[发明专利]多维数据整合下的火灾预测系统

说明书

本发明公开了多维数据整合下的火灾预测系统。包括：数据获取单元，配置用于获取目标监测区域的多方向数据，并将多方向数据进行方向分离，得到多个不同方向的变量；多方向数据包括：时间方向数据、空间方向数据和固有数据；数据整合单元，配置用于将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果，然后以一维数据整合结果作为前置条件，以空间方向数据为变量，使用第二异常判断模型进行二维数据整合，得到二维数据整合结果，最后以二维数据整合结果作为前置条件。其通过从空间维度、时间维度和自身维度的数据进行整合，基于条件概率的思想，进行火灾概率判断，具有判断准确率高的优点。

技术领域

本发明属于灾害预测技术领域，具体涉及多维数据整合下的火灾预测系统。

背景技术

农田秸秆焚烧、草原和森林的意外或偶发性火灾除可能造成空气污染、生态系统破坏外，还可能造成人口和财产损失。近年来，人为和气候等原因导致的火灾，尤其是农林草复合区火灾频发，然而由于农田与林草地发生火灾的驱动因素不同，且二者火灾发生的时间区段等差异也较明显，因此进行火灾的分类预测和预警十分重要。

进行火灾预测预警，需要从历史数据中得到火灾发生的时间、地点、焚烧面积、频率等信息。想要准确的获得这些信息，需要通过热红外获得燃烧的时间点或通过多光谱数据获得燃烧痕迹信息，再以此推算火灾发生的时间、地点、强度等信息。因此，现有方法中存在一些主要通过热红外异常信息的识别来获得火灾的发生时间的方法，以及一些基于燃烧痕迹的预测预警方法。

专利申请号为CN202010448952.5A的专利文献公开了一种基于动态集成神经网络的多源信息融合火灾预测方法，采用创新性的逻辑设计，基于多源信息融合方法建立火灾预测模型，将多种火灾特征信号依次经过信息层、特征层、决策层，在特征层利用深度学习中的LSTM和RBF-BP神经网络作为子网络对多源火灾特征信号进行自适应学习，并将输出结果进行集成分析，再经决策层完成火灾预测，解决了火灾信号的时变性和非线性特点以及单特征信号火灾预测方法的高漏报率和误报率问题，有效提高了火灾预测系统的识别准确度。

该发明使用的是基于深度学习和特征融合的方法，虽然能够提高火灾预测的准确率，但该方法本质上还是基于特征的融合，特征虽然能够反映数据整体的特征，但对于某些不明显的特征无法考虑到，使得准确率和效率上都不尽人意。

发明内容

有鉴于此，本发明的主要目的在于提供多维数据整合下的火灾预测系统，其通过从空间维度、时间维度和自身维度的数据进行整合，基于条件概率的思想，进行火灾概率判断，具有判断准确率高的优点。

为达到上述目的，本发明的技术方案是这样实现的：

多维数据整合下的火灾预测系统，所述系统包括：数据获取单元，配置用于获取目标监测区域的多方向数据，并将多方向数据进行方向分离，得到多个不同方向的变量；所述多方向数据包括：时间方向数据、空间方向数据和固有数据；数据整合单元，配置用于将时间方向数据作为变量，使用第一异常判断模型进行一维数据整合，得到一维数据整合结果，然后以一维数据整合结果作为前置条件，以空间方向数据为变量，使用第二异常判断模型进行二维数据整合，得到二维数据整合结果，最后以二维数据整合结果作为前置条件，以固有数据作为变量，使用第三异常判断模型进行三维数据整合，得到三维数据整合结果；所述第一异常判断模型、第二异常判断模型和第三异常判断模型均为异常判断模型，基于前置条件和/或变量，进行概率计算，得到一维数据整合结果、二维数据整合结果或三维数据整合结果；火灾判断单元，配置用于基于一维数据整合结果、二维数据整合结果和三维数据整合结果进行火灾预测，得到预测结果。

进一步的，所述时间方向数据包括：同一目标监测区域，不同时间发生火灾的频次、温度数据、湿度数据，以及不同光谱率下的光谱数据和热红外数据。

进一步的，所述空间方向数据定义为：将同一目标监测区域划分为多个子区域，这些子区域在同一时间下，发生火灾的频次、温度数据、湿度数据，以及不同光谱率下的光谱数据和热红外数据。