CN110220554A - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN110220554A CN110220554A CN201910484554.6A CN201910484554A CN110220554A CN 110220554 A CN110220554 A CN 110220554A CN 201910484554 A CN201910484554 A CN 201910484554A CN 110220554 A CN110220554 A CN 110220554A
- Authority
- CN
- China
- Prior art keywords
- object event
- neural network
- sample
- event prediction
- groups
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了用于输出信息的方法和装置,涉及云计算领域。该方法的一具体实施方式包括:获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据;将获取到的至少两组时间序列数据输入到预先训练的目标事件预测模型中,得到目标事件预测结果,其中,目标事件预测结果用于表征当前时刻是否发生目标事件;响应于确定出得到的目标事件预测结果表征当前时刻发生目标事件,输出目标指令。该实施方式提高了对目标事件预测的准确性,从而提高了目标指令输出的准确性。
Description
技术领域
本申请实施例涉及云计算技术领域,具体涉及用于输出信息的方法和装置。
背景技术
目前,传感器越来越多的应用于生活中,例如,防盗报警系统、火灾检测系统、感应灯和汽车防撞系统等等。传感器是一种检测装置,能感受到被测量的信息,并能将感受到的信息按一定规律变换成为电信号或其他所需形式的信息输出,以满足信息的传输、处理、存储、显示、记录和控制等要求。
发明内容
本申请实施例提出了用于输出信息的方法和装置。
第一方面,本申请实施例提供了一种用于输出信息的方法,包括:获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据;将获取到的至少两组时间序列数据输入到预先训练的目标事件预测模型中,得到目标事件预测结果,其中,目标事件预测结果用于表征当前时刻是否发生目标事件;响应于确定出得到的目标事件预测结果表征当前时刻发生目标事件,输出目标指令。
在一些实施例中,目标事件预测模型是通过如下步骤训练得到的:获取样本集,其中,样本包括至少两种传感器在历史时段所采集到的至少两组历史时间序列数据,以及与至少两组历史时间序列数据对应的目标事件历史预测结果;将至少两组历史时间序列数据作为输入,将与输入的至少两组历史时间序列数据对应的目标事件历史预测结果作为输出,训练得到目标事件预测模型。
在一些实施例中,将至少两组历史时间序列数据作为输入,将与输入的至少两组历史时间序列数据对应的目标事件历史预测结果作为输出,训练得到目标事件预测模型,包括:执行以下训练步骤:将样本集中的至少一个样本的至少两组历史时间序列数据分别输入至初始神经网络中,得到至少一个样本中的每个样本对应的目标事件预测结果;将至少一个样本中的每个样本对应的目标事件预测结果与对应的目标事件历史预测结果进行比较;根据比较结果确定初始神经网络是否达到预设的优化目标;响应于确定出初始神经网络达到优化目标,将初始神经网络作为训练完成的目标事件预测模型。
在一些实施例中,将至少两组历史时间序列数据作为输入,将与输入的至少两组历史时间序列数据对应的目标事件历史预测结果作为输出,训练得到目标事件预测模型,还包括:响应于确定出初始神经网络未达到优化目标,调整初始神经网络的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始神经网络作为初始神经网络,继续执行训练步骤。
在一些实施例中,目标事件包括火灾,至少两种传感器包括烟雾传感器、一氧化碳传感器、温度传感器和湿度传感器中的至少两种;以及目标指令包括报警指令。
在一些实施例中,目标事件预测模型包括长短期记忆网络。
第二方面,本申请实施例提供了一种用于输出信息的装置,包括:获取单元,被配置成获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据;输入单元,被配置成将获取到的至少两组时间序列数据输入到预先训练的目标事件预测模型中,得到目标事件预测结果,其中,目标事件预测结果用于表征当前时刻是否发生目标事件;输出单元,被配置成响应于确定出得到的目标事件预测结果表征当前时刻发生目标事件,输出目标指令。
在一些实施例中,目标事件预测模型是通过如下步骤训练得到的:获取样本集,其中,样本包括至少两种传感器在历史时段所采集到的至少两组历史时间序列数据,以及与至少两组历史时间序列数据对应的目标事件历史预测结果;将至少两组历史时间序列数据作为输入,将与输入的至少两组历史时间序列数据对应的目标事件历史预测结果作为输出,训练得到目标事件预测模型。
在一些实施例中,目标事件预测模型是通过如下步骤训练得到的:获取样本集,其中,样本包括至少两种传感器在历史时段所采集到的至少两组历史时间序列数据,以及与至少两组历史时间序列数据对应的目标事件历史预测结果;执行以下训练步骤:将样本集中的至少一个样本的至少两组历史时间序列数据分别输入至初始神经网络中,得到至少一个样本中的每个样本对应的目标事件预测结果;将至少一个样本中的每个样本对应的目标事件预测结果与对应的目标事件历史预测结果进行比较;根据比较结果确定初始神经网络是否达到预设的优化目标;响应于确定出初始神经网络达到优化目标,将初始神经网络作为训练完成的目标事件预测模型。
在一些实施例中,目标事件预测模型是通过如下步骤训练得到的:获取样本集,其中,样本包括至少两种传感器在历史时段所采集到的至少两组历史时间序列数据,以及与至少两组历史时间序列数据对应的目标事件历史预测结果;执行以下训练步骤:将样本集中的至少一个样本的至少两组历史时间序列数据分别输入至初始神经网络中,得到至少一个样本中的每个样本对应的目标事件预测结果;将至少一个样本中的每个样本对应的目标事件预测结果与对应的目标事件历史预测结果进行比较;根据比较结果确定初始神经网络是否达到预设的优化目标;响应于确定出初始神经网络达到优化目标,将初始神经网络作为训练完成的目标事件预测模型。响应于确定出初始神经网络未达到优化目标,调整初始神经网络的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始神经网络作为初始神经网络,继续执行训练步骤。
在一些实施例中,目标事件包括火灾,至少两种传感器包括烟雾传感器、一氧化碳传感器、温度传感器和湿度传感器中的至少两种;以及目标指令包括报警指令。
在一些实施例中,目标事件预测模型包括长短期记忆网络。
本申请实施例提供的用于输出信息的方法和装置,通过首先获取至少两种传感器中的每种传感器在当前时段所采集到的时间序列数据。之后,将获取到的至少两组时间序列数据输入到预先训练的目标事件预测模型中,得到目标事件预测结果。最后,响应于确定出得到的目标事件预测结果表征当前时刻发生目标事件,输出目标指令。通过使用多个传感器进行时间序列数据的采集,之后,通过人工智能算法对目标事件是否发生进行判断,从而输出目标指令,这种方式提高了对目标事件预测的准确性,从而提高了目标指令输出的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的各个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于输出信息的方法的一个实施例的流程图;
图3是根据本申请的目标事件预测模型训练方法的一个实施例的流程图;
图4是根据本申请的用于输出信息的方法的又一个实施例的流程图;
图5是根据本申请的用于输出信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于输出信息的方法或用于输出信息的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备1011、1012,传感器1021、1022、1023、1024,网络1031、1032、1033和服务器104。网络1031用以在终端设备1011、1012和服务器104之间提供通信链路的介质。网络1032用以在终端设备1011和传感器1021、1022之间提供通信链路的介质。网络1033用以在终端设备1012和传感器1023、1024之间提供通信链路的介质。网络1031、1032、1033可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备1011可以通过网络1032与传感器1021、1022交互,以接收或发送消息等。例如,传感器1021、1022可以将采集到的时间序列数据发送给终端设备1011。终端设备1012可以通过网络1033与传感器1023、1024交互,以接收或发送消息等。例如,传感器1023、1024可以将采集到的时间序列数据发送给终端设备1012。终端设备1011、1012上可以安装有各种通讯客户端应用,例如传感器管理类应用、搜索类应用、即时通讯软件等。
终端设备1011、1012可以通过网络1031与服务器104交互,以接收或发送消息等。例如,终端设备1011、1012可以将接收到的传感器采集到的时间序列数据发送给服务器104,终端设备1011、1012也可以从服务器104中获取预先训练的目标事件预测模型。
终端设备1011、1012可以获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据;之后,可以将获取到的至少两组时间序列数据输入到预先训练的目标事件预测模型中,得到目标事件预测结果;最后,响应于确定出得到的目标事件预测结果表征当前时刻发生目标事件,可以输出目标指令。
终端设备1011、1012可以是硬件,也可以是软件。当终端设备1011、1012为硬件时,可以是支持信息交互的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、火灾报警主机等。当终端设备1011、1012为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器104可以是提供各种服务的服务器。例如,可以首先从终端设备1011、1012获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据;之后,将获取到的至少两组时间序列数据输入到预先训练的目标事件预测模型中,得到当前时刻是否发生目标事件的目标事件预测结果;最后,若目标事件预测结果表征当前时刻发生目标事件,输出目标指令。
需要说明的是,服务器104可以是硬件,也可以是软件。当服务器104为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器104为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于输出信息的方法可以由终端设备1011、1012执行,也可以由服务器104执行。
还需要说明的是,终端设备1011、1012的本地可以存储有预先训练的目标事件预测模型,终端设备1011、1012可以将获取到的至少两组时间序列数据输入到预先训练的目标事件预测模型中,得到当前时刻是否发生目标事件的目标事件预测结果。此时示例性系统架构100可以不存在网络1031和服务器104。
还需要说明的是,服务器104也可以直接从传感器中获取时间序列数据。此时示例性系统架构100可以不存在终端设备1011、1012。
应该理解,图1中的终端设备、传感器、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、传感器、网络和服务器。
继续参考图2,示出了根据本申请的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法,包括以下步骤:
步骤201,获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据。
在本实施例中,用于输出信息的方法的执行主体(例如图1所示的终端设备)可以获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据。在这里,传感器可以包括但不限于:光敏传感器、声敏传感器和压敏传感器。当前时段可以为从当前时刻之前的预设时刻起到当前时刻所形成的时间段,例如,当前时刻为九点,预设时刻为八点五十分,则当前时段为八点五十分到九点之间的时间段。时间序列数据是在不同时间上收集到的数据,这类数据是按时间顺序收集到的,用于所描述现象随时间变化的情况。这类数据反映了某一事物、现象等随时间的变化状态或程度。需要说明的是,一种传感器可以采集到一组时间序列数据,因此,传感器的种类数与时间序列数据的组数通常是相同的。
作为示例,若传感器包括压敏传感器、声敏传感器和光敏传感器,此时,压敏传感器、声敏传感器和光敏传感器可以分别采集压力信息、声音响度信息和光照强度信息。上述执行主体可以获取压敏传感器在五点五十八分到六点这个时间段内所采集到的压力值随时间变化的情况,获取声敏传感器在五点五十八分到六点这个时间段内所采集到的声音响度随时间变化的情况,以及获取光敏传感器在五点五十八分到六点这个时间段内所采集到的光照强度随时间变化的情况。
步骤202,将获取到的至少两组时间序列数据输入到预先训练的目标事件预测模型中,得到目标事件预测结果。
在本实施例中,上述执行主体可以将获取到的至少两组时间序列数据输入到预先训练的目标事件预测模型中,得到目标事件预测结果。上述目标事件预测模型可以用于表征时间序列数据与目标事件预测结果之间的对应关系。上述目标事件预测结果可以用于表征当前时刻是否发生目标事件。作为示例,目标事件可以包括有人经过,此时,目标事件预测结果可以用于表征当前时刻是否有人经过。
在这里,为了准确地预测目标事件是否发生,需要分析当前时段多个传感器的数据,以及数据的变化规律,因此该问题是一个多维度时间序列数据分类问题。循环神经网络(Recurrent Neural Network,RNN)是一类用于处理序列数据的神经网络,因此,上述目标事件预测模型可以包括循环神经网络。循环神经网络包括输入层、隐层和输出层,且在层之间的神经元之间建立了权连接。
在本实施例中,可以基于对大量至少两组时间序列数据和目标事件预测结果进行统计而生成存储有多个至少两组时间序列数据和目标事件预测结果的对应关系的对应关系表,并将该对应关系表作为目标事件预测模型。这样,上述执行主体可以将获取到的至少两组时间序列数据与该对应关系表中的多个至少两组时间序列数据依次进行比较,若该对应关系表中的一个至少两组时间序列数据与获取到的至少两组时间序列数据相同或相似,则将该对应关系表中的该至少两组时间序列数据所对应的目标事件预测结果作为获取到的至少两组时间序列数据所对应的目标事件预测结果。
作为示例,目标事件预测结果可以表征为1或0,此时,若目标事件预测结果为1,则说明当前时刻发生目标事件;若目标事件预测结果为0,则说明当前时刻未发生目标事件。目标事件预测结果也可以表征为T(True)或F(False),此时,若目标事件预测结果为T,则说明当前时刻发生目标事件;若目标事件预测结果为F,则说明当前时刻未发生目标事件。
步骤203,确定得到的目标事件预测结果是否表征当前时刻发生目标事件。
在本实施例中,上述执行主体可以确定得到的目标事件预测结果是否表征当前时刻发生目标事件。作为示例,上述执行主体可以确定得到的目标事件预测结果是否为1或者为T,若确定出得到的目标事件预测结果为1或者为T,则可以执行步骤204。
步骤204,响应于确定出得到的目标事件预测结果表征当前时刻发生目标事件,输出目标指令。
在本实施例中,若在步骤203中确定出得到的目标事件预测结果表征当前时刻发生目标事件,则上述执行主体可以输出目标指令。上述目标指令通常与目标事件相关联。作为示例,若目标事件为有人经过,则目标指令可以为打开照明装置的指令。
在本实施例的一些可选的实现方式中,上述目标事件预测模型可以是上述执行主体或者其他用于训练上述目标事件预测模型的执行主体通过以下方式训练得到:
步骤S1,可以获取样本集,其中,样本可以包括上述至少两种传感器在历史时段所采集到的至少两组历史时间序列数据,以及与至少两组历史时间序列数据对应的目标事件历史预测结果。需要说明的是,在应用的过程中,若输入上述目标事件预测模型中的至少两组时间序列数据来源于A种传感器和B种传感器,则在训练上述目标事件预测模型的过程中需要来源于A种传感器和B种传感器的历史时间序列数据作为输入数据。
步骤S2,可以将上述至少两组历史时间序列数据作为输入,将与输入的至少两组历史时间序列数据对应的目标事件历史预测结果作为输出,训练得到上述目标事件预测模型。上述执行主体或者其他用于训练上述目标事件预测模型的执行主体训练的可以是初始化神经网络,初始化神经网络可以是未经训练的神经网络或未训练完成的神经网络,初始化的神经网络的各层可以设置有初始参数,参数在神经网络的训练过程中可以被不断地调整。初始化神经网络可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型,例如,初始化神经网络可以是未经训练的卷积神经网络,也可以是未经训练的循环神经网络,还可以是对未经训练的卷积神经网络和未经训练的循环神经网络进行组合所得到的模型。这样,可以将获取到的至少两组时间序列数据从目标事件预测模型的输入侧输入,依次经过目标事件预测模型中的各层的参数的处理,并从目标事件预测模型的输出侧输出,输出侧输出的信息即为获取到的至少两组时间序列数据对应的目标事件预测结果。
本申请的上述实施例提供的方法通过使用多个传感器进行时间序列数据的采集,之后,通过人工智能算法对目标事件是否发生进行判断,从而输出目标指令,这种方式提高了对目标事件预测的准确性,从而提高了目标指令输出的准确性。
进一步参考图3,其示出了根据本申请的目标事件预测模型训练方法的一个实施例的流程300。该目标事件预测模型训练方法的流程300,包括以下步骤:
步骤301,获取样本集。
在本实施例中,目标事件预测模型训练方法运行于其上的电子设备(例如图1所示的服务器104)可以获取样本集。其中,上述样本集中的样本包括上述至少两种传感器在历史时段所采集到的至少两组历史时间序列数据,以及与至少两组历史时间序列数据对应的目标事件历史预测结果。需要说明的是,在应用的过程中,若输入上述目标事件预测模型中的至少两组时间序列数据来源于A种传感器和B种传感器,则在训练上述目标事件预测模型的过程中需要来源于A种传感器和B种传感器的历史时间序列数据作为输入数据。
步骤302,将样本集中的至少一个样本的至少两组历史时间序列数据分别输入至初始神经网络中,得到至少一个样本中的每个样本对应的目标事件预测结果。
在本实施例中,基于步骤301所获取到的样本集,上述电子设备可以将上述样本集中的至少一个样本的至少两组历史时间序列数据依次输入至初始神经网络中,从而得到至少一个样本中的每个样本对应的目标事件预测结果。这里,上述电子设备可以将每个至少两组历史时间序列数据从初始神经网络的输入侧输入,依次经过初始神经网络中的各层的参数的处理,并从初始神经网络的输出侧输出,输出侧输出的信息即为该至少两组历史时间序列数据对应的目标事件预测结果。其中,初始神经网络可以是未经训练的神经网络或未训练完成的神经网络,其各层设置有初始化参数,初始化参数在神经网络的训练过程中可以被不断地调整。
步骤303,将至少一个样本中的每个样本对应的目标事件预测结果与对应的目标事件历史预测结果进行比较。
在本实施例中,基于步骤302所得到的至少一个样本中的每个样本对应的目标事件预测结果,上述电子设备可以将至少一个样本中的每个样本对应的目标事件预测结果与该样本对应的目标事件历史预测结果进行比较,从而得到比较结果。
步骤304,根据比较结果确定初始神经网络是否达到预设的优化目标。
在本实施例中,上述电子设备可以根据步骤303中得到的比较结果确定初始神经网络是否达到预设的优化目标。作为示例,上述优化目标可以是指上述初始神经网络的预测准确率大于预设的准确率阈值。此时,若一个样本对应的目标事件预测结果与该样本对应的目标事件历史预测结果相同,则初始神经网络预测正确;若一个样本对应的目标事件预测结果与该样本对应的目标事件历史预测结果不同,则初始神经网络预测错误。这里,上述电子设备可以计算预测正确的数目与样本总数的比值,并作为初始神经网络的预测准确率。上述电子设备可以将初始神经网络的预测准确率与预设准确率阈值进行比较,若大于预设准确率阈值,则可以说明初始神经网络达到上述优化目标,此时,可以执行步骤305。若小于预设准确率阈值,则可以说明初始神经网络未达到上述优化目标,此时,可以执行步骤306。
步骤305,响应于确定出初始神经网络达到优化目标,将初始神经网络作为训练完成的目标事件预测模型。
在本实施例中,若在步骤304中确定出初始神经网络达到上述优化目标,上述电子设备可以将初始神经网络作为训练完成的目标事件预测模型。作为示例,可以将预测准确率大于预设准确率阈值的初始神经网络作为训练完成的目标事件预测模型。
步骤306,响应于确定出初始神经网络未达到优化目标,调整初始神经网络的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始神经网络作为初始神经网络,继续执行步骤302至步骤304。
在本实施例中,若在步骤304中确定出初始神经网络未达到上述优化目标,上述电子设备可以调整初始神经网络的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始神经网络作为初始神经网络,继续执行步骤302至步骤304。作为示例,可以采用反向传播算法(Back Propgation Algorithm,BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始神经网络的网络参数进行调整。需要说明的是,反向传播算法和梯度下降法是目前广泛研究和应用的公知技术,在此不再赘述。
从图3中可以看出,与图2对应的实施例相比,本实施例中的用于输出信息的方法的流程300突出了目标事件预测模型的结构以及各结构的工作原理。由此,本实施例描述的方案能够提高目标事件预测结果的准确度,从而可以进一步提高目标指令输出的准确性。
进一步参考图4,其示出了根据本申请的用于输出信息的方法的又一个实施例的流程400。该用于输出信息的方法的流程400,包括以下步骤:
步骤401,获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据,其中,至少两种传感器包括烟雾传感器、一氧化碳传感器、温度传感器和湿度传感器中的至少两种。
在本实施例中,用于输出信息的方法的执行主体(例如图1所示的终端设备)可以获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据。其中,上述至少两种传感器可以包括烟雾传感器、一氧化碳传感器、温度传感器和湿度传感器中的至少两种。烟雾传感器通过监测烟雾的浓度来实现火灾防范的。一氧化碳传感器属于化学传感器。当一氧化碳传感器采集到一氧化碳时,其输出端产生电流输出,将化学能转化为电能。当一氧化碳浓度发生变化时,一氧化碳传感器的输出电流也随之成正比变化。通过一氧化碳传感器的输出电流的监测,从而实现对一氧化碳的浓度的检测。温度传感器是指能感受温度并转换成可用输出信号的传感器。湿度传感器是指能感受湿度并转换成可用输出信号的传感器。
在这里,火灾发生之后空气中的烟雾浓度通常会上升,因此烟雾浓度通常可以作为一个重要依据进行火灾的判断。目前的烟雾传感器主要是离子式烟雾传感器和光电式烟雾传感器,这两种烟雾传感器都是通过物理机制将烟雾浓度转化成电信号进行输出。在实际中,烟雾传感器通常会因为积灰等原因导致正常情况下所采集到的烟雾浓度就会偏高,此时,若采用烟雾浓度与预设烟雾浓度阈值进行比较的这种方法判断火灾是否发生,经常会产生误报情况。为了减少误报,可以获取烟雾传感器过去一段时间数据进行分析。
在这里,火灾往往会引起一氧化碳浓度的突然升高,因此可以分析一氧化碳浓度的变化规律,判断是否发生火灾。许多明火的发生往往伴随着温度的上升,因此可以通过检测温度在过去一段时间的变化辅助进行火灾的判断。由于烟雾传感器不能区分烟雾和水蒸气,短时间大量的水蒸气也会引起烟雾传感器所采集的数据的突然上升。由于水蒸气会引起湿度增大,因此可以通过湿度传感器对湿度进行检测,如果空气中的湿度和烟雾传感器判断的烟雾浓度同时突然上升,则当前时刻很有可能未发生火灾。
步骤402,将获取到的至少两组时间序列数据输入到预先训练的长短期记忆网络中,得到目标事件预测结果。
在本实施例中,上述执行主体可以将获取到的至少两组时间序列数据输入到预先训练的长短期记忆网络(Long Short-Term Memory,LSTM)中,得到目标事件预测结果。在这里,上述目标事件预测结果可以为火灾预测结果。作为示例,上述执行主体可以将烟雾传感器所采集的烟雾浓度时间序列数据、一氧化碳传感器所采集的一氧化碳浓度时间序列数据、温度传感器所采集的温度时间序列数据以及湿度传感器所采集的湿度时间序列数据军输入到预先训练的长短期记忆网络中。
在本实施例中,上述长短期记忆网络是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。长短期记忆网络是解决循环神经网络结构中存在的“梯度消失”和“梯度爆炸”问题而提出的,是一种特殊的循环神经网络。长短期记忆网络在算法中加入了一个判断信息有用与否的“处理器”,这个处理器作用的结构被称为cell(单元),用来代替标准循环神经网络的中间处理逻辑。一个cell当中被放置了三扇门,分别叫做输入门、遗忘门和输出门。一个信息进入长短期记忆网络当中,可以根据规则来判断是否有用。只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。
作为示例,火灾预测结果可以表征为1或0,此时,若火灾预测结果为1,则说明当前时刻发生火灾;若火灾预测结果为0,则说明当前时刻未发生火灾。火灾预测结果也可以表征为T或F,此时,若火灾预测结果为T,则说明当前时刻发生火灾;若火灾预测结果为F,则说明当前时刻未发生火灾。
步骤403,确定得到的目标事件预测结果是否表征当前时刻发生火灾。
在本实施例中,上述执行主体可以确定得到的目标事件预测结果是否表征当前时刻发生火灾。作为示例,上述执行主体可以确定得到的火灾预测结果是否为1或者为T,若确定出得到的火灾预测结果为1或者为T,则可以执行步骤404。
步骤404,响应于确定出得到的目标事件预测结果表征当前时刻发生火灾,输出报警指令。
在本实施例中,若在步骤403中确定出得到的目标事件预测结果表征当前时刻发生火灾,则上述执行主体可以输出报警指令。作为示例,上述执行主体可以驱动扬声器发声,上述执行主体也可以驱动警报灯泡闪烁,上述执行主体还可以向消防管理部门的终端设备上发送报警通知。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于输出信息的方法的流程400体现了对火灾进行预测的步骤。由此,本实施例描述的方案可以提高对火灾预测的准确性,从而尽可能降低由于火灾所造成的人员伤亡和财产损失。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于输出信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于输出信息的装置500包括:获取单元501、输入单元502和输出单元503。其中,获取单元501被配置成获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据;输入单元502被配置成将获取到的至少两组时间序列数据输入到预先训练的目标事件预测模型中,得到目标事件预测结果,其中,目标事件预测结果用于表征当前时刻是否发生目标事件;输出单元503被配置成响应于确定出得到的目标事件预测结果表征当前时刻发生目标事件,输出目标指令。
在本实施例中,用于输出信息的装置500的获取单元501和输入单元502的具体处理可以参考图2对应实施例中的步骤201和步骤202,用于输出信息的装置500的输出单元503的具体处理可以参考图2对应实施例中的步骤203和步骤204。
在本实施例的一些可选的实现方式中,上述目标事件预测模型可以是通过以下方式训练得到:
步骤S1,可以获取样本集,其中,样本可以包括上述至少两种传感器在历史时段所采集到的至少两组历史时间序列数据,以及与至少两组历史时间序列数据对应的目标事件历史预测结果。需要说明的是,在应用的过程中,若输入上述目标事件预测模型中的至少两组时间序列数据来源于A种传感器和B种传感器,则在训练上述目标事件预测模型的过程中需要来源于A种传感器和B种传感器的历史时间序列数据作为输入数据。
步骤S2,可以将上述至少两组历史时间序列数据作为输入,将与输入的至少两组历史时间序列数据对应的目标事件历史预测结果作为输出,训练得到上述目标事件预测模型。用于训练上述目标事件预测模型的执行主体训练的可以是初始化神经网络,初始化神经网络可以是未经训练的神经网络或未训练完成的神经网络,初始化的神经网络的各层可以设置有初始参数,参数在神经网络的训练过程中可以被不断地调整。初始化神经网络可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型,例如,初始化神经网络可以是未经训练的卷积神经网络,也可以是未经训练的循环神经网络,还可以是对未经训练的卷积神经网络和未经训练的循环神经网络进行组合所得到的模型。这样,可以将获取到的至少两组时间序列数据从目标事件预测模型的输入侧输入,依次经过目标事件预测模型中的各层的参数的处理,并从目标事件预测模型的输出侧输出,输出侧输出的信息即为获取到的至少两组时间序列数据对应的目标事件预测结果。
在本实施例的一些可选的实现方式中,上述目标事件预测模型可以是通过以下方式训练得到:
首先,目标事件预测模型训练方法运行于其上的电子设备可以获取样本集。其中,上述样本集中的样本包括上述至少两种传感器在历史时段所采集到的至少两组历史时间序列数据,以及与至少两组历史时间序列数据对应的目标事件历史预测结果。需要说明的是,在应用的过程中,若输入上述目标事件预测模型中的至少两组时间序列数据来源于A种传感器和B种传感器,则在训练上述目标事件预测模型的过程中需要来源于A种传感器和B种传感器的历史时间序列数据作为输入数据。
之后,目标事件预测模型训练方法运行于其上的电子设备可以执行以下训练步骤一至步骤四:
步骤一,可以将上述样本集中的至少一个样本的至少两组历史时间序列数据依次输入至初始神经网络中,从而得到至少一个样本中的每个样本对应的目标事件预测结果。这里,上述电子设备可以将每个至少两组历史时间序列数据从初始神经网络的输入侧输入,依次经过初始神经网络中的各层的参数的处理,并从初始神经网络的输出侧输出,输出侧输出的信息即为该至少两组历史时间序列数据对应的目标事件预测结果。其中,初始神经网络可以是未经训练的神经网络或未训练完成的神经网络,其各层设置有初始化参数,初始化参数在神经网络的训练过程中可以被不断地调整。
步骤二,可以将至少一个样本中的每个样本对应的目标事件预测结果与该样本对应的目标事件历史预测结果进行比较,从而得到比较结果。
步骤三,可以根据步骤二中得到的比较结果确定初始神经网络是否达到预设的优化目标。作为示例,上述优化目标可以是指上述初始神经网络的预测准确率大于预设的准确率阈值。此时,若一个样本对应的目标事件预测结果与该样本对应的目标事件历史预测结果相同,则初始神经网络预测正确;若一个样本对应的目标事件预测结果与该样本对应的目标事件历史预测结果不同,则初始神经网络预测错误。这里,可以计算预测正确的数目与样本总数的比值,并作为初始神经网络的预测准确率。
步骤四,若在步骤三中确定出初始神经网络达到上述优化目标,可以将初始神经网络作为训练完成的目标事件预测模型。作为示例,可以将预测准确率大于预设准确率阈值的初始神经网络作为训练完成的目标事件预测模型。
在本实施例的一些可选的实现方式中,上述目标事件预测模型可以是通过以下方式训练得到:
首先,目标事件预测模型训练方法运行于其上的电子设备可以获取样本集。其中,上述样本集中的样本包括上述至少两种传感器在历史时段所采集到的至少两组历史时间序列数据,以及与至少两组历史时间序列数据对应的目标事件历史预测结果。需要说明的是,在应用的过程中,若输入上述目标事件预测模型中的至少两组时间序列数据来源于A种传感器和B种传感器,则在训练上述目标事件预测模型的过程中需要来源于A种传感器和B种传感器的历史时间序列数据作为输入数据。
之后,目标事件预测模型训练方法运行于其上的电子设备可以执行以下训练步骤(步骤一至步骤四):
步骤一,可以将上述样本集中的至少一个样本的至少两组历史时间序列数据依次输入至初始神经网络中,从而得到至少一个样本中的每个样本对应的目标事件预测结果。这里,上述电子设备可以将每个至少两组历史时间序列数据从初始神经网络的输入侧输入,依次经过初始神经网络中的各层的参数的处理,并从初始神经网络的输出侧输出,输出侧输出的信息即为该至少两组历史时间序列数据对应的目标事件预测结果。其中,初始神经网络可以是未经训练的神经网络或未训练完成的神经网络,其各层设置有初始化参数,初始化参数在神经网络的训练过程中可以被不断地调整。
步骤二,可以将至少一个样本中的每个样本对应的目标事件预测结果与该样本对应的目标事件历史预测结果进行比较,从而得到比较结果。
步骤三,可以根据步骤二中得到的比较结果确定初始神经网络是否达到预设的优化目标。作为示例,上述优化目标可以是指上述初始神经网络的预测准确率大于预设的准确率阈值。此时,若一个样本对应的目标事件预测结果与该样本对应的目标事件历史预测结果相同,则初始神经网络预测正确;若一个样本对应的目标事件预测结果与该样本对应的目标事件历史预测结果不同,则初始神经网络预测错误。这里,可以计算预测正确的数目与样本总数的比值,并作为初始神经网络的预测准确率。
步骤四,若在步骤三中确定出初始神经网络达到上述优化目标,可以将初始神经网络作为训练完成的目标事件预测模型。作为示例,可以将预测准确率大于预设准确率阈值的初始神经网络作为训练完成的目标事件预测模型。
步骤五,若在上述步骤三中确定出初始神经网络未达到上述优化目标,可以调整初始神经网络的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始神经网络作为初始神经网络,继续执行上述训练步骤(步骤一至步骤四)。作为示例,可以采用反向传播算法和梯度下降法对上述初始神经网络的网络参数进行调整。需要说明的是,反向传播算法和梯度下降法是目前广泛研究和应用的公知技术,在此不再赘述。
在本实施例的一些可选的实现方式中,上述目标事件可以包括火灾。此时,上述至少两种传感器可以包括烟雾传感器、一氧化碳传感器、温度传感器和湿度传感器中的至少两种。烟雾传感器通过监测烟雾的浓度来实现火灾防范的。一氧化碳传感器属于化学传感器。当一氧化碳传感器采集到一氧化碳时,其输出端产生电流输出,将化学能转化为电能。当一氧化碳浓度发生变化时,一氧化碳传感器的输出电流也随之成正比变化。通过一氧化碳传感器的输出电流的监测,从而实现对一氧化碳的浓度的检测。温度传感器是指能感受温度并转换成可用输出信号的传感器。湿度传感器是指能感受湿度并转换成可用输出信号的传感器。上述目标指令可以包括报警指令。作为示例,上述可以驱动扬声器发声,也可以驱动警报灯泡闪烁,还可以向消防管理部门的终端设备上发送报警通知。
在本实施例的一些可选的实现方式中,上述目标事件预测模型可以包括长短期记忆网络。上述长短期记忆网络是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。长短期记忆网络是解决循环神经网络结构中存在的“梯度消失”和“梯度爆炸”问题而提出的,是一种特殊的循环神经网络。长短期记忆网络在算法中加入了一个判断信息有用与否的“处理器”,这个处理器作用的结构被称为cell,用来代替标准循环神经网络的中间处理逻辑。一个cell当中被放置了三扇门,分别叫做输入门、遗忘门和输出门。一个信息进入长短期记忆网络当中,可以根据规则来判断是否有用。只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据;将获取到的至少两组时间序列数据输入到预先训练的目标事件预测模型中,得到目标事件预测结果,其中,目标事件预测结果用于表征当前时刻是否发生目标事件;响应于确定出得到的目标事件预测结果表征当前时刻发生目标事件,输出目标指令。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、输入单元和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于输出信息的方法,包括:
获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据;
将获取到的至少两组时间序列数据输入到预先训练的目标事件预测模型中,得到目标事件预测结果,其中,所述目标事件预测结果用于表征当前时刻是否发生目标事件;
响应于确定出得到的目标事件预测结果表征当前时刻发生目标事件,输出目标指令。
2.根据权利要求1所述的方法,其中,所述目标事件预测模型是通过如下步骤训练得到的:
获取样本集,其中,样本包括所述至少两种传感器在历史时段所采集到的至少两组历史时间序列数据,以及与至少两组历史时间序列数据对应的目标事件历史预测结果;
将所述至少两组历史时间序列数据作为输入,将与输入的至少两组历史时间序列数据对应的目标事件历史预测结果作为输出,训练得到所述目标事件预测模型。
3.根据权利要求2所述的方法,其中,所述将所述至少两组历史时间序列数据作为输入,将与输入的至少两组历史时间序列数据对应的目标事件历史预测结果作为输出,训练得到所述目标事件预测模型,包括:
执行以下训练步骤:将所述样本集中的至少一个样本的至少两组历史时间序列数据分别输入至初始神经网络中,得到所述至少一个样本中的每个样本对应的目标事件预测结果;将所述至少一个样本中的每个样本对应的目标事件预测结果与对应的目标事件历史预测结果进行比较;根据比较结果确定所述初始神经网络是否达到预设的优化目标;响应于确定出所述初始神经网络达到所述优化目标,将所述初始神经网络作为训练完成的目标事件预测模型。
4.根据权利要求3所述的方法,其中,所述将所述至少两组历史时间序列数据作为输入,将与输入的至少两组历史时间序列数据对应的目标事件历史预测结果作为输出,训练得到所述目标事件预测模型,还包括:
响应于确定出初始神经网络未达到所述优化目标,调整初始神经网络的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始神经网络作为初始神经网络,继续执行所述训练步骤。
5.根据权利要求1所述的方法,其中,所述目标事件包括火灾,所述至少两种传感器包括烟雾传感器、一氧化碳传感器、温度传感器和湿度传感器中的至少两种;以及
所述目标指令包括报警指令。
6.根据权利要求1-5之一所述的方法,其中,所述目标事件预测模型包括长短期记忆网络。
7.一种用于输出信息的装置,包括:
获取单元,被配置成获取至少两种传感器中每种传感器在当前时段所采集到的时间序列数据;
输入单元,被配置成将获取到的至少两组时间序列数据输入到预先训练的目标事件预测模型中,得到目标事件预测结果,其中,所述目标事件预测结果用于表征当前时刻是否发生目标事件;
输出单元,被配置成响应于确定出得到的目标事件预测结果表征当前时刻发生目标事件,输出目标指令。
8.根据权利要求7所述的装置,其中,所述目标事件预测模型是通过如下步骤训练得到的:
获取样本集,其中,样本包括所述至少两种传感器在历史时段所采集到的至少两组历史时间序列数据,以及与至少两组历史时间序列数据对应的目标事件历史预测结果;
将所述至少两组历史时间序列数据作为输入,将与输入的至少两组历史时间序列数据对应的目标事件历史预测结果作为输出,训练得到所述目标事件预测模型。
9.根据权利要求8所述的装置,其中,所述目标事件预测模型是通过如下步骤训练得到的:
获取样本集,其中,样本包括所述至少两种传感器在历史时段所采集到的至少两组历史时间序列数据,以及与至少两组历史时间序列数据对应的目标事件历史预测结果;
执行以下训练步骤:将所述样本集中的至少一个样本的至少两组历史时间序列数据分别输入至初始神经网络中,得到所述至少一个样本中的每个样本对应的目标事件预测结果;将所述至少一个样本中的每个样本对应的目标事件预测结果与对应的目标事件历史预测结果进行比较;根据比较结果确定所述初始神经网络是否达到预设的优化目标;响应于确定出所述初始神经网络达到所述优化目标,将所述初始神经网络作为训练完成的目标事件预测模型。
10.根据权利要求9所述的装置,其中,所述目标事件预测模型是通过如下步骤训练得到的:
获取样本集,其中,样本包括所述至少两种传感器在历史时段所采集到的至少两组历史时间序列数据,以及与至少两组历史时间序列数据对应的目标事件历史预测结果;
执行以下训练步骤:将所述样本集中的至少一个样本的至少两组历史时间序列数据分别输入至初始神经网络中,得到所述至少一个样本中的每个样本对应的目标事件预测结果;将所述至少一个样本中的每个样本对应的目标事件预测结果与对应的目标事件历史预测结果进行比较;根据比较结果确定所述初始神经网络是否达到预设的优化目标;响应于确定出所述初始神经网络达到所述优化目标,将所述初始神经网络作为训练完成的目标事件预测模型。
响应于确定出初始神经网络未达到所述优化目标,调整初始神经网络的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始神经网络作为初始神经网络,继续执行所述训练步骤。
11.根据权利要求7所述的装置,其中,所述目标事件包括火灾,所述至少两种传感器包括烟雾传感器、一氧化碳传感器、温度传感器和湿度传感器中的至少两种;以及
所述目标指令包括报警指令。
12.根据权利要求7-11之一所述的装置,其中,所述目标事件预测模型包括长短期记忆网络。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910484554.6A CN110220554A (zh) | 2019-06-05 | 2019-06-05 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910484554.6A CN110220554A (zh) | 2019-06-05 | 2019-06-05 | 用于输出信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110220554A true CN110220554A (zh) | 2019-09-10 |
Family
ID=67819668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910484554.6A Pending CN110220554A (zh) | 2019-06-05 | 2019-06-05 | 用于输出信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110220554A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428911A (zh) * | 2020-02-29 | 2020-07-17 | 中国平安人寿保险股份有限公司 | 一种人数信息预测方法及装置 |
CN115457756A (zh) * | 2021-06-09 | 2022-12-09 | 中移系统集成有限公司 | 传感器校准的方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05197891A (ja) * | 1991-03-12 | 1993-08-06 | Babcock Hitachi Kk | 異常検出方法および装置 |
CN2653613Y (zh) * | 2003-10-16 | 2004-11-03 | 华南理工大学 | 森林火灾智能监测报警装置 |
CN101251942A (zh) * | 2008-03-14 | 2008-08-27 | 华南理工大学 | 地下空间火灾智能检测预警预报方法及装置 |
JP2011059925A (ja) * | 2009-09-09 | 2011-03-24 | Mitsubishi Heavy Ind Ltd | 被災範囲推定装置及びプログラム |
JP2012168989A (ja) * | 2012-05-29 | 2012-09-06 | Nohmi Bosai Ltd | 火災報知装置、火災報知サービスの契約方法および防災サービス提供方法 |
KR20150061289A (ko) * | 2013-11-27 | 2015-06-04 | 주식회사 수로텍 | Usn 기반의 화재 경로 예측 시스템 |
CN104933841A (zh) * | 2015-04-30 | 2015-09-23 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
CN105788143A (zh) * | 2016-05-23 | 2016-07-20 | 北京林业大学 | 一种林火监测方法及系统 |
CN107564231A (zh) * | 2017-09-15 | 2018-01-09 | 山东建筑大学 | 基于物联网的建筑物火灾预警及火灾态势评估系统及方法 |
CN108053627A (zh) * | 2017-11-23 | 2018-05-18 | 深圳市泰和安科技有限公司 | 一种火灾报警方法、装置及设备 |
JP2018088105A (ja) * | 2016-11-29 | 2018-06-07 | ホーチキ株式会社 | 監視システム |
CN108648403A (zh) * | 2018-05-25 | 2018-10-12 | 杭州拓深科技有限公司 | 一种自学习消防安全预警方法及系统 |
CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技(深圳)有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
CN109508476A (zh) * | 2018-10-17 | 2019-03-22 | 四川佳联众合企业管理咨询有限公司 | 基于深度网络学习的山火预测建模方法 |
CN109686036A (zh) * | 2019-01-09 | 2019-04-26 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火灾监控方法、装置及边缘计算装置 |
-
2019
- 2019-06-05 CN CN201910484554.6A patent/CN110220554A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05197891A (ja) * | 1991-03-12 | 1993-08-06 | Babcock Hitachi Kk | 異常検出方法および装置 |
CN2653613Y (zh) * | 2003-10-16 | 2004-11-03 | 华南理工大学 | 森林火灾智能监测报警装置 |
CN101251942A (zh) * | 2008-03-14 | 2008-08-27 | 华南理工大学 | 地下空间火灾智能检测预警预报方法及装置 |
JP2011059925A (ja) * | 2009-09-09 | 2011-03-24 | Mitsubishi Heavy Ind Ltd | 被災範囲推定装置及びプログラム |
JP2012168989A (ja) * | 2012-05-29 | 2012-09-06 | Nohmi Bosai Ltd | 火災報知装置、火災報知サービスの契約方法および防災サービス提供方法 |
KR20150061289A (ko) * | 2013-11-27 | 2015-06-04 | 주식회사 수로텍 | Usn 기반의 화재 경로 예측 시스템 |
CN104933841A (zh) * | 2015-04-30 | 2015-09-23 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
CN105788143A (zh) * | 2016-05-23 | 2016-07-20 | 北京林业大学 | 一种林火监测方法及系统 |
JP2018088105A (ja) * | 2016-11-29 | 2018-06-07 | ホーチキ株式会社 | 監視システム |
CN107564231A (zh) * | 2017-09-15 | 2018-01-09 | 山东建筑大学 | 基于物联网的建筑物火灾预警及火灾态势评估系统及方法 |
CN108053627A (zh) * | 2017-11-23 | 2018-05-18 | 深圳市泰和安科技有限公司 | 一种火灾报警方法、装置及设备 |
CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技(深圳)有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
CN108648403A (zh) * | 2018-05-25 | 2018-10-12 | 杭州拓深科技有限公司 | 一种自学习消防安全预警方法及系统 |
CN109508476A (zh) * | 2018-10-17 | 2019-03-22 | 四川佳联众合企业管理咨询有限公司 | 基于深度网络学习的山火预测建模方法 |
CN109686036A (zh) * | 2019-01-09 | 2019-04-26 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火灾监控方法、装置及边缘计算装置 |
Non-Patent Citations (1)
Title |
---|
丁承君等: "神经网络在智能火灾预警系统的应用", 《传感器与微系统》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428911A (zh) * | 2020-02-29 | 2020-07-17 | 中国平安人寿保险股份有限公司 | 一种人数信息预测方法及装置 |
CN115457756A (zh) * | 2021-06-09 | 2022-12-09 | 中移系统集成有限公司 | 传感器校准的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10832672B2 (en) | Smart speaker system with cognitive sound analysis and response | |
CN109818839B (zh) | 应用于智能家居的个性化行为预测方法、装置和系统 | |
US9618918B2 (en) | System and method for estimating the number of people in a smart building | |
CN110800273B (zh) | 虚拟传感器系统 | |
US9813810B1 (en) | Multi-microphone neural network for sound recognition | |
US10832673B2 (en) | Smart speaker device with cognitive sound analysis and response | |
US11467180B2 (en) | Context awareness of a smart device through sensing transient and continuous events | |
US10665070B1 (en) | Predictive alarm analytics | |
US11455522B2 (en) | Detecting personal danger using a deep learning system | |
CN104737523B (zh) | 通过指派用于数据群集的情境标签来管理移动装置中的情境模型 | |
US10755730B1 (en) | System and method for beep detection and interpretation | |
CN105933190B (zh) | 应用于智能家居平台的通信方法和装置 | |
CN108461084A (zh) | 语音识别系统控制方法、控制装置及计算机可读存储介质 | |
US11924618B2 (en) | Auralization for multi-microphone devices | |
US20230409931A1 (en) | Occupant detection systems | |
CN110719553B (zh) | 具有认知声音分析和响应的智能扬声器系统 | |
CN110220554A (zh) | 用于输出信息的方法和装置 | |
US11062591B1 (en) | Systems and methods for generating device-agnostic data and a training dashboard from wearable and non-wearable devices | |
KR20210048382A (ko) | 음성 분석 방법 및 장치 | |
US20240071083A1 (en) | Using implicit event ground truth for video cameras | |
Yoo et al. | Cnn-based voice emotion classification model for risk detection | |
KR20230033624A (ko) | 음향 공간에 기초한 음성 트리거 | |
EP3493173A1 (en) | Method for generating alert and corresponding electronic device, communication system, computer readable program products and computer readable storage medium |
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: 20190910 |