CN116467368A - 一种基于大数据分析的安全监测方法和系统 - Google Patents
一种基于大数据分析的安全监测方法和系统 Download PDFInfo
- Publication number
- CN116467368A CN116467368A CN202310691796.9A CN202310691796A CN116467368A CN 116467368 A CN116467368 A CN 116467368A CN 202310691796 A CN202310691796 A CN 202310691796A CN 116467368 A CN116467368 A CN 116467368A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- type
- big data
- value
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 352
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000007405 data analysis Methods 0.000 title claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000012806 monitoring device Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 102100034761 Cilia- and flagella-associated protein 418 Human genes 0.000 description 1
- 101100439214 Homo sapiens CFAP418 gene Proteins 0.000 description 1
- 206010048669 Terminal state Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于大数据分析的安全监测方法和系统,所述方法包括:基于大数据安全监测信息,计算当前监测对象的当前现场标签对应的多类型监测数据中每个类型的可信值,确定交叉层次及其交叉可信值;基于针对当前监测对象采集到的多类型监测数据和对应的可信值及其交叉可信值得到和当前现场对应的大数据安全监测结果;本发明充分利用监测对象动态变化的时空大数据信息,发现监测对象和关联监测对象之间可能存在的内在和外在关联关系,进行有针对性的多层次安全监测分析,提高了安全监测的效率和层次性,进而实现高效、可信、实时的安全监测。
Description
技术领域
本发明属于安全监测技术领域,尤其涉及一种基于大数据分析的安全监测方法和系统。
背景技术
在云计算、大数据、移动化、物联网等新技术不可逆转的应用趋势下,随着大数据、机器学习等创新技术的发展,大数据分析和人工智能技术越来越成熟化,在社会生活的多个领域得到了广泛的应用,极大地推动了社会进步,同时也带来了安全监测领域的机会和挑战。大数据是新一代信息技术的主要发展方向之一,大数据中孕育了大量的有用信息,如何针对各种类型的对象,充分有效的挖掘这些信息,有效的利用这些信息是相当难的一件事情;
基于大数据的安全监测也广泛的利用在各种监测对象之上,例如:利用大数据信息对监测对象发生的自然灾害情况进行安全监测;利用大数据信息对电网布设现场进行安全监测,从而获取作业进展信息、人员信息、现场风险情况等信息,继而实现移动端状态监测装置的运行状态及装置预告警情况的管控;达到管理无距离、时间无延滞、信息无壁垒和协同无障碍;还有通过采集终端自动化生产设备的自身运行状态进行数据监测,对生产设备的自身运行状况进行信号转化,从而了解设备自身的运行状态,便于对设备运行的数据进行提取,节省数据整理提取所消耗的时间,再依据设备维护的相关数据,进行整个自动化流程的高效管控。可以看出,大数据安全监测的监测对象非常广泛。
目前常用的数据分析方法上将历史数据录入大数据库,对监测大数据的利用相对简单,主要是查询相同或者相近的监测对象,并进行监测对象参数的严格或者模糊匹配来获取可供参考的安全监测结果信息,或者利用其中的一些大数据的趋势或者历史信息进行辅助监测和安全监测结果的得出。这些传统的安全监测手段虽然已经摆脱了单纯依靠传统的仪器进行监控和安全预警的低级模式,但是目前大多数安全监测主体对监测对象的大数据利用不够充分,而且利用的也仅仅是静态数据,忽略了监测对象会随着时间和环境发生变化,而使得监测数据本身所要表达的含义是会发生变化的,这样一个事实;从而直接导致安全监测计算得到的分析结果不具有代表性和准确性。
本发明充分利用监测对象动态变化的时空大数据信息,发现监测对象和关联监测对象之间可能存在的内在和外在关联关系,进行有针对性的多层次安全监测分析,提高了安全监测的效率和层次性,进而实现高效、可信、实时的安全监测。
发明内容
为了解决现有技术中的上述问题,本发明提出了一种基于大数据分析的安全监测方法和系统,所述方法包含:
步骤S1:获取当前监测对象的多类型大数据监测信息,并对多类型监测数据作预处理;
步骤S2: 确定当前监测对象所对应的现场及其现场标签;具体为:获取当前监测对象对应的多维度固有属性和变化属性,每维属性的属性值设置为现场标签中的一元;基于当前监测对象的属性值设置对应的现场标签元素的元素值;其中:现场用现场标签标识,现场标签为NL元标签,其中每元标签对应一个维度的监测对象属性;
步骤S3:基于大数据监测信息,计算当前监测对象的当前现场标签对应的多类型监测数据中每个类型的可信值,确定交叉层次及其交叉类型的可信值;
所述步骤S3具体包括如下步骤:
步骤S31:初始化现场标签元素组合的元数的最大值为NL;
步骤S32:获取现场标签中一未处理元标签元素组合;k是组合中第i个元素的编号;组合中涉及/>个标签元素;/>元对应的组合编号/>其中:/> ,是/>元对应的组合的个数;/>是 />元标签元素组合中第/>个组合;!是阶乘运算符;
步骤S33:获取历史大数据监测信息中符合所述元标签元素组合中的第/>个组合中所有标签元素值的安全监测大数据/>;确定基于所述安全监测大数据/>的安全监测结果的历史可信度;和/>标签元素组合对应的历史可信度表示为/>;历史可信度包括累计可信度、预测准确度、反馈准确度等可信程度;
步骤S34:判断所有元标签元素组合是否处理完毕,如果是,则进入下一步骤,否则返回步骤S32;
步骤S35:确定基于所述安全监测大数据的交集/>的安全监测结果的历史可信度/>;
步骤S36:设置确定截止条件是否满足,如果是,则进入下一步骤,否则,设置/>,判断/>是否大于NL,如果是,则进入下一步骤,否则,返回步骤S32;也就是说,/>是所记录的当前/>值;
所述截止条件为(2)~ (4)中的一个或其组合:
其中:公式(1)用于在具体取值为/>或者/>-1时,代入公式(2)(3);
步骤S37:基于归一化历史可信度设置当前现场标签下和/>元标签元素组合中每个标签元素对应的单元素可信值/>及其交叉元素的可信值/>;
优选的:基于下式(5) 设置当前现场标签下和元标签元素组合中每个元素对应的单元素可信值/>及其交叉元素的可信值/>;其中:/>是归一化调整系数;
步骤S38:基于每个标签元素对应的单元素可信值及其交叉元素的可信值确定和每个监测数据类型对应单类型可信值及其交叉类型可信值;具体为:对于多类型监测数据中的每种数据类型,将数据类型和对其影像程度最小的标签元素相对应;从而使得单一数据类型的单类型可信值和单一标签元素对应的单元素可信值/>相对应,多数据类型的交叉类型可信值和交叉元素的可信值/>相对应;
步骤S4:基于针对当前监测对象采集到的多类型监测数据和对应的可信值及其交叉可信值得到和当前现场对应的安全监测结果,作为和所述监测对象对应的大数据安全监测结果;
所述步骤S4具体包括如下步骤:
步骤S41:针对每种监测数据类型,将其输入到和该监测数据类型/>对应的单类型安全监测模型中,以得到和所述监测数据类型/>对应的子安全监测结果/>;
步骤S42:基于单类型可信值和交叉可信值综合所述子安全监测结果以得到和当前现场对应的第一安全监测结果,作为和所述监测对象对应的大数据安全监测结果;具体的:监测结果中包含监测项以及针对监测项的监测结论;每个类型对应的可信值用于对相应类型监测结果中的每个监测项的监测结论赋予可信值;交叉类型的可信值/>用于对交叉类型中相同监测结论赋予可信值;而对交叉类型中不同的相同监测结论赋予默认可信值;其中:所述默认可信值为0;对经过赋予可信值的监测项的监测结论进行加和和/或合并,终形成的监测结果中同样包含多个监测项及其对应的监测结论。
进一步的,所述多类型大数据监测信息包括不同类型监测装置采集得到的监测信息。
进一步的,所述多类型大数据监测信息是多源大数据监测信息。
进一步的,所述对多类型监测数据作预处理,具体为:删除多类型监测数据中的明显异常数据,对多类型监测数据进行可信数据补全。
进一步的,所述多类型数据包括:图像、音频、红外和/或声音信息。
进一步的,所述基于当前监测对象的属性值设置对应的标签元素的元素值,具体为:所述单类型安全监测模型是人工智能模型。
进一步的,所述单类型安全监测模型是深度神经网络模型和/或神经网络模型。
一种基于大数据分析的安全监测系统,所述系统用于实现所述的基于大数据分析的安全监测方法。
一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行所述的基于大数据分析的安全监测方法。
一种大数据分析服务器,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现所述的基于大数据分析的安全监测方法。
本发明的有益效果包括:
(1)基于固有和实时属性信息的现场标签,将现场及其现场标签和监测对象动态关联,进一步的,在考虑监测对象内在数据关联性和可信性的基础上,增加对监测对象空间和内在关联性的考虑,充分利用时空大数据信息,充分的利用对象和关联数据之间可能存在的内在和外在关联关系进行安全监测,提高了安全监测的效率和层次性,从而实现高效、可信、实时的安全监测;
(2)通过现场标签的多元组拆分将针对复杂的多类型大数据的智能分析拆分成针对单类型大数据智能分析,大大降低了人工智能安全监测中大数据分析的复杂度;进一步的,在单类型监测结果的基础上,通过交叉数据类型的引入形成对但类型分析的补充挖掘,在降低人工智能模型的复杂度的同时,不降低监测结果的准确度;
(3)设置监测结果中包含多个监测项及其对应的监测结论,经过单独可信和交叉可信的作用下,形成的监测结果中针对不同监测结论的可信值是不同的;从而形成了层次化的监测结论,更加人性化且能够形成更强的对人工判断的辅助性。
附图说明
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1为本发明的基于大数据分析的安全监测方法示意图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的限定通过如附图1所述,本发明提出一种基于大数据分析的安全监测方法,所述方法包括:
步骤S1:获取当前监测对象的多类型大数据监测信息,并对多类型监测数据作预处理;具体的:所述多类型大数据监测信息包括不同类型监测装置采集得到的监测信息;
可替换的:所述多类型大数据监测信息是多源大数据监测信息,也就是说,可能是同类型但是不同源的大数据监测信息,这些信息的可用、可信、质量等均存在差异;
可替换的:所述多类型大数据信息为针对同一现场的多个不同类型监测装置采集到的监测信息;
所述对多类型监测数据作预处理,具体为:删除多类型监测数据中的明显异常数据,对多类型监测数据进行可信数据补全;所述可信数据补全为基于99%确定的数据补全;
优选的:所述多类型数据包括:图像、音频、红外、声音等多类型信息;不同类型监测装置为分别用于采集上述多类型数据中的一种的采集装置;
步骤S2: 确定当前监测对象所对应的现场及其现场标签;具体为:获取当前监测对象对应的多维度固有属性和变化属性,每维属性的属性值设置为现场标签中的一元;基于当前监测对象的属性值设置对应的现场标签元素的元素值;其中:现场用现场标签标识,现场标签为NL元标签,其中每元标签对应一个维度的监测对象属性;也就是说,每个监测对象所对应的现场标签是随着时间的变化而实时变化的;现场用于描述监测对象及其所处环境所形成的综合状况;
其中:所述固有属性为固定不变的属性,而实时属性是随着时间变化的属性;优选的:所述固有属性包括监测对象位置、区域、归属、尺寸、用地属性、颜色、色彩、行政划分属性、露天与否、类型(车、人、物)、高度等中的一个或多个;所述实时属性包括:监测对象的噪音指标、光线条件、遮蔽物平均高度、能见度、进入人员数量、速度、植物覆盖面积比例等中的一个或多个;当然,现场属性的具体设置是和监测对象及其监测对象密切相关的;为了复杂度的考虑,可以选择最密切相关的属性;
所述基于当前监测对象的属性值设置对应的标签元素的元素值,具体为:确定属性值所落入的属性值区间,将所述属性值区间标识作为标签元素的元素值;
优选的:为所有属性值设置相同数量的区间个数;对于枚举类型,可以设置无效数值以填充多余区区间;
优选的:在基于当前监测对象的属性值设置对应的标签元素的元素值之前,对数值类型属性的属性值进行线性或者非线性归一化;在进行线性归一化时,将属性值除以属性的跨度值以进行线性归一化;可以针对不同的属性设置不同的非线性函数将属性值不均匀的映射到一个和其他属性值可比的范围内;对于枚举类型可以直接设置;
本发明设置基于固有和实时属性信息的现场标签,将现场及其现场标签和监测对象动态关联起来,使得监测对象能够动态的充分利用大数据信息,从而实现高效、可信、实时的安全监测;
步骤S3:基于大数据监测信息,计算当前监测对象的当前现场标签对应的多类型监测数据中每个类型的可信值,确定交叉层次及其交叉类型的可信值;
所述步骤S3具体包括如下步骤:
步骤S31:初始化现场标签元素组合的元数的最大值为NL;
步骤S32:获取现场标签中一未处理元标签元素组合;k是组合中第i个元素的编号;组合中涉及个标签元素;/>元对应的组合编号/>其中:/> ,是/>元对应的组合的个数;/>是/>元标签元素组合中第/>个组合;!是阶乘运算符;
步骤S33:获取历史大数据监测信息中符合所述元标签元素组合中的第/>个组合中所有标签元素值的安全监测大数据/>;确定基于所述安全监测大数据/>的安全监测结果的历史可信度;和/>标签元素组合对应的历史可信度表示为/>;历史可信度包括累计可信度、预测准确度、反馈准确度等可信程度;
优选的:在确定基于所述安全监测大数据的安全监测结果的历史可信度时,不限定所采用的安全监测的手段、模型或方式;只要是在安全监测中使用到得大数据监测信息所针对的监测对象符合该元标签元素组合中的所有标签元素值即可;
步骤S34:判断所有元标签元素组合是否处理完毕,如果是,则进入下一步骤,否则返回步骤S32;
步骤S35:确定基于所述安全监测大数据的交集/>的安全监测结果的历史可信度/>;
步骤S36:设置;确定截止条件是否满足,如果是,则进入下一步骤,否则,设置/>判断/>是否大于NL,如果是,则进入下一步骤,否则,返回步骤S32;也就是说,/>是所记录的当前/>值;
优选的:所述截止条件为达到预设元数;例如:/>
可替换的:基于历史可信度确定截止条件是否满足,所述截止条件为(2)~ (4)中的一个或其组合:
其中:公式(1)用于在具体取值为/>或者/>-1时,代入公式(2)(3),不是截止条件中的一个;
步骤S37:基于归一化历史可信度设置当前现场标签下和/>元标签元素组合中每个标签元素对应的单元素可信值/>及其交叉元素的可信值/>;
优选的:基于下式(5) 设置当前现场标签下和元标签元素组合中每个元素对应的单元素可信值/>及其交叉元素的可信值/>;
其中:是归一化调整系数,用于将可信值调整到0~1空间内;
在该步骤中,如果,则可信值/>为和单一类型对应的可信值;也就是说不涉及针对交叉数据类型的考虑,而显然引入交叉数据类型的考虑会形成对历史大数据的补充挖掘,从而进一步降低后续基于人工智能模型的复杂度度;
步骤S38:基于每个标签元素对应的单元素可信值及其交叉元素的可信值确定和每个监测数据类型对应单类型可信值及其交叉类型可信值;具体为:对于多类型监测数据中的每种数据类型,将数据类型和对其影像程度最小(数据类型对标签元素的敏感性最低)的标签元素相对应;从而使得单一数据类型的单类型可信值和单一标签元素对应的单元素可信值/>相对应,多数据类型的交叉类型可信值和交叉元素的可信值相对应;此时,交叉类型可信值对应的/>元标签元素组合中每个标签元素分别和多数据类型中的每个数据类型相对应;采用该步骤的对应方式时,将N类监测数据对应的/>复杂度的安全监测模型降为成N个安全监测模型;当然,上述对应方式可以选择1对1的对应方式,也就是每个标签元素只能被对应1次,或者是多对一、一对多、多对多的方式,此时可能需要用标签元素的个数NL来限定数据类型N的个数;
优选的:还包括步骤S39:将现场标签和可信值对应保存在可信值对照表中;通过现场标签查找该可信值对照表即可得到对应的可信值集合;通过查找现场标签和可信值对应关系表以得到可信值;
步骤S4:基于针对当前监测对象采集到的多类型监测数据和对应的可信值及其交叉可信值得到和当前现场对应的安全监测结果,并称为第一安全监测结果;将所述第一安全监测结果作为和所述监测对象对应的大数据安全监测结果;
所述步骤S4具体包括如下步骤:
步骤S41:针对每种监测数据类型,将其输入到和该监测数据类型/>对应的单类型安全监测模型中,以得到和所述监测数据类型/>对应的子安全监测结果/>;
优选的:所述单类型安全监测模型是人工智能模型;预选训练所述单类型安全监测模型;和步骤S42的方式对应,可以采用和当前现场标签元素一致的的缺维单类型安全监测模型,并选用缺维大数据样本进行训练;
优选的:所述单类型安全监测模型是监督网络模型、决策网络模型、深度神经网络模型、神经网络模型等中的一个或者多个;
优选的:所述子安全监测结果包括监测结果的可信程度,所述可信值用于对所述监测结果和/或监测结果中的每项的可信程度进行加权;
可替换的:所述步骤S41为,针对每种监测数据类型,将所有监测数据输入到和该监测数据类型/>对应的单类型安全监测模型中,以得到和所述监测数据类型/>对应的子安全监测结果/>;此时,所述监测数据类型n最不敏感(影响度最小)的标签元素属性为u(也就是和n对应的标签元素),获取历史大数据监测信息中监测对象的现场标签元素属性的属性值为当前现场相应标签元素属性值时的缺维历史大数据监测信息(因为一个标签元素的属性值已经固定,因此,相当于降了1个维度),采用所述缺维历史大数据监测信息训练神经网络模型以得到单类型安全监测模型;采用该方式时,将N类监测数据对应的/>复杂度的安全监测模型降为成/>个复杂度为/>的安全监测模型;
步骤S42:基于单类型可信值和交叉可信值综合所述子安全监测结果以得到和当前现场对应的第一安全监测结果;具体的:监测结果中包含监测项、针对监测项的监测结论;每个类型对应的可信值用于对相应类型监测结果中的每个监测项的监测结论赋予相应的可信值;交叉类型的可信值/>用于对交叉类型中相同监测结论赋予相应的可信值;而对交叉类型中不同的相同监测结论赋予默认可信值;其中:所述默认可信值为0;对经过赋予可信值的监测项的监测结论进行加和和/或合并,终形成的监测结果中同样包含多个监测项及其对应的监测结论,
可替换的:采用下式(6)确定和当前现场对应的第一安全监测结果;
可替换的:所述步骤S42具体为:采用下式(7)确定和当前现场对应的第一安全监测结果;
此时,将标签元素和数据类型进行一一对应后,采用标签元素标号后表示如何上;在采用多对1,1对多,多对多等其他方式时,类似的用数据类型的编号进行相应替换;
优选的:上述公式(6)(7)中的操作为针对/>中包含的相同监测项及其相同监测结论做交叉可信值的乘操作;/>操作为针对/>中包含监测结果中的所有监测项及其相同/不同监测结论作可信值和交叉可信值的加和和合并操作;其中,加和是指针对相同监测项的相同监测结论的可信值加和,而针对不同监测项或不同监测结论则作合并;最终形成的监测结果中同样包含多个监测项及其对应的监测结论,而每个监测结论对应的可信值是不同的;从而形成了层次化的监测结论,更加人性化且能够形成更强的对人工判断的辅助性;
优选的:所述监测结果为针对同一监测项的发生概率值;
可替换的:所述方法还包括如下步骤:
步骤S5:获取当前监测对象的关联监测对象及其对应的现场;确定关联监测对象和当前监测对象的现场关联性,确定关联性强者对应关联监测对象为目标关联监测对象;确定每个目标关联监测对象的安全监测结果,并称为第二安全监测结果;确定的方式为采用步骤S4中的方式;
也就是说,两个监测对象即使是关联的,但是由于其现场标签在发生变化,因此,当前的目标关联监测对象并不一定是后续的目标关联监测对象,用于安全监测的监测对象及其大数据来源均是实时变化的;
其中:所述关联监测对象为和当前监测对象在位置关系、社交关系、顺序关系、操作关系上存在关联性的监测对象;例如:跟随行走的车辆、流水线上的前后操作工序、连续的机械手臂、连续的监控位置、空间上存在关联关系的监控区域等等;
所述确定和当前监测对象的关联监测对象的现场关联性,具体为:计算两个监测对象之间的现场标签之间的相似度,选择相似度大于相似度阈值的监测对象为相似监测对象;当然,也可以直接用人工确定关联性的方式,人为的判断两者之间的内在关联性;
优选的:采用下式计算相似度;其中:是当前监测对象的现场标签中的k元素;/>是关联监测对象的现场标签中的k元素;
步骤S6:基于历史大数据监测信息,确定当前监测对象和目标关联监测对象的现场关联性,并基于所述现场关联性确定目标关联监测对象的第二可信值;所述步骤S6包括如下步骤:
步骤S61:确定当前检测对象的现场为第一现场, 目标关联监测对象的现场为第二现场;
步骤S62:确定历史大数据监测信息中第一现场和第二现场在时间上连续出现且/或当第一现场发生变化时,第二现场也随之发生变化的关联次数NA;用所述关联次数NA描述当前监测对象和目标关联监测对象的现场关联性;
步骤S63:将关联次数作为第p个目标关联监测对象的第二可信值/>;
步骤S7:基于第一安全监测结果、第二安全监测结果、第二可信值综合确定所述监测对象对应的大数据监测结果;当然这里综合确定的方式可以采用步骤S42中任何方式;
其中:和/>是综合确定调整系数;
优选的:
同样的,这里的加和操作为针对监测结果中的所有监测项及其相同/不同监测结论作可信值的加和和合并操作;其中,加和是指针对相同监测项的相同监测结论的可信值加和,而针对不同监测项或不同监测结论则作合并;最终形成的监测结果中同样包含多个监测项及其对应的监测结论,而每个监测结论对应的可信值是不同的;从而形成了层次化的监测结论,更加人性化且能够形成更强的对人工判断的辅助性;也就是说,在考虑监测对象内在数据关联性和可信性的基础上,增加对监测对象空间和内在关联性的考虑,充分利用时空大数据信息,充分的利用对象和关联数据之间可能存在的依赖关系进行安全监测,提高了安全监测的效率和层次性;
基于相同的发明构思,如附图1所示,本发明提出一种基于大数据分析的安全监测系统,所述系统包括:大数据分析装置、监测装置;所述监测装置用于采集监测对象的监测数据;其中:每种监测装置用于采集一种或多种类型的监测数据;并将所采集的监测数据发送给大数据分析装置;大数据分析装置用于存储所接收就得监测数据并形成多类型监测大数据信息;所述大数据分析装置还用于执行上述基于大数据分析的安全监测方法;
优选的:所述监测数据包含多种类型;所述多种类型数据包括:图像、音频、红外、声音等多类型信息;不同类监测装置为分别用于采集上述多类型数据中的一种的采集装置;
优选的:所述大数据分析装置是大数据分析服务器;所述大数据分析服务器被配置为执行上述基于大数据分析的安全监测方法;
根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置被安装,或者从ROM安装。在该计算机程序被处理装置执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,adhoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取显示有嘴部的目标图像;对于预先设定的至少三个目标类别中的每个目标类别,确定上述目标图像中每个像素点为上述目标类别的概率,得到至少三个概率图;基于上述至少三个概率图,确定上述目标图像中每个像素点的类别。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Small talk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于大数据分析的安全监测方法,其特征在于,包括:
步骤S1:获取当前监测对象的多类型大数据监测信息,并对多类型监测数据作预处理;
步骤S2: 确定当前监测对象所对应的现场及其现场标签;具体为:获取当前监测对象对应的多维度固有属性和变化属性,每维属性的属性值设置为现场标签中的一元;基于当前监测对象的属性值设置对应的现场标签元素的元素值;其中:现场用现场标签标识,现场标签为NL元标签,其中每元标签对应一个维度的监测对象属性;
步骤S3:基于大数据监测信息,计算当前监测对象的当前现场标签对应的多类型监测数据中每个类型的可信值,确定交叉层次及其交叉类型的可信值;
所述步骤S3具体包括如下步骤:
步骤S31:初始化现场标签元素组合的元数的最大值为NL;
步骤S32:获取现场标签中一未处理元标签元素组合;k是组合中第i个元素的编号;组合中涉及/>个标签元素;
元对应的组合编号/>;其中:/> ,是/>元对应的组合的个数;/>是/>元标签元素组合中第/>个组合;!是阶乘运算符;
步骤S33:获取历史大数据监测信息中符合所述元标签元素组合中的第/>个组合中所有标签元素值的安全监测大数据/>;确定基于所述安全监测大数据/>的安全监测结果的历史可信度;和/>标签元素组合对应的历史可信度表示为/>;历史可信度包括累计可信度、预测准确度、反馈准确度等可信程度;
步骤S34:判断所有元标签元素组合是否处理完毕,如果是,则进入下一步骤,否则返回步骤S32;
步骤S35:确定基于所述安全监测大数据的交集/>的安全监测结果的历史可信度/>;
步骤S36:设置;确定截止条件是否满足,如果是,则进入下一步骤,否则,设置/>,判断/>是否大于NL,如果是,则进入下一步骤,否则,返回步骤S32;也就是说,/>是所记录的当前/>值;
所述截止条件为(2)~ (4)中的一个或其组合:
其中:公式(1)用于在具体取值为/>或者/>-1时,代入公式(2)(3);
步骤S37:基于归一化历史可信度设置当前现场标签下和/>元标签元素组合中每个标签元素对应的单元素可信值/>及其交叉元素的可信值/>;
优选的:基于下式(5) 设置当前现场标签下和元标签元素组合中每个元素对应的单元素可信值/>及其交叉元素的可信值/>;其中:/>是归一化调整系数;
步骤S38:基于每个标签元素对应的单元素可信值/>及其交叉元素的可信值/>确定和每个监测数据类型对应单类型可信值及其交叉类型可信值;具体为:对于多类型监测数据中的每种数据类型,将数据类型和对其影像程度最小的标签元素相对应;从而使得单一数据类型的单类型可信值和单一标签元素对应的单元素可信值/>相对应,多数据类型的交叉类型可信值和交叉元素的可信值相对应;
步骤S4:基于针对当前监测对象采集到的多类型监测数据和对应的可信值及其交叉可信值得到和当前现场对应的安全监测结果,作为和所述监测对象对应的大数据安全监测结果;
所述步骤S4具体包括如下步骤:
步骤S41:针对每种监测数据类型,将其输入到和该监测数据类型/>对应的单类型安全监测模型中,以得到和所述监测数据类型/>对应的子安全监测结果/>;
步骤S42:基于单类型可信值和交叉可信值综合所述子安全监测结果以得到和当前现场对应的第一安全监测结果,作为和所述监测对象对应的大数据安全监测结果;具体的:监测结果中包含监测项以及针对监测项的监测结论;每个类型对应的可信值用于对相应类型监测结果中的每个监测项的监测结论赋予可信值;交叉类型的可信值/>用于对交叉类型中相同监测结论赋予可信值;而对交叉类型中不同的相同监测结论赋予默认可信值;其中:所述默认可信值为0;对经过赋予可信值的监测项的监测结论进行加和和/或合并,终形成的监测结果中同样包含多个监测项及其对应的监测结论。
2.根据权利要求1所述的基于大数据分析的安全监测方法,其特征在于,所述多类型大数据监测信息包括不同类型监测装置采集得到的监测信息。
3.根据权利要求2所述的基于大数据分析的安全监测方法,其特征在于,所述多类型大数据监测信息是多源大数据监测信息。
4.根据权利要求3所述的基于大数据分析的安全监测方法,其特征在于,所述对多类型监测数据作预处理,具体为:删除多类型监测数据中的明显异常数据,对多类型监测数据进行可信数据补全。
5.根据权利要求4所述的基于大数据分析的安全监测方法,其特征在于,所述多类型数据包括:图像、音频、红外和/或声音信息。
6.根据权利要求4所述的基于大数据分析的安全监测方法,其特征在于,所述基于当前监测对象的属性值设置对应的标签元素的元素值,具体为:所述单类型安全监测模型是人工智能模型。
7.根据权利要求6所述的基于大数据分析的安全监测方法,其特征在于,所述单类型安全监测模型是深度神经网络模型和/或神经网络模型。
8.一种基于大数据分析的安全监测系统,其特征在于,所述系统用于实现如权利要求1-7中任一项所述的基于大数据分析的安全监测方法。
9.一种计算机可读存储介质,其特征在于,包括程序,当其在计算机上运行时,使得计算机执行如权利要求1-7中任一项所述的基于大数据分析的安全监测方法。
10.一种大数据分析服务器,其特征在于,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现如权利要求1-7中任一项所述的基于大数据分析的安全监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691796.9A CN116467368B (zh) | 2023-06-13 | 2023-06-13 | 一种基于大数据分析的安全监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691796.9A CN116467368B (zh) | 2023-06-13 | 2023-06-13 | 一种基于大数据分析的安全监测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116467368A true CN116467368A (zh) | 2023-07-21 |
CN116467368B CN116467368B (zh) | 2023-10-24 |
Family
ID=87181068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310691796.9A Active CN116467368B (zh) | 2023-06-13 | 2023-06-13 | 一种基于大数据分析的安全监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116467368B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5969755A (en) * | 1996-02-05 | 1999-10-19 | Texas Instruments Incorporated | Motion based event detection system and method |
CN105100122A (zh) * | 2015-09-08 | 2015-11-25 | 南京联成科技发展有限公司 | 一种基于大数据分析的威胁检测和预警的方法及系统 |
US10970395B1 (en) * | 2018-01-18 | 2021-04-06 | Pure Storage, Inc | Security threat monitoring for a storage system |
CN114240316A (zh) * | 2021-11-09 | 2022-03-25 | 国能电力技术工程有限公司 | 一种应用于电力工程施工的安全监测管控方法和系统 |
CN115600232A (zh) * | 2022-10-27 | 2023-01-13 | 于秀英(Cn) | 一种基于大数据的信息安全监测系统及方法 |
CN115987644A (zh) * | 2022-12-26 | 2023-04-18 | 中国电力科学研究院有限公司 | 智能配电物联安全认证系统 |
-
2023
- 2023-06-13 CN CN202310691796.9A patent/CN116467368B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5969755A (en) * | 1996-02-05 | 1999-10-19 | Texas Instruments Incorporated | Motion based event detection system and method |
CN105100122A (zh) * | 2015-09-08 | 2015-11-25 | 南京联成科技发展有限公司 | 一种基于大数据分析的威胁检测和预警的方法及系统 |
US10970395B1 (en) * | 2018-01-18 | 2021-04-06 | Pure Storage, Inc | Security threat monitoring for a storage system |
CN114240316A (zh) * | 2021-11-09 | 2022-03-25 | 国能电力技术工程有限公司 | 一种应用于电力工程施工的安全监测管控方法和系统 |
CN115600232A (zh) * | 2022-10-27 | 2023-01-13 | 于秀英(Cn) | 一种基于大数据的信息安全监测系统及方法 |
CN115987644A (zh) * | 2022-12-26 | 2023-04-18 | 中国电力科学研究院有限公司 | 智能配电物联安全认证系统 |
Non-Patent Citations (5)
Title |
---|
I KOTENKO等: "Framework for Mobile Internet of Things Security Monitoring Based on Big Data Processing and Machine Learning", IEEE, pages 72714 - 72723 * |
李艳华;: "大数据安全技术研究", 网络空间安全, no. 02 * |
沙乐天;肖甫;陈伟;孙晶;王汝传;: "基于多属性决策及污点跟踪的大数据平台敏感信息泄露感知方法", 通信学报, no. 07, pages 56 - 69 * |
章翔凌;杨永群;黄勤龙;陈权;: "基于大数据分析的应用安全态势系统设计与实现", 网络空间安全, no. 1, pages 54 - 59 * |
谭群芳;裴俊豪;尹大薇;: "基于大数据的安全管理平台设计与实现", 邮电设计技术, no. 05, pages 77 - 81 * |
Also Published As
Publication number | Publication date |
---|---|
CN116467368B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307757B (zh) | 一种数据智能交互方法、交互系统、计算机设备及应用 | |
CN107331132B (zh) | 一种城市火灾隐患动态预测监控的方法及系统 | |
CN113885398B (zh) | 一种基于可微推理的水循环智能感知与监控系统 | |
CN113656647A (zh) | 一种面向智能运维的工程档案数据管理平台、方法及系统 | |
CN115223049A (zh) | 面向电力场景边缘计算大模型压缩的知识蒸馏与量化技术 | |
CN116467788A (zh) | 一种无障碍环境建设管理方法及系统 | |
Cheong et al. | Missing traffic data imputation for artificial intelligence in intelligent transportation systems: review of methods, limitations, and challenges | |
CN117351521B (zh) | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 | |
CN116467368B (zh) | 一种基于大数据分析的安全监测方法和系统 | |
CN116954565A (zh) | 智慧城市消息平台发布方法 | |
CN116976702A (zh) | 基于大场景gis轻量化引擎的城市数字孪生平台及方法 | |
CN116805444A (zh) | 分布式命名导航行人行车预警方法、系统和装置 | |
CN116624226A (zh) | 一种煤矿灾害数据采集、分析及可视化展现系统 | |
Cerqueira et al. | Integrative analysis of traffic and situational context data to support urban mobility planning | |
CN114547979A (zh) | 一种基于北斗卫星短报文服务的时空碳排放监测系统 | |
Chang et al. | Safety risk assessment of electric power operation site based on variable precision rough set | |
JP2022088574A (ja) | マップクエリ方法、装置及び電子機器 | |
Hassan et al. | Analytical approach to sustainable smart city using IoT and machine learning | |
Yang et al. | Resnet-unet considering patches (rup) network to solve the problem of patches due to shadows in extracting building top information | |
Liu | Urban groundwater quality monitoring and state-owned assets management optimization based on spatial information processing | |
CN111857015A (zh) | 输变电云端智能控制器 | |
KR102642540B1 (ko) | 스마트 시티 안전 서비스 제공 방법 및 이를 실행하는 서버 | |
Al Mashhadany et al. | Irrigation intelligence—enabling a cloud-based Internet of Things approach for enhanced water management in agriculture | |
CN117216722B (zh) | 基于传感器时序数据多源异构数据融合系统 | |
CN117391456B (zh) | 基于人工智能的村社管理方法及服务平台系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |