CN117058855B - 一种物联网云边通信方法 - Google Patents

Abstract

本发明公开了一种物联网云边通信方法，涉及物联网通信技术领域，包括如下步骤：S1、云端接收来自数据采集端采集的相关数据，相关数据包括办公楼内的消防信息和各个消防站点的道路信息，且相关数据通过物联网技术传输至云端；其技术要点为：建立灾情指数评估值Zpgz与设置的预警阈值进行对比，一方面可以高效、准确地判断出办公楼内是否发生火灾异常的情况，另一方面可以依据规则引擎的策略，在获取灾情指数评估值Zpgz的基础上得出需要出动消防站点的具体数量，以确保异常情况能够被有效地解决，并依据调度路径排序指数Dpzs对各个消防站点进行有效排序，并对消防站点进行调动，以及时有效地应对异常情况。

Description

一种物联网云边通信方法

技术领域

本发明涉及物联网通信技术领域，具体为一种物联网云边通信方法。

背景技术

物联网通信技术是指用于实现物联网设备之间通信和数据传输的技术，它是连接物体与互联网的桥梁，使得物体之间能够实现互联互通，物联网通信技术是物联网中连接物体与互联网的关键技术，它包括传感器和执行器技术、通信协议和网络技术、数据管理和云计算技术，以及安全和隐私保护技术，这些技术共同构建了实现物联网设备之间通信和数据传输的基础。

物联网通信技术所能够运用到的领域也多种多样，包括智能家居、智慧城市、工业自动化、农业和农村的发展、医疗健康、物流管理以及环境监测，其中在智慧城市中可以针对消防调度，利用物联网技术进行监控和管理。

现有技术存在的问题：

1、针对消防调度处理过程而言，进行物联网云边通信时，大量的数据计算和处理都是在云端进行的，若是处理的数据量过大，则会大大增加云端的计算压力，从而影响整体通信过程的稳定性；

2、在针对办公楼内出现火情的情景下时，通常会第一时间进行火灾报警，通知就近的消防站点对出现火情的办公楼进行救灾工作，一方面仅仅通过烟雾检测无法保证对火灾异常的准确判定，容易出现误报警的情况；另一方面根据相应的火情，通常单个消防站点的警力无法完成快速的灭火工作，通常需要人为判断大概多少个站点的警力，若是出现判断失误，出现调取站点数量不足的情况，再次进行调取站点时，则会影响整个灭火的工作效率，增大财产损失；出现调取站点数量过多的情况，则会增加城市交通压力，故如何通过物联网进行调取消防站点的数量和调取哪些具体的消防站点的问题有待解决。

发明内容

针对现有技术的不足，本发明提供了一种物联网云边通信方法，建立灾情指数评估值Zpgz与设置的预警阈值进行对比，一方面可以高效、准确地判断出办公楼内是否发生火灾异常的情况，另一方面可以依据规则引擎的策略，在获取灾情指数评估值Zpgz的基础上得出需要出动消防站点的具体数量，以确保异常情况能够被有效地解决，并依据调度路径排序指数Dpzs对各个消防站点进行有效排序，根据排序来完成对消防站点的调动，以及时有效地应对出现异常的办公楼，解决了背景技术中提出的问题。

为实现以上目的，本发明通过以下技术方案予以实现：

一种物联网云边通信方法，包括如下步骤：

S1、云端接收来自数据采集端采集的相关数据，相关数据包括办公楼内的消防信息和各个消防站点的道路信息，且相关数据通过物联网技术传输至云端；

S2、云端对相关数据进行预处理，将经过预处理后的相关数据发送至边缘端，提取相关数据中的消防信息，构建数据分析模型，生成灾情指数评估值Zpgz，并设定预警阈值与灾情指数评估值Zpgz进行对比，获取对比结果后进行反馈，并同步存储于云数据库内；

S3、云端对从边缘端反馈的对比结果进行分析，发现异常时通过物联网技术对消防中心发生报警信息，同步存储于云数据库内，并通过云数据库对存储的数据进行共享；

S4、云端对道路信息进行分析，二次构建数据分析模型，生成并依据各个消防站点的调度路径排序指数Dpzs，形成消防站点排序表，依据S2中的对比结果，选择消防站点的工作顺序。

进一步地，在S2中，预处理的内容包括数据压缩、去噪处理以及数据过滤。

进一步地，在S2中，生成灾情指数评估值Zpgz的具体步骤如下：

提取相关数据中的消防信息，消防信息包括烟雾浓度、火势发展速度以及环境系数；

将烟雾浓度、火势发展速度以及环境系数做无量纲处理，在计算分析单元中构建数据分析模型，去除单位后建立灾情指数评估值Zpgz，依据的公式如下：

式中，Cn为烟雾浓度，Vr为火势发展速度，为环境系数，α、β、γ分别为烟雾浓度、火势发展速度以及环境系数的预设比例系数，且α+β+γ＝3.574，2>α>γ>β>0；

其中，烟雾浓度Cn：表示发生火灾后产生的烟雾浓度，通过在办公楼内间隔式安装烟雾浓度传感器来完成对烟雾的监测，以获取到最大烟雾浓度的某个烟雾传感器为准；

火势发展速度Vr：表示火焰边缘的移动速度，通过利用办公楼内本身安装的视频监控系统，使用高速摄像机拍摄火焰的运动，通过视频分析方法来测量火焰蔓延的速度即为火势发展速度Vr；

环境系数环境系数中包括环境温度Wr和环境湿度Hd，环境温度Wr和环境湿度Hd可以通过办公楼内既有管理系统进行直接获取，该管理系统内集成多种传感器，安装温湿度传感器在不同位置，通过温湿度传感器获取温湿度数据，然后在管理系统内进行数据采集和处理，计算得出平均环境温度和湿度即为环境温度Wr和环境湿度Hd。

进一步地，将预警阈值与灾情指数评估值Zpgz进行对比的步骤如下：

S2.1、在阈值评估单元中设置预警阈值，并搭载规则引擎，将预警阈值与灾情指数评估值Zpgz进行对比；

S2.2、若是灾情指数评估值Zpgz小于预警阈值，则表示办公楼内没有异常，该办公楼处于安全的状态；

S2.3、若是灾情指数评估值Zpgz大于等于预警阈值，则表示办公楼存在异常，该办公楼处于危险的状态时触发执行规则引擎的策略，根据灾情指数评估值Zpgz的范围，获取需要出动消防站点的数量，依据的公式如下：

式中，G为规则引擎设定的范围比例值。

进一步地，在S4中，生成对应消防站点的调度路径排序指数Dpzs的具体步骤如下：

获取道路信息，道路信息包括导航距离、导航路径上的道路拥堵值以及导航预计时间；

将导航距离、导航路径上的道路拥堵值以及导航预计时间做无量纲处理，在站点路径分析模块中二次构建数据分析模型，去除单位后建立调度路径排序指数Dpzs，依据的公式如下：

式中，Lr为导航距离，(Jt/Md_max)为导航路径上的道路拥堵值，Tn为导航预计时间，a1、a2、a3分别为导航距离、导航路径上的道路拥堵值以及导航预计时间的预设比例系数，且a1+a2+a3＝5.23，a2>a3>a1>0，K₁为常数修正系数；

其中，导航距离Lr：表示对应消防站点到办公楼的实际导航距离，借助导航工具即可获取导航距离Lr，导航工具包括高德地图和百度地图中的任一种；

导航路径上的道路拥堵值(Jt/Md_max)：表示对应消防站点到办公楼的导航路径上，道路的拥堵程度，Jt为实际交通流量，通过交通摄像头来直接获取，交通摄像头实时监测道路上的车辆数量，并且可以通过图像处理技术得出实际交通流量，其中的图像处理技术是采用目标检测技术；Md_max为道路车流最大密度值，获取的方法为：提取导航路径上显示红色和黄色的路段，搭建对比计算模型，在预定时间周期内测量各个红色和黄色路段中道路上通过的车辆数量，以及对应路段的长度，而后将对应路段上的车辆数量除以长度即可得到对应的道路车流密度值，将各个车流密度值进行对比，最大的车流密度值即为道路车流最大密度值Md_max；

导航预计时间Tn：表示对应消防站点到办公楼的实际导航时间，借助导航工具即可获取导航距离Lr，导航工具包括高德地图和百度地图中的任一种。

进一步地，形成消防站点排序表的步骤为：

S4.1、将各个消防站点对应的调度路径排序指数Dpzs按照从小到大的顺序进行排序，形成排序表；

S4.2、依据需要出动消防站点的数量来选择排序表靠前的对应数量的消防站点；

S4.3、各个消防站点同步出动，均朝向办公楼移动。

本发明提供了一种物联网云边通信方法，具备以下有益效果：

1、通过在原有云端的基础上设计边缘端，在边缘端内构建数据分析模型，进行相关数据的通信和处理，并对云端进行反馈，由于分担了一定量的数据处理工作，从而大大降低了原有云端的计算压力，保证了整个通信过程的稳定性；

2、通过获取相关数据中的消防信息，建立灾情指数评估值Zpgz，并通过将建立灾情指数评估值Zpgz与设置的预警阈值进行对比，一方面可以高效、准确地判断出办公楼内是否发生火灾异常的情况，并对存在异常的情况进行共享式的预警，保证各个部门均能够在第一时间内做出响应动作，另一方面可以依据规则引擎的策略，在获取灾情指数评估值Zpgz的基础上得出需要出动消防站点的具体数量，以确保异常情况能够被有效地解决；

3、通过获取相关数据中的道路信息，应对与办公楼处于同一区内的各个消防站点，均能够生成对应的调度路径排序指数Dpzs，并依据调度路径排序指数Dpzs对各个消防站点进行有效排序，根据排序来完成对消防站点的调动，以及时有效地应对出现异常的办公楼，在云数据库对各类数据完成云存储的基础上，根据排序情况结合需要出动消防站点的具体数量，能够进一步地提高解决异常办公楼问题的工作效率。

附图说明

图1为本发明物联网云边通信方法的整体步骤流程图；

图2为本发明物联网云边通信方法的模块化结构示意图；

图3为本发明物联网云边通信方法中受灾点与各个消防站点距离范围示意图。

具体实施方式

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做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。

实施例1：请参阅图1-3，本发明提供一种物联网云边通信方法，包括如下步骤：

S1、云端接收来自数据采集端采集的相关数据，相关数据包括办公楼内的消防信息和各个消防站点的道路信息，且相关数据通过物联网技术传输至云端；

各个消防站点与办公楼处于同一辖区内，例如：办公楼处于XX区，该区内设有15个分布不同的消防站点，如图3即可看出，需要以办公楼为中心，确定各个消防站点的分布位置，其中关于云端、边缘端以及数据采集端三者相互之间进行的数据传输均可采用物联网技术，且物联网技术可采用5G/4G通信技术。

需要说明的是：数据采集端通常搭载若干相关设备，依托各个相关设备完成对相关数据的采集，为了保证相关数据采集的准确性，需要提前检查各个相关设备(各个相关设备例如：温湿度传感器、高速摄像机以及交通摄像头)是否完好，并对相关设备进行提前调试，调试过程通常是接通电源观测是否出现数值读取，在完成调试后确保相关设备无外部损坏情况即可进行后续的数据采集工作。

S2、云端对相关数据进行预处理，将经过预处理后的相关数据发送至边缘端，提取相关数据中的消防信息，构建数据分析模型，生成灾情指数评估值Zpgz，并设定预警阈值与灾情指数评估值Zpgz进行对比，获取对比结果后进行反馈，并同步存储于云数据库内；

其中，预处理的内容包括数据压缩、去噪处理以及数据过滤；

数据压缩：数据压缩是为了减少数据传输的带宽和存储空间，常用的压缩算法有无损压缩和有损压缩，无损压缩算法保持数据的完整性，常见的方法包括哈夫曼编码、LZW压缩；有损压缩算法通过牺牲一定的数据精确度来进一步减小数据大小，常用的方法包括JPEG和MP3，本方案中使用无损压缩；

去噪处理：数据采集端采集到的数据会受到环境中的干扰，并引入噪声，去噪处理旨在消除或减少这些噪声的影响，从而提高数据的准确性和可用性，常见的去噪处理方法包括均值滤波、中值滤波以及小波去噪，这些方法可以通过滤波、信号重建技术来实现，本方案中使用为均值滤波；

数据过滤：数据过滤是为了从海量的采集数据中提取出有用的信息，去除冗余、不稳定或无效的数据点；例如，可以通过滑动窗口或滑动平均方法进行平滑处理，去除局部的噪声和抖动，另外，还可以采用阈值判定、异常检测方法进行数据筛选和过滤，本方案中可选择性使用数据过滤，根据具体的需求进行处理。

其中，生成灾情指数评估值Zpgz的具体步骤如下：

提取相关数据中的消防信息，消防信息包括烟雾浓度、火势发展速度以及环境系数；

将烟雾浓度、火势发展速度以及环境系数做无量纲处理，在计算分析单元中构建数据分析模型，去除单位后建立灾情指数评估值Zpgz，依据的公式如下：

式中，Cn为烟雾浓度，Vr为火势发展速度，为环境系数，α、β、γ分别为烟雾浓度、火势发展速度以及环境系数的预设比例系数，且α+β+γ＝3.574，2>α>γ>β>0。

烟雾浓度Cn：表示发生火灾后产生的烟雾浓度，通过在办公楼内间隔式安装烟雾浓度传感器来完成对烟雾的监测，以获取到最大烟雾浓度的某个烟雾传感器为准；

火势发展速度Vr：表示火焰边缘的移动速度，通过利用办公楼内本身安装的视频监控系统，使用高速摄像机拍摄火焰的运动，通过视频分析方法来测量火焰蔓延的速度即为火势发展速度Vr；

其中，在使用视频分析方法时可具体使用帧差法或基于轮廓的方法；

帧差法：通过比较连续帧之间的像素差异来检测火焰边缘的运动；首先，将连续的视频帧进行灰度化处理，然后对相邻帧进行逐像素比较，得出火焰动态区域的二值图像，最后通过对二值图像应用形态学处理和连通域分析，提取出火焰的边缘并计算其运动速度；

基于轮廓的方法：通过提取火焰的轮廓，并追踪轮廓在连续帧中的变化来测量火焰的蔓延速度；首先，使用图像分割算法提取出火焰的初始轮廓，然后利用连续帧之间的轮廓匹配算法，跟踪火焰轮廓的运动，并计算边缘的位移和速度。

环境系数环境系数中包括环境温度Wr和环境湿度Hd，环境温度Wr和环境湿度Hd可以通过办公楼内既有管理系统进行直接获取，该管理系统内集成多种传感器，安装温湿度传感器(即IoT传感器)在不同位置，通过温湿度传感器获取温湿度数据，然后在管理系统内进行数据采集和处理，计算得出平均环境温度和湿度值(即环境温度Wr和环境湿度Hd)。

需要说明的是：上述提及的管理系统具体为楼宇管理系统，即BMS系统，在此不多做赘述，环境系数中包括环境温度Wr和环境湿度Hd对火势发展和灾情评估值产生影响；例如，干燥的环境更容易导致火势迅速扩大。

将预警阈值与灾情指数评估值Zpgz进行对比的步骤如下：

S2.1、在阈值评估单元中设置预警阈值，并搭载规则引擎，将预警阈值与灾情指数评估值Zpgz进行对比；

S2.2、若是灾情指数评估值Zpgz小于预警阈值，则表示办公楼内没有异常，即没有火情的产生，该办公楼处于安全的状态；

S2.3、若是灾情指数评估值Zpgz大于等于预警阈值，则表示办公楼存在异常，存在火情，该办公楼处于危险的状态时触发执行规则引擎的策略，根据灾情指数评估值Zpgz的范围，获取需要出动消防站点的数量，依据的公式如下：

式中，G为规则引擎设定的范围比例值，根据实际情况进行具体设定，+1的目的是为了保证消防站点出动的数量足够，应对某个站点因发生意外无法及时抵达的问题。

通过获取相关数据中的消防信息，建立灾情指数评估值Zpgz，并通过将建立灾情指数评估值Zpgz与设置的预警阈值进行对比，一方面可以高效、准确地判断出办公楼内是否发生火灾异常的情况，并对存在异常的情况进行共享式的预警，保证各个部门均能够在第一时间内做出响应动作，另一方面可以依据规则引擎的策略，在获取灾情指数评估值Zpgz的基础上得出需要出动消防站点的具体数量，以确保异常情况能够被有效地解决。

S3、云端对从边缘端反馈的对比结果进行分析，发现异常时通过物联网技术对消防中心发生报警信息，同步存储于云数据库内，并通过云数据库对存储的数据进行共享(共享给各个消防站点)；

对比结果包括办公楼内没有异常和办公楼存在异常，若是办公楼存在异常，则通过异常预警模块向外发送报警信息，此时的报警信息被共享至消防中心、办公楼内的监管人员以及各个消防站点监控人员。

S4、云端对道路信息进行分析，二次构建数据分析模型，生成并依据各个消防站点的调度路径排序指数Dpzs，形成消防站点排序表，依据S2中的对比结果，选择消防站点的工作顺序。

实施例2：在实施例1的基础上，生成对应消防站点的调度路径排序指数Dpzs的具体步骤如下：

获取道路信息，道路信息包括导航距离、导航路径上的道路拥堵值以及导航预计时间；

将导航距离、导航路径上的道路拥堵值以及导航预计时间做无量纲处理，在站点路径分析模块中二次构建数据分析模型，去除单位后建立调度路径排序指数Dpzs，依据的公式如下：

式中，Lr为导航距离，(Jt/Md_max)为导航路径上的道路拥堵值，Tn为导航预计时间，a1、a2、a3分别为导航距离、导航路径上的道路拥堵值以及导航预计时间的预设比例系数，且a1+a2+a3＝5.23，a2>a3>a1>0，K₁为常数修正系数，具体的取值为1.724。

需要说明的是：本领域技术人员采集多组样本数据并对每一组样本数据设定对应的预设比例系数；将设定的预设比例系数，可以是预设比例系数和采集的样本数据代入公式，任意两个公式构成二元一次方程组，将计算得到的系数进行筛选并取均值，得a1、a2、a3的取值；系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于系数的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的预设比例系数，也可说是根据实际进行预设规定的，只要不影响参数与量化后数值的比例关系即可，对于其他公式中说明的预设比例系数和常数修正系数中，也同样采取上述的说明。

导航距离Lr：表示对应消防站点到办公楼的实际导航距离，并非图3中标注的实际直线距离，借助常规的导航工具即可获取导航距离Lr，导航工具包括高德地图和百度地图；

导航路径上的道路拥堵值(Jt/Md_max)：表示对应消防站点到办公楼的导航路径上，道路的拥堵程度，Jt为实际交通流量，通过交通管制部门或者交通摄像头来直接获取；交通摄像头能够实时监测道路上的车辆数量，并且可以通过图像处理技术得出实际交通流量，其中的图像处理技术是采用目标检测技术，该技术是基于深度学习的方法，如卷积神经网络；Md_max为道路车流最大密度值，获取的方法为：提取导航路径上显示红色和黄色的路段，搭建对比计算模型，在预定时间周期内测量各个红色和黄色路段中道路上通过的车辆数量，以及对应路段的长度，而后将对应路段上的车辆数量除以长度即可得到对应的道路车流密度值，将各个车流密度值进行对比，最大的车流密度值即为道路车流最大密度值Md_max；

需要说明的是：上述提及的红色和黄色路段即为在导航地图上观测到的道路拥堵情况，红色表示的道路拥堵程度比黄色的要高，若是导航路径上没有红色和黄色路段，则根据历史数据，选取历史中红色路段高发的任意一段道路作为检测对象，以获取后续所需的道路车流最大密度值Md_max；

导航预计时间Tn：表示对应消防站点到办公楼的实际导航时间，借助常规的导航工具即可获取导航距离Lr，导航工具包括高德地图和百度地图。

形成消防站点排序表的步骤为：

S4.1、将各个消防站点对应的调度路径排序指数Dpzs按照从小到大的顺序进行排序，形成排序表，例如：原本各个消防站点的排序依次为：i1、i2、i3，i1对应的调度路径排序指数Dpzs为7.200，i2对应的调度路径排序指数Dpzs为6.209，i3对应的调度路径排序指数Dpzs为8.522，则各个消防站点的排序变为：i2、i1、i3；

S4.2、依据需要出动消防站点的数量来选择排序表靠前的对应数量的消防站点，在获取到需要出动消防站点的数量为3.27时，通过四舍五入后即可得到需要出动消防站点的数量为3个，则选取排序靠前的三个消防站点；

S4.3、各个消防站点同步出动，均朝向办公楼(即火灾点)移动。

通过获取相关数据中的道路信息，应对与办公楼处于同一区内的各个消防站点，均能够生成对应的调度路径排序指数Dpzs，并依据调度路径排序指数Dpzs对各个消防站点进行有效排序，根据排序来完成对消防站点的调动，以及时有效地应对出现异常的办公楼，在云数据库对各类数据完成云存储的基础上，根据排序情况结合需要出动消防站点的具体数量，能够进一步地提高解决异常办公楼问题的工作效率。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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单元来实现本实施例方案的目的。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (5)

1.一种物联网云边通信方法，其特征在于：包括如下步骤：

S1、云端接收来自数据采集端采集的相关数据，相关数据包括办公楼内的消防信息和各个消防站点的道路信息，且相关数据通过物联网技术传输至云端；

S2、云端对相关数据进行预处理，将经过预处理后的相关数据发送至边缘端，提取相关数据中的消防信息，构建数据分析模型，生成灾情指数评估值Zpgz，并设定预警阈值与灾情指数评估值Zpgz进行对比，获取对比结果后进行反馈，并同步存储于云数据库内；

生成灾情指数评估值Zpgz的具体步骤如下：

提取相关数据中的消防信息，消防信息包括烟雾浓度、火势发展速度以及环境系数；

将烟雾浓度、火势发展速度以及环境系数做无量纲处理，在计算分析单元中构建数据分析模型，去除单位后建立灾情指数评估值Zpgz，依据的公式如下：

式中，Cn为烟雾浓度，Vr为火势发展速度，为环境系数，α、β、γ分别为烟雾浓度、火势发展速度以及环境系数的预设比例系数，且α+β+γ＝3.574，2>α>γ>β>0，环境系数中包括环境温度Wr和环境湿度Hd；

将预警阈值与灾情指数评估值Zpgz进行对比的步骤如下：

S2.1、在阈值评估单元中设置预警阈值，并搭载规则引擎，将预警阈值与灾情指数评估值Zpgz进行对比；

S2.2、若是灾情指数评估值Zpgz小于预警阈值，则表示办公楼内没有异常，该办公楼处于安全的状态；

S2.3、若是灾情指数评估值Zpgz大于等于预警阈值，则表示办公楼存在异常，该办公楼处于危险的状态时触发执行规则引擎的策略，根据灾情指数评估值Zpgz的范围，获取需要出动消防站点的数量，依据的公式如下：

式中，G为规则引擎设定的范围比例值；

S3、云端对从边缘端反馈的对比结果进行分析，发现异常时通过物联网技术对消防中心发送报警信息，同步存储于云数据库内，并通过云数据库对存储的数据进行共享；

S4、云端对道路信息进行分析，二次构建数据分析模型，生成并依据各个消防站点的调度路径排序指数Dpzs，形成消防站点排序表，依据S2中的对比结果，选择消防站点的工作顺序；生成对应消防站点的调度路径排序指数Dpzs的具体步骤如下：

获取道路信息，道路信息包括导航距离、导航路径上的道路拥堵值以及导航预计时间；

将导航距离、导航路径上的道路拥堵值以及导航预计时间做无量纲处理，在站点路径分析模块中二次构建数据分析模型，去除单位后建立调度路径排序指数Dpzs，依据的公式如下：

式中，Lr为导航距离，(Jt/Md_max)为导航路径上的道路拥堵值，Tn为导航预计时间，a1、a2、a3分别为导航距离、导航路径上的道路拥堵值以及导航预计时间的预设比例系数，且a1+a2+a3＝5.23，a2>a3>a1>0，K₁为常数修正系数，Jt为实际交通流量，Md_max为道路车流最大密度值。

2.根据权利要求1所述的一种物联网云边通信方法，其特征在于：在S2中，预处理的内容包括数据压缩、去噪处理以及数据过滤。

3.根据权利要求2所述的一种物联网云边通信方法，其特征在于：

烟雾浓度Cn：表示发生火灾后产生的烟雾浓度，通过在办公楼内间隔式安装烟雾浓度传感器来完成对烟雾的监测，以获取到最大烟雾浓度的某个烟雾传感器为准；

火势发展速度Vr：表示火焰边缘的移动速度，通过利用办公楼内本身安装的视频监控系统，使用高速摄像机拍摄火焰的运动，通过视频分析方法来测量火焰蔓延的速度即为火势发展速度Vr；

环境系数环境温度Wr和环境湿度Hd可以通过办公楼内既有管理系统进行直接获取，该管理系统内集成多种传感器，安装温湿度传感器在不同位置，通过温湿度传感器获取温湿度数据，然后在管理系统内进行数据采集和处理，计算得出平均环境温度和湿度即为环境温度Wr和环境湿度Hd。

4.根据权利要求3所述的一种物联网云边通信方法，其特征在于：

导航距离Lr：表示对应消防站点到办公楼的实际导航距离，借助导航工具即可获取导航距离Lr，导航工具包括高德地图和百度地图中的任一种；

导航路径上的道路拥堵值(Jt/Md_max)：表示对应消防站点到办公楼的导航路径上，道路的拥堵程度，实际交通流量Jt是通过交通摄像头来直接获取，交通摄像头实时监测道路上的车辆数量，并且可以通过图像处理技术得出实际交通流量，其中的图像处理技术是采用目标检测技术；道路车流最大密度值Md_max获取的方法为：提取导航路径上显示红色和黄色的路段，搭建对比计算模型，在预定时间周期内测量各个红色和黄色路段中道路上通过的车辆数量，以及对应路段的长度，而后将对应路段上的车辆数量除以长度即可得到对应的道路车流密度值，将各个车流密度值进行对比，最大的车流密度值即为道路车流最大密度值Md_max；

导航预计时间Tn：表示对应消防站点到办公楼的实际导航时间，借助导航工具即可获取导航距离Lr，导航工具包括高德地图和百度地图中的任一种。

5.根据权利要求4所述的一种物联网云边通信方法，其特征在于：形成消防站点排序表的步骤为：

S4.1、将各个消防站点对应的调度路径排序指数Dpzs按照从小到大的顺序进行排序，形成排序表；

S4.2、依据需要出动消防站点的数量来选择排序表靠前的对应数量的消防站点；

S4.3、各个消防站点同步出动，均朝向办公楼移动。