一种安消防集指平台数据管理方法技术

本发明专利技术涉及数据处理技术领域，具体涉及一种安消防集指平台数据管理方法，包括：先将时序数据序列划分为若干个时间段，得到时间段对应的趋势序列，再将趋势序列划分为若干个小趋势序列，根据趋势序列中所有相邻小趋势序列的实际差异和对应的总趋势向量，确定时间段内数据趋势的多变性，进而确定时间段的多变性校正系数，获取时间段内的数据趋势的杂乱性，再根据相邻两个时间段内的数据趋势的杂乱性和数据数量，确定相邻两个时间段的重要性，进而确定时序数据序列对应的多项式阶数调节系数，从而确定多项式阶数，由此对时序数据序列进行平滑去噪处理。本发明专利技术能在保留数据趋势特征的同时去除噪声，并防止过渡拟合，令数据失去真实性。性。性。

【技术实现步骤摘要】
一种安消防集指平台数据管理方法


[0001]本专利技术涉及数据处理
，具体涉及一种安消防集指平台数据管理方法。

技术介绍

[0002]安消防集指平台数据管理是指在安全与消防一体化管理中，对相关数据进行集中管理和处理的过程。其通过传感器、监控设备等手段，定期地采集与安全和消防相关的数据进行存储，再对存储的数据进行分析和挖掘，提取有用的信息和模式，将分析结果以可视化的方式展示，并对采集到的数据进行安全保护。由此实现对安全与消防相关数据的集中管理和分析，提供决策支持和改进机会，从而提高整体的安全与消防管理水平。
[0003]但由于环境条件、数据采集设备、采样位置和方式、数据处理和传输等因素的影响，导致采集的安全和消防相关的数据存在噪声，从而影响后续的数据分析和挖掘，以及消防决策的可信性，因此需要进行必要的噪声处理和校正。
[0004]Savitzky
‑
Golay平滑滤波算法是一种常用的数据平滑去噪方法，它通过基于最小二乘拟合的方式对数据进行平滑去噪处理，其能在保留数据趋势特征的同时去除噪声，且该算法中多项式阶数对去噪效果有着重要的影响。
[0005]现有的问题：采集的安全和消防相关的数据中的噪声出现位置和大小不定，当灾害发生时，较高的多项式阶数，可以更好地适应数据的变化趋势，但过高的多项式拟合阶数可能会导致过度拟合，使得平滑结果失去原始数据的真实特征，还可能会造成虚假警报，影响后续消防决策的可信性。

技术实现思路

[0006]本专利技术提供一种安消防集指平台数据管理方法，以解决现有的问题。
[0007]本专利技术的一种安消防集指平台数据管理方法采用如下技术方案：本专利技术一个实施例提供了一种安消防集指平台数据管理方法，该方法包括以下步骤：使用传感器采集建筑物内火灾从发生至结束时任意一个区域内的一氧化碳浓度数据，得到时序数据序列，将时序数据序列划分为若干个时间段；根据时间段内相邻两个数据的差异，得到趋势序列，将趋势序列划分为若干个小趋势序列；根据相邻两个小趋势序列对应的总趋势向量和不规律性，确定相邻两个小趋势序列的实际差异；根据趋势序列中所有相邻小趋势序列的实际差异和对应的总趋势向量，确定时间段内数据趋势的多变性；获取参考时序数据序列，将时间段对应的同时间点上参考时序数据序列中的时间段，记为参考时间段；根据参考时间段内的数据变化特征，确定参考时间段的可信度；根据时间段与其对应的所有参考时间段的相关性和所有参考时间段的可信度，确定时间段的多变性校正系数；根据时间段的多变性校正系数和时间段内数据趋势的多变性，确定时间段内的数据趋势的杂乱性；
根据相邻两个时间段内的数据趋势的杂乱性和数据数量，确定相邻两个时间段的重要性；根据所有相邻时间段的重要性和所有时间段对应的整体向量，确定时序数据序列对应的多项式阶数调节系数；根据时序数据序列对应的多项式阶数调节系数，确定时序数据序列对应的多项式阶数；根据时序数据序列对应的多项式阶数，使用Savitzky
‑
Golay平滑滤波算法对时序数据序列进行平滑去噪处理，得到去噪后的时序数据序列。
[0008]进一步地，所述根据时间段内相邻两个数据的差异，得到趋势序列，将趋势序列划分为若干个小趋势序列，包括的具体步骤如下：依次计算时间段内相邻两个数据的差值的绝对值，得到趋势序列；使用一阶导数法得到趋势序列中的局部极值点，根据趋势序列中的局部极值点将趋势序列划分为若干个小趋势序列。
[0009]进一步地，所述根据相邻两个小趋势序列对应的总趋势向量和不规律性，确定相邻两个小趋势序列的实际差异，包括的具体步骤如下：以趋势序列中的数据值为纵轴、序数值为横轴构建第一平面坐标系，在第一平面坐标系上，将小趋势序列中第一个数据点至最后一个数据点的方向和欧式距离构建的向量，记为总趋势向量；将小趋势序列中前一个数据点至后一个数据点的方向和欧式距离构建的向量，记为分趋势向量；将小趋势序列中所有分趋势向量分别与总趋势向量的夹角值的方差，记为小趋势序列的不规律性；将相邻两个小趋势序列的不规律性之和的归一化值与相邻两个小趋势序列对应的总趋势向量的夹角值的乘积，记为相邻两个小趋势序列的实际差异。
[0010]进一步地，所述根据趋势序列中所有相邻小趋势序列的实际差异和对应的总趋势向量，确定时间段内数据趋势的多变性，包括的具体步骤如下：若趋势序列划分的小趋势序列的数量大于预设的数量阈值时，根据趋势序列中所有相邻小趋势序列的实际差异和所有相邻小趋势序列对应的总趋势向量的夹角值，确定时间段内各状态之间的实际差异；根据时间段内各状态之间的实际差异和趋势序列划分的小趋势序列的数量，确定时间段内数据趋势的多变性；若趋势序列划分的小趋势序列的数量小于等于预设的数量阈值，则时间段内数据趋势的多变性设置为预设的多变性。
[0011]进一步地，所述根据时间段内各状态之间的实际差异和趋势序列划分的小趋势序列的数量，确定时间段内数据趋势的多变性对应的具体计算公式为：其中C为时间段内数据趋势的多变性，D为趋势序列划分的小趋势序列的数量，n为时间段内的数据数量，为趋势序列划分的第i个和第i+1个小趋势序列对应的总趋势向量
的夹角值，为趋势序列划分的第i个和第i+1个小趋势序列的实际差异，为趋势序列划分的所有相邻小趋势序列的实际差异之和，a为预设的常数。
[0012]进一步地，所述获取参考时序数据序列，将时间段对应的同时间点上参考时序数据序列中的时间段，记为参考时间段；根据参考时间段内的数据变化特征，确定参考时间段的可信度，包括的具体步骤如下：使用传感器采集时序数据序列对应的同时间、同频率、同地点的二氧化碳和氢气以及烟雾浓度数据，得到时序数据序列，记为参考时序数据序列；其中二氧化碳和氢气以及烟雾为预设的参考数据类型；将时间段对应的同时间点上参考时序数据序列中的时间段，记为参考时间段；使用一阶导数法得到参考时间段内的局部极值点，根据参考时间段内的局部极值点，将参考时间段划分为若干个小参考时间段；将参考时间段内的局部极值点数量的反比归一化值和参考时间段划分的所有小参考时间段内数据数量中的最大值的乘积，记为参考时间段的可信度。
[0013]进一步地，所述根据时间段与其对应的所有参考时间段的相关性和所有参考时间段的可信度，确定时间段的多变性校正系数；根据时间段的多变性校正系数和时间段内数据趋势的多变性，确定时间段内的数据趋势的杂乱性，包括的具体步骤如下：根据时间段分别与其对应的所有参考时间段中数据的协方差和时间段与其对应的所有参考时间段的可信度，确定时间段的多变性校正系数；将时间段的多变性校正系数和时间段内数据趋势的多变性的乘积，记为时间段内的数据趋势的杂乱性。
[0014]进一步地，所述将时间段的多变性校正系数和时间段内数据趋势的多变性的乘积，记为时间段内的数据趋势的杂乱性对应的具体计算公式为：其中G为时间段内的数据趋势的杂乱性，C为时间段内数据趋势的多变性，为时间段与其对应的第i个参考时间段中数据的协方差，为时间段对应的第i个参考时间段的可信度，为时间段本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种安消防集指平台数据管理方法，其特征在于，该方法包括以下步骤：使用传感器采集建筑物内火灾从发生至结束时任意一个区域内的一氧化碳浓度数据，得到时序数据序列，将时序数据序列划分为若干个时间段；根据时间段内相邻两个数据的差异，得到趋势序列，将趋势序列划分为若干个小趋势序列；根据相邻两个小趋势序列对应的总趋势向量和不规律性，确定相邻两个小趋势序列的实际差异；根据趋势序列中所有相邻小趋势序列的实际差异和对应的总趋势向量，确定时间段内数据趋势的多变性；获取参考时序数据序列，将时间段对应的同时间点上参考时序数据序列中的时间段，记为参考时间段；根据参考时间段内的数据变化特征，确定参考时间段的可信度；根据时间段与其对应的所有参考时间段的相关性和所有参考时间段的可信度，确定时间段的多变性校正系数；根据时间段的多变性校正系数和时间段内数据趋势的多变性，确定时间段内的数据趋势的杂乱性；根据相邻两个时间段内的数据趋势的杂乱性和数据数量，确定相邻两个时间段的重要性；根据所有相邻时间段的重要性和所有时间段对应的整体向量，确定时序数据序列对应的多项式阶数调节系数；根据时序数据序列对应的多项式阶数调节系数，确定时序数据序列对应的多项式阶数；根据时序数据序列对应的多项式阶数，使用Savitzky
‑
Golay平滑滤波算法对时序数据序列进行平滑去噪处理，得到去噪后的时序数据序列。2.根据权利要求1所述一种安消防集指平台数据管理方法，其特征在于，所述根据时间段内相邻两个数据的差异，得到趋势序列，将趋势序列划分为若干个小趋势序列，包括的具体步骤如下：依次计算时间段内相邻两个数据的差值的绝对值，得到趋势序列；使用一阶导数法得到趋势序列中的局部极值点，根据趋势序列中的局部极值点将趋势序列划分为若干个小趋势序列。3.根据权利要求1所述一种安消防集指平台数据管理方法，其特征在于，所述根据相邻两个小趋势序列对应的总趋势向量和不规律性，确定相邻两个小趋势序列的实际差异，包括的具体步骤如下：以趋势序列中的数据值为纵轴、序数值为横轴构建第一平面坐标系，在第一平面坐标系上，将小趋势序列中第一个数据点至最后一个数据点的方向和欧式距离构建的向量，记为总趋势向量；将小趋势序列中前一个数据点至后一个数据点的方向和欧式距离构建的向量，记为分趋势向量；将小趋势序列中所有分趋势向量分别与总趋势向量的夹角值的方差，记为小趋势序列的不规律性；将相邻两个小趋势序列的不规律性之和的归一化值与相邻两个小趋势序列对应的总趋势向量的夹角值的乘积，记为相邻两个小趋势序列的实际差异。4.根据权利要求1所述一种安消防集指平台数据管理方法，其特征在于，所述根据趋势序列中所有相邻小趋势序列的实际差异和对应的总趋势向量，确定时间段内数据趋势的多变性，包括的具体步骤如下：若趋势序列划分的小趋势序列的数量大于预设的数量阈值时，根据趋势序列中所有相
邻小趋势序列的实际差异和所有相邻小趋势序列对应的总趋势向量的夹角值，确定时间段内各状态之间的实际差异；根据时间段内各状态之间的实际差异和趋势序列划分的小趋势序列的数量，确定时间段内数据趋势的多变性；若趋势序列划分的小趋势序列的数量小于等于预设的数量阈值，则时间段内数据趋势的多变性设置为预设的多变性。5.根据权利要求4所述一种安消防集指平台数据管理方法，其特征在于，所述根据时间段内各状态之间的实际差异和趋势序列划分的小趋势序列的数量，确定时间段内数据趋势的多变性对应的具体计算公式为：其中C为时间段内数据趋势的多变性，D为趋势序列划分的小趋势序列的数量，n为时间段内的数据数量，为趋...

【专利技术属性】
技术研发人员：欧阳波，
申请(专利权)人：湖南湘江智慧科技股份有限公司，
类型：发明
国别省市：