System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及机器学习,具体涉及一种基于火点样本的山火预测方法、系统、设备及介质。
技术介绍
1、山火对自然资源和人类生命财产安全造成了严重的破坏,因此山火预警显得尤为重要。传统的山火预警系统主要依赖于人工巡逻和数据分析,存在着预警效率低、准确性不高以及实时性差的问题。随着机器学习技术的不断发展,越来越多的研究开始尝试将机器学习方法应用于山火预警领域。例如,支持向量机(svm)、随机森林(random forest)、深度学习等方法被广泛应用于山火预警领域,这些方法通过训练模型来捕捉山火发生的规律和特征,以实现预警准确性的提高。
2、然而,现有技术仍存在一些不足之处。首先,数据采集不充分,往往缺乏全面准确和实时的山火相关数据,限制了模型的训练和预测能力。其次,特征选择方面存在不合理的问题,可能选取了与山火预警无关或冗余的特征,导致模型的性能下降。
技术实现思路
1、为了克服上述山火预警模型的训练和预测能力低的缺陷,本专利技术提供一种基于火点样本的山火预测方法,所述方法包括:
2、采集待测区域的实时山火数据,所述实时山火数据包括所述待测区域处的实时气象数据、实时生态环境数据或实时人类活动数据中的多个;
3、对所述实时山火数据进行特征工程处理,确定用于山火预测的实时数据特征;
4、将所述实时数据特征输入到预先训练的山火预测模型中,基于所述山火预测模型输出实时数据预测结果,所述实时数据预测结果用于表示山火的发生概率和/或分类标签。
< ...【技术保护点】
1.一种基于火点样本的山火预测方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,所述对所述实时山火数据进行特征工程处理,确定用于山火预测的实时数据特征包括:
3.如权利要求1或2所述的方法,其特征在于,所述山火预测模型的训练过程包括:
4.如权利要求3所述的方法,其特征在于,所述历史山火数据还包括非火点样本的历史气象数据、历史生态环境数据和历史人类活动数据。
5.如权利要求4所述的方法,其特征在于,所述获取历史山火数据后,还包括:
6.如权利要求4所述的方法,其特征在于,所述获取历史山火数据后,还包括:
7.如权利要求3所述的方法,其特征在于,所述将所述历史数据特征输入待训练的山火预测模型,基于所述山火预测模型输出历史数据预测结果包括:
8.如权利要求7所述的方法,其特征在于,还包括:
9.一种基于火点样本的山火预测系统,其特征在于,包括:
10.如权利要求9所述的系统,其特征在于,所述处理模块,具体用于在所述实时山火数据中,去除与山火预测无关或冗余的数据特
11.如权利要求9或10所述的系统,其特征在于,还包括:
12.如权利要求11所述的系统,其特征在于,所述历史山火数据还包括非火点样本的历史气象数据、历史生态环境数据和历史人类活动数据。
13.如权利要求12所述的系统,其特征在于,所述训练模块,还用于对所述历史山火数据进行数据预处理,得到预处理后的所述历史山火数据;所述数据预处理包括以下一种或多种处理方式:数据清洗、异常值处理、数据整理和格式化,在预处理后的所述历史山火数据中所述火点样本对应的数据被标记为正样本,所述非火点样本对应的数据被标记为负样本。
14.如权利要求12所述的系统,其特征在于,所述训练模块,还用于对所述历史山火数据进行样本平衡处理,得到样板平衡处理后的所述历史山火数据;所述样本平衡处理包括以下一种或多种处理方式:数据探索、数据采样、数据集成、交叉验证或监控山火预测模型的预测性能。
15.如权利要求11所述的系统,其特征在于,所述训练模块,具体用于将所述历史数据特征划分为训练集和测试集;将所述训练集输入待训练的山火预测模型,基于所述山火预测模型输出所述训练集的历史预测结果。
16.如权利要求15所述的系统,其特征在于,所述训练模块,还用于将所述测试集输入所述山火预测模型,基于所述山火预测模型输出所述测试集的历史预测结果;根据所述测试集、所述所述测试集的历史预测结果和模型评估指标,采用交叉验证算法对所述山火预测模型进行评估,确定模型评估结果;根据所述模型评估结果,确定所述山火预测模型产生预测错误的分析结果;根据所述分析结果,对所述山火预测模型进行优化。
17.一种计算机设备,其特征在于,包括:一个或多个处理器;
18.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求1至8中任意一项所述的基于火点样本的山火预测方法。
...【技术特征摘要】
1.一种基于火点样本的山火预测方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,所述对所述实时山火数据进行特征工程处理,确定用于山火预测的实时数据特征包括:
3.如权利要求1或2所述的方法,其特征在于,所述山火预测模型的训练过程包括:
4.如权利要求3所述的方法,其特征在于,所述历史山火数据还包括非火点样本的历史气象数据、历史生态环境数据和历史人类活动数据。
5.如权利要求4所述的方法,其特征在于,所述获取历史山火数据后,还包括:
6.如权利要求4所述的方法,其特征在于,所述获取历史山火数据后,还包括:
7.如权利要求3所述的方法,其特征在于,所述将所述历史数据特征输入待训练的山火预测模型,基于所述山火预测模型输出历史数据预测结果包括:
8.如权利要求7所述的方法,其特征在于,还包括:
9.一种基于火点样本的山火预测系统,其特征在于,包括:
10.如权利要求9所述的系统,其特征在于,所述处理模块,具体用于在所述实时山火数据中,去除与山火预测无关或冗余的数据特征,并选择与山火预测最相关的数据特征;对选择到的数据特征进行特征处理,确定所述实时数据特征,所述特征处理包括以下一种或多种:特征标准化、特征转换、特征组合、特征缩放或特征降维。
11.如权利要求9或10所述的系统,其特征在于,还包括:
12.如权利要求11所述的系统,其特征在于,所述历史山火数据还包括非火点样本的历史气象数据、历史生态环境数据和历史人类活动数据。
13.如权利要...
【专利技术属性】
技术研发人员:杨知,窦晓军,朱理宏,刘畅,张思航,张振威,李闯,丁思明,刘彬,童贤德,魏茂荣,阮先祥,许翔,
申请(专利权)人:中国电力科学研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。