【技术实现步骤摘要】
本专利技术属于消防安全管理，涉及一种智慧消防的数据安全监管系统及方法。
技术介绍
1、智慧消防是指将智能技术应用于消防领域，以提高火灾应对和灭火救援的效率、安全性和可持续性。智慧消防涉及多个方面的技术和应用，包括传感器网络、物联网、大数据分析和人工智能等。大数据分析和人工智能技术通过对大量的火灾数据进行分析和挖掘，可以识别火灾的模式和趋势，预测火灾风险，优化消防资源的配置和应对策略。人工智能技术可以应用于火灾数据的处理、模式识别和决策支持等方面。
2、然而，现实中传感器监测的温度数据与现场监控图像是相对独立的，现有技术难以综合温度与现场监控图像特征，以预测火灾发生的概率，导致智慧消防的数据分析能力下降，安全监管智慧化程度不足。
技术实现思路
1、为解决现有技术中存在的上述问题，本专利技术提供了一种智慧消防的数据安全监管系统及方法。
2、本专利技术的目的可以通过以下技术方案实现：
3、第一方面，本申请提供了一种智慧消防的数据安全监管系统，包括数据采集模块、数据筛选模块、风险评估模块和安全监管模块，其中：
4、所述数据采集模块，用于采集消防设备、传感器和监控系统的消防数据，所述消防数据包括火灾报警信息、温度和现场监控图像；
5、所述数据筛选模块，连接数据采集模块，用于将最新采集的消防数据与已存储的消防数据进行比较，选择具有明显波动的消防数据传输至风险评估模块；
6、所述风险评估模块，连接数据筛选模块，用于将数据筛选
7、所述安全监管模块，连接风险评估模块，用于将火灾报警发生概率可视化展示，并设定火灾报警发生概率阈值，当输出的火灾报警发生概率超过所述火灾报警发生概率阈值时，系统开始报警。
8、进一步地，所述数据筛选模块中，所述已存储的消防数据，配置为未发生火灾时的消防数据。
9、进一步地，所述数据筛选模块中，所述将最新采集的消防数据与已存储的消防数据进行比较，选择具有明显波动的消防数据传输至风险评估模块，包括以下步骤：
10、s1、计算已存储的消防数据的变异系数，获得初始变异系数；
11、s2、将最新采集的数据与已存储的消防数据进行合并，获得新消防数据；
12、s3、计算新消防数据的变异系数，获得新变异系数；
13、s4、将新变异系数减去初始变异系数，获得消防数据波动值；
14、s5、若所述消防数据波动值超过预设的波动阈值，则将最新采集的消防数据传输至风险评估模块；若所述消防数据波动值未超过预设的波动阈值，则删除最新采集的消防数据。
15、进一步地，消防数据的变异系数，计算公式为：
16、cv＝(sd/mean)×100％，
17、式中，cv表示消防数据的变异系数；sd表示消防数据变量的标准差；mean表示消防数据变量的平均值。
18、进一步地，所述风险评估模块中，所述预设的风险评估模型，包括以下构建步骤：
19、t1、数据收集：收集历史时期的消防数据，所述消防数据包括火灾报警信息、温度和现场监控图像；
20、t2、将火灾报警信息划分为二元报警数据，所述二元报警数据具体为将有发生火灾报警的信息记为“1”，未发生火灾报警的信息记为“0”；
21、t3、筛选有发生火灾报警的火灾报警信息所对应的现场监控图像，提取图像的关键特征，获得火灾图像特征数据；
22、t4、将温度和火灾图像特征数据作为自变量，二元报警数据作为因变量，构建可预测火灾报警发生概率的深度学习模型。
23、进一步地，步骤t1中，所述历史时期的消防数据，需要同时包括发生火灾报警和未未发生火灾报警时的消防数据。
24、进一步地，步骤t4中，所述可预测火灾报警发生概率的深度学习模型，配置为多元逻辑回归模型，所述多元逻辑回归模型表达式，写为：
25、
26、式中：p为火灾报警发生的概率；z为自变量的线性组合，其表达式为：
27、z＝b0+b1x1+b2x2+....+bnxn，
28、式中：b0是模型的截距；bi为模型的斜率系数；xi为加入模型的自变量；i＝1，2，…，n，其中n为加入模型的变量个数。
29、本实施例中，多元逻辑回归模型属于多元统计模型，具有量化多个自变量对因变量综合影响的概率。在日常工作中，由于不可视的温度数据与可视的现场监控图像是判断火灾发生的重要因素，通过综合评估二者以确定火灾发生的概率，大大提升了智慧消防的数据安全监管效率。
30、第二方面，本申请提供了一种智慧消防的数据安全监管方法，应用于如上所述的一种智慧消防的数据安全监管系统，包括以下步骤：
31、收集历史时期的消防数据，所述消防数据包括火灾报警信息、温度和现场监控图像；
32、将火灾报警信息划分为二元报警数据，所述二元报警数据具体为将有发生火灾报警的信息记为“1”，未发生火灾报警的信息记为“0”；
33、筛选有发生火灾报警的火灾报警信息所对应的现场监控图像，提取图像的关键特征，获得火灾图像特征数据；
34、将温度和火灾图像特征数据作为自变量，二元报警数据作为因变量，构建可预测火灾报警发生概率的深度学习模型。
35、本专利技术的有益效果：
36、通过收集历史时期的消防数据，所述消防数据包括火灾报警信息、温度和现场监控图像；将火灾报警信息划分为二元报警数据，所述二元报警数据具体为将有发生火灾报警的信息记为“1”，未发生火灾报警的信息记为“0”；筛选有发生火灾报警的火灾报警信息所对应的现场监控图像，提取图像的关键特征，获得火灾图像特征数据；将温度和火灾图像特征数据作为自变量，二元报警数据作为因变量，构建可预测火灾报警发生概率的深度学习模型。本专利技术解决了现有技术中难以综合监测的温度和现场监控图像，预测火灾报警发生概率的问题，提高了消防数据安全监管的智能化管理能力。
本文档来自技高网...【技术保护点】
1.一种智慧消防的数据安全监管系统，其特征在于：包括数据采集模块、数据筛选模块、风险评估模块和安全监管模块，其中：
2.根据权利要求1所述的一种智慧消防的数据安全监管系统，其特征在于：所述数据筛选模块中，所述已存储的消防数据，配置为未发生火灾时的消防数据。
3.根据权利要求1所述的一种智慧消防的数据安全监管系统，其特征在于：所述数据筛选模块中，所述将最新采集的消防数据与已存储的消防数据进行比较，选择具有明显波动的消防数据传输至风险评估模块，包括以下步骤：
4.根据权利要求3所述的一种智慧消防的数据安全监管系统，其特征在于：消防数据的变异系数，计算公式为：
5.根据权利要求1所述的一种智慧消防的数据安全监管系统，其特征在于：步骤T1中，所述历史时期的消防数据，需要同时包括发生火灾报警和未未发生火灾报警时的消防数据。
6.根据权利要求1所述的一种智慧消防的数据安全监管系统，其特征在于：步骤T4中，所述多元逻辑回归模型，表达式写为：
7.一种智慧消防的数据安全监管方法，其特征在于：应用于如权利要求1-6任一项所述的
...【技术特征摘要】
1.一种智慧消防的数据安全监管系统，其特征在于：包括数据采集模块、数据筛选模块、风险评估模块和安全监管模块，其中：
2.根据权利要求1所述的一种智慧消防的数据安全监管系统，其特征在于：所述数据筛选模块中，所述已存储的消防数据，配置为未发生火灾时的消防数据。
3.根据权利要求1所述的一种智慧消防的数据安全监管系统，其特征在于：所述数据筛选模块中，所述将最新采集的消防数据与已存储的消防数据进行比较，选择具有明显波动的消防数据传输至风险评估模块，包括以下步骤：
4.根据权利要求3所述的...
【专利技术属性】
技术研发人员：林擎，黄俊，刘海怀，杨晶晶，舒哲瑞，徐生杰，
申请(专利权)人：中通服建设有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。