CN111325947A - 一种基于长短期记忆网络的风暴潮洪涝预警方法和系统 - Google Patents
一种基于长短期记忆网络的风暴潮洪涝预警方法和系统 Download PDFInfo
- Publication number
- CN111325947A CN111325947A CN202010150417.1A CN202010150417A CN111325947A CN 111325947 A CN111325947 A CN 111325947A CN 202010150417 A CN202010150417 A CN 202010150417A CN 111325947 A CN111325947 A CN 111325947A
- Authority
- CN
- China
- Prior art keywords
- storm
- flood
- water level
- long
- early warning
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种基于长短期记忆网络的风暴潮洪涝预警方法,包括:获取历史数据进行归一化处理;将数据输入长短期记忆网络中进行迭代训练,得到用于预测未来水位变化情况的洪涝预测模型;将当前风暴事件数据输入洪涝预测模型中,预测水位变化情况;如果水位超过预设警戒线,则启动抗洪应急预案,否则预测内涝点位置,启动内涝应急预案。本发明还提供了风暴潮预警系统,本发明提供的基于长短期记忆网络的风暴潮洪涝预警方法和系统的优点在于:基于长短期记忆网络算法构建预测风暴潮水位变化的模型,并基于SWMM模型在水位未超过洪灾界线时预测衍生内涝灾害情况,为预警和救灾工作提供了决策支持。
Description
技术领域
本发明涉及风暴潮灾害预警技术领域,尤其涉及一种基于长短期记忆网络的风暴潮洪涝灾害预警方法和系统。
背景技术
台风风暴潮灾害是我国的主要海洋灾害之一,遍及中国沿海,其成灾频率高、致灾强度大,造成的人员和经济损失严重。风暴潮灾害风险是对风暴潮灾害损失发生的可能性及不确定性的度量,由于风暴潮致灾因子的多样性和承灾体的特殊性,风暴潮灾害风险比其他灾害风险具有更大的不确定性,尤其当风暴潮与天文大潮相遇时,会具有更大的破坏性,常常会使其影响所及的海域水位暴涨,导致河口水位抬高、潮流顶托作用加强,河道排水不畅,沿海城市泄洪和排涝难度加大,加重台风暴潮致灾影响。
现有技术中存在风暴潮灾害预警方法,主要技术是针对风暴的路径、风暴强度或者灾害等级进行预测分析,但是忽略了风暴潮引发的城市内涝问题,无法给出针对性的预警信息。
发明内容
本发明所要解决的技术问题在于提供一种有效的针对风暴潮引发的城市洪涝问题进行内涝点分析预警的方法和系统。
本发明是通过以下技术方案解决上述技术问题的:
一种基于长短期记忆网络的风暴潮洪涝预警方法,包括以下步骤:
步骤A:获取历史风暴事件的监测数据以及在这一风暴事件中的水位实时变化情况,对获取的数据进行归一化处理;
步骤B:将处理后的数据按比例随机分为训练集和测试集,将训练集数据输入长短期记忆网络中进行迭代训练,并用测试集数据验证每一次的训练模型,直到预测结果满足预设标准,输出用于预测未来水位变化情况的洪涝预测模型;
步骤C:将当前风暴事件数据输入洪涝预测模型中,预测一定时间内的水位变化情况;
步骤D:如果预测时间内,出现水位超过预设警戒线的情况,则启动抗洪应急预案,否则预测内涝点位置,启动内涝应急预案。
本申请基于长短期记忆网络算法构建预测风暴潮水位变化的模型,并在水位未超过洪灾界线时预测内涝点位置,实现了对沿海地区风暴潮引起的内涝灾害的预测,为开展应急救灾工作提供了决策支持。
优选地,步骤A中所述的归一化处理的方法为:
优选地,步骤B将处理后的历史数据表示为:
其中h为选择的监测数据总时长,单位为小时,以其中的0.8作为训练集,0.2作为测试集。
优选地,每隔一小时获取一次监测数据,总共提取12h的监测数据,则长短期记忆网络的输入参数分别为input_dim=1,time_step=12,batch_size=50,添加dropout正则化参数,取值为0.2,模型优化器为Adma算法。
优选地,步骤B中测试训练模型的方法为:向训练模型中输入测试集数据,将每个时间得到的增水量预测值进行反归一化处理后进行叠加,再添加天文潮对水位高度的影响后得到预测增水量,并与实际增水量进行比较;评价预测模型的标准为平均绝对误差,
优选地,步骤D中通过SWMM排水模型预测溢流节点位置和溢流节点占比,确定内涝风险等级。
本发明还提供了一种基于长短期记忆网络的风暴潮洪涝预警系统,包括
预处理模块:获取历史风暴事件的监测数据以及在这一风暴事件中的水位实时变化情况,对获取的数据进行归一化处理;
训练模块:将处理后的数据按比例随机分为训练集和测试集,将训练集数据输入长短期记忆网络中进行迭代训练,并用测试集数据验证每一次的训练模型,直到预测结果满足预设标准,输出用于预测未来水位变化情况的洪涝预测模型;
预测模块:将当前风暴事件数据输入洪涝预测模型中,预测一定时间内的水位变化情况;
预警模块:如果预测时间内,出现水位超过预设警戒线的情况,则启动抗洪应急预案,否则预测内涝点位置,启动内涝应急预案。
本发明提供的基于长短期记忆网络的风暴潮洪涝预警方法和系统的优点在于:基于长短期记忆网络算法构建预测风暴潮水位变化的模型,并基于SWMM模型在水位未超过洪灾界线时预测衍生内涝灾害情况,实现了对沿海地区风暴潮引起的内涝灾害的预测,填补了对风暴潮衍生内涝灾害预警技术的空白,为预警和救灾工作提供了决策支持。
附图说明
图1为本发明的实施例所提供的基于长短期记忆网络的风暴潮洪涝预警方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
如图1所示,本实施例提供了一种基于长短期记忆网络的风暴潮洪涝预警方法,包括以下步骤:
步骤A:获取历史风暴事件的监测数据以及在这一风暴事件中的水位实时变化情况,对获取的数据进行归一化处理;
所述水位实时变化情况为去除天文潮影响后t+1时刻相对t时刻的增水量其中天文潮的影响通过日常观测或历史数据得到,所述风暴潮事件的监测数据包括t时刻的风暴中心最低气压观测站点风速风暴与观测站点最短距离最大风速半径所述归一化处理的方法为:
其中h为选择的监测数据总时长,单位为小时。
步骤B:将处理后的数据按比例随机分为训练集和测试集,本实施例中以其中的0.8作为训练集,剩下的0.2作为测试集;将训练集数据输入长短期记忆网络中进行迭代训练,并用测试集数据验证每一次的训练模型,直到预测结果满足预设标准,输出用于预测未来水位变化情况的洪涝预测模型;
优选实施例中,针对每个风暴潮事件,每隔一小时获取一次监测数据,总共获取连续的12小时的监测数据;由此确定训练中长短期记忆网络的参数设置为input_dim=1,对应采样间隔1小时,time_step=12,对应采样时长12小时,batch_size=50,表示每50个样本作为一个整体计算损失函数,隐含层中的隐含节点数为300;为了减少过拟合对预测模型的影响,添加dropout正则化,数值为0.2;训练使用Keras搭建长短期记忆网络,选用的模型优化器为Adma算法。
所述测试训练模型的方法为:向训练模型中输入测试集数据,将每个时间得到的增水量预测值进行反归一化处理后进行叠加,再添加天文潮对水位高度的影响后得到预测增水量,并与实际增水量进行比较;评价预测模型的标准为增水量的平均绝对误差,
步骤C:将当前风暴事件数据输入洪涝预测模型中,预测一定时间内的水位变化情况;使用预测模型的方法与测试训练模型的方法基本一致,将实际风暴潮的参数进行归一化处理后输入预测模型,将每个时间间隔预测的增水量进行反归一化处理后分时段叠加,再添加天文潮对水位的影响即可预测得到t时刻的水位总高Ht。
步骤D:如果预测时间内,出现水位超过预设警戒线的情况,即对任意时刻,存在Ht≥H海堤,则认为该城市即将出现洪水灾害,则启动抗洪应急预案,具体预测时长可根据风暴潮规模,以及城市应急响应的实际情况确定。
若Ht<H海堤,则需要进一步分析内涝的风险,具体方法如下:通过导入检查井位置、管道材料、排口位置、子汇水区、雨量计构建该城市的SWMM排水管网模型,向SWMM模型中输入当前风暴潮带来的降雨事件参数,即可预测得到会发生溢流情况的溢流节点位置和总数,并根据溢流节点总数给出相应的内涝风险等级,并结合溢流节点位置及时作出应急预案。
所述SWMM排水管网模型为现有技术,本领域技术人员可以根据需要调整构建模型的参数和进行预测计算的参数,相关参数均能够从相关部门获得。
本实施例进一步提供了基于长短期记忆网络的风暴潮洪涝预警系统,包括
预处理模块:获取历史风暴事件的监测数据以及在这一风暴事件中的水位实时变化情况,对获取的数据进行归一化处理;
训练模块:将处理后的数据按比例随机分为训练集和测试集,将训练集数据输入长短期记忆网络中进行迭代训练,并用测试集数据验证每一次的训练模型,直到预测结果满足预设标准,输出用于预测未来水位变化情况的洪涝预测模型;
预测模块:将当前风暴事件数据输入洪涝预测模型中,预测一定时间内的水位变化情况;
预警模块:如果预测时间内,出现水位超过预设警戒线的情况,则启动抗洪应急预案,否则预测内涝点位置,启动内涝应急预案。
Claims (8)
1.一种基于长短期记忆网络的风暴潮洪涝预警方法,其特征在于:包括以下步骤:
步骤A:获取历史风暴事件的监测数据以及在这一风暴事件中的水位实时变化情况,对获取的数据进行归一化处理;
步骤B:将处理后的数据按比例随机分为训练集和测试集,将训练集数据输入长短期记忆网络中进行迭代训练,并用测试集数据验证每一次的训练模型,直到预测结果满足预设标准,输出用于预测未来水位变化情况的洪涝预测模型;
步骤C:将当前风暴事件数据输入洪涝预测模型中,预测一定时间内的水位变化情况;
步骤D:如果预测时间内,出现水位超过预设警戒线的情况,则启动抗洪应急预案,否则预测内涝点位置,启动内涝应急预案。
5.根据权利要求4所述的一种基于长短期记忆网络的风暴潮洪涝预警方法,其特征在于:每隔一小时获取一次监测数据,总共提取12h的监测数据,则长短期记忆网络的输入参数分别为input_dim=1,time_step=12,batch_size=50,添加dropout正则化参数,取值为0.2,模型优化器为Adma算法。
7.根据权利要求6所述的一种基于长短期记忆网络的风暴潮洪涝预警方法,其特征在于:步骤D中通过SWMM排水模型预测溢流节点位置和溢流节点占比,确定内涝风险等级。
8.一种基于长短期记忆网络的风暴潮洪涝预警系统,其特征在于:包括
预处理模块:获取历史风暴事件的监测数据以及在这一风暴事件中的水位实时变化情况,对获取的数据进行归一化处理;
训练模块:将处理后的数据按比例随机分为训练集和测试集,将训练集数据输入长短期记忆网络中进行迭代训练,并用测试集数据验证每一次的训练模型,直到预测结果满足预设标准,输出用于预测未来水位变化情况的洪涝预测模型;
预测模块:将当前风暴事件数据输入洪涝预测模型中,预测一定时间内的水位变化情况;
预警模块:如果预测时间内,出现水位超过预设警戒线的情况,则启动抗洪应急预案,否则预测内涝点位置,启动内涝应急预案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010150417.1A CN111325947B (zh) | 2020-03-04 | 2020-03-04 | 一种基于长短期记忆网络的风暴潮洪涝预警方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010150417.1A CN111325947B (zh) | 2020-03-04 | 2020-03-04 | 一种基于长短期记忆网络的风暴潮洪涝预警方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325947A true CN111325947A (zh) | 2020-06-23 |
CN111325947B CN111325947B (zh) | 2022-04-01 |
Family
ID=71173194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010150417.1A Active CN111325947B (zh) | 2020-03-04 | 2020-03-04 | 一种基于长短期记忆网络的风暴潮洪涝预警方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325947B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016766A (zh) * | 2020-09-17 | 2020-12-01 | 中国石油天然气集团有限公司 | 一种基于长短期记忆网络的油气井钻井溢漏预警方法 |
CN113506000A (zh) * | 2021-07-15 | 2021-10-15 | 上海海事大学 | 一种计算城市汇水区域暴雨溢流风险的方法 |
CN113985496A (zh) * | 2021-10-26 | 2022-01-28 | 天津大学 | 一种基于lstm-gm神经网络模型的风暴潮智能预报方法 |
CN115840975A (zh) * | 2022-11-15 | 2023-03-24 | 广东省水利水电科学研究院 | 一种风暴潮增水漫堤预警方法、系统、装置和存储介质 |
CN116128141A (zh) * | 2023-02-07 | 2023-05-16 | 国家海洋环境预报中心 | 风暴潮预测方法、装置、存储介质及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546414A (zh) * | 2009-04-28 | 2009-09-30 | 国家海洋局东海预报中心 | 台风风暴潮所造成直接经济损失定量预评估方法 |
EP2555503A1 (en) * | 2011-08-03 | 2013-02-06 | Juniper Networks, Inc. | Disaster response system |
CN104809330A (zh) * | 2015-03-16 | 2015-07-29 | 浙江大学 | 城市内涝的智能诊断方法 |
AU2018100574A4 (en) * | 2017-05-04 | 2018-06-07 | Laine, Raymond DR | At site inundation visualisation |
CN108732647A (zh) * | 2018-04-11 | 2018-11-02 | 祁超祯 | 风暴潮预报方法 |
CN109784708A (zh) * | 2019-01-07 | 2019-05-21 | 江河瑞通(北京)技术有限公司 | 水行业多模型耦合计算的云服务系统 |
CN109816040A (zh) * | 2019-02-01 | 2019-05-28 | 四创科技有限公司 | 基于深度学习的城市内涝水深检测的方法 |
CN109948863A (zh) * | 2019-03-28 | 2019-06-28 | 杭州电子科技大学 | 基于长短期记忆模型lstm的排水管网窨井液位预测方法 |
CN110400014A (zh) * | 2019-07-23 | 2019-11-01 | 华东师范大学 | 一种基于gis栅格运算的沿海城市多源洪涝数值模拟方法 |
-
2020
- 2020-03-04 CN CN202010150417.1A patent/CN111325947B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546414A (zh) * | 2009-04-28 | 2009-09-30 | 国家海洋局东海预报中心 | 台风风暴潮所造成直接经济损失定量预评估方法 |
EP2555503A1 (en) * | 2011-08-03 | 2013-02-06 | Juniper Networks, Inc. | Disaster response system |
CN104809330A (zh) * | 2015-03-16 | 2015-07-29 | 浙江大学 | 城市内涝的智能诊断方法 |
AU2018100574A4 (en) * | 2017-05-04 | 2018-06-07 | Laine, Raymond DR | At site inundation visualisation |
CN108732647A (zh) * | 2018-04-11 | 2018-11-02 | 祁超祯 | 风暴潮预报方法 |
CN109784708A (zh) * | 2019-01-07 | 2019-05-21 | 江河瑞通(北京)技术有限公司 | 水行业多模型耦合计算的云服务系统 |
CN109816040A (zh) * | 2019-02-01 | 2019-05-28 | 四创科技有限公司 | 基于深度学习的城市内涝水深检测的方法 |
CN109948863A (zh) * | 2019-03-28 | 2019-06-28 | 杭州电子科技大学 | 基于长短期记忆模型lstm的排水管网窨井液位预测方法 |
CN110400014A (zh) * | 2019-07-23 | 2019-11-01 | 华东师范大学 | 一种基于gis栅格运算的沿海城市多源洪涝数值模拟方法 |
Non-Patent Citations (2)
Title |
---|
徐高扬: "LSTM网络在台风路径预测中的应用", 《计算机与现代化》 * |
郭灵等: "长短期记忆模型在小流域洪水预报上的应用研究", 《水资源研究》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016766A (zh) * | 2020-09-17 | 2020-12-01 | 中国石油天然气集团有限公司 | 一种基于长短期记忆网络的油气井钻井溢漏预警方法 |
CN113506000A (zh) * | 2021-07-15 | 2021-10-15 | 上海海事大学 | 一种计算城市汇水区域暴雨溢流风险的方法 |
CN113506000B (zh) * | 2021-07-15 | 2024-04-02 | 上海海事大学 | 一种计算城市汇水区域暴雨溢流风险的方法 |
CN113985496A (zh) * | 2021-10-26 | 2022-01-28 | 天津大学 | 一种基于lstm-gm神经网络模型的风暴潮智能预报方法 |
CN113985496B (zh) * | 2021-10-26 | 2024-04-09 | 天津大学 | 一种基于lstm-gm神经网络模型的风暴潮智能预报方法 |
CN115840975A (zh) * | 2022-11-15 | 2023-03-24 | 广东省水利水电科学研究院 | 一种风暴潮增水漫堤预警方法、系统、装置和存储介质 |
CN116128141A (zh) * | 2023-02-07 | 2023-05-16 | 国家海洋环境预报中心 | 风暴潮预测方法、装置、存储介质及电子设备 |
CN116128141B (zh) * | 2023-02-07 | 2023-08-29 | 国家海洋环境预报中心 | 风暴潮预测方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111325947B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325947B (zh) | 一种基于长短期记忆网络的风暴潮洪涝预警方法和系统 | |
Masina et al. | Coastal flooding: A copula based approach for estimating the joint probability of water levels and waves | |
CN104408900A (zh) | 基于动态优化的神经网络洪水预警装置及其方法 | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
CN112528563B (zh) | 一种基于svm算法的城市内涝预警方法 | |
CN112329257A (zh) | 适用于山区小流域暴雨山洪洪水预报预警的水文模型分段筛选方法 | |
CN113743658A (zh) | 基于临界雨量的中小流域地质灾害及洪水预警方法 | |
CN113807008B (zh) | 一种基于深度学习的城市暴雨内涝模拟方法 | |
CN106801463A (zh) | 排水管的排水状态检测方法和系统 | |
CN115186858A (zh) | 基于不同影响类型的变电站洪水淹没风险预警方法及系统 | |
CN114611778A (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
CN111898250B (zh) | 基于多源数据融合的河口尾闾段出汊预测方法及装置 | |
CN115859577A (zh) | 基于气象预报的水华预警方法、装置、介质及设备 | |
CN113985496B (zh) | 一种基于lstm-gm神经网络模型的风暴潮智能预报方法 | |
CN117575873B (zh) | 综合气象水文敏感性的洪水警戒方法与系统 | |
KR101934283B1 (ko) | 복수의 카테고리로 구분되는 해안의 특성을 고려한 총수위 예측 방법 및 이를 이용한 서버 | |
Dai et al. | Predicting coastal urban floods using artificial neural network: The case study of Macau, China | |
CN115830812B (zh) | 泵站建筑物异常沉降智能预警系统及方法 | |
Wong et al. | Flood prediction using ARIMA model in Sungai Melaka, Malaysia | |
Bruno et al. | The influence of interannual variability of mean sea level in the Adriatic Sea on extreme values | |
CN116434479A (zh) | 一种区域性洪涝灾害等级预测预警方法及系统 | |
CN116682236A (zh) | 一种城市内涝预报预警方法 | |
CN115330088A (zh) | 一种小型水库的防洪精细化预测方法 | |
Lemke | Hybrid approach for evaluating the erosion potential of coastal storms | |
CN112287849A (zh) | 一种高层建筑火灾预警方法及装置 |
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 |