一种基于GMM聚类和机器学习的城市消防站选址预测方法

本发明公开了一种基于GMM聚类和机器学习的城市消防站选址预测方法，包括：首先，基于POI数据采用GMM聚类算法确定研究区域的聚类中心，在此基础上顾及区县边界特征构建Voronoi图，实现对研究区域的合理划分；其次，基于对城市火灾风险分布及道路通达性等的考量，融合POI、道路密度、人口密度等多源空间数据，构建全面的特征矩阵；最后，分别采用随机森林(RF)、梯度提升决策树(GBDT)、支持向量机(SVM)、极端梯度提升(XGBoost)及逻辑回归(LR)五种机器学习模型进行训练和评估，选择F1得分和AUC值表现最优的GBDT模型进行消防站选址预测分析。该方法在基于GMM模型结合Voronoi图进行区域划分的基础上进行选址预测，能有效避免研究区直接网格化忽视不同区域在人口密度、城市功能和地形等方面显著差异的缺陷，且能克服网格单元大小确定的主观性，有效提升消防站选址的合理性与实用性。