CN113378968A - 基于K-means聚类的建筑火灾分级分类方法和装置 - Google Patents
基于K-means聚类的建筑火灾分级分类方法和装置 Download PDFInfo
- Publication number
- CN113378968A CN113378968A CN202110721438.9A CN202110721438A CN113378968A CN 113378968 A CN113378968 A CN 113378968A CN 202110721438 A CN202110721438 A CN 202110721438A CN 113378968 A CN113378968 A CN 113378968A
- Authority
- CN
- China
- Prior art keywords
- fire
- data
- clustering
- influence
- cluster
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种基于K‑means聚类的建筑火灾分级分类方法和装置,该方案包括:对一定范围内的历史火灾事故影响数据进行特征分析与数据清洗,获取训练数据集;确定聚类中心数,基于K‑means聚类算法对训练数据集进行聚类,并根据聚类结果获取各类建筑火灾事故的样本数据特征;将当前火灾事故的数据特征与所述各级火灾事故的样本数据特征进行比较,根据比较结果确定所述当前火灾事故的事故等级。上述方案基于数据挖掘机器学习理论,根据历史建筑火灾事故影响数据,通过数据清洗和特征处理获得定量评价事故影响特征和标准化样本数据;采用K‑means聚类进行训练得到建筑火灾事故影响等级与相关对应的定量特征,实现对突发事件影响更加准确的分级预警。
Description
技术领域
本申请涉及突发事件分级分类技术领域,尤其涉及一种基于K-means聚类的建筑火灾分级分类方法和装置。
背景技术
应急管理中的分类是为了更好的应对突发事件救援工作,在发生突发事件后便于查询和生成相应的应急预案。分级则是针对解决问题的重要性对突发事件进行级别上的确认,对事件的分类是应急管理工作的基础,只有首先确定事件的类别,才能更快的找到处理问题的应对方案。应急管理中对机构保障能力的分类是将来处置突发事件过程指挥调度的依据,事件爆发后,指挥调度中心会迅速判断事件的类型与级别,然后指挥相应类型和级别的机构参与救援。
但是,现有技术中对建筑火灾的分类的不准确导致了分级错误,影响后期的救援及处理工作。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种基于K-means聚类的建筑火灾分级分类方法,以实现对建筑火灾突发事件的精确分类,进而确定分级预警,从而更快的找到处理问题的应对方案。
本申请的第二个目的在于提出一种基于K-means聚类的建筑火灾分级分类装置。
本申请的第三个目的在于提出一种计算机设备。
本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本申请第一方面实施例提出了一种基于K-means聚类的建筑火灾分级分类方法,包括以下步骤:
步骤S10,对一定范围内的历史火灾事故影响数据进行特征分析与数据清洗,获取训练数据集;
步骤S20,确定聚类中心数,基于K-means聚类算法对所述训练数据集进行聚类,根据聚类结果获取各类建筑火灾事故的样本数据特征;
步骤S30,将当前火灾事故的数据特征与所述各级火灾事故的样本数据特征进行比较,并根据比较结果确定所述当前火灾事故的事故等级。
可选的,在本申请实施例中,所述步骤S10,具体包括以下步骤:
步骤S11,通过对历史火灾事故影响数据分析,从火灾事故应急处置及灾后恢复的角度,提取火灾事故的影响特征,根据所述影响特征形成d维实数的影响特征向量;
步骤S12,根据所述影响特征向量,整理历史火灾事故影响形成记录集,对所述记录集进行数据清洗,处理所述记录集中特征数据缺失的记录样本,形成特征完备数据集;
步骤S13,对所述特征完备数据集中的分类特征进行独热编码,对所述特征完备数据集中的数值型特征进行最大最小归一化处理,得到所述训练数据集。
可选的,在本申请实施例中,所述步骤S20,具体包括以下步骤:
步骤S21,采用一定范围内的网格搜索方法,分别计算Calinski-Harabaz Index和迭代误差确定聚类中心数k;
步骤S23,计算训练数据集中每个数据样本与聚类中心之间的欧式距离,以最大化簇间距离,最小化簇内距离为目标,以φmin目标函数,划分每个数据样本的类别,其中,
步骤S25,计算聚类方差,并判断聚类方差是否满足最小标准,
如果聚类方差满足最小标准,输出k个聚类中心及各簇内的数据样本;
否则,继续执行步骤S23。
可选的,在本申请实施例中,所述步骤S3中的各级火灾事故的样本数据特征,具体包括:建筑防火能力、建筑灭火能力、人员疏散能力、消防管理能力以及火灾事故情况;其中,
所述建筑防火能力,包括总平面布置、耐火等级、安全疏散及避难、室内外装修及保温隔热***、电气防火、灭火救援、防火分区、重点部位和外部环境;
所述建筑灭火能力,包括人工灭火能力、设备完好率、防排烟能力和消防自动化能力;
所述人员疏散能力,包括人员行为能力、疏散设备完善程度和避难设施完善能力程度;
所述消防管理能力,包括管理人员的消防知识技能掌握情况、防火知识教育宣传情况,电气设备完好程度和安全制度落实情况;
所述火灾事故情况,包括报警设备类型、是否有人核警、预估火灾损失和火灾所在楼层。
为达上述目的,本申请第二方面实施例提出了一种基于K-means聚类的建筑火灾分级分类装置,包括:
获取模块,用于对一定范围内的历史火灾事故影响数据进行特征分析与数据清洗,获取训练数据集;
第一确定模块,用于确定聚类中心数,基于K-means聚类算法对所述训练数据集进行聚类,根据聚类结果获取各类建筑火灾事故的样本数据特征;
第二确定模块,用于将当前火灾事故的数据特征与所述各级火灾事故的样本数据特征进行比较,并根据比较结果确定所述当前火灾事故的事故等级。
可选的,在本申请实施例中,所述获取模块,具体包括:
生成单元,用于通过对历史火灾事故影响数据分析,从火灾事故应急处置及灾后恢复的角度,提取火灾事故的影响特征,根据所述影响特征形成d维实数的影响特征向量;
形成单元,根据所述影响特征向量,整理历史火灾事故影响形成记录集,对所述记录集进行数据清洗,处理所述记录集中特征数据缺失的记录样本,形成特征完备数据集;
处理单元,对所述特征完备数据集中的分类特征进行独热编码,对所述特征完备数据集中的数值型特征进行最大最小归一化处理,得到所述训练数据集。
可选的,在本申请实施例中,所述第一确定模块,具体包括:
计算单元,采用一定范围内的网格搜索方法,分别计算Calinski-Harabaz Index和迭代误差确定聚类中心数k;
划分单元,用于计算训练数据集中每个数据样本与聚类中心之间的欧式距离,以最大化簇间距离,最小化簇内距离为目标,以φmin目标函数,划分每个数据样本的类别,其中,
判断单元,计算聚类方差,并判断聚类方差是否满足最小标准,
如果聚类方差满足最小标准,输出k个聚类中心及各簇内的数据样本;
否则,继续执行步骤S23。
为达上述目的,本申请第三方面实施例提出了一种计算机设备,包括:包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本申请第一方面实施例所述的方法。
为了实现上述目的,本申请第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本申请第一方面实施例所述的方法。
综上所述,本申请实施例的的视频处理方法、装置、计算机设备及非临时性计算机可读存储介质,通过对一定范围内的历史火灾事故影响数据进行特征分析与数据清洗,获取训练数据集;确定聚类中心数,基于K-means聚类算法对训练数据集进行聚类,根据聚类结果获取各类建筑火灾事故的样本数据特征;将当前火灾事故的数据特征与所述各级火灾事故的样本数据特征进行比较,根据比较结果确定所述当前火灾事故的事故等级。由此,上述方案基于数据挖掘机器学习理论,根据历史建筑火灾事故影响数据,通过数据清洗和特征处理,获得定量评价事故影响特征和标准化样本数据;采用K-means聚类进行训练,最终得到建筑火灾事故影响等级与相关对应的定量特征,能够对突发事件影响更加准确的分级预警,验证结果表明此方法具有很高的实用价值。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例所提供的一种基于K-means聚类的建筑火灾分级分类方法的流程图;以及
图2是本申请实施例所提供的一种基于K-means聚类的建筑火灾分级分类装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于K-means聚类的建筑火灾分级分类方法和装置。
图1为本申请实施例所提供的一种基于K-means聚类的建筑火灾分级分类方法的流程图。
如图1所示,本申请实施例提供的一种基于K-means聚类的建筑火灾分级分类方法,包括以下步骤:
步骤S10,对一定范围内的历史火灾事故影响数据进行特征分析与数据清洗,获取训练数据集,换言之,本申请实施例中的训练数据集是经由对一定范围内的历史火灾事故影响数据进行特征分析与数据清洗获取的,这样能去除无关数据,避免嘈杂数据对事件分类的影响。
进一步而言,在本申请实施例中,对一定范围内的历史火灾事故影响数据进行特征分析与数据清洗,获取训练数据集,具体包括以下步骤:
步骤S11,通过对历史火灾事故影响数据分析,从火灾事故应急处置及灾后恢复的角度,提取火灾事故的影响特征X={X1,X2,L,Xd},根据所述影响特征X={X1,X2,L,Xd}形成d维实数的影响特征向量,其中,Xd为第d维影响特征的值;
步骤S12,根据所述影响特征向量,整理历史火灾事故影响形成记录集,对所述记录集进行数据清洗,处理所述记录集中特征数据缺失的记录样本,形成特征完备数据集其中,X'i={X'i,1',X'i,2'L,X'i,d'}为第i个特征完备的数据样本,X'i,d为第i个数据样本的d维特征值,N为特征完备数据样本个数;
步骤S13,对所述特征完备数据集中的分类特征进行独热编码,对所述特征完备数据集中的数值型特征进行最大最小归一化处理,得到所述训练数据集。
具体而言,在本申请实施例中,归一化后的数据特征值为:
其中,X'i,j为归一化处理前的第i个数据样本的j维特征值。
进行归一化处理后,得到训练数据集为:
Xi={Xi,1,Xi,2,L,Xi,d}。
步骤S20,确定聚类中心数,基于K-means聚类算法对所述训练数据集进行聚类,根据聚类结果获取各类建筑火灾事故的样本数据特征。
进一步而言,在本申请实施例中,根据所述影响特征向量,整理历史火灾事故影响形成记录集,对所述记录集进行数据清洗,处理所述记录集中特征数据缺失的记录样本,形成特征完备数据集,具体包括以下步骤:
步骤S21,采用一定范围内的网格搜索方法,分别计算Calinski-Harabaz Index和迭代误差确定聚类中心数k;
步骤S23,计算训练数据集中每个数据样本与聚类中心之间的欧式距离,以最大化簇间距离,最小化簇内距离为目标,以φmin目标函数,划分每个数据样本的类别,其中,
步骤S25,计算聚类方差,并判断聚类方差是否满足最小标准,
如果聚类方差满足最小标准,输出k个聚类中心及各簇内的数据样本;
否则,继续执行步骤S23。
步骤S30,将当前火灾事故的数据特征与所述各级火灾事故的样本数据特征进行比较,根据比较结果确定所述当前火灾事故的事故等级。
进一步而言,在本申请实施例中,将当前火灾事故的数据特征与所述各级火灾事故的样本数据特征进行比较,根据比较结果确定所述当前火灾事故的事故等级,具体包括所述突发事件l级、II级、III级、IV级的样本数据特征向量包含:建筑防火能力、建筑灭火能力、人员疏散能力、消防管理能力以及火灾事故情况,
具体而言,建筑防火能力,包括总平面布置、耐火等级、安全疏散及避难、室内外装修及保温隔热***、电气防火、灭火救援、防火分区、重点部位和外部环境(包括但不限于温湿度、风向风力等);建筑灭火能力,包括人工灭火能力、设备完好率、防排烟能力和消防自动化能力;人员疏散能力,包括人员行为能力、疏散设备完善程度和避难设施完善能力程度;消防管理能力,包括管理人员的消防知识技能掌握情况、防火知识教育宣传情况,电气设备完好程度和安全制度落实情况;火灾事故情况,包括报警设备类型、是否有人核警、预估火灾损失和火灾所在楼层。
进一步的,在本申请实施例中,通过下述公式预估火灾损失:
其中,在上述式中,L为火灾损失值,T为扑救前的火灾延时,α为损失随扑救延时的增益系数,可考虑各子***燃烧的对象价值、易燃性等因素,进行评估得出,Tmax为火灾最大持续时间,即当消防不成功,可燃物燃尽而自灭的时间,Lmax为消防不成功时的最大损失值。
扑救前的火灾延时T系指从火灾发生到消防车到场和开始出水灭火的时间。
由上述本申请实施例提供的技术方案可以看出,本申请实施例的方法基于数据挖掘机器学习理论,根据历史建筑火灾事故影响数据,通过数据清洗和特征处理,获得定量评价事故影响特征和标准化样本数据;采用K-means聚类进行训练,最终得到建筑火灾事故影响等级与相关对应的定量特征,能够对突发事件影响更加准确的分级预警,验证结果表明此方法具有很高的实用价值。
图2是本申请实施例所提供的一种基于K-means聚类的建筑火灾分级分类装置的结构示意图。
如图2所示,本申请实施例提供的一种基于K-means聚类的建筑火灾分级分类装置,包括:
获取模块10,用于对一定范围内的历史火灾事故影响数据进行特征分析与数据清洗,获取训练数据集;
第一确定模块20,用于确定聚类中心数,基于K-means聚类算法对所述训练数据集进行聚类,根据聚类结果获取各类建筑火灾事故的样本数据特征;
第二确定模块30,用于将当前火灾事故的数据特征与所述各级火灾事故的样本数据特征进行比较,根据比较结果确定所述当前火灾事故的事故等级。
进一步的,在本申请实施例中,获取模块,具体包括:
生成单元,用于通过对历史火灾事故影响数据分析,从火灾事故应急处置及灾后恢复的角度,提取火灾事故的影响特征,根据所述影响特征形成d维实数的影响特征向量;
形成单元,根据所述影响特征向量,整理历史火灾事故影响形成记录集,对所述记录集进行数据清洗,处理所述记录集中特征数据缺失的记录样本,形成特征完备数据集;
处理单元,对所述特征完备数据集中的分类特征进行独热编码,对所述特征完备数据集中的数值型特征进行最大最小归一化处理,得到所述训练数据集。
进一步的,在本申请实施例中,第一确定模块,具体包括:
计算单元,采用一定范围内的网格搜索方法,分别计算Calinski-Harabaz Index和迭代误差确定聚类中心数k;
划分单元,用于计算训练数据集中每个数据样本与聚类中心之间的欧式距离,以最大化簇间距离,最小化簇内距离为目标,以φmin目标函数,划分每个数据样本的类别,其中,
其中,Wi,j为0-1变量,Wi,j=1表示样本Xi属于聚类中心Ci簇内样本,否则Wi,j=0;
判断单元,计算聚类方差,并判断聚类方差是否满足最小标准,
如果聚类方差满足最小标准,输出k个聚类中心及各簇内的数据样本;
否则,继续执行步骤S23。
为了实现上述实施例,本申请还提出一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现实施例1和实施例2所述的基于K-means聚类的建筑火灾分级分类方法。
为了实现上述实施例,本申请还提出一种非临时性计算机可读存储介质,其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实施例1和实施例2所述的基于K-means聚类的建筑火灾分级分类方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于K-means聚类的建筑火灾分级分类方法,其特征在于,包括以下步骤:
步骤S10,对一定范围内的历史火灾事故影响数据进行特征分析与数据清洗,获取训练数据集;
步骤S20,确定聚类中心数,基于K-means聚类算法对所述训练数据集进行聚类,并根据聚类结果获取各类建筑火灾事故的样本数据特征;
步骤S30,将当前火灾事故的数据特征与所述各级火灾事故的样本数据特征进行比较,根据比较结果确定所述当前火灾事故的事故等级。
2.如权利要求1所述的基于K-means聚类的建筑火灾分级分类方法,其特征在于,所述步骤S10,具体包括以下步骤:
步骤S11,通过对历史火灾事故影响数据分析,从火灾事故应急处置及灾后恢复的角度,提取火灾事故的影响特征,根据所述影响特征形成d维实数的影响特征向量;
步骤S12,根据所述影响特征向量,整理历史火灾事故影响形成记录集,对所述记录集进行数据清洗,处理所述记录集中特征数据缺失的记录样本,形成特征完备数据集;
步骤S13,对所述特征完备数据集中的分类特征进行独热编码,对所述特征完备数据集中的数值型特征进行最大最小归一化处理,得到所述训练数据集。
3.如权利要求1所述的基于K-means聚类的建筑火灾分级分类方法,其特征在于,所述步骤S20,具体包括以下步骤:
步骤S21,采用一定范围内的网格搜索方法,分别计算Calinski-Harabaz Index和迭代误差确定聚类中心数k;
步骤S23,计算训练数据集中每个数据样本与聚类中心之间的欧式距离,以最大化簇间距离,最小化簇内距离为目标,以φmin目标函数,划分每个数据样本的类别,其中,
其中,Wi,j为0-1变量,Wi,j=1表示样本Xi属于聚类中心Ci簇内样本,否则Wi,j=0;
步骤S25,计算聚类方差,并判断聚类方差是否满足最小标准,
如果聚类方差满足最小标准,输出k个聚类中心及各簇内的数据样本;
否则,继续执行步骤S23。
4.如权利要求1所述的基于K-means聚类的建筑火灾分级分类方法,其特征在于,所述步骤S3中的各级火灾事故的样本数据特征,具体包括:建筑防火能力、建筑灭火能力、人员疏散能力、消防管理能力以及火灾事故情况;其中,
所述建筑防火能力,包括总平面布置、耐火等级、安全疏散及避难、室内外装修及保温隔热***、电气防火、灭火救援、防火分区、重点部位和外部环境;
所述建筑灭火能力,包括人工灭火能力、设备完好率、防排烟能力和消防自动化能力;
所述人员疏散能力,包括人员行为能力、疏散设备完善程度和避难设施完善能力程度;
所述消防管理能力,包括管理人员的消防知识技能掌握情况、防火知识教育宣传情况,电气设备完好程度和安全制度落实情况;
所述火灾事故情况,包括报警设备类型、是否有人核警、预估火灾损失和火灾所在楼层。
5.一种基于K-means聚类的建筑火灾分级分类装置,其特征在于,包括:
获取模块,用于对一定范围内的历史火灾事故影响数据进行特征分析与数据清洗,获取训练数据集;
第一确定模块,用于确定聚类中心数,基于K-means聚类算法对所述训练数据集进行聚类,并根据聚类结果获取各类建筑火灾事故的样本数据特征;
第二确定模块,用于将当前火灾事故的数据特征与所述各级火灾事故的样本数据特征进行比较,根据比较结果确定所述当前火灾事故的事故等级。
6.如权利要求5所述的基于K-means聚类的建筑火灾分级分类装置,其特征在于,所述获取模块,具体包括:
生成单元,用于通过对历史火灾事故影响数据分析,从火灾事故应急处置及灾后恢复的角度,提取火灾事故的影响特征,根据所述影响特征形成d维实数的影响特征向量;
形成单元,根据所述影响特征向量,整理历史火灾事故影响形成记录集,对所述记录集进行数据清洗,处理所述记录集中特征数据缺失的记录样本,形成特征完备数据集;
处理单元,对所述特征完备数据集中的分类特征进行独热编码,对所述特征完备数据集中的数值型特征进行最大最小归一化处理,得到所述训练数据集。
7.如权利要求1所述的基于K-means聚类的建筑火灾分级分类方法,其特征在于,所述第一确定模块,具体包括:
计算单元,采用一定范围内的网格搜索方法,分别计算Calinski-Harabaz Index和迭代误差确定聚类中心数k;
划分单元,用于计算训练数据集中每个数据样本与聚类中心之间的欧式距离,以最大化簇间距离,最小化簇内距离为目标,以φmin目标函数,划分每个数据样本的类别,其中,
其中,Wi,j为0-1变量,Wi,j=1表示样本Xi属于聚类中心Ci簇内样本,否则Wi,j=0;
判断单元,计算聚类方差,并判断聚类方差是否满足最小标准,
如果聚类方差满足最小标准,输出k个聚类中心及各簇内的数据样本;
否则,继续执行步骤S23。
8.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-4中任一所述的方法。
9.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721438.9A CN113378968A (zh) | 2021-06-28 | 2021-06-28 | 基于K-means聚类的建筑火灾分级分类方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721438.9A CN113378968A (zh) | 2021-06-28 | 2021-06-28 | 基于K-means聚类的建筑火灾分级分类方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113378968A true CN113378968A (zh) | 2021-09-10 |
Family
ID=77579602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110721438.9A Pending CN113378968A (zh) | 2021-06-28 | 2021-06-28 | 基于K-means聚类的建筑火灾分级分类方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378968A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869438A (zh) * | 2021-09-30 | 2021-12-31 | 自然资源部第三海洋研究所 | 一种基于k-means的风暴潮灾害重点防御区选划方法 |
CN114066319A (zh) * | 2021-12-01 | 2022-02-18 | 清华大学 | 历史街区的防火规划方法、装置、电子设备及存储介质 |
CN114758470A (zh) * | 2022-06-16 | 2022-07-15 | 张家港金典软件有限公司 | 一种基于消防工程的火灾预警方法及*** |
CN115374855A (zh) * | 2022-08-23 | 2022-11-22 | 北京交通大学 | 一种基于聚类的对铁路突发事件进行分级的方法 |
WO2023098806A1 (zh) * | 2021-12-01 | 2023-06-08 | 上海微创医疗机器人(集团)股份有限公司 | 手术等级确定方法、装置、***、设备及介质 |
CN116993229A (zh) * | 2023-09-25 | 2023-11-03 | 山东高速工程检测有限公司 | 一种跨海大桥桩基施工质量数字化管理方法 |
-
2021
- 2021-06-28 CN CN202110721438.9A patent/CN113378968A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869438A (zh) * | 2021-09-30 | 2021-12-31 | 自然资源部第三海洋研究所 | 一种基于k-means的风暴潮灾害重点防御区选划方法 |
CN114066319A (zh) * | 2021-12-01 | 2022-02-18 | 清华大学 | 历史街区的防火规划方法、装置、电子设备及存储介质 |
CN114066319B (zh) * | 2021-12-01 | 2022-05-17 | 清华大学 | 历史街区的防火规划方法、装置、电子设备及存储介质 |
WO2023098806A1 (zh) * | 2021-12-01 | 2023-06-08 | 上海微创医疗机器人(集团)股份有限公司 | 手术等级确定方法、装置、***、设备及介质 |
CN114758470A (zh) * | 2022-06-16 | 2022-07-15 | 张家港金典软件有限公司 | 一种基于消防工程的火灾预警方法及*** |
CN115374855A (zh) * | 2022-08-23 | 2022-11-22 | 北京交通大学 | 一种基于聚类的对铁路突发事件进行分级的方法 |
CN115374855B (zh) * | 2022-08-23 | 2024-05-14 | 北京交通大学 | 一种基于聚类的对铁路突发事件进行分级的方法 |
CN116993229A (zh) * | 2023-09-25 | 2023-11-03 | 山东高速工程检测有限公司 | 一种跨海大桥桩基施工质量数字化管理方法 |
CN116993229B (zh) * | 2023-09-25 | 2023-12-19 | 山东高速工程检测有限公司 | 一种跨海大桥桩基施工质量数字化管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378968A (zh) | 基于K-means聚类的建筑火灾分级分类方法和装置 | |
KR102030509B1 (ko) | 화재 위험도 평가 결과를 이용하는 노후 건축물의 안전 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
CN111311869B (zh) | 一种基于区域报警模型的消防安全监控方法、***、云平台 | |
CN113936239A (zh) | 一种基于神经网络算法的智慧消防火情识别方法和*** | |
CN112199882B (zh) | 一种火灾下人员疏散过程模拟方法、疏散预警方法及*** | |
CN112578690B (zh) | 一种楼宇能耗智能管控***及方法 | |
CN113053053B (zh) | 基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动*** | |
CN110796822B (zh) | 一种基于改进的烟雾报警器预判起火点方位的方法 | |
CN115146540B (zh) | 体育场馆的消防风险仿真方法、***、设备和存储介质 | |
CN114724349A (zh) | 基于p2p网络的网格化消防安全预警方法、***及存储介质 | |
CN114689058B (zh) | 基于深度学习和混合遗传算法的火灾疏散路径规划方法 | |
CN114387762A (zh) | 一种楼宇数据管理的方法、装置、设备及存储介质 | |
CN116307740B (zh) | 基于数字孪生城市的起火点分析方法及***、设备及介质 | |
CN112488898A (zh) | 一种基于楼宇智能管控的突发事件处理***及方法 | |
KR20200119921A (ko) | 지능형 화재 감지 장치, 지능형 화재 감지 방법 및 기록 매체 | |
CN111359132B (zh) | 一种基于人工智能的智慧消防警报方法及*** | |
CN115204701A (zh) | 体育场馆的消防风险防控方法、***、设备和存储介质 | |
CN117854221A (zh) | 一种邮轮用火灾智能自动报警*** | |
CN113554364A (zh) | 灾害应急管理方法、装置、设备及计算机存储介质 | |
JiJi et al. | Multivariate statistical process control for continuous monitoring of networked early warning fire detection (EWFD) systems | |
CN111882800B (zh) | 一种基于多维度数据联动的消防预警方法及*** | |
CN110232769A (zh) | 基于大数据统计的分布式零售终端模块化预警方法 | |
CN111369547A (zh) | 基于风险权重评估医学机器学习模型性能的方法和设备 | |
Frantzich | Fire safety risk analysis of a health care facility | |
CN115273438B (zh) | 基于5g的森林智慧防火方法、装置、***、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |