CN110163251A - 一种火灾危险等级的优化识别方法、装置及终端设备 - Google Patents
一种火灾危险等级的优化识别方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110163251A CN110163251A CN201910300479.3A CN201910300479A CN110163251A CN 110163251 A CN110163251 A CN 110163251A CN 201910300479 A CN201910300479 A CN 201910300479A CN 110163251 A CN110163251 A CN 110163251A
- Authority
- CN
- China
- Prior art keywords
- fire
- sample data
- training sample
- history
- training
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
Abstract
本发明适用于安全预警技术领域,提供了一种火灾危险等级的优化识别方法、装置及终端设备,方法包括:获取历史训练样本数据,以建立训练样本数据库,基于训练样本数据库训练决策树分类器,获取训练后的决策树分类器,其中,决策树分类器为基于支持向量机的决策树分类器;获取待分类样本数据,将待分类样本数据输入训练后的决策树分类器,以获取分类结果,根据分类结果获取待分类样本数据对应的火灾危险等级。本发明通过历史训练样本数据对决策树分类器进行训练,以获取训练后的优化决策树分类器,并对待分类样本数据进行分类,以获取对应的火灾危险结果,提高了对安全隐患进行优化识别的效率,提升了对火灾的防范速率。
Description
技术领域
本发明属于安全预警技术领域,尤其涉及一种火灾危险等级的优化识别方法、装置及终端设备。
背景技术
随着科技的发展,火灾防范的重要性愈加被广大人民重视。
现有的被监控场所的消防预警模型,主要基于信息化系统中两大业务:物联监控记录和监控单位检查记录。
然而,上述方法对于安全隐患的识别效率较低,未能达到用户预期的消防预警效果。
发明内容
有鉴于此,本发明实施例提供了一种火灾危险等级的优化识别方法、装置及终端设备,以解决现有技术中存在的问题。
本发明实施例的第一方面提供了一种火灾危险等级的优化识别方法,包括:
获取历史训练样本数据,以建立训练样本数据库;
基于所述训练样本数据库训练决策树分类器,获取训练后的决策树分类器;其中,所述决策树分类器为基于支持向量机的决策树分类器;
获取待分类样本数据,将所述待分类样本数据输入所述训练后的决策树分类器,以获取分类结果;
根据所述分类结果获取所述待分类样本数据对应的火灾危险等级。
可选的,所述获取历史训练样本数据,以建立训练样本数据库,包括:
获取历史训练样本数据;其中,所述历史训练样本数据包括消防检查表分值、所述消防检查表中的不合格项隐患级别、传统预判等级、消防设备异常率和历史火灾事件的危害等级;所述不合格项隐患级别包括严重级别、一般级别或轻微级别;所述传统预判等级包括红色预警、橙色预警或绿色预警;所述历史火灾事件的危害等级包括轻微火灾、一般火灾或严重火灾;
将所述历史训练样本数据中的非数值项根据预设规则转换为数值,建立所述训练样本数据库。
可选的,所述预设规则,包括:
将所述消防检查表分值和所述不合格项隐患级别合并;
将所述消防检查表分值小于第一分值预设阈值的历史训练样本数据与不合格项隐患级别为严重级别的历史训练样本数据合并;
将所述消防检查表分值大于等于所述第一分值预设阈值且小于第二分值预设阈值的历史训练样本数据,以及不合格项隐患级别为一般级别的历史训练样本数据合并;
将所述消防检查表分值大于等于所述第二分值预设阈值的历史训练样本数据与不合格项隐患级别为轻微级别的历史训练样本数据合并;
将所述消防检查表分值小于所述第一分值预设阈值的历史训练样本数据,或所述消防检查表分值大于等于第一分值预设阈值且小于所述第二分值预设阈值的红色及消防设备异常率大于第一异常预设阈值的历史训练样本数据,标记为红色预警;其中,所述红色预警的火灾危害等级数值为1;
将所述消防检查表分值大于等于第一分值预设阈值且小于第二分值预设阈值的历史训练样本数据,或所述消防检查表大于等于所述第二分值预设阈值且所述消防设备异常率大于第一异常预设阈值的历史训练样本数据,标记为橙色预警;其中,所述橙色预警的火灾危害等级数值为2;
将所述消防检查表分值大于等于所述第二分值预设阈值的历史训练样本数据,标记为绿色预警;其中,所述绿色预警的火灾危害数值为3。
可选的,基于所述训练样本数据库训练决策树分类器,获取训练后的决策树分类器,包括:
基于所述训练样本数据库,采用第一预设方法训练所述决策树分类器,获取训练后的决策树分类器;其中,第一预设方法为欠采样方法和集成学习算法。
可选的,基于所述训练样本数据库,采用第一预设方法训练所述决策树分类器,获取训练后的决策树分类器,包括:
通过欠采样方法对所述历史训练样本数据进行预处理,获取预处理历史训练样本数据;
基于所述预处理历史训练样本数据,采用集成学习算法对所述决策树分类器进行训练,获取训练后的决策树分类器。
本发明实施例的第二方面提供了一种火灾危险等级的优化识别装置,包括:
建立模块,用于获取历史训练样本数据,以建立训练样本数据库;
训练模块,用于基于所述训练样本数据库训练决策树分类器,获取训练后的决策树分类器;其中,所述决策树分类器为基于支持向量机的决策树分类器;
输入模块,用于获取待分类样本数据,将所述待分类样本数据输入所述训练后的决策树分类器,以获取分类结果;
获取模块,用于根据所述分类结果获取所述待分类样本数据对应的火灾危险等级。
本发明实施例的第三方面提供了一种终端设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述方法的步骤。
本发明实施例通过历史训练样本数据对决策树分类器进行训练,以获取训练后的优化决策树分类器,并对待分类样本数据进行分类,以获取对应的火灾危险结果,提高了对安全隐患进行优化识别的效率,提升了对火灾的防范速率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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是本发明实施例一提供的火灾危险等级的优化识别方法的流程示意图;
图2是本发明实施例二提供的火灾危险等级的优化识别方法的流程示意图;
图3和图4是本发明实施例二提供的历史训练样本数据的数据转换过程示意图;
图5是本发明实施例三提供的火灾危险等级的优化识别方法的流程示意图;
图6是本发明实施例四提供的火灾危险等级的优化识别装置的结构示意图;
图7是本发明实施例五提供的终端设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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地描述,显然,所描述的实施例是本发明一部分的实施例,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,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,术语“第一”、“第二”和“第三”等是用于区别不同对象,而非用于描述特定顺序。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
如图1所示,本实施例提供一种火灾危险等级的优化识别方法,该方法可以应用于如PC、平板电脑、监控管理中心设备等终端设备。本实施例所提供的火灾危险等级的优化识别方法,包括:
S101、获取历史训练样本数据,以建立训练样本数据库。
在具体应用中,获取历史实际发生的火灾统计数据作为历史训练样本数据,将历史实际发生的火灾情况作为输入变量,火灾的危害等级作为输出变量,并根据上述变量建立训练样本数据库。
S102、基于所述训练样本数据库训练决策树分类器,获取训练后的决策树分类器;其中,所述决策树分类器为基于支持向量机的决策树分类器。
在具体应用中,基于上述训练样本数据库训练决策树分类器,以使训练后的决策树分类器能够对输入的待分类样本数据进行分类,输出对应的分类结果(即对火灾危险等级进行分类)。其中,决策树分类器包括但不限于基于支持向量机(Support VectorMachine,SVM)的决策树分类器。
S103、获取待分类样本数据,将所述待分类样本数据输入所述训练后的决策树分类器,以获取分类结果。
在具体应用中,获取被监管的建筑物或场所的安全隐患数据,作为待分类样本数据输入训练后的决策树分类器,获取输出的分类结果。
S104、根据所述分类结果获取所述待分类样本数据对应的火灾危险等级。
在具体应用中,根据训练后的决策树分类器输出的分类结果,获取待分类样本数据对应的火灾危险等级。例如,若输出的分类结果为1,则对应的火灾危险等级为严重火灾。
本实施例通过历史训练样本数据对决策树分类器进行训练,以获取训练后的优化决策树分类器,并对待分类样本数据进行分类,以获取对应的火灾危险结果,提高了对安全隐患进行优化识别的效率,提升了对火灾的防范速率。
实施例二
如图2所示,本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中,步骤S101,包括:
S1011、获取历史训练样本数据;其中,所述历史训练样本数据包括消防检查表分值、所述消防检查表中的不合格项隐患级别、传统预判等级、消防设备异常率和历史火灾事件的危害等级;所述不合格项隐患级别包括严重级别、一般级别或轻微级别;所述传统预判等级包括红色预警、橙色预警或绿色预警;所述历史火灾事件的危害等级包括轻微火灾、一般火灾或严重火灾。
在具体应用中,获取历史训练样本数据,其中,历史训练样本数据包括但不限于消防检查表分值、消防检查表中的不合格项隐患级别、传统预判等级、消防设备异常率和历史火灾事件的危害等级;不合格项隐患级别包括但不限于严重级别、一般级别或轻微级别;传统预判等级包括但不限于红色预警、橙色预警或绿色预警;历史火灾事件的危害等级包括但不限于轻微火灾、一般火灾或严重火灾。
S1012、将所述历史训练样本数据中的非数值项根据预设规则转换为数值,建立所述训练样本数据库。
在具体应用中,根据预设规则将历史训练样本数据中的非数值项中的数据转换为数值,建立训练样本数据库。例如,将不合格项隐患级别为一般级别的历史训练样本数据,转换为大于等于第一分值预设阈值且小于第二分值预设阈值的消防检查表分值。
在一个实施例中,所述预设规则,包括:
将所述消防检查表分值和所述不合格项隐患级别合并;
将所述消防检查表分值小于第一分值预设阈值的历史训练样本数据与不合格项隐患级别为严重级别的历史训练样本数据合并;
将所述消防检查表分值大于等于所述第一分值预设阈值且小于第二分值预设阈值的历史训练样本数据,以及不合格项隐患级别为一般级别的历史训练样本数据合并;
将所述消防检查表分值大于等于所述第二分值预设阈值的历史训练样本数据与不合格项隐患级别为轻微级别的历史训练样本数据合并;
将所述消防检查表分值小于所述第一分值预设阈值的历史训练样本数据,或所述消防检查表分值大于等于第一分值预设阈值且小于所述第二分值预设阈值及消防设备异常率大于第一异常预设阈值的历史训练样本数据,标记为红色预警;其中,所述红色预警的火灾危害等级数值为1;
将所述消防检查表分值大于等于第一分值预设阈值且小于第二分值预设阈值的历史训练样本数据,或所述消防检查表大于等于所述第二分值预设阈值且所述消防设备异常率大于第一异常预设阈值的历史训练样本数据,标记为橙色预警;其中,所述橙色预警的火灾危害等级数值为2;
将所述消防检查表分值大于等于所述第二分值预设阈值的历史训练样本数据,标记为绿色预警;其中,所述绿色预警的火灾危害数值为3。
在具体应用中,第一分值预设阈值、第二分值预设阈值或第一异常预设阈值可根据实际情况进行具体设定。例如,设定第一分值预设阈值为70,第二分值预设阈值为90,第一异常预设阈值为15%;若某一历史训练样本数据的消防检查表分值为73,不合格项隐患级别为严重级别,消防设备异常率为16%,则将上述消防检查表分值与不合格项隐患级别两项合并为73分,并标记该历史训练样本数据为(火灾危害级别数值为1的)红色预警,即该历史训练样本数据实际造成严重的火灾危害;若某一历史训练样本数据的消防检查表分值为88,不合格项隐患级别为一般级别,则将上述二者合并为88分,标记该历史训练样本数据为(火灾危害级别数值为2的)橙色预警,即该历史训练样本数据实际造成一般的火灾危害;若某一历史训练样本数据的消防检查表分值为90,不合格项隐患级别为一般级别,则将上述二者合并为90分,消防设备异常率为18%,标记该历史训练样本数据为(火灾危害级别数值为2的)橙色预警,即该历史训练样本数据实际造成一般的火灾危害。或者,也可以根据多个不合格项的隐患等级计算消防检查表分值,例如,可以将隐患等级按照预设的标准转换为隐患评分,然后根据各个不合格项的权重对隐患评分求加权和,得到消防检查表分值。
如图3和图4所示,示例性的示出了一种历史训练样本数据的数据转换过程。
本实施例通过对历史样本数据进行数据转换,将非数值项的内容转换为数值,提升了模型对历史样本数据进行分类的效率,进一步优化了决策树分类器。
实施例三
如图5所示,本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中,步骤S102,包括:
S1021、基于所述训练样本数据库,采用第一预设方法训练所述决策树分类器,获取训练后的决策树分类器;其中,第一预设方法为欠采样方法和集成学习算法。
在具体应用中,基于训练样本数据库,通过欠采样方法对历史训练样本数据进行预处理,获取预处理历史训练样本数据,以解决历史训练样本数据库中的数据不均衡的问题,基于预处理历史训练样本数据,采用集成学习算法对决策树分类器进行训练,获取训练后的决策树分类器,实现对待分类样本数据的分类;其中,第一预设方法包括但不限于欠采样方法和集成学习算法。在一个实施例中,集成学习算法可以为Bagging算法;Bagging是一种集成学习算法,基本思想为在给定基分类器学习算法和训练集的基础上,首先对原训练集样本进行有放回随机抽取获得多个训练样本子集,构建多个基分类器,然后测试集中的样本利用多个基分类器进行预测,得到多个预测结果,最后再集成分类器中通过投票的方式得到该测试样本的最终预测结果。
在一个实施例中,步骤S1021,包括:
通过欠采样方法对所述历史训练样本数据进行预处理,获取预处理历史训练样本数据;
基于所述预处理历史训练样本数据,采用集成学习算法对所述决策树分类器进行训练,获取训练后的决策树分类器。
本实施例通过欠采样方法对历史训练样本数据进行预处理,可以解决历史训练样本数据库中的数据不均衡的问题,采用集成学习算法对决策树分类器进行训练,获取训练后的决策树分类器,实现了对待分类样本数据的有效分类。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例四
如图6所示,本实施例提供一种火灾危险等级的优化识别装置100,用于执行实施例一中的方法步骤。本实施例提供的火灾危险等级的优化识别装置100,包括:
建立模块101,用于获取历史训练样本数据,以建立训练样本数据库;
训练模块102,用于基于所述训练样本数据库训练决策树分类器,获取训练后的决策树分类器;其中,所述决策树分类器为基于支持向量机的决策树分类器;
输入模块103,用于获取待分类样本数据,将所述待分类样本数据输入所述训练后的决策树分类器,以获取分类结果;
获取模块104,用于根据所述分类结果获取所述待分类样本数据对应的火灾危险等级。
在一个实施例中,所述建立模块101,包括:
获取单元,用于获取历史训练样本数据;其中,所述历史训练样本数据包括消防检查表分值、所述消防检查表中的不合格项隐患级别、传统预判等级、消防设备异常率和历史火灾事件的危害等级;所述不合格项隐患级别包括严重级别、一般级别或轻微级别;所述传统预判等级包括红色预警、橙色预警或绿色预警;所述历史火灾事件的危害等级包括轻微火灾、一般火灾或严重火灾;
转换单元,用于将所述历史训练样本数据中的非数值项根据预设规则转换为数值,建立所述训练样本数据库。
在一个实施例中,所述训练模块102,包括:
训练单元1021,用于基于所述训练样本数据库,采用第一预设方法训练所述决策树分类器,获取训练后的决策树分类器;其中,第一预设方法为欠采样方法和集成学习算法。
在一个实施例中,所述训练单元1021,包括:
预处理子单元,用于通过欠采样方法对所述历史训练样本数据进行预处理,获取预处理历史训练样本数据;
训练子单元,用于基于所述预处理历史训练样本数据,采用集成学习算法对所述决策树分类器进行训练,获取训练后的决策树分类器。
在一个实施例中,所述预设规则,包括:
将所述消防检查表分值和所述不合格项隐患级别合并;
将所述消防检查表分值小于第一分值预设阈值的历史训练样本数据与不合格项隐患级别为严重级别的历史训练样本数据合并;
将所述消防检查表分值大于等于所述第一分值预设阈值且小于第二分值预设阈值的历史训练样本数据,以及不合格项隐患级别为一般级别的历史训练样本数据合并;
将所述消防检查表分值大于等于所述第二分值预设阈值的历史训练样本数据与不合格项隐患级别为轻微级别的历史训练样本数据合并;
将所述消防检查表分值小于所述第一分值预设阈值的历史训练样本数据,或所述消防检查表分值大于等于第一分值预设阈值且小于所述第二分值预设阈值的红色及消防设备异常率大于第一异常预设阈值的历史训练样本数据,标记为红色预警;其中,所述红色预警的火灾危害等级数值为1;
将所述消防检查表分值大于等于第一分值预设阈值且小于第二分值预设阈值的历史训练样本数据,或所述消防检查表大于等于所述第二分值预设阈值且所述消防设备异常率大于第一异常预设阈值的历史训练样本数据,标记为橙色预警;其中,所述橙色预警的火灾危害等级数值为2;
将所述消防检查表分值大于等于所述第二分值预设阈值的历史训练样本数据,标记为绿色预警;其中,所述绿色预警的火灾危害数值为3。
本实施例通过历史训练样本数据对决策树分类器进行训练,以获取训练后的优化决策树分类器,并对待分类样本数据进行分类,以获取对应的火灾危险结果,提高了对安全隐患进行优化识别的效率,提升了对火灾的防范速率。
实施例五
图7是本实施例提供的终端设备的示意图。如图7所示,该实施例的终端设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72,例如火灾危险等级的优化识别程序。所述处理器70执行所述计算机程序72时实现上述各个火灾危险等级的优化识别方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图6所示模块101至104的功能。
示例性的,所述计算机程序72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。例如,所述计算机程序72可以被分割成建立模块、训练模块、输入模块和获取模块,各模块具体功能如下:
建立模块,用于获取历史训练样本数据,以建立训练样本数据库;
训练模块,用于基于所述训练样本数据库训练决策树分类器,获取训练后的决策树分类器;其中,所述决策树分类器为基于支持向量机的决策树分类器;
输入模块,用于获取待分类样本数据,将所述待分类样本数据输入所述训练后的决策树分类器,以获取分类结果;
获取模块,用于根据所述分类结果获取所述待分类样本数据对应的火灾危险等级。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端设备7的示例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字卡(Secure Digital,SD),闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种火灾危险等级的优化识别方法,其特征在于,包括:
获取历史训练样本数据,以建立训练样本数据库;
基于所述训练样本数据库训练决策树分类器,获取训练后的决策树分类器;其中,所述决策树分类器为基于支持向量机的决策树分类器;
获取待分类样本数据,将所述待分类样本数据输入所述训练后的决策树分类器,以获取分类结果;
根据所述分类结果获取所述待分类样本数据对应的火灾危险等级。
2.如权利要求1所述的火灾危险等级的优化识别方法,其特征在于,所述获取历史训练样本数据,以建立训练样本数据库,包括:
获取历史训练样本数据;其中,所述历史训练样本数据包括消防检查表分值、所述消防检查表中的不合格项隐患级别、传统预判等级、消防设备异常率和历史火灾事件的危害等级;所述不合格项隐患级别包括严重级别、一般级别或轻微级别;所述传统预判等级包括红色预警、橙色预警或绿色预警;所述历史火灾事件的危害等级包括轻微火灾、一般火灾或严重火灾;
将所述历史训练样本数据中的非数值项根据预设规则转换为数值,建立所述训练样本数据库。
3.如权利要求2所述的火灾危险等级的优化识别方法,其特征在于,所述预设规则,包括:
将所述消防检查表分值和所述不合格项隐患级别合并;
将所述消防检查表分值小于第一分值预设阈值的历史训练样本数据与不合格项隐患级别为严重级别的历史训练样本数据合并;
将所述消防检查表分值大于等于所述第一分值预设阈值且小于第二分值预设阈值的历史训练样本数据,以及不合格项隐患级别为一般级别的历史训练样本数据合并;
将所述消防检查表分值大于等于所述第二分值预设阈值的历史训练样本数据与不合格项隐患级别为轻微级别的历史训练样本数据合并;
将所述消防检查表分值小于所述第一分值预设阈值的历史训练样本数据,或所述消防检查表分值大于等于第一分值预设阈值且小于所述第二分值预设阈值的红色及消防设备异常率大于第一异常预设阈值的历史训练样本数据,标记为红色预警;其中,所述红色预警的火灾危害等级数值为1;
将所述消防检查表分值大于等于第一分值预设阈值且小于第二分值预设阈值的历史训练样本数据,或所述消防检查表大于等于所述第二分值预设阈值且所述消防设备异常率大于第一异常预设阈值的历史训练样本数据,标记为橙色预警;其中,所述橙色预警的火灾危害等级数值为2;
将所述消防检查表分值大于等于所述第二分值预设阈值的历史训练样本数据,标记为绿色预警;其中,所述绿色预警的火灾危害数值为3。
4.如权利要求1所述的火灾危险等级的优化识别方法,其特征在于,基于所述训练样本数据库训练决策树分类器,获取训练后的决策树分类器,包括:
基于所述训练样本数据库,采用第一预设方法训练所述决策树分类器,获取训练后的决策树分类器;其中,第一预设方法为欠采样方法和集成学习算法。
5.如权利要求4所述的火灾危险等级的优化识别方法,其特征在于,基于所述训练样本数据库,采用第一预设方法训练所述决策树分类器,获取训练后的决策树分类器,包括:
通过欠采样方法对所述历史训练样本数据进行预处理,获取预处理历史训练样本数据;
基于所述预处理历史训练样本数据,采用集成学习算法对所述决策树分类器进行训练,获取训练后的决策树分类器。
6.一种火灾危险等级的优化识别装置,其特征在于,包括:
建立模块,用于获取历史训练样本数据,以建立训练样本数据库;
训练模块,用于基于所述训练样本数据库训练决策树分类器,获取训练后的决策树分类器;其中,所述决策树分类器为基于支持向量机的决策树分类器;
输入模块,用于获取待分类样本数据,将所述待分类样本数据输入所述训练后的决策树分类器,以获取分类结果;
获取模块,用于根据所述分类结果获取所述待分类样本数据对应的火灾危险等级。
7.如权利要求6所述的火灾危险等级的优化识别装置,其特征在于,所述建立模块,包括:
获取单元,用于获取历史训练样本数据;其中,所述历史训练样本数据包括消防检查表分值、所述消防检查表中的不合格项隐患级别、传统预判等级、消防设备异常率和历史火灾事件的危害等级;所述不合格项隐患级别包括严重级别、一般级别或轻微级别;所述传统预判等级包括红色预警、橙色预警或绿色预警;所述历史火灾事件的危害等级包括轻微火灾、一般火灾或严重火灾;
转换单元,用于将所述历史训练样本数据中的非数值项根据预设规则转换为数值,建立所述训练样本数据库。
8.如权利要求6所述的火灾危险等级的优化识别装置,其特征在于,所述训练模块,包括:
训练单元,用于基于所述训练样本数据库,采用第一预设方法训练所述决策树分类器,获取训练后的决策树分类器;其中,第一预设方法为欠采样方法和集成学习算法。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300479.3A CN110163251A (zh) | 2019-04-15 | 2019-04-15 | 一种火灾危险等级的优化识别方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300479.3A CN110163251A (zh) | 2019-04-15 | 2019-04-15 | 一种火灾危险等级的优化识别方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163251A true CN110163251A (zh) | 2019-08-23 |
Family
ID=67639561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300479.3A Pending CN110163251A (zh) | 2019-04-15 | 2019-04-15 | 一种火灾危险等级的优化识别方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163251A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882806A (zh) * | 2020-06-19 | 2020-11-03 | 杭州后博科技有限公司 | 一种室内消防威胁识别方法及系统 |
CN113592022A (zh) * | 2021-08-11 | 2021-11-02 | 中国科学院空天信息创新研究院 | 一种考虑植被类型的森林火灾危险地形识别方法 |
WO2023098806A1 (zh) * | 2021-12-01 | 2023-06-08 | 上海微创医疗机器人(集团)股份有限公司 | 手术等级确定方法、装置、系统、设备及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679558A (zh) * | 2013-12-20 | 2014-03-26 | 国家电网公司 | 电动汽车充换电站火灾风险数据评估方法 |
CN105678446A (zh) * | 2015-12-31 | 2016-06-15 | 浙江图讯科技股份有限公司 | 一种用于企业安全生产风险预警的方法 |
CN106897792A (zh) * | 2017-01-10 | 2017-06-27 | 广东广业开元科技有限公司 | 一种建筑消防风险等级预测方法及系统 |
CN107085904A (zh) * | 2017-03-31 | 2017-08-22 | 上海事凡物联网科技有限公司 | 基于单分类svm的森林火险等级判定方法及系统 |
CN107657261A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种基于遥感影像的草场燃烧火点数据的判断方法 |
CN107730124A (zh) * | 2017-10-20 | 2018-02-23 | 安厦系统科技成都有限责任公司 | 一种用于企业或项目进行安全风险评估的方法 |
CN107958274A (zh) * | 2017-12-18 | 2018-04-24 | 广东广业开元科技有限公司 | 一种基于大数据分类算法的建筑消防安全指数计算方法 |
CN108764638A (zh) * | 2018-04-25 | 2018-11-06 | 深圳市中电数通智慧安全科技股份有限公司 | 一种建筑消防安全评估系统 |
CN108805398A (zh) * | 2018-04-25 | 2018-11-13 | 深圳市中电数通智慧安全科技股份有限公司 | 一种建筑消防安全评估的方法、装置及移动终端 |
CN109118095A (zh) * | 2018-08-20 | 2019-01-01 | 深圳市中电数通智慧安全科技股份有限公司 | 基于机器学习的动态火灾风险评估方法、装置及服务器 |
CN109190943A (zh) * | 2018-08-20 | 2019-01-11 | 公安部沈阳消防研究所 | 基于机器学习的动态火灾风险评估方法、装置及服务器 |
CN109389795A (zh) * | 2018-09-05 | 2019-02-26 | 深圳市中电数通智慧安全科技股份有限公司 | 动态火灾风险评估方法、装置、服务器及存储介质 |
CN109410502A (zh) * | 2018-10-09 | 2019-03-01 | 北京建筑大学 | 火灾预警方法及装置 |
CN109472421A (zh) * | 2018-11-22 | 2019-03-15 | 广东电网有限责任公司 | 一种电网山火蔓延预警方法及装置 |
-
2019
- 2019-04-15 CN CN201910300479.3A patent/CN110163251A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679558A (zh) * | 2013-12-20 | 2014-03-26 | 国家电网公司 | 电动汽车充换电站火灾风险数据评估方法 |
CN105678446A (zh) * | 2015-12-31 | 2016-06-15 | 浙江图讯科技股份有限公司 | 一种用于企业安全生产风险预警的方法 |
CN107657261A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种基于遥感影像的草场燃烧火点数据的判断方法 |
CN106897792A (zh) * | 2017-01-10 | 2017-06-27 | 广东广业开元科技有限公司 | 一种建筑消防风险等级预测方法及系统 |
CN107085904A (zh) * | 2017-03-31 | 2017-08-22 | 上海事凡物联网科技有限公司 | 基于单分类svm的森林火险等级判定方法及系统 |
CN107730124A (zh) * | 2017-10-20 | 2018-02-23 | 安厦系统科技成都有限责任公司 | 一种用于企业或项目进行安全风险评估的方法 |
CN107958274A (zh) * | 2017-12-18 | 2018-04-24 | 广东广业开元科技有限公司 | 一种基于大数据分类算法的建筑消防安全指数计算方法 |
CN108764638A (zh) * | 2018-04-25 | 2018-11-06 | 深圳市中电数通智慧安全科技股份有限公司 | 一种建筑消防安全评估系统 |
CN108805398A (zh) * | 2018-04-25 | 2018-11-13 | 深圳市中电数通智慧安全科技股份有限公司 | 一种建筑消防安全评估的方法、装置及移动终端 |
CN109118095A (zh) * | 2018-08-20 | 2019-01-01 | 深圳市中电数通智慧安全科技股份有限公司 | 基于机器学习的动态火灾风险评估方法、装置及服务器 |
CN109190943A (zh) * | 2018-08-20 | 2019-01-11 | 公安部沈阳消防研究所 | 基于机器学习的动态火灾风险评估方法、装置及服务器 |
CN109389795A (zh) * | 2018-09-05 | 2019-02-26 | 深圳市中电数通智慧安全科技股份有限公司 | 动态火灾风险评估方法、装置、服务器及存储介质 |
CN109410502A (zh) * | 2018-10-09 | 2019-03-01 | 北京建筑大学 | 火灾预警方法及装置 |
CN109472421A (zh) * | 2018-11-22 | 2019-03-15 | 广东电网有限责任公司 | 一种电网山火蔓延预警方法及装置 |
Non-Patent Citations (1)
Title |
---|
任中杰等: "基于机器学习的高层建筑火灾风险评估", 《热安全学术会议》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882806A (zh) * | 2020-06-19 | 2020-11-03 | 杭州后博科技有限公司 | 一种室内消防威胁识别方法及系统 |
CN111882806B (zh) * | 2020-06-19 | 2022-09-06 | 杭州后博科技有限公司 | 一种室内消防威胁识别方法及系统 |
CN113592022A (zh) * | 2021-08-11 | 2021-11-02 | 中国科学院空天信息创新研究院 | 一种考虑植被类型的森林火灾危险地形识别方法 |
CN113592022B (zh) * | 2021-08-11 | 2022-07-05 | 中国科学院空天信息创新研究院 | 一种考虑植被类型的森林火灾危险地形识别方法 |
WO2023098806A1 (zh) * | 2021-12-01 | 2023-06-08 | 上海微创医疗机器人(集团)股份有限公司 | 手术等级确定方法、装置、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242361A (zh) | 一种消防风险评估方法、装置及终端设备 | |
CN110163251A (zh) | 一种火灾危险等级的优化识别方法、装置及终端设备 | |
CN107402921B (zh) | 识别用户行为的事件时序数据处理方法、装置及系统 | |
CN109686036A (zh) | 一种火灾监控方法、装置及边缘计算装置 | |
CN109523412A (zh) | 智能核保方法、装置、计算机设备及计算机可读存储介质 | |
CN106101252A (zh) | 基于大数据和可信计算的信息安全风险防护系统 | |
CN106302522A (zh) | 一种基于神经网络和大数据的网络安全态势分析方法和系统 | |
CN107770797A (zh) | 一种无线网络告警管理的关联分析方法及系统 | |
CN107203866A (zh) | 订单的处理方法以及装置 | |
CN109299846A (zh) | 一种核电站设备可靠性分析方法、系统及终端设备 | |
CN107239798A (zh) | 一种面向软件缺陷个数预测的特征选择方法 | |
CN106230773A (zh) | 基于模糊矩阵层次分析法的风险评估系统 | |
CN105719045A (zh) | 留任风险确定器 | |
CN109191357A (zh) | 一种消防预警方法、装置及终端设备 | |
CN110277833A (zh) | 变电站压板状态识别的方法及终端设备 | |
CN108959368A (zh) | 一种信息监控方法、存储介质和服务器 | |
CN108492137A (zh) | 电话外呼分析控制方法、电子装置及可读存储介质 | |
CN105933316A (zh) | 网络安全级别的确定方法和装置 | |
CN109002994A (zh) | 一种电网立项管理方法及系统、计算机设备、介质 | |
Promper et al. | Anomaly detection in smart grids with imbalanced data methods | |
CN109657916A (zh) | 一种火灾风险评估方法、装置及服务器 | |
CN114638696A (zh) | 信贷风险预测模型的训练方法及系统 | |
CN109523141A (zh) | 一种消防区域布防方法、装置及终端设备 | |
CN109377436A (zh) | 一种环境精准监管方法与装置、终端设备及存储介质 | |
CN109559206A (zh) | 一种区域企业诚信评价方法、装置及终端设备 |
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: 20190823 |