大型酒店火灾风险评估方法、装置及计算机设备与流程

本发明涉及消防领域，更具体地说是指一种大型酒店火灾风险评估方法、装置及计算机设备。

背景技术：

大型酒店建筑形式，除包含传统的客房外，还包括健身房、酒吧、餐厅、会议室等服务设施，大型酒店已由提供传统住宿逐步转变成一个汇集会议、休闲、娱乐等服务的多功能场所。满足各种服务功能的附加设施的出现，使得大型酒店的火灾隐患也逐步提高。

大型酒店一般属于高层建筑，由于高层建筑兴起时间相对较短，缺乏有效的大数据分析能力，对于高层建筑火灾风险评价的相关研究处于起步阶段，没有统一成熟的理论框架。大型酒店作为高层建筑中的一个独特的使用者，目前没有特定的文献进行研究。而现有的火灾风险评价方法选取的特征因素没有针对性。选取泛用性的特征因素对特定建筑主体进行评价可能缺乏科学的评价依据；特征因素选取过于简单或复杂对于特定建筑主体的火灾风险防控参考性弱。评价方法的实际运用性也较差，特征因素的评价依赖于人为主观判断，手工计算复杂难度大，评价过程智能化程度低人工成本高；评价过程中主管权重赋值方法不够科学，评价结果不够客观。研究主要专注于风险评价模型的构建，没有将事前防控和事后控制进行结合，不符合风险源控制思想，实际运用效果差。

公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现要素：

本发明的目的在于克服现有技术的缺陷，提供一种大型酒店火灾风险评估方法、装置及计算机设备。

为实现上述目的，本发明采用以下技术方案：

第一方面，本发明提出一种大型酒店火灾风险评估方法，包括以下步骤：

根据现有消防信息构建评价指标库，所述评价指标库中包括多个初始评价指标；

从评价指标库中筛选出火灾强关联的初始评价指标作为关键评价指标；

通过bp神经网络确定关键评价指标的权重，并基于关键评价指标的权重计算得到目标大型酒店的风险评估结果。

第二方面，本发明提出一种的大型酒店火灾风险评估装置，包括：

指标建立单元，用于根据现有消防信息构建评价指标库，所述评价指标库中包括多个初始评价指标；

指标筛选单元，用于从评价指标库中筛选出火灾强关联的初始评价指标作为关键评价指标；

结果评估单元，通过bp神经网络确定关键评价指标的权重，并基于关键评价指标的权重计算得到目标大型酒店的风险评估结果。

第三方面，本发明提出一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的大型酒店火灾风险评估方法。

本发明与现有技术相比的有益效果是：本发明通过科学有效的对已有消防数据进行分析，科学的选取有针对性的评价指标，客观的对各种评价指标的权重进行智能的测算，最后加权求得大型酒店的综合风险评估结果，有效提高了大型酒店火灾评估准确性和评估效率，使酒店经营管理者能及时发现存在的隐患和风险，提高大型酒店火灾防范的安全性和稳定性。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例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。

图1为本发明实施例提供的一种大型酒店火灾风险评估方法的流程示意图；

图2为本发明实施例提供的一种大型酒店火灾风险评估方法的子流程示意图；

图3为本发明实施例提供的一种大型酒店火灾风险评估方法的子流程示意图；

图4为本发明实施例提供的一种大型酒店火灾风险评估方法的子流程示意图；

图5为本发明实施例提供的一种大型酒店火灾风险评估方法的步骤s131的子流程示意图；

图6为本发明另一实施例提供的一种大型酒店火灾风险评估方法的流程示意图；

图7为本发明实施例提供的一种大型酒店火灾风险评估装置的示意性框图；

图8为本发明实施例提供的一种大型酒店火灾风险评估装置的指标筛选单元的示意性框图；

图9为本发明实施例提供的一种大型酒店火灾风险评估装置的结果评估单元的示意性框图；

图10为本发明另一实施例提供的一种大型酒店火灾风险评估装置的示意性框图；以及，

图11为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

图1是本发明实施例提供的大型酒店火灾风险评估方法的流程示意图。如图1所示，该方法包括以下步骤s110至s130。

s110、根据现有消防信息构建评价指标库，所述评价指标库中包括多个初始评价指标。

在本实施例中，本方案可以基于消防现场调研信息、查阅消防领域相关的技术文献，回顾火灾历史数据，参照国家、地方消防监管机构消防验收、消防检查的相关评分标准等现有消防信息，初步确定大型酒店的火灾风险因素，建立大型酒店火灾风险评估的初始评价指标，并基于初始评价指标构建评价指标库。

具体的，步骤s110是基于消防现场调研信息、消防领域技术文献，火灾历史数据，以及国家消防验收和检查评分标准获取相关的初始评价指标，并基于初始评价指标构建评价指标库。

其中，初始评价指标包括但是不限制于建筑物高度、人员密度、火灾负荷、建筑物使用寿命、内部装修布局、防烟分区、安全疏散和避难、耐火等级、自动喷水灭火系统、防排烟系统、火灾探测器分布、疏散指示标志及应急照明、消防水池/水箱、消防队救援、疏散指示标志及应急照明、防广播、通讯和消防电梯以及火灾报警控制器等等。

s120、从评价指标库中筛选出火灾强关联的初始评价指标作为关键评价指标。

在本实施例中，为使指标具有针对性，通过apriori关联规则数据挖掘算法对评价指标库中的初始评价指标进行筛选处理，根据不同初始评价指标与火灾风险的关联度，筛选出与火灾强关联的初始评价指标作为关键评价指标。基于筛选后与火灾强关联的关键评价指标，能够科学的对大型酒店的火灾风险进行评估，更加准确的表现大型酒店的火灾风险，避免选取到关联性较小的评价指标，使得风险评价结果与现实风险存在较大误差。

参考图2，在一实施例中，步骤s120包括步骤s121-s125。

s121、扫描所有初始评价指标集，累计每个项的计数，得到候选项集c。

s122、判断扫描的候选项集c是否大于最小支持度阈值。

s123、若候选项集c大于最小支持度阈值，则生成频繁项集l，并将不满足条件的项集去掉。

s124、根据频繁项集l的性质推导出下一个候选项集c。

s125，重复执行步骤s122-s124，直到所有初始评价指标集筛选完成。

在本实施中，根据已经建立好的评价指标库，获取评价指标库中的初始评价指标，再对初始评价指标依次筛选，判断初始评价指标是否收敛域支持度阈值，在初始评价指标收敛于支持度阈值之后，将该初始评价指标作为关键评价指标。具体的，本方案通过扫描初始评价指标集，累计每个项的计数，得到候选项集c，并判断扫描的候选项集c是否大于最小支持度阈值，在候选项集c大于最小支持度阈值时，则生成频繁项集l，并将不满足条件的项集去掉，并根据频繁项集l的性质推导出下一个候选项集c，并重复上述筛选流程，直到所有的初始评价指标集筛选完成，得到所有火灾强关联的初始评价指标作为关键评价指标。

其中，初始评价指标由多级指标组成，一级指标可包括多个二级指标，二级指标可包括多个三级指标。例如，致灾因素一级指标包括电气、人员密度、火灾负荷和内部装修等多个二级指标，主动火灾防护一级指标包括自动喷水灭火系统。消防栓系统、排烟系统、火灾自动报警系统等二级指标，而自动喷水灭火系统二级指标包括消防水池/水箱、水泵、喷头、阀门、报警阀、水流指示器等三级指标。

s130、通过bp神经网络确定关键评价指标的权重，并基于关键评价指标的权重计算得到目标大型酒店的风险评估结果。

在本实施例中，根据apriori筛选出的关键评价指标确定bp神经网络的神经元个数，将大型酒店的火灾风险评估结果作为输出，本方案还可以根据输出的风险评估结果确定大型酒店的风险评等级，并根据大型酒店的风险等级提醒酒店经营者及时发现存在的风险和隐患，引导对应的酒店进行消防改进，以降低酒店的火灾风险；同时还可以将不同大型酒店的火灾风险等级信息进行公布，以便于用户提前根据火灾风险等级选择适合的大型酒店居住，保证用户出行安全。

具体的，bp神经网络隐含层神经元个数可通过逐步增长的方法确定，确定bp神经网络的拓扑结构。其中，本发明通过改进的布谷鸟搜索算法和ics优化算法对bp神经网络的初始权值和阈值进行优化，代入原有的bp神经网络中，以使风险评估结果更加准确。

参考图3，在一实施例中，步骤s130包括步骤s131-s134。

s131、对bp神经网络的初始权值和阈值进行优化，并将优化后的权值和阈值代入原有的bp神经网络中。

s132、采用bp神经网络对关键评价指标进行训练和学习。

s133、判断训练学习结果是否收敛或达到最大迭代次数，并在训练学习结果不收敛或者未达到最大迭代次数时，则重新执行采用bp神经网络对关键评价指标进行训练和学习的步骤。

s134、若训练学习结果收敛或者达到最大迭代次数，输出关键指标的权重。

在本实施例中，对bp神经网络的初始权值和阈值进行优化，并将优化后的权值和阈值代入原有的bp神经网络中，并采用优化后的bp神经网络对关键评价指标进行训练和学习，在训练学习结果收敛或达到最大迭代次数，输出关键评价指标的权重，通过采用布谷鸟搜索算法和ics优化算法对bp神经网络的初始权值和阈值进行优化，能够降低不同关键评价指标权重的误差，同时保证风险评估结果的准确性。

具体的，参考图5，在一实施例中，步骤s131包括步骤s1311-s13112。

s1311、构造并初始化bp神经网络，将bp神经网络的初始权值和阈值进行编码化。

s1312、初始化ics优化算法，以期望输出与实际输出之差的绝对值作为适宜度，并更新ics优化算法中的参数。

在本实施例中，更新的是初始化ics优化算法中的参数pamin、pamax、amin、amax、λ和m等。

s1313、计算初始鸟巢的适宜度，并通过ics优化算法生成1组新鸟巢，比较新鸟巢与原有鸟巢的适宜度，并用适宜度较好的鸟巢替换原有适宜度较差的鸟巢。

s1314、根据抛弃概率pa抛弃一部分适宜度最差的鸟巢，生成同等数量的新鸟巢，找到当前适宜度最优的鸟巢。

s1315、判断是否满足终止循环条件。

s1316、若不满足，则根据迭代次数更新ics优化算法中的参数，并继续优化鸟巢。

在本实施例中，继续优化鸟巢，指的是重复执行上述步骤s1313，知道找到忙住终止循环条件的最优鸟巢，另外，根据迭代次数更新ics优化算法中的参数指的是，更新pa、a和k等参数的值。

s1317、若满足，则停止优化，并将最优的鸟巢结果传递回bp神经网络。

s1318、将优化后的鸟巢作为bp神经网络的初始权值和阈值代入原有的bp神经网络，并完成神经网络训练。

s1319、计算优化的权值和阈值训练误差，再根据训练误差更新初始权值和阈值。

s13110、判断更新后的权值和阈值是否满足终止条件，若不满足终止条件，则执行步骤s1319。

s13111、如果满足终止条件，输出优化后的bp神经网络。

在本实施例中，通过在找到优化的鸟巢，也即是优化后的权值和阈值之后，将优化后的鸟巢作为bp神经网络的初始权值和阈值代入原有的bp神经网络，并完成神经网络训练，并计算优化的权值和阈值训练误差，再根据训练误差更新初始权值和阈值，判断更新后的权值和阈值是否满足终止条件，在满足终止条件时，输出优化后的bp神经网络。

参考图4，在一实施例中，步骤s130包括步骤s135-s139。

s135、获取目标大型酒店所有关键评价指标对应的实际得分。

s136、根据每一项关键评价指标的实际得分和权重计算得到对应的风险权重分。

s137、根据目标大型酒店所有关键评价指标的风险权重分计算得到风险总评分。

s138、将该风险总评分作为目标大型酒店的风险评价结果输出。

在本实施例中，根据选取出的每一项关键评价指标对目标大型酒店进行评分，例如可以在1-10分范围内进行选择，在获取到每一项关键评价指标的实际得分之后，将实际得分与该关键评价指标的权重相乘得到对应的风险权重分，将同等级的关键评价指标的风险权重分相加得到，上一个级别的关键评价指标的风险权重分，进而得到不同级别关键评价指标的全部风险权重分，最终根据所有关键评价指标的风险权重分计算得到风险总评分，并将该风险总评分作为目标大型酒店的风险评价结果输出。

本发明通过科学有效的对已有消防数据进行分析，科学的选取有针对性的评价指标，对各种评价指标的权重进行智能的测算，最后加权求得大型酒店的综合风险评估结果，有效提高了大型酒店火灾评估准确性和评估效率，使酒店经营管理者能及时发现存在的隐患和风险，提高大型酒店火灾防范的安全性和稳定性。

图6是本发明另一实施例提供的一种大型酒店火灾风险评估方法的流程示意图。如图6所示，本实施例的大型酒店火灾风险评估方法包括步骤s210-s250。其中步骤s210-s230与上述实施例中的步骤s110-s130类似，在此不再赘述。下面详细说明本实施例中所增加的步骤s240和s250。

s240、将风险评价结果与火灾风险等级表进行比对，确定大型酒店的火灾风险等级。

s250、根据评估后的大型酒店的火灾风险等级，下发对应的火灾防控方案，以实现大型酒店主动预警和智能检修。

在本实施例中，风险评估结果是基于多个关键评价指标对大型酒店进行一一评估之后得到的一个分数值，火灾风险等级表中预设好了不同分数值对应的风险等级，通过将风险评价结果与火灾风险等级表进行比对，就可以确定大型酒店的火灾风险等级，在确定大型酒店的火灾风险等级之后，根据大型酒店的风险等级提醒酒店经营者及时发现存在的风险和隐患，引导对应的酒店进行消防改进，以降低酒店的火灾风险；同时还可以将不同大型酒店的火灾风险等级信息进行公布，以便于用户提前根据火灾风险等级选择适合的大型酒店居住，保证用户出行安全。

图7是本发明实施例提供的一种大型酒店火灾风险评估装置的示意性框图。如图7所示，对应于以上大型酒店火灾风险评估方法，本发明还提供一种大型酒店火灾风险评估装置。该大型酒店火灾风险评估装置包括用于执行上述大型酒店火灾风险评估方法的单元，该装置可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地，请参阅图7，该大型酒店火灾风险评估装置包括指标建立单元10，指标筛选单元20和结果评估单元30。

指标建立单元10，用于根据现有消防信息构建评价指标库，所述评价指标库中包括多个初始评价指标。

在本实施例中，本方案可以基于消防现场调研信息、查阅消防领域相关的技术文献，回顾火灾历史数据，参照国家、地方消防监管机构消防验收、消防检查的相关评分标准等现有消防信息，初步确定大型酒店的火灾风险因素，建立大型酒店火灾风险评估的初始评价指标，并基于初始评价指标构建评价指标库。

具体的，指标建立单元10是基于消防现场调研信息、消防领域技术文献，火灾历史数据，以及国家消防验收和检查评分标准获取相关的初始评价指标，并基于初始评价指标构建评价指标库。

其中，初始评价指标包括但是不限制于建筑物高度、人员密度、火灾负荷、建筑物使用寿命、内部装修布局、防烟分区、安全疏散和避难、耐火等级、自动喷水灭火系统、防排烟系统、火灾探测器分布、疏散指示标志及应急照明、消防水池/水箱、消防队救援、疏散指示标志及应急照明、防广播、通讯和消防电梯以及火灾报警控制器等等。

指标筛选单元20，用于从评价指标库中筛选出火灾强关联的初始评价指标作为关键评价指标。

在本实施例中，为使指标具有针对性，通过apriori关联规则数据挖掘算法对评价指标库中的初始评价指标进行筛选处理，根据不同初始评价指标与火灾风险的关联度，筛选出与火灾强关联的初始评价指标作为关键评价指标。基于筛选后与火灾强关联的关键评价指标，能够科学的对大型酒店的火灾风险进行评估，更加准确的表现大型酒店的火灾风险，避免选取到关联性较小的评价指标，使得风险评价结果与现实风险存在较大误差。

在一实施例中，如图8所示，所述指标筛选单元20包括扫描模块21，判断模块22，生成模块23，推导模块24，和重复模块25。

扫描模块21，用于扫描所有初始评价指标集，累计每个项的计数，得到候选项集c。

判断模块22，用于判断扫描的候选项集c是否大于最小支持度阈值。

生成模块23，用于在候选项集c大于最小支持度阈值时，生成频繁项集l，并将不满足条件的项集去掉。

推导模块24，用于根据频繁项集l的性质推导出下一个候选项集c。

重复模块25，用于重复执行判断模块、生成模块和推导模块的功能，直到所有初始评价指标集筛选完成。

在本实施中，根据已经建立好的评价指标库，获取评价指标库中的初始评价指标，再对初始评价指标依次筛选，判断初始评价指标是否收敛域支持度阈值，在初始评价指标收敛于支持度阈值之后，将该初始评价指标作为关键评价指标。具体的，本方案通过扫描初始评价指标集，累计每个项的计数，得到候选项集c，并判断扫描的候选项集c是否大于最小支持度阈值，在候选项集c大于最小支持度阈值时，则生成频繁项集l，并将不满足条件的项集去掉，并根据频繁项集l的性质推导出下一个候选项集c，并重复上述筛选流程，直到所有的初始评价指标集筛选完成，得到所有火灾强关联的初始评价指标作为关键评价指标。

其中，初始评价指标由多级指标组成，一级指标可包括多个二级指标，二级指标可包括多个三级指标。例如，致灾因素一级指标包括电气、人员密度、火灾负荷和内部装修等多个二级指标，主动火灾防护一级指标包括自动喷水灭火系统。消防栓系统、排烟系统、火灾自动报警系统等二级指标，而自动喷水灭火系统二级指标包括消防水池/水箱、水泵、喷头、阀门、报警阀、水流指示器等三级指标。

结果评估单元30，通过bp神经网络确定关键评价指标的权重，并基于权重得到目标大型酒店的风险评估结果。

在本实施例中，根据apriori筛选出的关键评价指标确定bp神经网络的神经元个数，将大型酒店的火灾风险评估结果作为输出，本方案还可以根据输出的风险评估结果确定大型酒店的风险评等级，并根据大型酒店的风险等级提醒酒店经营者及时发现存在的风险和隐患，引导对应的酒店进行消防改进，以降低酒店的火灾风险；同时还可以将不同大型酒店的火灾风险等级信息进行公布，以便于用户提前根据火灾风险等级选择适合的大型酒店居住，保证用户出行安全。

具体的，bp神经网络隐含层神经元个数可通过逐步增长的方法确定，确定bp神经网络的拓扑结构。其中，本发明通过改进的布谷鸟搜索算法和ics优化算法对bp神经网络的初始权值和阈值进行优化，代入原有的bp神经网络中，以使风险评估结果更加准确。

在一实施例中，参考图9，结果评估单元30包括优化模块31，训练学习模块32，收敛判断模块33、结果输出模块34和风险计算模块35，。

优化模块31，用于对bp神经网络的初始权值和阈值进行优化，并将优化后的权值和阈值代入原有的bp神经网络中。

训练学习模块32，用于训练采用bp神经网络对关键评价指标进行训练和学习。

收敛判断模块33，用于判断训练学习结果是否收敛或达到最大迭代次数，并在训练学习结果不收敛或者未达到最大迭代次数，则重新执行采用bp神经网络对关键评价指标进行训练和学习的步骤。

权重输出模块34，用于训练学习结果收敛或者达到最大迭代次数，输出关键评价指标的权重。

在本实施例中，对bp神经网络的初始权值和阈值进行优化，并将优化后的权值和阈值代入原有的bp神经网络中，并采用优化后的bp神经网络对关键评价指标进行训练和学习，在训练学习结果收敛或达到最大迭代次数，输出关键评价指标的权重，通过采用布谷鸟搜索算法和ics优化算法对bp神经网络的初始权值和阈值进行优化，能够降低关键评价指标的权重的误差，同时保证风险评估结果的准确性。

风险计算模块35，用于获取目标大型酒店所有关键评价指标对应的实际得分，根据每一项关键评价指标的实际得分和权重计算得到对应的风险权重分，并根据目标大型酒店所有关键评价指标的风险权重分计算得到风险总评分，最后将该风险总评分作为目标大型酒店的风险评价结果输出。

在本实施例中，根据选取出的每一项关键评价指标对目标大型酒店进行评分，例如可以在1-10分范围内进行选择，在获取到每一项关键评价指标的实际得分之后，将实际得分与该关键评价指标的权重相乘得到对应的风险权重分，将同等级的关键评价指标的风险权重分相加得到，上一个级别的关键评价指标的风险权重分，进而得到不同级别关键评价指标的全部风险权重分，最终根据所有关键评价指标的风险权重分计算得到风险总评分，并将该风险总评分作为目标大型酒店的风险评价结果输出。

具体的，优化模块31对对bp神经网络的初始权值和阈值进行优化的过程如下：

构造并初始化bp神经网络，将bp神经网络的初始权值和阈值进行编码化。

初始化ics优化算法，以期望输出与实际输出之差的绝对值作为适宜度，并更新ics优化算法中的参数，其中，更新的是初始化ics优化算法中的参数pamin、pamax、amin、amax、λ和m等。

计算初始鸟巢的适宜度，并通过ics优化算法生成1组新鸟巢，比较新鸟巢与原有鸟巢的适宜度，并用适宜度较好的鸟巢替换原有适宜度较差的鸟巢。

根据抛弃概率pa抛弃一部分适宜度最差的鸟巢，生成同等数量的新鸟巢，找到当前适宜度最优的鸟巢。

判断是否满足终止循环条件。

若不满足，则根据迭代次数更新ics优化算法中的参数，并继续优化鸟巢。在本实施例中，继续优化鸟巢，指的是重复执行上述步骤s1313，知道找到忙住终止循环条件的最优鸟巢，另外，根据迭代次数更新ics优化算法中的参数指的是，更新pa、a和k等参数的值。

若满足，则停止优化，并将最优的鸟巢结果传递回bp神经网络。

将优化后的鸟巢作为bp神经网络的初始权值和阈值代入原有的bp神经网络，并完成神经网络训练。

计算优化的权值和阈值训练误差，再根据训练误差更新初始权值和阈值；

判断更新后的权值和阈值是否满足终止条件；

如果满足终止条件，输出优化后的bp神经网络；

若不满足终止条件，则重新计算优化的权值和阈值训练误差，再根据训练误差更新初始权值和阈值。

在本实施例中，通过在找到优化的鸟巢，也即是优化后的权值和阈值之后，将优化后的鸟巢作为bp神经网络的初始权值和阈值代入原有的bp神经网络，并完成神经网络训练，并计算优化的权值和阈值训练误差，再根据训练误差更新初始权值和阈值，判断更新后的权值和阈值是否满足终止条件，在满足终止条件时，输出优化后的bp神经网络。

本发明通过科学有效的对已有消防数据进行分析，科学的选取有针对性的评价指标，对各种评价指标的权重进行智能的测算，最后加权求得大型酒店的综合风险评估结果，有效提高了大型酒店火灾评估准确性和评估效率，使酒店经营管理者能及时发现存在的隐患和风险，提高大型酒店火灾防范的安全性和稳定性。

图10是本发明另一实施例提供的一种大型酒店火灾风险评估装置的示意性框图。如图10所示，本实施例的大型酒店火灾风险评估装置是上述实施例的基础上增加了风险比对单元40和防控提示单元50。

风险比对单元40，用于将风险评价结果与火灾风险等级表进行比对，确定大型酒店的火灾风险等级。

防控提示单元50，用于根据评估后的大型酒店的火灾风险等级，下发对应的火灾防控方案，以实现大型酒店主动预警和智能检修。

在本实施例中，风险评估结果是基于多个关键评价指标对大型酒店进行一一评估之后得到的一个分数值，火灾风险等级表中预设好了不同分数值对应的风险等级，通过将风险评价结果与火灾风险等级表进行比对，就可以确定大型酒店的火灾风险等级，在确定大型酒店的火灾风险等级之后，根据大型酒店的风险等级提醒酒店经营者及时发现存在的风险和隐患，引导对应的酒店进行消防改进，以降低酒店的火灾风险；同时还可以将不同大型酒店的火灾风险等级信息进行公布，以便于用户提前根据火灾风险等级选择适合的大型酒店居住，保证用户出行安全。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述大型酒店火灾风险评估装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

请参阅图11，图11是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图11，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种大型酒店火灾风险评估方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种大型酒店火灾风险评估方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(centralprocessingunit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。

所述存储介质可以是u盘、移动硬盘、只读存储器(read-onlymemory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。