本發明涉及風險預測，具體涉及一種基于大語言模型(llm)的多智能體城市建筑安全風險預測方法。

背景技術：

1、多智能體系統(multi-agent?systems,mas)在各個領域的風險預測中展現出卓越的解決能力，特別是在涉及多方參與、復雜交互和動態變化的系統中。金融市場、自然災害應急和公共衛生等領域的風險預測，往往需要同時考慮多個參與方和各種因素，這些因素之間存在復雜的依賴關系和相互影響。傳統的單一模型難以捕捉這種多層次、多角度的動態交互，而多智能體技術通過模擬每個參與方(即智能體)的行為與決策，能夠有效預測各方行為對整體系統的風險傳導效應。每個智能體不僅能夠自主決策，還可以與其他智能體交互，從而更加真實地反映系統內部復雜的風險傳播路徑。例如，在金融市場中，投資者、監管機構和交易所的行為會引發市場波動，進而導致系統性風險。多智能體系統通過分布式協作的方式，有效解決了多方參與、復雜交互下的風險預測問題，提供了更加精準、前瞻性的預測能力。盡管多智能體系統在金融、公共衛生等領域的風險預測中已取得廣泛應用，但在城市建筑安全風險預測中的研究尚顯不足。

2、建筑安全風險預測模型的超參數優化往往需要大量的計算資源和人工干預，才能逐步調節模型參數以達到最佳效果。目前，城市建筑安全風險預測模型的方法和超參數優化仍主要依賴傳統方法，例如，文獻“singh?walia,bhavkaran,et?al.a?dynamic?pipelinefor?spatio-temporal?fire?risk?prediction.proceedings?of?the?24th?acmsigkddinternational?conference?on?knowledge?discovery&data?mining.2018.”公開了一個建筑風險預測框架，利用xgboost和隨機森林算法對匹茲堡市的建筑火災風險進行了預測，并通過手動調整和網格搜索方法優化超參數；文獻“dang,trung?thanh,etal.fire?risk?prediction?using?multi-source?data:a?case?study?in?humbersidearea.2019?25th?international?conference?on?automation?and?computing(icac).ieee,2019.”針對商業建筑構建了火災風險預測模型，比較了包括adaboost、xgboost、隨機森林和多層感知器在內的多種機器學習算法，發現adaboost在預測性能上表現最佳，同樣依賴手動調整方法進行超參數優化；文獻“lee,ina,hyung-rok?oh,and?zoonkylee.risk?prediction?and?analysis?of?building?fires-based?on?property?damageand?occurrence?of?fires.the?journal?of?bigdata?6.1(2021):133-144.”利用集成投票(ensemble?voting)技術，將隨機森林、xgboost和lightgbm算法結合起來，對首爾市建筑的火災風險進行預測，并通過手動調整方法優化超參數；文獻“lei,yating,et?al.firerisk?level?prediction?of?timber?heritage?buildings?based?on?entropy?andxgboost.journal?of?cultural?heritage63(2023):11-22.”通過比較xgboost、gbdt、catboost、adaboost、svm等多種機器學習算法，發現xgboost在預測木質遺產建筑火災風險時表現最佳，并采用特征重要性分析和迭代特征選擇來輔助調整預測模型的超參數。在建筑領域，多智能體系統的應用逐漸展開；文獻“lim,haewon,hyunsoo?lee,and?ji-hyounhwang.multi-agent?simulation?on?staff?evacuation?behavior?in?elderly?nursinghome?fire?emergencies.buildings?13.2(2023):400.”采用了基于代理的多智能體模擬方法，構建了包含護理人員和老年人智能體的系統，詳細模擬了老年護理院火災應急疏散行為；其中，智能體根據預定義的行為規則進行互動，研究者通過此方法評估了不同疏散策略對減少整體疏散時間的影響，提供了有價值的見解；文獻“fonseca,tiago,et?al.a?low-cost?multi-agent?system?for?physical?security?in?smart?buildings.aipconference?proceedings.vol.2919.no.1.aip?publishing,2024.”提出了一個名為ip2s的低成本多智能體系統，該系統通過協調各種物聯網傳感器和執行器，有效緩解智慧建筑中的物理安全事件；這個同樣是基于代理的智能體系統，其中智能體代表不同的傳感器和執行器，協作響應安全事件；文獻“pagou,ephraim?sinyabe,et?al.shapefile-basedmulti-agent?geosimulation?and?visualization?of?building?evacuationscenario.procedia?computer?science?220(2023):519-526.”公開了一個多智能體地理仿真模型，用于模擬建筑疏散場景；這個也是基于代理的智能體系統，其中智能體代表建筑中的人員，它們根據環境中的gis數據進行疏散模擬，為建筑疏散規劃和管理提供了新的視角。

3、盡管現有研究在城市建筑安全風險預測、基于多智能體系統的城市建筑人員疏散和風險緩解方面取得了一定進展，但面對城市建筑安全風險預測和管理中的復雜性和動態變化，現有研究在多方面存在局限，制約了多智能體系統與機器學習技術的有效應用與發展。首先，城市建筑安全風險預測模型大多依賴于手動調整或傳統的網格搜索方法進行超參數優化，導致效率低下，難以應對實際應用中的大規模數據和復雜任務；其次，傳統機器學習算法主要用于靜態環境下的風險預測，在處理復雜的動態和多交互因素時表現不足，難以全面應對實際城市建筑環境中的多變風險。此外，多智能體系統目前主要應用于人員疏散和風險緩解領域，尚未廣泛應用于城市建筑安全風險預測，導致現有的預測模型在靈活性和自適應性方面表現較弱。這些問題限制了多智能體系統和機器學習在城市建筑安全風險預測中的實際應用效果，亟需更高效和自適應的方法來優化這一領域的技術應用。

技術實現思路

1、本發明的目的在于克服現有技術存在的缺點，設計提供一種基于大語言模型(llm)的多智能體城市建筑安全風險預測方法，通過改進超參數優化機制、增強模型處理復雜動態環境的能力，以及擴展多智能體系統在城市建筑安全風險預測領域的應用，提升風險預測的靈活性、準確性和自適應性。

2、為實現上述目的，本發明采用如下技術方案：

3、一種基于大語言模型的多智能體城市建筑安全風險預測方法，包括模型超參數優化和安全風險預測兩個過程，其中模型超參數優化具體包括以下步驟：

4、s11、輸入背景信息，背景信息包括超參數信息、數據集信息、優化目標以及大語言模型信息；

5、s12、生成者智能體生成新超參數組合，生成者智能體通過大語言模型的自然語言理解能力，先從背景信息中提取相關信息，生成初始超參數組合，大語言模型再結合實驗日志結果，使生成者智能體在后續迭代中生成更優的超參數組合；

6、s13、執行者智能體訓練模型和保存實驗日志，執行者智能體先根據生成者智能體生成的超參數組合，對大語言模型進行訓練，并監控訓練進度，再進行實驗，實驗完成后自動保存日志，并關聯超參數和模型表現；

7、s14、llm輔助實驗日志分析，模型訓練和實驗完成后，llm從實驗日志中提取關鍵信息，分析超參數組合對模型性能的影響，從而生成分析報告，為下一輪超參數生成提供反饋信息；

8、s15、生成者智能體迭代優化，生成者智能體利用llm對實驗日志的分析結果，生成新的的超參數組合，并持續進行迭代實驗與反饋，直到達到性能目標或時間限制；

9、s16、輸出最優超參數組合，獲得城市建筑安全風險預測模型；

10、安全風險預測具體包括以下步驟：

11、s21、llm處理輸入數據與特征提取，基于llm的數據智能體，對輸入的建筑描述文本數據進行語義解析和特征提取，將非結構化文本數據轉化為模型所需的特征數據；

12、s22、執行者智能體調用風險預測工具使用最優預測模型，執行者智能體通過工具設置模塊加載預先優化好的超參數組合和模型權重，以確保模型在當前環境下的最佳配置，加載完成后，執行者智能體調用風險預測工具，快速高效進行建筑安全風險的預測分析，整個過程無需重新訓練模型，能夠快速準確地根據當前輸入數據生成建筑的風險預測結果，確保預測過程高效、精確；

13、s23、獲得風險預測結果，執行者智能體根據風險預測工具的輸出，生成建筑的風險評估結果，風險評估結果以等級形式呈現，包括建筑物的高、中、低風險分類，llm協助執行者智能體將預測結果解釋為自然語言描述，并通過分析結果工具生成詳細的風險報告，報告以自然語言形式解釋預測結果，便于用戶理解，用戶可以通過報告了解每個建筑的風險狀況，并基于預測結果制定進一步的風險控制措施。

14、s24、結果分析與反饋，執行者智能體在風險預測完成后，使用反饋工具將預測結果與實際情況進行對比，并記錄系統生成的控制建議，llm通過分析歷史反饋數據和當前預測結果，為用戶生成有針對性的風險控制建議，例如，系統可以建議加強某些建筑的安全監控，或者優化特定區域的應急響應策略。

15、s25、風險預測與超參數優化的反饋閉環，執行者智能體通過工具設置將反饋結果提供給生成者智能體，形成超參數優化與風險預測的閉環，llm結合預測反饋信息，幫助生成者智能體在未來進一步優化模型性能，這一反饋機制確保系統在動態環境下保持自適應性，不斷根據新的預測數據和現實反饋調整優化策略，使得模型能夠更好地應對未來的風險預測任務。

16、本發明針對超參數優化問題，生成者智能體通過歷史實驗數據生成新的超參數組合，執行者智能體通過實驗日志反饋模型性能，進一步優化超參數，解決傳統網格搜索效率低的問題，并基于數據智能體，對建筑描述文本和多變環境中復雜交互因素的處理能力，彌補傳統靜態機器學習模型的不足，二通過擴展多智能體系統的應用場景，將其從當前的人員疏散和風險緩解，拓展到城市建筑安全風險預測，利用多智能體協作提高模型在動態環境中的自適應性。

17、與現有技術相比，本發明具有以下有益效果：

18、(1)針對現有城市建筑安全風險預測模型超參數優化效率低、擴展性差的問題，本發明采用基于大規模語言模型(llm)的多智能體系統動態超參數優化方法，顯著提升了模型的優化效率和自適應能力，有效解決了傳統手動調整或網格搜索方法的局限性，增強了模型在大規模數據處理中的實用性和擴展性。

19、(2)針對傳統機器學習算法在應對復雜動態環境和多交互因素時表現不足的局限，本發明通過引入基于llm的多智能體系統，提升了模型在復雜城市建筑環境中的靈活性和自適應性，能夠更精準地預測建筑安全風險，并在動態變化的城市環境中保持高效運作，克服了傳統方法在應對動態風險時的不足。

20、(3)針對多智能體系統在城市建筑安全風險預測中的應用不足，本發明通過擴展多智能體系統的應用場景，增強了其在建筑安全風險預測中的智能交互和協同處理能力，特別是在應對多源異構數據和復雜建筑風險場景時表現出更高的預測精度和效率，解決了多智能體系統在城市建筑安全風險預測中應用問題。