发明内容
本发明所要解决的技术问题在于,提供一种基于多模态数据的消防预警方法及装置,能够实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
为了解决上述技术问题,本发明第一方面公开了一种基于多模态数据的消防预警方法,所述方法包括:
获取目标探测区域内的多种模态的多个传感数据和对应的传感位置;
将每一所述传感数据和对应的传感位置输入至对应模态的预先训练好的神经网络预测模型中,以得到每一所述传感位置对应的消防事件概率;
根据每一所述传感位置对应的消防事件概率,生成所述目标探测区域对应的区域预警分布图;
获取所述目标探测区域内的多个员工工作轨迹数据;
根据所述多个员工工作轨迹数据以及所述区域预警分布图,判断所述目标探测区域内是否存在消防险情;
当判断结果为是,对所述消防险情进行报警。
作为一种可选的实施方式,在本发明第一方面中,所述将每一所述传感数据和对应的传感位置输入至对应模态的预先训练好的神经网络预测模型中,以得到每一所述传感位置对应的消防事件概率,包括:
基于预设的数据关联规则,从所有所述传感数据中筛选出至少两组数据组;每一组所述数据组包括至少两个数据强关联的所述传感数据;
将每组所述数据组输入至对应的预先训练好的第一神经网络预测模型中,以得到每一所述数据组对应的所述传感位置对应的消防事件概率;所述第一神经网络预测模型通过包括有多个对应的数据强关联的训练传感数据和消防事件概率标注的训练集训练得到。
作为一种可选的实施方式,在本发明第一方面中,所述数据关联规则包括:
对于任意两个所述传感数据或训练传感数据,判断两者之间的传感位置之间的距离是否小于预设的距离阈值,得到第一判断结果;
判断两者之间的模态是否为预设的强关联模态,得到第二判断结果;所述强关联模态包括图像-热成像模态、温度-湿度模态、三维-图像模态、文本-数值模态中的至少一种;
当所述第一判断结果和所述第二判断结果均为是时,确定该两个所述传感数据或训练传感数据为数据强关联。
作为一种可选的实施方式,在本发明第一方面中,所述根据每一所述传感位置对应的消防事件概率,生成所述目标探测区域对应的区域预警分布图,包括:
对于任一所述传感位置,判断该传感位置对应的所述消防时间概率是否大于预设的概率阈值,若是,则确定该传感位置为预警传感位置;
确定所述目标探测区域的至少一个发生过消防事故的事故位置;
对于任一所述预警传感位置,计算该预警传感位置与所述事故位置的位置距离;
根据所述位置距离,基于第一权重确定公式,确定该预警传感位置对应的第一范围权重;
根据所述消防事件概率,基于第二权重确定公式,确定该预警传感位置对应的第二范围权重;
计算预设的参考范围半径与所述第一范围权重和所述第二范围权重的乘积,以得到该预警传感位置对应的预警半径;
生成以所述目标探测区域中的每一所述预警传感位置为圆心,以对应的所述预警半径为半径的多个影响圆,以得到所述目标探测区域对应的区域预警分布图。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述多个员工工作轨迹数据以及所述区域预警分布图,判断所述目标探测区域内是否存在消防险情,包括:
将每一所述员工工作轨迹数据输入至预先训练好的第二神经网络模型,以得到所述员工工作轨迹对应的员工逃离倾向概率和预测远离方向;所述第二神经网络模型通过包括有多个训练员工工作轨迹和对应的逃离倾向标注和远离方向标注的训练数据集训练得到;
从所述多个员工工作轨迹数据中筛选出所有所述员工逃离倾向概率大于预设的倾向概率阈值的员工工作轨迹数据,得到至少一个待分析轨迹数据;
确定任一所述待分析轨迹数据的轨迹稳定点,基于所述轨迹稳定点向对应的所述预测远离方向形成该待分析轨迹数据对应的扇形,所述扇形的圆心角度数为预设参考度数与度数权重的乘积;所述度数权重与该待分析轨迹数据对应的所述员工逃离倾向概率的大小成正比;
判断所述目标探测区域内的所有所述影响圆与所有所述扇形的重合度是否大于预设的重合度阈值;
若是,则确定所述目标探测区域内存在消防险情,否则不存在。
作为一种可选的实施方式,在本发明第一方面中,所述确定任一所述待分析轨迹数据的轨迹稳定点,包括:
对于任一所述待分析轨迹数据,获取该待分析轨迹数据中的所有轨迹离散点;
对于每一所述轨迹离散点,确定该轨迹离散点的前后两个相邻的轨迹离散点与该轨迹离散点之间的两个连线,计算该两个连线的延伸方向所形成的夹角对应的夹角中线,得到该轨迹离散点对应的轨迹表征线;
对于每一所述轨迹离散点,计算该轨迹离散点对应的所述轨迹表征线与前后两个相邻的轨迹离散点的所述轨迹表征线之间的夹角的夹角平均值;
对于该待分析轨迹数据,从所有所述轨迹离散点中筛选出对应的所述夹角平均值最小的轨迹离散点,以确定为该待分析轨迹数据对应的轨迹稳定点。
作为一种可选的实施方式,在本发明第一方面中,所述方法还包括:
根据所述员工轨迹数据确定所述目标探测区域内的多个用户的最新用户位置;
根据所述目标探测区域的通行规则,以及所述区域预警分布图中的多个所述影响圆,生成所述目标探测区域中符合所述通行规则及绕开所有所述影响圆的优选通行路线;
计算每一所述最新用户位置到所述优选通行路线之间的最短路线,将所有所述最短路线及所述优选通行路线确定为逃生路线,并发送至任一用户的终端进行提示。
本发明第二方面公开了一种基于多模态数据的消防预警装置,所述装置包括:
第一获取模块,用于获取目标探测区域内的多种模态的多个传感数据和对应的传感位置;
预测模块,用于将每一所述传感数据和对应的传感位置输入至对应模态的预先训练好的神经网络预测模型中,以得到每一所述传感位置对应的消防事件概率;
生成模块,用于根据每一所述传感位置对应的消防事件概率,生成所述目标探测区域对应的区域预警分布图;
第二获取模块,用于获取所述目标探测区域内的多个员工工作轨迹数据;
判断模块,用于根据所述多个员工工作轨迹数据以及所述区域预警分布图,判断所述目标探测区域内是否存在消防险情;
报警模块,用于当所述判断模块的判断结果为是,对所述消防险情进行报警。
作为一种可选的实施方式,在本发明第二方面中,所述预测模块将每一所述传感数据和对应的传感位置输入至对应模态的预先训练好的神经网络预测模型中,以得到每一所述传感位置对应的消防事件概率的具体方式,包括:
基于预设的数据关联规则,从所有所述传感数据中筛选出至少两组数据组;每一组所述数据组包括至少两个数据强关联的所述传感数据;
将每组所述数据组输入至对应的预先训练好的第一神经网络预测模型中,以得到每一所述数据组对应的所述传感位置对应的消防事件概率;所述第一神经网络预测模型通过包括有多个对应的数据强关联的训练传感数据和消防事件概率标注的训练集训练得到。
作为一种可选的实施方式,在本发明第二方面中,所述数据关联规则包括:
对于任意两个所述传感数据或训练传感数据,判断两者之间的传感位置之间的距离是否小于预设的距离阈值,得到第一判断结果;
判断两者之间的模态是否为预设的强关联模态,得到第二判断结果;所述强关联模态包括图像-热成像模态、温度-湿度模态、三维-图像模态、文本-数值模态中的至少一种;
当所述第一判断结果和所述第二判断结果均为是时,确定该两个所述传感数据或训练传感数据为数据强关联。
作为一种可选的实施方式,在本发明第二方面中,所述生成模块根据每一所述传感位置对应的消防事件概率,生成所述目标探测区域对应的区域预警分布图的具体方式,包括:
对于任一所述传感位置,判断该传感位置对应的所述消防时间概率是否大于预设的概率阈值,若是,则确定该传感位置为预警传感位置;
确定所述目标探测区域的至少一个发生过消防事故的事故位置;
对于任一所述预警传感位置,计算该预警传感位置与所述事故位置的位置距离;
根据所述位置距离,基于第一权重确定公式,确定该预警传感位置对应的第一范围权重;
根据所述消防事件概率,基于第二权重确定公式,确定该预警传感位置对应的第二范围权重;
计算预设的参考范围半径与所述第一范围权重和所述第二范围权重的乘积,以得到该预警传感位置对应的预警半径;
生成以所述目标探测区域中的每一所述预警传感位置为圆心,以对应的所述预警半径为半径的多个影响圆,以得到所述目标探测区域对应的区域预警分布图。
作为一种可选的实施方式,在本发明第二方面中,所述判断模块根据所述多个员工工作轨迹数据以及所述区域预警分布图,判断所述目标探测区域内是否存在消防险情的具体方式,包括:
将每一所述员工工作轨迹数据输入至预先训练好的第二神经网络模型,以得到所述员工工作轨迹对应的员工逃离倾向概率和预测远离方向;所述第二神经网络模型通过包括有多个训练员工工作轨迹和对应的逃离倾向标注和远离方向标注的训练数据集训练得到;
从所述多个员工工作轨迹数据中筛选出所有所述员工逃离倾向概率大于预设的倾向概率阈值的员工工作轨迹数据,得到至少一个待分析轨迹数据;
确定任一所述待分析轨迹数据的轨迹稳定点,基于所述轨迹稳定点向对应的所述预测远离方向形成该待分析轨迹数据对应的扇形,所述扇形的圆心角度数为预设参考度数与度数权重的乘积;所述度数权重与该待分析轨迹数据对应的所述员工逃离倾向概率的大小成正比;
判断所述目标探测区域内的所有所述影响圆与所有所述扇形的重合度是否大于预设的重合度阈值;
若是,则确定所述目标探测区域内存在消防险情,否则不存在。
作为一种可选的实施方式,在本发明第二方面中,所述判断模块确定任一所述待分析轨迹数据的轨迹稳定点的具体方式,包括:
对于任一所述待分析轨迹数据,获取该待分析轨迹数据中的所有轨迹离散点;
对于每一所述轨迹离散点,确定该轨迹离散点的前后两个相邻的轨迹离散点与该轨迹离散点之间的两个连线,计算该两个连线的延伸方向所形成的夹角对应的夹角中线,得到该轨迹离散点对应的轨迹表征线;
对于每一所述轨迹离散点,计算该轨迹离散点对应的所述轨迹表征线与前后两个相邻的轨迹离散点的所述轨迹表征线之间的夹角的夹角平均值;
对于该待分析轨迹数据,从所有所述轨迹离散点中筛选出对应的所述夹角平均值最小的轨迹离散点,以确定为该待分析轨迹数据对应的轨迹稳定点。
作为一种可选的实施方式,在本发明第二方面中,所述装置还包括路线生成模块,用于执行以下步骤:
根据所述员工轨迹数据确定所述目标探测区域内的多个用户的最新用户位置;
根据所述目标探测区域的通行规则,以及所述区域预警分布图中的多个所述影响圆,生成所述目标探测区域中符合所述通行规则及绕开所有所述影响圆的优选通行路线;
计算每一所述最新用户位置到所述优选通行路线之间的最短路线,将所有所述最短路线及所述优选通行路线确定为逃生路线,并发送至任一用户的终端进行提示。
本发明第三方面公开了另一种基于多模态数据的消防预警装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于多模态数据的消防预警方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于多模态数据的消防预警方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明能够通过多模态传感数据来准确确定区域内的消防事件,再结合员工的行动轨迹进行险情的验证以及预警,从而能够实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于多模态数据的消防预警方法及装置,能够通过多模态传感数据来准确确定区域内的消防事件,再结合员工的行动轨迹进行险情的验证以及预警,从而能够实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于多模态数据的消防预警方法的流程示意图。其中,图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该基于多模态数据的消防预警方法可以包括以下操作:
101、获取目标探测区域内的多种模态的多个传感数据和对应的传感位置。
可选的,多种模态的传感数据可以包括图像数据、红外测距数据、温度数据、湿度数据、热成像数据、光反射三维数据、文本输入数据、数值输入数据中的至少两种。可选的,传感数据可以由不同类型的传感器来获得,在目标探测区域可以布置有多个传感器以形成传感器网络,且传感位置可以直接被确定为传感器的位置,或是在一些实施方案中,例如采用红外测温传感器时可以探测具体位置的温度,则可以将所探测的具体位置的确定为传感位置。
102、将每一传感数据和对应的传感位置输入至对应模态的预先训练好的神经网络预测模型中,以得到每一传感位置对应的消防事件概率。
本发明中所述的神经网络预测模型,均可以为CNN神经网络结构、RNN神经网络结构、随机森林模型结构或是LTSM结构的预测模型,本领域技术人员可以根据具体模态的传感数据的数据特性来选择相应的模型结构,本发明不作限定。
103、根据每一传感位置对应的消防事件概率,生成目标探测区域对应的区域预警分布图。
104、获取目标探测区域内的多个员工工作轨迹数据。
具体的,员工工作轨迹数据可以通过员工携带的终端的定位数据来获取,也可以通过现场的多个传感器来获取,例如可以通过不同区域的图像传感器来获取图像并通过人体识别算法识别出图像中的员工影像,再根据员工影像的获取时间和对应的位置,来确定出员工工作轨迹数据。
105、根据多个员工工作轨迹数据以及区域预警分布图,判断目标探测区域内是否存在消防险情。
106、当判断结果为是,对消防险情进行报警。
可见,实施本发明实施例所描述的方法能够通过多模态传感数据来准确确定区域内的消防事件,再结合员工的行动轨迹进行险情的验证以及预警,从而能够实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
作为一种可选的实施例,上述步骤中的,将每一传感数据和对应的传感位置输入至对应模态的预先训练好的神经网络预测模型中,以得到每一传感位置对应的消防事件概率,包括:
基于预设的数据关联规则,从所有传感数据中筛选出至少两组数据组;每一组数据组包括至少两个数据强关联的传感数据;
将每组数据组输入至对应的预先训练好的第一神经网络预测模型中,以得到每一数据对应的传感位置对应的消防事件概率。
可选的,第一神经网络预测模型通过包括有多个对应的数据强关联的训练传感数据和消防事件概率标注的训练集训练得到。可选的,在训练第一神经网络预测模型时,可以通过该数据关联规则从多个已标注好消防事件概率的数据库中筛选出数据强关联的训练数据进行联合训练,以使得第一神经网络预测模型的参数层能够抓取强关联的数据之间的数据关联,并在后续能够起到更精确的预测效果。
可见,实施该可选的实施例可以筛选出数据强关联的传感数据,并输入至对应的预先训练好的第一神经网络预测模型中,以得到每一数据对应的传感位置对应的消防事件概率,能够在后续实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
作为一种可选的实施例,数据关联规则包括:
对于任意两个传感数据或训练传感数据,判断两者之间的传感位置之间的距离是否小于预设的距离阈值,得到第一判断结果;
判断两者之间的模态是否为预设的强关联模态,得到第二判断结果;强关联模态包括图像-热成像模态、温度-湿度模态、三维-图像模态、文本-数值模态中的至少一种;
当第一判断结果和第二判断结果均为是时,确定该两个传感数据或训练传感数据为数据强关联。
可见,实施该可选的实施例可以使用上述数据关联规则筛选出数据强关联的传感数据,并实现模型的训练和后续的预测,能够在后续实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
作为一种可选的实施例,上述步骤中的,根据每一传感位置对应的消防事件概率,生成目标探测区域对应的区域预警分布图,包括:
对于任一传感位置,判断该传感位置对应的消防时间概率是否大于预设的概率阈值,若是,则确定该传感位置为预警传感位置;
确定目标探测区域的至少一个发生过消防事故的事故位置;
对于任一预警传感位置,计算该预警传感位置与事故位置的位置距离;
根据位置距离,基于第一权重确定公式,确定该预警传感位置对应的第一范围权重;
根据消防事件概率,基于第二权重确定公式,确定该预警传感位置对应的第二范围权重;
计算预设的参考范围半径与第一范围权重和第二范围权重的乘积,以得到该预警传感位置对应的预警半径;
生成以目标探测区域中的每一预警传感位置为圆心,以对应的预警半径为半径的多个影响圆,以得到目标探测区域对应的区域预警分布图。
可选的,第一权重确定公式和第二权重确定公式均可以为限定了位置距离或消防时间概率的大小与对应的范围权重之间的正相关关系的数学公式,该数学公式可以由操作人员根据实验或者经验来确定,并在后续的实施中根据效果来调整公式参数。
可见,实施该可选的实施例可以根据每一传感位置对应的消防事件概率来确定范围权重,并生成对应的影响圆,以得到目标探测区域对应的区域预警分布图,能够在后续实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
作为一种可选的实施例,上述步骤中的,根据多个员工工作轨迹数据以及区域预警分布图,判断目标探测区域内是否存在消防险情,包括:
将每一员工工作轨迹数据输入至预先训练好的第二神经网络模型,以得到员工工作轨迹对应的员工逃离倾向概率和预测远离方向;第二神经网络模型通过包括有多个训练员工工作轨迹和对应的逃离倾向标注和远离方向标注的训练数据集训练得到;
从多个员工工作轨迹数据中筛选出所有员工逃离倾向概率大于预设的倾向概率阈值的员工工作轨迹数据,得到至少一个待分析轨迹数据;
确定任一待分析轨迹数据的轨迹稳定点,基于轨迹稳定点向对应的预测远离方向形成该待分析轨迹数据对应的扇形,扇形的圆心角度数为预设参考度数与度数权重的乘积;度数权重与该待分析轨迹数据对应的员工逃离倾向概率的大小成正比;
判断目标探测区域内的所有影响圆与所有扇形的重合度是否大于预设的重合度阈值;
若是,则确定目标探测区域内存在消防险情,否则不存在。
可选的,重合度可以为两者重合的面积占两者总面积的比值。
可见,实施该可选的实施例可以根据多个员工工作轨迹数据对应的逃离方向的扇形扩展区域与区域预警分布图中的影响圆的重合度,判断目标探测区域内是否存在消防险情,能够实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
作为一种可选的实施例,上述步骤中的,确定任一待分析轨迹数据的轨迹稳定点,包括:
对于任一待分析轨迹数据,获取该待分析轨迹数据中的所有轨迹离散点;
对于每一轨迹离散点,确定该轨迹离散点的前后两个相邻的轨迹离散点与该轨迹离散点之间的两个连线,计算该两个连线的延伸方向所形成的夹角对应的夹角中线,得到该轨迹离散点对应的轨迹表征线;
对于每一轨迹离散点,计算该轨迹离散点对应的轨迹表征线与前后两个相邻的轨迹离散点的轨迹表征线之间的夹角的夹角平均值;
对于该待分析轨迹数据,从所有轨迹离散点中筛选出对应的夹角平均值最小的轨迹离散点,以确定为该待分析轨迹数据对应的轨迹稳定点。
可见,实施该可选的实施例可以根据轨迹点的延伸方向,确定任一待分析轨迹数据的轨迹稳定点,能够在后续辅助实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
作为一种可选的实施例,该方法还包括:
根据员工轨迹数据确定目标探测区域内的多个用户的最新用户位置;
根据目标探测区域的通行规则,以及区域预警分布图中的多个影响圆,生成目标探测区域中符合通行规则及绕开所有影响圆的优选通行路线;
计算每一最新用户位置到优选通行路线之间的最短路线,将所有最短路线及优选通行路线确定为逃生路线,并发送至任一用户的终端进行提示。
可见,实施该可选的实施例可以确定出逃生路线并推送至终端进行提示,从而能够实现更加智能和精准的消防逃生,减少消防事件发生时的人员损伤和应对成本。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于多模态数据的消防预警装置的结构示意图。其中,图2所描述的装置可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该装置可以包括:
第一获取模块201,用于获取目标探测区域内的多种模态的多个传感数据和对应的传感位置。
可选的,多种模态的传感数据可以包括图像数据、红外测距数据、温度数据、湿度数据、热成像数据、光反射三维数据、文本输入数据、数值输入数据中的至少两种。可选的,传感数据可以由不同类型的传感器来获得,在目标探测区域可以布置有多个传感器以形成传感器网络,且传感位置可以直接被确定为传感器的位置,或是在一些实施方案中,例如采用红外测温传感器时可以探测具体位置的温度,则可以将所探测的具体位置的确定为传感位置。
预测模块202,用于将每一传感数据和对应的传感位置输入至对应模态的预先训练好的神经网络预测模型中,以得到每一传感位置对应的消防事件概率。
本发明中所述的神经网络预测模型,均可以为CNN神经网络结构、RNN神经网络结构、随机森林模型结构或是LTSM结构的预测模型,本领域技术人员可以根据具体模态的传感数据的数据特性来选择相应的模型结构,本发明不作限定。
生成模块203,用于根据每一传感位置对应的消防事件概率,生成目标探测区域对应的区域预警分布图。;
第二获取模块204,用于获取目标探测区域内的多个员工工作轨迹数据。
具体的,员工工作轨迹数据可以通过员工携带的终端的定位数据来获取,也可以通过现场的多个传感器来获取,例如可以通过不同区域的图像传感器来获取图像并通过人体识别算法识别出图像中的员工影像,再根据员工影像的获取时间和对应的位置,来确定出员工工作轨迹数据。
判断模块205,用于根据多个员工工作轨迹数据以及区域预警分布图,判断目标探测区域内是否存在消防险情。
报警模块206,用于当判断模块205的判断结果为是,对消防险情进行报警。
可见,实施本发明实施例所描述的装置能够通过多模态传感数据来准确确定区域内的消防事件,再结合员工的行动轨迹进行险情的验证以及预警,从而能够实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
作为一种可选的实施例,预测模块202将每一传感数据和对应的传感位置输入至对应模态的预先训练好的神经网络预测模型中,以得到每一传感位置对应的消防事件概率的具体方式,包括:
基于预设的数据关联规则,从所有传感数据中筛选出至少两组数据组;每一组数据组包括至少两个数据强关联的传感数据;
将每组数据组输入至对应的预先训练好的第一神经网络预测模型中,以得到每一数据对应的传感位置对应的消防事件概率。
可选的,第一神经网络预测模型通过包括有多个对应的数据强关联的训练传感数据和消防事件概率标注的训练集训练得到。可选的,在训练第一神经网络预测模型时,可以通过该数据关联规则从多个已标注好消防事件概率的数据库中筛选出数据强关联的训练数据进行联合训练,以使得第一神经网络预测模型的参数层能够抓取强关联的数据之间的数据关联,并在后续能够起到更精确的预测效果。
可见,实施该可选的实施例可以筛选出数据强关联的传感数据,并输入至对应的预先训练好的第一神经网络预测模型中,以得到每一数据对应的传感位置对应的消防事件概率,能够在后续实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
作为一种可选的实施例,数据关联规则包括:
对于任意两个传感数据或训练传感数据,判断两者之间的传感位置之间的距离是否小于预设的距离阈值,得到第一判断结果;
判断两者之间的模态是否为预设的强关联模态,得到第二判断结果;强关联模态包括图像-热成像模态、温度-湿度模态、三维-图像模态、文本-数值模态中的至少一种;
当第一判断结果和第二判断结果均为是时,确定该两个传感数据或训练传感数据为数据强关联。
可见,实施该可选的实施例可以使用上述数据关联规则筛选出数据强关联的传感数据,并实现模型的训练和后续的预测,能够在后续实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
作为一种可选的实施例,生成模块203根据每一传感位置对应的消防事件概率,生成目标探测区域对应的区域预警分布图的具体方式,包括:
对于任一传感位置,判断该传感位置对应的消防时间概率是否大于预设的概率阈值,若是,则确定该传感位置为预警传感位置;
确定目标探测区域的至少一个发生过消防事故的事故位置;
对于任一预警传感位置,计算该预警传感位置与事故位置的位置距离;
根据位置距离,基于第一权重确定公式,确定该预警传感位置对应的第一范围权重;
根据消防事件概率,基于第二权重确定公式,确定该预警传感位置对应的第二范围权重;
计算预设的参考范围半径与第一范围权重和第二范围权重的乘积,以得到该预警传感位置对应的预警半径;
生成以目标探测区域中的每一预警传感位置为圆心,以对应的预警半径为半径的多个影响圆,以得到目标探测区域对应的区域预警分布图。
可选的,第一权重确定公式和第二权重确定公式均可以为限定了位置距离或消防时间概率的大小与对应的范围权重之间的正相关关系的数学公式,该数学公式可以由操作人员根据实验或者经验来确定,并在后续的实施中根据效果来调整公式参数。
可见,实施该可选的实施例可以根据每一传感位置对应的消防事件概率来确定范围权重,并生成对应的影响圆,以得到目标探测区域对应的区域预警分布图,能够在后续实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
作为一种可选的实施例,判断模块205根据多个员工工作轨迹数据以及区域预警分布图,判断目标探测区域内是否存在消防险情的具体方式,包括:
将每一员工工作轨迹数据输入至预先训练好的第二神经网络模型,以得到员工工作轨迹对应的员工逃离倾向概率和预测远离方向;第二神经网络模型通过包括有多个训练员工工作轨迹和对应的逃离倾向标注和远离方向标注的训练数据集训练得到;
从多个员工工作轨迹数据中筛选出所有员工逃离倾向概率大于预设的倾向概率阈值的员工工作轨迹数据,得到至少一个待分析轨迹数据;
确定任一待分析轨迹数据的轨迹稳定点,基于轨迹稳定点向对应的预测远离方向形成该待分析轨迹数据对应的扇形,扇形的圆心角度数为预设参考度数与度数权重的乘积;度数权重与该待分析轨迹数据对应的员工逃离倾向概率的大小成正比;
判断目标探测区域内的所有影响圆与所有扇形的重合度是否大于预设的重合度阈值;
若是,则确定目标探测区域内存在消防险情,否则不存在。
可选的,重合度可以为两者重合的面积占两者总面积的比值。
可见,实施该可选的实施例可以根据多个员工工作轨迹数据对应的逃离方向的扇形扩展区域与区域预警分布图中的影响圆的重合度,判断目标探测区域内是否存在消防险情,能够实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
作为一种可选的实施例,判断模块205确定任一待分析轨迹数据的轨迹稳定点的具体方式,包括:
对于任一待分析轨迹数据,获取该待分析轨迹数据中的所有轨迹离散点;
对于每一轨迹离散点,确定该轨迹离散点的前后两个相邻的轨迹离散点与该轨迹离散点之间的两个连线,计算该两个连线的延伸方向所形成的夹角对应的夹角中线,得到该轨迹离散点对应的轨迹表征线;
对于每一轨迹离散点,计算该轨迹离散点对应的轨迹表征线与前后两个相邻的轨迹离散点的轨迹表征线之间的夹角的夹角平均值;
对于该待分析轨迹数据,从所有轨迹离散点中筛选出对应的夹角平均值最小的轨迹离散点,以确定为该待分析轨迹数据对应的轨迹稳定点。
可见,实施该可选的实施例可以根据轨迹点的延伸方向,确定任一待分析轨迹数据的轨迹稳定点,能够在后续辅助实现更加智能和精准的消防预警,减少消防事件发生时的人员损伤和应对成本。
作为一种可选的实施例,装置还包括路线生成模块203,用于执行以下步骤:
根据员工轨迹数据确定目标探测区域内的多个用户的最新用户位置;
根据目标探测区域的通行规则,以及区域预警分布图中的多个影响圆,生成目标探测区域中符合通行规则及绕开所有影响圆的优选通行路线;
计算每一最新用户位置到优选通行路线之间的最短路线,将所有最短路线及优选通行路线确定为逃生路线,并发送至任一用户的终端进行提示。
可见,实施该可选的实施例可以确定出逃生路线并推送至终端进行提示,从而能够实现更加智能和精准的消防逃生,减少消防事件发生时的人员损伤和应对成本。
实施例三
请参阅图3,图3是本发明实施例公开的另一种基于多模态数据的消防预警装置的结构示意图。如图3所示,该装置可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于多模态数据的消防预警方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于多模态数据的消防预警方法中的部分或全部步骤。
以上所描述的装置实施例仅是示意性的,其中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模块,即可以位于一个地方,或者也可以分布到多个网络模块上。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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(RandomAccess Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于多模态数据的消防预警方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。