CN118278049B - 一种城市安全监测预警方法及系统 - Google Patents
一种城市安全监测预警方法及系统 Download PDFInfo
- Publication number
- CN118278049B CN118278049B CN202410695321.1A CN202410695321A CN118278049B CN 118278049 B CN118278049 B CN 118278049B CN 202410695321 A CN202410695321 A CN 202410695321A CN 118278049 B CN118278049 B CN 118278049B
- Authority
- CN
- China
- Prior art keywords
- early warning
- safety monitoring
- sub
- model
- monitoring
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 277
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 119
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 64
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 230000002776 aggregation Effects 0.000 claims abstract description 12
- 238000004220 aggregation Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 18
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010000372 Accident at work Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本申请提供了一种城市安全监测预警方法及系统，涉及城市安全监测技术领域，该方法包括：获取目标城市的预警终端分布信息；划分多个子区域；确定每个子区域中的预警终端簇头；以预警终端簇头作为中心聚合服务器，基于联邦学习对所属的预警终端的监测数据进行模型训练，输出多个子区域对应的多个安全监测预警模型；直至多个安全监测预警模型收敛，下载收敛的多个安全监测预警模型，利用随机梯度对收敛的多个安全监测预警模型进行迭代优化，输出全局安全监测预警模型；根据全局安全监测预警模型对目标城市进行安全监测预警。通过本申请可以解决现有技术中由于城市安全监测预警的精确度和效率较低，达到提高城市安全监测效果的技术效果。
Description
技术领域
本申请涉及城市安全监测技术领域，尤其涉及一种城市安全监测预警方法及系统。
背景技术
随着经济和社会的迅速发展，城市规模不断扩大，城市各个领域的安全异常监测对城市安全具有重大作用。
目前，现有的城市安全监测往往需要集中收集和处理数据，可能导致敏感数据暴露于风险之中，如数据泄露或被非法访问，从而引发隐私和安全问题。同时，难以实现跨区域的数据共享。各个地区可能拥有各自独立的数据集，但由于隐私等的限制，各区域数据很难被整合，导致形成数据孤岛，限制了安全监测预警的效能。
综上所述，现有技术中存在由于数据泄露等安全问题，同时，对城市多个区域的数据联合效果较差，导致城市安全监测预警的精确度和效率较低，进一步影响城市安全的技术问题。
发明内容
本申请的目的是提供一种城市安全监测预警方法及系统，用以解决现有技术中存在由于数据泄露等安全问题，同时，对城市多个区域的数据联合效果较差，导致城市安全监测预警的精确度和效率较低，进一步影响城市安全的技术问题。
鉴于上述问题，本申请提供了一种城市安全监测预警方法及系统。
第一方面，本申请提供了一种城市安全监测预警方法，所述方法通过一种城市安全监测预警系统实现，其中，所述方法包括：获取目标城市的预警终端分布信息；根据所述预警终端分布信息划分多个子区域；通过对所述多个子区域中各个子区域进行分析，确定每个子区域中的预警终端簇头，其中，每个子区域中包括多个预警终端；以所述每个子区域的预警终端簇头作为中心聚合服务器，基于联邦学习在每个子区域内部对所属的预警终端的监测数据进行模型训练，输出所述多个子区域对应的多个安全监测预警模型；直至所述多个安全监测预警模型收敛，下载收敛的多个安全监测预警模型，利用随机梯度对收敛的多个安全监测预警模型进行迭代优化，输出全局安全监测预警模型；根据所述全局安全监测预警模型对所述目标城市进行安全监测预警。
第二方面，本申请还提供了一种城市安全监测预警系统，用于执行如第一方面所述的一种城市安全监测预警方法，其中，所述系统包括：预警终端分布信息获取模块，所述预警终端分布信息获取模块用于获取目标城市的预警终端分布信息；子区域划分模块，所述子区域划分模块用于根据所述预警终端分布信息划分多个子区域；预警终端簇头确定模块，所述预警终端簇头确定模块用于通过对所述多个子区域中各个子区域进行分析，确定每个子区域中的预警终端簇头，其中，每个子区域中包括多个预警终端；安全监测预警模型输出模块，所述安全监测预警模型输出模块用于以所述每个子区域的预警终端簇头作为中心聚合服务器，基于联邦学习在每个子区域内部对所属的预警终端的监测数据进行模型训练，输出所述多个子区域对应的多个安全监测预警模型；全局安全监测预警模型输出模块，所述全局安全监测预警模型输出模块用于直至所述多个安全监测预警模型收敛，下载收敛的多个安全监测预警模型，利用随机梯度对收敛的多个安全监测预警模型进行迭代优化，输出全局安全监测预警模型；安全监测预警模块，所述安全监测预警模块用于根据所述全局安全监测预警模型对所述目标城市进行安全监测预警。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过获取目标城市的预警终端分布信息；根据所述预警终端分布信息划分多个子区域；通过对所述多个子区域中各个子区域进行分析，确定每个子区域中的预警终端簇头，其中，每个子区域中包括多个预警终端；以所述每个子区域的预警终端簇头作为中心聚合服务器，基于联邦学习在每个子区域内部对所属的预警终端的监测数据进行模型训练，输出所述多个子区域对应的多个安全监测预警模型；直至所述多个安全监测预警模型收敛，下载收敛的多个安全监测预警模型，利用随机梯度对收敛的多个安全监测预警模型进行迭代优化，输出全局安全监测预警模型；根据所述全局安全监测预警模型对所述目标城市进行安全监测预警，也就是说，通过联邦学习的城市安全监测预警，不仅保护了数据隐私和安全，还促进了跨区域的数据协作，提升了模型的泛化能力和实时响应能力，最终实现了提高城市安全监测预警的精确度和效率的技术目标，达到了提高城市安全监测效果的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本申请一种城市安全监测预警方法的流程示意图。
图2为本申请一种城市安全监测预警系统的结构示意图。
附图标记说明：
预警终端分布信息获取模块11，子区域划分模块12，预警终端簇头确定模块13，安全监测预警模型输出模块14，全局安全监测预警模型输出模块15，安全监测预警模块16。
具体实施方式
本申请通过提供一种城市安全监测预警方法及系统，解决了现有技术中存在由于数据泄露等安全问题，同时，对城市多个区域的数据联合效果较差，导致城市安全监测预警的精确度和效率较低，进一步影响城市安全的技术问题。实现了提高城市安全监测预警的精确度和效率的技术目标，达到了提高城市安全监测效果的技术效果。
下面，将参考附图对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，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，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。
实施例一
请参阅附图1，本申请提供了一种城市安全监测预警方法，其中，所述方法应用于一种城市安全监测预警系统，所述方法具体包括如下步骤：
步骤一：获取目标城市的预警终端分布信息；
具体而言，目标城市为待进行安全监测预警的城市。获取目标城市的预警终端分布信息。其中，预警终端分布信息包括交通、社区、消防、建筑物和工业领域的监测预警分布的信息。例如，通过官方渠道、应急管理部门或新闻报道等途径获取目标城市的预警终端分布信息。
步骤二：根据所述预警终端分布信息划分多个子区域；
具体而言，对预警终端的分布信息进行分析，包括预警终端的数量、位置、覆盖范围等信息。利用地理信息系统等，将预警终端分布信息可视化，以便更直观地了解其在城市中的分布情况。根据预警终端的覆盖范围、密度以及城市地形、功能区划等因素，确定子区域划分的标准。其中，可以将具有相似风险特征或预警需求的区域划分为同一子区域。对划分后的子区域进行评估，检查是否存在预警盲区或重复覆盖的情况。根据评估结果对子区域划分进行调整和优化，确保预警系统能够全面、准确地覆盖整个目标城市，进而获得多个子区域。
步骤三：通过对所述多个子区域中各个子区域进行分析，确定每个子区域中的预警终端簇头，其中，每个子区域中包括多个预警终端；
具体而言，收集每个子区域内所有预警终端的配置信息。其中，每个子区域中包括多个预警终端。根据预警终端的配置信息，提取出对性能评估有重要影响的特征，选择每个子区域中影响最大的预警终端作为该子区域的簇头。
步骤四：以所述每个子区域的预警终端簇头作为中心聚合服务器，基于联邦学习在每个子区域内部对所属的预警终端的监测数据进行模型训练，输出所述多个子区域对应的多个安全监测预警模型；
具体而言，根据每个子区域的簇头，即预警终端簇头作为对应子区域的中心聚合服务器。其中，确保簇头具有足够的计算能力和存储资源，以支持作为中心聚合服务器的功能，包括模型训练、数据聚合和模型更新等。实时收集每个子区域中模型训练过程中的数据，并计算每个子区域的训练复杂度指标。根据训练复杂度指标对多个子区域进行联邦学习的训练过程进行补偿，即将不同训练复杂度指标的多个子区域中进行子区域的数据传输至另一子区域。其中，收集每个子区域多个预警终端的任务监测数据。以预警终端簇头为中心，聚合所有预警终端的任务监测数据。利用聚合后的任务监测数据，输入预警终端簇头进行模型训练。若预警终端簇头的损失值趋于稳定，则预警终端簇头收敛，而输出多个子区域对应的多个安全监测预警模型。
步骤五：直至所述多个安全监测预警模型收敛，下载收敛的多个安全监测预警模型，利用随机梯度对收敛的多个安全监测预警模型进行迭代优化，输出全局安全监测预警模型；
具体而言，监控每个子区域的安全监测预警模型的损失值。当损失函数值在连续多个迭代周期内不再显著下降，则认为模型已经收敛。若确认模型收敛，将收敛的每个子区域的安全监测预警模型进行下载。通过全局安全监测预警模型的表达式对安全监测预警模型进行迭代优化，输出全局安全监测预警模型。
步骤六：根据所述全局安全监测预警模型对所述目标城市进行安全监测预警。
具体而言，采集目标城市的实时监测数据，输入全局安全监测预警模型进行安全监测预警，获得安全监测预警结果。
所述一种城市安全监测预警方法应用于一种城市安全监测预警系统，可以实现提高城市安全监测预警的精确度和效率的技术目标，达到提高城市安全监测效果的技术效果。
进一步，通过对所述多个子区域中各个子区域进行分析，确定每个子区域中的预警终端簇头，本申请步骤三还包括：
获取每个子区域中各个预警终端的配置信息；
以所述各个预警终端的配置信息进行特征识别，输出资源样本存储率、数据处理可信度以及终端算力指标；
按照所述资源样本存储率、数据处理可信度以及终端算力指标对每个子区域中各个预警终端进行熵算子赋值，输出熵算子赋值结果；
根据所述熵算子赋值结果筛选每个子区域中熵算子最大的预警终端作为所属子区域的簇头。
具体而言，收集每个子区域内所有预警终端的配置信息。其中，包括预警终端的硬件配置和软件配置等。
然后，根据预警终端的配置信息，提取出对性能评估有重要影响的特征。其中，包括资源样本存储率、数据处理可信度以及终端算力指标。资源样本存储率用于反映终端存储能力，数据处理可信度用于反映终端数据处理准确性和稳定性，终端算力指标用于反映终端计算能力。通过每个预警终端的资源样本存储率、数据处理可信度和终端算力指标可以确保评估结果的准确性和可靠性。
接着，熵算子是用于衡量不确定性的计算方法，用于评估预警终端的综合性能。根据资源样本存储率、数据处理可信度和终端算力指标，定义熵算子。按照定义的熵算子，对每个子区域中的每个预警终端进行赋值计算。计算过程中，通过权重分配、归一化处理等步骤，确保不同指标之间的可比性。
接下来，根据熵算子赋值结果，选择每个子区域中熵算子最大的预警终端作为该子区域的簇头。簇头将负责协调和管理该子区域内的其他预警终端，实现数据的汇集、处理和传输等功能。
通过实现对每个子区域中预警终端的配置信息收集、特征识别、熵算子赋值以及簇头筛选的工作，为后续的分区安全监测预警提供有力支持。
进一步，获取目标城市的预警终端分布信息后，本申请步骤一还包括：
将所述目标城市进行划分，识别内环城市区域和外环城市区域；
其中，所述内环城市区域和所述外环城市区域的并集为所述目标城市；
建立所述内环城市区域的内-全局安全监测预警模型；
建立所述外环城市区域的外-全局安全监测预警模型；
基于所述内-全局安全监测预警模型和所述外-全局安全监测预警模型对所述目标城市进行分区安全监测预警。
具体而言，将目标城市进行划分，识别获得内环城市区域和外环城市区域。内环城市区域指城市中心地带，包括商业区、核心居住区以及重要公共设施等。其中，内环城市区域人口密度高，经济活动频繁，安全监测预警需求尤为突出。外环城市区域是城市外围的居住、工业或农业区域，人口密度相对较低，但也可能存在特定的安全风险，如工业事故、自然灾害等。例如，通过官方渠道等途径获得划分方法。进一步地，确保内环城市区域和外环城市区域的并集完全覆盖整个目标城市，避免监测盲区，即并集为目标城市。
然后，针对内环城市区域的特点，如人口密度、交通流量、建筑物密度等，收集历史数据和相关资料。分析内环区域常见的安全风险类型和发生规律，如火灾、交通事故、治安事件等。利用数据分析、机器学习等方法，建立内环城市区域的安全监测预警模型，实现对该区域安全风险的实时监测和预警。
接着，对于外环城市区域，通过获得工业布局、自然环境、人口分布等特点，收集对应的数据资料。分析外环区域可能面临的安全风险，如工业污染、自然灾害、农业事故等。根据外环区域的特点和风险类型，建立相应的安全监测预警模型，实现对该区域安全风险的及时监测和预警。
接下来，将建立好的内-全局安全监测预警模型和外-全局安全监测预警模型整合到城市的安全监测预警系统中。实时收集和处理各区域的安全监测数据，利用模型进行分析和预测。当监测到安全风险超过预设阈值时，发出预警信号，用于提醒相关部门和人员采取相应措施。
通过对目标城市进行区域划分，并建立针对性的安全监测预警模型，实现分区安全监测预警，提高城市的安全防范水平。
进一步，基于联邦学习在每个子区域内部对所属的预警终端的监测数据进行模型训练，本申请步骤四还包括：
实时监测每个子区域中模型训练进程数据集；
根据所述训练进程数据集对所述多个子区域进行训练复杂度识别，输出多个训练复杂度指标；
按照所述多个训练复杂度指标，生成区域联合补偿组，其中，每个区域联合补偿组为所述多个训练复杂度指标中训练复杂度指标最小的子区域和训练复杂度指标最大的子区域，联合形成的补偿组；
以所述区域联合补偿组对所述多个子区域进行联邦学习的训练过程进行补偿。
具体而言，利用预设的监控机制，实时收集每个子区域中模型训练过程中的进程数据集。例如，包含模型训练的关键指标，如训练时间、迭代次数、损失函数值、准确率等。其中，预设的监控机制由本领域技术人员可以根据实际情况进行自定义设置。
然后，从训练进程数据集中提取与训练复杂度相关的特征，如训练速度、收敛速度、资源利用率等。基于提取的特征，计算每个子区域的训练复杂度指标，用于反映子区域在模型训练过程中的难易程度。例如，训练速度越快，则训练复杂度指标越低，反之，则越高。
接着，根据训练复杂度指标对多个子区域进行排序，确定训练复杂度最小的子区域和训练复杂度最大的子区域。将训练复杂度最小的子区域与训练复杂度最大的子区域进行配对，形成区域联合补偿组，用于通过训练复杂度较小的子区域的来补偿训练复杂度较大的子区域。
接下来，根据区域联合补偿组，确定不同训练复杂度指标的多个子区域。对子区域之间建立数据传输通道。通过数据传输通道，将子区域中预警终端的相关数据传输至另一子区域，进而对多个子区域进行联邦学习的训练过程进行补偿。
通过对每个子区域模型训练进程的实时监测、训练复杂度识别以及基于区域联合补偿组的联邦学习训练过程补偿，有助于提升各子区域模型训练的效率和质量，为分区安全监测预警提供更加准确和可靠的支持。
进一步，本申请还包括如下步骤：
根据所述区域联合补偿组，建立数据传输通道；
所述数据传输通道用于将训练复杂度指标最大的子区域中对应的标识预警终端补偿至训练复杂度指标最小的子区域中；
其中，所述标识预警终端为训练复杂度指标最大的子区域中传输距离最小的预警终端。
具体而言，根据区域联合补偿组，确定训练复杂度指标最大的子区域和训练复杂度指标最小的子区域。分析训练复杂度指标最大的子区域和训练复杂度指标最小的子区域之间的网络拓扑结构，建立数据传输通道。其中，配置通道的相关参数，如传输速率、带宽、延时等，确保数据传输的高效性和实时性。
然后，训练复杂度指标最大的子区域中，根据预警终端的传输距离进行筛选，选择传输距离最小的预警终端作为标识预警终端，用于确保补偿的终端的数据传输更优，能够更有效地参与到联邦学习。通过数据传输通道，将标识预警终端的相关数据，如模型参数、训练数据等补偿至训练复杂度指标最小的子区域。在训练复杂度指标最小的子区域中，为接收到的标识预警终端配置相应的接入接口和协议，确保能够顺利接入到训练复杂度指标最小的子区域的模型训练。通过训练复杂度指标最小的子区域接收的标识预警终端的数据，进行模型参数的融合和更新，提升模型训练的效率和效果。
通过对训练复杂度指标最大的子区域中对应的标识预警终端的补偿，从而提升整体模型训练的效率和质量。同时，为分区安全监测预警提供了更加可靠和高效的技术支持。
进一步，基于联邦学习在每个子区域内部对所属的预警终端的监测数据进行模型训练，本申请模型训练过程包括：
获取每个子区域内部所有预警终端的任务监测数据；
在每个子区域的预警终端簇中对所有预警终端的监测数据进行聚合模型训练，当预警终端簇的预警损失小于预设损失，以使模型处于收敛状态，输出所述多个子区域对应的多个安全监测预警模型；
将所述多个安全监测预警模型当前的梯度下载至每个预警终端，对每个预警终端的本地模型进行优化；
其中，收敛的安全监测预警模型梯度为基于平衡监测数据的梯度，其中，所述平衡监测数据为用于训练的正常监测数据和非正常监测数据之间的比达到预设平衡比的数据。
具体而言，在每个子区域内，通过预警终端的网络接口或数据接口，实时或定期收集所有预警终端的任务监测数据。例如，包括传感器读数、事件日志、图像视频等。
然后，在每个子区域，以预警终端簇头为中心，聚合所有预警终端的任务监测数据。例如，通过数据加密传输、分布式存储等技术实现，确保数据的安全性和隐私性。利用聚合后的任务监测数据，输入预警终端簇头进行模型训练。其中，将聚合后的任务监测数据进行监测训练数据和监测验证数据的划分。划分比例由本领域技术人员根据实际情况进行自定义设置。例如，监测训练数据和监测验证数据的划分比例为7：3。进一步地，当通过监测训练数据对预警终端簇头进行训练后，预警终端簇头的输出趋于稳定时，通过监测验证数据对预警终端簇头进行输出损失率的验证。若预警终端簇头的输出损失率小于预设的损失阈值，表示预警终端簇头的输出准确率较高，预警终端簇头已达到收敛状态，进而可以停止训练，输出训练完成的预警终端簇头，作为多个子区域对应的多个安全监测预警模型。
接着，将收敛的安全监测预警模型的当前梯度信息下载到每个预警终端。例如，通过网络传输实现，确保每个终端都能获取到梯度信息。每个预警终端根据下载的梯度信息，对本地模型进行优化。例如，通过梯度下降等实现，提高本地模型的性能。进一步地，在模型训练过程中，监控用于训练的正常监测数据和非正常监测数据的比例，即平衡监测数据。进一步地，预设平衡比为正常监测数据和非正常监测数据之间的比为预设平衡比，即0.5时的比，表示非正常监测数据达到正常监测数据的两倍。若收敛的安全监测预警模型梯度中正常监测数据和非正常监测数据之间的比未达到平衡监测数据的梯度，则收敛的安全监测预警模型梯度正常，输出多个预警终端。
通过获取每个子区域内部所有预警终端的任务监测数据，进行聚合模型训练，优化本地模型，并确保模型训练数据的平衡性，从而输出多个安全监测预警模型。
进一步，利用随机梯度对收敛的多个安全监测预警模型进行迭代优化，输出全局安全监测预警模型，本申请步骤五还包括：
表达式如下：
；
其中，为第轮迭代得到的全局安全监测预警模型，为第轮迭代得到的全局安全监测预警模型，为所述目标城市区域中预警终端簇头的总数量，为第个预警终端簇头内参与训练的监测数据，为所有参与训练的预警终端簇头的监测数据集，为第轮和第轮中全局安全监测预警模型的模型损失，为经第轮迭代的第n预警终端簇头对应安全监测预警模型的更新参数。
具体而言，计算第个预警终端簇头内参与训练的监测数据与所有参与训练的预警终端簇头的监测数据集的比值，并计算比值与第轮和第轮中全局安全监测预警模型的模型损失的乘积。其中，为经第轮迭代的第n预警终端簇头对应安全监测预警模型的更新参数，通过更新参数向对应的监测数据进行更新。通过第轮迭代得到的全局安全监测预警模型与前述乘积进行加和，获得第轮迭代得到的全局安全监测预警模型。其中，k、n和N为大于或等于1的整数。进一步地，若每轮迭代中的全局安全监测预警模型的模型损失越低，最终获得全局安全监测预警模型越准确，反之，则误差越大。
通过全局安全监测预警模型的表达式进行计算，进而获得全局安全监测预警模型，进一步提高全局模型的性能。
综上所述，本申请所提供的一种城市安全监测预警方法具有如下技术效果：
通过获取目标城市的预警终端分布信息；根据所述预警终端分布信息划分多个子区域；通过对所述多个子区域中各个子区域进行分析，确定每个子区域中的预警终端簇头，其中，每个子区域中包括多个预警终端；以所述每个子区域的预警终端簇头作为中心聚合服务器，基于联邦学习在每个子区域内部对所属的预警终端的监测数据进行模型训练，输出所述多个子区域对应的多个安全监测预警模型；直至所述多个安全监测预警模型收敛，下载收敛的多个安全监测预警模型，利用随机梯度对收敛的多个安全监测预警模型进行迭代优化，输出全局安全监测预警模型；根据所述全局安全监测预警模型对所述目标城市进行安全监测预警，也就是说，通过联邦学习的城市安全监测预警，不仅保护了数据隐私和安全，还促进了跨区域的数据协作，提升了模型的泛化能力和实时响应能力，最终实现了提高城市安全监测预警的精确度和效率的技术目标，达到了提高城市安全监测效果的技术效果。
实施例二
基于与前述实施例中一种城市安全监测预警方法，同样发明构思，本申请还提供了一种城市安全监测预警系统，请参阅附图2，所述系统包括：
预警终端分布信息获取模块11，所述预警终端分布信息获取模块11用于获取目标城市的预警终端分布信息；
子区域划分模块12，所述子区域划分模块12用于根据所述预警终端分布信息划分多个子区域；
预警终端簇头确定模块13，所述预警终端簇头确定模块13用于通过对所述多个子区域中各个子区域进行分析，确定每个子区域中的预警终端簇头，其中，每个子区域中包括多个预警终端；
安全监测预警模型输出模块14，所述安全监测预警模型输出模块14用于以所述每个子区域的预警终端簇头作为中心聚合服务器，基于联邦学习在每个子区域内部对所属的预警终端的监测数据进行模型训练，输出所述多个子区域对应的多个安全监测预警模型；
全局安全监测预警模型输出模块15，所述全局安全监测预警模型输出模块15用于直至所述多个安全监测预警模型收敛，下载收敛的多个安全监测预警模型，利用随机梯度对收敛的多个安全监测预警模型进行迭代优化，输出全局安全监测预警模型；
安全监测预警模块16，所述安全监测预警模块16用于根据所述全局安全监测预警模型对所述目标城市进行安全监测预警。
进一步，所述系统中的所述预警终端簇头确定模块13还用于：
获取每个子区域中各个预警终端的配置信息；
以所述各个预警终端的配置信息进行特征识别，输出资源样本存储率、数据处理可信度以及终端算力指标；
按照所述资源样本存储率、数据处理可信度以及终端算力指标对每个子区域中各个预警终端进行熵算子赋值，输出熵算子赋值结果；
根据所述熵算子赋值结果筛选每个子区域中熵算子最大的预警终端作为所属子区域的簇头。
进一步，所述系统中的所述预警终端分布信息获取模块11还用于：
将所述目标城市进行划分，识别内环城市区域和外环城市区域；
其中，所述内环城市区域和所述外环城市区域的并集为所述目标城市；
建立所述内环城市区域的内-全局安全监测预警模型；
建立所述外环城市区域的外-全局安全监测预警模型；
基于所述内-全局安全监测预警模型和所述外-全局安全监测预警模型对所述目标城市进行分区安全监测预警。
进一步，所述系统中的所述安全监测预警模型输出模块14还用于：
实时监测每个子区域中模型训练进程数据集；
根据所述训练进程数据集对所述多个子区域进行训练复杂度识别，输出多个训练复杂度指标；
按照所述多个训练复杂度指标，生成区域联合补偿组，其中，每个区域联合补偿组为所述多个训练复杂度指标中训练复杂度指标最小的子区域和训练复杂度指标最大的子区域，联合形成的补偿组；
以所述区域联合补偿组对所述多个子区域进行联邦学习的训练过程进行补偿。
进一步，所述系统中的所述安全监测预警模型输出模块14还用于：
根据所述区域联合补偿组，建立数据传输通道；
所述数据传输通道用于将训练复杂度指标最大的子区域中对应的标识预警终端补偿至训练复杂度指标最小的子区域中；
其中，所述标识预警终端为训练复杂度指标最大的子区域中传输距离最小的预警终端。
进一步，所述系统中的所述全局安全监测预警模型输出模块15还用于：
获取每个子区域内部所有预警终端的任务监测数据；
在每个子区域的预警终端簇中对所有预警终端的监测数据进行聚合模型训练，当预警终端簇的预警损失小于预设损失，以使模型处于收敛状态，输出所述多个子区域对应的多个安全监测预警模型；
将所述多个安全监测预警模型当前的梯度下载至每个预警终端，对每个预警终端的本地模型进行优化；
其中，收敛的安全监测预警模型梯度为基于平衡监测数据的梯度，其中，所述平衡监测数据为用于训练的正常监测数据和非正常监测数据之间的比达到预设平衡比的数据。
进一步，所述系统中的所述安全监测预警模型输出模块14还用于：
表达式如下：
；
其中，为第轮迭代得到的全局安全监测预警模型，为第轮迭代得到的全局安全监测预警模型，为所述目标城市区域中预警终端簇头的总数量，为第个预警终端簇头内参与训练的监测数据，为所有参与训练的预警终端簇头的监测数据集，为第轮和第轮中全局安全监测预警模型的模型损失，为经第轮迭代的第n预警终端簇头对应安全监测预警模型的更新参数。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述实施例一中的一种城市安全监测预警方法和具体实例同样适用于本实施例的一种城市安全监测预警系统，通过前述对一种城市安全监测预警方法的详细描述，本领域技术人员可以清楚知道本实施例中一种城市安全监测预警系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (7)
1.一种城市安全监测预警方法，其特征在于，所述方法包括：
获取目标城市的预警终端分布信息；
根据所述预警终端分布信息划分多个子区域；
通过对所述多个子区域中各个子区域进行分析，确定每个子区域中的预警终端簇头，其中，每个子区域中包括多个预警终端；
以所述每个子区域的预警终端簇头作为中心聚合服务器，基于联邦学习在每个子区域内部对所属的预警终端的监测数据进行模型训练，输出所述多个子区域对应的多个安全监测预警模型；
直至所述多个安全监测预警模型收敛，下载收敛的多个安全监测预警模型，利用随机梯度对收敛的多个安全监测预警模型进行迭代优化，输出全局安全监测预警模型；
根据所述全局安全监测预警模型对所述目标城市进行安全监测预警；
其中，利用随机梯度对收敛的多个安全监测预警模型进行迭代优化，输出全局安全监测预警模型，表达式如下：
；
其中，为第轮迭代得到的全局安全监测预警模型，为第轮迭代得到的全局安全监测预警模型，为所述目标城市区域中预警终端簇头的总数量，为第个预警终端簇头内参与训练的监测数据，为所有参与训练的预警终端簇头的监测数据集，为第轮和第轮中全局安全监测预警模型的模型损失，为经第轮迭代的第n预警终端簇头对应安全监测预警模型的更新参数。
2.如权利要求1所述的方法，其特征在于，通过对所述多个子区域中各个子区域进行分析，确定每个子区域中的预警终端簇头，方法包括：
获取每个子区域中各个预警终端的配置信息；
以所述各个预警终端的配置信息进行特征识别，输出资源样本存储率、数据处理可信度以及终端算力指标；
按照所述资源样本存储率、数据处理可信度以及终端算力指标对每个子区域中各个预警终端进行熵算子赋值，输出熵算子赋值结果；
根据所述熵算子赋值结果筛选每个子区域中熵算子最大的预警终端作为所属子区域的簇头。
3.如权利要求1所述的方法，其特征在于，获取目标城市的预警终端分布信息后，方法还包括：
将所述目标城市进行划分，识别内环城市区域和外环城市区域；
其中，所述内环城市区域和所述外环城市区域的并集为所述目标城市；
建立所述内环城市区域的内-全局安全监测预警模型；
建立所述外环城市区域的外-全局安全监测预警模型；
基于所述内-全局安全监测预警模型和所述外-全局安全监测预警模型对所述目标城市进行分区安全监测预警。
4.如权利要求1所述的方法，其特征在于，基于联邦学习在每个子区域内部对所属的预警终端的监测数据进行模型训练，方法包括：
实时监测每个子区域中模型训练进程数据集；
根据所述训练进程数据集对所述多个子区域进行训练复杂度识别，输出多个训练复杂度指标；
按照所述多个训练复杂度指标，生成区域联合补偿组，其中，每个区域联合补偿组为所述多个训练复杂度指标中训练复杂度指标最小的子区域和训练复杂度指标最大的子区域，联合形成的补偿组；
以所述区域联合补偿组对所述多个子区域进行联邦学习的训练过程进行补偿。
5.如权利要求4所述的方法，其特征在于，以所述区域联合补偿组对所述多个子区域进行联邦学习的训练过程进行补偿，包括：
根据所述区域联合补偿组，建立数据传输通道；
所述数据传输通道用于将训练复杂度指标最大的子区域中对应的标识预警终端补偿至训练复杂度指标最小的子区域中；
其中，所述标识预警终端为训练复杂度指标最大的子区域中传输距离最小的预警终端。
6.如权利要求1所述的方法，其特征在于，基于联邦学习在每个子区域内部对所属的预警终端的监测数据进行模型训练，模型训练过程包括：
获取每个子区域内部所有预警终端的任务监测数据；
在每个子区域的预警终端簇中对所有预警终端的监测数据进行聚合模型训练，当预警终端簇的预警损失小于预设损失，以使模型处于收敛状态，输出所述多个子区域对应的多个安全监测预警模型；
将所述多个安全监测预警模型当前的梯度下载至每个预警终端，对每个预警终端的本地模型进行优化；
其中，收敛的安全监测预警模型梯度为基于平衡监测数据的梯度，其中，所述平衡监测数据为用于训练的正常监测数据和非正常监测数据之间的比达到预设平衡比的数据。
7.一种城市安全监测预警系统，其特征在于，用于实施权利要求1至6中任意一项所述方法的步骤，所述系统包括：
预警终端分布信息获取模块，所述预警终端分布信息获取模块用于获取目标城市的预警终端分布信息；
子区域划分模块，所述子区域划分模块用于根据所述预警终端分布信息划分多个子区域；
预警终端簇头确定模块，所述预警终端簇头确定模块用于通过对所述多个子区域中各个子区域进行分析，确定每个子区域中的预警终端簇头，其中，每个子区域中包括多个预警终端；
安全监测预警模型输出模块，所述安全监测预警模型输出模块用于以所述每个子区域的预警终端簇头作为中心聚合服务器，基于联邦学习在每个子区域内部对所属的预警终端的监测数据进行模型训练，输出所述多个子区域对应的多个安全监测预警模型；
全局安全监测预警模型输出模块，所述全局安全监测预警模型输出模块用于直至所述多个安全监测预警模型收敛，下载收敛的多个安全监测预警模型，利用随机梯度对收敛的多个安全监测预警模型进行迭代优化，输出全局安全监测预警模型；
安全监测预警模块，所述安全监测预警模块用于根据所述全局安全监测预警模型对所述目标城市进行安全监测预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410695321.1A CN118278049B (zh) | 2024-05-31 | 2024-05-31 | 一种城市安全监测预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410695321.1A CN118278049B (zh) | 2024-05-31 | 2024-05-31 | 一种城市安全监测预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118278049A CN118278049A (zh) | 2024-07-02 |
| CN118278049B true CN118278049B (zh) | 2024-09-17 |
Family
ID=91634229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410695321.1A Active CN118278049B (zh) | 2024-05-31 | 2024-05-31 | 一种城市安全监测预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118278049B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116246218A (zh) * | 2022-11-16 | 2023-06-09 | 北京工业大学 | 基于数据质量评估联邦学习的智慧城市监控图像识别方法 |
| CN118037000A (zh) * | 2024-03-24 | 2024-05-14 | 梁山县统计普查中心 | 基于数字经济的城市资源动态调度方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992980B (zh) * | 2023-09-28 | 2023-12-26 | 中国人民解放军总医院 | 一种基于超网络和联邦学习的预后预测预警模型训练方法、系统及设备 |
| CN117787686A (zh) * | 2023-11-30 | 2024-03-29 | 郑州大学 | 城市堤坝管涌险情超前预警方法及系统 |
-
2024
- 2024-05-31 CN CN202410695321.1A patent/CN118278049B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116246218A (zh) * | 2022-11-16 | 2023-06-09 | 北京工业大学 | 基于数据质量评估联邦学习的智慧城市监控图像识别方法 |
| CN118037000A (zh) * | 2024-03-24 | 2024-05-14 | 梁山县统计普查中心 | 基于数字经济的城市资源动态调度方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118278049A (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109255955B (zh) | 一种基于地基和空基协同感知的高速公路事故监测方法及系统 | |
| CN103116825B (zh) | 智慧城市管理系统 | |
| CN115086089B (zh) | 一种用于网络安全评估预测的方法及系统 | |
| CN108428341A (zh) | 一种基于人机融合的交通应急管理调度方法及系统 | |
| CN110866642A (zh) | 安全监控方法、装置、电子设备和计算机可读存储介质 | |
| CN108306756A (zh) | 一种基于电力数据网全息评估系统及其故障定位方法 | |
| CN110162445A (zh) | 基于主机日志及性能指标的主机健康评价方法及装置 | |
| Shi et al. | Detecting anomalies in spatio-temporal flow data by constructing dynamic neighbourhoods | |
| Qin et al. | EXIMIUS: A measurement framework for explicit and implicit urban traffic sensing | |
| Ding et al. | Large-scale full-coverage traffic speed estimation under extreme traffic conditions using a big data and deep learning approach: Case study in China | |
| CN115378711B (zh) | 一种工控网络的入侵检测方法和系统 | |
| CN113554330A (zh) | 水文信息平台的安全态势感知模型的训练方法及应用方法 | |
| Geetla et al. | Optimal placement of omnidirectional sensors in a transportation network for effective emergency response and crash characterization | |
| WO2022267455A1 (zh) | 欺诈用户集中区域的预测方法、装置、设备及存储介质 | |
| Zhang et al. | A causal inference approach to measure the vulnerability of urban metro systems | |
| CN110399537B (zh) | 一种基于人工智能技术的警情时空预测方法 | |
| CN110139278B (zh) | 车联网下安全型防御合谋攻击的系统的方法 | |
| CN104820961A (zh) | 一种基于网格化管理的公共危机网络预警评估方法 | |
| Carli et al. | Monitoring traffic congestion in urban areas through probe vehicles: A case study analysis | |
| CN110807014A (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
| Hui | Construction of information security risk assessment model in smart city | |
| Li et al. | A simulation approach to detect arterial traffic congestion using cellular data | |
| CN118278049B (zh) | 一种城市安全监测预警方法及系统 | |
| CN117671961A (zh) | 基于区块链的城市道路交通流量状态预估方法及系统 | |
| CN117690296A (zh) | 一种交通路况智能防雷检测系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 |