CN115331411B - 基于人工智能的建筑事故预警方法及相关设备 - Google Patents

基于人工智能的建筑事故预警方法及相关设备 Download PDF

Info

Publication number
CN115331411B
CN115331411B CN202210955152.1A CN202210955152A CN115331411B CN 115331411 B CN115331411 B CN 115331411B CN 202210955152 A CN202210955152 A CN 202210955152A CN 115331411 B CN115331411 B CN 115331411B
Authority
CN
China
Prior art keywords
data
target building
normalized
dynamic
inherent
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
CN202210955152.1A
Other languages
English (en)
Other versions
CN115331411A (zh
Inventor
邓志龙
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.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China 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 Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202210955152.1A priority Critical patent/CN115331411B/zh
Publication of CN115331411A publication Critical patent/CN115331411A/zh
Application granted granted Critical
Publication of CN115331411B publication Critical patent/CN115331411B/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
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Alarm Systems (AREA)

Abstract

本申请提出一种基于人工智能的建筑事故预警方法、装置、电子设备及存储介质，基于人工智能的建筑事故预警方法包括：采集目标建筑物的固有属性和固有数据，依据固有属性和固有数据构建固有风险向量；采集目标建筑物的动态数据，并对动态数据进行归一化处理获得动态风险向量；依据固有风险向量与动态风险向量构建训练数据集；依据训练数据集训练事故预警模型；实时采集目标建筑物的实时固有数据和实时动态数据以获得预测样本数据，将预测样本数据输入事故预警模型获得多个预警向量；对比多个预警向量与预设的风险阈值以制定预警决策。该方法可以实时预测建筑物的固有数据并基于固有数据进行实时预警，从而能够提升建筑事故预警的时效性。

Description

基于人工智能的建筑事故预警方法及相关设备
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于人工智能的建筑事故预警方法、装置、电子设备及存储介质。
背景技术
在生产生活中，人员和财产的安全一直以来都广受关注。诸如建筑物坍塌等安全事故也层出不穷。
目前，通常由各个地方的建筑监管部门对建筑物的安全性进行定期检查以规避可能出现的建筑事故，然而人力始终有限，这种方法无法实时监测建筑物的安全，缺乏对于事故预警的时效性。
发明内容
鉴于以上内容，有必要提供一种基于人工智能的建筑事故预警方法及相关设备，以解决如何提高建筑事故预警的时效性这一技术问题，其中，相关设备包括基于人工智能的建筑事故预警装置、电子设备及存储介质。
本申请实施例提供一种基于人工智能的建筑事故预警方法，所述方法包括：
采集目标建筑物的固有属性和固有数据，依据所述固有属性和所述固有数据构建所述目标建筑物的固有风险向量；
采集所述目标建筑物的动态数据，并对所述动态数据进行归一化处理获得所述目标建筑物的动态风险向量；
依据所述固有风险向量与所述动态风险向量构建训练数据集；
依据所述训练数据集训练所述目标建筑物的事故预警模型；
实时采集所述目标建筑物的实时固有数据和实时动态数据以获得预测样本数据，将所述预测样本数据输入所述目标建筑物的事故预警模型获得多个预警向量；
对比所述多个预警向量与预设的风险阈值以制定预警决策。
在一些实施例中，所述采集目标建筑物的固有属性和固有数据，依据所述固有属性和所述固有数据构建所述目标建筑物的固有风险向量，包括：
采集目标建筑物的固有属性，所述固有属性包括所述目标建筑物的年限、总高度、楼层数量；
在多个预设的采样时间点采集所述目标建筑物的固有数据，所述固有数据包括目标建筑物的顶层海拔高度和倾斜率；
分别对所述固有数据中的顶层海拔高度和倾斜率进行归一化处理获得归一化固有数据，所述归一化固有数据包括归一化海拔高度和归一化倾斜率；
组合所述固有属性与所述归一化固有数据获得所述目标建筑物在每个所述采样时间点的固有风险向量。
在一些实施例中，所述采集所述目标建筑物的动态数据，并对所述动态数据进行归一化处理获得所述目标建筑物的动态风险向量，包括：
在所述多个预设的采样时间点采集所述目标建筑物的动态数据，所述动态数据包括目标建筑物的人口密度、所述目标建筑物所在地区的风力、所述目标建筑物所在地区的温度；
分别对所述动态数据中的每项信息进行归一化处理获得归一化动态数据，所述归一化动态数据包括归一化人口密度、归一化风力值和归一化温度值；
依据每个采样时间点的归一化动态数据构建所述目标建筑物在每个所述采样时间点的动态风险向量。
在一些实施例中，所述依据所述固有风险向量与所述动态风险向量构建训练数据集，包括：
组合所述固有风险向量与所述动态风险向量获得每个所述预设的采样时间点对应的样本数据；
组合所述固有数据和所述动态数据以获得每个采样时间点对应的标签数据；
将同一个采样时间点对应的样本数据和标签数据作为一组训练数据，联合存储所有采样时间点对应的训练数据获得训练数据集。
在一些实施例中，所述依据所述训练数据集训练所述目标建筑物的事故预警模型，包括：
依据预设的划分比例将所述训练数据集划分为多个批次，每个批次包含多组训练数据，所述训练数据包括样本数据和标签数据；
依据预设的测试比例将每个批次的训练数据划分为样本组和标签组，所述样本组和标签组均包含多组训练数据；
构建初始预测模型，所述初始预测模型包括编码器和预测器；
依据每个批次的训练数据和预设的损失函数训练所述初始预测模型，当遍历完成所有批次的训练数据时，停止训练并获得所述目标建筑物的事故预警模型。
在一些实施例中，所述实时采集所述目标建筑物的实时固有数据和实时动态数据以获得预测样本数据，将所述预测样本数据输入所述目标建筑物的事故预警模型获得多个预警向量，包括：
在预设的监测时间点实时采集所述目标建筑物的实时固有数据和实时动态数据；
分别对所述实时固有数据和所述实时动态数据进行归一化处理获得归一化实时固有数据和归一化实时动态数据；
依据所述固有属性、归一化实时固有数据和归一化实时动态数据构建预测样本数据；
将所述预测样本数据输入所述预警模型以获得预警向量，所述预警向量用以表征由所述预警模型预测到的所述目标建筑物的固有数据和动态数据。
在一些实施例中，所述预警向量包括预测倾斜率，所述对比所述预警向量与预设的风险阈值以制定预警决策，包括：
若任意一个预测倾斜率不小于预设的倾斜率风险阈值，则也对所述目标建筑物进行事故预警；
若所有预测倾斜率都小于预设的倾斜率风险阈值，则分别依据每个所述预警向量计算每个所述预警向量对应的综合风险系数；
计算所述综合风险系数的梯度，若所述梯度的均值大于0，则向监测人员进行高风险预警。
本申请实施例还提供一种基于人工智能的建筑事故预警装置，所述装置包括：
第一采集单元，用于采集目标建筑物的固有属性和固有数据，依据所述固有属性和所述固有数据构建所述目标建筑物的固有风险向量；
第二采集单元，用于采集所述目标建筑物的动态数据，并对所述动态数据进行归一化处理获得所述目标建筑物的动态风险向量；
构建单元，用于依据所述固有风险向量与所述动态风险向量构建训练数据集；
训练单元，用于依据所述训练数据集训练所述目标建筑物的事故预警模型；
预测单元，用于实时采集所述目标建筑物的实时固有数据和实时动态数据以获得预测样本数据，将所述预测样本数据输入所述目标建筑物的事故预警模型获得多个预警向量；
预警单元，用于对比所述多个预警向量与预设的风险阈值以制定预警决策。
本申请实施例还提供一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的建筑事故预警方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的建筑事故预警方法。
上述基于人工智能的建筑事故预警方法通过统计目标建筑物大量的固有数据和动态数据构建了训练数据集，基于训练数据集训练目标建筑物的事故预警模型，并利用事故预警模型和实时采集到的数据对目标建筑物进行事故预警，能够对目标建筑物进行持续预警，提升了事故预警的时效性。
附图说明
图1是本申请所涉及的一种基于人工智能的建筑事故预警方法的较佳实施例的流程图。
图2是本申请所涉及的基于人工智能的建筑事故预警装置的较佳实施例的功能模块图。
图3是本申请所涉及的基于人工智能的建筑事故预警方法的较佳实施例的电子设备的结构示意图。
图4是本申请实施例所涉及的初始预测模型的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请，所述描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供一种基于人工智能的建筑事故预警方法，可应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
如图1所示，是本申请基于人工智能的建筑事故预警方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S10，采集目标建筑物的固有属性和固有数据，依据所述固有属性和所述固有数据构建所述目标建筑物的固有风险向量。
在一个可选的实施例中，所述采集目标建筑物的固有属性和固有数据，依据所述固有属性和所述固有数据构建所述目标建筑物的固有风险向量，包括：
采集目标建筑物的固有属性，所述固有属性包括所述目标建筑物的年限、总高度、楼层数量；
在多个预设的采样时间点采集所述目标建筑物的固有数据，所述固有数据包括目标建筑物的顶层海拔高度和倾斜率；
分别对所述固有数据中的顶层海拔高度和倾斜率进行归一化处理获得归一化固有数据，所述归一化固有数据包括归一化海拔高度和归一化倾斜率；
组合所述固有属性与所述归一化固有数据获得所述目标建筑物在每个所述采样时间点的固有风险向量。
该可选的实施例中，所述目标建筑物指需要进行事故预警监测的建筑物，所述目标建筑物的固有属性包括该目标建筑物的年限、总高度和楼层数量，示例性的，当所述目标建筑物已建成10年、总高度为50米且楼层数量为10层，则可记所述目标建筑物的固有属性可被表征为[10，50，10]。
该可选的实施例中，可预先设置多个采样时间点，相邻的两个预先设置的采样时间点之间的时间间隔相同，在每个所述采样时间点采集所述目标建筑物的一组固有数据，所述固有数据包括所述目标建筑物的顶层海拔高度和倾斜率，所述顶层海拔高度指所述目标建筑物顶层楼板与海平面的垂直距离，所述倾斜率指所述目标建筑物的中线与地面的法线之间夹角的正切值，所述倾斜率越大则表明所述目标建筑物的倾斜角度越大，则所述目标建筑物越有可能发生事故。
该可选的实施例中，由于所述目标建筑物的顶层海拔高度与倾斜率具备较大的量纲差异，因此需要分别对所述顶层海拔高度和所述倾斜率进行归一化处理以消除量纲差异。
该可选的实施例中，可依据所述目标建筑物的固有属性中的总高度对所述顶层海拔高度进行归一化处理获得归一化海拔高度，所述归一化海拔高度的计算方式为：
Figure BDA0003790988520000051
其中，Hg代表所述归一化海拔高度；H代表所述固有数据中的顶层海拔高度；Hmax代表所述固有属性中的建筑物总高度。
并可依据预设的倾斜阈值对所述目标建筑物的倾斜率进行归一化处理获得归一化倾斜率，所述归一化倾斜率的计算方式为：
Figure BDA0003790988520000052
其中，Tg代表所述归一化倾斜率；T代表所述固有数据中的倾斜率；Tmax代表所述预设的倾斜率阈值，根据《建筑地基基础设计规范》第5.3.4条，建筑物倾斜率大于0.004即可被判定为危房，因此所述预设的倾斜率阈值可以是0.004。
该可选的实施例中，可将所述归一化海拔高度和归一化倾斜率作为所述目标建筑物的归一化固有数据，每个采样时间点对应一组归一化固有数据。
该可选的实施例中，可依据预设的第一组合顺序组合所述固有属性与每个采样时间点的归一化固有数据以获得所述目标建筑物在每个采样时间点的固有风险向量，所述预设的组合顺序可以是“固有属性+归一化固有数据”，还可以是“归一化固有数据+固有属性”。
示例性的，当所述组合顺序为“固有属性+归一化固有数据”，且所述目标建筑物的固有属性为[10,50,10]，所述目标建筑物的固有属性为[10,50,10]且所述归一化固有数据为[1,0.1]时，所述目标建筑物的固有风险向量为[10,50,10,1,0.1]。
如此，通过对目标建筑物的固有数据进行归一化处理消除了量纲差异对固有数据的消极影响，提升了固有数据的质量，组合固有属性与固有数据以获得目标建筑物在每个采样时间点对应的固有风险向量，为后续训练事故预警模型提供了数据支撑。
S11，采集所述目标建筑物的动态数据，并对所述动态数据进行归一化处理获得所述目标建筑物的动态风险向量。
在一个可选的实施例中，所述采集所述目标建筑物的动态数据，并对所述动态数据进行归一化处理获得所述目标建筑物的动态风险向量，包括：
在所述多个预设的采样时间点采集所述目标建筑物的动态数据，所述动态数据包括目标建筑物的人口密度、所述目标建筑物所在地区的风力、所述目标建筑物所在地区的温度；
分别对所述动态数据中的每项信息进行归一化处理获得归一化动态数据，所述归一化动态数据包括归一化人口密度、归一化风力值和归一化温度值；
依据每个采样时间点的归一化动态数据构建所述目标建筑物在每个所述采样时间点的动态风险向量。
该可选的实施例中，可在所述多个预先设置的采样时间点采集所述目标建筑物对应的多组动态数据，每个采样时间点对应一组动态数据，所述动态数据包括所述目标建筑物的人口密度、所述目标建筑物所在地区的风力、所述目标建筑物所在地区的温度，可记所述目标建筑物的人口密度为Den、记所述目标建筑物所处地区的风力为Win、并记所述目标建筑物所处地区的温度为Tem。
该可选的实施例中，为了消除所述动态数据中各项信息之间的量纲差异，可分别对所述动态数据中的每项信息进行归一化处理获得归一化动态数据，所述归一化动态数据包括归一化人口密度、归一化温度值、归一化风力值。
该可选的实施例中，可依据所述目标建筑物的类别查询所述目标建筑物的额定人口密度，并计算所述动态数据中的人口密度Den与所述额定人口密度的比值以作为所述目标建筑物的归一化人口密度，根据《建筑设计防火规范》(GB50016-2014<2018版>)规定，当所述目标建筑物的类别为普通办公室，则所述目标建筑物的额定人口密度为0.25人/平方米；当所述目标建筑物的类别为专用设计绘图室，则所述目标建筑物的额定人口密度为0.16人/平方米；当所述目标建筑物的类别为高层医疗建筑，则所述目标建筑物的额定人口密度为1.3人/平方米。
该可选的实施例中，可查询所述目标建筑物所处地区的历史最高温度和历史最高风力，计算所述动态数据中的温度Tem与所述历史最高温度的比值以作为所述目标建筑物的归一化温度值，并计算所述动态数据中的风力Win与所述历史最高风力的比值以作为归一化风力值。
该可选的实施例中，可组合同一采样时间点对应的所述归一化人口密度、归一化风力值和归一化温度值以作为所述目标建筑物在该采样时间点的动态风险向量。示例性的，当某一采样时间点对应的所述归一化人口密度为1、所述归一化风力值为0.5、所述归一化温度值为0.7时，则该采样时间点对应的所述动态风险向量为[1,0.5,0.7]。
如此，通过采集目标建筑物所处环境的动态数据以表征所述目标建筑物所在区域的外部影响因素，并对动态数据进行归一化处理获得每个采样时间点对应的动态风险向量，能够为后续训练事故预警模型提供数据支撑。
S12，依据所述固有风险向量与所述动态风险向量构建训练数据集。
在一个可选的实施例中，所述依据所述固有风险向量与所述动态风险向量构建训练数据集，包括：
组合所述固有风险向量与所述动态风险向量获得每个所述预设的采样时间点对应的样本数据；
组合所述固有数据和所述动态数据以获得每个采样时间点对应的标签数据；
将同一个采样时间点对应的样本数据和标签数据作为一组训练数据，联合存储所有采样时间点对应的训练数据获得训练数据集。
该可选的实施例中，可依据预设的第二组合顺序组合同一采样时间点对应的固有风险向量与动态风险向量以获得该采样时间点对应的样本数据，所述样本数据为向量的形式，所述预设的第二组合顺序可以是“固有风险向量+动态风险向量”，还可以是“动态风险向量+固有风险向量”。
示例性的，当所述预设的组合顺序为“固有风险向量+动态风险向量”，且某一个采样时间点对应的所述固有风险向量为[10,50,10,1,0.1]且所述动态风险向量为[1,0.5,0.7]时，则该采样时间点对应的样本数据为[10,50,10,1,0.1,1,0.5,0.7]。
该可选的实施例中，可依据预设的第三组合顺序组合同一采样时间点对应的固有数据和动态数据以作为该采样时间点对应的标签数据，所述预设的第三组合顺序可以是“固有数据+动态数据”，还可以是“动态数据+固有数据”。
示例性的，当所述第三组合顺序为“固有数据+动态数据”，当某一个采样时间点对应的固有数据为[50,0.0001]，且该采样时间点对应的动态数据为[0.25，36,10]时，该采样时间点对应的标签数据为[50,0.0001,0.25,36,10]。
该可选的实施例中，可将同一采样时间点对应的样本数据和标签数据作为一组训练数据，并将所有采样时间点对应的训练数据联合存储为训练数据集。
如此，通过组合固有风险向量与动态风险向量获得每个采样时间点对应的样本数据，所述样本数据囊括了所述目标建筑物的固有属性、固有数据和动态数据，能够全面的表征所述目标建筑物在每个采样时间点所处的状态，从而能够提升后续预警模型的泛化能力。
S13，依据所述训练数据集训练所述目标建筑物的事故预警模型。
在一个可选的实施例中，所述依据所述训练数据集训练所述目标建筑物的事故预警模型，包括：
依据预设的划分比例将所述训练数据集划分为多个批次，每个批次包含多组训练数据，所述训练数据包括样本数据和标签数据；
依据预设的测试比例将每个批次的训练数据划分为样本组和标签组，所述样本组和标签组均包含多组训练数据；
构建初始预测模型，所述初始预测模型包括编码器和预测器；
依据每个批次的训练数据和预设的损失函数训练所述初始预测模型，当遍历完成所有批次的训练数据时，停止训练并获得所述目标建筑物的事故预警模型。
该可选的实施例中，所述依据预设的划分比例将所述训练数据集划分为多个批次，包括：
a，记所述预设的划分比例为y，并记所述训练数据集中训练数据的组数为x，所述预设的划分比例y的取值范围是0至1；
b，设置所述训练数据集中训练数据的起始划分位置为i，并将所述起始划分位置i的初始值设置为1；
c，将所述训练数据集中第i组训练数据至第j组训练数据作为一个批次，其中，j＝i+(y×x)-1；
d，i增加1，重复执行步骤c以获得多个批次的训练数据，每个批次包含y×x组训练数据。示例性的，当所述预设的划分比例y为0.1且所述训练数据集中训练数据的组数x为1000时，则每个所述批次中包含100组训练数据。
该可选的实施例中，可依据预设的测试比例将每个批次的训练数据划分为样本组和标签组，所述样本组和标签组均包含多组训练数据，所述预设的测试比例的取值范围是0至1。示例性的，当所述测试比例为0.8时，可将每个批次的训练数据中前80％的采样时间点对应训练数据中的样本数据作为目标样本数据，并将后20％的采样时间点对应训练数据中的标签数据作为目标标签数据。
该可选的实施例中，所述编码器和预测器可以是LSTM模型(Long Short TermMemory，长短期记忆模型)、RNN模型(Recurrent Neural Network，循环神经网络)、GRU模型(Gate Recurrent Unit，门控循环单元)等现有的神经网络模型，本申请对此不做限定。
该可选的实施例中，以LSTM模型为例，如图4所示为所述初始预测模型的结构示意图，所述编码器由多个第一神经元串联而成，所述多个第一神经元的数量与所述每个批次中目标样本数据的数量相同，所述编码器的输入为每个批次中的目标样本数据，所述编码器的输出为所述目标样本数据对应的一个特征向量；所述预测器由多个第二神经元串联而成，所述多个第二神经元的数量与所述每个批次中目标标签数据的数量相同，所述预测器的输入为所述特征向量，所述预测器中每个第二神经元的输出为一个预警向量，所述预警向量用以表征所述初始预警模型预测到的所述目标建筑物在未来时间点处的固有数据和动态数据，所述未来时间点的数量与每个所述批次中目标标签数据的数量相同，且相邻两个所述未来时间点之间的时间间隔与相邻两个所述采样时间点的时间间隔相同。
该可选的实施例中，所述依据每个批次的训练数据和预设的损失函数训练所述初始预测模型，当遍历完成所有批次的训练数据时，停止训练并获得所述目标建筑物的事故预警模型，包括：
a，从所述多个批次中任选一个作为目标批次；
b，将所述目标批次中的目标样本数据输入所述初始预测模型获得该目标批次对应的多个预警向量，为了确保所述多个预警向量与该目标批次中的目标标签数据尽可能的相似，可将所述多个预警向量与该目标批次中的所有目标标签数据输入预设的损失函数以计算该目标批次对应的损失值，所述预设的损失函数满足以下关系式：
Figure BDA0003790988520000091
其中，m代表每个所述批次中目标标签数据的数量，即所述预测器中第二神经元的数量；Ye代表所述目标批次中第e个目标标签数据，且e的取值范围是[1,m]；
Figure BDA0003790988520000092
代表所述目标批次对应的第e个预警向量，即所述预测器中第e个第二神经元的输出；/>
Figure BDA0003790988520000093
代表所述Ye和/>
Figure BDA0003790988520000094
之间的余弦距离；/>
Figure BDA0003790988520000095
代表所述Ye和/>
Figure BDA0003790988520000096
之间的欧式距离；Loss代表所述目标批次对应的损失值；
c，依据梯度下降法更新所述初始预测模型中的参数，直至所述损失值不再变化，则任选一个未被选择过的批次重新作为目标批次，重复执行步骤b至步骤c，直到所有批次都被选择作为目标批次，获得所述目标建筑物的事故预警模型。
如此，通过大量的训练数据训练目标建筑物的事故预警模型，能够提升所述事故预警模型的鲁棒性。
S14，实时采集所述目标建筑物的实时固有数据和实时动态数据以获得预测样本数据，将所述预测样本数据输入所述目标建筑物的事故预警模型获得多个预警向量。
在一个可选的实施例中，所述实时采集所述目标建筑物的实时固有数据和实时动态数据以获得预测样本数据，将所述预测样本数据输入所述目标建筑物的事故预警模型获得多个预警向量，包括：
在预设的监测时间点实时采集所述目标建筑物的实时固有数据和实时动态数据；
分别对所述实时固有数据和所述实时动态数据进行归一化处理获得归一化实时固有数据和归一化实时动态数据；
依据所述固有属性、归一化实时固有数据和归一化实时动态数据构建预测样本数据；
将所述预测样本数据输入所述预警模型以获得多个预警向量，所述预警向量包括所述目标建筑物的预测固有数据和预测动态数据。
该可选的实施例中，所述预设的监测时间点的数量与所述每个批次中目标样本数据的数量相同，且相邻两个预设的监测时间点的时间间隔与相邻两个采样时间点的时间间隔相同，每个监测时间点对应一组实时数据，所述实时数据包括实时固有数据和实时动态数据。
该可选的实施例中，可依据步骤S10中的方法对所述实时固有数据进行归一化处理获得归一化实时固有数据，并可依据步骤S11中的方法对所述实时动态数据进行归一化处理获得归一化实时动态数据。
该可选的实施例中，可组合所述固有属性、所述归一化实时固有数据和归一化实时动态数据以作为预测样本数据，示例性的，当所述固有属性为[10,50,10]、所述归一化实时固有数据为[1,0.1]、所述归一化实时动态数据为[1,0.5,0.7]时，所述预测样本数据为[10,50,10,1,0.1,1,0.5,0.7]。
该可选的实施例中，可将所有监测时间点对应的预测样本数据输入所述事故预警模型以获得多个预警向量，所述预警向量包括所述监测时间点之后所述目标建筑物的预测固有数据和预测动态数据。
如此，通过实时采集大量预测样本数据，并将预测样本输入事故预警模型获得预警向量，能够较为准确的预测所述目标建筑物在未来所处的状态，为所述目标建筑物的事故预警提供了数据支撑。
S15，对比所述多个预警向量与预设的风险阈值以制定预警决策。
在一个可选的实施例中，所述预警向量包括预测倾斜率，所述对比所述预警向量与预设的风险阈值以制定预警决策，包括：
若任意一个预测倾斜率不小于预设的倾斜率风险阈值，则也对所述目标建筑物进行事故预警；
若所有预测倾斜率都小于预设的倾斜率风险阈值，则分别依据每个所述预警向量计算每个所述预警向量对应的综合风险系数；
计算所述综合风险系数的梯度，若所述梯度的均值大于0，则向监测人员进行高风险预警。
该可选的实施例中，根据《建筑地基基础设计规范》第5.3.4条，建筑物倾斜率大于0.004即可被判定为危房，因此所述预设的倾斜率风险阈值可以是0.004。
该可选的实施例中，以某一个预警向量对应的综合风险系数为例，该综合风险系数的计算方式满足以下关系式：
R＝γR×TR
其中，R代表该预警向量对应的综合风险系数；γR代表该预警向量中预测固有数据的模长；TR代表该预警向量中预测动态数据的模长。
该可选的实施例中，可计算相邻两个预警向量对应综合风险系数的差值以作为所述综合风险系数的梯度，若所有梯度的均值大于0，则表明所述综合风险系数呈现上升趋势，则表明所述目标建筑物在短时间内发生事故的概率较高，则可向监测人员进行高风险预警。
如此，通过对比预警向量与预设的风险阈值制定预警决策，并通过计算预警向量对应的综合风险系数获得了综合风险系数的变化趋势，为事故预警监测任务提供了指引，进一步提升了目标建筑物事故预警的准确度。
上述基于人工智能的建筑事故预警方法通过统计目标建筑物大量的固有数据和动态数据构建了训练数据集，基于训练数据集训练目标建筑物的事故预警模型，并利用事故预警模型和实时采集到的数据对目标建筑物进行事故预警，能够对目标建筑物进行持续预警，提升了事故预警的时效性。
如图2所示，是本申请实施例提供的基于人工智能的建筑事故预警装置的较佳实施例的功能模块图。基于人工智能的建筑事故预警装置11包括第一采集单元110、第二采集单元111、构建单元112、训练单元113、预测单元114、预警单元115。本申请所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
在一个可选的实施例中，第一采集单元110用于采集目标建筑物的固有属性和固有数据，依据所述固有属性和所述固有数据构建所述目标建筑物的固有风险向量。
在一个可选的实施例中，所述第一采集单元110采集目标建筑物的固有属性和固有数据，依据所述固有属性和所述固有数据构建所述目标建筑物的固有风险向量，包括：
采集目标建筑物的固有属性，所述固有属性包括所述目标建筑物的年限、总高度、楼层数量；
在多个预设的采样时间点采集所述目标建筑物的固有数据，所述固有数据包括目标建筑物的顶层海拔高度和倾斜率；
分别对所述固有数据中的顶层海拔高度和倾斜率进行归一化处理获得归一化固有数据，所述归一化固有数据包括归一化海拔高度和归一化倾斜率；
组合所述固有属性与所述归一化固有数据获得所述目标建筑物在每个所述采样时间点的固有风险向量。
该可选的实施例中，所述目标建筑物指需要进行事故预警监测的建筑物，所述目标建筑物的固有属性包括该目标建筑物的年限、总高度和楼层数量，示例性的，当所述目标建筑物已建成10年、总高度为50米且楼层数量为10层，则可记所述目标建筑物的固有属性可被表征为[10，50，10]。
该可选的实施例中，可预先设置多个采样时间点，相邻的两个预先设置的采样时间点之间的时间间隔相同，在每个所述采样时间点采集所述目标建筑物的一组固有数据，所述固有数据包括所述目标建筑物的顶层海拔高度和倾斜率，所述顶层海拔高度指所述目标建筑物顶层楼板与海平面的垂直距离，所述倾斜率指所述目标建筑物的中线与地面的法线之间夹角的正切值，所述倾斜率越大则表明所述目标建筑物的倾斜角度越大，则所述目标建筑物越有可能发生事故。
该可选的实施例中，由于所述目标建筑物的顶层海拔高度与倾斜率具备较大的量纲差异，因此需要分别对所述顶层海拔高度和所述倾斜率进行归一化处理以消除量纲差异。
该可选的实施例中，可依据所述目标建筑物的固有属性中的总高度对所述顶层海拔高度进行归一化处理获得归一化海拔高度，所述归一化海拔高度的计算方式为：
Figure BDA0003790988520000111
其中，Hg代表所述归一化海拔高度；H代表所述固有数据中的顶层海拔高度；Hmax代表所述固有属性中的建筑物总高度。
并可依据预设的倾斜阈值对所述目标建筑物的倾斜率进行归一化处理获得归一化倾斜率，所述归一化倾斜率的计算方式为：
Figure BDA0003790988520000121
其中，Tg代表所述归一化倾斜率；T代表所述固有数据中的倾斜率；Tmax代表所述预设的倾斜率阈值，根据《建筑地基基础设计规范》第5.3.4条，建筑物倾斜率大于0.004即可被判定为危房，因此所述预设的倾斜率阈值可以是0.004。
该可选的实施例中，可将所述归一化海拔高度和归一化倾斜率作为所述目标建筑物的归一化固有数据，每个采样时间点对应一组归一化固有数据。
该可选的实施例中，可依据预设的第一组合顺序组合所述固有属性与每个采样时间点的归一化固有数据以获得所述目标建筑物在每个采样时间点的固有风险向量，所述预设的组合顺序可以是“固有属性+归一化固有数据”，还可以是“归一化固有数据+固有属性”。
示例性的，当所述组合顺序为“固有属性+归一化固有数据”，且所述目标建筑物的固有属性为[10,50,10]，所述目标建筑物的固有属性为[10,50,10]且所述归一化固有数据为[1,0.1]时，所述目标建筑物的固有风险向量为[10,50,10,1,0.1]。
在一个可选的实施例中，第二采集单元111用于采集所述目标建筑物的动态数据，并对所述动态数据进行归一化处理获得所述目标建筑物的动态风险向量。
在一个可选的实施例中，所述第二采集单元111采集所述目标建筑物的动态数据，并对所述动态数据进行归一化处理获得所述目标建筑物的动态风险向量，包括：
在所述多个预设的采样时间点采集所述目标建筑物的动态数据，所述动态数据包括目标建筑物的人口密度、所述目标建筑物所在地区的风力、所述目标建筑物所在地区的温度；
分别对所述动态数据中的每项信息进行归一化处理获得归一化动态数据，所述归一化动态数据包括归一化人口密度、归一化风力值和归一化温度值；
依据每个采样时间点的归一化动态数据构建所述目标建筑物在每个所述采样时间点的动态风险向量。
该可选的实施例中，可在所述多个预先设置的采样时间点采集所述目标建筑物对应的多组动态数据，每个采样时间点对应一组动态数据，所述动态数据包括所述目标建筑物的人口密度、所述目标建筑物所在地区的风力、所述目标建筑物所在地区的温度，可记所述目标建筑物的人口密度为Den、记所述目标建筑物所处地区的风力为Win、并记所述目标建筑物所处地区的温度为Tem。
该可选的实施例中，为了消除所述动态数据中各项信息之间的量纲差异，可分别对所述动态数据中的每项信息进行归一化处理获得归一化动态数据，所述归一化动态数据包括归一化人口密度、归一化温度值、归一化风力值。
该可选的实施例中，可依据所述目标建筑物的类别查询所述目标建筑物的额定人口密度，并计算所述动态数据中的人口密度Den与所述额定人口密度的比值以作为所述目标建筑物的归一化人口密度，根据《建筑设计防火规范》(GB50016-2014<2018版>)规定，当所述目标建筑物的类别为普通办公室，则所述目标建筑物的额定人口密度为0.25人/平方米；当所述目标建筑物的类别为专用设计绘图室，则所述目标建筑物的额定人口密度为0.16人/平方米；当所述目标建筑物的类别为高层医疗建筑，则所述目标建筑物的额定人口密度为1.3人/平方米。
该可选的实施例中，可查询所述目标建筑物所处地区的历史最高温度和历史最高风力，计算所述动态数据中的温度Tem与所述历史最高温度的比值以作为所述目标建筑物的归一化温度值，并计算所述动态数据中的风力Win与所述历史最高风力的比值以作为归一化风力值。
该可选的实施例中，可组合同一采样时间点对应的所述归一化人口密度、归一化风力值和归一化温度值以作为所述目标建筑物在该采样时间点的动态风险向量。示例性的，当某一采样时间点对应的所述归一化人口密度为1、所述归一化风力值为0.5、所述归一化温度值为0.7时，则该采样时间点对应的所述动态风险向量为[1,0.5,0.7]。
在一个可选的实施例中，构建单元112用于依据所述固有风险向量与所述动态风险向量构建训练数据集。
在一个可选的实施例中，所述构建单元112依据所述固有风险向量与所述动态风险向量构建训练数据集，包括：
组合所述固有风险向量与所述动态风险向量获得每个所述预设的采样时间点对应的样本数据；
组合所述固有数据和所述动态数据以获得每个采样时间点对应的标签数据；
将同一个采样时间点对应的样本数据和标签数据作为一组训练数据，联合存储所有采样时间点对应的训练数据获得训练数据集。
该可选的实施例中，可依据预设的第二组合顺序组合同一采样时间点对应的固有风险向量与动态风险向量以获得该采样时间点对应的样本数据，所述样本数据为向量的形式，所述预设的第二组合顺序可以是“固有风险向量+动态风险向量”，还可以是“动态风险向量+固有风险向量”。
示例性的，当所述预设的组合顺序为“固有风险向量+动态风险向量”，且某一个采样时间点对应的所述固有风险向量为[10,50,10,1,0.1]且所述动态风险向量为[1,0.5,0.7]时，则该采样时间点对应的样本数据为[10,50,10,1,0.1,1,0.5,0.7]。
该可选的实施例中，可依据预设的第三组合顺序组合同一采样时间点对应的固有数据和动态数据以作为该采样时间点对应的标签数据，所述预设的第三组合顺序可以是“固有数据+动态数据”，还可以是“动态数据+固有数据”。
示例性的，当所述第三组合顺序为“固有数据+动态数据”，当某一个采样时间点对应的固有数据为[50,0.0001]，且该采样时间点对应的动态数据为[0.25，36,10]时，该采样时间点对应的标签数据为[50,0.0001,0.25,36,10]。
该可选的实施例中，可将同一采样时间点对应的样本数据和标签数据作为一组训练数据，并将所有采样时间点对应的训练数据联合存储为训练数据集。
在一个可选的实施例中，训练单元113用于依据所述训练数据集训练所述目标建筑物的事故预警模型。
在一个可选的实施例中，所述训练单元113依据所述训练数据集训练所述目标建筑物的事故预警模型，包括：
依据预设的划分比例将所述训练数据集划分为多个批次，每个批次包含多组训练数据，所述训练数据包括样本数据和标签数据；
依据预设的测试比例将每个批次的训练数据划分为样本组和标签组，所述样本组和标签组均包含多组训练数据；
构建初始预测模型，所述初始预测模型包括编码器和预测器；
依据每个批次的训练数据和预设的损失函数训练所述初始预测模型，当遍历完成所有批次的训练数据时，停止训练并获得所述目标建筑物的事故预警模型。
该可选的实施例中，所述依据预设的划分比例将所述训练数据集划分为多个批次，包括：
a，记所述预设的划分比例为y，并记所述训练数据集中训练数据的组数为x，所述预设的划分比例y的取值范围是0至1；
b，设置所述训练数据集中训练数据的起始划分位置为i，并将所述起始划分位置i的初始值设置为1；
c，将所述训练数据集中第i组训练数据至第j组训练数据作为一个批次，其中，j＝i+(y×x)-1；
d，i增加1，重复执行步骤c以获得多个批次的训练数据，每个批次包含y×x组训练数据。示例性的，当所述预设的划分比例y为0.1且所述训练数据集中训练数据的组数x为1000时，则每个所述批次中包含100组训练数据。
该可选的实施例中，可依据预设的测试比例将每个批次的训练数据划分为样本组和标签组，所述样本组和标签组均包含多组训练数据，所述预设的测试比例的取值范围是0至1。示例性的，当所述测试比例为0.8时，可将每个批次的训练数据中前80％的采样时间点对应训练数据中的样本数据作为目标样本数据，并将后20％的采样时间点对应训练数据中的标签数据作为目标标签数据。
该可选的实施例中，所述编码器和预测器可以是LSTM模型(Long Short TermMemory，长短期记忆模型)、RNN模型(Recurrent Neural Network，循环神经网络)、GRU模型(Gate Recurrent Unit，门控循环单元)等现有的神经网络模型，本申请对此不做限定。
该可选的实施例中，以LSTM模型为例，如图4所示为所述初始预测模型的结构示意图，所述编码器由多个第一神经元串联而成，所述多个第一神经元的数量与所述每个批次中目标样本数据的数量相同，所述编码器的输入为每个批次中的目标样本数据，所述编码器的输出为所述目标样本数据对应的一个特征向量；所述预测器由多个第二神经元串联而成，所述多个第二神经元的数量与所述每个批次中目标标签数据的数量相同，所述预测器的输入为所述特征向量，所述预测器中每个第二神经元的输出为一个预警向量，所述预警向量用以表征所述初始预警模型预测到的所述目标建筑物在未来时间点处的固有数据和动态数据，所述未来时间点的数量与每个所述批次中目标标签数据的数量相同，且相邻两个所述未来时间点之间的时间间隔与相邻两个所述采样时间点的时间间隔相同。
该可选的实施例中，所述依据每个批次的训练数据和预设的损失函数训练所述初始预测模型，当遍历完成所有批次的训练数据时，停止训练并获得所述目标建筑物的事故预警模型，包括：
a，从所述多个批次中任选一个作为目标批次；
b，将所述目标批次中的目标样本数据输入所述初始预测模型获得该目标批次对应的多个预警向量，为了确保所述多个预警向量与该目标批次中的目标标签数据尽可能的相似，可将所述多个预警向量与该目标批次中的所有目标标签数据输入预设的损失函数以计算该目标批次对应的损失值，所述预设的损失函数满足以下关系式：
Figure BDA0003790988520000151
其中，m代表每个所述批次中目标标签数据的数量，即所述预测器中第二神经元的数量；Ye代表所述目标批次中第e个目标标签数据，且e的取值范围是[1,m]；
Figure BDA0003790988520000152
代表所述目标批次对应的第e个预警向量，即所述预测器中第e个第二神经元的输出；/>
Figure BDA0003790988520000153
代表所述Ye和/>
Figure BDA0003790988520000154
之间的余弦距离；/>
Figure BDA0003790988520000155
代表所述Ye和/>
Figure BDA0003790988520000156
之间的欧式距离；Loss代表所述目标批次对应的损失值；
c，依据梯度下降法更新所述初始预测模型中的参数，直至所述损失值不再变化，则任选一个未被选择过的批次重新作为目标批次，重复执行步骤b至步骤c，直到所有批次都被选择作为目标批次，获得所述目标建筑物的事故预警模型。
在一个可选的实施例中，预测单元114用于实时采集所述目标建筑物的实时固有数据和实时动态数据以获得预测样本数据，将所述预测样本数据输入所述目标建筑物的事故预警模型获得多个预警向量。
在一个可选的实施例中，所述预测单元114实时采集所述目标建筑物的实时固有数据和实时动态数据以获得预测样本数据，将所述预测样本数据输入所述目标建筑物的事故预警模型获得多个预警向量，包括：
在预设的监测时间点实时采集所述目标建筑物的实时固有数据和实时动态数据；
分别对所述实时固有数据和所述实时动态数据进行归一化处理获得归一化实时固有数据和归一化实时动态数据；
依据所述固有属性、归一化实时固有数据和归一化实时动态数据构建预测样本数据；
将所述预测样本数据输入所述预警模型以获得多个预警向量，所述预警向量包括所述目标建筑物的预测固有数据和预测动态数据。
该可选的实施例中，所述预设的监测时间点的数量与所述每个批次中目标样本数据的数量相同，且相邻两个预设的监测时间点的时间间隔与相邻两个采样时间点的时间间隔相同，每个监测时间点对应一组实时数据，所述实时数据包括实时固有数据和实时动态数据。
该可选的实施例中，可利用第一采集单元110对所述实时固有数据进行归一化处理获得归一化实时固有数据，并可利用第二采集单元111对所述实时动态数据进行归一化处理获得归一化实时动态数据。
该可选的实施例中，可组合所述固有属性、所述归一化实时固有数据和归一化实时动态数据以作为预测样本数据，示例性的，当所述固有属性为[10,50,10]、所述归一化实时固有数据为[1,0.1]、所述归一化实时动态数据为[1,0.5,0.7]时，所述预测样本数据为[10,50,10,1,0.1,1,0.5,0.7]。
该可选的实施例中，可将所有监测时间点对应的预测样本数据输入所述事故预警模型以获得多个预警向量，所述预警向量包括所述监测时间点之后所述目标建筑物的预测固有数据和预测动态数据。
在一个可选的实施例中，预警单元115用于对比所述多个预警向量与预设的风险阈值以制定预警决策。
在一个可选的实施例中，所述预警向量包括预测倾斜率，所述预警单元115对比所述预警向量与预设的风险阈值以制定预警决策，包括：
若任意一个预测倾斜率不小于预设的倾斜率风险阈值，则也对所述目标建筑物进行事故预警；
若所有预测倾斜率都小于预设的倾斜率风险阈值，则分别依据每个所述预警向量计算每个所述预警向量对应的综合风险系数；
计算所述综合风险系数的梯度，若所述梯度的均值大于0，则向监测人员进行高风险预警。
该可选的实施例中，根据《建筑地基基础设计规范》第5.3.4条，建筑物倾斜率大于0.004即可被判定为危房，因此所述预设的倾斜率风险阈值可以是0.004。
该可选的实施例中，以某一个预警向量对应的综合风险系数为例，该综合风险系数的计算方式满足以下关系式：
R＝γR×TR
其中，R代表该预警向量对应的综合风险系数；γR代表该预警向量中预测固有数据的模长；TR代表该预警向量中预测动态数据的模长。
该可选的实施例中，可计算相邻两个预警向量对应综合风险系数的差值以作为所述综合风险系数的梯度，若所有梯度的均值大于0，则表明所述综合风险系数呈现上升趋势，则表明所述目标建筑物在短时间内发生事故的概率较高，则可向监测人员进行高风险预警。
上述基于人工智能的建筑事故预警方法通过统计目标建筑物大量的固有数据和动态数据构建了训练数据集，基于训练数据集训练目标建筑物的事故预警模型，并利用事故预警模型和实时采集到的数据对目标建筑物进行事故预警，能够对目标建筑物进行持续预警，提升了事故预警的时效性。
如图3所示，是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行储器中存储的计算机可读指令以实现上述任一实施例的基于人工智能的建筑事故预警方法。
在一个可选的实施例中，电子设备1还包括总线、存储在存储器12中并可在处理器13上运行的计算机程序，例如基于人工智能的建筑事故预警程序。
图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，电子设备1中的存储器12存储多个计算机可读指令以实现一种基于人工智能的建筑事故预警方法，处理器13可执行多个指令从而实现：
采集目标建筑物的固有属性和固有数据，依据所述固有属性和所述固有数据构建所述目标建筑物的固有风险向量；
采集所述目标建筑物的动态数据，并对所述动态数据进行归一化处理获得所述目标建筑物的动态风险向量；
依据所述固有风险向量与所述动态风险向量构建训练数据集；
依据所述训练数据集训练所述目标建筑物的事故预警模型；
实时采集所述目标建筑物的实时固有数据和实时动态数据以获得预测样本数据，将所述预测样本数据输入所述目标建筑物的事故预警模型获得多个预警向量；
对比所述多个预警向量与预设的风险阈值以制定预警决策。
具体地，处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1既可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的建筑事故预警程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在存储器12内的程序或者模块(例如执行基于人工智能的建筑事故预警程序等)，以及调用存储在存储器12内的数据，以执行电子设备1的各种功能和处理数据。
处理器13执行电子设备1的操作系统以及安装的各类应用程序。处理器13执行所述应用程序以实现上述各个基于人工智能的建筑事故预警方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器12中，并由处理器13执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成第一采集单元110、第二采集单元111、构建单元112、训练单元113、预测单元114、预警单元115。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述基于人工智能的建筑事故预警方法的部分。
电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存储器及其他存储器等。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
本申请实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的建筑事故预警方法。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (8)

1.一种基于人工智能的建筑事故预警方法，其特征在于，所述方法包括：
采集目标建筑物的固有属性和固有数据，依据所述固有属性和所述固有数据构建所述目标建筑物的固有风险向量，包括：采集目标建筑物的固有属性，所述固有属性包括所述目标建筑物的年限、总高度、楼层数量；在多个预设的采样时间点采集所述目标建筑物的固有数据，所述固有数据包括目标建筑物的顶层海拔高度和倾斜率；分别对所述固有数据中的顶层海拔高度和倾斜率进行归一化处理获得归一化固有数据，所述归一化固有数据包括归一化海拔高度和归一化倾斜率；组合所述固有属性与所述归一化固有数据获得所述目标建筑物在每个所述采样时间点的固有风险向量；
采集所述目标建筑物的动态数据，并对所述动态数据进行归一化处理获得所述目标建筑物的动态风险向量，包括：在所述多个预设的采样时间点采集所述目标建筑物的动态数据，所述动态数据包括目标建筑物的人口密度、所述目标建筑物所在地区的风力、所述目标建筑物所在地区的温度；分别对所述动态数据中的每项信息进行归一化处理获得归一化动态数据，所述归一化动态数据包括归一化人口密度、归一化风力值和归一化温度值；依据每个采样时间点的归一化动态数据构建所述目标建筑物在每个所述采样时间点的动态风险向量；
依据所述固有风险向量与所述动态风险向量构建训练数据集；
依据所述训练数据集训练所述目标建筑物的事故预警模型；
实时采集所述目标建筑物的实时固有数据和实时动态数据以获得预测样本数据，将所述预测样本数据输入所述目标建筑物的事故预警模型获得多个预警向量，用以表征由所述事故预警模型预测到的所述目标建筑物的固有数据和动态数据；
对比所述多个预警向量与预设的风险阈值以制定预警决策。
2.如权利要求1所述的基于人工智能的建筑事故预警方法，其特征在于，所述依据所述固有风险向量与所述动态风险向量构建训练数据集，包括：
组合所述固有风险向量与所述动态风险向量获得每个所述预设的采样时间点对应的样本数据；
组合所述固有数据和所述动态数据以获得每个采样时间点对应的标签数据；
将同一个采样时间点对应的样本数据和标签数据作为一组训练数据，联合存储所有采样时间点对应的训练数据获得训练数据集。
3.如权利要求1所述的基于人工智能的建筑事故预警方法，其特征在于，所述依据所述训练数据集训练所述目标建筑物的事故预警模型，包括：
依据预设的划分比例将所述训练数据集划分为多个批次，每个批次包含多组训练数据，所述训练数据包括样本数据和标签数据；
依据预设的测试比例将每个批次的训练数据划分为样本组和标签组，所述样本组和标签组均包含多组训练数据；
构建初始预测模型，所述初始预测模型包括编码器和预测器；
依据每个批次的训练数据和预设的损失函数训练所述初始预测模型，当遍历完成所有批次的训练数据时，停止训练并获得所述目标建筑物的事故预警模型。
4.如权利要求1所述的基于人工智能的建筑事故预警方法，其特征在于，所述实时采集所述目标建筑物的实时固有数据和实时动态数据以获得预测样本数据，将所述预测样本数据输入所述目标建筑物的事故预警模型获得多个预警向量，包括：
在预设的监测时间点实时采集所述目标建筑物的实时固有数据和实时动态数据；
分别对所述实时固有数据和所述实时动态数据进行归一化处理获得归一化实时固有数据和归一化实时动态数据；
依据所述固有属性、归一化实时固有数据和归一化实时动态数据构建预测样本数据；
将所述预测样本数据输入所述事故预警模型以获得预警向量，所述预警向量用以表征由所述事故预警模型预测到的所述目标建筑物的固有数据和动态数据。
5.如权利要求1所述的基于人工智能的建筑事故预警方法，其特征在于，所述预警向量包括预测倾斜率，所述对比所述多个预警向量与预设的风险阈值以制定预警决策，包括：
若任意一个预测倾斜率不小于预设的倾斜率风险阈值，则也对所述目标建筑物进行事故预警；
若所有预测倾斜率都小于预设的倾斜率风险阈值，则分别依据每个所述预警向量计算每个所述预警向量对应的综合风险系数；
计算所述综合风险系数的梯度，若所述梯度的均值大于0，则向监测人员进行高风险预警。
6.一种基于人工智能的建筑事故预警装置，其特征在于，所述装置包括：
第一采集单元，用于采集目标建筑物的固有属性和固有数据，依据所述固有属性和所述固有数据构建所述目标建筑物的固有风险向量，包括：采集目标建筑物的固有属性，所述固有属性包括所述目标建筑物的年限、总高度、楼层数量；在多个预设的采样时间点采集所述目标建筑物的固有数据，所述固有数据包括目标建筑物的顶层海拔高度和倾斜率；分别对所述固有数据中的顶层海拔高度和倾斜率进行归一化处理获得归一化固有数据，所述归一化固有数据包括归一化海拔高度和归一化倾斜率；组合所述固有属性与所述归一化固有数据获得所述目标建筑物在每个所述采样时间点的固有风险向量；
第二采集单元，用于采集所述目标建筑物的动态数据，并对所述动态数据进行归一化处理获得所述目标建筑物的动态风险向量，包括：在所述多个预设的采样时间点采集所述目标建筑物的动态数据，所述动态数据包括目标建筑物的人口密度、所述目标建筑物所在地区的风力、所述目标建筑物所在地区的温度；分别对所述动态数据中的每项信息进行归一化处理获得归一化动态数据，所述归一化动态数据包括归一化人口密度、归一化风力值和归一化温度值；依据每个采样时间点的归一化动态数据构建所述目标建筑物在每个所述采样时间点的动态风险向量；
构建单元，用于依据所述固有风险向量与所述动态风险向量构建训练数据集；
训练单元，用于依据所述训练数据集训练所述目标建筑物的事故预警模型；
预测单元，用于实时采集所述目标建筑物的实时固有数据和实时动态数据以获得预测样本数据，将所述预测样本数据输入所述目标建筑物的事故预警模型获得多个预警向量，用以表征由所述事故预警模型预测到的所述目标建筑物的固有数据和动态数据；
预警单元，用于对比所述多个预警向量与预设的风险阈值以制定预警决策。
7. 一种电子设备，其特征在于，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至5中任意一项所述的基于人工智能的建筑事故预警方法。
8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至5中任意一项所述的基于人工智能的建筑事故预警方法。
CN202210955152.1A 2022-08-10 2022-08-10 基于人工智能的建筑事故预警方法及相关设备 Active CN115331411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210955152.1A CN115331411B (zh) 2022-08-10 2022-08-10 基于人工智能的建筑事故预警方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210955152.1A CN115331411B (zh) 2022-08-10 2022-08-10 基于人工智能的建筑事故预警方法及相关设备

Publications (2)

Publication Number Publication Date
CN115331411A CN115331411A (zh) 2022-11-11
CN115331411B true CN115331411B (zh) 2023-05-30

Family

ID=83921375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210955152.1A Active CN115331411B (zh) 2022-08-10 2022-08-10 基于人工智能的建筑事故预警方法及相关设备

Country Status (1)

Country Link
CN (1) CN115331411B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600417A (zh) * 2016-11-09 2017-04-26 前海企保科技（深圳）有限公司 一种财产保险保单的核保方法和装置
KR102004903B1 (ko) * 2018-11-20 2019-07-29 한방유비스 주식회사 노후 건축물의 화재 위험도 평가 방법, 장치 및 컴퓨터-판독가능 기록매체
CN110490432A (zh) * 2019-07-30 2019-11-22 武汉理工光科股份有限公司 基于Hausdorff距离的双向基准特征消防风险评估方法及系统
CN112286994A (zh) * 2020-11-02 2021-01-29 上海玻机智能幕墙股份有限公司 一种玻璃幕墙综合管理平台
CN113705074A (zh) * 2021-05-25 2021-11-26 江苏省安全生产科学研究院 一种化工事故风险预测方法及装置
CN113988565A (zh) * 2021-10-21 2022-01-28 广州宇建建设工程有限公司 一种建筑施工质量安全在线风险管理方法及系统
CN114611875A (zh) * 2022-02-08 2022-06-10 新瑞鹏宠物医疗集团有限公司 建筑风险预测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600417A (zh) * 2016-11-09 2017-04-26 前海企保科技（深圳）有限公司 一种财产保险保单的核保方法和装置
KR102004903B1 (ko) * 2018-11-20 2019-07-29 한방유비스 주식회사 노후 건축물의 화재 위험도 평가 방법, 장치 및 컴퓨터-판독가능 기록매체
CN110490432A (zh) * 2019-07-30 2019-11-22 武汉理工光科股份有限公司 基于Hausdorff距离的双向基准特征消防风险评估方法及系统
CN112286994A (zh) * 2020-11-02 2021-01-29 上海玻机智能幕墙股份有限公司 一种玻璃幕墙综合管理平台
CN113705074A (zh) * 2021-05-25 2021-11-26 江苏省安全生产科学研究院 一种化工事故风险预测方法及装置
CN113988565A (zh) * 2021-10-21 2022-01-28 广州宇建建设工程有限公司 一种建筑施工质量安全在线风险管理方法及系统
CN114611875A (zh) * 2022-02-08 2022-06-10 新瑞鹏宠物医疗集团有限公司 建筑风险预测方法及装置

Also Published As

Publication number Publication date
CN115331411A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN113592019B (zh) 基于多模型融合的故障检测方法、装置、设备及介质
CN111754110A (zh) 基于人工智能的经营指标评价方法、装置、设备及介质
CN112396547B (zh) 基于无监督学习的课程推荐方法、装置、设备及介质
CN112380454A (zh) 培训课程推荐方法、装置、设备及介质
CN113139743A (zh) 污水排放指标分析方法、装置、电子设备及存储介质
CN111797918A (zh) 大气污染源识别方法、装置、计算机设备及存储介质
CN115206512B (zh) 基于物联网的医院信息管理方法及装置
CN111985545B (zh) 基于人工智能的目标数据检测方法、装置、设备及介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN112651782B (zh) 基于缩放点积注意力的行为预测方法、装置、设备及介质
CN115331411B (zh) 基于人工智能的建筑事故预警方法及相关设备
CN112132037A (zh) 基于人工智能的人行道检测方法、装置、设备及介质
CN115632845B (zh) 一种基于风险评分卡的景区算法应用风险评估方法
CN116434973A (zh) 基于人工智能的传染病预警方法、装置、设备及介质
CN112330080B (zh) 基于连通图的因子筛选方法、装置、设备及介质
CN113657546B (zh) 信息分类方法、装置、电子设备及可读存储介质
CN113780473B (zh) 基于深度模型的数据处理方法、装置、电子设备及存储介质
CN116311313A (zh) 基于人工智能的病历报告单检测方法、装置、设备及介质
CN115239958A (zh) 基于人工智能的轮毂损伤检测方法及相关设备
CN113963413A (zh) 基于人工智能的疫情排查方法、装置、电子设备及介质
CN113487111A (zh) 基于人工智能的风险识别方法、装置、电子设备及介质
CN113780675A (zh) 一种消耗预测方法、装置、存储介质及电子设备
CN111861284A (zh) 一种社会治理单元风险评估及预警方法
CN112163964A (zh) 风险预测方法、装置、电子设备及存储介质
CN114968412B (zh) 基于人工智能的配置文件生成方法、装置、设备及介质

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