随着城市化进程的加快以及城市火灾所造成的危害日趋严重,研究城市火灾风险评估成为了一项重要的课题。为了更加客观的对城市区域火灾的安全风险进行评估,并且对区域的火灾风险进行预测,本文以成都市22个区县为目标区域,建立了城市区域火灾安全风险评估指标体系,同时搜集指标对应的所有数据并对数据进行量化和风险赋值。首先以层次分析法得出评估结果并建立基于BP神经网络的区域火灾安全风险评估的验证模型,以此验证BP神经网络用于区域火灾风险评估的可行性。接着,以城市区域的火灾所造成的经济损失率来表示区域火灾风险,并对火灾经济损失率按照一定的标准进行等级划分和赋值。在此基础上建立基于BP神经网络的城市火灾风险评估预测模型,以评估指标体系的指标数据作为网络模型的输入,以火灾经济损失率的赋值作为网络模型的输出,用成都市各个区县的火灾数据作为模型的训练样本和检验样本来驯化和检验模型,并通过不断调整模型参数来优化模型,从而得到了基于BP神经网络的城市区域火灾安全风险评估预测模型。随后为研究评估指标数量对模型精度的影响,按照评估指标对火灾风险的“贡献度”,分别取“贡献度”为80%、85%、90%、95%这四种权重占比的指标数量作为样本输入来驯化模型并对比模型的精度。最终主要得出以下4个结论:(1)通过以评估指标体系的全部指标作为样本输入,以层次分析法得出的评估值为样本输出来驯化神经网络模型,最终得到的网络模型平均预测精度为97.17%。BP神经网络训练属于有监督的学习过程,在起指导作用的输出数据可靠度较高,用神经网络建立的模型可以快速、精准的得到可靠的评估结果,97.17%的模型精度验证了用BP神经网络模型来评估区域火灾安全风险的可行性。(2)通过研究神经网络模型不同隐藏层节点对网络预测精度的影响,我们可以发现,随着网络节点数量的增加评估模型的精度现增加后减小,这验证了节点数量过少可能导致模型的学习不充分,而节点数量过多有可能导致模型过度学习,只有在恰当的隐藏层节点网络的预测精度才会最高,模型的性能才能达到最佳。(3)通过基于评估指标体系指标作为样本输入,以经济损失率赋值打分作为样本输出来驯化神经网络模型,最终得到的网络模型平均预测精度为95.03%。这说明,在选取经济损失率这一区域火灾指标来表示区域的火灾风险时,运用神经网络的方法,凭借本文建立的区域火灾安全风险评估指标体系可以以较高的精度预测到目标区域的火灾损失率情况,并可在全国范围内进行横向对比,这有助于区域宏观把控自身的火灾风险水平。(4)在采取80%评估指标作为样本输入时,网络模型的精度已经达到90%以上,随着输入指标数量的增多,驯化后的网络模型的预测精度在不断的提高,在用全部数量指标作为样本输入时,网络误差最小模型预测精度最高。这对火灾风险评估时评估指标的确定有一定的指导作用,凡是和火灾风险相关的指标都可以作为神经网络的样本输入。即使在增加指标数量的过程中,有可能会有某几个指标之间并不是相互独立的,但是神经网络模型具有较高的鲁棒性和容错性能,对于输入指标的重复信息甚至是错误信息都有较高的包容,不会对结果造成太大影响。这又证明了用BP神经网络模型来评估区域火灾安全风险的优越性,该方法可以保证指标的迭代、增加的情况下得出科学评估结果,对区域火灾安全风险评估有重大意义。