CN112863132B - 一种自然灾害预警系统及预警方法 - Google Patents

一种自然灾害预警系统及预警方法 Download PDF

Info

Publication number
CN112863132B
CN112863132B CN202110439371.XA CN202110439371A CN112863132B CN 112863132 B CN112863132 B CN 112863132B CN 202110439371 A CN202110439371 A CN 202110439371A CN 112863132 B CN112863132 B CN 112863132B
Authority
CN
China
Prior art keywords
environment
disaster
prediction model
environmental
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.)
Active
Application number
CN202110439371.XA
Other languages
English (en)
Other versions
CN112863132A (zh
Inventor
林仁辉
苏茂才
廖峪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Zhonggui Track Equipment Co ltd
Original Assignee
Chengdu Zhonggui Track Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Zhonggui Track Equipment Co ltd filed Critical Chengdu Zhonggui Track Equipment Co ltd
Priority to CN202110439371.XA priority Critical patent/CN112863132B/zh
Publication of CN112863132A publication Critical patent/CN112863132A/zh
Application granted granted Critical
Publication of CN112863132B publication Critical patent/CN112863132B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • 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
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种自然灾害预警系统及预警方法，包括以下步骤：步骤S1、环境画像构建单元实时采集目标区域的环境数据并建立用于记录表示每个目标区域对目标灾害的目标预测的环境画像数据链；步骤S2、预测模型构建单元接收所述环境画像数据链，并基于环境画像数据链构建灾害预测模型。本发明对目标区域的环境日志进行分帧量化并利用相邻帧间相似度对环境日志进行关键帧提取，从而保留环境日志中重要环境数据的同时对环境日志进行降维，降低后续特征提取的数据处理量，提高模型训练效率。

Description

一种自然灾害预警系统及预警方法
技术领域
本发明涉及灾害预警技术领域，具体涉及一种自然灾害预警系统及预警方法。
背景技术
泥石流、塌方等自然灾害一直给人类的生产生存带来的许多危害，一旦自然灾害发生躲避不及就容易造成不可挽回的损失，因此灾害预警对人类生活具有跨时代的意义。
目前对于自然灾害的预警研究通常融合了图像处理技术，图像融合已成为图像理解和计算机视觉领域中的一项重要而有用的新技术，多源遥感图像数据融合也成为遥感领域的研究热点，其目的是将来自多信息源的图像数据加以智能化合成，产生比单一传感器数据更精确、更可靠的描述和判决，使融合图像更符合人和机器的视觉特性，更有利于诸如目标检测与识别等进一步的图像理解与分析，比如CN108182678A公开了一种预警准确的自然灾害监测预警系统，实现了遥感图像融合效果的准确评价，主观评价值具有简单、直观的优点，对明显的图像信息可以进行快捷、方便的评价，客观评价值能够避免人员的主观缺陷，对图像进行客观评价，综合评价值结合主观评价和客观评价的优点，有助于实现融合效果的准确评价，从而精准的确定监控场景中是否出现自然灾害，并进行预警处理。
但是，上述预警系统采用图像融合技术对已经或即将发生的灾害情景进行预警，比如洪水水位接近阈值，开始预警，此种预警系统通过在图像中识别到灾害场景才进行预警，仍然是一种滞后的预警模式，可能导致发布预警的同时人员撤离不及时造成危险，无法实现在毫无征兆的情况下对可能发生的灾害进行预警，而且通常情况下监测区域的实时景象会长时间维持同一状态，导致监测视频会出现长时间的相似场景视频，直接对所有实时图像视进行特征挖掘和模型训练，会面临巨大的数据处理、图像识别的计算压力，数据管理成本高，利用环境特征建立预测模型通常使用的固定的特征组合进行训练，如此会导致过分依赖选取特征只能对特定种类的灾害进行预测，无法提供拓展至其余种类的灾害预测，因此只具有预测深度而无预测广度。
发明内容
本发明的目的在于提供一种自然灾害预警系统及预警方法，以解决现有技术中直接对所有实时图像视进行特征挖掘和模型训练，会面临巨大的数据处理、图像识别的计算压力，同时过分依赖选取特征只能对特定种类的灾害进行预测，无法提供拓展至其余种类的灾害预测，因此只具有预测深度而无预测广度的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种自然灾害预警方法，包括以下步骤：
步骤S1、环境画像构建单元实时采集目标区域的环境数据并建立用于记录表示每个目标区域对目标灾害的目标预测的环境画像数据链；
步骤S2、预测模型构建单元接收所述环境画像数据链，并基于环境画像数据链构建灾害预测模型；
步骤S3、灾害预警单元依据灾害预测模型对目标区域进行目标灾害的实时预警。
作为本发明的一种优选方案，所述环境画像构建单元包含一组设置在目标区域中的监测总成，所述环境画像数据链构建的具体方法包括：
环境画像实时监测目标区域的环境数据，并按时序连续记录所述环境数据构成目标区域的环境日志；
对环境日志进行分帧量化生成多个独立的环境画像帧，并对所有环境画像帧进行节点量化获得环境画像关键帧；
将所有所述环境画像关键帧按时序进行深度链接获得环境画像数据链。
作为本发明的一种优选方案，所述环境日志依时序进行等时长的分帧量化生成多个具有相同时长的环境画像帧，对所有所述环境画像帧进行节点量化获得环境画像关键帧的具体方法包括：
依次计算相邻环境画像帧之间的相似度构成相似度节点数据链，所述相似度的计算公式为：
Figure 823259DEST_PATH_IMAGE001
；
其中，C为环境画像帧的集合，
Figure 709175DEST_PATH_IMAGE002
，
Figure 35114DEST_PATH_IMAGE003
为第i，j个环境画像帧，
Figure 89920DEST_PATH_IMAGE004
是
Figure 210323DEST_PATH_IMAGE002
和
Figure 849115DEST_PATH_IMAGE003
的联合概率分布函数，而
Figure 713166DEST_PATH_IMAGE005
和
Figure 996379DEST_PATH_IMAGE006
分别是
Figure 677896DEST_PATH_IMAGE002
和
Figure 679350DEST_PATH_IMAGE003
的边缘概率分布函数；
在相似度节点数据链上选取所有跳跃节点，并选取所有跳跃节点两端的环境画像帧汇总构成环境画像关键帧；
其中，跳跃节点是指相似度节点数据链上相邻节点数值相差超过相似度阈值的数据节点。
作为本发明的一种优选方案，所述基于环境画像数据链构建灾害预测模型的具体方法为：
利用环境画像数据链提取环境特征域，并基于环境特征域构建初始embedding向量域；
搭建FM结构层和DNN结构层融合的深度学习网络，并为初始embedding向量域设置调节因子用以训练所述深度学习网络获得灾害预测模型。
作为本发明的一种优选方案，为初始embedding向量域设置调节因子用以训练所述深度学习网络获得灾害预测模型的具体方式为：
将初始embedding向量域通过调节因子进行迭代调节获得多组embedding向量调节域；
基于多组embedding向量调节域训练深度学习网络获得多组灾害预测模型，并对多组灾害预测模型进行准确度评估获得最优灾害预测模型。
作为本发明的一种优选方案，所述调节因子用于在环境特征中保留主要特征并改变次要特征以提高灾害预测模型的广度预测能力，所述调节因子的具体公式为：
调节因子
Figure 471726DEST_PATH_IMAGE007
；
其中，
Figure 343867DEST_PATH_IMAGE008
为与初始embedding向量域对应的环境特征域，
Figure 697750DEST_PATH_IMAGE009
为与embedding向量调节域对应的环境特征调节域，T为转置运算符。
作为本发明的一种优选方案，所述FM结构层用于对所述环境特征域进行低阶特征量化提取，所述DNN结构层用于对所述环境特征域进行高阶特征量化提取，所述FM结构层和DNN结构层融合的深度学习网络共同获得环境特征域的低阶特征和高阶特征的全覆盖以获得模型预测的最佳效果，所述FM结构层和DNN结构层融合的深度学习网络的预测输出结果为：
Figure 392354DEST_PATH_IMAGE011
；
其中，
Figure 509214DEST_PATH_IMAGE012
，yFM为FM结构层的输出，<w,x>为环境特征x的权重，w为权重信息，V i , V j 为环境特征x i ,x j 的隐向量,
Figure 673479DEST_PATH_IMAGE013
为环境特征x i ,x j 的特征组合函数，d为环境特征x总数；
Figure 243001DEST_PATH_IMAGE014
，yDNN为DNN结构层的输出，DNN结构层为全链接的前馈神经网络，H为隐藏层的网络层数，DNN结构层中相邻网络层关系为
Figure 252545DEST_PATH_IMAGE015
，σ为激活函数，W(l)、a(l)、b(l)分别为第l层网络的权重、输入和偏置，a(0)＝[e1,e2,…,em]，em为embedding的第m个向量调节域。
作为本发明的一种优选方案，所述多组embedding向量调节域生成的具体方法包括：
将初始embedding向量域对应的环境特征域代入调节因子进行迭代运算获得多组环境特征调节域，环境特征域迭代运算具体公式为：
Figure 630437DEST_PATH_IMAGE016
；
其中，k={1,2,…,N}，N为迭代次数，f为迭代函数；
将多组环境特征调节域依次进行one-hot编码和Embedding变换生成多组embedding向量调节域。
作为本发明的一种优选方案，多组所述灾害预测模型进行准确度评估获得最优灾害预测模型的具体方法包括：
将所有所述环境画像数据链分别接入多组灾害预测模型，记录每组灾害预测模型对所有目标区域的灾害预测数据；
分别计算每组灾害预测模型的灾害预测数据与灾害真实数据的互信息，并选取最高互信息的灾害预测模型作为最优灾害预测模型。
作为本发明的一种优选方案，本发明提供了一种自然灾害预警系统，包括环境画像构建单元、预测模型构建单元以及灾害预警单元；
环境画像构建单元，用于实时采集目标区域的环境数据并建立用于记录表示每个目标区域对目标灾害的目标预测的环境画像数据链；
预测模型构建单元，与所述环境画像构建单元通讯连接，所述预测模型构建单元接收所述环境画像数据链，并基于环境画像数据链构建灾害预测模型；
灾害预警单元，与所述预测模型构建单元通讯连接，所述灾害预警单元依据灾害预测模型对目标区域进行目标灾害的实时预警。
本发明与现有技术相比较具有如下有益效果：
本发明对目标区域的环境日志进行分帧量化并利用相邻帧间相似度对环境日志进行关键帧提取，从而保留环境日志中重要环境数据的同时对环境日志进行降维，降低后续特征提取的数据处理量，提高模型训练效率，另一方面利用FM结构层和DNN结构层共同构建用于建立灾害预测模型的深度神经网络，实现了对高阶特征和低阶特征的全覆盖学习，提高灾害预测模型的记忆能力以及泛化能力，而且引入调节因子使灾害预测模型在进行预测时通过训练相应的embedding向量调节域，在保留主要特征的同时，最大限度地改变次要特征，在保留灾害预测模型“记忆能力”和“泛化能力”的基础上，引导灾害预测模型发现目标区域的主流灾害的同时更为广度的发现其他小众灾害，以此来提高预测的广度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的自然灾害预警方法流程图；
图2为本发明实施例提供的预警系统结构示意图；
图3为本发明实施例提供的环境画像数据链构建的流程图；
图4为本发明实施例提供的灾害预测模型结构框图；
图5为本发明实施例提供的灾害预测结果数据图。
图中的标号分别表示如下：
1-环境画像构建单元；2-预测模型构建单元；3-灾害预警单元；4-环境画像帧；5-相似度节点数据链；6-环境画像数据链。
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。
如图1-4所示，本发明提供了一种自然灾害预警方法，包括以下步骤：
步骤S1、环境画像构建单元1实时采集目标区域的环境数据并建立用于记录表示每个目标区域对目标灾害的目标预测的环境画像数据链6；
所述环境画像构建单元1包含一组设置在目标区域中的监测总成，所述环境画像数据链6构建的具体方法包括：
预测目标区域内自然灾害发生的状况，因此需要对目标区域进行实时监测从而获得连续监测的环境数据，即为环境日志，而通常情况下目标区域内的环境场景在自然灾害发生时间段内才会发生剧烈变化，监测灾害发生时间段以外的环境场景的环境数据会存在长时间的稳定相似状态，将稳定相似状态下的时间段内的环境数据可进行相似性降维，只获取环境数据变化程度大的关键环境数据作为预测模型建立的样本数据，可极大程度的降低样本数据的数据量，并保留重要的样本数据，最终提高样本特征处理的效率。
如图3所示，环境画像实时监测目标区域的环境数据，并按时序连续记录所述环境数据构成目标区域的环境日志；
对环境日志进行分帧量化生成多个独立的环境画像帧4，并对所有环境画像帧4进行节点量化获得环境画像关键帧；
所述环境日志依时序进行等时长的分帧量化生成多个具有相同时长的环境画像帧4，对所有所述环境画像帧4进行节点量化获得环境画像关键帧的具体方法包括：
依次计算相邻环境画像帧4之间的相似度构成相似度节点数据链5，所述相似度的计算公式为：
Figure 559079DEST_PATH_IMAGE001
；
其中，C为环境画像帧4的集合，
Figure 756842DEST_PATH_IMAGE002
，
Figure 930597DEST_PATH_IMAGE003
为第i，j个环境画像帧4，
Figure 897416DEST_PATH_IMAGE004
是
Figure 262538DEST_PATH_IMAGE002
和
Figure 947597DEST_PATH_IMAGE003
的联合概率分布函数，而
Figure 423578DEST_PATH_IMAGE005
和
Figure 244903DEST_PATH_IMAGE006
分别是
Figure 780927DEST_PATH_IMAGE002
和
Figure 953282DEST_PATH_IMAGE003
的边缘概率分布函数；
在相似度节点数据链5上选取所有跳跃节点，并选取所有跳跃节点两端的环境画像帧4汇总构成环境画像关键帧；
相似度表征相邻环境画像帧4之间的相似程度，数值越高则相似程度越高，即可用相邻环境画像帧4两者降维为任一环境画像帧4表示，因此将相邻环境画像帧4之间的相似度构成相似度节点数据链5，相似度节点数据链5中平缓曲线上的所有数据节点对应的相邻环境画像帧4均具有一致的相似度，可随机选取平缓曲线上的所有数据节点对应的某一环境画像帧4进行表征完成多变一的环境画像帧4降维，相似度节点数据链5上跳跃节点对应的相邻环境画像帧4均具有不一致的相似度，即相邻环境画像帧4环境中环境数据变化剧烈，体现了真实环境场景的剧烈变化，因此相邻环境画像帧4作为环境画像关键帧进行保留，将所有环境画像关键帧链接构成的环境画像数据链6，体现了目标区域的环境场景变化趋势，并且删除了冗余的环境场景平缓趋势，可用作灾害预测模型建立的样本数据。
其中，跳跃节点是指相似度节点数据链5上相邻节点数值相差超过相似度阈值的数据节点。
将所有所述环境画像关键帧按时序进行深度链接获得环境画像数据链6。
步骤S2、预测模型构建单元2接收所述环境画像数据链6，并基于环境画像数据链6构建灾害预测模型；
所述基于环境画像数据链6构建灾害预测模型的具体方法为：
利用环境画像数据链6提取环境特征域，并基于环境特征域构建初始embedding向量域；
环境画像数据链6进行稀疏特征提取汇总构成环境特征域，将环境特征域中的稀疏特征依次进行one-hot编码和Embedding变换获得初始embedding向量域。
如图4所示，搭建FM结构层和DNN结构层融合的深度学习网络，并为初始embedding向量域设置调节因子用以训练所述深度学习网络获得灾害预测模型。
DNN结构层为深度神经网络(Deep Neural Networks)，FM结构层为因子分解机(Factorization Machines)，基于FM结构层和DNN结构层融合的搭建的深度学习网络同时提高预测模型的“记忆能力”和“泛化能力”，应用DNN结构层的泛化特性可以提高预测模型的泛化性能，同时通过应用FM结构层对低维度的embedding向量域进行学习可挖掘更深层次的隐藏特征，更好地学习了低阶和高阶的特征，可使建立FM结构层和DNN结构层融合的深度学习网络基础上的预测模型在提供记忆能力的同时也提高了泛化能力。
建立FM结构层和DNN结构层融合的深度学习网络基础上的预测模型还存在一定的局限性，即过分依赖于特征进行挖掘预测深度，即致力于提高对某类灾害的预测准确性，但忽视了对于它类灾害的预测，也称之为预测广度，比如在容易发生洪水灾害的目标区域，主流灾害为洪水灾害，次要灾害为飓风，山体滑坡等其他灾害，预测模型仅仅会预测洪水灾害的发生状况，而对飓风、山体滑坡等灾害进行忽视，从而导致要对次要灾害进行预测还需要设置飓风灾害预测模型和山体滑坡灾害预测模型，导致对目标区域内的灾害预测广度低。
环境特征存在两种属性，一种是依赖属性，即一个特征可能依赖另一个或多个特征，改变一个特征会引起一连串的连锁反应，另外一种是主要属性，即环境特征可能只有一个起到主要作用，本实施提供了一种调节因子对环境特征的两种属性进行表征的同时，用于解决基于FM结构层和DNN结构层融合的深度学习网络基础上的灾害预测模型的局限性，具体如下：
为初始embedding向量域设置调节因子用以训练所述深度学习网络获得灾害预测模型的具体方式为：
将初始embedding向量域通过调节因子进行迭代调节获得多组embedding向量调节域；
基于多组embedding向量调节域训练深度学习网络获得多组灾害预测模型，并对多组灾害预测模型进行准确度评估获得最优灾害预测模型。
所述调节因子用于在环境特征中保留主要特征并改变次要特征以提高灾害预测模型的广度预测能力，所述调节因子的具体公式为：
Figure 842741DEST_PATH_IMAGE017
；
其中，
Figure 675830DEST_PATH_IMAGE008
为与初始embedding向量域对应的环境特征域，
Figure 992542DEST_PATH_IMAGE009
为与embedding向量调节域对应的环境特征调节域，T为转置运算符，可根据实际使用进行设定，原则上尽量取值较小，说明
Figure 204397DEST_PATH_IMAGE018
和
Figure 265894DEST_PATH_IMAGE019
在训练中没有发生很大变化，表示当前环境特征域数据固定，即主要特征稳定，次要特征发生改变，建立在当前环境特征域的灾害预测模型具有预测深度的同时具有预测广度。
所述FM结构层用于对所述环境特征域进行低阶特征量化提取，所述DNN结构层用于对所述环境特征域进行高阶特征量化提取，所述FM结构层和DNN结构层融合的深度学习网络共同获得环境特征域的低阶特征和高阶特征的全覆盖以获得模型预测的最佳效果，所述FM结构层和DNN结构层融合的深度学习网络的预测输出结果为：
Figure 143720DEST_PATH_IMAGE011
；
其中，
Figure 25089DEST_PATH_IMAGE012
，yFM为FM结构层的输出，<w,x>为环境特征x的权重，w为权重信息，V i , V j 为环境特征x i ,x j 的隐向量,
Figure 646563DEST_PATH_IMAGE013
为环境特征x i ,x j 的特征组合函数，d为环境特征x总数；
Figure 296987DEST_PATH_IMAGE014
，yDNN为DNN结构层的输出，DNN结构层为全链接的前馈神经网络，H为隐藏层的网络层数，DNN结构层中相邻网络层关系为
Figure 835461DEST_PATH_IMAGE015
，σ为激活函数，W(l)、a(l)、b(l)分别为第l层网络的权重、输入和偏置，a(0)＝[e1,e2,…,em]，em为embedding的第m个向量调节域。
所述多组embedding向量调节域生成的具体方法包括：
将初始embedding向量域对应的环境特征域代入调节因子进行迭代运算获得多组环境特征调节域，环境特征域迭代运算具体公式为：
Figure 204125DEST_PATH_IMAGE016
；
其中，k={1,2,…,N}，N为迭代次数，f为迭代函数；
将多组环境特征调节域依次进行one-hot编码和Embedding变换生成多组embedding向量调节域。
初始embedding向量域变换成多组embedding向量调节域，一方面是环境特征之间的原有特征依赖关系的破裂，这个时候需要新的依赖关系的重组。当新的依赖关系建立之后相应环境特征域不会出现大的变化，次要特征进行最大限度的更新，基于新的依赖关系可进一步的预测出各类次要灾害，另一方面就是环境特征中的主要特征。预测到新次要灾害时，主要特征是不会引起太大变动的(例如，因为预测到飓风灾害时，会更新山体滑坡这个特征域的embedding向量调节域，洪水这个特征域的embedding向量调节域没有大变化，因此，不会出现更新洪水特征域的值而导致重大错误现象发生)。
利用基础的基于环境特征建立的预测模型进行区域内的灾害预测，会获得区域内最突出的灾害种类的最高预测准确性，而并不对其余次要灾害种类进行预测考虑，导致灾害预测的广度太低，若要对次要灾害种类进行预测需要重新建立预测次要灾害种类的预测模型，利用本实施例提供的灾害预测模型，会不断的建立环境特征间的新依赖关系进行环境特征的更新，发掘预测次要灾害所需要的环境特征，同时会尊重主要特征的主导地位，以确保主要灾害的预测准确性，同时保障区域内灾害预测的广度和深度。
具体的，以某一灾害频发区域中，如图5所示，A曲线为本实施例提供的灾害预测模型预测的结果，B曲线为基于环境特征建立的预测模型预测的结果，将基于环境特征建立的预测模型预测的结果与本实施例提供的灾害预测模型预测的结果相比较，基于环境特征建立的预测模型预测的结果在主要灾害的预测准确度上表现与本实施例提供的灾害预测模型相齐平，而基于环境特征建立的预测模型预测的结果在灾害种类的预测广度上远远低于本实施例提供的灾害预测模型。多组灾害预测模型进行准确度评估获得最优灾害预测模型的具体方法包括：
将所有所述环境画像数据链6分别接入多组灾害预测模型，记录每组灾害预测模型对所有目标区域的灾害预测数据；
分别计算每组灾害预测模型的灾害预测数据与灾害真实数据的互信息，并选取最高互信息的灾害预测模型作为最优灾害预测模型。
步骤S3、灾害预警单元3依据灾害预测模型对目标区域进行目标灾害的实时预警。
具体的，实时采集目标区域的环境数据输入灾害预测模型进行灾害预测获得目标灾害的预测结果，并将预测结果通过网络通信传输到监测控制平台向职能人员发送预警指示，等待职能人员防控应答。
如图2所示，基于上述自然灾害预警方法，本发明提供了一种预警系统，包括环境画像构建单元1、预测模型构建单元2以及灾害预警单元3；
环境画像构建单元1，用于实时采集目标区域的环境数据并建立用于记录表示每个目标区域对目标灾害的目标预测的环境画像数据链6；
预测模型构建单元2，与所述环境画像构建单元1通讯连接，所述预测模型构建单元2接收所述环境画像数据链6，并基于环境画像数据链6构建灾害预测模型；
灾害预警单元3，与所述预测模型构建单元2通讯连接，所述灾害预警单元3依据灾害预测模型对目标区域进行目标灾害的实时预警。
本发明对目标区域的环境日志进行分帧量化并利用相邻帧间相似度对环境日志进行关键帧提取，从而保留环境日志中重要环境数据的同时对环境日志进行降维，降低后续特征提取的数据处理量，提高模型训练效率，另一方面利用FM结构层和DNN结构层共同构建用于建立灾害预测模型的深度神经网络，实现了对高阶特征和低阶特征的全覆盖学习，提高灾害预测模型的记忆能力以及泛化能力，而且引入调节因子使灾害预测模型在进行预测时通过训练相应的embedding向量调节域，在保留主要特征的同时，最大限度地改变次要特征，在保留灾害预测模型“记忆能力”和“泛化能力”的基础上，引导灾害预测模型发现目标区域的主流灾害的同时更为广度的发现其他小众灾害，以此来提高预测的广度。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (5)

1.一种自然灾害预警方法，其特征在于，包括以下步骤：
步骤S1、环境画像构建单元实时采集目标区域的环境数据并建立用于记录表示每个目标区域对目标灾害的目标预测的环境画像数据链；
步骤S2、预测模型构建单元接收所述环境画像数据链，并基于环境画像数据链构建灾害预测模型；
步骤S3、灾害预警单元依据灾害预测模型对目标区域进行目标灾害的实时预警；
所述环境画像构建单元包含一组设置在目标区域中的监测总成，所述环境画像数据链构建的具体方法包括：
环境画像实时监测目标区域的环境数据，并按时序连续记录所述环境数据构成目标区域的环境日志；
对环境日志进行分帧量化生成多个独立的环境画像帧，并对所有环境画像帧进行节点量化获得环境画像关键帧；
将所有所述环境画像关键帧按时序进行深度链接获得环境画像数据链；
所述环境日志依时序进行等时长的分帧量化生成多个具有相同时长的环境画像帧，对所有所述环境画像帧进行节点量化获得环境画像关键帧的具体方法包括：
依次计算相邻环境画像帧之间的相似度构成相似度节点数据链，所述相似度的计算公式为：
Figure 324638DEST_PATH_IMAGE001
；
其中，C为环境画像帧的集合，
Figure 875706DEST_PATH_IMAGE002
，
Figure 910920DEST_PATH_IMAGE003
为第i，j个环境画像帧，
Figure 231043DEST_PATH_IMAGE004
是
Figure 457625DEST_PATH_IMAGE005
和
Figure 495988DEST_PATH_IMAGE006
的联合概率分布函数，而
Figure 567849DEST_PATH_IMAGE007
和
Figure 8058DEST_PATH_IMAGE008
分别是
Figure 661934DEST_PATH_IMAGE009
和
Figure 187594DEST_PATH_IMAGE010
的边缘概率分布函数；
在相似度节点数据链上选取所有跳跃节点，并选取所有跳跃节点两端的环境画像帧汇总构成环境画像关键帧；
其中，跳跃节点是指相似度节点数据链上相邻节点数值相差超过相似度阈值的数据节点；
所述基于环境画像数据链构建灾害预测模型的具体方法为：
利用环境画像数据链提取环境特征域，并基于环境特征域构建初始embedding向量域；
搭建FM结构层和DNN结构层融合的深度学习网络，并为初始embedding向量域设置调节因子用以训练所述深度学习网络获得灾害预测模型；
为初始embedding向量域设置调节因子用以训练所述深度学习网络获得灾害预测模型的具体方式为：
将初始embedding向量域通过调节因子进行迭代调节获得多组embedding向量调节域；
基于多组embedding向量调节域训练深度学习网络获得多组灾害预测模型，并对多组灾害预测模型进行准确度评估获得最优灾害预测模型；
所述调节因子用于在环境特征中保留主要特征并改变次要特征以提高灾害预测模型的广度预测能力，所述调节因子的具体公式为：
调节因子
Figure 797567DEST_PATH_IMAGE011
；
其中，
Figure 357861DEST_PATH_IMAGE012
为与初始embedding向量域对应的环境特征域，
Figure 926246DEST_PATH_IMAGE013
为与embedding向量调节域对应的环境特征调节域，T为转置运算符。
2.根据权利要求1所述的一种自然灾害预警方法，其特征在于，所述FM结构层用于对所述环境特征域进行低阶特征量化提取，所述DNN结构层用于对所述环境特征域进行高阶特征量化提取，所述FM结构层和DNN结构层融合的深度学习网络共同获得环境特征域的低阶特征和高阶特征的全覆盖以获得模型预测的最佳效果，所述FM结构层和DNN结构层融合的深度学习网络的预测输出结果为：
Figure 175087DEST_PATH_IMAGE014
；
其中，
Figure 854330DEST_PATH_IMAGE015
，yFM为FM结构层的输出，<w,x>为环境特征x的权重，w为权重信息，V i , V j 为环境特征x i ,x j 的隐向量,
Figure 3551DEST_PATH_IMAGE016
为环境特征x i ,x j 的特征组合函数，d为环境特征x总数；
Figure 742837DEST_PATH_IMAGE017
，yDNN为DNN结构层的输出，DNN结构层为全链接的前馈神经网络，H为隐藏层的网络层数，DNN结构层中相邻网络层关系为
Figure 977509DEST_PATH_IMAGE018
，σ为激活函数，W(l)、a(l)、b(l)分别为第l层网络的权重、输入和偏置，a(0)＝[e1,e2,…,em]，em为embedding的第m个向量调节域。
3.根据权利要求2所述的一种自然灾害预警方法，其特征在于，所述多组embedding向量调节域生成的具体方法包括：
将初始embedding向量域对应的环境特征域代入调节因子进行迭代运算获得多组环境特征调节域，环境特征域迭代运算具体公式为：
Figure 693399DEST_PATH_IMAGE019
；
其中，k={1,2,…,N}，N为迭代次数，f为迭代函数；
将多组环境特征调节域依次进行one-hot编码和Embedding变换生成多组embedding向量调节域。
4.根据权利要求3所述的一种自然灾害预警方法，其特征在于，多组所述灾害预测模型进行准确度评估获得最优灾害预测模型的具体方法包括：
将所有所述环境画像数据链分别接入多组灾害预测模型，记录每组灾害预测模型对所有目标区域的灾害预测数据；
分别计算每组灾害预测模型的灾害预测数据与灾害真实数据的互信息，并选取最高互信息的灾害预测模型作为最优灾害预测模型。
5.一种基于权利要求1-4任一项所述方法的自然灾害预警系统，其特征在于，包括环境画像构建单元（1）、预测模型构建单元（2）以及灾害预警单元（3）；
环境画像构建单元（1），用于实时采集目标区域的环境数据并建立用于记录表示每个目标区域对目标灾害的目标预测的环境画像数据链；
预测模型构建单元（2），与所述环境画像构建单元通讯连接，所述预测模型构建单元接收所述环境画像数据链，并基于环境画像数据链构建灾害预测模型；
灾害预警单元（3），与所述预测模型构建单元通讯连接，所述灾害预警单元依据灾害预测模型对目标区域进行目标灾害的实时预警。
CN202110439371.XA 2021-04-23 2021-04-23 一种自然灾害预警系统及预警方法 Active CN112863132B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110439371.XA CN112863132B (zh) 2021-04-23 2021-04-23 一种自然灾害预警系统及预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110439371.XA CN112863132B (zh) 2021-04-23 2021-04-23 一种自然灾害预警系统及预警方法

Publications (2)

Publication Number Publication Date
CN112863132A CN112863132A (zh) 2021-05-28
CN112863132B true CN112863132B (zh) 2021-07-13

Family

ID=75992805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110439371.XA Active CN112863132B (zh) 2021-04-23 2021-04-23 一种自然灾害预警系统及预警方法

Country Status (1)

Country Link
CN (1) CN112863132B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113558635B (zh) * 2021-06-07 2023-09-19 华中科技大学同济医学院附属协和医院 一种神经性耳聋病人脑功能网络演化的评估方法
CN114782831B (zh) * 2022-06-23 2022-11-01 广东孺子牛地理信息科技有限公司 一种动态集成自然灾害遥感监测方法、系统及云平台
CN116822658B (zh) * 2023-08-28 2024-01-26 长江三峡集团实业发展(北京)有限公司 一种风光资源的预警方法、装置、计算机设备及存储介质
CN117709732B (zh) * 2024-02-06 2024-04-26 北京天译科技有限公司 结合气象监测数据的农业灾害报告生成方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2831797A1 (en) * 2012-03-30 2015-02-04 Irdeto Canada Corporation Securing accessible systems using dynamic data mangling
CN106101629A (zh) * 2016-06-30 2016-11-09 北京小米移动软件有限公司 输出图像的方法及装置
CN106682639A (zh) * 2017-01-03 2017-05-17 安徽农业大学 一种基于视频监测的作物叶部异常图像提取方法
CN107483887A (zh) * 2017-08-11 2017-12-15 中国地质大学（武汉） 一种智慧城市视频监控中突发情况的预警检测方法
CN109145991A (zh) * 2018-08-24 2019-01-04 北京地平线机器人技术研发有限公司 图像组生成方法、图像组生成装置和电子设备
CN110287932A (zh) * 2019-07-02 2019-09-27 中国科学院遥感与数字地球研究所 基于深度学习图像语义分割的道路阻断信息提取
CN111368150A (zh) * 2018-12-25 2020-07-03 北京奇虎科技有限公司 预测模型的训练方法、装置及电子设备
CN112016772A (zh) * 2020-10-29 2020-12-01 成都中轨轨道设备有限公司 一种自然灾害预警系统及方法
CN112328844A (zh) * 2020-11-18 2021-02-05 恩亿科(北京)数据科技有限公司 一种处理多类型数据的方法及系统
CN112382043A (zh) * 2020-10-23 2021-02-19 杭州翔毅科技有限公司 基于卫星监测的灾害预警方法、设备、存储介质及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10402653B2 (en) * 2016-03-30 2019-09-03 Nec Corporation Large margin high-order deep learning with auxiliary tasks for video-based anomaly detection
CN109711883B (zh) * 2018-12-26 2022-12-02 西安电子科技大学 基于U-Net网络的互联网广告点击率预估方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2831797A1 (en) * 2012-03-30 2015-02-04 Irdeto Canada Corporation Securing accessible systems using dynamic data mangling
CN106101629A (zh) * 2016-06-30 2016-11-09 北京小米移动软件有限公司 输出图像的方法及装置
CN106682639A (zh) * 2017-01-03 2017-05-17 安徽农业大学 一种基于视频监测的作物叶部异常图像提取方法
CN107483887A (zh) * 2017-08-11 2017-12-15 中国地质大学（武汉） 一种智慧城市视频监控中突发情况的预警检测方法
CN109145991A (zh) * 2018-08-24 2019-01-04 北京地平线机器人技术研发有限公司 图像组生成方法、图像组生成装置和电子设备
CN111368150A (zh) * 2018-12-25 2020-07-03 北京奇虎科技有限公司 预测模型的训练方法、装置及电子设备
CN110287932A (zh) * 2019-07-02 2019-09-27 中国科学院遥感与数字地球研究所 基于深度学习图像语义分割的道路阻断信息提取
CN112382043A (zh) * 2020-10-23 2021-02-19 杭州翔毅科技有限公司 基于卫星监测的灾害预警方法、设备、存储介质及装置
CN112016772A (zh) * 2020-10-29 2020-12-01 成都中轨轨道设备有限公司 一种自然灾害预警系统及方法
CN112328844A (zh) * 2020-11-18 2021-02-05 恩亿科(北京)数据科技有限公司 一种处理多类型数据的方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DeepFM: A Factorization-Machine based Neural Network for CTR Prediction;Huifeng Guo等;《Twenty-Sixth International Joint Conference on Artificial Intelligence》;20171231;全文 *
基于深度神经网络的临床医疗预测模型研究;吴庆洲;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20200115;全文 *

Also Published As

Publication number Publication date
CN112863132A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112863132B (zh) 一种自然灾害预警系统及预警方法
Zhou et al. Anomalynet: An anomaly detection network for video surveillance
CN110807385B (zh) 目标检测方法、装置、电子设备及存储介质
CN111274995B (zh) 视频分类方法、装置、设备和计算机可读存储介质
Zhu et al. Msnet: A multilevel instance segmentation network for natural disaster damage assessment in aerial videos
CN110188597B (zh) 基于注意力机制循环缩放的人群计数与定位方法和系统
CN112309068B (zh) 一种基于深度学习的森林火灾预警方法
CN116596151B (zh) 基于时空图注意力的交通流量预测方法及计算设备
US20240028744A1 (en) Dynamic network risk predicting method based on a graph neural network
CN108650065A (zh) 基于窗口的流式数据缺失处理方法
CN114495507A (zh) 融合时空注意力神经网络和交通模型的交通流预测方法
CN111031330A (zh) 一种基于多模态融合的网络直播内容分析方法
CN111898836A (zh) 一种犯罪时空预测方法及系统
CN115470201A (zh) 基于图注意力网络的海洋遥感缺失数据智能补全方法
CN115080756A (zh) 一种面向威胁情报图谱的攻防行为和时空信息抽取方法
CN114202803A (zh) 一种基于残差网络的多阶段人体异常动作检测方法
CN116596109A (zh) 一种基于门控时间卷积网络的交通流预测模型
Hu et al. Video anomaly detection based on 3D convolutional auto-encoder
Hu et al. UAV image high fidelity compression algorithm based on generative adversarial networks under complex disaster conditions
CN115964503A (zh) 基于社区设备设施的安全风险预测方法及系统
CN117315331A (zh) 一种基于gnn和lstm的动态图异常检测方法及系统
CN112150750A (zh) 一种基于边缘计算的森林火警监测系统
CN115082820A (zh) 一种监控视频中群体全局异常行为检测方法和装置
CN114095725B (zh) 一种判断摄像头是否异常的方法和系统
CN115762147A (zh) 一种基于自适应图注意神经网络的交通流量预测方法

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