基于模型预测联动算法的智慧园区物联网联动系统的制作方法

本发明涉及智慧园区，具体是基于模型预测联动算法的智慧园区物联网联动系统。

背景技术：

1、联动算法是一种通过分析和挖掘数据之间的关联关系，利用这些关联关系来进行预测和决策的算法，模型预测联动算法的基本思想是将多个预测模型组合起来，利用它们之间的协同效应来提高预测的准确性和稳定性，随着智慧园区的迅速发展，现在越来越多的模型预测联动算法被运用在了智慧园区内，比如园区仓库的火灾预警；

2、在现有技术中，对于园区仓库的火灾预警往往将整个园区仓库作为一个整体进行预警，而忽略了园区仓库不同区域所具有的不同特点，导致火灾预警不具有针对性，且在现有技术中，往往根据不同的火灾因素构建了多种预测模型，却没能将不同预测模型的预测结果联动到一起，造成火灾预警的不准确，针对现有技术的不足，本发明提供了基于模型预测联动算法的智慧园区物联网联动系统。

技术实现思路

1、本发明的目的在于提供基于模型预测联动算法的智慧园区物联网联动系统。

2、本发明的目的可以通过以下技术方案实现：基于模型预测联动算法的智慧园区物联网联动系统，包括主控中心，所述主控中心通信连接有数据采集模块、数据处理模块、模型构建模块、模型评估模块、模型联动模块、信息反馈模块；

3、所述数据采集模块用于在园区仓库内设置数据采集点，并对温度、烟雾、可燃气体进行采集以获得相应的温度值、烟雾值、可燃气体浓度；

4、所述数据处理模块用于对所获得的温度值、烟雾值、可燃气体浓度进行处理以获得相应的可用数据；

5、所述模型构建模块用于根据所获得的可用数据分别构建相应的温度预测模型、烟雾预测模型、可燃气体预测模型；

6、所述模型评估模块用于对所构建的温度预测模型、烟雾预测模型、可燃气体预测模型进行评估以获得相应的准确率；

7、所述模型联动模块用于根据所获得的准确率对温度值、烟雾值、可燃气体浓度分别设置联动权重，并获得相应的火灾预警信号；

8、所述信息反馈模块用于对火灾预警信号进行反馈。

9、进一步的，所述数据采集模块在园区仓库内设置数据采集点的过程包括：

10、在园区仓库内任选一个位置作为初始数据采集点，获得园区仓库各个位置与当前已有数据采集点之间的最短距离，获得每个位置被选为下一个数据采集点的概率值，选择最大概率值所对应的位置作为下一个数据采集点，重复这一步骤，直到选择出k个数据采集点；

11、获得每个数据采集点与其他数据采集点之间的最短距离，获得每个数据采集点与其他数据采集点之间的总距离，选择最小总距离所对应的数据采集点作为数据采集总点，同时将其他数据采集点作为数据采集分点。

12、进一步的，所述数据采集模块对温度、烟雾、可燃气体进行采集以获得相应的温度值、烟雾值、可燃气体浓度的过程包括：

13、设置数据库和采集周期；

14、在数据采集点内设置温度采集单元，通过所述温度采集单元对该数据采集点的最近一个采集周期内的温度进行采集以获得相应的温度值，并将所获得的温度值上传至数据库进行保存；

15、在数据采集点内设置烟雾采集单元，通过所述烟雾采集单元对该数据采集点的最近一个采集周期内的烟雾进行采集以获得相应的烟雾值，并将所获得的烟雾值上传至数据库进行保存；

16、在数据采集点内设置气体采集单元，通过所述气体采集单元对该数据采集点的最近一个采集周期内的可燃气体进行采集以获得相应的可燃气体浓度，并将所获得的可燃气体浓度上传至数据库进行保存。

17、进一步的，所述数据处理模块对所获得的温度值、烟雾值、可燃气体浓度进行处理以获得相应的可用数据的过程包括：

18、设置数据处理单元，通过所述数据处理单元对温度值进行处理，所述数据处理单元对温度值的处理过程包括：离群点处理、缺失值处理、规范化处理；

19、所述离群点处理用于对异常温度值进行清理，所述离群点处理采用绝对中位差离群值处理方法，基于绝对离差中位数m判断温度值中的离群点，并对处于离群点的异常温度值进行清理；

20、所述缺失值处理用于对缺失温度值进行填充，所述缺失值处理采用统计量填充方法，根据温度值分布的情况对缺失温度值进行填充，若温度值近似符合正态分布，则采用均值进行填充，若温度值存在偏态分布，则采用中位数进行填充；

21、所述规范化处理用于对温度值格式进行统一，所述规范化处理采用z-score标准化方法，将经过处理后获得的温度值标记为温度可用数据，采取同样的方法分别对烟雾值、可燃气体浓度进行处理以获得相应的烟雾可用数据以及可燃气体可用数据。

22、进一步的，所述模型构建模块根据所获得的可用数据分别构建相应的温度预测模型、烟雾预测模型、可燃气体预测模型的过程包括：

23、获得数据采集点的历史火灾数据，并将所获得的历史火灾数据与其相应的温度可用数据进行绑定；

24、对所获得的温度可用数据进行特征提取以获得相应的火灾特征，选择逻辑回归模型作为初始的温度预测模型，将温度可用数据划分为训练集和测试集，使用训练集对初始的温度预测模型进行训练，通过学习温度可用数据中的模式以及规律以获得训练的温度预测模型，使用测试集对训练的温度预测模型进行评估，根据评估结果对训练的温度预测模型进行调优以获得调优的温度预测模型，并将最近调优的温度预测模型作为当前的温度预测模型；

25、采取同样的方法分别根据所获得的烟雾可用数据、可燃气体可用数据构建相应的烟雾预测模型以及可燃气体预测模型。

26、进一步的，所述模型评估模块对所构建的温度预测模型、烟雾预测模型、可燃气体预测模型进行评估以获得相应的准确率的过程包括：

27、将数据采集点后续的温度值输入至相应的温度预测模型以获得相应的预测结果，获得与预测结果所对应的实际情况，若预测结果与实际情况相同，则将该预测结果标记为准确预测，若预测结果与实际情况不相同，则将该预测结果标记为不准确预测；

28、设置评估周期，获得最近一个评估周期内所有的预测结果的预测数量，获得在所有预测结果中被标记为准确预测的预测结果的准确数量，获得温度预测模型的温度准确率，采取同样的方法分别对烟雾预测模型、可燃气体预测模型进行评估以获得相应的烟雾准确率和可燃气体准确率。

29、进一步的，所述模型联动模块根据所获得的准确率对温度值、烟雾值、可燃气体浓度分别设置联动权重，并获得相应的火灾预警信号的过程包括：

30、将所获得的温度准确率、烟雾准确率、可燃气体准确率分别进行比较，将最高的准确率标记为第一准确率，将第二高的准确率标记为第二准确率，将最低的准确率标记为第三准确率；

31、对不同的准确率分别设置不同的联动权重，获得数据采集点的火灾预警系数，设置预警阈值，将火灾预警系数与预警阈值进行比较，根据比较结果获得异常预警系数，并生成相应的火灾预警信号。

32、进一步的，所述信息反馈模块对火灾预警信号进行反馈的过程包括：

33、设置信息反馈单元，通过所述信息反馈单元对所获得的火灾预警信号进行反馈，并由工作人员根据所获得的火灾预警信号对园区仓库进行后续处理。

34、与现有技术相比，本发明的有益效果是：

35、1、通过在园区仓库内设置若干个数据采集点，对各个数据采集点的温度值、烟雾值、可燃气体浓度分别进行采集，并以此为基础构建相应的预测模型，有利于对园区仓库的不同区域实现具有针对性的火灾预警；

36、2、通过构建温度预测模型、烟雾预测模型、可燃气体预测模型，并获得各个预测模型的准确率，对不同的准确率设置不同的联动权重，进而获得相应的火灾预警信号，能够有效地提高火灾预警的准确性。