多维数据整合下的火灾预测系统技术方案

本发明专利技术公开了多维数据整合下的火灾预测系统。包括：数据获取单元，配置用于获取目标监测区域的多方向数据，并将多方向数据进行方向分离，得到多个不同方向的变量；多方向数据包括：时间方向数据、空间方向数据和固有数据；数据整合单元，配置用于将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果，然后以一维数据整合结果作为前置条件，以空间方向数据为变量，使用第二异常判断模型进行二维数据整合，得到二维数据整合结果，最后以二维数据整合结果作为前置条件。其通过从空间维度、时间维度和自身维度的数据进行整合，基于条件概率的思想，进行火灾概率判断，具有判断准确率高的优点。具有判断准确率高的优点。具有判断准确率高的优点。

【技术实现步骤摘要】
多维数据整合下的火灾预测系统


[0001]本专利技术属于灾害预测
，具体涉及多维数据整合下的火灾预测系统。

技术介绍

[0002]农田秸秆焚烧、草原和森林的意外或偶发性火灾除可能造成空气污染、生态系统破坏外，还可能造成人口和财产损失。近年来，人为和气候等原因导致的火灾，尤其是农林草复合区火灾频发，然而由于农田与林草地发生火灾的驱动因素不同，且二者火灾发生的时间区段等差异也较明显，因此进行火灾的分类预测和预警十分重要。
[0003]进行火灾预测预警，需要从历史数据中得到火灾发生的时间、地点、焚烧面积、频率等信息。想要准确的获得这些信息，需要通过热红外获得燃烧的时间点或通过多光谱数据获得燃烧痕迹信息，再以此推算火灾发生的时间、地点、强度等信息。因此，现有方法中存在一些主要通过热红外异常信息的识别来获得火灾的发生时间的方法，以及一些基于燃烧痕迹的预测预警方法。
[0004]专利申请号为CN202010448952.5A的专利文献公开了一种基于动态集成神经网络的多源信息融合火灾预测方法，采用创新性的逻辑设计，基于多源信息融合方法建立火灾预测模型，将多种火灾特征信号依次经过信息层、特征层、决策层，在特征层利用深度学习中的LSTM和RBF
‑
BP神经网络作为子网络对多源火灾特征信号进行自适应学习，并将输出结果进行集成分析，再经决策层完成火灾预测，解决了火灾信号的时变性和非线性特点以及单特征信号火灾预测方法的高漏报率和误报率问题，有效提高了火灾预测系统的识别准确度。
[0005]该专利技术使用的是基于深度学习和特征融合的方法，虽然能够提高火灾预测的准确率，但该方法本质上还是基于特征的融合，特征虽然能够反映数据整体的特征，但对于某些不明显的特征无法考虑到，使得准确率和效率上都不尽人意。

技术实现思路

[0006]有鉴于此，本专利技术的主要目的在于提供多维数据整合下的火灾预测系统，其通过从空间维度、时间维度和自身维度的数据进行整合，基于条件概率的思想，进行火灾概率判断，具有判断准确率高的优点。
[0007]为达到上述目的，本专利技术的技术方案是这样实现的：
[0008]多维数据整合下的火灾预测系统，所述系统包括：数据获取单元，配置用于获取目标监测区域的多方向数据，并将多方向数据进行方向分离，得到多个不同方向的变量；所述多方向数据包括：时间方向数据、空间方向数据和固有数据；数据整合单元，配置用于将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果，然后以一维数据整合结果作为前置条件，以空间方向数据为变量，使用第二异常判断模型进行二维数据整合，得到二维数据整合结果，最后以二维数据整合结果作为前置条件，以固有数据作为变量，使用第三异常判断模型进行三维数据整合，得到三维数据整合结果；所述
第一异常判断模型、第二异常判断模型和第三异常判断模型均为异常判断模型，基于前置条件和/或变量，进行概率计算，得到一维数据整合结果、二维数据整合结果或三维数据整合结果；火灾判断单元，配置用于基于一维数据整合结果、二维数据整合结果和三维数据整合结果进行火灾预测，得到预测结果。
[0009]进一步的，所述时间方向数据包括：同一目标监测区域，不同时间发生火灾的频次、温度数据、湿度数据，以及不同光谱率下的光谱数据和热红外数据。
[0010]进一步的，所述空间方向数据定义为：将同一目标监测区域划分为多个子区域，这些子区域在同一时间下，发生火灾的频次、温度数据、湿度数据，以及不同光谱率下的光谱数据和热红外数据。
[0011]进一步的，所述固有数据包括：目标监测区域的面积和海拔。
[0012]进一步的，所述在将同一目标检测区域划分为多个子区域时，将目标检测区域等分为多个子区域，划分的子区域的数量至少为10个；不同时间彼此之间的间隔相等。
[0013]进一步的，所述数据整合单元，将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果的方法包括：使用如下公式计算得到一维数据整合结果：其中，P1为计算得到的一维数据整合结果，为一个概率值；N为时间方向数据的个数；T
n
为温度异常结果，且T
n
＝T
‑
T0，当T大于T0时，T为温度数据，T0为设定的温度阈值，或T
n
＝0，当T小于T0时；Q
n
为发生火灾的频次；H
n
为湿度异常结果，且H
n
＝H
‑
H0，当H大于H0时，H为湿度数据，H0为设定的湿度阈值，或H
n
＝0，当H小于H0时；G
n
为光谱异常结果，且G
n
＝G
‑
G0，当G大于G0时，G为光谱数据，G0为设定的光谱阈值，或G
n
＝0，当G小于G0时；J
n
为热红外异常结果，且J
n
＝J
‑
J0，当J大于J0时，J为热红外数据，J0为设定的热红外阈值，或J
n
＝0，当J小于J0时。
[0014]进一步的，所述数据整合单元，以一维数据整合结果作为前置条件，以空间方向数据为变量，使用第二异常判断模型进行二维数据整合，得到二维数据整合结果的方法包括：使用如下公式计算得到二维数据整合结果：其中，P2为二维数据整合结果；S
m
为子区域异常结果，M为子区域的数量。
[0015]进一步的，所述子区域异常结果使用如下公式计算得到：进一步的，所述子区域异常结果使用如下公式计算得到：
[0016]进一步的，所述数据整合单元，以二维数据整合结果作为前置条件，以固有数据作为变量，使用第三异常判断模型进行三维数据整合，得到三维数据整合结果的方法包括：其中，P3为三维数据整合结果；S为目标监测区域的面积；H为目标监测区域的海拔；S0为设定的面积阈值；H0为设定的海拔阈值。
[0017]进一步的，所述火灾判断单元，基于一维数据整合结果、二维数据整合结果和三维数据整合结果，进行火灾预测，得到预测结果的方法包括：将P3作为有火概率，将1
‑
P1为无火概率，将1
‑
P(P3|P2)作为阴燃概率。
[0018]本专利技术的多维数据整合下的火灾预测系统，具有如下有益效果：
[0019]1.准确率高：本专利技术在进行火灾预测的时候，没有使用传统的技术方案，直接对历
史数据进行特征提取的方式，来使用基于大数据分析的方式进行火灾预测，而是通过采集目标监测区域的多个方向的数据，对这些数据进行数据整合后，基于条件概率的方式，计算火灾预测，其相较于传统的方式，预测更加准确。
[0020]2.效率更高：本专利技术的火灾预测算法在进行数据分析时，对数据的处理都是线性的，而没有进行特征的挖掘和处理，算法实现简单，效率更高，占用系统资源更少。
附图说明
[0021]图1为本专利技术实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.多维数据整合下的火灾预测系统，其特征在于，所述系统包括：数据获取单元，配置用于获取目标监测区域的多方向数据，并将多方向数据进行方向分离，得到多个不同方向的变量；所述多方向数据包括：时间方向数据、空间方向数据和固有数据；数据整合单元，配置用于将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果，然后以一维数据整合结果作为前置条件，以空间方向数据为变量，使用第二异常判断模型进行二维数据整合，得到二维数据整合结果，最后以二维数据整合结果作为前置条件，以固有数据作为变量，使用第三异常判断模型进行三维数据整合，得到三维数据整合结果；所述第一异常判断模型、第二异常判断模型和第三异常判断模型均为异常判断模型，基于前置条件和/或变量，进行概率计算，得到一维数据整合结果、二维数据整合结果或三维数据整合结果；火灾判断单元，配置用于基于一维数据整合结果、二维数据整合结果和三维数据整合结果进行火灾预测，得到预测结果。2.如权利要求1所述的系统，其特征在于，所述时间方向数据包括：同一目标监测区域，不同时间发生火灾的频次、温度数据、湿度数据，以及不同光谱率下的光谱数据和热红外数据。3.如权利要求2所述的系统，其特征在于，所述空间方向数据定义为：将同一目标监测区域划分为多个子区域，这些子区域在同一时间下，发生火灾的频次、温度数据、湿度数据，以及不同光谱率下的光谱数据和热红外数据。4.如权利要求3所述的系统，其特征在于，所述固有数据包括：目标监测区域的面积和海拔。5.如权利要求2或3所述的系统，其特征在于，所述在将同一目标检测区域划分为多个子区域时，将目标检测区域等分为多个子区域，划分的子区域的数量至少为10个；不同时间彼此之间的间隔相等。6.如权利要求4所述的系统，其特征在于，所述数据整合单元，将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果的方法包括：使用如下公式计算得到一维数据整合结果：其中，P1为计算得到的一维数据整合结果，为一个概率值；N为时间方向数据的个数；T
n
为温度异常结果，且T
n
＝T
‑
T0，当T大于...

【专利技术属性】
技术研发人员：李强，吴亚蕊，胡铨懿，蒯云青，孙伟，王付义，
申请(专利权)人：山东强力消防工程有限公司，
类型：发明
国别省市：