CN115310704A - 一种基于系统安全模型的多维度消防安全评估预警系统 - Google Patents
一种基于系统安全模型的多维度消防安全评估预警系统 Download PDFInfo
- Publication number
- CN115310704A CN115310704A CN202210956829.3A CN202210956829A CN115310704A CN 115310704 A CN115310704 A CN 115310704A CN 202210956829 A CN202210956829 A CN 202210956829A CN 115310704 A CN115310704 A CN 115310704A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- training
- neural network
- 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.)
- Pending
Links
- 239000013598 vector Substances 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000012423 maintenance Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 238000004140 cleaning Methods 0.000 claims abstract description 30
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 230000003068 static effect Effects 0.000 claims abstract description 16
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000001537 neural effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于系统安全模型的多维度消防安全评估预警系统，涉及公共安全预警技术领域，通过将社会单位消防系统中的静态数据以及动态数据划分为基础数据、非视频数据、视频数据以及维保数据；对于不同类型的数据进行不同方式的数据清洗、数据转换以及关联分析；再将各个经过预处理的数据类型的特征向量输入至对应的神经网络模型，获得各个维度的安全预测数据；再将各维度安全预测数据进行拼接并进行模型训练以及模型评估；获得最终的综合预测状态；解决了消防信息资源利用不充分且预测不准确的问题。
Description
技术领域
本发明属于公共安全预警领域，涉及深度学习技术，具体是一种基于系统安全模型的多维度消防安全评估预警系统。
背景技术
常规的物联网预警系统具有滞后性、片面性，资源利用率不足，且缺乏科学依据；因而不能实现高效的消防安全评估和预警功能；需要利用高效的技术手段整合预警资源；再通过数据交换共享平台接入数据，建立完善的消防安全评估、预警系统。
为此，提出一种基于系统安全模型的多维度消防安全评估预警系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于系统安全模型的多维度消防安全评估预警系统，该一种基于系统安全模型的多维度消防安全评估预警系统通过将社会单位消防系统中的静态数据以及动态数据划分为基础数据、非视频数据、视频数据以及维保数据；对于不同类型的数据进行不同方式的数据清洗、数据转换以及关联分析；再将各个经过预处理的数据类型的特征向量输入至对应的神经网络模型，获得各个维度的安全预测数据；再将各维度安全预测数据进行拼接并进行模型训练以及模型评估；获得最终的综合预测状态；解决了消防信息资源利用不充分且预测不准确的问题。
为实现上述目的，根据本发明的第一方面的实施例提出一种基于系统安全模型的多维度消防安全评估预警系统，包括数据收集模块、数据清洗模块、数据预处理模块、数据关联模块、模型预测模块以及综合预测模块；其中，各个模块之间采用电气方式连接；
所述数据收集模块主要用于收集社会单位的消防设备感知的多维度数据；所述多维度数据包括基础数据、非视频数据、视频数据以及维保数据；
其中，所述基础数据包括建筑数据、设备数据、救援收集以及区域数据；
其中，所述非视频数据包括烟感数据、温感数据、消火栓数据以及消防泵数据；
其中，所述视频数据包括静态正常图像数据、静态异常图像数据、动态正常视频数据以及动态异常视频数据；
其中，所述维保数据包括设备维保数据、报警维保数据、维保计划以及维保结果；
其中，所述的静态数据可以为控制器部件检测值、人员在岗状态、消防管网末端压力检测值、消防水池和水箱液位、控制柜手自动状态、消防电源工作电压和电流、剩余电流以及温湿度；
其中，所述动态数据可以为火警误报率、设备故障率、设备巡检率、维修及时率、设备在线率、管网压力变化、水箱液位变化、线缆温度变化；
所述静态数据与动态数据根据自身特性分别归类于不同的维度数据中；所述数据收集模块将收集到的基础数据、非视频数据、视频数据以及维保数据发送至数据清洗模块；
其中，所述数据清洗模块主要用于对每个维度的数据进行清洗；所述数据清洗模块将清理后的数据发送至数据预处理模块；
所述数据预处理模块主要用于对各个维度数据进行预处理；
所述预处理主要是将数据进行转换；具体的，包括采样处理、类型转换以及归一化；所述数据预处理模块将转换后的数据发送至数据关联模块；
其中，所述数据关联模块主要用于使用对挑选相关度最高的属性以降低问题的复杂度；
对于基础数据，使用过滤式特征选择算法中的最大相关最小冗余MRMR算法和后向搜索算法进行特征选择；
所述数据关联模块将进行关联分析后的数据发送至模型预测模块；
所述模型预测模块主要用于对每一个维度的数据使用不同的机器学习模型进行状态判断；
对于各个维度数据采用的状态判断方式包括：
对于基础数据，预先使用收集的训练用带有标签的基础数据，经过数据清洗、数据转换以及关联分析后获得训练用的特征向量，输入至LSTM神经网络模型中，对LSTM神经网络进行训练；所述标签为安全状态，分为正常、预警、异常、严重；LSTM神经网络输出包含四个节点，分别对应正常、预警、异常、严重四种状态；将待判断的基础数据神经特征向量，输入至训练完成的LSTM神经网络模型中，获得4*1维度的输出向量A；
对于非视频数据，预先使用收集的训练用带有标签的非视频数据，经过数据清洗以及数据转换后获得训练用的特征向量；再使用高斯混合模型对数据进行聚类；再将聚类后的数据输入至LSTM神经网络模型中，对LSTM神经网络进行训练；所述标签为安全状态，分为正常、预警、异常、严重；将待判断的非视频数据神经特征向量，输入至训练完成的LSTM神经网络模型中，获得4*1维度的输出向量B；
对于视频数据，预先使用收集的训练用带有标签的视频数据，经过数据清洗以及数据预处理后获得训练用的特征向量；输入至ConvLSTM神经网络模型中，对ConvLSTM神经网络进行训练；所述标签为安全状态，分为正常、预警、异常、严重；将待判断的视频数据神经特征向量，输入至训练完成的ConvLSTM神经网络模型中，输出四通道的特征图，再通过全局平均池化，输出4*1维度的特征向量C；
对于维保数据，预先使用收集的训练用带有标签的维保数据，经过数据清洗以及数据转换后获得训练用的特征向量；输入至LSTM神经网络模型中，对LSTM神经网络进行训练；所述标签为安全状态，分为正常、预警、异常、严重；将待判断的非视频数据神经特征向量，输入至训练完成的LSTM神经网络模型中，获得4*1维度的输出向量；根据维保计划、维保结果的实际情况再调节相应的权重，进行优化；获得最终的4*1维度特征向量D；
所述模型预测模块将输出的特征向量A、特征向量B、特征向量C以及特征向量D发送至综合预测模块；
其中，所述综合预测模块主要用于根据各个维度数据获得的特征向量综合判断消防安全状态；
所述综合预测模块将特征向量A、特征向量B、特征向量C以及特征向量D进行拼接；将拼接后的特征向量输入至一个全连接层；再进行模型训练；将训练完成的模型的输出的多维度数据进行模型评估；所述模型评估为将多维度数据输入D-S证据理论合成法则中，获得评估结果；通过模型评估的结果来不断调整模型参数，最后通过调整好的模型输出最终的概率预测值，概率预测值最高的即为对应的预测安全状态。
与现有技术相比，本发明的有益效果是：
本发明通过将社会单位消防系统中的静态数据以及动态数据划分为基础数据、非视频数据、视频数据以及维保数据；对于不同类型的数据进行不同方式的数据清洗、数据转换以及关联分析；再将各个经过预处理的数据类型的特征向量输入至对应的神经网络模型，获得各个维度的安全预测数据；再将各维度安全预测数据进行拼接并进行模型训练以及模型评估；获得最终的综合预测状态；解决了消防信息资源利用不充分且预测不准确的问题。
附图说明
图1为本发明的原理图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
如图1所示，一种基于系统安全模型的多维度消防安全评估预警系统，包括数据收集模块、数据清洗模块、数据预处理模块、数据关联模块、模型预测模块以及综合预测模块；其中，各个模块之间采用电气方式连接；
其中，所述数据收集模块主要用于收集社会单位的消防设备感知的多维度数据；所述多维度数据包括基础数据、非视频数据、视频数据以及维保数据；
其中，所述基础数据包括建筑数据、设备数据、救援收集以及区域数据；
其中，所述非视频数据包括烟感数据、温感数据、消火栓数据以及消防泵数据；
其中，所述视频数据包括静态正常图像数据、静态异常图像数据、动态正常视频数据以及动态异常视频数据；
其中，所述维保数据包括设备维保数据、报警维保数据、维保计划以及维保结果；
可以理解的是，每个维度的数据都可能包含静态的离散数据以及随时间变化的动态数据；
其中，所述的静态数据可以为控制器部件检测值、人员在岗状态、消防管网末端压力检测值、消防水池和水箱液位、控制柜手自动状态、消防电源工作电压和电流、剩余电流以及温湿度；
其中，所述动态数据可以为火警误报率、设备故障率、设备巡检率、维修及时率、设备在线率、管网压力变化、水箱液位变化、线缆温度变化；
所述静态数据与动态数据根据自身特性分别归类于不同的维度数据中；所述数据收集模块将收集到的基础数据、非视频数据、视频数据以及维保数据发送至数据清洗模块；
其中，所述数据清洗模块主要用于对每个维度的数据进行清洗；
在一个优选的实施例中，所述数据清洗模块对数据的清洗包括处理缺失数据、离群点以及重复数据；具体的，处理缺失数据、离群点以及重复数据的方式包括：
处理缺失数据：如果缺失数据占比小于比例阈值p，将缺失记录进行删除；否则，根据领域知识来填补或者进行自动填补；例如使用均值填补法进行填补；所述比例阈值p根据实际经验设置；
处理离群点：离群点是远离数据集中其余部分的数据，这部分数据可能由随机因素产生，也可能是由数据生成机制产生；若是由随机因素产生，选择忽略、平滑或者删除离群点，若是由数据生成机制产生，根据实际数据生成的机制进行处理；
处理重复数据：对数据进行去重；
所述数据清洗模块将清理后的数据发送至数据预处理模块；
其中，所述数据预处理模块主要用于对各个维度数据进行预处理；
所述预处理主要是将数据进行转换；具体的，包括采样处理、类型转换以及归一化；
其中，所述采样是从特定的概率分布中抽取样本点；
其中，类型转换是将非数值型转换为数值型，以方便模型的后续处理；
其中，所述归一化是将所有有量纲的数据，经过变换，化为无量纲的表达式，成为标量；
另外，对于视频数据等特殊的数据，数据预处理的方式包括镜头分割、关键帧提取以及特征提取等；
所述数据预处理模块将转换后的数据发送至数据关联模块；
可以理解的是，数据预处理之后，在做特定分析的时候，可能属性非常多，但有些属性是不相关的，有些属性是重复的，所以还需要使用特征选择去挑选最相关的属性来降低问题的复杂度；
其中，所述数据关联模块主要用于使用对挑选相关度最高的属性以降低问题的复杂度；
关联分析是一类用于发现数据集中存在的关联、描述数据间的规律的方法；关联分析显示或隐式的存在于各类特征选择算法中，特征选择也就是通过关联分析的方法对原始特征数据进行分析从而选择出有利于构建算法模型的特征，其主要是针对特征变量与特征变量之间、特征变量与目标变量之间存在的关联进行分析；
其中，对于基础数据，使用过滤式特征选择算法中的最大相关最小冗余MRMR算法和后向搜索算法进行特征选择；
所述数据关联模块将进行关联分析后的数据发送至模型预测模块；
其中，所述模型预测模块主要用于对每一个维度的数据使用不同的机器学习模型进行状态判断；
在一个优选的实施例中，具体的，对于各个维度数据采用的状态判断方式包括：
对于基础数据，预先使用收集的训练用带有标签的基础数据，经过数据清洗、数据转换以及关联分析后获得训练用的特征向量，输入至LSTM神经网络模型中，对LSTM神经网络进行训练；所述标签为安全状态，分为正常、预警、异常、严重；LSTM神经网络输出包含四个节点，分别对应正常、预警、异常、严重四种状态；将待判断的基础数据神经特征向量，输入至训练完成的LSTM神经网络模型中，获得4*1维度的输出向量A；
对于非视频数据，预先使用收集的训练用带有标签的非视频数据，经过数据清洗以及数据转换后获得训练用的特征向量；再使用高斯混合模型对数据进行聚类；再将聚类后的数据输入至LSTM神经网络模型中，对LSTM神经网络进行训练；所述标签为安全状态，分为正常、预警、异常、严重；将待判断的非视频数据神经特征向量，输入至训练完成的LSTM神经网络模型中，获得4*1维度的输出向量B；
对于视频数据，预先使用收集的训练用带有标签的视频数据，经过数据清洗以及数据预处理后获得训练用的特征向量；输入至ConvLSTM神经网络模型中，对ConvLSTM神经网络进行训练；所述标签为安全状态，分为正常、预警、异常、严重；将待判断的视频数据神经特征向量，输入至训练完成的ConvLSTM神经网络模型中，输出四通道的特征图，再通过全局平均池化，输出4*1维度的特征向量C；
对于维保数据，预先使用收集的训练用带有标签的维保数据，经过数据清洗以及数据转换后获得训练用的特征向量；输入至LSTM神经网络模型中，对LSTM神经网络进行训练；所述标签为安全状态，分为正常、预警、异常、严重；将待判断的非视频数据神经特征向量，输入至训练完成的LSTM神经网络模型中，获得4*1维度的输出向量；根据维保计划、维保结果的实际情况再调节相应的权重，进行优化；获得最终的4*1维度特征向量D；
所述模型预测模块将输出的特征向量A、特征向量B、特征向量C以及特征向量D发送至综合预测模块；
其中，所述综合预测模块主要用于根据各个维度数据获得的特征向量综合判断消防安全状态；
所述综合预测模块将特征向量A、特征向量B、特征向量C以及特征向量D进行拼接；将拼接后的特征向量输入至一个全连接层；再进行模型训练；将训练完成的模型的输出的多维度数据进行模型评估；所述模型评估为将多维度数据输入D-S证据理论合成法则中，获得评估结果；通过模型评估的结果来不断调整模型参数，最后通过调整好的模型输出最终的概率预测值，概率预测值最高的即为对应的预测安全状态。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种基于系统安全模型的多维度消防安全评估预警系统，其特征在于，包括数据收集模块、数据清洗模块、数据预处理模块、数据关联模块、模型预测模块以及综合预测模块；其中，各个模块之间采用电气方式连接；
所述数据收集模块用于收集社会单位的消防设备感知的多维度数据；所述数据收集模块将收集到的多维度数据发送至数据清洗模块；
所述数据清洗模块用于对每个维度的数据进行清洗；所述数据清洗模块将清理后的数据发送至数据预处理模块；
所述数据预处理模块用于对各个维度数据进行预处理；所述数据预处理模块将转换后的数据发送至数据关联模块；
所述数据关联模块用于使用对挑选相关度最高的属性以降低问题的复杂度；所述数据关联模块将进行关联分析后的数据发送至模型预测模块；
所述模型预测模块用于对每一个维度的数据使用不同的机器学习模型进行状态判断；所述模型预测模块将输出的特征向量组合发送至综合预测模块；
所述综合预测模块用于根据各个维度数据获得的特征向量进行拼接；将拼接的数据输入至全连接层进行训练；并将全连接层的输出数据输入至D-S证据理论合成法则中，获得评估结果；综合判断消防安全状态。
2.根据权利要求1所述的一种基于系统安全模型的多维度消防安全评估预警系统，其特征在于，所述多维度数据包括基础数据、非视频数据、视频数据以及维保数据。
3.根据权利要求2所述的一种基于系统安全模型的多维度消防安全评估预警系统，其特征在于，所述基础数据包括四个维度数据，分别为建筑数据、设备数据、救援收集以及区域数据；
每个维度的数据都可能包含静态的离散数据以及随时间变化的动态数据；
其中，所述的静态数据为控制器部件检测值、人员在岗状态、消防管网末端压力检测值、消防水池和水箱液位、控制柜手自动状态、消防电源工作电压和电流、剩余电流以及温湿度；
其中，所述动态数据可火警误报率、设备故障率、设备巡检率、维修及时率、设备在线率、管网压力变化、水箱液位变化以及线缆温度变化；
所述静态数据与动态数据根据自身特性分别归类于不同的维度数据中。
4.根据权利要求1所述的一种基于系统安全模型的多维度消防安全评估预警系统，其特征在于，所述数据清洗模块对数据的清洗包括处理缺失数据、离群点以及重复数据。
5.根据权利要求1所述的一种基于系统安全模型的多维度消防安全评估预警系统，其特征在于，所述预处理包括将数据进行转换以及对视频数据的镜头分割、关键帧提取以及特征提取。
6.根据权利要求1所述的一种基于系统安全模型的多维度消防安全评估预警系统，其特征在于，所述数据关联模块为对于基础数据，使用最大相关最小冗余MRMR算法和后向搜索算法进行特征选择。
7.根据权利要求1所述的一种基于系统安全模型的多维度消防安全评估预警系统，其特征在于，所述模型预测模块对于各个维度数据采用的状态判断方式包括：
对于基础数据，预先使用收集的训练用带有标签的基础数据，经过数据清洗、数据转换以及关联分析后获得训练用的特征向量，输入至LSTM神经网络模型中，对LSTM神经网络进行训练；所述标签为安全状态，分为正常、预警、异常、严重；LSTM神经网络输出包含四个节点，分别对应正常、预警、异常、严重四种状态；将待判断的基础数据神经特征向量，输入至训练完成的LSTM神经网络模型中，获得4*1维度的输出向量A；
对于非视频数据，预先使用收集的训练用带有标签的非视频数据，经过数据清洗以及数据转换后获得训练用的特征向量；再使用高斯混合模型对数据进行聚类；再将聚类后的数据输入至LSTM神经网络模型中，对LSTM神经网络进行训练；所述标签为安全状态，分为正常、预警、异常、严重；将待判断的非视频数据神经特征向量，输入至训练完成的LSTM神经网络模型中，获得4*1维度的输出向量B；
对于视频数据，预先使用收集的训练用带有标签的视频数据，经过数据清洗以及数据预处理后获得训练用的特征向量；输入至ConvLSTM神经网络模型中，对ConvLSTM神经网络进行训练；所述标签为安全状态，分为正常、预警、异常、严重；将待判断的视频数据神经特征向量，输入至训练完成的ConvLSTM神经网络模型中，输出四通道的特征图，再通过全局平均池化，输出4*1维度的特征向量C；
对于维保数据，预先使用收集的训练用带有标签的维保数据，经过数据清洗以及数据转换后获得训练用的特征向量；输入至LSTM神经网络模型中，对LSTM神经网络进行训练；所述标签为安全状态，分为正常、预警、异常、严重；将待判断的非视频数据神经特征向量，输入至训练完成的LSTM神经网络模型中，获得4*1维度的输出向量；根据维保计划、维保结果的实际情况再调节相应的权重，进行优化；获得最终的4*1维度特征向量D。
8.根据权利要求1所述的一种基于系统安全模型的多维度消防安全评估预警系统，其特征在于，所述综合预测模块将特征向量A、特征向量B、特征向量C以及特征向量D进行拼接；将拼接后的特征向量输入至一个全连接层；再进行模型训练；将训练完成的模型的输出的多维度数据进行模型评估；所述模型评估为将多维度数据输入D-S证据理论合成法则中，获得评估结果；通过模型评估的结果来不断调整模型参数，最后通过调整好的模型输出最终的概率预测值，概率预测值最高的即为对应的预测安全状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210956829.3A CN115310704A (zh) | 2022-08-10 | 2022-08-10 | 一种基于系统安全模型的多维度消防安全评估预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210956829.3A CN115310704A (zh) | 2022-08-10 | 2022-08-10 | 一种基于系统安全模型的多维度消防安全评估预警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115310704A true CN115310704A (zh) | 2022-11-08 |
Family
ID=83860818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210956829.3A Pending CN115310704A (zh) | 2022-08-10 | 2022-08-10 | 一种基于系统安全模型的多维度消防安全评估预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115310704A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116664064A (zh) * | 2023-05-08 | 2023-08-29 | 山西旭创安全技术服务有限公司 | 一种用于消防安全的探测预警方法及系统 |
-
2022
- 2022-08-10 CN CN202210956829.3A patent/CN115310704A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116664064A (zh) * | 2023-05-08 | 2023-08-29 | 山西旭创安全技术服务有限公司 | 一种用于消防安全的探测预警方法及系统 |
| CN116664064B (zh) * | 2023-05-08 | 2023-11-14 | 山西旭创安全技术服务有限公司 | 一种用于消防安全的探测预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xie et al. | A review of machine learning applications in power system resilience | |
| CN111596604A (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
| CN115578015A (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
| CN110108914A (zh) | 一种反窃电智能化决策方法、系统、设备及介质 | |
| CN112100369A (zh) | 结合语义的网络故障关联规则生成方法和网络故障检测方法 | |
| CN112859822A (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
| CN113572625B (zh) | 故障预警方法、预警装置、设备及计算机介质 | |
| Yan et al. | Big-data-driven based intelligent prognostics scheme in industry 4.0 environment | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| KR20230030542A (ko) | 랜덤 컷 포레스트 알고리즘을 이용한 ai 기반의 설비 데이터 이상 감지 시스템과 그 방법 | |
| CN117240887B (zh) | 一种智慧物联网能源管理平台系统 | |
| CN115237717A (zh) | 一种微服务异常检测方法和系统 | |
| CN115310704A (zh) | 一种基于系统安全模型的多维度消防安全评估预警系统 | |
| CN116225760A (zh) | 一种基于运维知识图谱的实时根因分析方法 | |
| CN115828145A (zh) | 一种电子设备的在线监测方法、系统及介质 | |
| CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
| CN116912774A (zh) | 一种基于边缘计算的输变电设备红外图像目标识别方法、电子装置及存储介质 | |
| CN116542956A (zh) | 一种织物组分自动检测方法、系统及可读存储介质 | |
| Dimf et al. | An efficient power theft detection using modified deep artificial neural network (MDANN) | |
| CN112784080B (zh) | 基于发电厂三维数字化平台的场景推荐方法、系统及装置 | |
| CN113609294B (zh) | 一种基于情感分析的生鲜冷链监管方法及系统 | |
| CN115695025A (zh) | 网络安全态势预测模型的训练方法及装置 | |
| CN115761300A (zh) | 一种安全出口异常分割方法、系统及检测装置 | |
| CN114708429A (zh) | 图像处理方法、装置、计算机设备及计算机可读存储介质 | |
| CN113486754A (zh) | 基于视频的事件演化预测方法、系统 |
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 |