CN109739905A - 一种综合管廊火灾预警方法及系统 - Google Patents
一种综合管廊火灾预警方法及系统 Download PDFInfo
- Publication number
- CN109739905A CN109739905A CN201910022492.7A CN201910022492A CN109739905A CN 109739905 A CN109739905 A CN 109739905A CN 201910022492 A CN201910022492 A CN 201910022492A CN 109739905 A CN109739905 A CN 109739905A
- Authority
- CN
- China
- Prior art keywords
- item collection
- item
- support
- data
- subdata base
- 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
Abstract
本发明公开了一种综合管廊火灾预警方法及系统。所述方法包括:获取综合管廊内环境监测数据;对环境监测数据进行数据压缩,得到环境监测压缩数据;对环境监测压缩数据进行分类划分,得到多个子数据库;采用Apriori算法分别对各子数据库进行扫描,得到频繁项目集;每个子数据库均对应一个或多个频繁项目集;每个频繁项目集对应一组关联规则;计算各频繁项目集的置信度;将置信度大于预设置信度的频繁项目集对应的关联规则确定为强关联规则;依据强关联规则判断是否生成预警信息;若是,则生成预警信息,并依据预警信息发出预警信号。本发明能够提高预警的准确性,大大减少管廊火灾事故的发生。
Description
技术领域
本发明涉及火灾预警技术领域,特别是涉及一种综合管廊火灾预警方法及系统。
背景技术
目前,国内大多都是对综合管廊在发生火灾时进行火灾危险控制技术的研究,很少有完全针对综合管廊做出火灾危险识别和预警的研究。而在现有的火灾危险识别技术中通常采用基于STM32嵌入式处理器进行监测与预警,首先对综合管廊的环境参数进行监测,然后采用基于卡尔曼滤波方法进行预测,理论上,卡尔曼滤波随着滤波的推进,卡尔曼滤波估计的精度应该越来越高,滤波误差方差阵也应趋于稳定值或有界值,但在实际应用中,随着量测值数目的增加,存在估计误差的均值和估计误差协方差越来越大,这样就导致了滤波逐渐失去准确估计的作用。
发明内容
基于此,有必要提供一种综合管廊火灾预警方法及系统,以提高预警的准确性,大大减少管廊火灾事故的发生。
为实现上述目的,本发明提供了如下方案:
一种综合管廊火灾预警方法,包括:
获取综合管廊内环境监测数据;所述环境监测数据包括温湿度和可燃气体浓度;
对所述环境监测数据进行数据压缩,得到环境监测压缩数据;
对所述环境监测压缩数据进行分类划分,得到多个子数据库;每个所述子数据库均包括所有监测时间段内的同一类的监测数据;
采用Apriori算法分别对各所述子数据库进行扫描,得到频繁项目集;每个所述子数据库均对应一个或多个频繁项目集;每个所述频繁项目集对应一组关联规则;
计算各所述频繁项目集的置信度;
将所述置信度大于预设置信度的频繁项目集对应的关联规则确定为强关联规则;
依据所述强关联规则判断是否生成预警信息;若是,则生成预警信息,并依据所述预警信息发出预警信号。
可选的,所述采用Apriori算法分别对各所述子数据库进行扫描,得到频繁项目集,具体包括:
依据所述子数据库生成项集集合;每个所述子数据库均对应一个项集集合;每个所述项集集合均包括多个项集;每个所述项集对应一组关联规则;
分别对当前各所述子数据库对应的项集集合内的项集进行统计,计算各所述子数据库内的每个项集的支持度;
删除各所述子数据库内支持度小于或等于预设最小支持度的项集,更新各个子数据库;
将各更新后的子数据库分别对应的项集集合中的项集两两交叉相乘,得到重建后的项集集合;
计算各所述重建后的项集集合内每个项集的支持度;
判断各所述重建后的项集集合内所有的项集的支持度是否均等于预设目标支持度;所述预设目标支持度小于或等于所述预设最小支持度;
若否,则将各所述重建后的项集集合作为当前各所述子数据库对应的项集集合,并返回所述分别对当前各所述子数据库对应的项集集合内的项集进行统计,计算各所述子数据库内的每个项集的支持度;
若是,则将各所述重建后的项集集合内支持度等于预设目标支持度的项集确定为频繁项目集。
可选的,所述依据所述强关联规则判断是否生成预警信息,若是,则生成预警信息,并依据所述预警信息发出预警信号,具体包括:
判断所述强关联规则对应的监测数据与目标预警阈值的差值是否大于预设阈值;
若是,则生成预警信息;
依据所述预警信息发出预警信号。
可选的,所述目标预警阈值的确定方法为:
获取历史数据库;所述历史数据库包括综合管廊内环境历史数据;所述环境历史数据包括历史温湿度和历史可燃气体浓度;
依据所述历史数据库确定目标预警阈值。
本发明还提供了一种综合管廊火灾预警系统,所述系统包括:
监测数据获取模块,用于获取综合管廊内环境监测数据;所述环境监测数据包括温湿度和可燃气体浓度;
数据压缩模块,用于对所述环境监测数据进行数据压缩,得到环境监测压缩数据;
划分模块,用于对所述环境监测压缩数据进行分类划分,得到多个子数据库;每个所述子数据库均包括所有监测时间段内的同一类的监测数据;
扫描模块,用于采用Apriori算法分别对各所述子数据库进行扫描,得到频繁项目集;每个所述子数据库均对应一个或多个频繁项目集;每个所述频繁项目集对应一组关联规则;
计算模块,用于计算各所述频繁项目集的置信度;
确定模块,用于将所述置信度大于预设置信度的频繁项目集对应的关联规则确定为强关联规则;
判断模块,用于依据所述强关联规则判断是否生成预警信息;
预警信号发出模块,用于若生成预警信息,则依据所述预警信息发出预警信号。
可选的,所述扫描模块,具体包括:
项集生成单元,用于依据所述子数据库生成项集集合;每个所述子数据库均对应一个项集集合;每个所述项集集合均包括多个项集;每个所述项集对应一组关联规则;
第一计算单元,用于分别对当前各所述子数据库对应的项集集合内的项集进行统计,计算各所述子数据库内的每个项集的支持度;
更新单元,用于删除各所述子数据库内支持度小于或等于预设最小支持度的项集,更新各个子数据库;
重建单元,用于将各更新后的子数据库分别对应的项集集合中的项集两两交叉相乘,得到重建后的项集集合;
第二计算单元,用于计算各所述重建后的项集集合内每个项集的支持度;
判断单元,用于判断各所述重建后的项集集合内所有的项集的支持度是否均等于预设目标支持度;所述预设目标支持度小于或等于所述预设最小支持度;若否,则将各所述重建后的项集集合作为当前各所述子数据库对应的项集集合,并返回所述第一计算单元;若是,则将各所述重建后的项集集合内支持度等于预设目标支持度的项集确定为频繁项目集。
可选的,所述判断模块,具体包括:
判断单元,用于判断所述强关联规则对应的监测数据与目标预警阈值的差值是否大于预设阈值;
预警信息生成单元,用于若所述强关联规则对应的监测数据与目标预警阈值的差值大于预设阈值,则生成预警信息。
可选的,所述系统还包括:
历史数据获取模块,用于获取历史数据库;所述历史数据库包括综合管廊内环境历史数据;所述环境历史数据包括历史温湿度和历史可燃气体浓度;
阈值确定模块,用于依据所述历史数据库确定目标预警阈值。
与现有技术相比,本发明的有益效果是:
本发明提出了一种综合管廊火灾预警方法及系统。该综合管廊火灾预警方法首先对获取的综合管廊内环境监测数据进行数据压缩,得到环境监测压缩数据;然后对环境监测压缩数据进行分类划分,得到多个子数据库;再采用Apriori算法分别对各子数据库进行扫描,得到频繁项目集;然后通过计算各频繁项目集的置信度确定强关联规则;依据强关联规则判断是否发出预警信号。本发明能够对管廊中潜在的火灾隐患和发展趋势做出较为准确的预警,对综合管廊的火灾危险识别不仅限于区域性预测、局部预测,而是利用管廊的各个不安全因素进行数据挖掘,分析和挖掘各个不安全因素的关联关系来指导预警工作,提高了预警的准确性,大大减少了管廊火灾事故的发生。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种综合管廊火灾预警方法的流程图;
图2为本发明实施例一种综合管廊火灾预警系统的结构示意图。
具体实施方式
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,所描述的实施例仅仅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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种综合管廊火灾预警方法的流程图。
参见图1,实施例的综合管廊火灾预警方法,包括:
步骤S1:获取综合管廊内环境监测数据。
所述环境监测数据包括温湿度和可燃气体浓度。所述环境监测数据可采用分布式光纤传感技术对管廊进行实时在线监测得到。
步骤S2:对所述环境监测数据进行数据压缩,得到环境监测压缩数据。
步骤S3:对所述环境监测压缩数据进行分类划分,得到多个子数据库。每个所述子数据库均包括所有监测时间段内的同一类的监测数据。
步骤S4:采用Apriori算法分别对各所述子数据库进行扫描,得到频繁项目集。
每个所述子数据库均对应一个或多个频繁项目集;每个所述频繁项目集对应一组关联规则。
所述步骤S4,具体包括:
依据所述子数据库生成项集集合;每个所述子数据库均对应一个项集集合;每个所述项集集合均包括多个项集;每个所述项集对应一组关联规则;
分别对当前各所述子数据库对应的项集集合内的项集进行统计,计算各所述子数据库内的每个项集的支持度;
删除各所述子数据库内支持度小于或等于预设最小支持度的项集,更新各个子数据库;
将各更新后的子数据库分别对应的项集集合中的项集两两交叉相乘,得到重建后的项集集合;
计算各所述重建后的项集集合内每个项集的支持度;
判断各所述重建后的项集集合内所有的项集的支持度是否均等于预设目标支持度;所述预设目标支持度小于或等于所述预设最小支持度;
若否,则将各所述重建后的项集集合作为当前各所述子数据库对应的项集集合,并返回所述分别对当前各所述子数据库对应的项集集合内的项集进行统计,计算各所述子数据库内的每个项集的支持度;
若是,则将各所述重建后的项集集合内支持度等于预设目标支持度的项集确定为频繁项目集。
步骤S5:计算各所述频繁项目集的置信度。
步骤S6:将所述置信度大于预设置信度的频繁项目集对应的关联规则确定为强关联规则。
步骤S7:依据所述强关联规则判断是否生成预警信息;若是,则生成预警信息,并依据所述预警信息发出预警信号。
所述步骤S7,具体为:判断所述强关联规则对应的监测数据与目标预警阈值的差值是否大于预设阈值。所述目标预警阈值的确定方法为:获取历史数据库;所述历史数据库包括综合管廊内环境历史数据;所述环境历史数据包括历史温湿度和历史可燃气体浓度;依据所述历史数据库确定目标预警阈值。
本实施例中采用的Apriori算法的基本思想是:①统计出所有项集出现的频率,并找出不小于最小支持度的项集;②进入循环处理,直至再也没有最大项集产生,即确定频繁项目集;③确定强关联规则。该算法中支持度与置信度的算法定义如下:
support(A=>B)=P(A∪B)=(count(A∪B))/(count(T));
confidence(A=>B)=P(B│A)=count(A∪B)/count(A);
其中,A、B分别表示两个不同的事件,T表示全部事件。
在对综合管廊火灾进行预警时,温湿度和可燃气体浓度等环境参数都是可能引起综合管廊发生火灾的重要因素,所以这些因素都是管廊火灾预警系统需要监测的内容,由于这些因素具有很强的不确定性,因此很难推导出一个公式对它们进行预算,数据挖掘技术中将影响影响管廊安全运行的因素组合在一起并形成记录集合,因此,利用Apriori算法对记录集合进行挖掘。
利用数据挖掘技术直接从关系数据库中挖掘数据使得运算前期的工作被简化,在安全预警系统内建立相应的数据库,将部分影响管廊安全运行的因素。而Apriori算法需要多次逐层在数据库中进行搜查,并借助频繁项集的先验知识对其中的频繁集进行多次迭代,直到不存在频繁集为止,该算法存在如下缺陷:一是增加算法的计算复杂度。在Apriori算法中,支持度阈值的降低,会在一定程度上导致频繁项集的增加,势必会增加计算的难度和复杂性。原因在于当频繁项集增多时,对其计数的候选项集会随之增多,频繁项集最大长度相应增加,造成算法需要进行的扫描的次数也随之增加。二是运行时间长。当在利用Apriori算法对项集的支持度进行计算时,需要对数据集进行反复的扫描。这种情况下,事务数随之增加,对应的需要运行的时间也会增长。为了克服上述缺陷,本实施例首先对环境监测数据进行数据压缩,再对所述环境监测压缩数据进行分类划分,得到多个子数据库,然后采用Apriori算法分别对各所述子数据库进行扫描,得到频繁项目集。下面以一个子数据库为例,介绍采用Apriori算法对该子数据库进行扫描,得到频繁项目集的过程。
子数据库中的检测数据包括一氧化碳浓度、甲烷浓度、氧气浓度、硫化氢浓度、温度和湿度,将上述每个安全因素进行编号,如表1所示,A代表CO浓度,B代表CH4浓度,C代表O2浓度,D代表H2S浓度,E代表温度,F代表湿度。
表1
统计每个项出现的次数,如表2所示。
表2
设预设最小支持度minsupport=2,删除各子数据库内支持度小于或等于预设最小支持度的项集,更新子数据库,确定更新后的集合,如表3所示。
表3
将更新后的子数据库对应的项集集合(表3)中的项集两两交叉相乘,得到重建后的项集集合,如表4所示。
表4
将重建后的项集集合中的项集两两交叉相乘,得到二次重建后的项集集合,如表5所示。
表5
将二次重建后的项集集合中的项集两两交叉相乘,得到三次重建后的项集集合,如表6所示。
表6
由表6可知,三次重建后的项集集合中所有项集的支持度均等于预设目标支持度2,因此,{A,B,C,D}与{A,B,D,E}为频繁项目集。然后计算各个频繁项目集的置信度,将置信度大于预设置信度的频繁项目集对应的关联规则确定为强关联规则。本实施例中,{A,B,C,D}与{A,B,D,E}为两组强关联规则。
在实际应用过程中,应做好数据收集,保证数据的有效性及时效性。其具体步骤为:(1)在管廊内布置传感器进行数据采集。(2)采集到数据后,及时将其传送到计算机分析终端,根据输入的数据利用Apriori算法进行分析,分析后将得到系统异常时达到系统预置支持度和置信度阀值时产生的关联规则组。(3)分析结果出来以后,将结果发布到各个关键位置。(4)由各工作人员根据分析结果做出预警处理。(5)根据预警事项,按照相关规范进行现场防治措施。
本实施例提供的综合管廊火灾预警方法,首先对数据库预处理压缩;其次根据综合管廊的特性,将综合管廊内环境参数进行分类,如当可燃物质泄漏时会产生大量的甲烷、CO等气体,由此可将其划分为一个子数据库,各个子数据库中包含所有时间段的监测数据,有针对性地生成对应的频繁项目集;对数据库进行一次扫描,打乱后重新建立,对项目数据进行充分统计,做到不遗漏,对于某些未达到最小支持度的项集直接删除;用Apriori算法中的连接功能,算得项目事务数据库中项的交集,再将新的数据重建为新的数据库,最后得出N项频繁项集;最后充分整合所有子数据库中的频繁项集,获取其对应的每个关联规则的置信度,根据最小置信度阈值得到全部的强关联规则,形成一个全局的候选频繁项目集,最后在系统中将这些数据进行更新。该方法能够提高预警的准确性,大大减少管廊火灾事故的发生。
本发明还提供了一种综合管廊火灾预警系统,图2为本发明实施例一种综合管廊火灾预警系统的结构示意图。
参见图2,实施例的综合管廊火灾预警系统包括:
监测数据获取模块201,用于获取综合管廊内环境监测数据;所述环境监测数据包括温湿度和可燃气体浓度。
数据压缩模块202,用于对所述环境监测数据进行数据压缩,得到环境监测压缩数据。
划分模块203,用于对所述环境监测压缩数据进行分类划分,得到多个子数据库;每个所述子数据库均包括所有监测时间段内的同一类的监测数据。
扫描模块204,用于采用Apriori算法分别对各所述子数据库进行扫描,得到频繁项目集;每个所述子数据库均对应一个或多个频繁项目集;每个所述频繁项目集对应一组关联规则。
计算模块205,用于计算各所述频繁项目集的置信度。
确定模块206,用于将所述置信度大于预设置信度的频繁项目集对应的关联规则确定为强关联规则。
判断模块207,用于依据所述强关联规则判断是否生成预警信息;
预警信号发出模块208,用于若生成预警信息,则依据所述预警信息发出预警信号。
现有的预警系统界面一般都比较简陋,大多是直接用组态软件制作的,而组态软件并不是适合做用户交互界面良好的应用程序。本实施例采用Visual Studio完成对管廊火灾预警系统的上位机开发设计,VS有着功能最强大、最通用、用户多等特点,和windows搭配,运行性能较好,所写的目标代码适用于微软支持的所有平台,兼容性较好。
作为一种可选的实施方式,所述扫描模块204,具体包括:
项集生成单元,用于依据所述子数据库生成项集集合;每个所述子数据库均对应一个项集集合;每个所述项集集合均包括多个项集;每个所述项集对应一组关联规则。
第一计算单元,用于分别对当前各所述子数据库对应的项集集合内的项集进行统计,计算各所述子数据库内的每个项集的支持度。
更新单元,用于删除各所述子数据库内支持度小于或等于预设最小支持度的项集,更新各个子数据库。
重建单元,用于将各更新后的子数据库分别对应的项集集合中的项集两两交叉相乘,得到重建后的项集集合。
第二计算单元,用于计算各所述重建后的项集集合内每个项集的支持度。
判断单元,用于判断各所述重建后的项集集合内所有的项集的支持度是否均等于预设目标支持度;所述预设目标支持度小于或等于所述预设最小支持度;若否,则将各所述重建后的项集集合作为当前各所述子数据库对应的项集集合,并返回所述第一计算单元;若是,则将各所述重建后的项集集合内支持度等于预设目标支持度的项集确定为频繁项目集。
作为一种可选的实施方式,所述判断模块207,具体包括:
判断单元,用于判断所述强关联规则对应的监测数据与目标预警阈值的差值是否大于预设阈值。
预警信息生成单元,用于若所述强关联规则对应的监测数据与目标预警阈值的差值大于预设阈值,则生成预警信息。
作为一种可选的实施方式,所述综合管廊火灾预警系统还包括:
历史数据获取模块,用于获取历史数据库;所述历史数据库包括综合管廊内环境历史数据;所述环境历史数据包括历史温湿度和历史可燃气体浓度。
阈值确定模块,用于依据所述历史数据库确定目标预警阈值。
本实施例的综合管廊火灾预警系统,能够提高预警的准确性,大大减少管廊火灾事故的发生。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种综合管廊火灾预警方法,其特征在于,包括:
获取综合管廊内环境监测数据;所述环境监测数据包括温湿度和可燃气体浓度;
对所述环境监测数据进行数据压缩,得到环境监测压缩数据;
对所述环境监测压缩数据进行分类划分,得到多个子数据库;每个所述子数据库均包括所有监测时间段内的同一类的监测数据;
采用Apriori算法分别对各所述子数据库进行扫描,得到频繁项目集;每个所述子数据库均对应一个或多个频繁项目集;每个所述频繁项目集对应一组关联规则;
计算各所述频繁项目集的置信度;
将所述置信度大于预设置信度的频繁项目集对应的关联规则确定为强关联规则;
依据所述强关联规则判断是否生成预警信息;若是,则生成预警信息,并依据所述预警信息发出预警信号。
2.根据权利要求1所述的一种综合管廊火灾预警方法,其特征在于,所述采用Apriori算法分别对各所述子数据库进行扫描,得到频繁项目集,具体包括:
依据所述子数据库生成项集集合;每个所述子数据库均对应一个项集集合;每个所述项集集合均包括多个项集;每个所述项集对应一组关联规则;
分别对当前各所述子数据库对应的项集集合内的项集进行统计,计算各所述子数据库内的每个项集的支持度;
删除各所述子数据库内支持度小于或等于预设最小支持度的项集,更新各个子数据库;
将各更新后的子数据库分别对应的项集集合中的项集两两交叉相乘,得到重建后的项集集合;
计算各所述重建后的项集集合内每个项集的支持度;
判断各所述重建后的项集集合内所有的项集的支持度是否均等于预设目标支持度;所述预设目标支持度小于或等于所述预设最小支持度;
若否,则将各所述重建后的项集集合作为当前各所述子数据库对应的项集集合,并返回所述分别对当前各所述子数据库对应的项集集合内的项集进行统计,计算各所述子数据库内的每个项集的支持度;
若是,则将各所述重建后的项集集合内支持度等于预设目标支持度的项集确定为频繁项目集。
3.根据权利要求1所述的一种综合管廊火灾预警方法,其特征在于,所述依据所述强关联规则判断是否生成预警信息,若是,则生成预警信息,并依据所述预警信息发出预警信号,具体包括:
判断所述强关联规则对应的监测数据与目标预警阈值的差值是否大于预设阈值;
若是,则生成预警信息;
依据所述预警信息发出预警信号。
4.根据权利要求3所述的一种综合管廊火灾预警方法,其特征在于,所述目标预警阈值的确定方法为:
获取历史数据库;所述历史数据库包括综合管廊内环境历史数据;所述环境历史数据包括历史温湿度和历史可燃气体浓度;
依据所述历史数据库确定目标预警阈值。
5.一种综合管廊火灾预警系统,其特征在于,包括:
监测数据获取模块,用于获取综合管廊内环境监测数据;所述环境监测数据包括温湿度和可燃气体浓度;
数据压缩模块,用于对所述环境监测数据进行数据压缩,得到环境监测压缩数据;
划分模块,用于对所述环境监测压缩数据进行分类划分,得到多个子数据库;每个所述子数据库均包括所有监测时间段内的同一类的监测数据;
扫描模块,用于采用Apriori算法分别对各所述子数据库进行扫描,得到频繁项目集;每个所述子数据库均对应一个或多个频繁项目集;每个所述频繁项目集对应一组关联规则;
计算模块,用于计算各所述频繁项目集的置信度;
确定模块,用于将所述置信度大于预设置信度的频繁项目集对应的关联规则确定为强关联规则;
判断模块,用于依据所述强关联规则判断是否生成预警信息;
预警信号发出模块,用于若生成预警信息,则依据所述预警信息发出预警信号。
6.根据权利要求5所述的一种综合管廊火灾预警系统,其特征在于,所述扫描模块,具体包括:
项集生成单元,用于依据所述子数据库生成项集集合;每个所述子数据库均对应一个项集集合;每个所述项集集合均包括多个项集;每个所述项集对应一组关联规则;
第一计算单元,用于分别对当前各所述子数据库对应的项集集合内的项集进行统计,计算各所述子数据库内的每个项集的支持度;
更新单元,用于删除各所述子数据库内支持度小于或等于预设最小支持度的项集,更新各个子数据库;
重建单元,用于将各更新后的子数据库分别对应的项集集合中的项集两两交叉相乘,得到重建后的项集集合;
第二计算单元,用于计算各所述重建后的项集集合内每个项集的支持度;
判断单元,用于判断各所述重建后的项集集合内所有的项集的支持度是否均等于预设目标支持度;所述预设目标支持度小于或等于所述预设最小支持度;若否,则将各所述重建后的项集集合作为当前各所述子数据库对应的项集集合,并返回所述第一计算单元;若是,则将各所述重建后的项集集合内支持度等于预设目标支持度的项集确定为频繁项目集。
7.根据权利要求5所述的一种综合管廊火灾预警系统,其特征在于,所述判断模块,具体包括:
判断单元,用于判断所述强关联规则对应的监测数据与目标预警阈值的差值是否大于预设阈值;
预警信息生成单元,用于若所述强关联规则对应的监测数据与目标预警阈值的差值大于预设阈值,则生成预警信息。
8.根据权利要求7所述的一种综合管廊火灾预警系统,其特征在于,还包括:
历史数据获取模块,用于获取历史数据库;所述历史数据库包括综合管廊内环境历史数据;所述环境历史数据包括历史温湿度和历史可燃气体浓度;
阈值确定模块,用于依据所述历史数据库确定目标预警阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022492.7A CN109739905A (zh) | 2019-01-10 | 2019-01-10 | 一种综合管廊火灾预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022492.7A CN109739905A (zh) | 2019-01-10 | 2019-01-10 | 一种综合管廊火灾预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109739905A true CN109739905A (zh) | 2019-05-10 |
Family
ID=66364207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910022492.7A Pending CN109739905A (zh) | 2019-01-10 | 2019-01-10 | 一种综合管廊火灾预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109739905A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543497A (zh) * | 2019-07-11 | 2019-12-06 | 武汉烽火众智数字技术有限责任公司 | 一种高实时性布控解决方法及系统 |
CN111242447A (zh) * | 2020-01-06 | 2020-06-05 | 思创数码科技股份有限公司 | 一种火灾隐患评估方法、装置、设备和计算机可读存储介质 |
CN111626239A (zh) * | 2020-05-29 | 2020-09-04 | 山东山科智能科技有限公司 | 基于行为特征的服刑人员危险倾向预测方法及系统 |
CN111784537A (zh) * | 2020-06-30 | 2020-10-16 | 国网信息通信产业集团有限公司 | 一种配电网状态参数监测方法、装置及电子设备 |
CN113642827A (zh) * | 2021-06-21 | 2021-11-12 | 南方电网调峰调频发电有限公司 | 大坝监测数据的分析方法、装置、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567124A (zh) * | 2009-06-04 | 2009-10-28 | 山东省科学院海洋仪器仪表研究所 | 一种海洋灾害预警方法 |
CN107967199A (zh) * | 2017-12-05 | 2018-04-27 | 广东电网有限责任公司东莞供电局 | 一种基于关联规则挖掘的电力设备温度预警分析方法 |
-
2019
- 2019-01-10 CN CN201910022492.7A patent/CN109739905A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567124A (zh) * | 2009-06-04 | 2009-10-28 | 山东省科学院海洋仪器仪表研究所 | 一种海洋灾害预警方法 |
CN107967199A (zh) * | 2017-12-05 | 2018-04-27 | 广东电网有限责任公司东莞供电局 | 一种基于关联规则挖掘的电力设备温度预警分析方法 |
Non-Patent Citations (1)
Title |
---|
游先中: "Apriori算法在预测矿井火灾事故中的应用", 《能源与环保》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543497A (zh) * | 2019-07-11 | 2019-12-06 | 武汉烽火众智数字技术有限责任公司 | 一种高实时性布控解决方法及系统 |
CN111242447A (zh) * | 2020-01-06 | 2020-06-05 | 思创数码科技股份有限公司 | 一种火灾隐患评估方法、装置、设备和计算机可读存储介质 |
CN111242447B (zh) * | 2020-01-06 | 2023-06-16 | 思创数码科技股份有限公司 | 一种火灾隐患评估方法、装置、设备和计算机可读存储介质 |
CN111626239A (zh) * | 2020-05-29 | 2020-09-04 | 山东山科智能科技有限公司 | 基于行为特征的服刑人员危险倾向预测方法及系统 |
CN111784537A (zh) * | 2020-06-30 | 2020-10-16 | 国网信息通信产业集团有限公司 | 一种配电网状态参数监测方法、装置及电子设备 |
CN113642827A (zh) * | 2021-06-21 | 2021-11-12 | 南方电网调峰调频发电有限公司 | 大坝监测数据的分析方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109739905A (zh) | 一种综合管廊火灾预警方法及系统 | |
Goodchild et al. | A simple positional accuracy measure for linear features | |
CN109685246B (zh) | 环境数据预估方法、装置及存储介质、服务器 | |
EP1984860B1 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
CN107590516A (zh) | 基于光纤传感数据挖掘的输气管道泄漏检测识别方法 | |
CN110242865B (zh) | 一种易于持续优化的燃气泄漏检测判定方法及系统 | |
Berry et al. | Use of a geographic information system for storm runoff prediction from small urban watersheds | |
CN101246645A (zh) | 一种识别离群交通数据的方法 | |
CN115097526B (zh) | 地震采集资料质量评价方法 | |
CN108922123A (zh) | 一种矿山边坡滑移稳定性监测预警方法 | |
CN113297272A (zh) | 一种桥梁监测数据关联规则挖掘及健康预警方法及系统 | |
Su et al. | An improved random forest model for the prediction of dam displacement | |
CN103020737A (zh) | 一种烤片烟气的预测方法 | |
Guan et al. | Development of verification methodology for extreme weather forecasts | |
CN112330184A (zh) | 施工风险的预测方法、装置、设备和介质 | |
CN115481792A (zh) | 基于粗糙集和云模型的隧道地质预报方法及系统 | |
CN117573667B (zh) | 一种煤矿井间数据优化清洗方法及系统 | |
GB2246006A (en) | Method and system for detecting underground mine fires | |
Yong et al. | Neutrosophic function with NNs for analyzing and expressing anisotropy characteristic and scale effect of joint surface roughness | |
Li et al. | Automatic arrival-time picking of P-and S-waves of microseismic events based on object detection and CNN | |
Brodny et al. | Applying an automatic gasometry system and a fuzzy set theory to assess the state of gas hazard during the coal mining production process | |
CN116842765B (zh) | 基于物联网实现石油测井下的安全管理方法及系统 | |
CN117275209A (zh) | 一种基于分布式光纤声波传感的监测预警方法以及相关装置 | |
CN105222885A (zh) | 一种光纤振动检测方法及装置 | |
Custer et al. | A COMPARISON OF HAND‐AND SPLINE‐DRAWN PRECIPITATION MAPS FOR MOUNTAINOUS MONTANA 1 |
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: 20190510 |