基于区域链技术的风险预测模型的训练方法及装置制造方法及图纸

本公开涉及人工智能技术领域，提供了一种基于区域链技术的风险预测模型的训练方法及装置。该方法包括：获取参与方发送的明火数据，训练参与方的风险预测模型；在参与方组成的区块链网络中利用工作量证明机制生成候选块，并将参与方的风险预测模型存储到候选块中；当候选块符合预设条件，将候选块作为区块链网络中新的区块链节点，以供参与方从新的区块链节点中下载数据，并基于下载的数据对风险预测模型进行更新。本公开提供的技术方案通过将联合学习和区块链相结合，训练出的风险预测模型可以对明火事件进行准确的预测。对明火事件进行准确的预测。对明火事件进行准确的预测。

【技术实现步骤摘要】
基于区域链技术的风险预测模型的训练方法及装置


[0001]本公开涉及人工智能
，尤其涉及基于区域链技术的风险预测模型的训练方法及装置。

技术介绍

[0002]对于能源供应方而言，能源安全是第一要务。明火对于能源安全而言是极大的威胁，为保证能源安全，进行明火识别是必不可少的，明火识别可以快速帮助工作人员发现问题并及时解决问题，避免更大的经济损失。目前，在对明火进行识别时，主要应用的是基于各类传感器的明火检测系统，然而利用明火检测系统进行检测预警，存在具有一定的滞后性，发生火灾事件的可能性较高，安全隐患较大。

技术实现思路

[0003]有鉴于此，本公开实施例提供了基于区域链技术的风险预测模型的训练方法、装置、电子设备及计算机可读存储介质，以解决现有技术中利用明火检测系统进行明火预警时安全隐患较大的问题。
[0004]本公开实施例的第一方面，提供了一种基于区域链技术的风险预测模型的训练方法，包括：
[0005]获取参与方发送的明火数据，训练参与方的风险预测模型；
[0006]在参与方组成的区块链网络中利用工作量证明机制生成候选块，并将参与方的风险预测模型存储到候选块中；
[0007]当候选块符合预设条件，将候选块作为区块链网络中新的区块链节点，以供参与方从新的区块链节点中下载数据，并基于下载的数据对风险预测模型进行更新。
[0008]本公开实施例的第二方面，提供了一种基于区域链技术的风险预测模型的训练装置，包括：
[0009]训练模块，被配置为获取参与方发送的明火数据，训练参与方的风险预测模型；
[0010]生成模块，被配置为在参与方组成的区块链网络中利用工作量证明机制生成候选块，并将参与方的风险预测模型存储到候选块中；
[0011]更新模块，被配置为当候选块符合预设条件，将候选块作为区块链网络中新的区块链节点，以供参与方从新的区块链节点中下载数据，并基于下载的数据对风险预测模型进行更新。
[0012]本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0013]本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0014]本公开实施例与现有技术相比存在的有益效果是：获取参与方发送的明火数据，
训练参与方的风险预测模型；在参与方组成的区块链网络中利用工作量证明机制生成候选块，并将参与方的风险预测模型存储到候选块中；当候选块符合预设条件，将候选块作为区块链网络中新的区块链节点，以供参与方从新的区块链节点中下载数据，并基于下载的数据对风险预测模型进行更新。在本公开提供的技术方案中，参与方在保证数据的安全性和私有化的同时，可以利用其他参与方的数据进行联合学习；同时通过引入区块链技术客服单点故障问题，即使在某一个区块链节点出现故障时，也可以继续进行后续流程，保证及时地对风险预测模型进行更新，不断提升风险预测模型的准确性，利用该风险预测模型可以对明火事件进行准确的事先预测，有效降低火灾的发生概率，减小安全隐患。
附图说明
[0015]为了更清楚地说明本公开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公开的一些实施例，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它的附图。
[0016]图1是本公开实施例的应用场景的场景示意图；
[0017]图2是本公开实施例提供的一种基于区域链技术的风险预测模型的训练方法的流程示意图；
[0018]图3是本公开实施例提供的一种基于区域链技术的风险预测模型的训练装置的结构示意图；
[0019]图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
[0020]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0021]联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：
[0022](1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。
[0023](2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。
[0024](3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。
[0025](4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。
[0026]基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推
动垂直领域的场景落地。
[0027]下面将结合附图详细说明根据本公开实施例的一种基于区域链技术的风险预测模型的训练方法和装置。
[0028]图1是本公开实施例的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器101以及参与方102、参与方103和参与方104，其中服务器101为去中心节点，与区块链网络相对应；参与方102、参与方103和参与方104与参与方相对应。
[0029]在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101将模型参数存储在区块链节点的候选块中，在区块链节点开始运行工作量证明后首个找到随机数的情况下，将该候选块作为区块链网络中新的区块链节点。参与方102、参与方103和参与方104从新的区块链节点中下载区块内的数据，对模型参数进行聚合，获得全局模型参数，根据全局模型参数进行各自模型的迭代直至模型最终收敛，当然在模型最终收敛的过程中可能存在多次模型的上传和下载，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103和参与方1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区域链技术的风险预测模型的训练方法，其特征在于，包括：获取参与方发送的明火数据，训练所述参与方的风险预测模型；在所述参与方组成的区块链网络中利用工作量证明机制生成候选块，并将所述参与方的风险预测模型存储到所述候选块中；当所述候选块符合预设条件，将所述候选块作为所述区块链网络中新的区块链节点，以供所述参与方从所述新的区块链节点中下载数据，并基于下载的数据对所述风险预测模型进行更新。2.根据权利要求1所述的方法，其特征在于，在所述参与方组成的区块链网络中利用工作量证明机制生成候选块，并将所述参与方的风险预测模型存储到所述候选块中后，所述方法还包括：向所述参与方返回第一预设数量的虚拟资源。3.根据权利要求2所述的方法，其特征在于，向所述参与方返回第一预设数量的虚拟资源步骤前，所述方法还包括：接收所述参与方上传的本地计算参数；基于所述本地计算参数，确定所述第一预设数量。4.根据权利要求1所述的方法，其特征在于，当所述候选块符合预设条件，将所述候选块作为所述区块链网络中新的区块链节点，以供所述参与方从所述新的区块链节点中下载数据，并基于下载的数据对所述风险预测模型进行更新后，所述方法还包括：向所述区块链节点返回第二预设数量的虚拟资源。5.根据权利要求1所述的方法，其特征在于，获取参与方发送的明火数据，训练所述参与方的风险预测模型前，所述方法还包括：接收所述参与方发送的联合学习参与请求；存储所述联合学习参与请求中携带的所述参与方的认证信息；则将所述风险预测模型存储在区块链节点的候选块中，包括：确定所述风险预测模型对应的当前认证信息；在所述当前认证信息与存储的认证信...

【专利技术属性】
技术研发人员：赵蕾，
申请(专利权)人：新奥新智科技有限公司，
类型：发明
国别省市：