火灾预测模型训练、使用方法、设备和介质技术

本发明专利技术提供了一种火灾预测模型训练方法，具体实现方案为：获取预设参数，基于数据模拟软件生成与目标场景对应的模拟火灾数据；其中，所述预设参数包括目标场所空间参数以及火灾特征参数；基于所述模拟火灾数据进行初步建模，生成火灾预测模型；利用特征蒸馏方式训练所述火灾预测模型并利用历史时序信息对所述火灾预测模型进行实时修正。根据本发明专利技术的技术方案，克服了传统物理模拟火灾预测模型在时效性上的不足，加快了模型的推理速度，同时能够对火灾全时段进行预测，提供更符合实际环境的预测结果及有效的火灾救援信息。预测结果及有效的火灾救援信息。预测结果及有效的火灾救援信息。

【技术实现步骤摘要】
火灾预测模型训练、使用方法、设备和介质


[0001]本专利技术涉及人工智能
，尤其涉及深度学习、图像处理、计算机视觉
，可用于智慧消防场景，具体涉及一种火灾预测模型训练、使用方法、设备和介质。

技术介绍

[0002]在物联网、云计算、大数据、移动互联网等新兴信息技术的快速发展背景下，“传统消防”在向“现代消防”转变过程中，高密度城市环境下智慧消防的建设要求构建立体化、全覆盖的社会火灾防控系统。现有的智慧消防体系中，缺乏快速获取火灾现场温度和有毒烟气分布的能力，不利于消防员正确判断火情，更有可能威胁到消防员的健康与生命安全。然而，目前的火灾预测方法存在如下不足：
[0003]1、由于火灾场景是一种长时段的演变过程，单一预测模型难以适应环境多变的火灾场景，而训练现有的模型重新拟合新的物理扩散模型需要花费大量的时间，这种朴素的训练新模型方法显然不适合时间紧迫的火灾抢险场景。
[0004]2、现有技术中还可以基于深度学习的研究技术利用长短期记忆网络(Long Short
‑
Term Memory，LSTM)能够对实时火灾预测信息进行修正，虽然提升了准确率，但修正效果依然有较大提升的空间，并且没有解决模型复杂所导致的推理速度慢与难部署问题。
[0005]可见，为了提供更符合实际环境的预测结果，有必要对实时预测的火灾网络模型进行进一步研究。

技术实现思路

[0006]为了实现上述目的，本专利技术公开了一种对火灾预测模型进行训练的方法，针对传统物理模拟火灾预测模型在时效性上的不足，加快了模型的推理速度，同时能够对火灾全时段进行预测，提供更符合实际环境的预测结果及有效的火灾救援信息。
[0007]根据本专利技术的一方面，提供了一种火灾预测模型训练方法，包括以下步骤：获取预设参数，基于数据模拟软件生成与目标场景对应的模拟火灾数据；其中，预设参数包括目标场所空间参数以及火灾特征参数；基于模拟火灾数据进行初步建模，生成火灾预测模型；利用特征蒸馏方式训练火灾预测模型并利用历史时序信息对火灾预测模型进行实时修正。
[0008]可选地，上述火灾预测模型训练方法还包括，利用特征蒸馏方式训练所述火灾预测模型包括利用像素间的分布一致性关系对所述火灾预测模型进行蒸馏。
[0009]可选地，上述火灾预测模型训练方法还包括，利用像素间的分布一致性关系对所述火灾预测模型进行蒸馏包括：训练火灾预测模型；对火灾预测模型进行编号并使用层次剪枝算法削减网络规模，进而利用特征蒸馏方式训练削减网络层次后的模型。
[0010]可选地，上述火灾预测模型训练方法还包括，准备收集的模拟火灾数据，设置网络超参数；计算模拟火灾数据和真实火灾场景下的传感器得到的不同时间的单个位置的指定类型烟气的浓度和选定平面的每个点随时间变化的温度数据的均方误差损失；逆卷积网络梯度回传获得网络模型。
[0011]可选地，上述火灾预测模型训练方法还包括，对火灾预测模型进行编号并使用层次剪枝算法削减网络规模，进而利用特征蒸馏方式训练削减网络层次后的模型包括：对火灾预测模型进行层次剪枝，得到第一轻量级火灾预测模型；计算火灾模型T和S'的特征向量f
t
,f
s
；输入f
t
,f
s
计算特征蒸馏损失并进行训练，得到第二轻量级火灾预测模型。
[0012]可选地，上述火灾预测模型训练方法还包括，火灾预测模型包括至少两个不同阶段的火灾预测子模型。
[0013]可选地，上述火灾预测模型训练方法还包括，利用历史时序信息对火灾预测模型进行实时修正包括：通过实际传感器实时采集不同阶段的灾情数据；设计不同火灾阶段下的特征估计函数，结合特征关系蒸馏维持原有的识别模式；基于不同的火灾预测子模型，通过参数复制和特征学习的方式保留原有的识别模式，并利用新的火灾数据实时更新在线增量学习所述火灾预测子模型，修正火灾预测错误。
[0014]可选地，上述火灾预测模型训练方法还包括，目标场所空间参数至少包括以下参数之一：场景空间尺寸、门尺寸、窗口尺寸；所述火灾特征参数至少包括以下参数之一：燃烧物位置、燃烧物燃料、单位面积的热释放率值、温度、增长系数、模拟时间。
[0015]可选地，上述火灾预测模型训练方法还包括，基于所述模拟火灾数据进行初步建模，生成火灾预测模型之前，还包括：将火灾现场的传感器实际测量数据与模拟火灾数据进行比对分析，根据结果调整数据模拟软件的预设参数。
[0016]可选地，上述火灾预测模型训练方法还包括，基于所述模拟火灾数据进行初步建模，生成火灾预测模型包括：将模拟火灾数据输入逆卷积神经网络中进行训练，得到火灾预测模型。
[0017]根据本专利技术的另一方面，提供一种火灾预测模型的使用方法，包括：将上述火灾预测模型训练模型部署到中心服务器上；根据不同目标场景、不同阶段以及灾情数据，切换到相匹配的火灾预测模型；使用所述火灾预测模型对火灾灾情进行预测。
[0018]可选地，上述火灾预测模型的使用方法还包括，基于网络边缘的传感器收集所述灾情数据，通过云边协同方式将所述传输灾情数据到中心服务器中；所述中心服务器基于所述网络边缘的位置来源信息以及灾情数据确定所述火灾的发生阶段和目标场景，选择相匹配的火灾预测模型进行预测。
[0019]根据本专利技术的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，其中，计算机程序被执行时实现如上所述的火灾预测模型训练方法的步骤。
[0020]根据本专利技术的另一方面，提供一种计算机设备，包括处理器、存储器和存储于存储器上的计算机程序，其中，处理器执行计算机程序时实现如上所述的火灾预测模型训练方法的步骤。
[0021]根据本专利技术的技术方案，针对传统物理模拟火灾预测模型在时效性上的不足，通过知识蒸馏方法轻量化基于深度学习的火灾温烟气预测模型，加快了模型的推理速度，减少了模型规模；同时利用在线增量学习方法全时段对火灾进行预测，相较于传统的单时段预测能够提供更符合实际环境的预测结果及有效的火灾救援信息。
[0022]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0023]并入到说明书中并且构成说明书的一部分的附图示出了本专利技术的实施例，并且与相关的文字描述一起用于解释本专利技术的原理。在这些附图中，类似的附图标记用于表示类似的要素。下面描述中的附图是本专利技术的一些实施例，而不是全部实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。
[0024]图1是本公开实施例提供的一种火灾预测模型训练方法的流程图；
[0025]图2是本公开实施例提供的利用像素间的分布一致性关系对目标网络进行蒸馏的示意图；
[0026]图3是用来实现本公开实施例的火灾预测模型训练使用方法的流程图。
具体实施方式
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种火灾预测模型训练方法，其特征在于，包括：获取预设参数，基于数据模拟软件生成与目标场景对应的模拟火灾数据；其中，所述预设参数包括目标场所空间参数以及火灾特征参数；基于所述模拟火灾数据进行初步建模，生成火灾预测模型；利用特征蒸馏方式训练所述火灾预测模型并利用历史时序信息对所述火灾预测模型进行实时修正。2.如权利要求1所述的火灾预测模型训练方法，其特征在于，所述利用特征蒸馏方式训练所述火灾预测模型包括：利用像素间的分布一致性关系对所述火灾预测模型进行蒸馏。3.如权利要求2所述的火灾预测模型训练方法，其特征在于，所述利用像素间的分布一致性关系对所述火灾预测模型进行蒸馏包括：训练所述火灾预测模型；对所述火灾预测模型进行编号并使用层次剪枝算法削减网络规模，进而利用特征蒸馏方式训练削减网络层次后的模型。4.如权利要求3所述的火灾预测模型训练方法，其特征在于，所述训练所述火灾预测模型包括：准备收集的模拟火灾数据，设置网络超参数；计算所述模拟火灾数据和真实火灾场景下的传感器得到的不同时间的单个位置的指定类型烟气的浓度和选定平面的每个点随时间变化的温度数据的均方误差损失；逆卷积网络梯度回传获得网络模型。5.如权利要求3所述的火灾预测模型训练方法，其特征在于，所述对所述火灾预测模型进行编号并使用层次剪枝算法削减网络规模，进而利用特征蒸馏方式训练削减网络层次后的模型包括：对火灾预测模型进行层次剪枝，得到第一轻量级火灾预测模型；计算火灾模型T和S'的特征向量f
t
,f
s
；输入f
t
,f
s
计算特征蒸馏损失并进行训练，得到第二轻量级火灾预测模型。6.如权利要求1所述的火灾预测模型训练方法，其特征在于，所述火灾预测模型包括至少两个不同阶段的火灾预测子模型。7.如权利要求6所述火灾预测模型训练方法，其特征在于，所述利用历史时序信息对所述火灾预测模型进行实时修正包括：通过实际传感器实时采集不同阶段的灾情数据；设计不同火灾阶段下的特征估计函数，...

【专利技术属性】
技术研发人员：刘向荣，黄越涵，沈练，陈中贵，余航，柳娟，
申请(专利权)人：厦门大学，
类型：发明
国别省市：