一种城市火灾隐患动态预测监控的方法及系统

摘要

本发明提供了一种城市火灾隐患动态预测监控的方法及系统，该方法包括：步骤1：基于先验知识和相关火灾资料的搜集，确定与火灾存在关联关系的致灾因子，同时搜集海量火灾案例以及与案例相对应的致灾因子数据，从而生成原始数据训练集；步骤2：筛选出与火灾概率具有强关联的致灾因子；步骤3：对于强关联的致灾因子进行数据预处理；步骤4：根据数据预处理生成的数据训练集，构建城市火灾动态预测模型；步骤5：将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。本发明的有益效果是：本发明的预测结果精度更高，更有可信性，而且结合二维、三维地图，利用数据可视化技术，结果更清晰。

说明书

技术领域

本发明涉及数据处理技术领域，尤其涉及一种城市火灾隐患动态预测监控的方法及系统。

背景技术

随着城市的发展，大中型城市常住人口增加迅速，“三旧”待改造面积大，高密度的人口和大面积的消防隐患集聚地为监控消防安全带来了极大的难度。同时，随着城市不断向数字化、智能化和智慧化的发展，数据的来源越来越多样，数据蕴含的内容越来越丰富，面对海量的数据怎么筛选出合理、准确的致灾因素进行检测也是一个极大的挑战。当前的城市消防远程监控系统结构复杂，且功能十分简单。通常情况下，这类系统对火灾报警信息、建筑物消防设施运行状态信息、消防安全管理信息进行接收、处理和管理，提供信息查询，向城市消防指挥中心或其他接处警中心发送经确认的火灾报警信息。一般来说，这类系统数据来源单一，很难进行数据深度处理，不能对火灾隐患进行有效预测，更无法对火情救援预案进行支撑。

在大数据时代的背景下，随着信息技术的不断发展，城市信息化应用水平不断提升，智慧城市建设应运而生，同时消防安全是城市管理和整治的重要内容，而传统的城市消防远程监控系统无法满足智慧城市的消防需求。在当前城市发展的需求下，实现城市火灾隐患的动态预测与监控，对构建和实现智慧消防具有重要的意义。

发明内容

本发明提供了一种城市火灾隐患动态预测监控的方法，包括如下步骤：

步骤1：基于先验知识和相关火灾资料的搜集，确定与火灾存在关联关系的致灾因子，同时搜集海量火灾案例以及与案例相对应的致灾因子数据，从而生成原始数据训练集；

步骤2：将火灾发生概率与搜集的致灾因子进行基于关联规则的特征选取，从而筛选出与火灾概率具有强关联的致灾因子；

步骤3：对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行非线性变换；

步骤4：根据数据预处理生成的数据训练集，构建城市火灾动态预测模型；

步骤5：将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。

作为本发明的进一步改进，在所述步骤2中，首先将致灾因子属性值进行分级离散化分析，将具有连续变化数值的因子以等级数值表示，然后对离散化后的属性值进行关联规则挖掘，最后筛选出与火灾概率具有强关联的致灾因子。

作为本发明的进一步改进，在所述步骤3中，对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行Box-Cox非线性变换。

作为本发明的进一步改进，在所述步骤4中，城市火灾动态预测模型基于XgBoost算法构建，首先，建立XgBoost算法的参数列表，通过迭代函数逐步添加参数调试，并通过建立迭代函数与损失函数的关系，根据损失函数选取最优参数。

作为本发明的进一步改进，该方法还包括：

步骤6：基于建筑物的火灾隐患等级的属性值，对建筑物的隐患级别进行标识，从而实现动态预测隐患等级的可视化。

本发明还提供了一种城市火灾隐患动态预测监控的系统，包括：

生成模块：用于基于先验知识和相关火灾资料的搜集，确定与火灾存在关联关系的致灾因子，同时搜集海量火灾案例以及与案例相对应的致灾因子数据，从而生成原始数据训练集；

筛选模块：用于将火灾发生概率与搜集的致灾因子进行基于关联规则的特征选取，从而筛选出与火灾概率具有强关联的致灾因子；

数据预处理模块：用于对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行非线性变换；

构建预测模型模块：用于根据数据预处理生成的数据训练集，构建城市火灾动态预测模型；

动态预测模块：用于将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。

作为本发明的进一步改进，在所述筛选模块中，首先将致灾因子属性值进行分级离散化分析，将具有连续变化数值的因子以等级数值表示，然后对离散化后的属性值进行关联规则挖掘，最后筛选出与火灾概率具有强关联的致灾因子。

作为本发明的进一步改进，在所述数据预处理模块中，对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行Box-Cox非线性变换。

作为本发明的进一步改进，在所述构建预测模型模块中，城市火灾动态预测模型基于XgBoost算法构建，首先，建立XgBoost算法的参数列表，通过迭代函数逐步添加参数调试，并通过建立迭代函数与损失函数的关系，根据损失函数选取最优参数。

作为本发明的进一步改进，该系统还包括可视化模块：用于基于建筑物的火灾隐患等级的属性值，对建筑物的隐患级别进行标识，从而实现动态预测隐患等级的可视化。

本发明的有益效果是：本发明的预测结果精度更高，更有可信性，而且结合二维、三维地图，利用数据可视化技术，结果更清晰。

附图说明

图1是损失函数与迭代次数关系图。

具体实施方式

本发明公开了一种城市火灾隐患动态预测监控的方法，包括如下步骤：

步骤1：基于先验知识（如天干物燥）和相关火灾资料的搜集，确定与火灾存在关联关系的致灾因子，同时搜集海量火灾案例以及与案例相对应的致灾因子数据，从而生成原始数据训练集。

步骤2：将火灾发生概率与搜集的致灾因子进行基于关联规则的特征选取，关联规则的特征选择可实现从大量的数据集中基于支持度、置信度和提升度迅速提取具有强关联规则的项目集。本发明应用关联规则挖掘算法从海量数据中发现与火灾隐患有较强关联性的因素，在对模型预测结果影响不大的情况下，清洗特征集合中冗余特征，有利于提升模型运行速率，节省不必要浪费的时间和资源。相对于其它关联规则算法来说，关联规则算法的优点是节省时间和空间，对大规模数据釆用分治的办法以避免规模巨大难以接受。本发明应用关联规则算法对市火灾案例数据进行关联规则数据挖掘，找出各类火灾致灾高频因子，通过对挖掘出来的特征建立多元回归模型，预测火灾发生的趋势和起数。具体实现步骤为：首先将致灾因子属性值进行分级离散化分析，将具有连续变化数值的因子以等级数值表示；其次对离散化后的属性值进行关联规则挖掘；最终筛选出与火灾概率具有强关联的致灾因子。

步骤3：对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行Box-Cox非线性变换；在构建预测线性模型过程中，会遇到样本某特征的连续响应向量不服从正态分布的情况，若在这时仍然直接对数据建立线性模型，模型拟合效果不好，考虑对该连续响应变量进行一种非线性变换，统计中常用的一种非线性变换是Box-Cox 变换，经过Box-Cox 变换后，可以一定程度上减小不可观测误差与预测变量之间的相关性。同时在变换过程中使用极大似然估计得到的最优λ值，可以使上述过程的效果更好。

步骤4：根据数据预处理生成的数据训练集，构建城市火灾动态预测模型；本发明使用的模型基于XgBoost算法构建。由于在消防火灾预警系统中，数据样本达到千万级别，采用神经网络或其他决策树增强模型消耗时间较多。XgBoost 针对处理海量数据，提供缓存感知预读取技术、分布式外存计算技术、AllReduce 容错工具提高现有提升树增强算法运算速率，解决当前提升树增强算法局限于百万级别数据量的问题，提升算法运行速率。首先，建立XgBoost算法的参数列表，通过迭代函数逐步添加参数调试，并通过建立迭代函数与损失函数的关系，根据损失函数选取最优参数。由迭代次数和损失函数关系图（图1）可知，随着迭代次数的增加，损失函数呈指数下降，即迭代次数越多，损失函数越小。

步骤5：将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。即，在步骤5中，由于建筑物的特征改变较慢，只需要定期检查和更新，进行动态预测模型的参数调整，以改变不同建筑物的隐患等级。至于气象因素，城市火灾隐患动态调用和接入动态的气象数据后，实现基于模型动态预测不同建筑物的火灾隐患。因此，本发明将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。

步骤6：基于建筑物的火灾隐患等级的属性值，对高隐患的建筑物进行高亮标识，对处于较低隐患等级以绿色标识，由此实现动态预测隐患等级的可视化。

步骤1是基于先验知识和相关资料进行致灾因子的确定以及搜集数据生成原始数据训练集。步骤2、3、4和5基于Python建立工具箱和处理流程并进行处理结果传递，对原始数据训练集进行算法实现，实现致灾因子的筛选，数据预处理，动态预测模型的建立和动态预测、更新建筑物的隐患等级。步骤6将隐患等级作为属性值进行渲染，实现动态预测结果的可视化。由此，形成完整统一的火灾隐患动态预测的技术流程。

本发明还公开了一种城市火灾隐患动态预测监控的系统，包括：

生成模块：用于基于先验知识和相关火灾资料的搜集，确定与火灾存在关联关系的致灾因子，同时搜集海量火灾案例以及与案例相对应的致灾因子数据，从而生成原始数据训练集；

筛选模块：用于将火灾发生概率与搜集的致灾因子进行基于关联规则的特征选取，从而筛选出与火灾概率具有强关联的致灾因子；

数据预处理模块：用于对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行非线性变换；

构建预测模型模块：用于根据数据预处理生成的数据训练集，构建城市火灾动态预测模型；

动态预测模块：用于将基于模型预测的动态火灾隐患等级作为属性值关联到建筑物模型中，实现建筑物火灾隐患等级的更新。

在所述筛选模块中，首先将致灾因子属性值进行分级离散化分析，将具有连续变化数值的因子以等级数值表示，然后对离散化后的属性值进行关联规则挖掘，最后筛选出与火灾概率具有强关联的致灾因子。

在所述数据预处理模块中，对于强关联的致灾因子进行数据预处理，从而对不服从正态分布特征的致灾因子的数据进行Box-Cox非线性变换。

在所述构建预测模型模块中，城市火灾动态预测模型基于XgBoost算法构建，首先，建立XgBoost算法的参数列表，通过迭代函数逐步添加参数调试，并通过建立迭代函数与损失函数的关系，根据损失函数选取最优参数。

该系统还包括可视化模块：用于基于建筑物的火灾隐患等级的属性值，对建筑物的隐患级别进行标识，从而实现动态预测隐患等级的可视化。

本发明实现了二三维地图展示和查询功能，使用Box-Cox算法对不服从正态分布特征的数据进行非线性变换，筛选出具有强关联的致灾因子；运算速度高以及算法精度高的XgBoost算法构建模型；预测结果可视化，通过展示系统展示。

本发明具有如下技术优势：

1. 现有系统数据来源单一，难以多方面融合考虑致灾因素；本发明对城市公共教育设施的空间数据、建筑特征数据、气象特征数据、人口数据、消防业务数据、物联数据、视频数据等进行多源融合，并进行降维处理，从而合理、准确的筛选出致灾因素；

2. 现有系统火灾隐患预测精度低，可信度不高；本发明建立新型动态预测模型，针对不同特征的数据选用合适的算法进行数据清洗、挖掘、关联，筛选出具有强关联的致灾因子。选用运算速度高以及算法精度高的XgBoost模型构建模型，极大提高了预测结果的可信性和精度。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。