CN109993950A - 一种基于消防报警设备的大数据火灾预测方法 - Google Patents
一种基于消防报警设备的大数据火灾预测方法 Download PDFInfo
- Publication number
- CN109993950A CN109993950A CN201910296756.8A CN201910296756A CN109993950A CN 109993950 A CN109993950 A CN 109993950A CN 201910296756 A CN201910296756 A CN 201910296756A CN 109993950 A CN109993950 A CN 109993950A
- Authority
- CN
- China
- Prior art keywords
- fire
- block
- index
- alarm
- warning equipment
- 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.)
- Granted
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
Abstract
本发明涉及一种基于消防报警设备的大数据火灾预测方法,获取一定时间段管辖区域内的消防报警设备的报警历史数据作为初始数据,将管辖区域根据人口数量分为若干区块,计算任一区块在未来时间段内的报警相关性指数及任一区块的消防投入指数,得到火灾指数,若火灾指数大于阈值则报警,进行人工排查,否则,计时并重复监测。本发明是面向区域环境的消防安全方法,基于大数据分析管辖区域内各个街道小区等在未来一定时间内发生火灾的可能性大小,做到重点防护,一旦发现问题可以给管理者提供消防安全程度的直观认识,辅助消防整改。本发明不断拟合、不断自适应,期间对于区块的分割亦可以依据需求实时变更,符合当前消防治理作业的需求。
Description
技术领域
本发明涉及电数字数据处理的技术领域,特别涉及一种基于消防报警设备的大数据火灾预测方法。
背景技术
随着社会的发展、人口的密集化程度进一步提高,消防安全系统对于火灾发生区域以及时间的预测对预防火灾起到非常关键的作用。
消防安全系统包括了“防”和“治”。现有的消防报警系统主要起到了“治”的作用,其由触发装置、火灾报警装置、联动输出装置以及具有其它辅助功能装置组成的,具有能在火灾初期将燃烧产生的烟雾、热量、火焰等物理量通过火灾探测器变成电信号,传输到火灾报警控制器,并同时显示出火灾发生的部位、时间等,使人们能够及时发现火灾,并及时采取有效措施进行扑救,最大限度减少因火灾造成的生命和财产的损失,是人们同火灾做斗争的有力工具。
现下人们越来越将关注点转移到“防”上,希望基于现有的火灾数据对未来的火灾隐患进行预测、并给出警示,这将是社会发展的必然结果,如果消防报警系统没有“防”,则不管“治”的部分如何到位,总会有人身财产的损失,为社会带来资源损耗。
发明内容
本发明解决了现有技术中,现有的消防报警系统主要起到了“治”的作用,对于“防”的部分存在缺失而导致无可避免的人身财产损失、为社会带来资源损耗的问题,提供了一种优化的基于消防报警设备的大数据火灾预测方法。
本发明所采用的技术方案是,一种基于消防报警设备的大数据火灾预测方法,所述方法包括以下步骤:
步骤1:获取一定时间段T1间管辖区域内的消防报警设备的报警历史数据;
步骤2:将管辖区域根据人口数量分为若干区块;
步骤3:计算任一区块的在未来时间段T2内的报警相关性指数A;
步骤4:计算任一区块的消防投入指数B;
步骤5:基于报警相关性指数A和消防投入指数B得到火灾指数C,若火灾指数大于阈值H则报警,进行人工排查,否则,计时T1,返回步骤1。
优选地,所述步骤2中,任一区块内的人口数量小于等于10000人。
所述步骤3包括以下步骤:
步骤3.1:抽取T1时间内,任一区块的消防报警设备的报警历史数据中的报警次数数据;
步骤3.2:以天为单位,将报警次数数据组成数据序列X(t),其中,t为正整数且1≤t≤N;
步骤3.3:计算累积离差y(t),其中,x(t)为数据序列X(t)中的报警次数值,
步骤3.4:对于每个区块,用最小二乘法拟合数据,得到局部趋势yn(t);
步骤3.5:基于去趋势波动分析法,计算得到报警相关性指数A,
优选地,所述步骤4中,任一区块的消防投入指数B=(Ezone/Etotal)*M,其中,Ezone为当前区块的投入,Etotal为针对管辖区域的总投入,M为管辖区域中区块的数量。
优选地,所述步骤5中,得到火灾指数C包括以下步骤:
步骤5.1:抽取上一年内任一区块的消防报警设备的报警历史数据中的报警次数数据;
步骤5.2:计算当前区块上一年内报警次数的天平均值
步骤5.3:火灾指数
优选地,将步骤2中的若干区块根据人口密度自大而小进行排序并划分为P个分区,针对每个分区附权值pk,pk值自人口密度大的分区至人口密度小的分区减小,1≤k≤P,
优选地,火灾指数
本发明提供了一种优化的基于消防报警设备的大数据火灾预测方法,通过获取一定时间段管辖区域内的消防报警设备的报警历史数据作为初始数据,将管辖区域根据人口数量分为若干区块,计算任一区块的在未来时间段T2内的报警相关性指数A及任一区块的消防投入指数B,得到火灾指数C,若火灾指数大于阈值H则报警,进行人工排查,否则,计时T1并重复监测。
本发明是一种面向区域环境的消防安全方法,基于大数据分析管辖区域内各个街道小区等在未来一定时间内发生火灾的可能性大小,可以做到重点防护,一旦发现问题需要及时整改,可以给管理者提供消防安全程度的直观认识,辅助消防整改。本发明的方法是一种不断拟合、不断自适应的过程,期间对于区块的分割亦可以依据需求实时变更,更为符合当前消防治理作业的需求。
具体实施方式
下面结合实施例对本发明做进一步的详细描述,但本发明的保护范围并不限于此。
本发明涉及一种基于消防报警设备的大数据火灾预测方法,所述方法包括以下步骤。
步骤1:获取一定时间段T1间管辖区域内的消防报警设备的报警历史数据。
本发明中,以天为单位计算报警次数,一般情况下,可以将三年的历史报警次数组成一个天数据序列x(t),其中,t为1到N的整数,N为三年的总天数,然后可以应用去趋势波动分析法(Detrended Fluctuation Analysis,DFA)分析序列x(t),的长程相关性,得到区块报警次数的变化趋势以及规律性,基于此曲线可以计算出该区块未来一段时间内报警相关性指数A。
步骤2:将管辖区域根据人口数量分为若干区块。
所述步骤2中,任一区块内的人口数量小于等于10000人。
本发明中,按照人口数量分割区块是一种常用的操作手段,任一区块内的人口数量限定亦可以依据需求由本领域技术人员自行设置。
本发明中,在实际的作业中,还可以选择以人口密度来划分区块,正常来说,在人口密集程度高的区域应当置入更多的区域消防投入,并获得相应的收益,即报警次数达到平均或平均以下。
步骤3:计算任一区块的在未来时间段T2内的报警相关性指数A。
所述步骤3包括以下步骤:
步骤3.1:抽取T1时间内,任一区块的消防报警设备的报警历史数据中的报警次数数据;
步骤3.2:以天为单位,将报警次数数据组成数据序列X(t),其中,t为正整数且1≤t≤N;
步骤3.3:计算累积离差y(t),其中,x(t)为数据序列X(t)中的报警次数值,
步骤3.4:对于每个区块,用最小二乘法拟合数据,得到局部趋势yn(t);
步骤3.5:基于去趋势波动分析法,计算得到报警相关性指数A,
本发明中,报警相关性指数A指示了任一区块未来一段时间内的报警相关性。
本发明中,累积离差是指在T1时间内,任一区块的报警次数数据报警指数A不完全是一个随机过程,过去序列的特性将影响到现在和未来序列特性的变化存在着记忆效应,即未来变化趋势与其历史变化趋势成正相关,指数越大,这种正相关越强。
本发明中,采用最小二乘法拟合数据得到局部趋势yn(t)为本领域常规技术手段,是本领域技术人员容易理解的内容。
步骤4:计算任一区块的消防投入指数B。
所述步骤4中,任一区块的消防投入指数B=(Ezone/Etotal)*M,其中,Ezone为当前区块的投入,Etotal为针对管辖区域的总投入,M为管辖区域中区块的数量。
本发明中,任一区块的消防投入指数包括人力以及智能化系统的投入,其代表了消防预警能力及报警处理速度。
步骤5:基于报警相关性指数A和消防投入指数B得到火灾指数C,若火灾指数大于阈值H则报警,进行人工排查,否则,计时T1,返回步骤1。
所述步骤5中,得到火灾指数C包括以下步骤:
步骤5.1:抽取上一年内任一区块的消防报警设备的报警历史数据中的报警次数数据;
步骤5.2:计算当前区块上一年内报警次数的天平均值
步骤5.3:火灾指数
将步骤2中的若干区块根据人口密度自大而小进行排序并划分为P个分区,针对每个分区附权值pk,pk值自人口密度大的分区至人口密度小的分区减小,1≤k≤P,
火灾指数
本发明中,火灾指数表征了报警相关性、实际报警量与区域投入的关系。
本发明中,事实上,当采用以人口数量进行区域划分,无可避免会遇到相同的人口数量可能落于不同面积的地块,比如相同的人口数量,计算街面的面积将远超于建筑物的面积,故可以基于密度进行调整;将区块根据人口密度自大而小进行排序并划分为P个分区,针对每个分区附权值pk,pk值自人口密度大的分区至人口密度小的分区减小,1≤k≤P,根据pk值更新火灾指数C。
本发明通过获取一定时间段管辖区域内的消防报警设备的报警历史数据作为初始数据,将管辖区域根据人口数量分为若干区块,计算任一区块的在未来时间段T2内的报警相关性指数A及任一区块的消防投入指数B,得到火灾指数C,若火灾指数大于阈值H则报警,进行人工排查,否则,计时T1并重复监测。本发明是一种面向区域环境的消防安全方法,基于大数据分析管辖区域内各个街道小区等在未来一定时间内发生火灾的可能性大小,可以做到重点防护,一旦发现问题需要及时整改,可以给管理者提供消防安全程度的直观认识,辅助消防整改。本发明的方法是一种不断拟合、不断自适应的过程,期间对于区块的分割亦可以依据需求实时变更,更为符合当前消防治理作业的需求。
Claims (7)
1.一种基于消防报警设备的大数据火灾预测方法,其特征在于:所述方法包括以下步骤:
步骤1:获取一定时间段T1间管辖区域内的消防报警设备的报警历史数据;
步骤2:将管辖区域根据人口数量分为若干区块;
步骤3:计算任一区块的在未来时间段T2内的报警相关性指数A;
步骤4:计算任一区块的消防投入指数B;
步骤5:基于报警相关性指数A和消防投入指数B得到火灾指数C,若火灾指数大于阈值H则报警,进行人工排查,否则,计时T1,返回步骤1。
2.根据权利要求1所述的一种基于消防报警设备的大数据火灾预测方法,其特征在于:所述步骤2中,任一区块内的人口数量小于等于10000人。
3.根据权利要求1所述的一种基于消防报警设备的大数据火灾预测方法,其特征在于:所述步骤3包括以下步骤:
步骤3.1:抽取T1时间内,任一区块的消防报警设备的报警历史数据中的报警次数数据;
步骤3.2:以天为单位,将报警次数数据组成数据序列X(t),其中,t为正整数且1≤t≤N;
步骤3.3:计算累积离差其中,x(t)为数据序列X(t)中的报警次数值,
步骤3.4:对于每个区块,用最小二乘法拟合数据,得到局部趋势yn(t);
步骤3.5:基于去趋势波动分析法,计算得到报警相关性指数A,
4.根据权利要求1所述的一种基于消防报警设备的大数据火灾预测方法,其特征在于:所述步骤4中,任一区块的消防投入指数B=(Ezone/Etotal)*M,其中,Ezone为当前区块的投入,Etotal为针对管辖区域的总投入,M为管辖区域中区块的数量。
5.根据权利要求1所述的一种基于消防报警设备的大数据火灾预测方法,其特征在于:所述步骤5中,得到火灾指数C包括以下步骤:
步骤5.1:抽取上一年内任一区块的消防报警设备的报警历史数据中的报警次数数据;
步骤5.2:计算当前区块上一年内报警次数的天平均值
步骤5.3:火灾指数
6.根据权利要求5所述的一种基于消防报警设备的大数据火灾预测方法,其特征在于:将步骤2中的若干区块根据人口密度自大而小进行排序并划分为P个分区,针对每个分区附权值pk,pk值自人口密度大的分区至人口密度小的分区减小,1≤k≤P,
7.根据权利要求6所述的一种基于消防报警设备的大数据火灾预测方法,其特征在于:火灾指数
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910296756.8A CN109993950B (zh) | 2019-04-14 | 2019-04-14 | 一种基于消防报警设备的大数据火灾预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910296756.8A CN109993950B (zh) | 2019-04-14 | 2019-04-14 | 一种基于消防报警设备的大数据火灾预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993950A true CN109993950A (zh) | 2019-07-09 |
CN109993950B CN109993950B (zh) | 2022-02-18 |
Family
ID=67133541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910296756.8A Active CN109993950B (zh) | 2019-04-14 | 2019-04-14 | 一种基于消防报警设备的大数据火灾预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993950B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112389444A (zh) * | 2020-10-16 | 2021-02-23 | 爱驰汽车(上海)有限公司 | 基于驾驶员心率检测的车辆预警方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101972535A (zh) * | 2010-02-09 | 2011-02-16 | 丁增辉 | 模拟神经网络的综合消防系统和方法 |
WO2015002556A2 (en) * | 2014-10-30 | 2015-01-08 | Instytut Technik Innowacy Jnych Emag | A method and system for detecting and reducing methane hazard in vicinity of a longwall |
CN106875613A (zh) * | 2016-12-23 | 2017-06-20 | 北京富邦智慧物联科技有限公司 | 一种火警态势分析方法 |
TW201820284A (zh) * | 2016-11-22 | 2018-06-01 | 頂石雲端股份有限公司 | 動態預警消防裝置 |
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 |
CN109448316A (zh) * | 2018-12-23 | 2019-03-08 | 广东腾晟信息科技有限公司 | 一种人群密度识别的设备及报警系统 |
-
2019
- 2019-04-14 CN CN201910296756.8A patent/CN109993950B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101972535A (zh) * | 2010-02-09 | 2011-02-16 | 丁增辉 | 模拟神经网络的综合消防系统和方法 |
WO2015002556A2 (en) * | 2014-10-30 | 2015-01-08 | Instytut Technik Innowacy Jnych Emag | A method and system for detecting and reducing methane hazard in vicinity of a longwall |
TW201820284A (zh) * | 2016-11-22 | 2018-06-01 | 頂石雲端股份有限公司 | 動態預警消防裝置 |
CN106875613A (zh) * | 2016-12-23 | 2017-06-20 | 北京富邦智慧物联科技有限公司 | 一种火警态势分析方法 |
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 |
CN109448316A (zh) * | 2018-12-23 | 2019-03-08 | 广东腾晟信息科技有限公司 | 一种人群密度识别的设备及报警系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112389444A (zh) * | 2020-10-16 | 2021-02-23 | 爱驰汽车(上海)有限公司 | 基于驾驶员心率检测的车辆预警方法及装置 |
CN112389444B (zh) * | 2020-10-16 | 2022-04-12 | 爱驰汽车(上海)有限公司 | 基于驾驶员心率检测的车辆预警方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109993950B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104486141B (zh) | 一种误报自适应的网络安全态势预测方法 | |
CN105208040B (zh) | 一种网络攻击检测方法及装置 | |
CN111669375B (zh) | 一种电力工控终端在线安全态势评估方法及系统 | |
CN101571982B (zh) | 一种判断视频监控范围内物品失窃的方法 | |
CN101668012B (zh) | 安全事件检测方法及装置 | |
WO2011112469A3 (en) | Behavior-based security system | |
DE60334368D1 (de) | Verfahren und system zur verringerung der falschalarmrate von netzwerk-eindringdetektionssystemen | |
KR20070095718A (ko) | 유형별 트래픽 특성 분류를 통한 인터넷 웜 트래픽 탐지시스템 및 방법 | |
CN109391599A (zh) | 一种基于https流量特征分析的僵尸网络通讯信号的检测系统 | |
CN109344617A (zh) | 一种物联网资产安全画像方法与系统 | |
CN108848072A (zh) | 一种基于相对熵的车载can总线异常检测方法 | |
CN108388233B (zh) | 一种工控现场设备隐蔽攻击检测方法 | |
CN109993950A (zh) | 一种基于消防报警设备的大数据火灾预测方法 | |
CN109241989A (zh) | 一种基于时空相似度匹配的智能变电站入侵场景还原的方法及系统 | |
CN102281163A (zh) | 一种网络入侵检测报警的方法 | |
CN105187437A (zh) | 一种sdn网络拒绝服务攻击的集中式检测系统 | |
CN110224852A (zh) | 基于htm算法的网络安全监测方法及装置 | |
CN106600076A (zh) | 一种转塔式rto废气处理设备的监控数据分析与预警方法 | |
CN109190375A (zh) | 分析恶意程序传播规律的方程组及恶意程序扩散预测方法 | |
CN103546319A (zh) | 网络设备的流量告警方法和系统 | |
CN114726887A (zh) | 基于物联网的防护服后台数据采集报警系统 | |
CN106066964B (zh) | 一种基于多级评价指标的网络攻击方案的评价方法 | |
CN109981358A (zh) | 一种基于组合模型的自适应网络性能预警方法 | |
CN107493259A (zh) | 一种网络安全控制系统 | |
Čisar et al. | EWMA based threshold algorithm for intrusion detection |
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 |