CN117688485A - 一种基于深度学习的火灾诱因分析方法及系统 - Google Patents
一种基于深度学习的火灾诱因分析方法及系统 Download PDFInfo
- Publication number
- CN117688485A CN117688485A CN202410148580.2A CN202410148580A CN117688485A CN 117688485 A CN117688485 A CN 117688485A CN 202410148580 A CN202410148580 A CN 202410148580A CN 117688485 A CN117688485 A CN 117688485A
- Authority
- CN
- China
- Prior art keywords
- fire
- incentive
- analysis
- cause analysis
- unlabeled
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 479
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 84
- 239000013598 vector Substances 0.000 claims description 67
- 230000006870 function Effects 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的火灾诱因分析方法及系统,包括:获取当前待分析的火灾报告及其分析标识,如果分析标识为第一类型,则调用预先构建的火灾诱因分析数据库,该数据库包含多个历史火灾报告以及对应的历史火灾诱因分析结果。然后,将当前火灾报告与历史火灾报告进行相似度匹配,输出相似度最高的历史火灾报告对应的火灾诱因分析结果。如果分析标识为第二类型,则调用预先基于深度学习训练的简易火灾诱因分析模型,输出当前火灾报告的火灾诱因分析结果,如此设计,能够利用深度学习和历史火灾数据,实现高效准确的火灾诱因分析,提高火灾预防与应对的能力。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于深度学习的火灾诱因分析方法及系统。
背景技术
传统的火灾诱因分析方法主要依赖人工分析和判断,这种方式效率低下且容易受到主观因素影响。
此外,由于火灾事件复杂性,不同的火灾可能有不同的诱因,这使得火灾诱因分析成为一项极具挑战性的任务。
为了解决这些问题,人们开始尝试使用机器学习和深度学习等先进技术来进行火灾诱因分析。
然而,如何有效地利用这些技术以提高火灾诱因分析的准确性和效率,仍是当前研究的一个重要课题。
发明内容
本发明的目的在于提供一种基于深度学习的火灾诱因分析方法及系统。
第一方面,本发明实施例提供一种基于深度学习的火灾诱因分析方法,所述方法包括:
获取待分析的当前火灾报告,以及所述当前火灾报告的分析标识;
在所述分析标识为第一分析标识的情况下,调用预先构建的火灾诱因分析数据库,所述火灾诱因分析数据库包括多个历史火灾报告以及每个所述历史火灾报告对应的历史火灾诱因分析结果;
将所述当前火灾报告与所述多个历史火灾报告进行相似度匹配,并将相似度最高的历史火灾报告对应的历史火灾诱因分析结果输出作为所述当前火灾报告的火灾诱因分析结果;
在所述分析标识为第二分析标识的情况下,调用预先基于深度学习训练的简易火灾诱因分析模型,并将所述当前火灾报告输入所述简易火灾诱因分析模型,得到所述当前火灾报告的火灾诱因分析结果。
第二方面,本发明实施例提供一种服务器系统,包括服务器,所述服务器用于执行第一方面的方法。
相比现有技术,本发明提供的有益效果包括:采用本发明公开的一种基于深度学习的火灾诱因分析方法及系统,通过获取当前待分析的火灾报告及其分析标识,如果分析标识为第一类型,则调用预先构建的火灾诱因分析数据库,该数据库包含多个历史火灾报告以及对应的历史火灾诱因分析结果。
然后,将当前火灾报告与历史火灾报告进行相似度匹配,输出相似度最高的历史火灾报告对应的火灾诱因分析结果。
如果分析标识为第二类型,则调用预先基于深度学习训练的简易火灾诱因分析模型,输出当前火灾报告的火灾诱因分析结果,如此设计,能够利用深度学习和历史火灾数据,实现高效准确的火灾诱因分析,提高火灾预防与应对的能力。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。
应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定。
对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的基于深度学习的火灾诱因分析方法的步骤流程示意图;
图2为本发明实施例提供的计算机设备的结构示意框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
为了解决前述背景技术中的技术问题,图1为本公开实施例提供的基于深度学习的火灾诱因分析方法的流程示意图,下面对该基于深度学习的火灾诱因分析方法进行详细介绍。
步骤S201,获取待分析的当前火灾报告,以及所述当前火灾报告的分析标识;
步骤S202,在所述分析标识为第一分析标识的情况下,调用预先构建的火灾诱因分析数据库,所述火灾诱因分析数据库包括多个历史火灾报告以及每个所述历史火灾报告对应的历史火灾诱因分析结果;
步骤S203,将所述当前火灾报告与所述多个历史火灾报告进行相似度匹配,并将相似度最高的历史火灾报告对应的历史火灾诱因分析结果输出作为所述当前火灾报告的火灾诱因分析结果;
步骤S204,在所述分析标识为第二分析标识的情况下,调用预先基于深度学习训练的简易火灾诱因分析模型,并将所述当前火灾报告输入所述简易火灾诱因分析模型,得到所述当前火灾报告的火灾诱因分析结果。
在本发明实施例中,示例性的,假设一个消防员收到了一份包含火灾详情的报告。
该报告描述了一起发生在某办公楼的火灾事件,包括起火时间、地点、火灾扩散情况等信息。
该报告还附带了一个分析标识,用于指示所需采取的分析方法。
使用上述报告中的分析标识发现其为第一分析标识。
此时,系统根据预先构建的火灾诱因分析数据库中的历史火灾报告进行进一步分析。
系统将当前火灾报告与数据库中的历史火灾报告进行相似度匹配。
例如,在数据库中找到了10个与当前火灾报告相似的历史火灾报告。
系统计算相似度,并发现其中一份历史火灾报告与当前火灾报告最为相似。
该历史火灾报告对应的历史火灾诱因分析结果指出,该火灾是由电气设备故障引起的。
因此,系统将这个历史火灾诱因分析结果作为当前火灾报告的火灾诱因分析结果输出。
使用上述报告中的分析标识发现其为第二分析标识。
此时,系统不再依赖历史火灾报告,而是通过调用预先基于深度学习训练的简易火灾诱因分析模型进行进一步分析。
系统将当前火灾报告输入简易火灾诱因分析模型进行分析。
经过模型分析后,得到了火灾诱因分析的结果,例如指出火灾是由疏忽引起的。
因此,系统将该结果作为当前火灾报告的火灾诱因分析结果输出。
值得说明的是,在选择“第一分析标识”和“第二分析标识”时,可以考虑以下标准:数据可用性:检查是否存在足够的历史火灾报告数据用于相似度匹配。
如果数据库中有丰富的历史数据可供使用,则可以选用“第一分析标识”。
相反,如果数据库中的历史数据数量较少或不可靠,或者当前火灾报告与历史数据之间存在较大差异,那么可能更适合选择“第二分析标识”。
精确性需求:评估对火灾诱因分析结果的精确性要求。
如果需要更加准确的分析结果,可以使用“第一分析标识”,因为它基于历史数据进行相似度匹配,并提供了与当前火灾报告最相似的历史火灾报告的诱因分析结果。
而“第二分析标识”则是通过简易模型进行预测,可能会有一定的误差。
实时性需求:考虑分析结果的实时性要求。
如果需要快速得到分析结果并实时响应火灾事件,可以选择“第二分析标识”。
由于它不依赖于历史数据的相似度匹配,而是利用基于深度学习训练的模型,所以可以更快地生成火灾诱因分析结果。
数据质量:评估历史火灾报告数据和当前火灾报告的数据质量。
如果历史数据和当前数据都是可靠且高质量的,可以优先选择“第一分析标识”。
如果存在历史数据缺失、错误或不完整,并且当前火灾报告数据可靠性较高,则考虑选择“第二分析标识”。
通过综合考虑以上标准,可以根据具体情况选择适合的分析标识。
这样可以确保在火灾诱因分析过程中获得最佳的准确性、实时性和可靠性。
在一种可能的实施方式中,所述简易火灾诱因分析模型通过以下方式获取的。
(1)采用已标记实例对多个常规火灾诱因分析模型进行训练,得到多个完成训练的常规火灾诱因分析模型,所述已标记实例为已经配置了火灾诱因分析结果标签的样本火灾报告;
(2)采用所述多个完成训练的常规火灾诱因分析模型对未标记实例依次执行分析操作,得到所述未标记实例的多个初阶火灾诱因分析结果,所述未标记实例为没有配置火灾诱因分析结果标签的样本火灾报告;
(3)根据所述未标记实例的多个初阶火灾诱因分析结果,确定所述未标记实例的高阶火灾诱因分析结果;
(4)基于所述未标记实例以及所述未标记实例的高阶火灾诱因分析结果,对简易火灾诱因分析模型进行训练,得到完成训练的简易火灾诱因分析模型,所述完成训练的简易火灾诱因分析模型用于对所述当前火灾报告执行分析操作得到所述当前火灾报告的火灾诱因分析结果。
在本发明实施例中,示例性的,已经收集了大量样本火灾报告,这些报告都配有对应的火灾诱因分析结果标签。
使用这些已标记实例作为训练数据,通过训练算法来构建多个常规火灾诱因分析模型。
现在有一批没有配置火灾诱因分析结果标签的未标记实例样本火灾报告。
系统将这些未标记实例输入之前训练好的多个常规火灾诱因分析模型,逐个对其进行分析操作,得到每个模型针对该未标记实例的初阶火灾诱因分析结果。
对于每个未标记实例,系统收集了多个常规火灾诱因分析模型的初阶分析结果。
根据这些初阶结果,系统使用一种决策策略(例如投票、加权平均等)来确定该未标记实例的高阶火灾诱因分析结果,通过综合多个模型的意见来得出更准确的诱因分析结果。
在前述步骤中,每个未标记实例都有一个确定的高阶火灾诱因分析结果。
将这些未标记实例及其高阶分析结果作为训练数据,用于训练简易火灾诱因分析模型。
通过使用这些数据进行训练,得到完成训练的简易火灾诱因分析模型。
现在有一份当前火灾报告需要进行火灾诱因分析。
系统使用刚刚完成训练的简易火灾诱因分析模型,将当前火灾报告输入模型,并执行分析操作。
模型根据先前的训练经验和数据,生成当前火灾报告的火灾诱因分析结果。
如此设计,利用了已有的标记实例和多个分析模型的集体智慧,以提供准确的火灾诱因分析结果。
在一种可能的实施方式中,所述初阶火灾诱因分析结果用于表征所述未标记实例归类于是否被判定为目标火灾诱因;前述根据所述未标记实例的多个初阶火灾诱因分析结果,确定所述未标记实例的高阶火灾诱因分析结果的步骤,可以通过以下示例执行实施。
(1)根据所述未标记实例的多个初阶火灾诱因分析结果各自相应的置信度的置信度均值,确定所述未标记实例的高阶火灾诱因分析结果;
其中,所述多个初阶火灾诱因分析结果中的第一目标初阶火灾诱因分析结果对应的置信度,是由所述多个常规火灾诱因分析模型中的第一目标常规火灾诱因分析模型得到的,用于确定所述未标记实例归类于是否被判定为所述目标火灾诱因的置信度,所述第一目标初阶火灾诱因分析结果为所述多个初阶火灾诱因分析结果中的任一目标初阶火灾诱因分析结果。
在本发明实施例中,示例性的,假设在进行火灾诱因分析时,有一份未标记的火灾报告需要确定是否属于目标火灾诱因。
通过使用前述的方法,已经对该未标记实例进行了初阶分析,并得到了初阶火灾诱因分析结果。
现在,这些初阶结果将用于表征该未标记实例是否被判定为目标火灾诱因。
如果初阶结果中包含了目标火灾诱因,那么可以判定该未标记实例归类为目标火灾诱因。
对于每个未标记实例,已经得到了多个常规火灾诱因分析模型的初阶分析结果。
现在需要确定未标记实例的高阶火灾诱因分析结果。
根据前面的描述,可以计算每个初阶火灾诱因分析结果相应的置信度的置信度均值,作为确定未标记实例高阶分析结果的依据。
例如,假设有5个初阶火灾诱因分析结果,每个结果都有相应的置信度,可以计算这些置信度的平均值,并将其作为高阶分析结果的置信度。
在前述提到了第一目标初阶火灾诱因分析结果及其对应的置信度。
假设有多个常规火灾诱因分析模型,其中第一个模型被定义为第一目标常规火灾诱因分析模型。
通过该模型对未标记实例进行初阶分析,得到第一目标初阶火灾诱因分析结果及其对应的置信度。
这个置信度用于确定未标记实例是否被判定为目标火灾诱因的程度,它是根据第一目标常规火灾诱因分析模型的输出结果得出的。
如此设计,综合运用了初阶和高阶分析以及置信度的计算,以提供更准确的火灾诱因分析结果。
在一种可能的实施方式中,前述根据所述未标记实例的多个初阶火灾诱因分析结果各自相应的置信度的置信度均值,确定所述未标记实例的高阶火灾诱因分析结果的步骤,可以通过以下示例执行实施。
(1)在所述未标记实例的多个初阶火灾诱因分析结果各自相应的置信度的置信度均值超过第一基准值的基础上,确定所述未标记实例的高阶火灾诱因分析结果为归类于所述目标火灾诱因;
或者,
(2)在所述未标记实例的多个初阶火灾诱因分析结果各自相应的置信度的置信度均值不超过第一基准值的基础上,确定所述未标记实例的高阶火灾诱因分析结果为不归类于所述目标火灾诱因。
在本发明实施例中,示例性的,计算这些初阶结果的置信度的平均值,即置信度均值。
然后,在步骤1中,与预先设定的第一基准值进行比较。
如果置信度均值超过第一基准值,表示初阶结果整体上具有较高的可信度。
在这种情况下,可以确定未标记实例的高阶火灾诱因分析结果为归类于目标火灾诱因。
相反,如果置信度均值不超过第一基准值,表示初阶结果整体上可信度较低。
在这种情况下,可以确定未标记实例的高阶火灾诱因分析结果为不归类于目标火灾诱因。
举例来说,假设对某次火灾进行火灾诱因分析,得到了5个初阶火灾诱因分析结果,并计算了它们的置信度。
这些置信度分别为0.6、0.7、0.8、0.9和0.5,它们的平均值是0.7。
如果设定第一基准值为0.6,由于置信度均值超过了该基准值,可以确定该未标记实例的高阶火灾诱因分析结果为归类于目标火灾诱因。
通过使用置信度均值与第一基准值进行比较,可以根据初阶火灾诱因分析的结果推断出更准确的高阶火灾诱因分析结果。
这种方法能够在综合考虑多个初阶结果的情况下,提供对未标记实例的更可靠的判定,从而帮助进行有效的火灾诱因分析。
在一种可能的实施方式中,所述初阶火灾诱因分析结果用于表征所述未标记实例归类于是否被判定为目标火灾诱因;前述根据所述未标记实例的多个初阶火灾诱因分析结果,确定所述未标记实例的高阶火灾诱因分析结果的步骤,可以通过以下示例执行实施。
(1)在所述未标记实例的多个初阶火灾诱因分析结果中,归类于所述目标火灾诱因的输出数目超过不归类于所述目标火灾诱因的输出数目的基础上,确定所述未标记实例的高阶火灾诱因分析结果为归类于所述目标火灾诱因;
或者,
(2)在所述未标记实例的多个初阶火灾诱因分析结果中,归类于所述目标火灾诱因的输出数目不超过不归类于所述目标火灾诱因的输出数目的基础上,确定所述未标记实例的高阶火灾诱因分析结果为不归类于所述目标火灾诱因。
在本发明实施例中,示例性的,假设有一份未标记的火灾报告需要进行火灾诱因分析,并根据前述方法进行了初阶火灾诱因分析。
在这个步骤中,初阶火灾诱因分析结果被用于判断该未标记实例是否被归类为目标火灾诱因。
如果初阶结果中包含了目标火灾诱因,那么可以判定该未标记实例被判定为目标火灾诱因。
相反,如果初阶结果中不包含目标火灾诱因,则可以判定该未标记实例不被判定为目标火灾诱因。
已经进行了多个常规火灾诱因分析模型的初阶分析,得到了未标记实例的多个初阶火灾诱因分析结果。
现在需要确定未标记实例的高阶火灾诱因分析结果。
在这个步骤中,根据前述内容,计算归类于目标火灾诱因的初阶结果的数量以及不归类于目标火灾诱因的初阶结果的数量。
如果归类于目标火灾诱因的输出数目超过不归类于目标火灾诱因的输出数目,则可以确定未标记实例的高阶火灾诱因分析结果为归类于目标火灾诱因。
反之,如果归类于目标火灾诱因的输出数目不超过不归类于目标火灾诱因的输出数目,则可以确定未标记实例的高阶火灾诱因分析结果为不归类于目标火灾诱因。
如此设计,结合了初阶和高阶分析的结果,以提供对未标记实例进行更准确的火灾诱因分析判断的能力。
在一种可能的实施方式中,本发明实施例还提供以下示例。
(1)在所述未标记实例的多个初阶火灾诱因分析结果中,归类于所述目标火灾诱因的输出数目等于不归类于所述目标火灾诱因的输出数目的基础上,将所述多个初阶火灾诱因分析结果中的第二目标初阶火灾诱因分析结果,确定为所述未标记实例的高阶火灾诱因分析结果,所述第二目标初阶火灾诱因分析结果为所述多个初阶火灾诱因分析结果中的任一目标初阶火灾诱因分析结果。
在本发明实施例中,示例性的,假设对一份未标记的火灾报告进行火灾诱因分析,并根据前述方法得到了多个初阶火灾诱因分析结果。
在这个步骤中,归类于目标火灾诱因的输出数目等于不归类于目标火灾诱因的输出数目,即两者相等。
此时,将从多个初阶火灾诱因分析结果中选择第二目标初阶火灾诱因分析结果作为未标记实例的高阶火灾诱因分析结果。
第二目标初阶火灾诱因分析结果可以是任意一个不超过其他目标初阶火灾诱因分析结果数量的结果。
在本发明实施例的另一种实施方式中,前述步骤进行火灾诱因分析后,得到了未标记实例的多个初阶火灾诱因分析结果。
现在将根据这些初阶结果来确定未标记实例的高阶火灾诱因分析结果。
具体而言,需要满足以下条件:1.归类于目标火灾诱因的输出数目等于不归类于目标火灾诱因的输出数目。
2.在满足第一个条件的基础上,选择第二目标初阶火灾诱因分析结果。举例来说,假设对一起火灾进行火灾诱因分析,并获得了4个初阶火灾诱因分析结果:A、B、C和D。这些结果中,两个被归类为目标火灾诱因(A和B),另外两个不被归类为目标火灾诱因(C和D)。
因此,在这种情况下,归类于目标火灾诱因的输出数目等于不归类于目标火灾诱因的输出数目。
现在,需要选择第二目标初阶火灾诱因分析结果。
根据步骤2的要求,可以从A、B、C和D中任意选择一个初阶结果作为高阶火灾诱因分析结果。
例如,选择了初阶结果C作为第二目标初阶火灾诱因分析结果。
因此,在满足归类与不归类输出数目相等的基础上,将初阶结果C确定为未标记实例的高阶火灾诱因分析结果。
这意味着在这个特定的情况下,判断该未标记实例的火灾诱因为目标火灾诱因。
通过对多个初阶火灾诱因分析结果进行比较和选择,根据归类与不归类输出数目相等的基础,以及从中任意选择一个结果作为高阶火灾诱因分析结果,能够提供更准确的火灾诱因分析判断。
这种方法可以在归类和不归类输出数目相等的情况下,解决如何确定高阶分析结果的问题,并帮助进一步理解和分析未标记实例的火灾诱因。
在一种可能的实施方式中,前述基于所述未标记实例以及所述未标记实例的高阶火灾诱因分析结果,对简易火灾诱因分析模型进行训练,得到完成训练的简易火灾诱因分析模型的步骤之后,还提供了以下示例。
(1)采用所述已标记实例对所述完成训练的简易火灾诱因分析模型的模型参量进行优化,得到最终完成训练的简易火灾诱因分析模型。
在本发明实施例中,示例性的,假设有一批未标记的火灾报告,这些报告需要进行火灾诱因分析。
根据前述方法,使用这些未标记实例以及对应的高阶火灾诱因分析结果来进行简易火灾诱因分析模型的训练。
在这个步骤中,将未标记实例作为训练数据集,并结合其对应的高阶火灾诱因分析结果作为标签,用于训练简易火灾诱因分析模型。
通过这个过程,模型能够学习到未标记实例和其高阶火灾诱因分析结果之间的关联。
在上述训练过程中,得到了一个初始的简易火灾诱因分析模型。
现在需要进一步优化该模型的模型参数,以提升模型的准确性和性能。
为此,使用已标记的火灾报告作为训练数据集,将模型参数进行优化。
通过与已标记实例进行训练,模型可以进一步调整其参数,以更好地适应火灾诱因分析任务的特定要求。
在完成对已标记实例的训练过程后,得到了经过优化的最终简易火灾诱因分析模型。
该模型通过结合未标记实例和其高阶火灾诱因分析结果进行训练,并利用已标记实例对模型参数进行优化。
这样,获得了一个具备强大火灾诱因分析能力的最终模型,它能够根据输入的火灾报告预测出可能的火灾诱因。
如此设计,通过对未标记实例和其高阶火灾诱因分析结果进行训练,并利用已标记实例优化模型参数,得到了一个最终完成训练的简易火灾诱因分析模型。
该模型可以应用于火灾诱因分析任务中,提供准确的预测结果和有关火灾原因的洞察。
这种方法可以有效地结合未标记和已标记实例,以提升火灾诱因分析模型的性能和效果。
在一种可能的实施方式中,所述多个常规火灾诱因分析模型中包括第一常规火灾诱因分析模型,所述第一常规火灾诱因分析模型用于执行类别预测;前述采用已标记实例对多个常规火灾诱因分析模型进行训练,得到多个完成训练的常规火灾诱因分析模型的步骤,可以通过以下示例执行实施。
(1)通过所述第一常规火灾诱因分析模型提取第一样本火灾报告的火灾属性向量,根据所述第一样本火灾报告的火灾属性向量,得到所述第一样本火灾报告的第一火灾诱因分析结果;其中,所述第一样本火灾报告具有预先标记的火灾诱因分析结果,所述第一火灾诱因分析结果包括:正向分类的置信度和反向分类的置信度,所述正向分类对应于归类于目标火灾诱因,所述反向分类对应于不归类于目标火灾诱因;
(2)根据所述第一火灾诱因分析结果和所述预先标记的火灾诱因分析结果,确定出第一代价函数的代价值;
(3)根据所述第一代价函数的代价值对所述第一常规火灾诱因分析模型的模型参量进行优化,得到完成训练的第一常规火灾诱因分析模型。
在本发明实施例中,示例性的,假设有三个常规火灾诱因分析模型:模型A、模型B和模型C。
其中,第一常规火灾诱因分析模型是模型A。
这些模型都经过训练和优化,可以根据输入的火灾报告进行类别预测,即判断火灾发生的可能诱因。
使用1000个已标记的火灾报告作为训练数据集。通过使用这些数据对模型A、模型B和模型C进行训练,得到了三个完成训练的常规火灾诱因分析模型。
每个模型都被训练成能够根据火灾报告的属性进行预测,并给出相应的火灾诱因分析结果。
假设从训练集中选取了一份样本火灾报告作为第一样本。
使用模型A来提取这个样本火灾报告的火灾属性向量。
根据该属性向量,可以得到第一样本火灾报告的第一火灾诱因分析结果。
这个结果包括正向分类的置信度和反向分类的置信度,用于判断是否将该火灾归类为目标火灾诱因。
在这个步骤中,将第一火灾诱因分析结果与预先标记的火灾诱因分析结果进行对比。
假设预先标记的结果表明该火灾是由电气故障引起的,而第一火灾诱因分析结果将其归类为其他火灾原因。
通过比较这两个结果,可以计算出第一代价函数的代价值。
这个代价值描述了模型A在第一样本上的预测准确性和误差程度。
在这个步骤中,利用第一代价函数的代价值来优化第一常规火灾诱因分析模型(模型A)的模型参数。
通过调整模型A的参数,可以减小第一代价函数的值,从而提升模型的预测准确性和性能。
经过优化后,得到了完成训练的第一常规火灾诱因分析模型。
这个模型能够更好地根据火灾报告的属性进行预测和分类,以确定火灾的可能诱因。
通过这些步骤,可以得到完成训练的第一常规火灾诱因分析模型(模型A),该模型经过优化后,能够更准确地进行火灾诱因分类预测。
在一种可能的实施方式中,所述第一代价函数为对数代价函数;或者,所述第一代价函数为平方代价函数,且所述平方代价函数中感兴趣的样本的分配权值超过非感兴趣的样本的分配权值。
在本发明实施例中,示例性的,在训练第一常规火灾诱因分析模型(模型A)时,选择使用对数代价函数作为第一代价函数。
对数代价函数是一种常用的损失函数,在分类问题中广泛应用。
通过计算预测结果与真实结果之间的差异,并将其映射到对数空间,可以得到一个代价值来衡量模型的性能。
通过优化模型参数,使对数代价函数的值最小化,可以提高模型的预测准确性和性能。
在训练第一常规火灾诱因分析模型(模型A)时,选择使用平方代价函数作为第一代价函数。
平方代价函数也是一种常见的损失函数,它将预测结果与真实结果之间的差异进行平方处理。
此外,还对感兴趣的样本赋予更高的分配权值,以强调这些样本在训练过程中的重要性。
这样做可以使模型更关注对目标火灾诱因的准确预测,提高预测结果的可靠性。
在训练第一常规火灾诱因分析模型时,可以选择合适的代价函数来度量模型预测的准确性。
无论是使用对数代价函数还是平方代价函数,都可以通过调整模型参数来优化代价函数的值,以提高模型的性能和准确性。
同时,如果使用平方代价函数,还可以根据特定需求,通过分配样本的权值来调整模型对不同类型样本的关注程度,以进一步优化模型的预测结果。
在一种可能的实施方式中,所述多个常规火灾诱因分析模型中包括第二常规火灾诱因分析模型,所述第二常规火灾诱因分析模型用于执行趋势预测;前述采用已标记实例对多个常规火灾诱因分析模型进行训练,得到多个完成训练的常规火灾诱因分析模型的步骤,可以通过以下示例执行实施。
(1)通过所述第二常规火灾诱因分析模型提取第一样本火灾报告的火灾属性向量,根据所述第一样本火灾报告的火灾属性向量,得到所述第一样本火灾报告的第二火灾诱因分析结果;其中,所述第一样本火灾报告具有预先标记的火灾诱因分析结果,所述第二火灾诱因分析结果包括趋势预测的置信度,所述趋势预测的置信度超过第二基准值对应于归类于目标火灾诱因,所述趋势预测的置信度不超过第二基准值对应于不归类于目标火灾诱因;
(2)根据所述第二火灾诱因分析结果和所述预先标记的火灾诱因分析结果,确定出第二代价函数的代价值;
(3)根据所述第二代价函数的代价值对所述第二常规火灾诱因分析模型的模型参量进行优化,得到完成训练的第二常规火灾诱因分析模型。
在本发明实施例中,示例性的,假设有三个常规火灾诱因分析模型:模型A、模型B和模型C。
其中,第二常规火灾诱因分析模型是模型B,专门用于执行趋势预测。模型B与其他模型相比,具备更强的能力来分析和预测火灾发生的趋势。
使用1000个已标记的火灾报告作为训练数据集,并将其用于训练模型A、模型B和模型C。
通过对这些模型进行训练,得到了三个完成训练的常规火灾诱因分析模型。
每个模型都被训练成可以根据火灾报告的属性进行预测,并给出相应的火灾诱因分析结果。
假设选择了一份预先标记的火灾报告作为第一样本,并使用模型B来提取该样本火灾报告的火灾属性向量。
根据该属性向量和预先标记的火灾诱因分析结果,可以得到第一样本火灾报告的第二火灾诱因分析结果。
这个结果包括趋势预测的置信度,如果置信度超过第二基准值,那么将该火灾归类为目标火灾诱因;如果置信度不超过第二基准值,那么不将该火灾归类为目标火灾诱因。
在这个步骤中,根据第二火灾诱因分析结果和预先标记的火灾诱因分析结果进行对比。
假设预先标记的结果表明该火灾是由电气故障引起的,而第二火灾诱因分析结果将其趋势预测为其他火灾原因。
通过比较这两个结果,可以计算出第二代价函数的代价值,来衡量模型B在第一样本上的预测准确性和误差程度。
通过计算第二代价函数的代价值,可以评估模型B在第一样本上的性能。
然后,使用优化算法(如梯度下降)来调整模型B的模型参数,以最小化第二代价函数的值。
通过迭代优化过程,逐步改进模型B的预测能力和准确性,直到达到满意的训练效果。
最终,得到了完成训练的第二常规火灾诱因分析模型,它经过优化后能够更准确地执行趋势预测,并给出相应的火灾诱因分析结果。
通过以上步骤,采用已标记实例对多个常规火灾诱因分析模型进行训练,其中包括第二常规火灾诱因分析模型。
利用第二常规火灾诱因分析模型执行趋势预测并提取火灾属性向量,可以得到第一样本火灾报告的第二火灾诱因分析结果。
通过与预先标记的火灾诱因分析结果进行对比,并使用第二代价函数计算代价值,可以优化第二常规火灾诱因分析模型的模型参数,从而获得最终的完成训练的第二常规火灾诱因分析模型。
这个模型在执行趋势预测和火灾诱因分类时,能够提供更可靠的结果和置信度评估。
在一种可能的实施方式中,前述基于所述未标记实例以及所述未标记实例的高阶火灾诱因分析结果,对简易火灾诱因分析模型进行训练,得到完成训练的简易火灾诱因分析模型的步骤,可以通过以下示例执行实施。
(1)获取所述未标记实例的向量描述;
(2)通过所述简易火灾诱因分析模型根据所述未标记实例的向量描述,得到所述未标记实例的预测火灾诱因分析结果;
(3)根据所述未标记实例的预测火灾诱因分析结果和所述未标记实例的高阶火灾诱因分析结果,确定出第三代价函数的代价值;
(4)根据所述第三代价函数的代价值对所述简易火灾诱因分析模型的模型参量进行优化,得到所述完成训练的简易火灾诱因分析模型。
在本发明实施例中,示例性的,假设有一个简易火灾诱因分析模型,希望通过使用未标记实例和其高阶火灾诱因分析结果来训练这个模型。
收集了一组未标记的火灾报告,其中包括火灾的描述、影响因素等信息。
基于这些未标记实例以及已经得到的高阶火灾诱因分析结果,进行训练,以使简易火灾诱因分析模型能够更好地预测火灾的诱因。
在这个步骤中,将未标记的火灾实例转化为向量描述。
例如,对于每个未标记实例,可以提取关键属性(如火源类型、燃料类型、环境条件等),并将它们编码成数值向量,以便输入到简易火灾诱因分析模型中。
使用已经训练好的简易火灾诱因分析模型,可以输入未标记实例的向量描述,并得到对应的预测火灾诱因分析结果。
例如,对于一个新的未标记实例,模型可能会预测该火灾是由电气故障引起的。
通过将预测的火灾诱因分析结果与已知的高阶火灾诱因分析结果进行比较,可以计算出第三代价函数的代价值。
例如,如果预测结果与高阶分析结果一致,那么代价值可能较低;而如果预测结果与高阶分析结果不一致,代价值可能较高。
这个代价值反映了简易火灾诱因分析模型在处理未标记实例时的准确性和误差程度。
通过使用优化算法(如梯度下降)和第三代价函数的代价值,可以调整简易火灾诱因分析模型的模型参数,以最小化代价值。
通过迭代优化过程,不断改进模型的性能和准确性,直到获得满意的训练结果。
最终,得到了完成训练的简易火灾诱因分析模型,它能够根据未标记实例的向量描述给出预测的火灾诱因分析结果,并通过优化使其更加准确和可靠。
在一种可能的实施方式中,前述获取所述未标记实例的向量描述的步骤,可以通过以下示例执行实施。
(1)对所述未标记实例进行文本切割,得到至少一个火灾描述内容;获取所述至少一个火灾描述内容各自相应的火灾描述内容向量;对所述至少一个火灾描述内容各自相应的火灾描述内容向量执行融合操作,得到所述未标记实例的向量描述;
或者,
(2)通过火灾属性抽取网络,得到所述未标记实例的火灾属性向量,以及所述未标记实例中包含的各个描述文字各自相应的火灾属性向量;将所述未标记实例的火灾属性向量,分别与所述各个描述文字各自相应的火灾属性向量执行融合操作,得到所述各个描述文字各自相应的合并向量;将所述各个描述文字各自相应的合并向量执行融合操作,得到所述未标记实例的向量描述。
在本发明实施例中,示例性的,假设有一份未标记的火灾报告,其中包含多个不同的火灾描述。
在这个步骤中,将这份报告进行文本切割,将其分成多个火灾描述内容。
例如,如果报告中描述了两次不同的火灾事件,可以将其切割为两个独立的火灾描述。
对于每个火灾描述内容,可以将其转化为向量表示。
例如,对于某个火灾描述内容,可以提取关键词或特征,并将其编码成数值向量,以便后续处理和分析。
通过对每个火灾描述内容的描述内容向量进行融合操作,可以将它们合并为一个整体的向量描述。
例如,可以对各个描述内容的向量进行加权平均、拼接等操作,得到未标记实例的整体向量描述。
或者,假设使用一个火灾属性抽取网络来提取未标记实例中的关键属性。
对于整个未标记实例,可以使用该网络获取其整体的火灾属性向量。
同时,对于每个描述文字,也可以使用同样的网络获得各自相应的火灾属性向量。
通过将未标记实例的火灾属性向量与各个描述文字各自相应的火灾属性向量进行融合操作,可以得到每个描述文字的合并向量表示。
例如,将两个向量进行拼接、加权求和等操作,得到每个描述文字的整体向量表示。
通过对每个描述文字的合并向量进行融合操作,可以将它们合并为一个整体的向量描述。
例如,对各个描述文字的合并向量进行加权平均、拼接等操作,得到未标记实例的整体向量描述。
这个向量描述可以用于后续的火灾诱因分析或其他任务。
在一种可能的实施方式中,在采用已标记实例对多个常规火灾诱因分析模型进行训练,得到多个完成训练的常规火灾诱因分析模型的步骤之前,本发明实施例还提供以下示例。
(1)采用大规模火灾数据集对所述多个常规火灾诱因分析模型进行先导训练,得到多个完成先导训练的常规火灾诱因分析模型;
(2)其中,在先导训练过程中,所述常规火灾诱因分析模型用于处理以下事项:火灾原因预测任务、下一事件预测任务、标签类别预测;所述已标记实例用于对所述多个完成先导训练的常规火灾诱因分析模型进行训练,得到所述多个完成训练的常规火灾诱因分析模型。
在本发明实施例中,示例性的,假设有一个包含了大量火灾报告的数据集,其中每个报告都有相关的火灾诱因信息。
在这个步骤中,可以使用这个数据集来对多个常规火灾诱因分析模型进行先导训练。
通过使用这些模型进行迭代训练和调优,可以得到多个已经完成了先导训练的常规火灾诱因分析模型。
在先导训练过程中,常规火灾诱因分析模型可以用于处理多个任务,如火灾原因预测、下一事件预测和标签类别预测。
例如,可以使用这些模型来预测火灾发生的具体原因,预测紧随其后的事件(比如火势扩散或消防救援活动)以及预测火灾是否属于特定的标签类别(如意外事故、电器故障等)。
通过使用已标记的火灾实例,可以对多个完成先导训练的常规火灾诱因分析模型进行进一步的训练。
这些已标记实例包含了与火灾相关的属性、原因和后续事件等信息。
通过在这些模型上进行迭代训练,并根据已标记实例的反馈进行参数调整,可以得到多个完成训练的常规火灾诱因分析模型。
如此设计,可以提高模型的准确性和鲁棒性,使其能够更好地预测火灾原因、下一事件和标签类别等相关任务。
下面提供一种本发明实施例的整体实施方式。
首先,让以一个具体的场景来详细说明这个基于深度学习的火灾诱因分析方法。
假设有一家保险公司,该公司需要分析并理解火灾报告,以便确定火灾发生的原因和责任。
步骤1:获取待分析的当前火灾报告和分析标识,
假设保险公司收到一份新的火灾报告,报告包含了火灾发生的详细信息,例如火灾发生的地点、时间、环境条件等。
这份报告就是所谓的“当前火灾报告”。
同时,这份报告被赋予了一个“分析标识”,用于决定应采取哪种分析方法。
步骤2:调用预先构建的火灾诱因分析数据库或基于深度学习训练的简易火灾诱因分析模型,
如果该报告的分析标识为第一分析标识,那么会调用预先构建的火灾诱因分析数据库。
这个数据库包含了大量的历史火灾报告以及每个历史火灾报告对应的历史火灾诱因分析结果。
系统将当前火灾报告与数据库中的历史火灾报告进行相似度匹配,并将相似度最高的历史火灾报告对应的历史火灾诱因分析结果输出作为当前火灾报告的火灾诱因分析结果。
如果该报告的分析标识为第二分析标识,那么会调用预先基于深度学习训练的简易火灾诱因分析模型。
这个模型会对当前火灾报告进行分析,并输出一个火灾诱因分析结果。
接下来,会详细介绍如何获取简易火灾诱因分析模型。
在此过程中,需要采用已标记实例对多个常规火灾诱因分析模型进行训练。
所谓的“已标记实例”是指已经配置了火灾诱因分析结果标签的样本火灾报告。
步骤3:利用多个训练好的常规火灾诱因分析模型对未标记实例执行分析操作,
首先,需要采用多个完成训练的常规火灾诱因分析模型对未标记实例(没有配置火灾诱因分析结果标签的样本火灾报告)执行分析操作,得到初阶火灾诱因分析结果。
然后,根据这些初阶火灾诱因分析结果,确定未标记实例的高阶火灾诱因分析结果。
具体来说,每个初阶火灾诱因分析结果都有一个相应的置信度。
可以计算这些置信度的均值,并根据这个均值确定高阶火灾诱因分析结果。
如果置信度均值超过第一基准值,那么认为未标记实例归类于目标火灾诱因;如果不超过,那么认为未标记实例不归类于目标火灾诱因。
接下来,会基于未标记实例以及其对应的高阶火灾诱因分析结果,对简易火灾诱因分析模型进行训练。
这样就可以得到一个训练完成的简易火灾诱因分析模型,该模型可以用于对新的火灾报告进行分析。
步骤4:优化简易火灾诱因分析模型的模型参数,
在获取了训练完成的简易火灾诱因分析模型后,还需要对其进行进一步的优化。
具体来说,会使用已标记实例(即已经配置了火灾诱因分析结果标签的样本火灾报告)对该模型的模型参数进行优化,以得到最终训练完成的简易火灾诱因分析模型。
步骤5:构建常规火灾诱因分析模型,
在上述过程中,提到了“常规火灾诱因分析模型”。这些模型包括类别预测模型、趋势预测模型等,用于处理不同类型的火灾诱因预测任务。
这些模型可以通过提取火灾报告的火灾属性向量,并根据这些向量来预测火灾诱因。
例如,第一常规火灾诱因分析模型可以用于执行类别预测。
它首先提取火灾报告的火灾属性向量,然后根据这些向量得到火灾诱因分析结果,这个结果包括正向分类的置信度和反向分类的置信度。
正向分类对应于归类于目标火灾诱因,反向分类对应于不归类于目标火灾诱因。
步骤6:确定代价函数并优化模型参数,
在构建常规火灾诱因分析模型的过程中,需要使用代价函数来评估模型的性能。
具体来说,可以根据预测结果和真实结果(即已标记的火灾诱因分析结果)来确定代价函数的代价值,然后根据这个代价值来优化模型参数。
例如,第一代价函数可能是对数代价函数或平方代价函数,其中感兴趣的样本的分配权值超过非感兴趣的样本的分配权值。
步骤7:获取未标记实例的向量描述并训练简易火灾诱因分析模型,
为了训练简易火灾诱因分析模型,需要首先获取未标记实例的向量描述。
这可以通过对未标记实例进行文本切割,并获取每个切割内容的内容向量来实现。
然后,可以使用简易火灾诱因分析模型根据这些向量描述来预测火灾诱因分析结果,并根据预测结果和高阶火灾诱因分析结果来确定代价函数的代价值。
最后,可以根据这个代价值来优化模型参数,得到训练完成的简易火灾诱因分析模型。
以上就是基于深度学习的火灾诱因分析方法的详细说明。
这种方法通过结合深度学习和大数据技术,可以有效地提高火灾诱因分析的准确性和效率,为火灾原因判断、预防以及保险理赔等工作提供强大的支持。
本发明实施例提供一种计算机设备100,计算机设备100包括处理器及存储有计算机指令的非易失性存储器,计算机指令被处理器执行时,计算机设备100执行前述的基于深度学习的火灾诱因分析方法。
如图2所示,图2为本发明实施例提供的计算机设备100的结构框图。
计算机设备100包括存储器111、处理器112及通信单元113。
为实现数据的传输或交互,存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。
出于说明目的,前面的描述是参考具体实施例而进行的。
但是,上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。
根据上述教导,众多修改和变化都是可行的。
选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用,从而使本领域技术人员最佳地利用本公开,并利用具有不同修改的各种实施例以适于预期的特定应用。
Claims (10)
1.一种基于深度学习的火灾诱因分析方法,其特征在于,所述方法包括:
获取待分析的当前火灾报告,以及所述当前火灾报告的分析标识;
在所述分析标识为第一分析标识的情况下,调用预先构建的火灾诱因分析数据库,所述火灾诱因分析数据库包括多个历史火灾报告以及每个所述历史火灾报告对应的历史火灾诱因分析结果;
将所述当前火灾报告与所述多个历史火灾报告进行相似度匹配,并将相似度最高的历史火灾报告对应的历史火灾诱因分析结果输出作为所述当前火灾报告的火灾诱因分析结果;
在所述分析标识为第二分析标识的情况下,调用预先基于深度学习训练的简易火灾诱因分析模型,并将所述当前火灾报告输入所述简易火灾诱因分析模型,得到所述当前火灾报告的火灾诱因分析结果。
2.根据权利要求1所述的方法,其特征在于,所述简易火灾诱因分析模型通过以下方式获取,包括:
采用已标记实例对多个常规火灾诱因分析模型进行训练,得到多个完成训练的常规火灾诱因分析模型,所述已标记实例为已经配置了火灾诱因分析结果标签的样本火灾报告;
采用所述多个完成训练的常规火灾诱因分析模型对未标记实例依次执行分析操作,得到所述未标记实例的多个初阶火灾诱因分析结果,所述未标记实例为没有配置火灾诱因分析结果标签的样本火灾报告;
根据所述未标记实例的多个初阶火灾诱因分析结果,确定所述未标记实例的高阶火灾诱因分析结果;
基于所述未标记实例以及所述未标记实例的高阶火灾诱因分析结果,对简易火灾诱因分析模型进行训练,得到完成训练的简易火灾诱因分析模型;
采用所述已标记实例对所述完成训练的简易火灾诱因分析模型的模型参量进行优化,得到最终完成训练的简易火灾诱因分析模型,所述最终完成训练的简易火灾诱因分析模型用于对所述当前火灾报告执行分析操作得到所述当前火灾报告的火灾诱因分析结果。
3.根据权利要求2所述的方法,其特征在于,所述初阶火灾诱因分析结果用于表征所述未标记实例归类于是否被判定为目标火灾诱因;
所述根据所述未标记实例的多个初阶火灾诱因分析结果,确定所述未标记实例的高阶火灾诱因分析结果,包括:
在所述未标记实例的多个初阶火灾诱因分析结果各自相应的置信度的置信度均值超过第一基准值的基础上,确定所述未标记实例的高阶火灾诱因分析结果为归类于所述目标火灾诱因;
或者,
在所述未标记实例的多个初阶火灾诱因分析结果各自相应的置信度的置信度均值不超过第一基准值的基础上,确定所述未标记实例的高阶火灾诱因分析结果为不归类于所述目标火灾诱因;
其中,所述多个初阶火灾诱因分析结果中的第一目标初阶火灾诱因分析结果对应的置信度,是由所述多个常规火灾诱因分析模型中的第一目标常规火灾诱因分析模型得到的,用于确定所述未标记实例归类于是否被判定为所述目标火灾诱因的置信度,所述第一目标初阶火灾诱因分析结果为所述多个初阶火灾诱因分析结果中的任一目标初阶火灾诱因分析结果。
4.根据权利要求2所述的方法,其特征在于,所述初阶火灾诱因分析结果用于表征所述未标记实例归类于是否被判定为目标火灾诱因;
所述根据所述未标记实例的多个初阶火灾诱因分析结果,确定所述未标记实例的高阶火灾诱因分析结果,包括:
在所述未标记实例的多个初阶火灾诱因分析结果中,归类于所述目标火灾诱因的输出数目超过不归类于所述目标火灾诱因的输出数目的基础上,确定所述未标记实例的高阶火灾诱因分析结果为归类于所述目标火灾诱因;
或者,
在所述未标记实例的多个初阶火灾诱因分析结果中,归类于所述目标火灾诱因的输出数目不超过不归类于所述目标火灾诱因的输出数目的基础上,确定所述未标记实例的高阶火灾诱因分析结果为不归类于所述目标火灾诱因。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在所述未标记实例的多个初阶火灾诱因分析结果中,归类于所述目标火灾诱因的输出数目等于不归类于所述目标火灾诱因的输出数目的基础上,将所述多个初阶火灾诱因分析结果中的第二目标初阶火灾诱因分析结果,确定为所述未标记实例的高阶火灾诱因分析结果,所述第二目标初阶火灾诱因分析结果为所述多个初阶火灾诱因分析结果中的任一目标初阶火灾诱因分析结果。
6.根据权利要求2所述的方法,其特征在于,所述多个常规火灾诱因分析模型中包括第一常规火灾诱因分析模型,所述第一常规火灾诱因分析模型用于执行类别预测;
所述采用已标记实例对多个常规火灾诱因分析模型进行训练,得到多个完成训练的常规火灾诱因分析模型,包括:
通过所述第一常规火灾诱因分析模型提取第一样本火灾报告的火灾属性向量,根据所述第一样本火灾报告的火灾属性向量,得到所述第一样本火灾报告的第一火灾诱因分析结果;其中,所述第一样本火灾报告具有预先标记的火灾诱因分析结果,所述第一火灾诱因分析结果包括:正向分类的置信度和反向分类的置信度,所述正向分类对应于归类于目标火灾诱因,所述反向分类对应于不归类于目标火灾诱因;
根据所述第一火灾诱因分析结果和所述预先标记的火灾诱因分析结果,确定出第一代价函数的代价值,所述第一代价函数为对数代价函数;或者,所述第一代价函数为平方代价函数,且所述平方代价函数中感兴趣的样本的分配权值超过非感兴趣的样本的分配权值;
根据所述第一代价函数的代价值对所述第一常规火灾诱因分析模型的模型参量进行优化,得到完成训练的第一常规火灾诱因分析模型。
7.根据权利要求2所述的方法,其特征在于,所述多个常规火灾诱因分析模型中包括第二常规火灾诱因分析模型,所述第二常规火灾诱因分析模型用于执行趋势预测;
所述采用已标记实例对多个常规火灾诱因分析模型进行训练,得到多个完成训练的常规火灾诱因分析模型,包括:
通过所述第二常规火灾诱因分析模型提取第一样本火灾报告的火灾属性向量,根据所述第一样本火灾报告的火灾属性向量,得到所述第一样本火灾报告的第二火灾诱因分析结果;其中,所述第一样本火灾报告具有预先标记的火灾诱因分析结果,所述第二火灾诱因分析结果包括趋势预测的置信度,所述趋势预测的置信度超过第二基准值对应于归类于目标火灾诱因,所述趋势预测的置信度不超过第二基准值对应于不归类于目标火灾诱因;
根据所述第二火灾诱因分析结果和所述预先标记的火灾诱因分析结果,确定出第二代价函数的代价值;
根据所述第二代价函数的代价值对所述第二常规火灾诱因分析模型的模型参量进行优化,得到完成训练的第二常规火灾诱因分析模型。
8.根据权利要求2所述的方法,其特征在于,所述基于所述未标记实例以及所述未标记实例的高阶火灾诱因分析结果,对简易火灾诱因分析模型进行训练,得到完成训练的简易火灾诱因分析模型,包括:
对所述未标记实例进行文本切割,得到至少一个火灾描述内容;获取所述至少一个火灾描述内容各自相应的火灾描述内容向量;对所述至少一个火灾描述内容各自相应的火灾描述内容向量执行融合操作,得到所述未标记实例的向量描述;
或者,
通过火灾属性抽取网络,得到所述未标记实例的火灾属性向量,以及所述未标记实例中包含的各个描述文字各自相应的火灾属性向量;将所述未标记实例的火灾属性向量,分别与所述各个描述文字各自相应的火灾属性向量执行融合操作,得到所述各个描述文字各自相应的合并向量;将所述各个描述文字各自相应的合并向量执行融合操作,得到所述未标记实例的向量描述;
通过所述简易火灾诱因分析模型根据所述未标记实例的向量描述,得到所述未标记实例的预测火灾诱因分析结果;
根据所述未标记实例的预测火灾诱因分析结果和所述未标记实例的高阶火灾诱因分析结果,确定出第三代价函数的代价值;
根据所述第三代价函数的代价值对所述简易火灾诱因分析模型的模型参量进行优化,得到所述完成训练的简易火灾诱因分析模型。
9.根据权利要求2所述的方法,其特征在于,所述采用已标记实例对多个常规火灾诱因分析模型进行训练,得到多个完成训练的常规火灾诱因分析模型之前,还包括:
采用大规模火灾数据集对所述多个常规火灾诱因分析模型进行先导训练,得到多个完成先导训练的常规火灾诱因分析模型;
其中,在先导训练过程中,所述常规火灾诱因分析模型用于处理以下事项:火灾原因预测任务、下一事件预测任务、标签类别预测;所述已标记实例用于对所述多个完成先导训练的常规火灾诱因分析模型进行训练,得到所述多个完成训练的常规火灾诱因分析模型。
10.一种服务器系统,其特征在于,包括服务器,所述服务器用于执行权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148580.2A CN117688485B (zh) | 2024-02-02 | 2024-02-02 | 一种基于深度学习的火灾诱因分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148580.2A CN117688485B (zh) | 2024-02-02 | 2024-02-02 | 一种基于深度学习的火灾诱因分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117688485A true CN117688485A (zh) | 2024-03-12 |
CN117688485B CN117688485B (zh) | 2024-04-30 |
Family
ID=90132361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410148580.2A Active CN117688485B (zh) | 2024-02-02 | 2024-02-02 | 一种基于深度学习的火灾诱因分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117688485B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109920191A (zh) * | 2019-01-16 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 火灾报警方法、装置、计算机设备和存储介质 |
CN110569288A (zh) * | 2019-09-11 | 2019-12-13 | 中兴通讯股份有限公司 | 一种数据分析方法、装置、设备和存储介质 |
CN110648055A (zh) * | 2019-09-04 | 2020-01-03 | 广西电网有限责任公司南宁供电局 | 基于卷积神经网络的电力事故事件与诱因关系构建方法 |
CN111339375A (zh) * | 2020-03-19 | 2020-06-26 | 中国海洋石油集团有限公司 | 一种通用的大数据模型配置和分析方法 |
CN111506599A (zh) * | 2020-04-20 | 2020-08-07 | 广州大学 | 基于规则匹配和深度学习的工控设备识别方法及系统 |
CN115221964A (zh) * | 2022-07-21 | 2022-10-21 | 武汉峰锐智能科技有限公司 | 一种基于深度学习的火灾报警开集分类方法 |
KR102521726B1 (ko) * | 2022-06-30 | 2023-04-17 | 주식회사 아이미츠 | 화재 확산 방향을 예측할 수 있는 인공지능 기반의 화재 감지 시스템 및 그 화재 확산 방향 예측 방법 |
CN116884159A (zh) * | 2023-06-26 | 2023-10-13 | 江苏土星智慧科技有限公司 | 一种基于ai识别的消防智能预警方法及系统 |
CN116994405A (zh) * | 2023-09-26 | 2023-11-03 | 广州蓝图地理信息技术有限公司 | 一种智能灾变预警方法及系统 |
CN117131132A (zh) * | 2023-08-25 | 2023-11-28 | 浪潮软件集团有限公司 | 一种基于模式识别算法的高效数据分析与处理方法 |
CN117218787A (zh) * | 2023-09-14 | 2023-12-12 | 中国联合网络通信集团有限公司 | 火灾告警方法、装置、电子设备及存储介质 |
CN117437470A (zh) * | 2023-10-26 | 2024-01-23 | 蚌埠依爱消防电子有限责任公司 | 一种基于人工智能的火灾危险等级评估方法及系统 |
-
2024
- 2024-02-02 CN CN202410148580.2A patent/CN117688485B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109920191A (zh) * | 2019-01-16 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 火灾报警方法、装置、计算机设备和存储介质 |
CN110648055A (zh) * | 2019-09-04 | 2020-01-03 | 广西电网有限责任公司南宁供电局 | 基于卷积神经网络的电力事故事件与诱因关系构建方法 |
CN110569288A (zh) * | 2019-09-11 | 2019-12-13 | 中兴通讯股份有限公司 | 一种数据分析方法、装置、设备和存储介质 |
CN111339375A (zh) * | 2020-03-19 | 2020-06-26 | 中国海洋石油集团有限公司 | 一种通用的大数据模型配置和分析方法 |
CN111506599A (zh) * | 2020-04-20 | 2020-08-07 | 广州大学 | 基于规则匹配和深度学习的工控设备识别方法及系统 |
KR102521726B1 (ko) * | 2022-06-30 | 2023-04-17 | 주식회사 아이미츠 | 화재 확산 방향을 예측할 수 있는 인공지능 기반의 화재 감지 시스템 및 그 화재 확산 방향 예측 방법 |
CN115221964A (zh) * | 2022-07-21 | 2022-10-21 | 武汉峰锐智能科技有限公司 | 一种基于深度学习的火灾报警开集分类方法 |
CN116884159A (zh) * | 2023-06-26 | 2023-10-13 | 江苏土星智慧科技有限公司 | 一种基于ai识别的消防智能预警方法及系统 |
CN117131132A (zh) * | 2023-08-25 | 2023-11-28 | 浪潮软件集团有限公司 | 一种基于模式识别算法的高效数据分析与处理方法 |
CN117218787A (zh) * | 2023-09-14 | 2023-12-12 | 中国联合网络通信集团有限公司 | 火灾告警方法、装置、电子设备及存储介质 |
CN116994405A (zh) * | 2023-09-26 | 2023-11-03 | 广州蓝图地理信息技术有限公司 | 一种智能灾变预警方法及系统 |
CN117437470A (zh) * | 2023-10-26 | 2024-01-23 | 蚌埠依爱消防电子有限责任公司 | 一种基于人工智能的火灾危险等级评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
秦霜霜 等: "基于案例推理的火灾事故相似度及应对措施研究", 安全与环境工程, no. 05, 30 September 2018 (2018-09-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN117688485B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507016A (zh) | 一种消息推送方法和系统 | |
WO2017220140A1 (en) | Life insurance system with fully automated underwriting process for real-time underwriting and risk adjustment, and corresponding method thereof | |
CN106095942A (zh) | 强变量提取方法及装置 | |
CN111199361A (zh) | 基于模糊推理理论的电力信息系统健康评估方法及系统 | |
CN113626241B (zh) | 应用程序的异常处理方法、装置、设备及存储介质 | |
CN112101692B (zh) | 移动互联网质差用户的识别方法及装置 | |
CN115048370B (zh) | 用于大数据清洗的人工智能处理方法及大数据清洗系统 | |
CN113297393A (zh) | 基于态势感知和大数据的情报生成方法及信息安全系统 | |
CN110858176A (zh) | 代码质量评估方法、装置、系统及存储介质 | |
CN113687972A (zh) | 业务系统异常数据的处理方法、装置、设备及存储介质 | |
CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
Skvortsova et al. | A hybrid intelligent system for risk assessment based on unstructured data | |
CN114328277A (zh) | 一种软件缺陷预测和质量分析方法、装置、设备及介质 | |
CN115423594A (zh) | 企业财务风险的评估方法、装置、设备及存储介质 | |
CN114625406A (zh) | 应用开发管控方法、计算机设备、存储介质 | |
CN110880117A (zh) | 虚假业务识别方法、装置、设备和存储介质 | |
CN116909534B (zh) | 算子流的生成方法、算子流的生成装置及存储介质 | |
CN117688485B (zh) | 一种基于深度学习的火灾诱因分析方法及系统 | |
CN117349771A (zh) | 错误标签数据识别方法、装置、电子设备及可读存储介质 | |
CN117435379A (zh) | 业务故障确定方法、业务故障确定模型的训练方法及装置 | |
CN114282875A (zh) | 流程审批确定性规则和语义自学习结合判定方法及装置 | |
CN116485185A (zh) | 基于比对数据的企业风险分析系统及方法 | |
CN114139643B (zh) | 一种基于机器视觉的单甘酯质量检测方法及系统 | |
CN113377640B (zh) | 解释业务场景下模型的方法、介质、装置和计算设备 | |
CN115619539A (zh) | 贷前风险评价方法以及装置 |
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 |