CN114078070A - 一种多源数据融合的文旅安全监测及溯源分析方法及系统 - Google Patents
一种多源数据融合的文旅安全监测及溯源分析方法及系统 Download PDFInfo
- Publication number
- CN114078070A CN114078070A CN202111443977.7A CN202111443977A CN114078070A CN 114078070 A CN114078070 A CN 114078070A CN 202111443977 A CN202111443977 A CN 202111443977A CN 114078070 A CN114078070 A CN 114078070A
- Authority
- CN
- China
- Prior art keywords
- source data
- travel safety
- level
- data
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 70
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 230000004927 fusion Effects 0.000 title claims description 20
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000010239 partial least squares discriminant analysis Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 2
- 230000009469 supplementation Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多源数据融合的文旅安全监测及溯源分析方法及系统,方法包括:通过采样器采集多源数据,并通过控制器对多源数据进行AD转换;将经过AD转换后的多源数据经无线通信协议传输至远端服务器,对多源数据进行预处理及特征提取;将经过特征提取后的多源数据输入文旅安全监测及溯源分析模型中,输出待监测地区文旅安全等级;根据文旅安全等级,生成监测预警,并将文旅安全等级和待监测地区不同区域的位置信息进行可视化展示。可对影响城市文旅安全的多源数据进行融合、分析,输出地区文旅安全等级,分类精准,辨别效率高,鲁棒性强。
Description
技术领域
本发明涉及文旅公共安全分析技术领域,特别涉及一种多源数据融合的文旅安全监测及溯源分析方法及系统。
背景技术
在经济高速发展的当代,随着人们生活水平的增加,越来越多的人选择对外出行旅游。水位、温度、人流量等为影响人们出行旅游的主要影响因素。对各个旅游地区水位、温度、人流量的监测预警主要通过人工主观感知,对影响文旅安全的溯源主要依靠人工排查及人工举报等方式。通常为文旅安全事故发生后由相关目击者举报,相关监管人员从事故地点逐步向上游排查影响文旅安全事故的因素。如此不仅费时费力,且时效性较低,主观性较强,对相关文旅安全影响因素的实时监管能动性较弱。
因此,在现有的对文旅公共安全监测的基础上,如何提供一种多源数据融合的文旅安全监测及溯源分析方法及系统,对影响文旅公共安全的水位、温度、人流量等多源数据进行融合、分析,输出地区文旅安全等级,生成监测预警,并对文旅安全影响发生地进行溯源,成为本领域技术人员亟需解决的问题。
发明内容
鉴于上述问题,本发明提出了一种至少解决上述部分技术问题的多源数据融合的文旅安全监测及溯源分析方法及系统,该方法可融合分析多源区域水位、温度、人流量等信息,并输出地区文旅安全等级,生成监测预警。
本发明实施例提供一种多源数据融合的文旅安全监测及溯源分析方法,包括如下步骤:
S1、通过采样器采集多源数据,并通过控制器对所述多源数据进行AD转换;所述多源数据包括:待监测地区不同区域内水位、温度、人流量信息和对应的区域位置信息;
S2、将经过AD转换后的多源数据经无线通信协议传输至远端服务器,对所述AD转换后的多源数据进行预处理,并对预处理后的多源数据进行特征提取;
S3、将经过特征提取后的多源数据输入文旅安全监测及溯源分析模型中,输出待监测地区文旅安全等级;所述文旅安全等级包括:一级安全等级、二级安全等级、三级安全等级和四级安全等级;
S4、根据所述文旅安全等级,生成监测预警,并将所述文旅安全等级和所述待监测地区不同区域的位置信息进行可视化展示。
进一步地,所述步骤S2中,对AD转换后的多源数据进行预处理,包括:
S21、对AD转换后的多源数据进行异常数据清洗;
S22、采用插值法对清洗后的多源数据进行数据补充;
S23、对数据补充后的多源数据进行批量归一化,形成标准正态分布。
进一步地,所述S21包括:去除缺失数据、重复数据和噪音数据。
进一步地,所述S2中,采用主成分分析对预处理后的多源数据进行特征提取。
进一步地,所述S3中,文旅安全监测及溯源分析模型采用长短期记忆神经网路模型,卷积核采用3*3大小尺寸,池化层采用2*2的最大池化,并采用LReLU激活函数。
进一步地,所述文旅安全监测及溯源分析模型输出层添加一层dropout层。
进一步地,所述文旅安全监测及溯源分析模型分类层采用偏最小二乘判别分析。
进一步地,所述文旅安全监测及溯源分析模型采用Adam优化算法作为模型的优化器。
进一步地,所述文旅安全监测及溯源分析模型使用Softmax Loss和Center Loss的加权作为损失函数进行训练优化:
其中,m为训练批次的大小;xi为第g类的第i个样本的特征向量;N为训练数据类别总数;wg为最后一层dropout层的权重集合;bg为对应的偏置值;λ为Center Loss的权重值;Zg为第g类的中心特征向量。
本实施例还提供一种多源数据融合的文旅安全监测及溯源分析系统,包括:
数据采集模块,用于采集多源数据,并对所述多源数据进行AD转换;所述多源数据包括:待监测地区不同区域内水位、温度、人流量信息和对应的区域位置信息;
数据处理模块,用于对所述AD转换后的多源数据进行预处理,并对预处理后的多源数据进行特征提取;
分类模块,用于将经过特征提取后的多源数据输入文旅安全监测及溯源分析模型中,输出待监测地区文旅安全等级;所述文旅安全等级包括:一级安全等级、二级安全等级、三级安全等级和四级安全等级;
可视化模块,用于根据所述文旅安全等级,生成监测预警,并将所述文旅安全等级和所述待监测地区不同区域的位置信息进行可视化展示。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的一种多源数据融合的文旅安全监测及溯源分析方法,包括:通过采样器采集多源数据,并通过控制器对多源数据进行AD转换;将经过AD转换后的多源数据经无线通信协议传输至远端服务器,对多源数据进行预处理及特征提取;将经过特征提取后的多源数据输入文旅安全监测及溯源分析模型中,输出待监测地区文旅安全等级;根据文旅安全等级,生成监测预警,并将文旅安全等级和待监测地区不同区域的位置信息进行可视化展示。可对城市文旅安全的多源数据进行融合、分析,输出地区文旅安全等级,分类精准,辨别效率高,鲁棒性强。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的一种多源数据融合的文旅安全监测及溯源分析方法流程图;
图2为本发明实施例提供的多源数据融合的文旅安全监测及溯源分析系统框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种多源数据融合的文旅安全监测及溯源分析方法,参照图1所示,包括如下步骤:
S1、通过采样器采集多源数据,并通过控制器对多源数据进行AD转换;其中,多源数据包括:待监测地区不同区域内水位、温度、人流量信息和对应的区域位置信息;
S2、将经过AD转换后的多源数据经无线通信协议传输至远端服务器,对AD转换后的多源数据进行预处理,并对预处理后的多源数据进行特征提取;
S3、将经过特征提取后的多源数据输入文旅安全监测及溯源分析模型中,输出待监测地区文旅安全等级;文旅安全等级包括:一级安全等级、二级安全等级、三级安全等级、四级安全等级和五级安全等级;
S4、根据文旅安全等级,生成监测预警,并将该文旅安全等级和待监测地区不同区域的位置信息进行可视化展示。
本实施例通过对采集到的待监测地区的多源区域文旅安全数据信息进行特征提取、解析、分析,输入文旅安全监测及溯源分析模型中,划分各区域的文旅安全区域等级,并综合判定输出该地区的文旅安全等级。生成监测预警,对文旅安全进行溯源,进行可视化展示。提高了文旅安全等级辨别效率,降低了过拟合,鲁棒性强。
下面具体对本实施例提供的多源数据融合的文旅安全监测及溯源分析方法,具体步骤作详细描述:
首先,采用采样器对待监测地区不同区域内的水位、温度、人流量信息进行采集。通过控制器将所采集到的各区域的水位、温度、人流量信息进行AD转换,并经过无线通信协议将该地区的不同区域的水位、温度、人流量信息和具体位置信息生成多源数据,并传输至监管部门服务器(即远端服务器)。
然后,监管部门服务器将该接收到的多源数据(包括:不同区域的水位、温度、人流量信息和具体位置信息)进行解析。对该多源数据进行预处理,对异常数据进行清洗(去除缺失数据、重复数据以及噪音数据),并采用插值的方法对数据进行补充。对清洗后的多源数据进行批量归一化,形成标准正态分布。假设输入为x={x1,x2,x3,x4,x5,x6…xn},则归一化过程可表示为:
式中,numpy为python的计算科学库,mean为库函数,a为集合x中的最大值,b为集合x中的最小值;取输入x的平均值,输出点X为一个均值为0,方差为1的高斯分布。采用此正则化方式,学习率LR采取较大的值,步长为0.1。
进一步地,对预处理后的多源数据进行特征提取。包括:可分别提取多源数据的算术平均数、方差、协方差、一阶差分、二阶差分等特征、主成分分析、非负矩阵分解、独立成分分析等。可选地,以主成分分析为例:
其中,X为预处理后的多源数据,Y表示设定的主元数,fy表示第y个主元的得分向量,Ty表示第y个主元的荷载向量。得分向量fy是样本在第y个主元上的坐标,即新变量的坐标。荷载向量Ty表示原始变量(y=1时)与第y个主元的相关系数,荷载越大表示主元对该变量解释的越充分。Y个得分向量构成得分矩阵F,Y个荷载向量构成荷载矩阵T。F和T相乘得到Y个主元模拟的部分C是模型残差。
进一步地,将特征提取后的多源数据输入文旅安全监测及溯源分析模型中,融合分析各区域的多源文旅安全监测数据,输出该城市地区的整体文旅安全等级。具体地,文旅安全监测及溯源分析模型采用长短期记忆神经网路模型(LSTM)为基础模型,去掉最后一层,引入ResNet模块,加入ropout层和分类层(本实施例采用偏最小二乘判别分析PLS-DA)。Dropout采用参数值为0.3。该文旅安全监测及溯源分析模型利用融合数据和分类算法建立基于特征融合的分类模型。可选地,分类算法可采用:偏最小二乘判别分析、支持向量机和K最近邻(KNN)节点等算法。具体文旅安全监测及溯源分析模型训练过程如下:
首先,选取80%的样本数据作为训练集,20%的样本数据作为测试集。采用迁移学习,把ImageNet数据集上的先验知识,迁移到文旅安全监测及溯源分析模型中进行参数值的初始化操作,以此来提高训练效率。并采用微调的方式,调整部分参数后,导入自己保存的权重文件进行后续的训练,如此可大幅度减少训练时间。
其次,在LSTM模型的基础上调整神经网络模型,构建含有256个神经元的LSTM层、一个含有64个神经元的Dense层和一个输出层;1*1卷积核和shortcut机制,增加模型非线性拟合能力。卷积核采用3*3大小尺寸,采用LReLU激活函数,优化器为Adam,batch_siz为256,学习率为0.1,迭代轮次为150。池化层采用2*2的最大池化。输出层添加一层dropout层,以此来对输出层40%的神经元进行随机失活的正则化操作,可有效抑制模型过拟合程度。分类层采用偏最小二乘判别分析PLS-DA。
进一步地,在该文旅安全监测及溯源分析模型中加入中心损失Center Loss层,以及在最后一层连接Softmax Loss层。使用Softmax Loss和Center Loss的加权作为损失函数进行训练优化:
其中,公式的前半部分为Softmax Loss函数,后半部分为Center Loss函数。m为训练批次的大小;xi为此批次中第g类的第i个样本的特征向量;Zg为第g类的中心特征向量。N为训练数据类别总数;wg为最后一层dropout层的权重集合;bg为对应的偏置值;λ为CenterLoss的权重值。
模型损失函数使用了Softmax Loss,连同Center Loss的方法,可以在有效增加特征类间距离的同时,减小类内距离。Center Loss函数通过减小同一类特征的方差,聚合了同类特征,使文旅安全监测及溯源分析模型的分类特征更加有区分力。
具体地,模型输出的该城市地区的文旅安全等级分类结果,可根据综合判断各区域内的水位、温度、人流量信息,进行地区的文旅安全等级划分。当区域内的水位、温度、人流量数据某一数据含量低于第一预设阈值时,为一级安全区域;当区域内的水位、温度、人流量数据某一数据含量超过第一预设阈值时,为二级安全区域;当区域内的水位、温度、人流量数据某一数据含量超过第二预设阈值时,为三级安全区域;当区域内的水位、温度、人流量数据某一数据含量超过第三预设阈值时,为四级安全区域;当多个数据含量均超标,设定为五级安全区域,发出监测预警。当该城市地区的各个区域中判定为三级安全及以上区域的数量低于第四预设阈值,判定该城市地区为一级安全等级;当该城市地区的各个区域中判定为三级安全及以上区域的数量超过第四预设阈值,判定该城市地区为二级安全等级;当该城市地区的各个区域中判定为三级安全及以上区域的数量超过第五预设阈值,判定该城市地区为三级安全等级;当该城市地区的各个区域中判定为三级安全及以上区域的数量超过第六预设阈值,判定该城市地区为四级安全等级,发出监测预警。
具体地,采用Adam优化算法(随机梯度下降算法)作为模型的优化器,对预测值与真实值之间的误差值进行优化,不断缩小误差值,逼近w局部最优值。设定学习率为0.1。采用反向传播算法计算,每轮更新权重值w大小。
最后,模型训练结束,得到训练好的文旅安全监测及溯源分析模型。后续将特征提取后的多源数据输入训练好的文旅安全监测及溯源分析模型中,监管部门服务器即可实时融合分析各区域水位、温度、人流量的监测数据,输出城市地区文旅安全等级(一级安全等级、二级安全等级、三级安全等级和四级安全等级)。
进一步地,与监管部门服务器连接的终端机(PC上位机)可根据城市地区的文旅安全等级,生成监测预警,并连同各个区域的区域文旅安全等级和位置信息直观展示给监管人员。可选地,可通过地图形式直观将地区文旅安全等级及位置通过可视化方式进行展示,高文旅安全等级实现重点监测预警(等级越高,所展示的颜色越深)。通过对城市文旅安全区域等级进行可视化展示,并综合融合分析得出该城市地区的总体文旅安全等级,能够让监管人员实时直观监测到城市各区域的文旅公共安全程度,进行远程监控,实时预警。
可选地,监管人员还可以在终端通过无线数据交换(3GPP Rel.13),实现对相关参数进行设置(包括多源区域水位、温度、人流量数据的采集频率、对城市地区的区域划分、数据传输速率、处理速率、模型的相关参数设置、报警方式等),以及对相关记录数据进行存储,实现可随时查阅区域文旅安全等级的历史数据,实现数据可追溯。
可选地,预警形式可以为光电预警。可采用声光报警器(型号SF-512)、闪光灯、蜂鸣器等实现实时报警,提醒相关监测人员进行实时实地督导。
具体地,本实施例提供的文旅安全监测及溯源分析模型的建立,采用的CPU内存为32G,搭载了intel 6800k cpu i8,硬盘容量256固态硬盘加4T机械硬盘。操作系统为windows10。使用python编程语言、python体系下的sklearn、numpy库。
另一方面,本发明实施例还提供一种多源数据融合的文旅安全监测及溯源分析系统,适用于如前述所述的多源数据融合的文旅安全监测及溯源分析方法,参照图2所示,包括:
数据采集模块21,用于采集多源数据,并对多源数据进行AD转换;多源数据包括:待监测地区不同区域内水位、温度、人流量信息和对应的区域位置信息;
数据处理模块22,用于对AD转换后的多源数据进行预处理,并对预处理后的多源数据进行特征提取;
分类模块23,用于将经过特征提取后的多源数据输入文旅安全监测及溯源分析模型中,输出待监测地区文旅安全等级;文旅安全等级包括:一级安全等级、二级安全等级、三级安全等级和四级安全等级;
可视化模块24,用于根据文旅安全等级,生成监测预警,并将文旅安全等级和待监测地区不同区域的位置信息进行可视化展示。
由于该多源数据融合的文旅安全监测及溯源分析系统适用于前述多源数据融合的文旅安全监测及溯源分析方法,因此该系统的实施可以参见前述方法的实施,重复之处不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其适用于实施例公开的方法,所以描述的比较简单,相关之处参见方法部分说明即可。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种多源数据融合的文旅安全监测及溯源分析方法,其特征在于,包括如下步骤:
S1、通过采样器采集多源数据,并通过控制器对所述多源数据进行AD转换;所述多源数据包括:待监测地区不同区域内水位、温度、人流量信息和对应的区域位置信息;
S2、将经过AD转换后的多源数据经无线通信协议传输至远端服务器,对所述AD转换后的多源数据进行预处理,并对预处理后的多源数据进行特征提取;
S3、将经过特征提取后的多源数据输入文旅安全监测及溯源分析模型中,输出待监测地区文旅安全等级;所述文旅安全等级包括:一级安全等级、二级安全等级、三级安全等级和四级安全等级;
S4、根据所述文旅安全等级,生成监测预警,并将所述文旅安全等级和所述待监测地区不同区域的位置信息进行可视化展示。
2.如权利要求1所述的一种多源数据融合的文旅安全监测及溯源分析方法,其特征在于,所述步骤S2中,对AD转换后的多源数据进行预处理,包括:
S21、对AD转换后的多源数据进行异常数据清洗;
S22、采用插值法对清洗后的多源数据进行数据补充;
S23、对数据补充后的多源数据进行批量归一化,形成标准正态分布。
3.如权利要求2所述的一种多源数据融合的文旅安全监测及溯源分析方法,其特征在于,所述S21包括:去除缺失数据、重复数据和噪音数据。
4.如权利要求1所述的一种多源数据融合的文旅安全监测及溯源分析方法,其特征在于,所述S2中,采用主成分分析对预处理后的多源数据进行特征提取。
5.如权利要求1所述的一种多源数据融合的文旅安全监测及溯源分析方法,其特征在于,所述S3中,文旅安全监测及溯源分析模型采用长短期记忆神经网路模型,卷积核采用3*3大小尺寸,池化层采用2*2的最大池化,并采用LReLU激活函数。
6.如权利要求5所述的一种多源数据融合的文旅安全监测及溯源分析方法,其特征在于,所述文旅安全监测及溯源分析模型输出层添加一层dropout层。
7.如权利要求5所述的一种多源数据融合的文旅安全监测及溯源分析方法,其特征在于,所述文旅安全监测及溯源分析模型分类层采用偏最小二乘判别分析。
8.如权利要求5所述的一种多源数据融合的文旅安全监测及溯源分析方法,其特征在于,所述文旅安全监测及溯源分析模型采用Adam优化算法作为模型的优化器。
10.一种多源数据融合的文旅安全监测及溯源分析系统,其特征在于,包括:
数据采集模块,用于采集多源数据,并对所述多源数据进行AD转换;所述多源数据包括:待监测地区不同区域内水位、温度、人流量信息和对应的区域位置信息;
数据处理模块,用于对所述AD转换后的多源数据进行预处理,并对预处理后的多源数据进行特征提取;
分类模块,用于将经过特征提取后的多源数据输入文旅安全监测及溯源分析模型中,输出待监测地区文旅安全等级;所述文旅安全等级包括:一级安全等级、二级安全等级、三级安全等级和四级安全等级;
可视化模块,用于根据所述文旅安全等级,生成监测预警,并将所述文旅安全等级和所述待监测地区不同区域的位置信息进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111443977.7A CN114078070A (zh) | 2021-11-30 | 2021-11-30 | 一种多源数据融合的文旅安全监测及溯源分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111443977.7A CN114078070A (zh) | 2021-11-30 | 2021-11-30 | 一种多源数据融合的文旅安全监测及溯源分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114078070A true CN114078070A (zh) | 2022-02-22 |
Family
ID=80284448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111443977.7A Pending CN114078070A (zh) | 2021-11-30 | 2021-11-30 | 一种多源数据融合的文旅安全监测及溯源分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114078070A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117675280A (zh) * | 2023-11-02 | 2024-03-08 | 国家管网集团北方管道有限责任公司 | 一种基于串口通信的网络安全预警方法及系统 |
-
2021
- 2021-11-30 CN CN202111443977.7A patent/CN114078070A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117675280A (zh) * | 2023-11-02 | 2024-03-08 | 国家管网集团北方管道有限责任公司 | 一种基于串口通信的网络安全预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
Saldivar et al. | Self-organizing tool for smart design with predictive customer needs and wants to realize Industry 4.0 | |
Syamala et al. | Machine Learning-Integrated IoT-Based Smart Home Energy Management System | |
CN106530715B (zh) | 基于模糊马尔可夫过程的路网交通状态预测方法 | |
CN116129366A (zh) | 基于数字孪生的园区监测方法及相关装置 | |
WO2023142424A1 (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
CN113885398B (zh) | 一种基于可微推理的水循环智能感知与监控系统 | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
CN115526382B (zh) | 一种路网级交通流预测模型可解释性分析方法 | |
KR102564191B1 (ko) | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템 | |
CN117273414A (zh) | 一种用于智慧城市大数据分析识别系统及方法 | |
CN114078070A (zh) | 一种多源数据融合的文旅安全监测及溯源分析方法及系统 | |
CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
CN117593597B (zh) | 一种地形图像自动分类方法及系统 | |
CN112215410B (zh) | 基于改进深度学习的电力负荷预测方法 | |
CN117235661B (zh) | 基于ai的直饮水质量监测方法 | |
CN114169998A (zh) | 一种金融大数据分析与挖掘算法 | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
CN110827134A (zh) | 一种电网企业财务健康诊断方法 | |
CN115545342A (zh) | 一种企业电费回收的风险预测方法与系统 | |
CN114726751A (zh) | 资源质量监控的智能化预警方法、系统、设备和存储介质 | |
Sun | Unsupervised wireless network model-assisted abnormal warning information in government management | |
Yang et al. | Forecasting model for urban traffic flow with BP neural network based on genetic algorithm | |
KR20220138250A (ko) | 고농도 미세먼지 상황의 발생을 추론하기 위한 방법 및 전자 장치 |
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 |