一种特征数据处理方法、装置、设备和存储介质制造方法及图纸

本发明专利技术公开了一种特征数据处理方法、装置、设备和存储介质，包括：对火点样本的原始火点特征数据进行二次衍生，并利用径向基函数对衍生后的原始火点特征数据进行数据处理，确定原始火点特征数据在高纬空间中的高纬特征数据；采用基于原始数据均值和标准差的正规化方法对所述高纬特征数据进行标准化处理，确定标准火点特征数据；根据所述标准火点特征数据的数据贡献度，从所述标准火点特征数据中确定目标火点特征数据；根据所述火点样本和所述目标火点特征数据训练机器学习模型，并将训练完成后的机器学习模型作为山火风险预测模型；所述山火风险预测模型用于对山火风险进行预测。可以在提高山火风险预测精确度的同时，提高了山火风险预测效率。火风险预测效率。火风险预测效率。

【技术实现步骤摘要】
一种特征数据处理方法、装置、设备和存储介质


[0001]本专利技术实施例涉及计算机领域，尤其涉及一种特征数据处理方法、装置、设备和存储介质。

技术介绍

[0002]山火灾害易造成架空输电线路跳闸，影响电网的稳定运行。受烧田或祭祖等人类活动的影响，部分地区的架空输电线路容易发生大规模火灾，造成输电线路跳闸，严重时甚至威胁到重要交叉跨越、密集通道和西电东送主通道，对电网安全稳定运行造成恶劣影响。火灾引起的架空输电线路跳闸在各类跳闸和停电事故中占相当大的比例。为提高架空输电线路山火灾害防治水平，国内外学者已开展包括山火分布规律、跳闸机理、监测告警和风险评估等多维度研究，但对山火风险预测的精确度和效率较低。因此，如何实现对山火风险的精准预测，同时提高山火风险的预测效率，是需要解决的问题。

技术实现思路

[0003]本专利技术提供了一种特征数据处理方法、装置、设备和存储介质，通过对火点特征数据进行数据处理，实现了在提高山火风险预测精确度的同时，提高了山火风险预测效率。
[0004]根据本专利技术的一方面，提供了一种特征数据处理方法，包括：
[0005]对火点样本的原始火点特征数据进行二次衍生，并利用径向基函数对衍生后的原始火点特征数据进行数据处理，确定原始火点特征数据在高纬空间中的高纬特征数据；所述原始火点特征数据包括人类活动特征数据、地理信息特征数据、气象特征数据和区域历史火点数据；
[0006]采用基于原始数据均值和标准差的正规化方法对所述高纬特征数据进行标准化处理，确定标准火点特征数据；
[0007]根据所述标准火点特征数据的数据贡献度，从所述标准火点特征数据中确定目标火点特征数据；
[0008]根据所述火点样本和所述目标火点特征数据训练机器学习模型，并将训练完成后的机器学习模型作为山火风险预测模型；所述山火风险预测模型用于对山火风险进行预测。
[0009]根据本专利技术的另一方面，提供了一种特征数据处理装置，该装置包括：
[0010]高纬特征数据确定模块，用于对火点样本的原始火点特征数据进行二次衍生，并利用径向基函数对衍生后的原始火点特征数据进行数据处理，确定原始火点特征数据在高纬空间中的高纬特征数据；所述原始火点特征数据包括人类活动特征数据、地理信息特征数据、气象特征数据和区域历史火点数据；
[0011]数据标准化处理模块，用于采用基于原始数据均值和标准差的正规化方法对所述高纬特征数据进行标准化处理，确定标准火点特征数据；
[0012]目标数据获取模块，用于根据所述标准火点特征数据的数据贡献度，从所述标准
火点特征数据中确定目标火点特征数据；
[0013]模型训练模块，用于根据所述火点样本和所述目标火点特征数据训练机器学习模型，并将训练完成后的机器学习模型作为山火风险预测模型；所述山火风险预测模型用于对山火风险进行预测。
[0014]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0015]至少一个处理器；以及
[0016]与所述至少一个处理器通信连接的存储器；其中，
[0017]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的特征数据处理方法。
[0018]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的特征数据处理方法。
[0019]本专利技术实施例的技术方案，对火点样本的原始火点特征数据进行二次衍生，并利用径向基函数对衍生后的原始火点特征数据进行数据处理，确定原始火点特征数据在高纬空间中的高纬特征数据；采用基于原始数据均值和标准差的正规化方法对高纬特征数据进行标准化处理，确定标准火点特征数据；根据标准火点特征数据的数据贡献度，从标准火点特征数据中确定目标火点特征数据；根据火点样本和目标火点特征数据训练机器学习模型，并将训练完成后的机器学习模型作为山火风险预测模型；山火风险预测模型用于对山火风险进行预测。上述方案，解决了在对山火风险进行预测时，对山火灾害的影响要素考虑不全面，且需要依赖专家主观经验，难以全面且客观的对山火风险进行预测，导致对山火风险预测准确率低，且对山火风险预测效率低的问题。实现了在对山火风险进行预测时，充分考虑到了人类活动特征数据、地理信息特征数据、气象特征数据和区域历史火点数据对山火风灾害的影响，同时对火点特征数据进行数据处理，确定标准火点特征数据，并根据标准火点特征数据的数据贡献度对标准火点特征数据进行数据筛选，确定用于训练机器学习模型的目标火点特征数据，采用目标火点特征数据训练机器学习模型，获取用于对山火风险进行预测的山火风险预测模型，可以提高对机器学习模型的训练效率，节约对山火风险进行预测的人工成本，同时提高山火风险预测模型的模型准确度。
[0020]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0021]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0022]图1为本专利技术实施例一提供的一种特征数据处理方法的流程图；
[0023]图2为本专利技术实施例二提供的一种特征数据处理方法的流程图；
[0024]图3为本专利技术实施例三提供的一种特征数据处理方法的流程图；
[0025]图4为本专利技术实施例四提供的一种特征数据处理装置的结构示意图；
[0026]图5为本专利技术实施例五提供的一种电子设备的结构示意图。
具体实施方式
[0027]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。
[0028]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“候选”和“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“等”以及他们的任何变形，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、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0029]实施例一
[0030]图1为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种特征数据处理方法，其特征在于，包括：对火点样本的原始火点特征数据进行二次衍生，并利用径向基函数对衍生后的原始火点特征数据进行数据处理，确定原始火点特征数据在高纬空间中的高纬特征数据；所述原始火点特征数据包括人类活动特征数据、地理信息特征数据、气象特征数据和区域历史火点数据；采用基于原始数据均值和标准差的正规化方法对所述高纬特征数据进行标准化处理，确定标准火点特征数据；根据所述标准火点特征数据的数据贡献度，从所述标准火点特征数据中确定目标火点特征数据；根据所述火点样本和所述目标火点特征数据训练机器学习模型，并将训练完成后的机器学习模型作为山火风险预测模型；所述山火风险预测模型用于对山火风险进行预测。2.根据权利要求1所述的方法，其特征在于，根据所述标准火点特征数据的数据贡献度，从所述标准火点特征数据中确定目标火点特征数据，包括：根据所述火点样本和所述标准火点特征数据构建样本特征集，并将样本特征集划分为训练特征子集和测试特征子集；通过Wrapper算法确定训练特征子集中标准火点特征数据的数据贡献度；根据所述数据贡献度对所述标准火点特征数据进行贡献度排序，根据排序结果从所述标准火点特征数据中确定目标火点特征数据。3.根据权利要求2所述的方法，其特征在于，通过Wrapper算法确定训练特征子集中标准火点特征数据的数据贡献度，包括：通过Wrapper算法确定训练特征子集中各标准火点特征数据的特征重要度；确定所述标准火点特征数据的特征重要度的重要度平均值，将所述重要度平均值作为训练特征子集中标准火点特征数据的数据贡献度。4.根据权利要求2所述的方法，其特征在于，将样本特征集划分为训练特征子集和测试特征子集，包括：将样本特征集划分为候选训练子集和候选测试子集，并通过分类器确定所述候选训练子集的评价函数；根据所述评价函数，对所述候选训练子集和所述候选测试子集进行调整，确定训练特征子集和测试特征子集。5.根据权利要求1所述的方法，其特征在于，根据所述火点样本和所述目标火点特征数据训练机器学习模型，并将训练完成后的机器学习模型作为山火风险预测模型，包括：根据训练特征子集中的火点样本数据和目标火点特征数据训练机器学习模型，确定候选预测模型；根据测试特征子集中的火点样本数据和目标火点特征数据对候选预测模型进行测试，根据测试结果调整所述候选预测模型的模型参数，并将调整后的候选预测模型作为山火风险...

【专利技术属性】
技术研发人员：张可颖，刘岚，吴新桥，覃平，赵继光，王昊，詹谭博驰，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：