CN111860997B - 跨数据、信息、知识模态与量纲的预警方法及组件 - Google Patents
跨数据、信息、知识模态与量纲的预警方法及组件 Download PDFInfo
- Publication number
- CN111860997B CN111860997B CN202010692385.8A CN202010692385A CN111860997B CN 111860997 B CN111860997 B CN 111860997B CN 202010692385 A CN202010692385 A CN 202010692385A CN 111860997 B CN111860997 B CN 111860997B
- Authority
- CN
- China
- Prior art keywords
- resource
- perception
- information
- data
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008447 perception Effects 0.000 claims abstract description 198
- 230000004927 fusion Effects 0.000 claims abstract description 47
- 238000003860 storage Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 71
- 238000004364 calculation method Methods 0.000 claims description 49
- 238000004140 cleaning Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 11
- 230000007774 longterm Effects 0.000 abstract description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种跨数据、信息、知识模态与量纲的预警方法、装置、设备及可读存储介质，该方法包括：获取目标预警场景的感知信息和感知知识，并利用传感器实时采集目标预警场景的感知数据；将感知信息、感知知识和感知数据确定为感知资源；将感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型进行安全预测，得到安全预测结果；判断安全预测结果与预设报警条件是否匹配；如果是，则利用告警设备进行预警。可见，在该方法中，无需人工参与分析，能够实现实时、长期的预警，且该综合预测模型能够融合数据、信息和知识，能够多维度、跨模态、跨量纲价值的进行安全预测，能够保障安全预测结果的准确可靠性。
Description
技术领域
本发明涉及监控技术领域，特别是涉及一种跨数据、信息、知识模态与量纲的预警方法、装置、设备及可读存储介质。
背景技术
预警即在灾害或灾难以及其他需要提防的危险发生之前，根据以往的总结的规律或观测得到的可能性前兆，对外发出紧急信号，报告危险情况，以避免危害在不知情或准备不足的情况下发生，从而最大程度的减低危害所造成的损失的行为。
在自然灾害防范、计算机***监控、道路安全监控等具体场景下，都可以进行预警。但是，目前已有的预警方案，往往需要人为参与分析、或基于有标签样本对模型进行训练之后进行预警。对于人为参与分析这种预警方式，受限于人的经验且难以达到实时、长期预警。对于基于训练后的模型进行预警，则仅能针对已知情况进行预警，对于未知情况，则难以实现预警。
综上所述，如何进行有效预警等问题，是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种跨数据、信息、知识模态与量纲的预警方法、装置、设备及可读存储介质，利用面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型对目标预警场景的感知资源进行预测，无需人工分析也无需采集大量的有标签样本训练模型，便可得到安全预测结果，进而基于安全预测结果便可实现安全预警。
为解决上述技术问题，本发明提供如下技术方案：
一种跨数据、信息、知识模态与量纲的预警方法，包括：
获取目标预警场景的感知信息和感知知识，并利用传感器实时采集所述目标预警场景的感知数据；
将所述感知信息、所述感知知识和所述感知数据确定为感知资源；
将所述感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型进行安全预测，得到安全预测结果；
判断所述安全预测结果与预设报警条件是否匹配；
如果是，则利用告警设备进行预警。
优选地，若所述目标预警场景为天气预警场景，则所述感知数据与气象数据对应，感知信息与气象信息对应，感知知识与气象预测规则对应；
相应的，所述获取目标预警场景的感知信息和感知知识，并利用传感器实时采集所述目标预警场景的感知数据，包括：
利用所述传感器实时采集所述气象数据；
从存储设备中读取所述气象信息和所述气象预测规则。
优选地，若所述目标预计场景为交通预警场景，则所述感知数据与交通数据对应，感知信息与交通信息对应，感知知识与交通预测规则对应；
相应的，所述获取目标预警场景的感知信息和感知知识，并利用传感器实时采集所述目标预警场景的感知数据，包括：
利用所述传感器实时采集所述交通数据；所述交通数据包括道路监控图像数据，车辆定位导航数据和车辆车速中的至少一种；
从存储设备中读取所述交通信息和所述交通预测规则。
优选地，所述融合预测模型包括补偿模块、资源频率统计模块、不同源资源处理模块、不同模态资源处理模块、不同维度资源处理模块、价值计算模块、资源清洗模块和融合预测模块；
相应的，将所述感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的融合预测模块进行预测，得到安全预测结果，包括：
利用所述资源清洗模块，对所述感知资源进行清洗；
利用所述资源频率统计模块，确定所述感知资源对应的频率价值；
利用所述不同源资源处理模块，确定所述感知资源对应的各个资源源价值；
利用所述不同模态资源处理模块，确定所述感知资源对应的各个模态资源价值；
利用所述不同维度资源处理模块，确定所述感知资源对应的各个维度价值；
利用所述补偿模块，对所述感知资源进行补偿；
利用所述价值计算模块，确定所述感知资源的参考价值；
利用所述融合预测模块，结合各个模块的处理结果，对所述感知资源进行预测，得到所述安全预测结果。
优选地，所述融合预测模型还包括：资源价值修正模块、相应的，将所述感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的融合预测模块进行预测，得到安全预测结果，包括：
利用所述资源价值修正模块，对所述感知资源的参考价值进行修正。
优选地，所述补偿模块包括数据向信息补偿子模块和/或信息向数据补偿子模块；
相应地，对所述感知资源进行补偿，包括：
利用所述数据向信息补偿子模块对所述感知资源进行信息补偿处理，得到信息补偿后的感知资源；
和/或，利用所述信息向数据补偿子模块对所述感知资源进行数据补偿处理，得到数据补偿后的感知资源。
优选地，所述价值计算模块包括信息长度价值计算子模块和/或信息广度价值计算子模块；
相应地，所述确定所述感知资源的参考价值，包括：
利用所述信息长度价值计算子模块，确定出所述感知资源对应的信息长度价值；
和/或，利用所述信息广度价值计算子模块，确定出所述感知资源对应的信息广度价值。
一种跨数据、信息、知识模态与量纲的预警装置，包括：
获取单元，用于获取目标预警场景的感知信息和感知知识，并利用传感器实时采集所述目标预警场景的感知数据；
资源确定单元，用于将所述感知信息、所述感知知识和所述感知数据确定为感知资源；
预测单元，用于将所述感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型进行安全预测，得到安全预测结果；
判断单元，用于判断所述安全预测结果与预设报警条件是否匹配；
预警单元，用于如果所述安全预测结果与所述预设报警条件匹配，则利用告警设备进行预警。
一种跨数据、信息、知识模态与量纲的预警设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述跨数据、信息、知识模态与量纲的预警方法的步骤。
一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述跨数据、信息、知识模态与量纲的预警方法的步骤。
应用本发明实施例所提供的方法，获取目标预警场景的感知信息和感知知识，并利用传感器实时采集目标预警场景的感知数据；将感知信息、感知知识和感知数据确定为感知资源；将感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型进行安全预测，得到安全预测结果；判断安全预测结果与预设报警条件是否匹配；如果是，则利用告警设备进行预警。
对于目标预警场景，可以先获取其感知信息和感知资源，然后通过传感器实时采集目标预警场景的感知数据。将感知信息、感知资源和感知知识确定为感知资源。将感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型进行安全预测进行安全预测。由于综合预测模型能够融合数据、信息和知识，能够针对多种形式的感知资源进行融合处理，且该综合预测模型能够多维度、跨模态、跨量纲价值进行安全预测，可以得到有效的安全预测结果。然后，便可判断安全预测结果与预设报警条件是否匹配，如果匹配则可利用告警设备进行预警。可见，在本方法中，无需人工参与分析，能够实现实时、长期的预警，且该综合预测模型也无需基于有标签样本进行学习，且该综合预测模型能够融合数据、信息和知识，能够多维度、跨模态、跨量纲价值的进行安全预测，能够保障安全预测结果的准确可靠性。
相应地，本发明实施例还提供了与上述跨数据、信息、知识模态与量纲的预警方法相对应的跨数据、信息、知识模态与量纲的预警装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种跨数据、信息、知识模态与量纲的预警方法的实施流程图；
图2为本发明实施例中一种跨数据、信息、知识模态与量纲的预警装置的结构示意图；
图3为本发明实施例中一种跨数据、信息、知识模态与量纲的预警设备的结构示意图；
图4为本发明实施例中一种跨数据、信息、知识模态与量纲的预警设备的具体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
请参考图1，图1为本发明实施例中一种跨数据、信息、知识模态与量纲的预警方法的流程图，该方法包括以下步骤：
S101、获取目标预警场景的感知信息和感知知识，并利用传感器实时采集目标预警场景的感知数据。
目标预警场景可以为针对内网网络安全预警、针对某区域的天气预警、针对空间的防盗场景或某道路的交通安全预警等需要进行预警的场景。
具体来说，可以通过传感器采集感知数据，直接从其他设备、平台或本地***得到预先存储(也可实时更新)感知信息，感知知识。
下面以具体的目标预警场景为例，对感知数据、感知信息和感知知识的获取过程进行详细说明：
对于目标预警场景为天气预警场景，则感知数据与气象数据对应，感知信息与气象信息对应，感知知识与气象预测规则对应；相应的，步骤S101可以具体包括：
步骤1、利用传感器实时采集气象数据；
步骤2、从存储设备中读取气象信息和气象预测规则。
具体的，可以获取地面站、探空站、测风站、火箭站、辐射站、农气站和自动气象站中的传感器采集的气象数据。气象数据可以具体包括湿度传感器、温度传感器、数据采集器、压力传感器、风速传感器等传感器所采集的温度、湿度、压力、风速等数据。气象信息即表明两种或两种以上的气象数据之间的关联关系。例如，风速越高，温度越低。气象预测规则即表明气象预测规则的知识，例如，降雨前气温会降低，空气压强也会降低；压强更高的空气分子被水气分子排挤，扩散到降雨带***区域。
对于目标预计场景为交通预警场景，则感知数据与交通数据对应，感知信息与交通信息对应，感知知识与交通预测规则对应；相应的，步骤S101可以具体包括：
步骤1、利用传感器实时采集交通数据；交通数据包括道路监控图像数据，车辆定位导航数据和车辆车速中的至少一种；
步骤2、从存储设备中读取交通信息和交通预测规则。
其中，传感器可以具体测速传感器，也可以为道路监控摄像头，道路上的车辆计数器、测速仪，也可以具体为车辆内的定位设备中的传感器。
交通数据即为与交通相关的数据，例如，道路监控图像数据，车辆定位导航数据，道路上的测速传感器采集的速度数据等。
交通信息即表征不同的交通数据之间的关联关系，例如，道路限速数据与车辆行驶速度有对应关系。
交通预测规则，即能够预警交通情况的知识。例如，红灯车辆需停止通过路口。具体来说，交通预测规则可以参照交通法规中规定的违章规定。
对于其他具体预警场景的感知数据、感知信息和感知资源获取方式可参照上述获取过程，在此不再一一赘述。
S102、将感知信息、感知知识和感知数据确定为感知资源。
即，感知资源即为与进行预警相关的资源，可具体为感知数据、感知信息、感知知识。
S103、将感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型进行安全预测，得到安全预测结果。
得到感知资源之后，可以将其输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型(在本文中同综合预测模型)进行安全预测，便可得到安全预测结果。
在综合预测模型中，可以设置面对不同输入的感知资源的处理模块，当输入的感知资源对应满足相应条件，则触发相应模块，进行处理。具体的，融合预测模型包括补偿模块、资源频率统计模块、不同源资源处理模块、不同模态资源处理模块、不同维度资源处理模块、价值计算模块、资源清洗模块和融合预测模块；
相应的，安全预测过程中，可对感知资源如下部分或全部处理方式进行处理：
资源清洗：利用资源清洗模块，对感知资源进行清洗；
频率统计：利用资源频率统计模块，确定感知资源对应的频率价值；
不同源资源处理：利用不同源资源处理模块，确定感知资源对应的各个资源源价值；
不同模态资源处理：利用不同模态资源处理模块，确定感知资源对应的各个模态资源价值；
不同维度资源处理：利用不同维度资源处理模块，确定感知资源对应的各个维度价值；
资源补偿：利用补偿模块，对感知资源进行补偿；
参考价值确定：利用价值计算模块，确定感知资源的参考价值；
融合预测：利用融合预测模块，结合各个模块的处理结果，对感知资源进行预测，得到安全预测结果。
优选地，融合预测模型还包括：资源价值修正模块、
相应的，将感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的融合预测模块进行预测，得到安全预测结果，包括：
价值修正：利用资源价值修正模块，对感知资源的参考价值进行修正。
其中，补偿模块包括数据向信息补偿子模块和/或信息向数据补偿子模块；
相应地，对感知资源进行补偿，包括：
利用数据向信息补偿子模块对感知资源进行信息补偿处理，得到信息补偿后的感知资源；
和/或，利用信息向数据补偿子模块对感知资源进行数据补偿处理，得到数据补偿后的感知资源。
其中，价值计算模块包括信息长度价值计算子模块和/或信息广度价值计算子模块；
相应地，确定感知资源的参考价值，包括：
利用信息长度价值计算子模块，确定出感知资源对应的信息长度价值；
和/或，利用信息广度价值计算子模块，确定出感知资源对应的信息广度价值。
为便于理解各个模块的作用与实现过程，下面举例说明各个模块的具体作用和处理过程。
首先需要说明的是：资源元素(ElementsDIK)包括数据、信息和知识三种形态：
ElementsDIK::＝<Data，Information，Knowledge>；
价值的本质是数量性存在，价值就是数量值。
数据进行分组后，分布在各组内的数据个数称为频数或次数，各组频数与全部频数之和的比值称为频率或比重。
描述同一实体同一属性的感知资源处理之前，先判断该感知资源的来源、维度和模态是否相同，对于不同源资源，利用不同源资源处理模块进行处理；对于不同维度的资源，利用不同维度资源处理模块进行处理；对于不同模态的资源，利用不同模态资源处理模块进行处理。
(1)、对于资源频率统计模块：
面向直接获取的同源同维度同模态资源，基于资源频率积累统计计算资源价值。
对于单变量数值类资源，ValueDCumulative表示某一数值取值范围内的频率之和，称为该数值取值范围内对应的资源的价值。
其中，∑FreqE表示对资源E对应数值取值范围内资源的频数求和，FreqAll表示所有资源的频数，ValueECumulative的取值在0～1之间。
对于多变量数值类资源，利用大资源技术领域的聚类技术分析资源的分布，将资源分类的概率作为资源价值(ValueE)。获取感知资源X＝{a1，a2，......，am}，分类的类别集合C＝{y1，y2，......，ym}，分别计算感知资源划分在不同类别的概率P(y1|x)，P(y2|x)，......，P(ym|x)，取概率最大值P(yk|x)＝max{P(y1|x)，P(y2|x)，......，P(ym|x)}对应的分类yk作为判断结果，对应的概率为资源支撑该分类判断的价值。
ValueE＝P(yk|x)＝max{P(y1|x)，P(y2|x)，……，P(ym|x)}
对于非数值类的感知资源，如信息和预测知识，选取感知资源的出现频率作为资源价值。
其中，FreqE表示对非数值资源D的出现频数，FreqAll表示所有资源的频数，ValueECumulative的取值在0～1之间。
基于时间频度，资源存在有效性，随着时间推移，资源的价值会下降，基于目的资源频率累积统计的目的确定是否考虑时间价值变化。
ValueETimeliness＝ValueE×δTime
其中，δTime为资源价值的时间衰减系数，需要根据衰减的规律计算。
基于空间频度，资源存在有效性，随着空间变化，资源的价值会下降，基于目的资源频率累积统计的目的确定是否考虑空间价值变化。
ValueEbounded＝ValueE×δPosition
其中，δPosition为资源价值的空间衰减系数，需要根据衰减的规律计算。
感知资源采集可能来源于不同的采集设备，采集的感知资源包括一个或多个维度，采集到的资源的模态也会不同，包括但不限于图像、音频、数字、文字。
(2)、对于不同源资源处理模块：
受限于感知资源来源的可靠性，资源来源不同，获取感知资源的价值不同。
ValueE＝αs×ValueEs
其中，ValueEs表示不考虑资源来源可靠性情况下资源的价值，αs表示资源来源的可靠性，需要通过资源获取设备各部分的可靠性计算获得。
(3)、对于不同模态资源处理模块：
不同来源的感知资源，其模态可能不同，另外，即便是同一来源的资源也可能存在不同的模态。不同的模态包括但不限于获取的资源的量纲不同，取值范围不同。处理前需要进行资源规范化处理，如包括对具有明显线性关系的资源进行替代。
对感知资源的价值做归一化处理，即统一模态的量纲，将取值范围限制在(0，1)之间：
其中，ValueEm表示资源模态转换前资源的价值，ValueEmavg是同一模态下资源价值的算数平均值，ValueEmmax是同一模态下资源价值的最大值，ValueEmmin是同一模态下资源价值的最小值，Modelement是当前模态的量纲。
(4)、不同维度资源处理模块：
对感知资源进行分析过程中，单一维度对感知资源的分析效果有限，多个维度融合需要考虑每个维度资源与分类的相关性。
采用关联分析中的提升度(LiftDim)概念来定义当前维度的相关性：
维度(Dimension)，又称为维数，即数学中独立参数的数目。因为维度之间没有相关性，采用加权平均的方式对多个维度的价值资源进行融合计算：
其中，∑LiftDim为资源中独立的维度的相关性之和，LiftDimj为维度j的提升度，ValueEd表示不考虑维度与分类相关性的情况下的资源价值。
可见，通过对资源的不同来源、不同模态、不同维度模块的计算实现对感知资源的处理，完成资源融合。
(5)、数据向信息补偿子模块：
信息是通过数据和数据经过组合之后的上下文传递的。多个数据组合的情况，按照信息和新的数据可以组成新的信息进行处理。按照基本的由2个数据组合成信息，信息的价值：
ValueIDD＝1-σij×(1-ValueDi)×(1-ValueDj)
其中，ValueIDD表示由两个数据组合成的信息的价值，ValueDi、ValueDj分别为数据的价值，σij是两个数据之间的关联性，关联性越大，数据组合后对信息价值的提升越小。
通过数据向信息补偿，产生新的信息价值。当新的信息价值超过原来的数据价值时，用新的信息价值替代原有数据价值。
(6)、信息向数据补偿子模块：
从上文可知，感知数据(如气象数据)的来源可以直接获取，也可以通过信息进行补偿，通过信息反推出数据，信息向数据补偿计算模块，利用信息价值计算补偿的数据价值，处理方式为加权求和：
ValueDI＝η×ValueI
其中，ValueDI表示用信息补偿数据后数据的价值，ValueI信息的价值，η为数据与信息的关联系数，表示信息对数据的还原程度，取决于数据事件在信息事件中出现的概率，符合概率论与统计学原理。
通过信息向数据补偿，解决数据获取的困难，可以补全不完整数据，修正不一致数据。
(7)、对于信息长度价值计算子模块：
对于一定长度的信息，可以看作是多个信息之间，两两依次关联，本发明给出基于信息长度的价值计算，信息融合后的价值ValueIID为：ValueIIDepth＝ValueI1+ValueI1(ValueI2+ValueI2(ValueI3+ValueI3(......)))
具体的，可拆分成2个信息的价值计算满足：
ValueIIDepth＝ValueI1+ValueI1(ValueI2)
具体的，也可拆分成3个信息的价值计算满足：
ValueIIDepth＝ValueI1+ValueI1(ValueI2+ValueI2(ValueI3))。
(8)、对于信息广度价值计算模块：
信息的广度指获取相似信息，价值的计算取决于信息的关联性，采取加权求和来处理，信息融合后的价值ValueIIWidth为：
其中，ValueIi表示n个信息中第i条信息的价值，αi为第i条信息价值的权重。计算样本数据反映的影响因素的变异系数、标准差、平均数，通过变异系数法确定αi，且满足
(9)、对于资源价值修正模块：
通过感知知识可补全不完整的感知数据、感知信息，满足条件的识别感知资源的价值会被替代。
知识是在完整的抽象条件下假设的规则。满足假设条件时，价值是一定的。知识融合的处理方式是价值的直接替代，直接作为补充资源或对已有资源进行修正。采用三元组(A，B，ValueK)存储知识规则，其中A、B分别表示资源的两个类，获取资源和分类作为输入X和Y，分别属于A类和B类，则
其中，ValueE为资源被知识修正前的价值；ValueKE为资源被知识修正后的价值。知识存在传递性，输出Y可以作为输入X重复计算，
表示知识传递m次，对应知识规则中ValueK的最大的价值，
表示知识传递m次，对应知识规则中ValueK的最小的价值。
(10)、对于资源清洗模块：
基于一定的知识，可以抽象资源的分类和规律，抽象后的资源具有相同的表述，形成资源的冗余。同时，识别感知资源的价值在抽象之后得到提升。
数据与信息之间的相互补偿，价值不能被重复计算，通过知识的修正和抽象，选取价值相对较高的资源形式进行计算。
按照与感知资源的具有情况，利用相应的模块对感知资源进行处理之后，便可获得预测结果。该预测结果可具体为是否判断结果，如是否有雷阵雨；预测结果也可以为预测内容，如预测未来一段时间的气象数据。
S104、判断安全预测结果与预设报警条件是否匹配。
具体的，可预先设置预警条件，通过比对安全预测结果与预警条件之间的对应关系，确定是否针对安全预测结果进行预警处理。具体的，若安全预测结果为危险，则执行步骤S105，若安全预测结果为安全，则可无操作，或返回步骤S101。
S105、利用告警设备进行预警。
举例说明：当安全预测结果为，未来一小时会有暴雨，安全预警条件为有暴雨即预警，则对应输出预警信息(公布未来天气存在暴雨预警)；当安全预警结果为某区域即将出现交通堵塞，安全预警条件为有交通堵塞即预警，则对应输出预警信息(如广播拥塞情况，提醒车主注意，避免驶入)。
应用本发明实施例所提供的方法，获取目标预警场景的感知信息和感知知识，并利用传感器实时采集目标预警场景的感知数据；将感知信息、感知知识和感知数据确定为感知资源；将感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型进行安全预测，得到安全预测结果；判断安全预测结果与预设报警条件是否匹配；如果是，则利用告警设备进行预警。
对于目标预警场景，可以先获取其感知信息和感知资源，然后通过传感器实时采集目标预警场景的感知数据。将感知信息、感知资源和感知知识确定为感知资源。将感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型进行安全预测进行安全预测。由于综合预测模型能够融合数据、信息和知识，能够针对多种形式的感知资源进行融合处理，且该综合预测模型能够多维度、跨模态、跨量纲价值进行安全预测，可以得到有效的安全预测结果。然后，便可判断安全预测结果与预设报警条件是否匹配，如果匹配则可利用告警设备进行预警。可见，在本方法中，无需人工参与分析，能够实现实时、长期的预警，且该综合预测模型也无需基于有标签样本进行学习，且该综合预测模型能够融合数据、信息和知识，能够多维度、跨模态、跨量纲价值的进行安全预测，能够保障安全预测结果的准确可靠性。
为便于理解本发明实施例所提出的综合预测模型的具体预测过程，下面结合具体的应用场景为例，对预测过程进行详细说明。
(1)、对所获取的感知资源进行基于资源频率累积统计计算进行举例说明：
某区域采集温度数据，共检测100个样本，其中90个温度集中在25°以上，则25度的数据价值为：
对于非数值类资源，选取资源的出现频率作为资源价值。
其中，FreqE表示对非数值资源D的出现频数，FreqAll表示所有资源的频数，ValueECumulative的取值在0～1之间。
具体的：可通过温度传感器多次温度数据，基于温度数据得到高温(温度数据值越高，则为高温)，由于温度随着日升日落在不断变化，可延长温度传感器采集温度的时段，以便在不同时段采集数据，综合100次数据采集，得到51次温度数据为高温，则数据为高温的价值为：
基于时间频度，资源存在有效性，随着时间推移，资源的价值会下降，基于目的资源频率累积统计的目的确定是否考虑时间价值变化。例如，不同季节，不同天气的稳赢的会发生明显，相应之前采集的温度数据的价值随时间推移就下降。
考虑时间衰减为从资源生命期的起始时间向终止时间线性衰减，则
其中，ValueETimeliness表示当前时间资源的价值，Time是当前的时间值，Timeena是资源价值的终止时间，Timestart是资源价值的起始时间。
基于空间频度，资源存在有效性，随着空间变化，资源的价值会下降，基于目的资源频率累积统计的目的确定是否考虑空间价值变化。例如，机动车道上物体移动数据大于预设值，对支撑该物体为车辆的价值大，而随着距机动车道的距离越远，这一支撑度明显下降(如草地上物体移动数据大于预设值，该物体为动物的可能性远远高于车辆)。
考虑空间衰减为从中心位置向边界线性衰减，则
其中，ValueEbounded表示当前空间位置资源的价值，Position是当前的空间位置，Positioncenter是资源价值对应空间的中心位置，Positionedge是资源价值对应空间的边界位置。
(2)、对不同源资源进行处理：
受限于资源来源的可靠性，资源来源不同，获取资源的价值不同。
ValueE＝αs×ValueEs
其中，ValueEs表示不考虑资源来源可靠性情况下资源的价值，αs表示资源来源的可靠性，需要通过资源获取设备各部分的可靠性计算获得，例如，数据采集模块的运行可靠性为90％，分析模块的运行可靠性为90％，存储模块的运行可靠性为90％，则由这三部分组成的设备的可靠性为90％×90％×90％＝72.9％。
又如，图像采集设备正常运行的情况下，采集的图像资源的可靠性受限于采集***设备的性能，图像的采集设备的分辨率越高，图像数据的像素越高，图像资源的价值也越高。
(3)、对不同模态资源进行处理。
对感知资源进行综合考量时，波动明显的对整体结果影响较大。
对资源的价值做归一化处理，即统一模态的量纲，将取值范围限制在(0，1)之间：
其中，ValueEm表示资源模态转换前资源的价值，ValueEmavq是同一模态下资源价值的算数平均值，ValueEmmax是同一模态下资源价值的最大值，ValueEmmin是同一模态下资源价值的最小值，Modelement是当前模态的量纲。
(4)、对不同维度资源进行处理：
车速、车辆数量对交通都有影响，采集这些数据后可以从对应的维度预测得到交通情况。综合分析前先进行相关性计算。通过样本分析，统计100天的交通情况，当车速地的天数有50天，车辆数量偏高的时间有20天，交通堵塞发生40次，其中受车速影响的达到30次，受到车辆数量影响的达到15次。采用关联分析中的提升度(LiftDim)概念来定义当前维度的相关性：
车辆数量维度对于交通堵塞的相关性影响较大，采用加权平均的方式对两个维度的价值资源进行融合计算。假定两个维度的资源的价值分别为70％和75％，则
(5)、通过数据向信息补偿，增加信息获取来源：
特殊情况下，不便于获取驾驶员信息，可以通过采集车辆图片和车辆车主数据来补偿信息，假定车辆车主即为驾驶员的价值为0.4，车辆图片对得到驾驶员信息的价值为0.7，则数据补偿出的信息价值为
ValueIDD＝1-σij×(1-ValueDi)×(1-ValueDj)＝1-1×(0.3×0.7)＝0.79
σij是两个数据之间的关联性，关联性越大，数据价值的重叠部分越大，补偿的信息的价值越小。
通过数据向信息补偿，产生新的信息价值。当新的信息价值超过原来的数据价值时，用新的信息价值替代原有数据价值。
(6)、通过信息向数据补偿，增加数据获取来源：
数据的来源可以直接获取，也可以通过信息进行补偿，通过信息反推出数据，信息向数据补偿计算模块，利用信息价值计算补偿的数据价值，处理方式为加权求和：
ValueDI＝η×ValueI
其中，ValueDI表示用信息补偿数据后数据的价值，ValueI信息的价值，η为数据与信息的关联系数，表示信息对数据的还原程度，取决于数据事件在信息事件中出现的概率。
(7)、基于信息长度计算信息的价值：
一定长度的信息，可以看作是多个信息之间，两两相互关联，本发明给出基于信息长度的价值计算，信息融合后的价值ValueIID为：ValueIIDepth＝ValueI1+ValueI1(ValueI2+ValueI2(ValueI3+ValueI3(......)))；
具体的可拆分成2个信息的价值计算满足：
ValueIIDepth＝ValueI1+ValueI1(ValueI2)
具体的可拆分成3个信息的价值计算满足：
ValueIIDepth＝ValueI1+ValueI1(ValueI2+ValueI2(ValueI3))；
(8)、基于信息广度计算关联的价值：
信息的广度指获取相似信息，价值的计算取决于信息的关联性，采取加权求和来处理，信息融合后的价值ValueIIWidth为：
其中，ValueIi表示n个信息中第i条信息的价值，αi为第i条信息价值的权重。计算样本数据反映的影响因素的变异系数、标准差、平均数，通过变异系数法确定αi，且满足
(9)、利用知识修正资源价值：
通过知识可补全不完整的数据、信息资源，满足条件的资源的价值会被替代。
知识是在完整的抽象条件下假设的规则。满足假设条件时，价值是一定的。知识融合的处理方式是价值的直接替代，直接作为补充资源或对已有资源进行修正。采用三元组(A，B，R)存储知识规则，每一条知识规则对应价值ValueK，其中A、B分别表示资源的两个类，获取资源和分类作为输入X和Y，分别属于A类和B类，则
其中，ValueE为资源被知识修正前的价值；ValueKE为资源被知识修正后的价值。知识存在传递性，输出Y可以作为输入X重复计算，
表示知识传递m次，对应知识规则的输入的最大价值，
表示知识传递m次，输入的最小的价值。
(10)、对资源进行清洗：
基于一定的知识，可以抽象资源的分类和规律，抽象后的资源具有相同的表述，形成资源的冗余。同时，资源的价值在抽象之后得到提升。
数据与信息之间的相互补偿，价值不能被重复计算，通过知识的修正和抽象，选取价值相对较高的资源形式进行计算。
实施例二：
相应于上面的方法实施例，本发明实施例还提供了一种跨数据、信息、知识模态与量纲的预警装置，下文描述的跨数据、信息、知识模态与量纲的预警装置与上文描述的跨数据、信息、知识模态与量纲的预警方法可相互对应参照。
参见图2所示，该装置包括：
获取单元101，用于获取目标预警场景的感知信息和感知知识，并利用传感器实时采集目标预警场景的感知数据；
资源确定单元102，用于将感知信息、感知知识和感知数据确定为感知资源；
预测单元103，用于将感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型进行安全预测，得到安全预测结果；
判断单元104，用于判断安全预测结果与预设报警条件是否匹配；
预警单元105，用于如果安全预测结果与预设报警条件匹配，则利用告警设备进行预警。
应用本发明实施例所提供的装置，获取目标预警场景的感知信息和感知知识，并利用传感器实时采集目标预警场景的感知数据；将感知信息、感知知识和感知数据确定为感知资源；将感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型进行安全预测，得到安全预测结果；判断安全预测结果与预设报警条件是否匹配；如果是，则利用告警设备进行预警。
对于目标预警场景，可以先获取其感知信息和感知资源，然后通过传感器实时采集目标预警场景的感知数据。将感知信息、感知资源和感知知识确定为感知资源。将感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型进行安全预测进行安全预测。由于综合预测模型能够融合数据、信息和知识，能够针对多种形式的感知资源进行融合处理，且该综合预测模型能够多维度、跨模态、跨量纲价值进行安全预测，可以得到有效的安全预测结果。然后，便可判断安全预测结果与预设报警条件是否匹配，如果匹配则可利用告警设备进行预警。可见，在本装置中，无需人工参与分析，能够实现实时、长期的预警，且该综合预测模型也无需基于有标签样本进行学习，且该综合预测模型能够融合数据、信息和知识，能够多维度、跨模态、跨量纲价值的进行安全预测，能够保障安全预测结果的准确可靠性。
在本发明的一种具体实施方式中，若目标预警场景为天气预警场景，则感知数据与气象数据对应，感知信息与气象信息对应，感知知识与气象预测规则对应；相应的，获取单元101，具体用于：
利用传感器实时采集气象数据；
从存储设备中读取气象信息和气象预测规则。
在本发明的一种具体实施方式中，若目标预计场景为交通预警场景，则感知数据与交通数据对应，感知信息与交通信息对应，感知知识与交通预测规则对应；相应的，获取单元101，具体用于：
利用传感器实时采集交通数据；交通数据包括道路监控图像数据，车辆定位导航数据和车辆车速中的至少一种；
从存储设备中读取交通信息和交通预测规则。
在本发明的一种具体实施方式中，融合预测模块包括补偿模块、资源频率统计模块、不同源资源处理模块、不同模态资源处理模块、不同维度资源处理模块、价值计算模块、资源清洗模块和融合预测模块；
相应的，预测单元103，具体用于：
利用资源清洗模块，对感知资源进行清洗；
利用资源频率统计模块，确定感知资源对应的频率价值；
利用不同源资源处理模块，确定感知资源对应的各个资源源价值；
利用不同模态资源处理模块，确定感知资源对应的各个模态资源价值；
利用不同维度资源处理模块，确定感知资源对应的各个维度价值；
利用补偿模块，对感知资源进行补偿；
利用价值计算模块，确定感知资源的参考价值；
利用融合预测模块，结合各个模块的处理结果，对感知资源进行预测，得到安全预测结果。
在本发明的一种具体实施方式中，融合预测模型还包括：资源价值修正模块、
相应的，预测单元103，还用于：利用资源价值修正模块，对感知资源的参考价值进行修正。
在本发明的一种具体实施方式中，补偿模块包括数据向信息补偿子模块和/或信息向数据补偿子模块；
相应地，预测单元103，具体用于：利用数据向信息补偿子模块对感知资源进行信息补偿处理，得到信息补偿后的感知资源；
和/或，利用信息向数据补偿子模块对感知资源进行数据补偿处理，得到数据补偿后的感知资源。
在本发明的一种具体实施方式中，价值计算模块包括信息长度价值计算子模块和/或信息广度价值计算子模块；
相应地，预测单元103，具体用于：
利用信息长度价值计算子模块，确定出感知资源对应的信息长度价值；
和/或，利用信息广度价值计算子模块，确定出感知资源对应的信息广度价值。
实施例三：
相应于上面的方法实施例，本发明实施例还提供了一种跨数据、信息、知识模态与量纲的预警设备，下文描述的一种跨数据、信息、知识模态与量纲的预警设备与上文描述的一种跨数据、信息、知识模态与量纲的预警方法可相互对应参照。
参见图3所示，该跨数据、信息、知识模态与量纲的预警设备包括：
存储器332，用于存储计算机程序；
处理器322，用于执行计算机程序时实现上述方法实施例的跨数据、信息、知识模态与量纲的预警方法的步骤。
具体的，请参考图4，图4为本实施例提供的一种跨数据、信息、知识模态与量纲的预警设备的具体结构示意图，该跨数据、信息、知识模态与量纲的预警设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储器332，存储器332存储有一个或一个以上的计算机应用程序342或数据344。其中，存储器332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储器332通信，在跨数据、信息、知识模态与量纲的预警设备301上执行存储器332中的一系列指令操作。
跨数据、信息、知识模态与量纲的预警设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作***341。
上文所描述的跨数据、信息、知识模态与量纲的预警方法中的步骤可以由跨数据、信息、知识模态与量纲的预警设备的结构实现。
实施例四：
相应于上面的方法实施例，本发明实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种跨数据、信息、知识模态与量纲的预警方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的跨数据、信息、知识模态与量纲的预警方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
本领域技术人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
Claims (7)
1.一种跨数据、信息、知识模态与量纲的预警方法，其特征在于，包括：
获取目标预警场景的感知信息和感知知识，并利用传感器实时采集所述目标预警场景的感知数据；
将所述感知信息、所述感知知识和所述感知数据确定为感知资源；
将所述感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型进行安全预测，得到安全预测结果；
判断所述安全预测结果与预设报警条件是否匹配；
如果是，则利用告警设备进行预警；
其中，若所述目标预警场景为天气预警场景，则所述感知数据与气象数据对应，感知信息与气象信息对应，感知知识与气象预测规则对应；
相应的，所述获取目标预警场景的感知信息和感知知识，并利用传感器实时采集所述目标预警场景的感知数据，包括：
利用所述传感器实时采集所述气象数据；
从存储设备中读取所述气象信息和所述气象预测规则；
其中，若所述目标预计场景为交通预警场景，则所述感知数据与交通数据对应，感知信息与交通信息对应，感知知识与交通预测规则对应；
相应的，所述获取目标预警场景的感知信息和感知知识，并利用传感器实时采集所述目标预警场景的感知数据，包括：
利用所述传感器实时采集所述交通数据；所述交通数据包括道路监控图像数据，车辆定位导航数据和车辆车速中的至少一种；
从存储设备中读取所述交通信息和所述交通预测规则；
其中，所述综合预测模型包括补偿模块、资源频率统计模块、不同源资源处理模块、不同模态资源处理模块、不同维度资源处理模块、价值计算模块、资源清洗模块和融合预测模块；
相应的，将所述感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的融合预测模块进行预测，得到安全预测结果，包括：
利用所述资源清洗模块，对所述感知资源进行清洗；
利用所述资源频率统计模块，确定所述感知资源对应的频率价值；
利用所述不同源资源处理模块，确定所述感知资源对应的各个资源价值；其中，对于多变量数值类资源，利用大资源技术领域的聚类技术分析资源的分布，将资源分类的概率作为资源价值；对于非数值类资源，选取资源的出现频率作为资源价值；
利用所述不同模态资源处理模块，确定所述感知资源对应的各个模态资源价值；其中，模态资源价值为指定模态对应的资源价值；
利用所述不同维度资源处理模块，确定所述感知资源对应的各个维度价值；其中，维度价值为指定维度对应的资源价值；
利用所述补偿模块，对所述感知资源进行补偿；
利用所述价值计算模块，确定所述感知资源的参考价值；
利用所述融合预测模块，结合各个模块的处理结果，对所述感知资源进行预测，得到所述安全预测结果。
2.根据权利要求1所述的跨数据、信息、知识模态与量纲的预警方法，其特征在于，所述综合预测模型还包括：资源价值修正模块、
相应的，将所述感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的融合预测模块进行预测，得到安全预测结果，包括：
利用所述资源价值修正模块，对所述感知资源的参考价值进行修正。
3.根据权利要求1所述的跨数据、信息、知识模态与量纲的预警方法，其特征在于，所述补偿模块包括数据向信息补偿子模块和/或信息向数据补偿子模块；
相应地，对所述感知资源进行补偿，包括：
利用所述数据向信息补偿子模块对所述感知资源进行信息补偿处理，得到信息补偿后的感知资源；
和/或，利用所述信息向数据补偿子模块对所述感知资源进行数据补偿处理，得到数据补偿后的感知资源。
4.根据权利要求1所述的跨数据、信息、知识模态与量纲的预警方法，其特征在于，所述价值计算模块包括信息长度价值计算子模块和/或信息广度价值计算子模块；
相应地，所述确定所述感知资源的参考价值，包括：
利用所述信息长度价值计算子模块，确定出所述感知资源对应的信息长度价值；
和/或，利用所述信息广度价值计算子模块，确定出所述感知资源对应的信息广度价值。
5.一种跨数据、信息、知识模态与量纲的预警装置，其特征在于，包括：
获取单元，用于获取目标预警场景的感知信息和感知知识，并利用传感器实时采集所述目标预警场景的感知数据；
资源确定单元，用于将所述感知信息、所述感知知识和所述感知数据确定为感知资源；
预测单元，用于将所述感知资源输入至面向数据、信息、知识融合的多维度、跨模态、跨量纲价值的综合预测模型进行安全预测，得到安全预测结果；
判断单元，用于判断所述安全预测结果与预设报警条件是否匹配；
预警单元，用于如果所述安全预测结果与所述预设报警条件匹配，则利用告警设备进行预警；
其中，若所述目标预警场景为天气预警场景，则所述感知数据与气象数据对应，感知信息与气象信息对应，感知知识与气象预测规则对应；相应的，所述获取单元，具体用于：利用所述传感器实时采集所述气象数据；从存储设备中读取所述气象信息和所述气象预测规则；
其中，若所述目标预计场景为交通预警场景，则所述感知数据与交通数据对应，感知信息与交通信息对应，感知知识与交通预测规则对应；相应的，获取单元，具体用于：利用所述传感器实时采集所述交通数据；所述交通数据包括道路监控图像数据，车辆定位导航数据和车辆车速中的至少一种；从存储设备中读取所述交通信息和所述交通预测规则；
其中，所述综合预测模型包括补偿模块、资源频率统计模块、不同源资源处理模块、不同模态资源处理模块、不同维度资源处理模块、价值计算模块、资源清洗模块和融合预测模块；
相应的，所述预测单元具体用于：
利用所述资源清洗模块，对所述感知资源进行清洗；
利用所述资源频率统计模块，确定所述感知资源对应的频率价值；
利用所述不同源资源处理模块，确定所述感知资源对应的各个资源价值；其中，对于多变量数值类资源，利用大资源技术领域的聚类技术分析资源的分布，将资源分类的概率作为资源价值；对于非数值类资源，选取资源的出现频率作为资源价值；
利用所述不同模态资源处理模块，确定所述感知资源对应的各个模态资源价值；其中，模态资源价值为指定模态对应的资源价值；
利用所述不同维度资源处理模块，确定所述感知资源对应的各个维度价值；其中，维度价值为指定维度对应的资源价值；
利用所述补偿模块，对所述感知资源进行补偿；
利用所述价值计算模块，确定所述感知资源的参考价值；
利用所述融合预测模块，结合各个模块的处理结果，对所述感知资源进行预测，得到所述安全预测结果。
6.一种跨数据、信息、知识模态与量纲的预警设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述跨数据、信息、知识模态与量纲的预警方法的步骤。
7.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述跨数据、信息、知识模态与量纲的预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010692385.8A CN111860997B (zh) | 2020-07-17 | 2020-07-17 | 跨数据、信息、知识模态与量纲的预警方法及组件 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010692385.8A CN111860997B (zh) | 2020-07-17 | 2020-07-17 | 跨数据、信息、知识模态与量纲的预警方法及组件 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111860997A CN111860997A (zh) | 2020-10-30 |
| CN111860997B true CN111860997B (zh) | 2021-12-28 |
Family
ID=73001142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010692385.8A Active CN111860997B (zh) | 2020-07-17 | 2020-07-17 | 跨数据、信息、知识模态与量纲的预警方法及组件 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860997B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447137A (zh) * | 2016-11-18 | 2017-02-22 | 广东省科技基础条件平台中心 | 一种基于信息融合和马尔可夫模型的交通客流预测方法 |
| CN107038261A (zh) * | 2017-05-28 | 2017-08-11 | 海南大学 | 一种基于数据图谱、信息图谱和知识图谱的处理架构资源可动态抽象的语义建模方法 |
| CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
| CN108764550A (zh) * | 2018-05-18 | 2018-11-06 | 云南电网有限责任公司电力科学研究院 | 基于输电线路信息数据的雷电预警方法及*** |
| CN110135654A (zh) * | 2019-05-24 | 2019-08-16 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9143923B2 (en) * | 2008-11-25 | 2015-09-22 | II Lansing Arthur Parker | System and method for remote control of a mobile device |
| US20170364816A1 (en) * | 2017-08-29 | 2017-12-21 | aWhere, Inc. | Prediction of Discernible Fungus Establishment on a Crop |
| CN110798348B (zh) * | 2019-10-28 | 2022-12-16 | 海南电网有限责任公司 | 配电通信网故障告警方法、服务器及*** |
-
2020
- 2020-07-17 CN CN202010692385.8A patent/CN111860997B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447137A (zh) * | 2016-11-18 | 2017-02-22 | 广东省科技基础条件平台中心 | 一种基于信息融合和马尔可夫模型的交通客流预测方法 |
| CN107038261A (zh) * | 2017-05-28 | 2017-08-11 | 海南大学 | 一种基于数据图谱、信息图谱和知识图谱的处理架构资源可动态抽象的语义建模方法 |
| CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
| CN108764550A (zh) * | 2018-05-18 | 2018-11-06 | 云南电网有限责任公司电力科学研究院 | 基于输电线路信息数据的雷电预警方法及*** |
| CN110135654A (zh) * | 2019-05-24 | 2019-08-16 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 在线社会网络信任计算与挖掘分析中若干模型与算法研究;张宇;《中国博士学位论文全文数据库 信息科技辑》;20100731;第30-55页 * |
| 数据、信息和知识三层图谱架构的推荐服务设计;邵礼旭 等;《计算机科学与探索》;20180306;第214-225页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111860997A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11741812B2 (en) | Building risk analysis system with dynamic modification of asset-threat weights | |
| US20220391373A1 (en) | Building system with social media based shooter risk | |
| US8521426B2 (en) | System and method for weather mapping to road segments | |
| CN111917877A (zh) | 物联网设备的数据处理方法及装置、电子设备、存储介质 | |
| CN111179591A (zh) | 一种路网交通时序特征数据质量诊断与修复方法 | |
| CN115880598B (zh) | 一种基于无人机的地面图像检测方法及相关装置 | |
| CN112085869A (zh) | 一种基于飞参数据的民机飞行安全性分析方法 | |
| CN117595504A (zh) | 一种电网运行状态的智能监测预警方法 | |
| KR101876185B1 (ko) | 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 | |
| Porto et al. | Machine learning approaches to extreme weather events forecast in urban areas: Challenges and initial results | |
| CN111860997B (zh) | 跨数据、信息、知识模态与量纲的预警方法及组件 | |
| CN117557432A (zh) | 一种智慧城市乱堆物料管理***及方法 | |
| Velasco et al. | Rainfall forecasting using support vector regression machines | |
| CN115471794A (zh) | 一种基于YOLOv5的智能电厂小目标检测方法及*** | |
| CN115659278A (zh) | 一种基于证据体系的森林火灾识别方法 | |
| Finogeev et al. | Proactive big data analysis for traffic accident prediction | |
| CN114417698A (zh) | 一种轨道交通沿线外部环境的风险监测***及评估方法 | |
| CN113688506A (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
| CN113361730A (zh) | 一种检修计划的风险预警方法、装置、设备和介质 | |
| CN117668737B (zh) | 一种管道检测数据故障预警查验方法以及相关装置 | |
| CN118015839B (zh) | 一种高速公路路域风险预测方法及装置 | |
| CN117370897B (zh) | 道路健康状态检测方法、电子设备和计算机可读介质 | |
| JP7314965B2 (ja) | 対象物検出装置及びプログラム | |
| CN111833022B (zh) | 跨数据、信息、知识模态与量纲的任务处理方法及组件 | |
| CN113537363B (zh) | 一种异常对象检测方法及装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |