本发明属于火灾风险预测,更具体地说,是涉及一种基于大数据的火灾预警方法。
背景技术:
1、对城市市民而言,由危险源引发的突发事件是影响城市安全的重要,尤其是突发火灾事件,更是对城市安全一个不小的安全的威胁因此,开发数据科学方面的技术对于实现火灾的早期预测至关重要。然而,尽管火灾在很大程度上损害着人类的生活,但是目前针对火灾风险预测的研究较少,其中,大部分是针对森林大火,而针对火灾的风险预测研究较少。
2、现有技术中都是基于社会背景数据这一非视觉的单模态数据进行的,但是城市中不仅包含丰富的非视觉社会背景数据,也包含丰富潜在信息的视觉数据,现有技术不能对数据进行深度处理,对火灾风险预测的精度不准确,不能很好的适应火灾风险的预测。
技术实现思路
1、本发明的目的在于提供一种基于大数据的火灾预警方法,旨在解决现有技术中火灾风险预测精度低、火灾数据源单一的技术问题。
2、为实现上述目的,本发明采用的技术方案是:提供一种基于大数据的火灾预警方法,包括:
3、步骤1:获取历史火灾数据集和卫星图像;
4、步骤2:基于历史火灾数据集对火灾事件进行数据分析,获取数据分析后的历史火灾数据集;
5、步骤3:对卫星图像进行卫星图像特征提取,获取卫星图像特征;
6、步骤4:对数据分析后的历史火灾数据集和卫星图像的图像特征进行特征拼接,获取特征拼接后的历史火灾数据集;
7、步骤5:构建特征嵌入模型,将特征拼接后的历史火灾数据集输入特征嵌入模型,获取特征嵌入后的历史火灾数据集;
8、步骤6:对特征嵌入后的历史火灾数据集进行动态特征加权;
9、步骤7:输出火灾风险预测结果。
10、优选地,所述历史火灾数据集包括:历史火灾数据、poi数据、卫星图像、气象数据和建筑能源能耗数据。
11、优选地,步骤2包括:
12、计算各个区域预设月份前一个月内发生的火灾数量和预设月份发生的火灾数量的相关系数,获取历史火灾数据集中poi数据、气象数据和建筑能源能耗数据与火灾事件的相关程度;
13、若相关系数大于预设值,则相应数据和火灾事件强相关,若相关系数小于预设数值,则相应数据和火灾事件弱相关;
14、将与火灾时间强相关的数据作为数据分析后的历史火灾数据集;
15、相关系数的计算公式为:
16、
17、其中,r为各个特征的相关系数,zx为预设月份发生的火灾的poi数据、气象数据和建筑能源能耗数据,zy为预设月份前一个月内发生的火灾的poi数据、气象数据和建筑能源能耗数据,n为预设月份发生的火灾的poi数据、气象数据和建筑能源能耗数据和预设月份前一个月内发生的火灾的poi数据、气象数据和建筑能源能耗数据的取值的配对个数。
18、优选地,步骤3包括:
19、步骤3.1:将卫星图像转换为灰度图像;
20、步骤3.2:基于盒计数方法计算灰度图像中大小为r的盒子中落入有效像素点的概率和分形测度;
21、步骤3.3:基于分形测度获取卫星图像的分形维度;
22、步骤3.4:基于卫星图像的分形维度获取卫星图像的分形特征向量{dn|n∈[0,q]},其中,dn为卫星图像的分形特征向量,q为常数;
23、步骤3.5:基于卫星图像的分形特征向量获取卫星图像特征;
24、盒子中落入有效像素点的概率的计算公式为:
25、
26、其中,pi(r)为盒子中落入有效像素点的概率,si(r)为落在第i个盒子中的像素点数量,m为大小为r的盒子总数量;
27、卫星图像的分形测度的计算公式为:
28、
29、其中,zr(q)为卫星图像的分形测度,pi(r)为盒子中落入有效像素点的概率,m为大小为r的盒子总数量,1b为bit。
30、优选地,步骤3.3包括:
31、基于分形维度计算公式获取卫星图像的分型维度;
32、卫星图像的分形维度的计算公式为:
33、
34、其中,dq为卫星图像的分形维度,r为盒计数方法中的盒子的大小,zr(q)为分形测度,1b为bit,q为常数。
35、优选地,步骤4包括:
36、基于bof方法获取历史火灾数据、poi数据、气象数据和建筑能源能耗数据的历史火灾特征、poi特征、气象特征和建筑能源能耗特征;
37、基于卫星图像的分形特征向量获取卫星图像特征;
38、将预设时刻的历史火灾特征、气象特征拼接成预设时刻的特征向量,将预设时间内的特征向量拼接成相应时间段的动态特征;
39、将预设时刻的、poi特征、卫星图像特征、历史火灾特征、气象特征拼接为预设时刻的静态特征。
40、优选地,步骤5包括:
41、特征嵌入模型包括:一维卷积层、梯度提升层、全连接网络和第二线性层;
42、全连接网络包括第一线性层和elu激活函数;
43、步骤5.1:将动态特征经过一维卷积层提取动态特征对应的dmotel维的高层特征表达;
44、步骤5.2:将静态特征输入到梯度提升层获取梯度提升后的静态特征;
45、步骤5.3:将梯度提升后的静态特征输入全连接网络获取静态特征对应的dmotel维的高层特征表达;
46、步骤5.4:将动态特征对应的dmotel维的高层特征表达和静态特征对应的dmotel维的高层特征表达统一至dmotel维;
47、步骤5.5:将dmotel维输入到第二线性层,基于transformer位置编码将特征之间的相对位置嵌入到特征中获取嵌入特征;
48、步骤5.6:基于嵌入特征获取位置编码特征,将位置编码特征和动态特征相加并输入transformer位置编码获取火灾的时间序列预测;
49、全连接网络中第一线性层的公式为:
50、v=f(wx+b)
51、其中,x为梯度提升后的静态特征,v为dmotel维的输出向量,w为网络的权重矩阵,b为网络的偏置矩阵;
52、全连接网络中elu激活函数的公式为:
53、
54、其中,f(x)为elu激活函数,x为常数,a为取值范围为[0,1]的参数,ex为指数函数。
55、优选地,步骤5.6包括:
56、基于transformer位置编码公式获取火灾的时间序列预测;
57、transformer位置编码公式为:
58、
59、
60、其中,pos为长度δt的时序特征中的位置常数,i为位置编码的维度,ppe(pos,2i)为2i位置的特征嵌入结果,ppe(pos,2i+1)为2i+1位置的特征嵌入结果。
61、优选地,步骤6包括:
62、基于第三线性层和softmax激活函数获取嵌入特征和dmotel维的输出向量对应的权值;
63、基于嵌入特征和dmotel维的输出向量对应的权值获取动态加权模块的最终输出;
64、基于动态加权模块的最终输出对火灾的时间序列预测进行优化,获取火灾风险预测结果;
65、嵌入特征和dmotel维的输出向量对应的权值的计算公式为:
66、wa=softmax(w1*va+w2*vb+b);
67、wb=1-wa
68、其中,wa为嵌入特征的权值,w1为第三线性层的第一参数,w2为第三线性层的第二参数,va为嵌入特征,xb为dmotel维的输出向量,b为网络的偏置矩阵,wb为dmotel维输出向量的权值;
69、动态加权模块的最终输出为:
70、ooutput=wa*va+wb*vb
71、其中,ooutput为动态加权模块的最终输出,wa为嵌入特征的权值,va为嵌入特征,xb为dmotel维的输出向量,wb为dmotel维输出向量的权值。
72、优选地,步骤7包括:
73、计算火灾风险预测结果和火灾风险的真实值的均方误差,若均方误差小于预设值,则输出火灾风险预测结果;
74、均方误差计算公式为:
75、
76、其中,l为火灾风险预测结果和火灾风险的真实值的均方误差,n为常数,yt,i为火灾风险的真实值,为火灾风险的预测结果。
77、本发明提供的一种基于大数据的火灾预警方法的有益效果在于:与现有技术相比,本发明从时间和空间两方面对火灾事故进行了预测,并将预测结果可视化,更为直观的观测发生火灾事故的风险程度,通过设计特征嵌入模块和动态加权模块,实现了静态信息和动态信息在特征层面和模型层面的融合,提高了预测的精准度和预测的性能。