高度非线性、时变性、空间分布差异等特性，并且不容易使用简单的模式有效地加以描述［1］.目前比较有代表性的洪灾损失预测方法有以下几种：假设本区域经济增长服从某种关系（例如指数关系系来预测n年后本区域的价值总量；然后根据历史灾情资料及辅助一些背景资建立某一基准年份的以水深要素为主、淹没历时等为调节因素的城市分类资产洪灾损失率模型［2］.其不足之处在于

前提条件不一定符合实际，而且计算得到的是整个区域的数据，无法得知洪灾损失的具体空间分布状况.2）应用水文模型，采用数值模拟技术来描述洪水在不同淹没时间对本区域造成灾情的具体状况；然后选择有代表性区域的洪灾损失统计资料，建立各类承灾体洪灾损失率关系曲线［3-4］.该方法可以模拟出洪水淹没的具体状况，但是仅仅根据典型区域得到的损失率值来推测本区域的具体状况，往往与实测数据差距较大.另外，多数预测模型得出的结果是一种静态的结果，其使用效果仅仅适用于定性分析，无法根据不同的情况得出定量的结果.近年来，不少学者渐渐开始探索将数据挖掘技收稿日期：20040730；修回日期：200505基金项目：国家“十五”科技攻关计（2001BA102A05-术融入到洪灾损失预测模型中［5］.其主要思路是针对历史灾情数发现隐藏在历史数据中的灾情发生规律.目前大量使用的方法为人工神经网络模［6］，主要包括反向BackPropagation，BP）和径（RadiaIBasisFunction，RBF）研究结果显示，神经网络对于洪灾损失预测的正确性和有效性有着十分良好的表现.由于BP神经网络容易陷入局部最优且训练速度较慢，而RBF神经网络在一定程度上克服了这些问题，被越来越广泛地使用在洪灾预测模型中［7］.虽然近年来出现了很多利用神经网络模型进行洪灾预测的应用，但是应用的模式却差别很大.这主要体现在模型结构、输入输出变量的选择以及各类应用环境的差别上.这类应用所构建的模式虽然能够有效地预测一部分灾情，但是模式的有效性仅限于该地时期法广泛地应用在其他欠缺历史灾情资料的地区.也就是说，现有的神经网络灾情预测模型只能提供一种本地有效的结果而无法推导出可以广泛应用的一般性法则.这是由于以往的预测方法没有充分地利用地理信息系统的空间分析功能，未能充分考虑地形参数的抽象表达而仅仅以特定地点的降雨量等非地形相关条件作为模型参数输入进行训练，从而影响了预测结果的可理解性和利用价值.就保险行业来说，目前尚没有一个基于保险标的的洪灾损失处理平台.总的来往研究的不足主要表现如下：l）对基于物理规律的水文预测模型，由于洪

预测的影响因素过考虑全在着预测精度低以及计算量大等问题.对基于历史灾情的预测模型，由于建模过程未能全面考虑地形特点及人工排水条件，只能提供一种本地有效的结果，对于其他地区的灾情预测不能提供任何有价值的信息.以上2种方式均不能有效地融入已有的领尚没有一个针对保险行业的可操作的洪灾损失处理平台.针对这些不足，我们设计了一个基于地形条件和领域知识的保险洪灾损失预测模型FLM（nsuancefIoodospedconodeIbsedoneancondonandknoIedge该型过从S和数（gaIIevaonMoeIM中提取地分析了洪灾的各种孕灾环境和因子，作为基于RB神经网络的洪灾损失预测模型的输入；提出了一种将洪灾风险图融入到神经网络模型的方法，以提高洪灾损失预测模型的泛化能力，为保险公司提供了一个可操作的洪灾损失处理平台.该模型在实践中取得了良好的效果，通过在地区进行实地验证，证明了其可行性和有效性.!问题描述一个保险洪灾损失预测模型需要解决的问题可l保险洪灾损失预测模型框架定义如下定一个保险标的数据库和地理区域，该地理区域以数字地图的方式存储在GIS中DEM的形式表示其数字高程信息；所有的标的都位于该区域内，并给定不同的气象信（包括降雨区域、降雨强度、有无伴随台风等、地下管网分布信息、排水系数等相关参数以及保险公司的历史理赔情况.模型要求动态输出哪些保险标的最容易受损哪些标的受损失程度以便指导保险公司进行防灾减损工作.同时，该模型得出的结果能够结合领域知识应用在那些欠缺历史灾情的地区.如图l所示洪涝的致灾因子主要是指暴雨或特它通等方式直接造成承灾体功能和价值从而导致财指保险公司保险单上的具体投保户.孕灾环境则是形成的自然洼的调节因子

是指在现有科技水平条件下减轻洪灾损失的人工措施或技术. 技术路线如图2所示，在得知气象部门的预报信息之后，就可以对灾情进行预测.首先按照气象部门提供的信息得到降雨量和降雨时间分布；然后根据GIS和DEM模型计算地形因子，并导入对应网格的排水能力因子、输入雨情信息以及伴随因子（如台风等级）；利用RBF神经网络模型，即可进行动态预测.结合不同地点的领域知识（洪水风险图），输入相应模式下的雨情信息，导入所有网格的地形因子和排水能力因子，即可以得到在该特定地点的风险损失预期分布情况.2保险洪灾损失预测模型技术路"保险洪灾损失预测模型整体架构保险洪灾损失预测模型的数据源包括3个图层和l个数据库，3个图层分别为基础图层，保险责任分布图层和图层，l个数据库对应的是保险公司防灾减损中心数据库.基础图层反映的是事物的基本地理属性，如地形、地貌高程等信息；保险责任分布图层是保险责任信息与地理信息的关联图层，它反映保险责任和保险公司营业网点等与保险责任有关信息的地理分布情况风险分布图层是主要风险与地理信息的关联图层反映洪灾的地理分布防灾减损中心库中了保险公司的基本业务信息和历史风险

洪灾损失预测模型建立在已掌握的历史数为原型系统提供了数据.据和保险公司历史理赔数据基础上，同时基于GIS技术提取相关地形条件因子，包括地形因子和排水能力因子，运RBF神经网络方法建立模型，对将要发生或已经发生的可能造成的标的损失进行直观定量出预测结果."# 地形因为了能从洪灾损失预测模型中提取普遍适用的规则，地形因子的提取至关重要.因为地形不但决定着地表和近地表径流的路径，而且对累计水量的空间分布起着控制作用.Kiky于74年在OPODL中提出了地形因子l!/ta"）的DEM中!为各单元的集水面积，ta"具有相同地形因子数值的点，可以认为对降雨具有相同的水文响应.［8］因此形因子作为参数输入到洪灾损失预测模型中，试图将模型训练结果推广到不同的地点.地形表面的高程分布一般在DM中每一个点的空间位置由三维坐标（x，yz来表示，（xy代表平面坐标，z代表高程.地形平面坐标一般用方块栅格的个数来度量.如图3平面栅格尺寸记为w>w（xy可以用（i来代替，即x=i>wy=>w.由于水总是向低处流的，所以可以将流向看作是二维的，容易得出流向是分布不规则而且是不均匀的.为简单起见，在DM中把二维的无穷流向简化为8个流8个空间点.从图3中可以看出，在DM（i，周围都有8个相邻点，其平（i+m，+n（m=-1，0，1；n=-101m和n不同时为0.（i表坡度进行流向分配.在本模型中采取多流向方法，按照梯度比分配从较高格网到相邻较低格网

曼宁方程可以计算下水管道的排水能力因!3O= R2S !3n其中，n为管壁粗糙率，如1所示!为过水断面R为水力半径和S为管底坡度.$排水管道粗糙率管道类 陶土 混泥土 0. 0. .012假设管道直径为i水深为h水面弦长所对应的圆心角为，过水断面面积!x径和流量采用下面的公式计算.x=i（-" 2 i1 Si"2的流

R 4x4x

）

S（S

将以上公式代（1），可得排水能力因i!i+m+ （

O=

--

Si"（

· Si"!-（i+m，+n的流量部分，p是无量纲的经验 （4231+!-

2/3 "p0时，该方法为平均分配法p!时，该方法就演变成为最陡坡［8］.图 DEM中平面栅格示意排水能力因子城市的排水主要通过铺设在城市路面上的下水实现.下水包括雨水口、支管、干管、检查井及出水口等部分.排水要取决于干管形状和直径大小圆形管道水力性能好，在一定的条件下的断面面积具有最大的水力半径，流速

发生洪灾下水管道的水量达到满流或者可以近似为满流进行计算.这样"=0（2）可改写 1i21/2O=n4 和流量大.因此排水工程常用圆形管道，采!"!标的易在保险洪灾损失预测模型中，易损度是对各类型标的抗御能力的一个度量.例如，在同样的受灾条件下，煤炭的损失情况和棉花的损失情况是截然不同的.也就是说，它们的易损度是不同的.由于财产损失评估的对象是保险标的，而保险标的类型复杂而繁多，本文采用标的易损度来量化标的类型作为影响财产损失的其中一个因素.这个信息并不能直接从业务数据库中得到，在模型建立之前需要对历史赔付数据进行易损度统计分析，以得到标的的易损度表.易损度统计分析：种和标的类里只取出险原因与洪涝有关的数据.险种和标的类型下总赔额/总保额输出度表如表2所示2标的易损度家庭财产综合保 标的类 易损房屋及其室内附属设 .4

输出层节点通常是简单的线性函数，它根据从隐藏层的输入信号得到输出信号.这里的基函数i!）要求径向对称，通常选用函数-家用电衣物和用品0-家用电衣物和用品0.0.家具0.自行0.现金0.⋯⋯

!!-"iii其中，N维输入向量，"i对应第i个基函数的中心!i对应径向基宽度，k对应隐藏层节点数，"i!表示与中心"i之间的距离.输出值k随着历史理赔数据的增加，需要重新进行统计分析易损更为准确.3 模型建立的过程分2个步骤：样本提取和模型学习过程.el从保险公司中获取某一时间段内的出险原因为洪涝的历史理赔数据，从中提取出损失（赔付信息中的赔付金额保险金额标的类型、出险时间和出险地点；其中损失率为样本输出.根据险种和标的类型查找已经生成的标的易损度表，到标的的易损度；根据出险时间和出险地点，查询历史数据，结合DEM和排水分布图，得到相应的地形因子、排水能力因子、降雨量、降雨时长、伴随因子、标的易损度和实际损失率，共同组成样本输入.这样，我们便得到了模型的一组样本.

wii

!）.其中y对应输出值，wi对应隐藏层到4RBF神经网络构Step2.根据模型的样本输入和样本输出进行模型学习，并确定模型的各个参数.用!（xl，x2，x3，x4，x5，x6表示模型的输入，其中：xl为地形因子，x2为排水能力因子，x3为降雨量，x4为降雨时长x5为伴随灾害x6为标的易损y表示模型的输出，即损失率.在学习样本进行归一化处理之后，将输入输出参数都限定在0~l的范围内.本文中选用RBF神经网络模型，其结构如图4所示.BP网络一样，RBF网络属于前馈网络.RBF神经网络由3层组成，即输入层、隐藏层和输出层.输入层节点传递输入信号隐藏层，隐藏层节点通过基函数的作用产生输出信号（出层的输入信号），输出层的权值RBF神经网络模型的参数包括中"i，隐藏层节k，径向基宽度iwi.其中，k可以根据经验按照实际情况来定，模型学习实际上就是参数的确定.本文选用Kmeans方法确定RBF神经网络的中"i和宽度i然后用最小二乘法进行连接权值wi的确定.35在模型生成以后，实验表明该模型对提供历史训练数据的当地有着较优的预测结果，而对于那些整体地形条件差别较大或是人为因素较为复杂的地点，该模型的预测结果则不能令人满意其原因主要是因为某一种致灾因子或多种致灾因子的组合特征未能在训练数据中完整体现.但是，这些地点往往能够提供一ifthen形式的领域知识（如洪水风险图来进行定性的洪灾损失预为了有效地利用这些领域知识来提高洪灾损失预测模型的泛化能力，本文提出一种将领域知识融入到洪灾损失预测模型的方法.该方法的基本要求是使领域知识和原有模型能够以一致的形式来进行预测，我们的思路是利用领域知识和原有模型合成新的RBF神经网络隐藏层单元，文献［9］中给出RBF神经网络与模糊推理系统的功能等价性，为RBF神经网络与领域知识进行知识合成提供了理论基础，算法步骤大致为：el判断RBF神经网络与领域知识的一致一致和不一致2种情况.Step2如果一RBF神经网络与领域知识是同构的，由RBF神经网络的动态性，合成的结果以RBF神经网络为准.Step3如果不一致，因RBF神经网络与模糊推理系统功能等知识中与RBF神经网络中不一致的部分生成隐藏层单元，直接加入到RBF神经网络中，而该隐层单元的输出则需要根据领域知识中与RBF神经网络中一致部分的输出来确定.（FIOOGRiskMap，FRM）是洪灾损失预测领域内最为常见的一种领域知识，它是由专家根据经验和相关气象、地形领域知识绘制的一张表达地区洪水性的专题地图；但是由于它的静态性以及非定量的表达方式，它不能直接为保险公司所用.我们可将FRM形式化表达为FRM=（其中，V代表区域划分；L代表程度；m将区域V映射到L；r，t，S分别代表各个区域的程度所依据的降雨量、降雨时长和伴随灾害因子.根据FRM，修改预测模型的算法如下：输入：训练好的洪灾损失预测模M一个新地点的DEM图和分布地图以及FRM.输出领域知识的洪灾损失预测模型M'Step1.对于每一个区域V，评价该区域适用于M的适应度H将该地区内所有标的所处位置的地形因子、排水能力因子、降雨量rt灾害因子S（来源于编制FRM的依据的易损度组成输入向量!，H（!）min .形因子和排水能力因子分别由DEM和分布地图计算得到，Ci和i分别M中隐藏层节点的中心和径向基宽度；而为一常可以设为1；H（V代表了V区域适用于模M的程度VaH值最大的区域，该区域中的标的通过模型M得出的平均损失率记为Ya.Step2M'M如果H（V）都大于给定的Step3.得到H（V）小于#的区域VnewStep4.对于每一V#Vnew，在'中构造一个新的隐藏层节点R各项参数按照如下的方式构造中心向"的取值为平均地形因子、平均排水能力因子、降雨量r降雨时长t伴随因子S平均标的易损度，径向基宽度!为区域内对应于每一个标的的输入向量X到中心向量C的最大距离

濒临海洋，多寒潮侵袭，加上市内河网密布，易发生洪涝.例如1993年6月，发生特大暴雨，受灾人口13万人，14人，直接经济损失达7亿多元，在本文建立的保险洪灾损失预测模型的基础上，我们使用MapGuiGe结合ASP开发了民保险 防灾减损原型系统.选择盐田区大约1km2范围作为模型验证区域.选取1997年5月发生洪灾的具体数据进行验证，降雨量为300mm/1（约为十年一遇降雨历时为41，输原型系统到本次损失预测数据如图5所示5基于IFLPMTD的一次模拟实验为了分析该模型的泛化能力，我们选择了罗湖区的数据进行模型验证.3列出了IFLPMTD在盐田和罗湖区2个区的预测数据和偏离误差.考虑到保险公司对可能发生的灾情已经进行了有针对性的防灾减损措施，故偏离误差比实际预测误差的结max 对应于R的输出

·Ya（mVaStep5.利用最小二乘法进行连接权值wi的确定.Step6.输出新的洪灾损失预测模型M'.

果要大.而模型对于罗湖区预测结果的偏离误差也在系统设置的有效范围（小20之内，说明模型对未提供历史数据的地区仍然具有较强的预测能力.表3IFLPM-TD对市盐田区和罗湖区1997年5月保险洪灾损失情况的预测结预测区投保户投保价投保户洪灾平均损失损失金实际赔付金偏离误////万/盐田875106.7.68932.60732.13.罗湖1380483.8.114085.98243.16.11 杨立等保险洪灾损失预测模 !结束语传统的洪灾损失预测模型得出的结果多为静态的且仅仅具有本地有效性，制约了其应用价值.通过与GIS的无缝集成，本文提出了一个基于地形条件和领域知识的保险洪灾损失预测模型IFLPMTD.该模型针对保险领域特点，较为全面地考虑了洪灾的各种孕灾环境及因据IS和M提取地形因子及排水能力因子作为BF神经网络的模型输可动态处理多种不同的情况提取的模式能够有效地应用在无法提供历史灾情的地区.该模型还能有效地融入领域知识以提高泛化能为保险公司提供了一个可操作的洪灾损失处理平台.人民保险股份 市分公司的示范应用表该模型可针对不同的情况动态预测洪灾损失状具有良好的应用价值.基于该模型开发的保险防灾减损系统正准备推广到保险有限公司各级及支公司.在具体实践中，还需要综合考虑评估标的性质分发挥洪灾预测在保险工作中的作用.参考文［1］HsuK-I，GuptaHV，SorooshianS.ArtificiaIneuraInetworkmod-eIingoftherainfaII-runoffprocess［J］.WaterResourcesResearch，1995，31（10）：2517~2530［2］Feng，CuiGuangtao，ZhongYun.OntheevaIuationandpre-dictionofurbanfIoodeconomicIoss［J］.JournaIofHydrauIicEngi-neering，2001，（8）：64~68（inChinese）（冯平，，钟昀.城市洪涝直接经济损失的评估和预［J］.水利学报，2001，（8）：64~68［3］ChenXiuwan.FIoodDisasterLostEstimationSystem-AppIicationsofRemoteSensingandGIS［M］.Beijing：ChinaWaterPowerPress，1999（inChinese）（万.洪水灾害损失评估系统———遥感与GIS技术应用研究［M］.：中国水利水电出版社，1999）

［4］LiShiyu，YangPeng，ZhangRunmei.DeveIopmentofhydroIogicaIforcastingandinformationdispIayingsoftwareofhaihearea［J］.JournaIofComputer-AidedDesign&ComputerGraphics，2003，15（3）：368~371（in（，杨鹏，梅.海河流域水文预报系统软件开［J］