CN107331132B - 一种城市火灾隐患动态预测监控的方法及系统 - Google Patents

一种城市火灾隐患动态预测监控的方法及系统 Download PDF

Info

Publication number
CN107331132B
CN107331132B CN201710660986.9A CN201710660986A CN107331132B CN 107331132 B CN107331132 B CN 107331132B CN 201710660986 A CN201710660986 A CN 201710660986A CN 107331132 B CN107331132 B CN 107331132B
Authority
CN
China
Prior art keywords
data
fire
inducing factors
prediction
flood inducing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710660986.9A
Other languages
English (en)
Other versions
CN107331132A (zh
Inventor
贺弢
罗慧颖
孟毅
张靖超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Aerospace Intelligent City System Technology Research Institute Co Ltd
Original Assignee
Shenzhen Aerospace Intelligent City System Technology Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Aerospace Intelligent City System Technology Research Institute Co Ltd filed Critical Shenzhen Aerospace Intelligent City System Technology Research Institute Co Ltd
Priority to CN201710660986.9A priority Critical patent/CN107331132B/zh
Publication of CN107331132A publication Critical patent/CN107331132A/zh
Application granted granted Critical
Publication of CN107331132B publication Critical patent/CN107331132B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Emergency Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供了一种城市火灾隐患动态预测监控的方法及系统，该方法包括：步骤1：基于先验知识和相关火灾资料的搜集，确定与火灾存在关联关系的致灾因子，同时搜集海量火灾案例以及与案例相对应的致灾因子数据，从而生成原始数据训练集；步骤2：筛选出与火灾概率具有强关联的致灾因子；步骤3：对于强关联的致灾因子进行数据预处理；步骤4：根据数据预处理生成的数据训练集，构建城市火灾动态预测模型；步骤5：将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。本发明的有益效果是：本发明的预测结果精度更高，更有可信性，而且结合二维、三维地图，利用数据可视化技术，结果更清晰。

Description

一种城市火灾隐患动态预测监控的方法及系统
技术领域
本发明涉及数据处理技术领域，尤其涉及一种城市火灾隐患动态预测监控的方法及系统。
背景技术
随着城市的发展，大中型城市常住人口增加迅速，“三旧”待改造面积大，高密度的人口和大面积的消防隐患集聚地为监控消防安全带来了极大的难度。同时，随着城市不断向数字化、智能化和智慧化的发展，数据的来源越来越多样，数据蕴含的内容越来越丰富，面对海量的数据怎么筛选出合理、准确的致灾因素进行检测也是一个极大的挑战。当前的城市消防远程监控系统结构复杂，且功能十分简单。通常情况下，这类系统对火灾报警信息、建筑物消防设施运行状态信息、消防安全管理信息进行接收、处理和管理，提供信息查询，向城市消防指挥中心或其他接处警中心发送经确认的火灾报警信息。一般来说，这类系统数据来源单一，很难进行数据深度处理，不能对火灾隐患进行有效预测，更无法对火情救援预案进行支撑。
在大数据时代的背景下，随着信息技术的不断发展，城市信息化应用水平不断提升，智慧城市建设应运而生，同时消防安全是城市管理和整治的重要内容，而传统的城市消防远程监控系统无法满足智慧城市的消防需求。在当前城市发展的需求下，实现城市火灾隐患的动态预测与监控，对构建和实现智慧消防具有重要的意义。
发明内容
本发明提供了一种城市火灾隐患动态预测监控的方法，包括如下步骤：
步骤1：基于先验知识和相关火灾资料的搜集，确定与火灾存在关联关系的致灾因子，同时搜集海量火灾案例以及与案例相对应的致灾因子数据，从而生成原始数据训练集；
步骤2：将火灾发生概率与搜集的致灾因子进行基于关联规则的特征选取，从而筛选出与火灾概率具有强关联的致灾因子；
步骤3：对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行非线性变换；
步骤4：根据数据预处理生成的数据训练集，构建城市火灾动态预测模型；
步骤5：将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。
作为本发明的进一步改进，在所述步骤2中，首先将致灾因子属性值进行分级离散化分析，将具有连续变化数值的因子以等级数值表示，然后对离散化后的属性值进行关联规则挖掘，最后筛选出与火灾概率具有强关联的致灾因子。
作为本发明的进一步改进，在所述步骤3中，对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行Box-Cox非线性变换。
作为本发明的进一步改进，在所述步骤4中，城市火灾动态预测模型基于XgBoost算法构建，首先，建立XgBoost算法的参数列表，通过迭代函数逐步添加参数调试，并通过建立迭代函数与损失函数的关系，根据损失函数选取最优参数。
作为本发明的进一步改进，该方法还包括：
步骤6：基于建筑物的火灾隐患等级的属性值，对建筑物的隐患级别进行标识，从而实现动态预测隐患等级的可视化。
本发明还提供了一种城市火灾隐患动态预测监控的系统，包括：
生成模块：用于基于先验知识和相关火灾资料的搜集，确定与火灾存在关联关系的致灾因子，同时搜集海量火灾案例以及与案例相对应的致灾因子数据，从而生成原始数据训练集；
筛选模块：用于将火灾发生概率与搜集的致灾因子进行基于关联规则的特征选取，从而筛选出与火灾概率具有强关联的致灾因子；
数据预处理模块：用于对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行非线性变换；
构建预测模型模块：用于根据数据预处理生成的数据训练集，构建城市火灾动态预测模型；
动态预测模块：用于将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。
作为本发明的进一步改进，在所述筛选模块中，首先将致灾因子属性值进行分级离散化分析，将具有连续变化数值的因子以等级数值表示，然后对离散化后的属性值进行关联规则挖掘，最后筛选出与火灾概率具有强关联的致灾因子。
作为本发明的进一步改进，在所述数据预处理模块中，对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行Box-Cox非线性变换。
作为本发明的进一步改进，在所述构建预测模型模块中，城市火灾动态预测模型基于XgBoost算法构建，首先，建立XgBoost算法的参数列表，通过迭代函数逐步添加参数调试，并通过建立迭代函数与损失函数的关系，根据损失函数选取最优参数。
作为本发明的进一步改进，该系统还包括可视化模块：用于基于建筑物的火灾隐患等级的属性值，对建筑物的隐患级别进行标识，从而实现动态预测隐患等级的可视化。
本发明的有益效果是：本发明的预测结果精度更高，更有可信性，而且结合二维、三维地图，利用数据可视化技术，结果更清晰。
附图说明
图1是损失函数与迭代次数关系图。
具体实施方式
本发明公开了一种城市火灾隐患动态预测监控的方法，包括如下步骤：
步骤1：基于先验知识（如天干物燥）和相关火灾资料的搜集，确定与火灾存在关联关系的致灾因子，同时搜集海量火灾案例以及与案例相对应的致灾因子数据，从而生成原始数据训练集。
步骤2：将火灾发生概率与搜集的致灾因子进行基于关联规则的特征选取，关联规则的特征选择可实现从大量的数据集中基于支持度、置信度和提升度迅速提取具有强关联规则的项目集。本发明应用关联规则挖掘算法从海量数据中发现与火灾隐患有较强关联性的因素，在对模型预测结果影响不大的情况下，清洗特征集合中冗余特征，有利于提升模型运行速率，节省不必要浪费的时间和资源。相对于其它关联规则算法来说，关联规则算法的优点是节省时间和空间，对大规模数据釆用分治的办法以避免规模巨大难以接受。本发明应用关联规则算法对市火灾案例数据进行关联规则数据挖掘，找出各类火灾致灾高频因子，通过对挖掘出来的特征建立多元回归模型，预测火灾发生的趋势和起数。具体实现步骤为：首先将致灾因子属性值进行分级离散化分析，将具有连续变化数值的因子以等级数值表示；其次对离散化后的属性值进行关联规则挖掘；最终筛选出与火灾概率具有强关联的致灾因子。
步骤3：对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行Box-Cox非线性变换；在构建预测线性模型过程中，会遇到样本某特征的连续响应向量不服从正态分布的情况，若在这时仍然直接对数据建立线性模型，模型拟合效果不好，考虑对该连续响应变量进行一种非线性变换，统计中常用的一种非线性变换是Box-Cox 变换，经过Box-Cox 变换后，可以一定程度上减小不可观测误差与预测变量之间的相关性。同时在变换过程中使用极大似然估计得到的最优λ值，可以使上述过程的效果更好。
步骤4：根据数据预处理生成的数据训练集，构建城市火灾动态预测模型；本发明使用的模型基于XgBoost算法构建。由于在消防火灾预警系统中，数据样本达到千万级别，采用神经网络或其他决策树增强模型消耗时间较多。XgBoost 针对处理海量数据，提供缓存感知预读取技术、分布式外存计算技术、AllReduce 容错工具提高现有提升树增强算法运算速率，解决当前提升树增强算法局限于百万级别数据量的问题，提升算法运行速率。首先，建立XgBoost算法的参数列表，通过迭代函数逐步添加参数调试，并通过建立迭代函数与损失函数的关系，根据损失函数选取最优参数。由迭代次数和损失函数关系图（图1）可知，随着迭代次数的增加，损失函数呈指数下降，即迭代次数越多，损失函数越小。
步骤5：将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。即，在步骤5中，由于建筑物的特征改变较慢，只需要定期检查和更新，进行动态预测模型的参数调整，以改变不同建筑物的隐患等级。至于气象因素，城市火灾隐患动态调用和接入动态的气象数据后，实现基于模型动态预测不同建筑物的火灾隐患。因此，本发明将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。
步骤6：基于建筑物的火灾隐患等级的属性值，对高隐患的建筑物进行高亮标识，对处于较低隐患等级以绿色标识，由此实现动态预测隐患等级的可视化。
步骤1是基于先验知识和相关资料进行致灾因子的确定以及搜集数据生成原始数据训练集。步骤2、3、4和5基于Python建立工具箱和处理流程并进行处理结果传递，对原始数据训练集进行算法实现，实现致灾因子的筛选，数据预处理，动态预测模型的建立和动态预测、更新建筑物的隐患等级。步骤6将隐患等级作为属性值进行渲染，实现动态预测结果的可视化。由此，形成完整统一的火灾隐患动态预测的技术流程。
本发明还公开了一种城市火灾隐患动态预测监控的系统，包括：
生成模块：用于基于先验知识和相关火灾资料的搜集，确定与火灾存在关联关系的致灾因子，同时搜集海量火灾案例以及与案例相对应的致灾因子数据，从而生成原始数据训练集；
筛选模块：用于将火灾发生概率与搜集的致灾因子进行基于关联规则的特征选取，从而筛选出与火灾概率具有强关联的致灾因子；
数据预处理模块：用于对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行非线性变换；
构建预测模型模块：用于根据数据预处理生成的数据训练集，构建城市火灾动态预测模型；
动态预测模块：用于将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。
在所述筛选模块中，首先将致灾因子属性值进行分级离散化分析，将具有连续变化数值的因子以等级数值表示，然后对离散化后的属性值进行关联规则挖掘，最后筛选出与火灾概率具有强关联的致灾因子。
在所述数据预处理模块中，对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行Box-Cox非线性变换。
在所述构建预测模型模块中，城市火灾动态预测模型基于XgBoost算法构建，首先，建立XgBoost算法的参数列表，通过迭代函数逐步添加参数调试，并通过建立迭代函数与损失函数的关系，根据损失函数选取最优参数。
该系统还包括可视化模块：用于基于建筑物的火灾隐患等级的属性值，对建筑物的隐患级别进行标识，从而实现动态预测隐患等级的可视化。
本发明实现了二三维地图展示和查询功能，使用Box-Cox算法对不服从正态分布特征的数据进行非线性变换，筛选出具有强关联的致灾因子；运算速度高以及算法精度高的XgBoost算法构建模型；预测结果可视化，通过展示系统展示。
本发明具有如下技术优势：
1. 现有系统数据来源单一，难以多方面融合考虑致灾因素；本发明对城市公共教育设施的空间数据、建筑特征数据、气象特征数据、人口数据、消防业务数据、物联数据、视频数据等进行多源融合，并进行降维处理，从而合理、准确的筛选出致灾因素；
2. 现有系统火灾隐患预测精度低，可信度不高；本发明建立新型动态预测模型，针对不同特征的数据选用合适的算法进行数据清洗、挖掘、关联，筛选出具有强关联的致灾因子。选用运算速度高以及算法精度高的XgBoost模型构建模型，极大提高了预测结果的可信性和精度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种城市火灾隐患动态预测监控的方法，其特征在于，包括如下步骤：
步骤1：基于先验知识和相关火灾资料的搜集，确定与火灾存在关联关系的致灾因子，同时搜集海量火灾案例以及与案例相对应的致灾因子数据，从而生成原始数据训练集；
步骤2：将火灾发生概率与搜集的致灾因子进行基于关联规则的特征选取，从而筛选出与火灾概率具有强关联的致灾因子；
步骤3：对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行非线性变换；
步骤4：根据数据预处理生成的数据训练集，构建城市火灾动态预测模型；
步骤5：将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。
2.根据权利要求1所述的方法，其特征在于，在所述步骤2中，首先将致灾因子属性值进行分级离散化分析，将具有连续变化数值的因子以等级数值表示，然后对离散化后的属性值进行关联规则挖掘，最后筛选出与火灾概率具有强关联的致灾因子。
3.根据权利要求1所述的方法，其特征在于，在所述步骤3中，对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行Box-Cox非线性变换。
4.根据权利要求1所述的方法，其特征在于，在所述步骤4中，城市火灾动态预测模型基于XgBoost算法构建，首先，建立XgBoost算法的参数列表，通过迭代函数逐步添加参数调试，并通过建立迭代函数与损失函数的关系，根据损失函数选取最优参数。
5.根据权利要求1至4任一项所述的方法，其特征在于，该方法还包括：
步骤6：基于建筑物的火灾隐患等级的属性值，对建筑物的隐患级别进行标识，从而实现动态预测隐患等级的可视化。
6.一种城市火灾隐患动态预测监控的系统，包括：
生成模块：用于基于先验知识和相关火灾资料的搜集，确定与火灾存在关联关系的致灾因子，同时搜集海量火灾案例以及与案例相对应的致灾因子数据，从而生成原始数据训练集；
其特征在于，该系统还包括：
筛选模块：用于将火灾发生概率与搜集的致灾因子进行基于关联规则的特征选取，从而筛选出与火灾概率具有强关联的致灾因子；
数据预处理模块：用于对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行非线性变换；
构建预测模型模块：用于根据数据预处理生成的数据训练集，构建城市火灾动态预测模型；
动态预测模块：用于将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。
7.根据权利要求6所述的系统，其特征在于，在所述筛选模块中，首先将致灾因子属性值进行分级离散化分析，将具有连续变化数值的因子以等级数值表示，然后对离散化后的属性值进行关联规则挖掘，最后筛选出与火灾概率具有强关联的致灾因子。
8.根据权利要求6所述的系统，其特征在于，在所述数据预处理模块中，对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行Box-Cox非线性变换。
9.根据权利要求6所述的系统，其特征在于，在所述构建预测模型模块中，城市火灾动态预测模型基于XgBoost算法构建，首先，建立XgBoost算法的参数列表，通过迭代函数逐步添加参数调试，并通过建立迭代函数与损失函数的关系，根据损失函数选取最优参数。
10.根据权利要求6至9任一项所述的系统，其特征在于，该系统还包括：
可视化模块：用于基于建筑物的火灾隐患等级的属性值，对建筑物的隐患级别进行标识，从而实现动态预测隐患等级的可视化。
CN201710660986.9A 2017-08-04 2017-08-04 一种城市火灾隐患动态预测监控的方法及系统 Active CN107331132B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710660986.9A CN107331132B (zh) 2017-08-04 2017-08-04 一种城市火灾隐患动态预测监控的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710660986.9A CN107331132B (zh) 2017-08-04 2017-08-04 一种城市火灾隐患动态预测监控的方法及系统

Publications (2)

Publication Number Publication Date
CN107331132A CN107331132A (zh) 2017-11-07
CN107331132B true CN107331132B (zh) 2019-04-23

Family

ID=60225317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710660986.9A Active CN107331132B (zh) 2017-08-04 2017-08-04 一种城市火灾隐患动态预测监控的方法及系统

Country Status (1)

Country Link
CN (1) CN107331132B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648124A (zh) * 2018-04-03 2018-10-12 成都恒华光讯科技有限公司 一种智慧城市消防物联网大数据管理系统
CN109064050A (zh) * 2018-08-17 2018-12-21 公安部沈阳消防研究所 基于大数据的多元线性回归火灾风险评估方法
CN110895633A (zh) 2018-09-13 2020-03-20 开利公司 火灾探测系统-基于楼层平面图的火灾威胁建模
CN109871975B (zh) * 2018-11-28 2021-04-09 国网浙江省电力有限公司台州供电公司 基于数据挖掘的故障抢修处理时长预测方法
CN110379143B (zh) * 2019-07-12 2021-10-26 中铁工程机械研究设计院有限公司 一种用于机械设备的报警系统阈值确定方法
CN110889536A (zh) * 2019-10-29 2020-03-17 新智认知数字科技股份有限公司 警情态势预测和预警方法及其系统
CN111242448B (zh) * 2020-01-06 2021-05-14 思创数码科技股份有限公司 一种基于关联分析的火灾隐患评估方法和装置
CN113553754A (zh) * 2020-04-23 2021-10-26 中国石油化工股份有限公司 存储器、火灾风险预测模型构建方法、系统和装置
CN111639620B (zh) * 2020-06-08 2023-11-10 深圳航天智慧城市系统技术研究院有限公司 一种基于可见光图像识别的火灾分析方法及系统
CN112820065A (zh) * 2020-12-31 2021-05-18 国家能源集团煤焦化有限责任公司 智能消防指挥系统和应用其进行消防演练的方法
CN113673748A (zh) * 2021-07-26 2021-11-19 浙江大华技术股份有限公司 火灾预测方法、XGBoost模型的训练方法及相关设备
CN114067545B (zh) * 2021-11-15 2023-05-12 浙江时空智子大数据有限公司 一种基于遥感大数据的森林火灾监测方法及系统
CN115410328B (zh) * 2022-10-31 2022-12-27 北京中海兴达建设有限公司 施工工地的火灾预警方法、装置、设备及可读存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013148B (zh) * 2010-10-28 2012-06-27 中国科学技术大学 多信息融合火灾探测方法
CN103325205B (zh) * 2013-07-01 2015-11-18 江南大学 基于径向基神经网络的室内火灾预测方法及系统
CN105311783B (zh) * 2014-07-29 2018-09-04 北京市劳动保护科学研究所 火灾预警方法和系统
KR101720410B1 (ko) * 2015-04-10 2017-03-27 이순영 비화재보 요인을 제거한 화재감지시스템
CN204557707U (zh) * 2015-05-04 2015-08-12 安徽大学 一种森林火险预警监测装置

Also Published As

Publication number Publication date
CN107331132A (zh) 2017-11-07

Similar Documents

Publication Publication Date Title
CN107331132B (zh) 一种城市火灾隐患动态预测监控的方法及系统
CN116307757B (zh) 一种数据智能交互方法、交互系统、计算机设备及应用
Ke et al. A partitioned and asynchronous cellular automata model for urban growth simulation
CN109992672A (zh) 基于灾害场景的知识图谱构建方法
CN106844585A (zh) 一种基于多源物联网位置感知的时空关系分析系统
CN110084326B (zh) 一种基于模糊集的工业设备异常检测方法
CN111797572B (zh) 一种城市事故灾害演化模拟及风险预测预警方法
Lyu et al. Flood susceptibility prediction using tree-based machine learning models in the GBA
CN107274324A (zh) 一种基于云服务进行突发事件风险评估的方法
CN115965246A (zh) 一种岩溶塌陷灾害的预警分析方法
CN117453835A (zh) 一种智慧社区管理系统
Liu et al. Quantifying COVID-19 recovery process from a human mobility perspective: An intra-city study in Wuhan
CN112150623A (zh) 一种项目施工监测系统及监测方法
CN117455235A (zh) 风险处理方法、处理装置、电子设备和存储介质
Coulibaly et al. Explainability with association rule learning for weather forecast
Tabassum et al. Data mining critical infrastructure systems: Models and tools
Lianbing et al. Emergency management system of urban waterlogging based on cloud computing platform and 3D visualization
CN114078070A (zh) 一种多源数据融合的文旅安全监测及溯源分析方法及系统
Schempp et al. An integrated crowdsourced framework for disaster relief distribution
Schofield An Artificial Intelligence (AI) Approach to Controlling Disaster Scenarios
Al-Sehrawy et al. A multi-dimensional digital twin use cases classification framework
Wang et al. Integrated expression and analysis of urban flood disaster events from the perspective of multi-spatial semantic fusion
KR102374541B1 (ko) 상황별 의사결정 지원 시스템
Wang Contrast pattern based methods for visualizing and predicting spatiotemporal events
Bai et al. Initial Thoughts and Application of AI in Geo-hazards Monitoring and Early Warning of Highroad in Beijing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant