CN118095841A - 一种火灾发生概率预估方法及系统 - Google Patents
一种火灾发生概率预估方法及系统 Download PDFInfo
- Publication number
- CN118095841A CN118095841A CN202410179612.5A CN202410179612A CN118095841A CN 118095841 A CN118095841 A CN 118095841A CN 202410179612 A CN202410179612 A CN 202410179612A CN 118095841 A CN118095841 A CN 118095841A
- Authority
- CN
- China
- Prior art keywords
- fire
- fire accident
- detection data
- historical
- items
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 206010000369 Accident Diseases 0.000 claims abstract description 187
- 238000001514 detection method Methods 0.000 claims abstract description 90
- 238000012502 risk assessment Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 12
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 6
- 230000002265 prevention Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种火灾发生概率预估方法及系统，该方法包括：步骤1：获取历史火灾事故检测数据和待检测数据；步骤2：对历史火灾事故检测数据进行预处理；步骤3：构建火灾风险评估模型，对火灾风险评估模型进行训练；步骤4：对火灾风险评估模型进行训练包括计算训练数据中所有火灾风险项的权重；步骤5：基于预处理后的历史火灾检测数据中所有火灾事故风险项的权重获取所有火灾事故风险项的评分，基于所有火灾事故风险项的评分获取火灾事故风险总评分；步骤6：基于火灾事故风险总评分获取火灾风险评估结果，本发明对并对所有火灾风险项进行了权重计算，精确的得到每个火灾风险项的隐患情况。
Description
技术领域
本发明属于火灾预警技术领域，更具体地说，是涉及一种火灾发生概率预估方法及系统。
背景技术
在现代生产与社会生活中，火灾是最主要的灾害之一。随着人们生活水平的不断提高，城市楼宇增加，人口密度增大，同时各种电器、电线网络交错复杂，火灾隐患日益严峻。因此，提前探测火灾发生前的环境征兆，并做出正确的反应对策，显得尤为重要。
而现有技术中大量使用了人工评估技术，虽然对评估指标进行了细化，但是评估结果主观性过强，且归一法构建的模型并不能有效应对火灾风险的后验概率问题。
发明内容
本发明的目的在于提供一种火灾发生概率预估方法及系统，旨在解决现有技术中火灾风险评估后验概率低、评估精度低的技术问题。
为实现上述目的，本发明采用的技术方案是：提供一种火灾发生概率预估方法，包括：
步骤1：获取历史火灾事故检测数据；
步骤2：对历史火灾事故检测数据进行预处理，得到预处理后的历史火灾事故检测数据，并将预处理后的历史火灾检测数据作为训练数据；
步骤3：基于贝叶斯定理得到所述训练数据中所有事故风险项的权重；
步骤4：基于所述预处理后的历史火灾检测数据中所有火灾事故风险项的权重获取所有火灾事故风险项的评分，基于所有火灾事故风险项的评分获取火灾事故风险总评分；
步骤5：基于火灾事故风险总评分获取火灾风险评估结果。
优选地，步骤2包括：
步骤2.1：对所述历史火灾事故检测数据进行缺失值填充，得到缺失值填充后的历史火灾事故检测数据；
步骤2.2：对所述缺失值填充后的历史火灾事故检测数据进行重复值去除，得到预处理后的历史火灾事故检测数据。
优选地，步骤2.1包括：
步骤2.1.1：基于历史火灾事故检测数据获取出现缺失值的时间段和该时间段相邻时间段的数据；
步骤2.1.2：基于线性插值法，取出现缺失值的时间段相邻时间段的数据的均值，获取缺失值的填充值；
步骤2.1.3：基于缺失值的填充值获取缺失值填充后的历史火灾事故检测数据；
历史火灾事故检测数据进行缺失值填充的公式为：
其中，i为历史火灾事故检测数据记录的时间段，xi为缺失值的填充值，xi-1为i-1时间段的历史火灾事故检测数据，xi+1为i+1时间段的历史火灾事故检测数据，I为缺失值的个数。
优选地，步骤2.2包括：
步骤2.2.1：基于缺失值填充后的历史火灾事故检测数据获取各个时间段历史火灾事故检测数据的均值；
步骤2.2.2：基于各个时间段历史火灾事故检测数据的均值获取样本标准偏差；
步骤2.2.3：若预设时间段内的历史火灾事故检测数据大于样本标准偏差，则为异常值，若小于样本标准偏差，则为正常值；
步骤2.2.4：基于异常值修正公式对异常值进行修正，获取异常值修正后的历史火灾事故检测数据；
优选地，步骤2.2.4包括：
异常值修正公式为：
其中，为异常值修正后的历史火灾事故检测数据，/>为时间段m的历史火灾事故检测数据的均值，σm为样本标准偏差，/>为异常值。
优选地，步骤4包括：
步骤4.1：对训练数据中的所有消防事故风险项进行层级划分，得到层级划分后的消防事故风险项；
步骤4.2：基于所有火灾事故风险项的权重对层级划分后的消防事故风险项进行评分，得到所有火灾事故风险项的评分；基于所有火灾事故风险项的评分获取火灾事故风险总评分。
优选地，步骤4.1包括：
步骤4.1.1：按照训练数据中的火灾事故风险项的权重值大小对消防事故风险项进行层级划分；
步骤4.1.2：将权重值属于第一预设阈值的火灾事故风险项划分为单元层级；
步骤4.1.3：将权重值属于第二预设阈值的火灾事故风险项划分为单项层级；
步骤4.1.4：将权重值属于第三预设阈值的火灾事故风险项划分为子项层级。
优选地，步骤4.2包括：
步骤4.2.1：基于子项层级评分公式计算子项层级的评分；
步骤4.2.2：基于单项层级评分公式计算单项层级的评分；
步骤4.2.3：基于单元层级评分公式计算单元层级的评分；
步骤4.2.4：对子项层级、单项层级、单元层级的评分进行加权，得到火灾事故总评分；
子项层级评分公式为：
其中，XB为子项层级火灾事故风险项中B类项的数量，YC为子项层级火灾事故风险项C类项的数量，YB1为相应子项层级B类项中火灾事故风险项B1的权重，YB2为相应子项层级B类项中火灾事故风险项B2的权重，YC1为相应子项层级C类项中火灾事故风险项C1的权重，YC2为相应子项层级C类项中火灾事故风险项C2的权重，Z为子项层级评分；
单项层级评分公式为：
其中，D为单项层级评分，n为单项层级的数量，Zi为第i个子项层级的评分；
单元层级评分公式为：
其中，Y为单元层级的评分，Dj为第j个单项层级的评分，wj为第j个单项层中火灾事故风险项的权重，m为单元层级的数量；
火灾事故总评分计算公式为：
其中，T为火灾事故总评分，为各个单元层级对应的权重，YK为各个单元层级的评分。
优选地，步骤5包括：
计算火灾风险评估结果和火灾风险真实值之间的平均绝对误差、平均相对误差、平均绝对百分数误差、均方根误差和绝对系数，若平均绝对误差、平均相对误差、平均绝对百分数误差、均方根误差和绝对系数的数值在预设范围内，则输出客流量预测结果；
平均绝对误差的计算公式为：
平均相对误差的计算公式为：
平均绝对百分数误差的计算公式为：
均方根误差的计算公式为：
绝对系数的计算公式为：
其中，xi为火灾风险评估结果，yi为火灾风险真实值，MAE为平均绝对误差，MRE为平均相对误差，MAPE为平均绝对百分数误差，RMSE为均方根误差，R2为绝对系数，n为常数。
一种基于大数据的火灾风险评估系统，包括：
数据获取模块，用于获取历史火灾事故检测数据和待检测数据；
数据预处理模块，用于对历史火灾事故检测数据进行预处理；
火灾风险评估模型模块，用于构建火灾风险评估模型，并对火灾风险评估模型进行训练；
权重计算模块，用于获取训练数据中所有火灾风险项的权重；
火灾事故风险评分模块，用于获取所有火灾事故风险项的评分和火灾事故风险总评分
输出模块，用于获取火灾风险评估结果。
本发明提供的一种火灾发生概率预估方法与系统的有益效果在于：与现有技术相比，本发明提高了火灾风险的后验概率问题，并对所有火灾风险项进行了权重计算，精确的得到每个火灾风险项的隐患情况，并将所有火灾事故风险项的评分进行可视化操作，使各个火灾风险项的隐患更为直观可见。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明实施例提供的一种火灾发生概率预估方法的结构框架图；
图2为本发明实施例提供的一种基于大数据的火灾风险评估系统的客流量预测模型的流程图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，现对本发明提供的一种火灾发生概率预估方法进行说明。
一种火灾发生概率预估方法，包括以下步骤：
步骤1：获取历史火灾事故检测数据；
步骤2：对历史火灾事故检测数据进行预处理，得到预处理后的历史火灾事故检测数据，并将预处理后的历史火灾检测数据作为训练数据；
进一步地，步骤2包括：
步骤2.1：对历史火灾事故检测数据进行缺失值填充，得到缺失值填充后的历史火灾事故检测数据；
进一步地，步骤2.1包括：
步骤2.1.1：基于历史火灾事故检测数据获取出现缺失值的时间段和该时间段相邻时间段的数据；
步骤2.1.2：基于线性插值法，取出现缺失值的时间段相邻时间段的数据的均值，获取缺失值的填充值；
步骤2.1.3：基于缺失值的填充值获取缺失值填充后的历史火灾事故检测数据；
历史火灾事故检测数据进行缺失值填充的公式为：
其中，i为历史火灾事故检测数据记录的时间段，xi为缺失值的填充值，xi-1为i-1时间段的历史火灾事故检测数据，xi+1为i+1时间段的历史火灾事故检测数据，I为缺失值的个数。
步骤2.2：对缺失值填充后的历史火灾事故检测数据进行重复值去除，得到预处理后的历史火灾事故检测数据。
进一步地，步骤2.2包括：
步骤2.2.1：基于缺失值填充后的历史火灾事故检测数据获取各个时间段历史火灾事故检测数据的均值；
步骤2.2.2：基于各个时间段历史火灾事故检测数据的均值获取样本标准偏差；
步骤2.2.3：若预设时间段内的历史火灾事故检测数据大于样本标准偏差，则为异常值，若小于样本标准偏差，则为正常值；
步骤2.2.4：基于异常值修正公式对异常值进行修正，获取异常值修正后的历史火灾事故检测数据；
优选地，步骤2.2.4包括：
异常值修正公式为：
其中，为异常值修正后的历史火灾事故检测数据，/>为时间段m的历史火灾事故检测数据的均值，σm为样本标准偏差，/>为异常值。
步骤3：基于贝叶斯定理得到所述训练数据中所有事故风险项的权重；
步骤4：基于预处理后的历史火灾检测数据中所有火灾事故风险项的权重获取所有火灾事故风险项的评分，基于所有火灾事故风险项的评分获取火灾事故风险总评分；
进一步地，步骤4包括：
步骤4.1：对训练数据中的所有消防事故风险项进行层级划分，得到层级划分后的消防事故风险项；
进一步地，步骤4.1包括：
步骤4.1.1：按照训练数据中的火灾事故风险项的权重值大小对消防事故风险项进行层级划分；
步骤4.1.2：将权重值属于第一预设阈值的火灾事故风险项划分为单元层级；
步骤4.1.3：将权重值属于第二预设阈值的火灾事故风险项划分为单项层级；
步骤4.1.4：将权重值属于第三预设阈值的火灾事故风险项划分为子项层级。
单元层级是指与社会单位火灾防控能力判定直接相关的项，一般包括建筑防火单元、消防设施单元、消防管理与应急处理单元，单项是由若干性质或功能相近的子项组成，如总平面布局、火灾自动报警系统、日常消防管理等，相关单项用于评估某一单元的实际状况，子项则是与单项功能、性质或内容相关，用于评估该单项的完好或者完善程度的项，如防火间距、火灾探测器、消防控制室管理等；最后子项评估结果由检查要素决定。
本发明中各个层级的权重评分如表1所示：
表1
在面对数据量庞大的计算问题时，人力计算费事费力且容易出现错误，所以本文基于软件Genie3.0使用火灾风险评估模型进行计算。
Genie3.0中共有B、E、A、M、J五个节点，代表每个单元层次的权重，将待检测数据输入到训练后的火灾风险评估模型中，得到各个子项的权重和整体评分，将得分高于85的归为一级火灾防控能力，说明相应地区的火灾发生的可能性较小或火灾发生后能够及时发现和控制，造成的伤害较小，得到在60-85之间的归为二级火灾防控能力，说明相应单位存在一定的火灾发生的可能性或者火灾发生后会造成一定的危害，得分低于60的，说明相应地区的火灾发生的可能性较大或者火灾发生后会造成较大的危害，同时可查看每个子项层级的评分，对评分低的子项视为火灾事故隐患项并对其进行整改。
步骤4.2：基于所有火灾事故风险项的权重对层级划分后的消防事故风险项进行评分，得到所有火灾事故风险项的评分；基于所有火灾事故风险项的评分获取火灾事故风险总评分。
进一步地，步骤4.2包括：
步骤4.2.1：基于子项层级评分公式计算子项层级的评分；
步骤4.2.2：基于单项层级评分公式计算单项层级的评分；
步骤4.2.3：基于单元层级评分公式计算单元层级的评分；
步骤4.2.4：对子项层级、单项层级、单元层级的评分进行加权，得到火灾事故总评分；
子项层级评分公式为：
其中，XB为子项层级火灾事故风险项中B类项的数量，YC为子项层级火灾事故风险项C类项的数量，YB1为相应子项层级B类项中火灾事故风险项B1的权重，YB2为相应子项层级B类项中火灾事故风险项B2的权重，YC1为相应子项层级C类项中火灾事故风险项C1的权重，YC2为相应子项层级C类项中火灾事故风险项C2的权重，Z为子项层级评分；
单项层级评分公式为：
其中，D为单项层级评分，n为单项层级的数量，Zi为第i个子项层级的评分；
单元层级评分公式为：
其中，Y为单元层级的评分，Dj为第j个单项层级的评分，wj为第j个单项层中火灾事故风险项的权重，m为单元层级的数量；
火灾事故总评分计算公式为：
其中，T为火灾事故总评分，为各个单元层级对应的权重，YK为各个单元层级的评分。
步骤5：基于火灾事故风险总评分获取火灾风险评估结果；
进一步地，步骤5包括：
计算火灾风险评估结果和火灾风险真实值之间的平均绝对误差、平均相对误差、平均绝对百分数误差、均方根误差和绝对系数，若平均绝对误差、平均相对误差、平均绝对百分数误差、均方根误差和绝对系数的数值在预设范围内，则输出客流量预测结果；
平均绝对误差的计算公式为：
平均相对误差的计算公式为：
平均绝对百分数误差的计算公式为：
均方根误差的计算公式为：
绝对系数的计算公式为：
其中，xi为火灾风险评估结果，yi为火灾风险真实值，MAE为平均绝对误差，MRE为平均相对误差，MAPE为平均绝对百分数误差，RMSE为均方根误差，R2为绝对系数，n为常数。
本发明提高了火灾风险的后验概率问题，并对所有火灾风险项进行了权重计算，精确的得到每个火灾风险项的隐患情况，并将所有火灾事故风险项的评分进行可视化操作，使各个火灾风险项的隐患更为直观。
以上是本申请提供火灾风险评估方法的介绍，为便于更好的实施本申请提供的火灾风险评估方法，本申请还从功能模块角度提供了一种基于大数据的火灾风险评估系统。
根据图2所示，一种基于大数据的火灾风险评估系统，包括：
数据获取模块，用于获取历史火灾事故检测数据和待检测数据；
数据预处理模块，用于对历史火灾事故检测数据进行预处理；
权重计算模块，用于获取训练数据中所有火灾风险项的权重；
火灾事故风险评分模块，用于获取所有火灾事故风险项的评分和火灾事故风险总评分
输出模块，用于获取火灾风险评估结果。
与现有技术相比，本发明提供的一种基于大数据的火灾风险评估系统的有益效果与上述技术方案所述的一种火灾发生概率预估方法的有益效果相同，在此不做赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种火灾发生概率预估方法，其特征在于，包括：
步骤1：获取历史火灾事故检测数据；
步骤2：对历史火灾事故检测数据进行预处理，得到预处理后的历史火灾事故检测数据，并将预处理后的历史火灾检测数据作为训练数据；
步骤3：基于贝叶斯定理得到所述训练数据中所有事故风险项的权重；
步骤4：基于所述预处理后的历史火灾检测数据中所有火灾事故风险项的权重获取所有火灾事故风险项的评分，基于所有火灾事故风险项的评分获取火灾事故风险总评分；
步骤5：基于火灾事故风险总评分获取火灾风险评估结果。
2.根据权利要求1所述的一种火灾发生概率预估方法，其特征在于，所述步骤2包括：
步骤2.1：对所述历史火灾事故检测数据进行缺失值填充，得到缺失值填充后的历史火灾事故检测数据；
步骤2.2：对所述缺失值填充后的历史火灾事故检测数据进行重复值去除，得到预处理后的历史火灾事故检测数据。
3.根据权利要求2所述的一种火灾发生概率预估方法，其特征在于，所述步骤2.1：对所述历史火灾事故检测数据进行缺失值填充，得到缺失值填充后的历史火灾事故检测数据，包括：
步骤2.1.1：基于所述历史火灾事故检测数据获取出现缺失值的时间段和该时间段相邻时间段的数据；
步骤2.1.2：基于线性插值法，取出现缺失值的时间段相邻时间段的数据的均值，获取缺失值的填充值；
步骤2.1.3：基于缺失值的填充值获取缺失值填充后的历史火灾事故检测数据；
历史火灾事故检测数据进行缺失值填充的公式为：
其中，i为历史火灾事故检测数据记录的时间段，xi为缺失值的填充值，xi-1为i-1时间段的历史火灾事故检测数据，xi+1为i+1时间段的历史火灾事故检测数据，I为缺失值的个数。
4.根据权利要求3所述的一种火灾发生概率预估方法，其特征在于，所述步骤2.2：对所述缺失值填充后的历史火灾事故检测数据进行重复值去除，得到预处理后的历史火灾事故检测数据，包括：
步骤2.2.1：基于缺失值填充后的历史火灾事故检测数据获取各个时间段历史火灾事故检测数据的均值；
步骤2.2.2：基于各个时间段历史火灾事故检测数据的均值获取样本标准偏差；
步骤2.2.3：若预设时间段内的历史火灾事故检测数据大于样本标准偏差，则为异常值，若小于样本标准偏差，则为正常值；
步骤2.2.4：基于异常值修正公式对异常值进行修正，获取预处理后的历史火灾事故检测数据。
5.根据权利要求4所述的一种火灾发生概率预估方法，其特征在于，所述步骤2.2.4：基于异常值修正公式对异常值进行修正，获取预处理后的历史火灾事故检测数据，包括：
异常值修正公式为：
其中，为异常值修正后的历史火灾事故检测数据，/>为时间段m的历史火灾事故检测数据的均值，σm为样本标准偏差，rn m为异常值。
6.根据权利要求5所述的一种火灾发生概率预估方法，其特征在于，所述步骤4基于所述预处理后的历史火灾检测数据中所有火灾事故风险项的权重获取所有火灾事故风险项的评分，基于所有火灾事故风险项的评分获取火灾事故风险总评分，包括：
步骤4.1：对训练数据中的所有消防事故风险项进行层级划分，得到层级划分后的消防事故风险项；
步骤4.2：基于所述所有火灾事故风险项的权重对所述层级划分后的消防事故风险项进行评分，得到所有火灾事故风险项的评分；基于所有火灾事故风险项的评分获取火灾事故风险总评分。
7.根据权利要求6所述的一种火灾发生概率预估方法，其特征在于，所述步骤4.1包括：
步骤4.1.1：按照所述训练数据中的火灾事故风险项的权重值大小对消防事故风险项进行层级划分；
步骤4.1.2：将权重值属于第一预设阈值的火灾事故风险项划分为单元层级；
步骤4.1.3：将权重值属于第二预设阈值的火灾事故风险项划分为单项层级；
步骤4.1.4：将权重值属于第三预设阈值的火灾事故风险项划分为子项层级。
8.根据权利要求7所述的一种火灾发生概率预估方法，其特征在于，所述步骤4.2包括：
步骤4.2.1：基于子项层级评分公式计算子项层级的评分；
步骤4.2.2：基于单项层级评分公式计算单项层级的评分；
步骤4.2.3：基于单元层级评分公式计算单元层级的评分；
步骤4.2.4：对子项层级、单项层级、单元层级的评分进行加权，得到火灾事故总评分；
子项层级评分公式为：
其中，XB为子项层级火灾事故风险项中B类项的数量，YC为子项层级火灾事故风险项C类项的数量，YB1为相应子项层级B类项中火灾事故风险项B1的权重，YB2为相应子项层级B类项中火灾事故风险项B2的权重，YC1为相应子项层级C类项中火灾事故风险项C1的权重，YC2为相应子项层级C类项中火灾事故风险项C2的权重，Z为子项层级评分；
单项层级评分公式为：
其中，D为单项层级评分，n为单项层级的数量，Zi为第i个子项层级的评分；
单元层级评分公式为：
其中，Y为单元层级的评分，Dj为第j个单项层级的评分，wj为第j个单项层中火灾事故风险项的权重，m为单元层级的数量；
火灾事故总评分计算公式为：
其中，T为火灾事故总评分，为各个单元层级对应的权重，YK为各个单元层级的评分。
9.根据权利要求8所述的一种火灾发生概率预估方法，其特征在于，所述步骤5包括：
计算火灾风险评估结果和火灾风险真实值之间的平均绝对误差、平均相对误差、平均绝对百分数误差、均方根误差和绝对系数，若平均绝对误差、平均相对误差、平均绝对百分数误差、均方根误差和绝对系数的数值在预设范围内，则输出客流量预测结果；
平均绝对误差的计算公式为：
平均相对误差的计算公式为：
平均绝对百分数误差的计算公式为：
均方根误差的计算公式为：
绝对系数的计算公式为：
其中，xi为火灾风险评估结果，yi为火灾风险真实值，MAE为平均绝对误差，MRE为平均相对误差，MAPE为平均绝对百分数误差，RMSE为均方根误差，R2为绝对系数，n为常数。
10.一种基于大数据的火灾风险评估系统，其特征在于，包括：
数据获取模块，用于获取所述历史火灾事故检测数据和待检测数据；
数据预处理模块，用于对所述历史火灾事故检测数据进行预处理；
权重计算模块，用于获取所述训练数据中所有火灾风险项的权重；
火灾事故风险评分模块，用于获取所有火灾事故风险项的评分和火灾事故风险总评分；
输出模块，用于获取火灾风险评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410179612.5A CN118095841A (zh) | 2024-02-18 | 2024-02-18 | 一种火灾发生概率预估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410179612.5A CN118095841A (zh) | 2024-02-18 | 2024-02-18 | 一种火灾发生概率预估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118095841A true CN118095841A (zh) | 2024-05-28 |
Family
ID=91144744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410179612.5A Pending CN118095841A (zh) | 2024-02-18 | 2024-02-18 | 一种火灾发生概率预估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118095841A (zh) |
-
2024
- 2024-02-18 CN CN202410179612.5A patent/CN118095841A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111415492B (zh) | 一种基于模糊综合评价算法的边坡滑坡预警方法及系统 | |
| CN115936448B (zh) | 一种基于大数据的城市配电网电力评估系统及方法 | |
| CN105868629B (zh) | 一种适用于电力信息物理系统的安全威胁态势评估方法 | |
| CN107911396A (zh) | 登录异常检测方法和系统 | |
| CN110132218B (zh) | 基于边坡稳定性监测的多等级预警测定方法 | |
| CN112966856A (zh) | 一种山洪风险预测方法及预测系统 | |
| CN105912857B (zh) | 一种配电设备状态监测传感器的选配方法 | |
| KR20200008621A (ko) | 인공지능기법을 이용한 전기설비 안전도 평가 시스템 | |
| CN102013148A (zh) | 多信息融合火灾探测方法 | |
| CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
| CN115063020A (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
| CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
| CN117114406A (zh) | 一种基于设备数据汇聚的应急事件智慧预警方法及系统 | |
| CN117557409B (zh) | 基于物联网的智慧建筑火灾风险可视化评估管理系统 | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN118095841A (zh) | 一种火灾发生概率预估方法及系统 | |
| CN117150808A (zh) | 一种强对流天气下输电线路韧性评估方法、系统及设备 | |
| CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
| CN113408816B (zh) | 一种基于深度神经网络的电网灾情评估方法 | |
| CN115906663A (zh) | 房屋安全评估模型建立方法、评估方法、服务器及系统 | |
| CN107346301B (zh) | 基于双时间窗口验证的水质监测噪音数据实时检测方法 | |
| CN113298426B (zh) | 知识图谱驱动的大坝安全评判权重动态拟定方法及系统 | |
| CN111221479B (zh) | 一种判断存储容量变化量异常的方法、系统及存储介质 | |
| CN108614547B (zh) | 一种基于削减因子的工业控制协议安全评估方法 | |
| CN112214909A (zh) | 一种电扶梯健康管理及故障诊断的方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |