CN109410502A - 火灾预警方法及装置 - Google Patents
火灾预警方法及装置 Download PDFInfo
- Publication number
- CN109410502A CN109410502A CN201811173766.4A CN201811173766A CN109410502A CN 109410502 A CN109410502 A CN 109410502A CN 201811173766 A CN201811173766 A CN 201811173766A CN 109410502 A CN109410502 A CN 109410502A
- Authority
- CN
- China
- Prior art keywords
- fire
- support vector
- vector machines
- data
- particle
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Fire Alarms (AREA)
Abstract
本发明实施例提供一种火灾预警方法及装置，所述方法包括：根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测；基于粒子群算法对支持向量机进行优化，根据预测结果基于优化后的所述支持向量机进行火灾预警。本发明实施例通过将时间序列模型与支持向量机进行结合，利用支持向量机在非线性变换数据拟合方面的优势对时间序列模型的误差进行补偿，使用时间序列模型的预测结果提高支持向量机的收敛速度和精度，从而提高火灾预警的准确性和稳定性。
Description
技术领域
本发明实施例属于安全防控技术领域，更具体地，涉及一种火灾预警方法及装置。
背景技术
随着人们生活水平的逐渐提高，家用电器在人们生活中的使用频率越来越高。在给人们生活带来极大方便的同时，火灾发生的概率也越来越高。因此火灾预警尤为重要。
目前，一般使用时间序列和神经网络对火灾进行模拟和预测。其中，时间序列预测法是一种回归预测方法，属于定量预测。其基本原理是：一方面，根据事物发展的延续性，运用过去时间序列的数据进行统计分析，推测出事物的发展趋势；另一方面，充分考虑到偶然因素影响而产生的随机性，为了消除随机波动的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。但时间序列对远期预测存在较大误差。而神经网络在使用过程中存在如何确定网络结构问题、过学习和欠学习问题和局部极小点问题等。
综上所述，现有的火灾预警方法过程复杂，存在较大误差，亟需一种新的火灾预警方法解决上述问题。
发明内容
为克服上述现有的火灾预警方法过程复杂，预测误差大的问题或者至少部分地解决上述问题，本发明实施例提供一种火灾预警方法及装置。
根据本发明实施例的第一方面，提供一种火灾预警方法，包括：
根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测；
基于粒子群算法对支持向量机进行优化，根据预测结果基于优化后的所述支持向量机进行火灾预警。
根据本发明实施例第二方面提供一种火灾预警装置，包括：
预测模块，用于根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测；
预警模块，用于基于粒子群算法对支持向量机进行优化，根据预测结果基于优化后的所述支持向量机进行火灾预警。
根据本发明实施例的第三个方面，还提供一种电子设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的火灾预警方法。
根据本发明实施例的第四个方面，还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的火灾预警方法。
本发明实施例提供一种火灾预警方法及装置，该方法通过根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测，根据预测结果使用粒子群算法优化后的支持向量机进行火灾预警，先使用时间序列模型根据历史数据对未来时刻的数据进行预测，再使用粒子群优化的支持向量机根据预测结果判断是否进行预警，通过将时间序列模型与支持向量机进行结合，利用支持向量机在非线性变换数据拟合方面的优势对时间序列模型的误差进行补偿，使用时间序列模型的预测结果提高支持向量机的收敛速度和精度，从而提高火灾预警的准确性和稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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火灾预警方法整体流程示意图；
图2为本发明实施例提供的火灾预警装置整体结构示意图；
图3为本发明实施例提供的电子设备整体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
在本发明的一个实施例中提供一种火灾预警方法，图1为本发明实施例提供的火灾预警方法整体流程示意图，该方法包括：S101，根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测；
其中，预设历史时间段是指预先设定的一个历史时间段。火灾影响因子是指影响火灾发生的因素，如温度和烟雾浓度等。时间序列模型是指根据事物在一系列历史时刻的序列数据，通过曲线拟合和参数估计建立的模型，用于表示事物随时间发展的变化规律。根据预设历史时间段内火灾影响因子的数据构建时间序列模型，使用构建的时间序列模型预测历史时间段之后某一时刻的火灾影响因子的数据。
S102，基于粒子群算法对支持向量机进行优化，根据预测结果基于优化后的所述支持向量机进行火灾预警。
其中，粒子群优化算法首先初始化一群随机粒子，即随机解，然后通过迭代找到最优解。在每次迭代中，粒子通过跟踪两个极值进行自我更新，直到达到结束条件。一个极值为粒子本身所找到的最优解，这个解叫做个体极值，另一个极值为整个种群目前找到的最优解，这个极值为全局极值。本发明实施例基于粒子群优化算法对支持向量机进行优化，即对支持向量机的惩罚系数和径向基核函数的宽度系数通过粒子群优化算法进行优化选取。将预测的历史时间段之后某一时刻的数据作为优化后的支持向量机的输入，优化后的支持向量机输出火灾发生的概率，根据火灾发生的概率确定是否进行火灾预警。
本发明实施例通过根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测，根据预测结果使用粒子群算法优化后的支持向量机进行火灾预警，先使用时间序列模型根据历史数据对未来时刻的数据进行预测，再使用粒子群优化的支持向量机根据预测结果判断是否进行预警，通过将时间序列模型与支持向量机进行结合，利用支持向量机在非线性变换数据拟合方面的优势对时间序列模型的误差进行补偿，使用时间序列模型的预测结果提高支持向量机的收敛速度和精度，从而提高火灾预警的准确性和稳定性。
在上述实施例的基础上，本实施例中根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测的步骤之前还包括：基于三次多项式插值法对预设历史时间段内火灾影响因子的数据进行插值，获取预设历史时间段内火灾影响因子缺失的数据。
其中，三次多项式插值法是指逐次以三次曲线的极小点逼近寻求函数f(t)的极小点的一种方法。由于传感器出现故障或发生断电，且传感器采集数据的时间间隔可能较长等因素，导致采集的预设历史时间段内的火灾影响因子数据不连续或过于稀疏。因此，需要对预设历史时间段内的火灾影响因子数据进行整理，对于缺少的数据，即需要补充的数据采用三次多项式插值法进行插值获取，从而使得预设历史时间段内火灾影响因子数据采集的时间序列均匀变化。
在上述实施例的基础上，本实施例中根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测的步骤具体包括：根据预设历史时间段内火灾影响因子的数据和时间之间的关系，确定时间序列模型的类型和阶数；根据所述时间序列模型的类型和阶数，构建时间序列模型；基于构建的所述时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测。
具体地，分析预设历史时间段内火灾影响因子的数据随时间变化的特性，根据火灾影响因子的数据随时间变化的特性对火灾影响因子数据的变化时间序列进行分析处理，确定时间序列模型的类型和阶数。根据时间序列模型的类型和阶数，构建时间序列模型。使用构建好的时间序列模型对预设历史时间段之后某一时刻的火灾影响因子数据进行预测，获取预测结果。
在上述实施例的基础上，本实施例中火灾影响因子包括烟雾浓度、烟雾浓度的上升速率和温度。
其中，烟雾浓度可以通过烟雾传感器获取，烟雾浓度的上升速率根据烟雾浓度获取，温度可以通过温度传感器获取。
在上述各实施例的基础上，本实施例中基于粒子群算法对支持向量机进行优化的步骤具体包括：将粒子群中各粒子当前和当前之前所经历的最优位置作为各所述粒子的当前最优位置，将所有所述粒子当前之前所经历的最优位置作为所有所述粒子的全局最优位置；其中，各所述粒子的当前最优位置为根据各粒子当前和当前之前所经历的位置，获取的支持向量机的决策函数值中的最大值对应的位置；所有所述粒子的全局最优位置为根据所有所述粒子当前之前所经历的位置，获取的支持向量机的决策函数值中的最大值对应的位置；若各所述粒子的当前最优位置对应的决策函数值小于所述全局最优位置对应的决策函数值，则使用各所述粒子的当前最优位置替换所述全局最优位置，并更新各所述粒子的当前位置，直到满足预设结束条件；将最终的全局最优位置作为所述支持向量机的最优参数。
具体地，在使用粒子群算法对支持向量机进行优化时，在第一次迭代时，初始化粒子群，并随机生成粒子群中各粒子的初始位置和初始速度。根据各粒子的初始位置带入支持向量机的决策函数中，计算各粒子对应的决策函数值。将所有粒子对应的决策函数值中的最大值对应的初始位置作为全局最优位置，将各粒子的初始位置作为各粒子的当前最优位置，并根据预设更新公式对各粒子的初始位置和初始速度进行更新。在第二次迭代中，将将各粒子在第一次迭代中更新后的位置带入支持向量机的决策函数中，计算各粒子对应的决策函数值，将第二次迭代中各粒子对应的决策函数值与第一次迭代中其对应的决策函数值进行比较，选其中的较大值对应的位置作为各粒子的当前最优位置。将各粒子的当前最优位置与全局最优位置进行比较，若各粒子的当前最优位置对应的决策函数值小于全局最优位置对应的决策函数值，则使用各粒子的当前最优位置替换全局最优位置，并更新各粒子的当前位置和速度，否则保持全局最优位置不变。以此类推，直到满足预设结束条件。预设结束条件可以为预先设定的精度阈值或迭代次数。获取的最终的全局最优位置即为支持向量机的最优参数向量(C、σ)。其中，C为支持向量机的惩罚系数和σ为支持向量机的径向基核函数的宽度系数。
在上述各实施例的基础上，本实施例中根据预测结果基于优化后的所述支持向量机进行火灾预警的步骤具体包括：对预测结果进行归一化，并对优化后的所述支持向量机进行训练；将归一化后的所述预测结果输入训练好的所述支持向量机，获取火灾发生的概率；若火灾发生的概率大于预设阈值，则进行火灾预警。
具体地，对时间序列模型输出的预测结果，即预设历史时间段之后某一时刻火灾影响因子的数据进行归一化处理。并对优化后的支持向量机进行训练，具体以普通火灾标准化历史数据和/或欧洲实验火标准化历史数据作为训练样本集对优化好的支持向量机进行训练。将时间序列模型的预设结果输入训练好的支持向量机中，根据支持向量机的决策函数输出的火灾概率判断是否进行火灾预警。若火灾概率大于预设阈值则进行预警，否则不进行预警。
在上述实施例的基础上，本实施例中所述支持向量机的决策函数为：
其中，n为训练样本的个数，αi≥0为拉格朗日系数，yi∈{-1,+1}为实际样本，K(x,xi)为第i个粒子的当前最优位置。
在本发明的另一个实施例中提供一种火灾预警装置，该装置用于实现前述各实施例中的方法。因此，在前述火灾预警方法的各实施例中的描述和定义，可以用于本发明实施例中各个执行模块的理解。图2为本发明实施例提供的火灾预警装置整体结构示意图，该装置包括预测模块201和预警模块202；其中：
预测模块201用于根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测；
其中，预设历史时间段是指预先设定的一个历史时间段。火灾影响因子是指影响火灾发生的因素，如温度和烟雾浓度等。时间序列模型是指根据事物在一系列历史时刻的序列数据，通过曲线拟合和参数估计建立的模型，用于表示事物随时间发展的变化规律。预测模块201根据预设历史时间段内火灾影响因子的数据构建时间序列模型，使用构建的时间序列模型预测历史时间段之后某一时刻的火灾影响因子的数据。
预警模块202用于基于粒子群算法对支持向量机进行优化，根据预测结果基于优化后的所述支持向量机进行火灾预警。
其中，粒子群优化算法首先初始化一群随机粒子，即随机解，然后通过迭代找到最优解。在每次迭代中，粒子通过跟踪两个极值进行自我更新，直到达到结束条件。一个极值为粒子本身所找到的最优解，这个解叫做个体极值，另一个极值为整个种群目前找到的最优解，这个极值为全局极值。预警模块202基于粒子群优化算法对支持向量机进行优化，即对支持向量机的惩罚系数和径向基核函数的宽度系数通过粒子群优化算法进行优化选取。将预测的历史时间段之后某一时刻的数据作为优化后的支持向量机的输入，优化后的支持向量机输出火灾发生的概率，根据火灾发生的概率确定是否进行火灾预警。
本发明实施例通过根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测，根据预测结果使用粒子群算法优化后的支持向量机进行火灾预警，先使用时间序列模型根据历史数据对未来时刻的数据进行预测，再使用粒子群优化的支持向量机根据预测结果判断是否进行预警，通过将时间序列模型与支持向量机进行结合，利用支持向量机在非线性变换数据拟合方面的优势对时间序列模型的误差进行补偿，使用时间序列模型的预测结果提高支持向量机的收敛速度和精度，从而提高火灾预警的准确性和稳定性。
在上述实施例的基础上，本实施例中还包括预处理模块，用于基于三次多项式插值法对预设历史时间段内火灾影响因子的数据进行插值，获取预设历史时间段内火灾影响因子缺失的数据。
在上述实施例的基础上，本实施例中预测模块具体用于：根据预设历史时间段内火灾影响因子的数据和时间之间的关系，确定时间序列模型的类型和阶数；根据所述时间序列模型的类型和阶数，构建时间序列模型；基于构建的所述时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测。
在上述实施例的基础上，本实施例中火灾影响因子包括烟雾浓度、烟雾浓度的上升速率和温度。
在上述各实施例的基础上，本实施例中预警模块具体用于：将粒子群中各粒子当前和当前之前所经历的最优位置作为各所述粒子的当前最优位置，将所有所述粒子当前之前所经历的最优位置作为所有所述粒子的全局最优位置；其中，各所述粒子的当前最优位置为根据各粒子当前和当前之前所经历的位置，获取的支持向量机的决策函数值中的最大值对应的位置；所有所述粒子的全局最优位置为根据所有所述粒子当前之前所经位置，获取的支持向量机的决策函数值中的最大值对应的位置；若各所述粒子的当前最优位置对应的决策函数值小于所述全局最优位置对应的决策函数值，则使用各所述粒子的当前最优位置替换所述全局最优位置，并更新各所述粒子的当前位置，直到满足预设结束条件；将最终的全局最优位置作为所述支持向量机的最优参数。
在上述各实施例的基础上，本实施例中预警模块具体用于：对预测结果进行归一化，并对优化后的所述支持向量机进行训练；将归一化后的所述预测结果输入训练好的所述支持向量机，获取火灾发生的概率；若火灾发生的概率大于预设阈值，则进行火灾预警。
在上述实施例的基础上，本实施例中支持向量机的决策函数为：
其中，n为训练样本的个数，αi≥0为拉格朗日系数，yi∈{-1,+1}为实际样本，K(x,xi)为第i个粒子的当前最优位置。
本实施例提供一种电子设备，图3为本发明实施例提供的电子设备整体结构示意图，该设备包括：至少一个处理器301、至少一个存储器302和总线303；其中，
处理器301和存储器302通过总线303完成相互间的通信；
存储器302存储有可被处理器301执行的程序指令，处理器调用程序指令能够执行上述各方法实施例所提供的方法，例如包括：根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测；基于粒子群算法对支持向量机进行优化，根据预测结果基于优化后的所述支持向量机进行火灾预警。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测；基于粒子群算法对支持向量机进行优化，根据预测结果基于优化后的所述支持向量机进行火灾预警。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种火灾预警方法，其特征在于，包括：
根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测；
基于粒子群算法对支持向量机进行优化，根据预测结果基于优化后的所述支持向量机进行火灾预警。
2.根据权利要求1所述的方法，其特征在于，根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测的步骤之前还包括：
基于三次多项式插值法对预设历史时间段内火灾影响因子的数据进行插值，获取预设历史时间段内火灾影响因子缺失的数据。
3.根据权利要求1所述的方法，其特征在于，根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测的步骤具体包括：
根据预设历史时间段内火灾影响因子的数据和时间之间的关系，确定时间序列模型的类型和阶数；
根据所述时间序列模型的类型和阶数，构建时间序列模型；
基于构建的所述时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测。
4.根据权利要求1所述的方法，其特征在于，火灾影响因子包括烟雾浓度、烟雾浓度的上升速率和温度。
5.根据权利要求1-4任一所述的方法，其特征在于，基于粒子群算法对支持向量机进行优化的步骤具体包括：
将粒子群中各粒子当前和当前之前所经历的最优位置作为各所述粒子的当前最优位置，将所有所述粒子当前之前所经历的最优位置作为所有所述粒子的全局最优位置；
其中，各所述粒子的当前最优位置为根据各粒子当前和当前之前所经历的位置，获取的支持向量机的决策函数值中的最大值对应的位置；
所有所述粒子的全局最优位置为根据所有所述粒子当前之前所经历的位置，获取的支持向量机的决策函数值中的最大值对应的位置；
若各所述粒子的当前最优位置对应的决策函数值小于所述全局最优位置对应的决策函数值，则使用各所述粒子的当前最优位置替换所述全局最优位置，并更新各所述粒子的当前位置，直到满足预设结束条件；
将最终的全局最优位置作为所述支持向量机的最优参数。
6.根据权利要求1-4任一所述的方法，其特征在于，根据预测结果基于优化后的所述支持向量机进行火灾预警的步骤具体包括：
对预测结果进行归一化，并对优化后的所述支持向量机进行训练；
将归一化后的所述预测结果输入训练好的所述支持向量机，获取火灾发生的概率；
若火灾发生的概率大于预设阈值，则进行火灾预警。
7.根据权利要求6所述的方法，其特征在于，所述支持向量机的决策函数为：
其中，n为训练样本的个数，αi≥0为拉格朗日系数，yi∈{-1,+1}为实际样本，K(x,xi)为第i个粒子的当前最优位置。
8.一种火灾预警装置，其特征在于，包括：
预测模块，用于根据预设历史时间段内火灾影响因子的数据，基于时间序列模型对所述预设历史时间段之后时刻火灾影响因子的数据进行预测；
预警模块，用于基于粒子群算法对支持向量机进行优化，根据预测结果基于优化后的所述支持向量机进行火灾预警。
9.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器和总线；其中，
所述处理器和存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811173766.4A CN109410502A (zh) | 2018-10-09 | 2018-10-09 | 火灾预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811173766.4A CN109410502A (zh) | 2018-10-09 | 2018-10-09 | 火灾预警方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109410502A true CN109410502A (zh) | 2019-03-01 |
Family
ID=65466797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811173766.4A Pending CN109410502A (zh) | 2018-10-09 | 2018-10-09 | 火灾预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109410502A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163251A (zh) * | 2019-04-15 | 2019-08-23 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火灾危险等级的优化识别方法、装置及终端设备 |
| CN110598914A (zh) * | 2019-08-21 | 2019-12-20 | 武汉理工大学 | 一种多因素影响下矿井灾害气体浓度区间预测方法及系统 |
| CN114626487A (zh) * | 2022-05-16 | 2022-06-14 | 南昌工程学院 | 基于随机森林分类算法的线变关系校核方法 |
| CN114627607A (zh) * | 2022-01-30 | 2022-06-14 | 江苏蓝图消防装备有限公司 | 基于工业传感网的消防综合信息检索系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334924A (zh) * | 2007-06-29 | 2008-12-31 | 丁国锋 | 一种火灾探测系统及其火灾探测方法 |
| CN102013148A (zh) * | 2010-10-28 | 2011-04-13 | 中国科学技术大学 | 多信息融合火灾探测方法 |
| CN102184335A (zh) * | 2011-05-20 | 2011-09-14 | 公安部上海消防研究所 | 一种基于集合经验模式分解和相空间重构的火灾时间序列预测方法 |
| CN103679263A (zh) * | 2012-08-30 | 2014-03-26 | 重庆邮电大学 | 基于粒子群支持向量机的雷电临近预测方法 |
| CN106355812A (zh) * | 2016-08-10 | 2017-01-25 | 安徽理工大学 | 基于温度场的火灾隐患预测方法 |
-
2018
- 2018-10-09 CN CN201811173766.4A patent/CN109410502A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334924A (zh) * | 2007-06-29 | 2008-12-31 | 丁国锋 | 一种火灾探测系统及其火灾探测方法 |
| CN102013148A (zh) * | 2010-10-28 | 2011-04-13 | 中国科学技术大学 | 多信息融合火灾探测方法 |
| CN102184335A (zh) * | 2011-05-20 | 2011-09-14 | 公安部上海消防研究所 | 一种基于集合经验模式分解和相空间重构的火灾时间序列预测方法 |
| CN103679263A (zh) * | 2012-08-30 | 2014-03-26 | 重庆邮电大学 | 基于粒子群支持向量机的雷电临近预测方法 |
| CN106355812A (zh) * | 2016-08-10 | 2017-01-25 | 安徽理工大学 | 基于温度场的火灾隐患预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| 刘彩虹: "《制造业供应链质量风险管理研究》", 31 December 2006 * |
| 彭晓武等: "《R软件及其环境流行病学应用》", 30 September 2013 * |
| 易欣等: "《深井高地温综放开采防灭火技术》", 31 October 2017 * |
| 而师玛乃: "《火灾报警器》", 31 August 1995 * |
| 苏易: "《火灾防范与自救》", 30 June 2013 * |
| 陈涛: "基于支持向量机的混沌时间序列预测模型", 《统计与决策》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163251A (zh) * | 2019-04-15 | 2019-08-23 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火灾危险等级的优化识别方法、装置及终端设备 |
| CN110598914A (zh) * | 2019-08-21 | 2019-12-20 | 武汉理工大学 | 一种多因素影响下矿井灾害气体浓度区间预测方法及系统 |
| CN110598914B (zh) * | 2019-08-21 | 2021-12-10 | 武汉理工大学 | 一种多因素影响下矿井灾害气体浓度区间预测方法及系统 |
| CN114627607A (zh) * | 2022-01-30 | 2022-06-14 | 江苏蓝图消防装备有限公司 | 基于工业传感网的消防综合信息检索系统 |
| CN114627607B (zh) * | 2022-01-30 | 2022-11-29 | 江苏蓝图消防装备有限公司 | 基于工业传感网的消防综合信息检索系统 |
| CN114626487A (zh) * | 2022-05-16 | 2022-06-14 | 南昌工程学院 | 基于随机森林分类算法的线变关系校核方法 |
| CN114626487B (zh) * | 2022-05-16 | 2023-09-05 | 南昌工程学院 | 基于随机森林分类算法的线变关系校核方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109410502A (zh) | 火灾预警方法及装置 | |
| US11092460B2 (en) | Sensor control support apparatus, sensor control support method and non-transitory computer readable medium | |
| CN112800116B (zh) | 一种业务数据的异常检测方法及装置 | |
| US20160239592A1 (en) | Data-driven battery aging model using statistical analysis and artificial intelligence | |
| CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
| CN110717535B (zh) | 一种基于数据分析处理系统的自动建模方法及系统 | |
| CN112862012A (zh) | 一种基于lstm模型的运维系统异常预警方法、装置及设备 | |
| CA3097036A1 (en) | Selecting a neural network architecture for a supervised machine learning problem | |
| CN113544707A (zh) | 用于连续检测、诊断和优化的深度因果学习 | |
| CN115098330A (zh) | 基于云边协同模式的设备异常检测系统及方法 | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN112363896A (zh) | 日志异常检测系统 | |
| JP2019087101A (ja) | 予知モデル維持システム、予知モデル維持方法及び予知モデル維持プログラム | |
| CN114556302A (zh) | 异常检测的动态配置 | |
| CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
| CN109934389A (zh) | 基于预测模型的绩效预测方法、装置及存储介质 | |
| CN112884569A (zh) | 一种信用评估模型的训练方法、装置及设备 | |
| CN113723692A (zh) | 数据处理方法、装置、设备、介质及程序产品 | |
| CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
| CN113642727B (zh) | 神经网络模型的训练方法和多媒体信息的处理方法、装置 | |
| US11829883B2 (en) | Executing a genetic algorithm on a low-power controller | |
| CN110135592B (zh) | 分类效果确定方法、装置、智能终端及存储介质 | |
| CN116929456A (zh) | 机房环境监控方法、装置、设备及存储介质 | |
| CN116915710A (zh) | 流量预警方法、装置、设备及可读存储介质 | |
| CN111476400A (zh) | 电路故障预测方法、装置、设备及计算机可读介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |