CN118152939A - 一种智能消防数据处理方法及装置 - Google Patents
一种智能消防数据处理方法及装置 Download PDFInfo
- Publication number
- CN118152939A CN118152939A CN202410139754.9A CN202410139754A CN118152939A CN 118152939 A CN118152939 A CN 118152939A CN 202410139754 A CN202410139754 A CN 202410139754A CN 118152939 A CN118152939 A CN 118152939A
- Authority
- CN
- China
- Prior art keywords
- data
- level
- fire
- target fire
- neural network
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 89
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims description 86
- 238000012549 training Methods 0.000 claims description 61
- 230000005540 biological transmission Effects 0.000 claims description 37
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000005507 spraying Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Fire-Extinguishing By Fire Departments, And Fire-Extinguishing Equipment And Control Thereof (AREA)
Abstract
本发明公开了一种智能消防数据处理方法及装置,该方法包括:获取待处理的目标消防数据以及相应的数据标识参数;将所述数据标识参数输入至预先训练好的神经网络模型,以得到输出的预测数据级别和预测数据类型;根据所述预测数据级别和预测数据类型,以及预设的类型‑规则对应关系,确定所述目标消防数据对应的数据处理规则和数据转发规则;根据所述数据处理规则和数据转发规则,执行对所述目标消防数据的数据处理操作和转发操作。可见,本发明能够实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种智能消防数据处理方法及装置。
背景技术
随着智慧城市概念的日渐普及和流行,越来越多的城市建筑开始注重智能消防方面的技术研发,同时也有越来越多的智能消防设备和技术被应用在消防工作中,从而产生了大量的消防数据需要进行处理和传输的。但现有技术中,对于消防数据的处理和传输,一般仅通过固定的数据规则进行处理和传输,没有充分考虑到数据量极大的并发处理场景中要如何提高处理的效率和智能化程度。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种智能消防数据处理方法及装置,能够实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
为了解决上述技术问题,本发明第一方面公开了一种智能消防数据处理方法,所述方法包括:
获取待处理的目标消防数据以及相应的数据标识参数;
将所述数据标识参数输入至预先训练好的神经网络模型,以得到输出的预测数据级别和预测数据类型;
根据所述预测数据级别和预测数据类型,以及预设的类型-规则对应关系,确定所述目标消防数据对应的数据处理规则和数据转发规则;
根据所述数据处理规则和数据转发规则,执行对所述目标消防数据的数据处理操作和转发操作。
作为一种可选的实施方式,在本发明第一方面中,所述数据标识参数包括来源设备标识、数据接口标识、数据内容标识、传输中间节点标识中的至少一种;和/或,所述预测数据类型包括消防出警数据、消防人员数据、消防视频数据、消防温湿度数据、消防生物监测数据、消防设备运行数据、消防电气数据中的至少一种;所述消防设备运行数据包括出水设备或喷雾设备的工作范围数据、运行功率数据、设备位置数据、工作状态数据中的至少一种。
作为一种可选的实施方式,在本发明第一方面中,所述目标消防数据的数量为多个;所述神经网络模型包括级别预测神经网络和类型预测神经网络;所述将所述数据标识参数输入至预先训练好的神经网络模型,以得到输出的预测数据级别和预测数据类型,包括:
将每一所述目标消防数据的所述数据标识参数输入至预先训练好的级别预测神经网络中,以得到输出的每一所述目标消防数据的预测数据级别;所述级别预测神经网络通过包括有多个训练数据标识参数和对应的级别标注的第一训练数据集训练得到;
根据所述预测数据级别,确定所有所述目标消防数据对应的数据序列;
按照所述数据序列中的次序,依次将所述目标消防数据对应的所述数据标识参数输入至预先训练好的类型预测神经网络,以得到输出的每一所述目标消防数据的预测数据类型;所述类型预测神经网络通过包括有多个训练数据标识参数和对应的类型标注的第二训练数据集训练得到。
作为一种可选的实施方式,在本发明第一方面中,所述级别预测神经网络包括第一级别预测神经网络和第二级别预测神经网络;所述将每一所述目标消防数据的所述数据标识参数输入至预先训练好的级别预测神经网络中,以得到输出的每一所述目标消防数据的预测数据级别,包括:
对于任意两个所述目标消防数据,根据所述数据标识参数,计算该两个所述目标消防数据之间的数据关联参数;
将该两个所述目标消防数据之间的数据关联参数输入至预先训练好的第一级别预测神经网络中,以得到输出的每一所述目标消防数据的第一预测数据级别;所述第一级别预测神经网络通过包括有多个训练数据关联参数和对应的关联性级别标注的第三训练数据集训练得到;
将每一所述目标消防数据的所述数据标识参数中的来源设备标识或传输中间节点标识输入至预先训练好的第二级别预测神经网络中,以得到输出的每一所述目标消防数据的第二预测数据级别;所述第二级别预测神经网络通过包括有多个训练来源设备标识或训练传输中间节点标识和对应的重要性级别标注的第四训练数据集训练得到。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述预测数据级别,确定所有所述目标消防数据对应的数据序列,包括:
对于每一所述目标消防数据,确定该目标消防数据对应的所有所述第一预测数据级别;
计算该目标消防数据对应的所有所述第一预测数据级别的平均值,得到该目标消防数据对应的平均关联级别;
对于每一所述目标消防数据,计算该目标消防数据对应的所述平均关联级别和所述第二预测数据级别的加权求和值,以得到级别表征值;所述平均关联级别和所述第二预测数据级别的权重之和为1;所述第二预测数据级别的权重大于所述平均关联级别的权重;
根据所述级别表征值从大到小,对所有所述目标消防数据进行排序,以得到数据序列。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述数据标识参数,计算该两个所述目标消防数据之间的数据关联参数,包括:
获取该两个所述目标消防数据的所述数据标识参数中的来源设备标识、数据接口标识和传输中间节点标识;
计算该两个所述目标消防数据的来源设备标识对应的来源设备的设备位置之间的位置距离;
计算该两个所述目标消防数据的数据接口标识之间的标识相似度;
计算该两个所述目标消防数据的传输中间节点标识对应的传输节点链之间的节点相似度;所述节点相似度为该两个所述目标消防数据的传输节点链之间的相同节点数量占总节点数量的比例;
计算该两个所述目标消防数据的所述位置距离、所述标识相似度和所述节点相似度的加权求和平均值,得到该两个目标消防数据之间的数据关联参数;所述位置距离、所述节点相似度和所述标识相似度的权重之和为1;所述位置距离、所述节点相似度和所述标识相似度的权重依次增大。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述数据处理规则和数据转发规则,执行对所述目标消防数据的数据处理操作和转发操作,包括:
确定执行设备的历史操作执行记录;
根据所述历史操作执行记录,确定所述执行设备对应的最优操作同时执行数量;
按照所述数据序列中的次序,依次根据所述数据处理规则和数据转发规则,同时执行所述最优操作同时执行数量对应的所述目标消防数据的数据处理操作和转发操作。
作为一种可选的实施方式,在本发明第一方面中,所述历史操作执行记录中包括所述执行设备在历史时间段的多个操作执行记录和对应的操作同时执行数量;所述根据所述历史操作执行记录,确定所述执行设备对应的最优操作同时执行数量,包括:
根据所述历史操作执行记录,统计所述执行设备对应的多个不同操作同时执行数量对应的操作执行失败率;
根据所述操作执行失败率从大到小,对所有所述操作同时执行数量进行排序,得到数量序列;
对于每一所述操作同时执行数量,计算该操作同时执行数量和其在所述数量序列中的位次的乘积,并将所述乘积最大的所述操作同时执行数量确定为所述执行设备对应的最优操作同时执行数量。
本发明第二方面公开了一种智能消防数据处理装置,所述装置包括:
获取模块,用于获取待处理的目标消防数据以及相应的数据标识参数;
预测模块,用于将所述数据标识参数输入至预先训练好的神经网络模型,以得到输出的预测数据类型;
确定模块,用于根据预测数据类型,以及预设的类型-规则对应关系,确定所述目标消防数据对应的数据处理规则和数据转发规则;
执行模块,用于根据所述数据处理规则和数据转发规则,执行对所述目标消防数据的数据处理操作和转发操作。
作为一种可选的实施方式,在本发明第二方面中,所述数据标识参数包括来源设备标识、数据接口标识、数据内容标识、传输中间节点标识中的至少一种;和/或,所述预测数据类型包括消防出警数据、消防人员数据、消防视频数据、消防温湿度数据、消防生物监测数据、消防设备运行数据、消防电气数据中的至少一种;所述消防设备运行数据包括出水设备或喷雾设备的工作范围数据、运行功率数据、设备位置数据、工作状态数据中的至少一种。
作为一种可选的实施方式,在本发明第二方面中,所述目标消防数据的数量为多个;所述神经网络模型包括级别预测神经网络和类型预测神经网络;所述预测模块将所述数据标识参数输入至预先训练好的神经网络模型,以得到输出的预测数据级别和预测数据类型的具体方式,包括:
将每一所述目标消防数据的所述数据标识参数输入至预先训练好的级别预测神经网络中,以得到输出的每一所述目标消防数据的预测数据级别;所述级别预测神经网络通过包括有多个训练数据标识参数和对应的级别标注的第一训练数据集训练得到;
根据所述预测数据级别,确定所有所述目标消防数据对应的数据序列;
按照所述数据序列中的次序,依次将所述目标消防数据对应的所述数据标识参数输入至预先训练好的类型预测神经网络,以得到输出的每一所述目标消防数据的预测数据类型;所述类型预测神经网络通过包括有多个训练数据标识参数和对应的类型标注的第二训练数据集训练得到。
作为一种可选的实施方式,在本发明第二方面中,所述级别预测神经网络包括第一级别预测神经网络和第二级别预测神经网络;所述预测模块将每一所述目标消防数据的所述数据标识参数输入至预先训练好的级别预测神经网络中,以得到输出的每一所述目标消防数据的预测数据级别的具体方式,包括:
对于任意两个所述目标消防数据,根据所述数据标识参数,计算该两个所述目标消防数据之间的数据关联参数;
将该两个所述目标消防数据之间的数据关联参数输入至预先训练好的第一级别预测神经网络中,以得到输出的每一所述目标消防数据的第一预测数据级别;所述第一级别预测神经网络通过包括有多个训练数据关联参数和对应的关联性级别标注的第三训练数据集训练得到;
将每一所述目标消防数据的所述数据标识参数中的来源设备标识或传输中间节点标识输入至预先训练好的第二级别预测神经网络中,以得到输出的每一所述目标消防数据的第二预测数据级别;所述第二级别预测神经网络通过包括有多个训练来源设备标识或训练传输中间节点标识和对应的重要性级别标注的第四训练数据集训练得到。
作为一种可选的实施方式,在本发明第二方面中,所述预测模块根据所述预测数据级别,确定所有所述目标消防数据对应的数据序列的具体方式,包括:
对于每一所述目标消防数据,确定该目标消防数据对应的所有所述第一预测数据级别;
计算该目标消防数据对应的所有所述第一预测数据级别的平均值,得到该目标消防数据对应的平均关联级别;
对于每一所述目标消防数据,计算该目标消防数据对应的所述平均关联级别和所述第二预测数据级别的加权求和值,以得到级别表征值;所述平均关联级别和所述第二预测数据级别的权重之和为1;所述第二预测数据级别的权重大于所述平均关联级别的权重;
根据所述级别表征值从大到小,对所有所述目标消防数据进行排序,以得到数据序列。
作为一种可选的实施方式,在本发明第二方面中,所述预测模块根据所述数据标识参数,计算该两个所述目标消防数据之间的数据关联参数的具体方式,包括:
获取该两个所述目标消防数据的所述数据标识参数中的来源设备标识、数据接口标识和传输中间节点标识;
计算该两个所述目标消防数据的来源设备标识对应的来源设备的设备位置之间的位置距离;
计算该两个所述目标消防数据的数据接口标识之间的标识相似度;
计算该两个所述目标消防数据的传输中间节点标识对应的传输节点链之间的节点相似度;所述节点相似度为该两个所述目标消防数据的传输节点链之间的相同节点数量占总节点数量的比例;
计算该两个所述目标消防数据的所述位置距离、所述标识相似度和所述节点相似度的加权求和平均值,得到该两个目标消防数据之间的数据关联参数;所述位置距离、所述节点相似度和所述标识相似度的权重之和为1;所述位置距离、所述节点相似度和所述标识相似度的权重依次增大。
作为一种可选的实施方式,在本发明第二方面中,所述执行模块根据所述数据处理规则和数据转发规则,执行对所述目标消防数据的数据处理操作和转发操作的具体方式,包括:
确定执行设备的历史操作执行记录;
根据所述历史操作执行记录,确定所述执行设备对应的最优操作同时执行数量;
按照所述数据序列中的次序,依次根据所述数据处理规则和数据转发规则,同时执行所述最优操作同时执行数量对应的所述目标消防数据的数据处理操作和转发操作。
作为一种可选的实施方式,在本发明第二方面中,所述历史操作执行记录中包括所述执行设备在历史时间段的多个操作执行记录和对应的操作同时执行数量;所述执行模块根据所述历史操作执行记录,确定所述执行设备对应的最优操作同时执行数量的具体方式,包括:
根据所述历史操作执行记录,统计所述执行设备对应的多个不同操作同时执行数量对应的操作执行失败率;
根据所述操作执行失败率从大到小,对所有所述操作同时执行数量进行排序,得到数量序列;
对于每一所述操作同时执行数量,计算该操作同时执行数量和其在所述数量序列中的位次的乘积,并将所述乘积最大的所述操作同时执行数量确定为所述执行设备对应的最优操作同时执行数量。
本发明第三方面公开了另一种智能消防数据处理装置,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智能消防数据处理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:
本发明可以充分利用消防数据的标识和神经网络算法来识别数据的优先级和类型,并确定出相应的处理规则和转发规则,从而能够实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
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是本发明实施例公开的一种智能消防数据处理方法的流程示意图;
图2是本发明实施例公开的一种智能消防数据处理装置的结构示意图;
图3是本发明实施例公开的另一种智能消防数据处理装置的结构示意图。
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。
本发明公开了一种智能消防数据处理方法及装置,可以充分利用消防数据的标识和神经网络算法来识别数据的优先级和类型,并确定出相应的处理规则和转发规则,从而能够实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。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智能消防数据处理方法的流程示意图。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,该智能消防数据处理方法可以包括以下操作:
101、获取待处理的目标消防数据以及相应的数据标识参数。
可选的,数据标识参数可以包括来源设备标识、数据接口标识、数据内容标识、传输中间节点标识中的至少一种。其中,数据接口标识用于指示获取该目标消防数据的数据接口类型或编号等信息,数据内容标识用于指示该目标消防数据的数据内容。
102、将数据标识参数输入至预先训练好的神经网络模型,以得到输出的预测数据级别和预测数据类型。
可选的,预测数据类型包括消防出警数据、消防人员数据、消防视频数据、消防温湿度数据、消防生物监测数据、消防设备运行数据、消防电气数据中的至少一种。可选的,消防设备运行数据包括出水设备或喷雾设备的工作范围数据、运行功率数据、设备位置数据、工作状态数据中的至少一种。
103、根据预测数据级别和预测数据类型,以及预设的类型-规则对应关系,确定目标消防数据对应的数据处理规则和数据转发规则。
可选的,数据处理规则可以包括有至少一个数据处理操作对应的处理公式或关系模型。可选的,数据转发规则可以包括有至少一个数据转发目标终端信息。
104、根据数据处理规则和数据转发规则,执行对目标消防数据的数据处理操作和转发操作。
可见,实施本发明实施例所描述的方法可以充分利用消防数据的标识和神经网络算法来识别数据的优先级和类型,并确定出相应的处理规则和转发规则,从而能够实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
作为一种可选的实施例,目标消防数据的数量可以为多个,可选的,神经网络模型包括级别预测神经网络和类型预测神经网络,相应的,上述步骤中的,将数据标识参数输入至预先训练好的神经网络模型,以得到输出的预测数据级别和预测数据类型,包括:
将每一目标消防数据的数据标识参数输入至预先训练好的级别预测神经网络中,以得到输出的每一目标消防数据的预测数据级别;级别预测神经网络通过包括有多个训练数据标识参数和对应的级别标注的第一训练数据集训练得到;
根据预测数据级别,确定所有目标消防数据对应的数据序列;
按照数据序列中的次序,依次将目标消防数据对应的数据标识参数输入至预先训练好的类型预测神经网络,以得到输出的每一目标消防数据的预测数据类型;类型预测神经网络通过包括有多个训练数据标识参数和对应的类型标注的第二训练数据集训练得到。
可选的,本发明中所述的神经网络的类型和具体模型结构,可以根据需要处理的数据类型来选择,在一个具体的实施方案中,选择传统的CNN结构或RNN结构的神经网络均能达到理想的效果,而采用随机森林算法和多个不同类型的模型来提高预测精度也是可行的。
可见,实施该可选的实施例可以根据级别预测神经网络和类型预测神经网络得到输出的预测数据级别和预测数据类型,从而能够在后续实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
作为一种可选的实施例,级别预测神经网络包括第一级别预测神经网络和第二级别预测神经网络;上述步骤中的,将每一目标消防数据的数据标识参数输入至预先训练好的级别预测神经网络中,以得到输出的每一目标消防数据的预测数据级别,包括:
对于任意两个目标消防数据,根据数据标识参数,计算该两个目标消防数据之间的数据关联参数;
将该两个目标消防数据之间的数据关联参数输入至预先训练好的第一级别预测神经网络中,以得到输出的每一目标消防数据的第一预测数据级别;第一级别预测神经网络通过包括有多个训练数据关联参数和对应的关联性级别标注的第三训练数据集训练得到;
将每一目标消防数据的数据标识参数中的来源设备标识或传输中间节点标识输入至预先训练好的第二级别预测神经网络中,以得到输出的每一目标消防数据的第二预测数据级别;第二级别预测神经网络通过包括有多个训练来源设备标识或训练传输中间节点标识和对应的重要性级别标注的第四训练数据集训练得到。
可见,实施该可选的实施例可以根据第一级别预测神经网络和第二级别预测神经网络得到更准确的与关联性和重要性相关的预测数据级别,从而能够在后续实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
作为一种可选的实施例,上述步骤中的,根据预测数据级别,确定所有目标消防数据对应的数据序列,包括:
对于每一目标消防数据,确定该目标消防数据对应的所有第一预测数据级别;
计算该目标消防数据对应的所有第一预测数据级别的平均值,得到该目标消防数据对应的平均关联级别;
对于每一目标消防数据,计算该目标消防数据对应的平均关联级别和第二预测数据级别的加权求和值,以得到级别表征值;平均关联级别和第二预测数据级别的权重之和为1;第二预测数据级别的权重大于平均关联级别的权重;
根据级别表征值从大到小,对所有目标消防数据进行排序,以得到数据序列。
可见,实施该可选的实施例可以根据平均关联级别和第二预测数据级别的加权求和值得到更准确的同时与关联性和重要性相关的预测数据级别,从而能够在后续实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
作为一种可选的实施例,上述步骤中的,根据数据标识参数,计算该两个目标消防数据之间的数据关联参数,包括:
获取该两个目标消防数据的数据标识参数中的来源设备标识、数据接口标识和传输中间节点标识;
计算该两个目标消防数据的来源设备标识对应的来源设备的设备位置之间的位置距离;
计算该两个目标消防数据的数据接口标识之间的标识相似度;
计算该两个目标消防数据的传输中间节点标识对应的传输节点链之间的节点相似度;节点相似度为该两个目标消防数据的传输节点链之间的相同节点数量占总节点数量的比例;
计算该两个目标消防数据的位置距离、标识相似度和节点相似度的加权求和平均值,得到该两个目标消防数据之间的数据关联参数;位置距离、节点相似度和标识相似度的权重之和为1;位置距离、节点相似度和标识相似度的权重依次增大。
可见,实施该可选的实施例可以根据位置距离、标识相似度和节点相似度的加权求和平均值,得到更准确的与设备位置和标识和节点相关的数据关联参数,从而能够在后续实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
作为一种可选的实施例,上述步骤中的,根据数据处理规则和数据转发规则,执行对目标消防数据的数据处理操作和转发操作,包括:
确定执行设备的历史操作执行记录;
根据历史操作执行记录,确定执行设备对应的最优操作同时执行数量;
按照数据序列中的次序,依次根据数据处理规则和数据转发规则,同时执行最优操作同时执行数量对应的目标消防数据的数据处理操作和转发操作。
可见,实施该可选的实施例可以根据数据序列中的次序和最优操作同时执行数量来执行目标消防数据的数据处理操作和转发操作,从而能够实现对多类型大数量的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
作为一种可选的实施例,历史操作执行记录中包括执行设备在历史时间段的多个操作执行记录和对应的操作同时执行数量;上述步骤中的,根据历史操作执行记录,确定执行设备对应的最优操作同时执行数量,包括:
根据历史操作执行记录,统计执行设备对应的多个不同操作同时执行数量对应的操作执行失败率;
根据操作执行失败率从大到小,对所有操作同时执行数量进行排序,得到数量序列;
对于每一操作同时执行数量,计算该操作同时执行数量和其在数量序列中的位次的乘积,并将乘积最大的操作同时执行数量确定为执行设备对应的最优操作同时执行数量。
可见,实施该可选的实施例可以根据历史操作执行记录,统计执行设备对应的多个不同操作同时执行数量对应的操作执行失败率,以确定出更合理的最优操作同时执行数量,从而能够在后续实现对多类型大数量的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
实施例二
请参阅图2,图2是本发明实施例公开的一种智能消防数据处理装置的结构示意图。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:
获取模块201,用于获取待处理的目标消防数据以及相应的数据标识参数。
可选的,数据标识参数可以包括来源设备标识、数据接口标识、数据内容标识、传输中间节点标识中的至少一种。其中,数据接口标识用于指示获取该目标消防数据的数据接口类型或编号等信息,数据内容标识用于指示该目标消防数据的数据内容。
预测模块202,用于将数据标识参数输入至预先训练好的神经网络模型,以得到输出的预测数据级别和预测数据类型。
可选的,预测数据类型包括消防出警数据、消防人员数据、消防视频数据、消防温湿度数据、消防生物监测数据、消防设备运行数据、消防电气数据中的至少一种。可选的,消防设备运行数据包括出水设备或喷雾设备的工作范围数据、运行功率数据、设备位置数据、工作状态数据中的至少一种。
确定模块203,用于根据预测数据级别和预测数据类型,以及预设的类型-规则对应关系,确定目标消防数据对应的数据处理规则和数据转发规则。
可选的,数据处理规则可以包括有至少一个数据处理操作对应的处理公式或关系模型。可选的,数据转发规则可以包括有至少一个数据转发目标终端信息。
执行模块204,用于根据数据处理规则和数据转发规则,执行对目标消防数据的数据处理操作和转发操作。
可见,实施本发明实施例所描述的装置可以充分利用消防数据的标识和神经网络算法来识别数据的优先级和类型,并确定出相应的处理规则和转发规则,从而能够实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
作为一种可选的实施例,目标消防数据的数量可以为多个,可选的,神经网络模型包括级别预测神经网络和类型预测神经网络,相应的,预测模块202将数据标识参数输入至预先训练好的神经网络模型,以得到输出的预测数据级别和预测数据类型的具体方式,包括:
将每一目标消防数据的数据标识参数输入至预先训练好的级别预测神经网络中,以得到输出的每一目标消防数据的预测数据级别;级别预测神经网络通过包括有多个训练数据标识参数和对应的级别标注的第一训练数据集训练得到;
根据预测数据级别,确定所有目标消防数据对应的数据序列;
按照数据序列中的次序,依次将目标消防数据对应的数据标识参数输入至预先训练好的类型预测神经网络,以得到输出的每一目标消防数据的预测数据类型;类型预测神经网络通过包括有多个训练数据标识参数和对应的类型标注的第二训练数据集训练得到。
可选的,本发明中所述的神经网络的类型和具体模型结构,可以根据需要处理的数据类型来选择,在一个具体的实施方案中,选择传统的CNN结构或RNN结构的神经网络均能达到理想的效果,而采用随机森林算法和多个不同类型的模型来提高预测精度也是可行的。
可见,实施该可选的实施例可以根据级别预测神经网络和类型预测神经网络得到输出的预测数据级别和预测数据类型,从而能够在后续实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
作为一种可选的实施例,级别预测神经网络包括第一级别预测神经网络和第二级别预测神经网络;预测模块202将每一目标消防数据的数据标识参数输入至预先训练好的级别预测神经网络中,以得到输出的每一目标消防数据的预测数据级别的具体方式,包括:
对于任意两个目标消防数据,根据数据标识参数,计算该两个目标消防数据之间的数据关联参数;
将该两个目标消防数据之间的数据关联参数输入至预先训练好的第一级别预测神经网络中,以得到输出的每一目标消防数据的第一预测数据级别;第一级别预测神经网络通过包括有多个训练数据关联参数和对应的关联性级别标注的第三训练数据集训练得到;
将每一目标消防数据的数据标识参数中的来源设备标识或传输中间节点标识输入至预先训练好的第二级别预测神经网络中,以得到输出的每一目标消防数据的第二预测数据级别;第二级别预测神经网络通过包括有多个训练来源设备标识或训练传输中间节点标识和对应的重要性级别标注的第四训练数据集训练得到。
可见,实施该可选的实施例可以根据第一级别预测神经网络和第二级别预测神经网络得到更准确的与关联性和重要性相关的预测数据级别,从而能够在后续实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
作为一种可选的实施例,预测模块202根据预测数据级别,确定所有目标消防数据对应的数据序列的具体方式,包括:
对于每一目标消防数据,确定该目标消防数据对应的所有第一预测数据级别;
计算该目标消防数据对应的所有第一预测数据级别的平均值,得到该目标消防数据对应的平均关联级别;
对于每一目标消防数据,计算该目标消防数据对应的平均关联级别和第二预测数据级别的加权求和值,以得到级别表征值;平均关联级别和第二预测数据级别的权重之和为1;第二预测数据级别的权重大于平均关联级别的权重;
根据级别表征值从大到小,对所有目标消防数据进行排序,以得到数据序列。
可见,实施该可选的实施例可以根据平均关联级别和第二预测数据级别的加权求和值得到更准确的同时与关联性和重要性相关的预测数据级别,从而能够在后续实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
作为一种可选的实施例,预测模块202根据数据标识参数,计算该两个目标消防数据之间的数据关联参数的具体方式,包括:
获取该两个目标消防数据的数据标识参数中的来源设备标识、数据接口标识和传输中间节点标识;
计算该两个目标消防数据的来源设备标识对应的来源设备的设备位置之间的位置距离;
计算该两个目标消防数据的数据接口标识之间的标识相似度;
计算该两个目标消防数据的传输中间节点标识对应的传输节点链之间的节点相似度;节点相似度为该两个目标消防数据的传输节点链之间的相同节点数量占总节点数量的比例;
计算该两个目标消防数据的位置距离、标识相似度和节点相似度的加权求和平均值,得到该两个目标消防数据之间的数据关联参数;位置距离、节点相似度和标识相似度的权重之和为1;位置距离、节点相似度和标识相似度的权重依次增大。
可见,实施该可选的实施例可以根据位置距离、标识相似度和节点相似度的加权求和平均值,得到更准确的与设备位置和标识和节点相关的数据关联参数,从而能够在后续实现对多类型的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
作为一种可选的实施例,执行模块204根据数据处理规则和数据转发规则,执行对目标消防数据的数据处理操作和转发操作的具体方式,包括:
确定执行设备的历史操作执行记录;
根据历史操作执行记录,确定执行设备对应的最优操作同时执行数量;
按照数据序列中的次序,依次根据数据处理规则和数据转发规则,同时执行最优操作同时执行数量对应的目标消防数据的数据处理操作和转发操作。
可见,实施该可选的实施例可以根据数据序列中的次序和最优操作同时执行数量来执行目标消防数据的数据处理操作和转发操作,从而能够实现对多类型大数量的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
作为一种可选的实施例,历史操作执行记录中包括执行设备在历史时间段的多个操作执行记录和对应的操作同时执行数量;执行模块204根据历史操作执行记录,确定执行设备对应的最优操作同时执行数量的具体方式,包括:
根据历史操作执行记录,统计执行设备对应的多个不同操作同时执行数量对应的操作执行失败率;
根据操作执行失败率从大到小,对所有操作同时执行数量进行排序,得到数量序列;
对于每一操作同时执行数量,计算该操作同时执行数量和其在数量序列中的位次的乘积,并将乘积最大的操作同时执行数量确定为执行设备对应的最优操作同时执行数量。
可见,实施该可选的实施例可以根据历史操作执行记录,统计执行设备对应的多个不同操作同时执行数量对应的操作执行失败率,以确定出更合理的最优操作同时执行数量,从而能够在后续实现对多类型大数量的消防数据的更加合理和高效的数据处理和转发,提高消防的智能化程度。
实施例三
请参阅图3,图3是本发明实施例公开的另一种智能消防数据处理装置的结构示意图。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智能消防数据处理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智能消防数据处理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(Random Access 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智能消防数据处理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。
Claims (10)
1.一种智能消防数据处理方法,其特征在于,所述方法包括:
获取待处理的目标消防数据以及相应的数据标识参数;
将所述数据标识参数输入至预先训练好的神经网络模型,以得到输出的预测数据级别和预测数据类型;
根据所述预测数据级别和预测数据类型,以及预设的类型-规则对应关系,确定所述目标消防数据对应的数据处理规则和数据转发规则;
根据所述数据处理规则和数据转发规则,执行对所述目标消防数据的数据处理操作和转发操作。
2.根据权利要求1所述的智能消防数据处理方法,其特征在于,所述数据标识参数包括来源设备标识、数据接口标识、数据内容标识、传输中间节点标识中的至少一种;和/或,所述预测数据类型包括消防出警数据、消防人员数据、消防视频数据、消防温湿度数据、消防生物监测数据、消防设备运行数据、消防电气数据中的至少一种;所述消防设备运行数据包括出水设备或喷雾设备的工作范围数据、运行功率数据、设备位置数据、工作状态数据中的至少一种。
3.根据权利要求1所述的智能消防数据处理方法,其特征在于,所述目标消防数据的数量为多个;所述神经网络模型包括级别预测神经网络和类型预测神经网络;所述将所述数据标识参数输入至预先训练好的神经网络模型,以得到输出的预测数据级别和预测数据类型,包括:
将每一所述目标消防数据的所述数据标识参数输入至预先训练好的级别预测神经网络中,以得到输出的每一所述目标消防数据的预测数据级别;所述级别预测神经网络通过包括有多个训练数据标识参数和对应的级别标注的第一训练数据集训练得到;
根据所述预测数据级别,确定所有所述目标消防数据对应的数据序列;
按照所述数据序列中的次序,依次将所述目标消防数据对应的所述数据标识参数输入至预先训练好的类型预测神经网络,以得到输出的每一所述目标消防数据的预测数据类型;所述类型预测神经网络通过包括有多个训练数据标识参数和对应的类型标注的第二训练数据集训练得到。
4.根据权利要求3所述的智能消防数据处理方法,其特征在于,所述级别预测神经网络包括第一级别预测神经网络和第二级别预测神经网络;所述将每一所述目标消防数据的所述数据标识参数输入至预先训练好的级别预测神经网络中,以得到输出的每一所述目标消防数据的预测数据级别,包括:
对于任意两个所述目标消防数据,根据所述数据标识参数,计算该两个所述目标消防数据之间的数据关联参数;
将该两个所述目标消防数据之间的数据关联参数输入至预先训练好的第一级别预测神经网络中,以得到输出的每一所述目标消防数据的第一预测数据级别;所述第一级别预测神经网络通过包括有多个训练数据关联参数和对应的关联性级别标注的第三训练数据集训练得到;
将每一所述目标消防数据的所述数据标识参数中的来源设备标识或传输中间节点标识输入至预先训练好的第二级别预测神经网络中,以得到输出的每一所述目标消防数据的第二预测数据级别;所述第二级别预测神经网络通过包括有多个训练来源设备标识或训练传输中间节点标识和对应的重要性级别标注的第四训练数据集训练得到。
5.根据权利要求4所述的智能消防数据处理方法,其特征在于,所述根据所述预测数据级别,确定所有所述目标消防数据对应的数据序列,包括:
对于每一所述目标消防数据,确定该目标消防数据对应的所有所述第一预测数据级别;
计算该目标消防数据对应的所有所述第一预测数据级别的平均值,得到该目标消防数据对应的平均关联级别;
对于每一所述目标消防数据,计算该目标消防数据对应的所述平均关联级别和所述第二预测数据级别的加权求和值,以得到级别表征值;所述平均关联级别和所述第二预测数据级别的权重之和为1;所述第二预测数据级别的权重大于所述平均关联级别的权重;
根据所述级别表征值从大到小,对所有所述目标消防数据进行排序,以得到数据序列。
6.根据权利要求5所述的智能消防数据处理方法,其特征在于,所述根据所述数据标识参数,计算该两个所述目标消防数据之间的数据关联参数,包括:
获取该两个所述目标消防数据的所述数据标识参数中的来源设备标识、数据接口标识和传输中间节点标识;
计算该两个所述目标消防数据的来源设备标识对应的来源设备的设备位置之间的位置距离;
计算该两个所述目标消防数据的数据接口标识之间的标识相似度;
计算该两个所述目标消防数据的传输中间节点标识对应的传输节点链之间的节点相似度;所述节点相似度为该两个所述目标消防数据的传输节点链之间的相同节点数量占总节点数量的比例;
计算该两个所述目标消防数据的所述位置距离、所述标识相似度和所述节点相似度的加权求和平均值,得到该两个目标消防数据之间的数据关联参数;所述位置距离、所述节点相似度和所述标识相似度的权重之和为1;所述位置距离、所述节点相似度和所述标识相似度的权重依次增大。
7.根据权利要求3所述的智能消防数据处理方法,其特征在于,所述根据所述数据处理规则和数据转发规则,执行对所述目标消防数据的数据处理操作和转发操作,包括:
确定执行设备的历史操作执行记录;
根据所述历史操作执行记录,确定所述执行设备对应的最优操作同时执行数量;
按照所述数据序列中的次序,依次根据所述数据处理规则和数据转发规则,同时执行所述最优操作同时执行数量对应的所述目标消防数据的数据处理操作和转发操作。
8.根据权利要求7所述的智能消防数据处理方法,其特征在于,所述历史操作执行记录中包括所述执行设备在历史时间段的多个操作执行记录和对应的操作同时执行数量;所述根据所述历史操作执行记录,确定所述执行设备对应的最优操作同时执行数量,包括:
根据所述历史操作执行记录,统计所述执行设备对应的多个不同操作同时执行数量对应的操作执行失败率;
根据所述操作执行失败率从大到小,对所有所述操作同时执行数量进行排序,得到数量序列;
对于每一所述操作同时执行数量,计算该操作同时执行数量和其在所述数量序列中的位次的乘积,并将所述乘积最大的所述操作同时执行数量确定为所述执行设备对应的最优操作同时执行数量。
9.一种智能消防数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取待处理的目标消防数据以及相应的数据标识参数;
预测模块,用于将所述数据标识参数输入至预先训练好的神经网络模型,以得到输出的预测数据类型;
确定模块,用于根据预测数据类型,以及预设的类型-规则对应关系,确定所述目标消防数据对应的数据处理规则和数据转发规则;
执行模块,用于根据所述数据处理规则和数据转发规则,执行对所述目标消防数据的数据处理操作和转发操作。
10.一种智能消防数据处理装置,其特征在于,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,执行如权利要求1-8任一项所述的智能消防数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410139754.9A CN118152939A (zh) | 2024-01-31 | 2024-01-31 | 一种智能消防数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410139754.9A CN118152939A (zh) | 2024-01-31 | 2024-01-31 | 一种智能消防数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118152939A true CN118152939A (zh) | 2024-06-07 |
Family
ID=91287688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410139754.9A Pending CN118152939A (zh) | 2024-01-31 | 2024-01-31 | 一种智能消防数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118152939A (zh) |
-
2024
- 2024-01-31 CN CN202410139754.9A patent/CN118152939A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111984503A (zh) | 一种监控指标数据异常数据识别的方法及装置 | |
CN116304250B (zh) | 一种基于可视化操作的智能规则引擎管理方法及系统 | |
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 | |
CN109873790A (zh) | 网络安全检测方法、装置以及计算机可读存储介质 | |
CN117154844A (zh) | 储能系统的能源供应控制方法及装置 | |
CN111260496B (zh) | 一种畜禽舍环境实时监测方法及系统 | |
CN117235873B (zh) | 基于历史工作记录的智慧家居布局方法及系统 | |
CN114722585B (zh) | 一种用于方案推演分析的数据处理方法及装置 | |
CN117092956B (zh) | 基于物联网的气体流量计阀控联动控制方法、系统、设备 | |
CN117077854B (zh) | 基于传感器网络的楼宇能耗监控方法及系统 | |
CN114154915A (zh) | 一种用于电力设备风险管控的数据处理方法及装置 | |
CN118152939A (zh) | 一种智能消防数据处理方法及装置 | |
CN116245492B (zh) | 一种用于跟踪工程进度的数据处理方法及装置 | |
CN107480703A (zh) | 交易故障检测方法及装置 | |
CN116760726A (zh) | 一种基于编解码算法的供应商作弊检测方法 | |
CN108681745A (zh) | 异常信息的识别方法和装置、存储介质、电子装置 | |
CN113408676A (zh) | 一种结合云端与边端的窃电用户识别方法及装置 | |
CN116934041B (zh) | 一种基于物联网协同的工厂任务管理方法及系统 | |
CN111565118A (zh) | 基于多观测维度hmm的虚拟化网元故障分析方法及系统 | |
CN116112203B (zh) | 基于风险模型的网络通信风险预测方法及装置 | |
CN116758111B (zh) | 基于ai算法的施工现场目标物追踪方法及装置 | |
CN117632905A (zh) | 基于云端使用记录的数据库管理方法及系统 | |
CN116701000B (zh) | 一种基于ai和云边协同的资源整合方法及装置 | |
CN115206042B (zh) | 工控安全的智能化监测方法、装置、设备及介质 | |
CN115271734A (zh) | 充值异常检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |