一种融合多源路网数据的森防救援智能导航系统技术方案

本发明专利技术公开了一种融合多源路网数据的森防救援智能导航系统，其特征在于，包括：数据获取模块，用于获取失火的森林位置信息和多源路网数据；数据融合模块，用于对所述多源路网数据进行数据关联和数据融合的处理，获得融合的路网数据；交通预测模块，与所述数据融合模块连接，用于基于所述融合后的路网数据训练时间图卷积神经网络，构建交通预测模型，并基于所述交通预测模型获得预设时间范围内的交通预测结果；路径规划模块，与所述交通预测模块连接，用于基于所述交通预测结果和森林位置信息，规划时间最短的救援路线并进行智能导航。本发明专利技术结合了多源路网数据规划最优的救援路径并导航，避免延误救火的最佳时间，提高森防救援的效率。救援的效率。救援的效率。

【技术实现步骤摘要】
一种融合多源路网数据的森防救援智能导航系统


[0001]本专利技术属于森防救援
，特别是涉及一种融合多源路网数据的森防救援智能导航系统。

技术介绍

[0002]在应对森林火灾时，现有的消防导航系统，当消防警报后消防局派来消防车进行消防任务时，经常出现消防车被半路堵截或者路线不熟，长时间的绕路，直接影响了消防任务，造成了大量财产损失和生命损失。
[0003]目前，在智能交通系统中涌出了大量对路径进行规划的路径规划算法，但是目前在森防领域内的路径规划通常以静态的路径网作为研究对象，但是现实世界中的交通是动态的，随机的，具有不确定性的，需要对交通情况进行实时预测，才能更好的规划路径。
[0004]现有的深度神经网络模型可以很好地捕捉数据的动态特征并取得最佳拟合效果，因此被广泛的用于各类预测任务中。交通信息具有多源性与时空依赖性的特点，目前使用的交通预测方法仅关注路网中单一属性的数据，如速度或者密度，忽略了多源性。针对时空依赖性，需要模型同时提取时间和空间特征以获取准确的预测结果，目前使用深度神经网络来预测交通状况大多仅关注交通的时间周期特征，使用过去时刻的数据预测未来时刻的数据，忽略了空间特征，导致交通状况的变化不受周围路网的限制，影响了预测的准确性。
[0005]因此，亟需一种融合多源路网数据的森防救援智能导航系统，结合多源路网数据规划最优的救援路径并导航，避免延误救火的最佳时间，提高森防救援的效率。

技术实现思路

[0006]本专利技术的目的是提供一种融合多源路网数据的森防救援智能导航系统，以解决上述现有技术存在的问题。
[0007]为实现上述目的，本专利技术提供了一种融合多源路网数据的森防救援智能导航系统，包括：
[0008]数据获取模块，用于获取失火的森林位置信息和多源路网数据；
[0009]数据融合模块，与所述数据获取模块连接，用于对所述多源路网数据进行数据关联和数据融合的处理，获得融合的路网数据；
[0010]交通预测模块，与所述数据融合模块连接，用于基于所述融合后的路网数据训练时间图卷积神经网络，构建交通预测模型，并基于所述交通预测模型获得预设时间范围内的交通预测结果；
[0011]路径规划模块，与所述交通预测模块连接，用于基于所述交通预测结果和森林位置信息，规划时间最短的救援路线并进行智能导航。
[0012]可选地，所述数据获取模块包括第一数据获取单元和第二数据获取单元；
[0013]所述第一数据获取单元用于获取失火的森林位置信息；所述第二数据获取单元用于基于公路状态监测设备和地图管理平台获取多源路网数据。
[0014]可选地，所述数据融合模块包括数据预处理单元，所述数据预处理单元用于对所述多源路网数据进行数据清洗、数据筛选和数据修复的处理，获得预处理后的多源路网数据。
[0015]可选地，所述数据融合模块还包括数据融合单元，所述数据融合单元用于将所述预处理后的多源路网数据中的每个实体数据的实体属性进行规范化处理，并将规范化处理后的实体属性和实体名进行分块聚合，然后将同一分块内不同来源的实体作为候选实体对，采用实体对齐法获得实体间的相似度，从而获得不同数据源之间描述同一客观世界的实体对，建立不同数据源之间同一实体的等价链接，并进行实体属性的合并，进而获取属于同一实体的数据并转换成统一的目标数据格式，进行数据融合处理，获得融合的路网数据。
[0016]可选地，所述交通预测模块包括模型构建单元，所述模型构建单元用于基于时间图卷积神经网络构建初始交通预测模型。
[0017]可选地，所述交通预测模块还包括模型训练单元，所述模型训练单元用于将融合的路网数据输入到所述初始交通预测模型中，基于两层图卷积神经网络提取所述融合的路网数据的空间特征，基于门控递归单元获取融合的路网数据的时间特征，进而获得训练完成的目标交通预测模型。
[0018]可选地，所述路径规划模块包括路径获取单元，所述路径获取单元用于基于所述交通预测结果和森林位置信息，采用遗传算法的最短路径算法，获取若干条期望的最优路径。
[0019]可选地，所述路径规划模块还包括路径选择单元，所述路径选择单元用于采用蒙特卡洛方法，通过随机数模拟的方式估计若干条期望的最优路径的平均通过时长和标准差，最终选择通过时长最短的最优路径作为目标救援路线，并进行智能导航。
[0020]本专利技术的技术效果为：
[0021]本专利技术的智能导航系统考虑了路网数据的多源性与时空依赖性，将多源路网数据融合与时间图卷积网络模型相结合，获得交通预测模型，使得交通预测结果更为准确。
[0022]本专利技术考虑到期望最短路径不一定是可靠性最高的路径，通过蒙特卡洛方法，通过随机数模拟的方式，估计若干条期望的最优路径的平均通过时长和标准差，最终选择通过时长最短的最优路径作为目标救援路线，解决了目前的救援路径仅仅考虑路径最短，却忽略了通行时长的问题，避免延误救火的最佳时间，提高森防救援的效率。
附图说明
[0023]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0024]图1为本专利技术实施例中的融合多源路网数据的森防救援智能导航系统结构示意图。
具体实施方式
[0025]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0026]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的
计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0027]实施例一
[0028]如图1所示，本专利技术提供了一种融合多源路网数据的森防救援智能导航系统，包括：
[0029]数据获取模块，用于获取失火的森林位置信息和多源路网数据；
[0030]数据融合模块，与所述数据获取模块连接，用于对所述多源路网数据进行数据关联和数据融合的处理，获得融合的路网数据；
[0031]交通预测模块，与所述数据融合模块连接，用于基于所述融合后的路网数据训练时间图卷积神经网络，构建交通预测模型，并基于所述交通预测模型获得预设时间范围内的交通预测结果；
[0032]路径规划模块，与所述交通预测模块连接，用于基于所述交通预测结果和森林位置信息，规划时间最短的救援路线并进行智能导航。
[0033]可实施的，所述数据获取模块包括第一数据获取单元和第二数据获取单元；
[0034]所述第一数据获取单元用于获取失火的森林位置信息；所述第二数据获取单元用于基于公路状态监测设备和地图管理平台获取多源路网数据。
[0035]可实施的，所述数据融合模块包括数据预处理单元，所述数据预处理单元用于对所述多源路网数据进行数据清洗、数据筛选和数据修复的处理，获得预处理后的多源路网数据。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多源路网数据的森防救援智能导航系统，其特征在于，包括：数据获取模块，用于获取失火的森林位置信息和多源路网数据；数据融合模块，与所述数据获取模块连接，用于对所述多源路网数据进行数据关联和数据融合的处理，获得融合的路网数据；交通预测模块，与所述数据融合模块连接，用于基于所述融合后的路网数据训练时间图卷积神经网络，构建交通预测模型，并基于所述交通预测模型获得预设时间范围内的交通预测结果；路径规划模块，与所述交通预测模块连接，用于基于所述交通预测结果和森林位置信息，规划时间最短的救援路线并进行智能导航。2.根据权利要求1所述的融合多源路网数据的森防救援智能导航系统，其特征在于，所述数据获取模块包括第一数据获取单元和第二数据获取单元；所述第一数据获取单元用于获取失火的森林位置信息；所述第二数据获取单元用于基于公路状态监测设备和地图管理平台获取多源路网数据。3.根据权利要求1所述的融合多源路网数据的森防救援智能导航系统，其特征在于，所述数据融合模块包括数据预处理单元，所述数据预处理单元用于对所述多源路网数据进行数据清洗、数据筛选和数据修复的处理，获得预处理后的多源路网数据。4.根据权利要求3所述的融合多源路网数据的森防救援智能导航系统，其特征在于，所述数据融合模块还包括数据融合单元，所述数据融合单元用于将所述预处理后的多源路网数据中的每个实体数据的实体属性进行规范化处理，并将规范化处理后的实体属性和实体名进行分块聚合，然后将同一分块内不同来源...

【专利技术属性】
技术研发人员：杨邦会，胡乔利，
申请(专利权)人：中科海慧北京科技有限公司，
类型：发明
国别省市：