(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210956829.3 (22)申请日 2022.08.10 (71)申请人 蚌埠依爱消防电子有限责任公司 地址 233000 安徽省蚌埠市迎河路13 00号 (蚌埠依爱电子产业园电子厂房) (72)发明人 张庆庆　王立龙　张红英　盛义伟　 徐琰　方宜海　靳超　何会杰　 胡明宇　 (74)专利代理 机构 合肥正则元起专利代理事务 所(普通合伙) 3416 0 专利代理师 刘念 (51)Int.Cl. G06Q 10/04(2012.01) G06F 16/215(2019.01) G06F 16/2458(2019.01)G06F 16/28(2019.01) G06K 9/62(2022.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于系统安全模型的多维度消防安全 评估预警系统 (57)摘要 本发明公开了一种基于系统安全模型的多 维度消防安全评估预警系统， 涉及公共安全预警 技术领域， 通过将社会单位消防系统中的静态数 据以及动态数据划分为基础数据、 非视频数据、 视频数据以及维保数据； 对于不同类型的数据进 行不同方式的数据清洗、 数据转换以及关联分 析； 再将各个经过预处理的数据类型的特征向量 输入至对应的神经网络模型， 获得各个维度的安 全预测数据； 再将各维度安全预测数据进行拼接 并进行模型训练以及模型评估； 获得最终的综合 预测状态； 解决了消防信息资源利用不充分且预 测不准确的问题。 权利要求书2页 说明书5页 附图1页 CN 115310704 A 2022.11.08 CN 115310704 A 1.一种基于系统安全模型的多维度消防安全评估预警系统， 其特征在于， 包括数据收 集模块、 数据 清洗模块、 数据预 处理模块、 数据关联模块、 模 型预测模块以及综合预测模块； 其中， 各个模块之间采用电气方式连接； 所述数据收集模块用于收集社会单位的消防设备感知的多维度 数据； 所述数据收集模 块将收集到的多维度数据发送至数据清洗模块； 所述数据清洗模块用于对每个维度的数据进行清洗； 所述数据清洗模块将清 理后的数 据发送至数据预处 理模块； 所述数据 预处理模块用于对各个维度 数据进行预处理； 所述数据 预处理模块将转换后 的数据发送至数据关联模块； 所述数据关联模块用于使用对挑选相关度最高的属性以降低问题的复杂度； 所述数据 关联模块将进行关联分析后的数据发送至模型 预测模块； 所述模型预测模块用于对每一个维度的数据使用不同的机器学习 模型进行状态判断； 所述模型 预测模块将输出的特 征向量组合发送至综合预测模块； 所述综合预测模块用于根据 各个维度 数据获得的特征向量进行拼接； 将拼接的数据输 入至全连接层 进行训练； 并将全连接层的输出数据输入至D ‑S证据理论合 成法则中， 获得评 估结果； 综合判断消防安全状态。 2.根据权利要求1所述的一种基于系统安全模型的多维度消防安全评估预警系统， 其 特征在于， 所述多维度数据包括基础数据、 非视频 数据、 视频 数据以及维保数据。 3.根据权利要求2所述的一种基于系统安全模型的多维度消防安全评估预警系统， 其 特征在于， 所述基础数据包括四个维度数据， 分别为建筑数据、 设备数据、 救援 收集以及区 域数据； 每个维度的数据都可能包 含静态的离 散数据以及随时间变化的动态数据； 其中， 所述的静态数据为控制器部件检测值、 人员在岗状态、 消防管网末端压力检测 值、 消防水池和水箱液位、 控制柜手自动状态、 消防电源工作电压和电流、 剩余电流以及温 湿度； 其中， 所述动态数据可火警误报率、 设备故障率、 设备巡检率、 维修及时率、 设备在线 率、 管网压力变化、 水箱液位变化以及线缆温度变化； 所述静态数据与动态数据根据自身特性分别归类于不同的维度数据中。 4.根据权利要求1所述的一种基于系统安全模型的多维度消防安全评估预警系统， 其 特征在于， 所述数据清洗模块对数据的清洗包括处 理缺失数据、 离群点以及重复数据。 5.根据权利要求1所述的一种基于系统安全模型的多维度消防安全评估预警系统， 其 特征在于， 所述预处理包括将数据进行转换以及对视频数据的镜头分割、 关键帧提取以及 特征提取。 6.根据权利要求1所述的一种基于系统安全模型的多维度消防安全评估预警系统， 其 特征在于， 所述数据关联模块为对于基础数据， 使用最大相关最小冗余MRMR算法和后向搜 索算法进行 特征选择。 7.根据权利要求1所述的一种基于系统安全模型的多维度消防安全评估预警系统， 其 特征在于， 所述模型 预测模块对于各个维度数据采用的状态判断方式包括： 对于基础数据， 预先使用收集的训练用带有标签的基础数据， 经过数据清洗、 数据转换权　利　要　求　书 1/2 页 2 CN 115310704 A 2以及关联分析后获得训练用的特征向量， 输入至LSTM神经网络模型中， 对LSTM神经网络进 行训练； 所述标签为安全状态， 分为正常、 预警、 异常、 严重； LSTM神经网络输出包含四个节 点， 分别对应正常、 预警、 异常、 严重四种状态； 将待判断的基础数据神经特征向量， 输入至 训练完成的LSTM神经网络模型中， 获得4*1 维度的输出向量A； 对于非视频数据， 预先使用收集的训练用带有标签的非视频数据， 经过数据清洗以及 数据转换后获得训练用的特征向量； 再使用高斯混合模型对数据进行聚类； 再将聚类后的 数据输入至LSTM神经网络模 型中， 对LSTM神经网络进 行训练； 所述标签为安全状态， 分为正 常、 预警、 异常、 严重； 将待判断的非视频数据神经特征向量， 输入至训练完成的LSTM神经网 络模型中， 获得4*1 维度的输出向量B； 对于视频数据， 预先使用收集的训练用带有标签的视频数据， 经过数据清洗以及数据 预处理后获得训练用的特征向量； 输入至ConvLSTM神经网络模型中， 对ConvLSTM神经网络 进行训练； 所述标签为安全状态， 分为正常、 预警、 异常、 严重； 将待判断的视频数据神经特 征向量， 输入至训练完成的ConvLSTM神经网络模 型中， 输出四通道的特征图， 再通过全局平 均池化， 输出4*1 维度的特 征向量C； 对于维保数据， 预先使用收集的训练用带有标签的维保数据， 经过数据清洗以及数据 转换后获得训练用的特征向量； 输入至LSTM神经网络模 型中， 对LSTM神经网络进行训练； 所 述标签为安全状态， 分为正常、 预警、 异常、 严重； 将待判断的非视频数据神经特征向量， 输 入至训练完成的LSTM神经网络模型中， 获得4*1维度的输出向量； 根据 维保计划、 维保结果 的实际情况 再调节相应的权 重， 进行优化； 获得最终的4*1 维度特征向量D。 8.根据权利要求1所述的一种基于系统安全模型的多维度消防安全评估预警系统， 其 特征在于， 所述综合预测模块将特征向量A、 特征向量B、 特征向量C以及特征向量D进行拼 接； 将拼接后的特征向量输入至一个全连接层； 再进 行模型训练； 将训练完成的模型的输出 的多维度数据进 行模型评估； 所述模型评估为将多维度数据输入D ‑S证据理论合成法则中， 获得评估结果； 通过模型评估的结果来不断调整模型参数， 最后通过调整好的模型输出最 终的概率预测值， 概 率预测值 最高的即为对应的预测安全状态。权　利　要　求　书 2/2 页 3 CN 115310704 A 3