一种基于火点样本的山火预测方法、系统、设备及介质与流程

本发明涉及机器学习，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。

背景技术：

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，本发明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。

5、可选的，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：

6、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；

7、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。

8、可选的，所述山火预测模型的训练过程包括：

9、获取历史山火数据，所述历史山火数据包括火点样本的历史气象数据、历史生态环境数据、历史人类活动数据和山火属性信息；

10、对所述历史山火数据进行特征工程处理，确定用于山火预测的历史数据特征；

11、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；

12、根据所述历史数据特征、所述历史数据预测结果以及机器学习算法对应的优化算法和损失函数，对所述山火预测模型迭代训练。

13、可选的，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。

14、可选的，所述获取历史山火数据后，还包括：

15、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山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。

16、可选的，所述获取历史山火数据后，还包括：

17、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。

18、可选的，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：

19、将所述历史数据特征划分为训练集和测试集；

20、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。

21、可选的，还包括：

22、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；

23、根据所述测试集、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；

24、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；

25、根据所述分析结果，对所述山火预测模型进行优化。

26、另一方面，本发明还提供一种基于火点样本的山火预测系统，包括：

27、采集模块，用于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；

28、处理模块，用于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；

29、预测模块，用于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。

30、可选的，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。

31、可选的，还包括：

32、训练模块，用于获取历史山火数据，所述历史山火数据包括火点样本的历史气象数据、历史生态环境数据、历史人类活动数据和山火属性信息；对所述历史山火数据进行特征工程处理，确定用于山火预测的历史数据特征；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；根据所述历史数据特征、所述历史数据预测结果以及机器学习算法对应的优化算法和损失函数，对所述山火预测模型迭代训练。

33、可选的，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。

34、可选的，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山点样本对应的数据被标记为正样本，所述非山点样本对应的数据被标记为负样本。

35、可选的，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。

36、可选的，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。

37、可选的，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。

38、另一方面，本发明还提供一种计算机设备，其特征在于，包括：一个或多个处理器；

39、所述处理器，用于存储一个或多个程序；

40、当所述一个或多个程序被所述一个或多个处理器执行时，实现上述中任意一项所述的基于火点样本的山火预测方法。

41、另一方面，本发明还提供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，实现上述中任意一项所述的基于火点样本的山火预测方法。

42、与现有技术相比，本发明的有益效果为：

43、本发明提供一种基于火点样本的山火预测方法，包括：采集待测区域的实时山火数据，实时山火数据包括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；对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；将实时数据特征输入到预先训练的山火预测模型中，基于山火预测模型输出实时数据预测结果，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。本发明在数据采集方面，选择了多个数据来源，充分收集了山火相关的各类数据，并且确定了山火数据中用于山火预测的实时数据特征，挑选出了最具代表性的特征，提高山火预测的准确性和鲁棒性，从而实现更加高效、准确和实时的山火预警。