TWI737074B - 消防資料分析方法、裝置、電腦裝置及存儲介質 - Google Patents
消防資料分析方法、裝置、電腦裝置及存儲介質 Download PDFInfo
- Publication number
- TWI737074B TWI737074B TW108145409A TW108145409A TWI737074B TW I737074 B TWI737074 B TW I737074B TW 108145409 A TW108145409 A TW 108145409A TW 108145409 A TW108145409 A TW 108145409A TW I737074 B TWI737074 B TW I737074B
- Authority
- TW
- Taiwan
- Prior art keywords
- fire
- fire protection
- status information
- data
- input data
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本發明提供一種消防資料分析方法、消防資料分析裝置、電腦裝置及電腦存儲介質，所述方法包括，獲取待評估場所之消防狀況資訊，所述消防狀況資訊中之項目包括環境狀態資訊、物品狀態資訊、人員數量；將所述消防狀況資訊輸入到預設之分析模型，輸出所述待評估場所在預設之火災場景中，總損失最少情況下所需之消防投入資料和/或火災損失資料。
Description
本發明涉及消防資料分析領域，具體涉及一種消防資料分析方法、消防資料分析裝置、電腦裝置及電腦存儲介質。
任何消防技術之實施，都必須計算消防投入資料。在進行火災預防與控制技術分析時，如何在滿足消防安全性能之前提下，讓消防投入資料最小、火災損失資料最小、總損失成本降到最低是急需解決之技術問題。現有之消防資料分析方法多採用數學統計表格分析為基礎來研究消防投入資料和火災損失之之間之關係，現有之消防資料分析方法計算速度慢、準確率低。
鑒於以上內容，有必要提出一種消防資料分析方法及裝置、電腦裝置和電腦存儲介質，消防資料分析以更加快速、準確之方式進行。
本申請之第一方面提供一種消防資料分析方法，所述方法包括：獲取待評估場所之消防狀況資訊，所述消防狀況資訊中之項目包括環境狀態資訊、物品狀態資訊、人員數量；將所述消防狀況資訊輸入到預設之分析模型，輸出所述待評估場所在預設之火災場景中，總損失最少情況下所需之消防投入資料和/或火災損失資料。
優選地，所述方法還包括：比較所述輸出之消防投入資料與實際之消防投入資料；
若所述輸出之消防投入資料小於所述實際消防投入資料，則輸出所述待評估場所之實際消防投入資料過高之提示資訊；若所述輸出之消防投入資料大於所述實際消防投入資料，則輸出所述待評估場所之消防投入資料過低之提示資訊。
優選地，所述方法還包括：若所述輸出之消防投入資料大於所述實際消防投入資料，根據所述待評估場所之消防狀況資訊輸出改善意見，其中所述改善意見之獲取方法包括：在預設查詢表中查找所述待評估場所之消防狀況資訊中之不同項目對應之消防狀況設計要求，其中所述預設查詢表中記錄了在符合消防安全標準之情況下，單位面積所需之消防狀況資訊；判斷所述待評估場所之消防狀況資訊中之項目是否符合所述消防狀況設計要求；若不符合，則將所述消防狀況設計要求作為所述改善意見進行輸出。
優選地，所述預設之分析模型之生成方法包括：獲取不同場所在不同火災場景下之消防狀況資訊、消防投入資料、火災損失資料，並對每一所述場所之消防狀況資訊和消防投入資料、火災損失資料對應存儲；將所述多個場所之消防狀況資訊、消防輸入資料、火災損失資料分為訓練集和驗證集；建立基於神經網路之分析模型，並利用所述訓練集對所述基於神經網路之分析模型之參數進行訓練，其中將所述訓練集中之消防狀況資訊作為所述模型之輸入資料，消防輸入資料、火災損失資料作為所述模型之輸出資料；利用所述驗證集對訓練後之基於神經網路之分析模型進行驗證，並根據驗證結果統計得到所述模型之預測準確率；判斷所述模型之預測準確率是否小於預設閾值；
若所述模型預測準確率不小於所述預設閾值，則將訓練完成之所述基於神經網路之分析模型作為所述預設之分析模型。
優選地，所述方法還包括：若所述基於神經網路之分析模型預測準確率小於所述預設閾值，則調整所述神經網路演算法之結構，並利用所述訓練集重新對調整後之基於神經網路之分析模型進行訓練，其中，所述基於神經網路之分析模型之結構包括卷積核之數量、池化層中元素之數量、全連接層中元素之數量中之至少一種；利用所述驗證集對調整後之基於神經網路之分析模型進行驗證，並根據驗證結果重新統計調整後之基於神經網路之分析模型預測準確率，並判斷調整後之基於神經網路之分析模型之預測準確率是否小於所述預設閾值；若所述重新統計得到之模型預測準確率不小於所述預設閾值，則將調整後之基於神經網路之分析模型作為所述預設之分析模型；及若所述重新統計得到之模型預測準確率小於所述預設閾值，則重複上述調整及訓練之步驟直至藉由所述驗證集驗證得到之模型預測準確率不小於所述預設閾值。
優選地，所述不同場所在不同火災場景下之消防狀況資訊、消防投入資料、火災損失資料之獲取方法包括：獲取任一場所之消防狀況資訊，根據所述預設查詢表判斷所述場所之消防狀況是否符合消防安全標準；若符合，則根據所述消防狀況資訊計算所述場所之消防輸入資料，並藉由火災數值模擬系統對所述場所進行不同火災場景下之模擬，並計算所述不同火災場景下所述場所之火災損失資料。
優選地，所述藉由火災數值模擬系統對所述場所進行不同火災場景下之模擬，並計算所述不同火災場景下所述場所之火災損失資料之方法包括：
設置所述場所中每一可燃物之可燃時間和可燃比例，並按照預設比例對所述可燃物進行分割，分割後之每一小塊表示所述可燃物在火災中單位時間內損失之最小金額；根據所述可燃物之可燃時間、可燃比例、在火災中單位時間內損失之最小金額計算不同消防狀況資訊下所述場所之火災損失資料。
本申請之第二方面提供一種消防資料分析裝置，所述裝置包括：獲取模組，用於獲取待評估場所之消防狀況資訊，所述消防狀況資訊中之項目包括環境狀態資訊、物品狀態資訊、人員數量；分析模組，用於將所述消防狀況資訊輸入到預設之分析模型，輸出所述待評估場所在預設之火災場景中，總損失最少情況下所需之消防投入資料和/或火災損失資料。
本申請之第三方面提供一種電腦裝置，所述電腦裝置包括處理器，所述處理器用於執行記憶體中存儲之電腦程式時實現如前所述消防資料分析方法。
本申請之第四方面提供一種電腦存儲介質，其上存儲有電腦程式，所述電腦程式被處理器執行時實現如前所述消防資料分析方法。
本發明消防資料分析方法、消防資料分析裝置、電腦裝置及電腦存儲介質，藉由將待評估場所之消防狀況資訊輸入到預設之分析模型中進行分析，分析得到所述待評估場所投資效益最高之消防投資成本。藉由所述方法可以快速準確之計算出在火災中，總損失最小之情況下所需之消防投入資料和/或火災損失資料。
1:使用者終端
2:電腦裝置
10:消防資料分析裝置
20:記憶體
30:處理器
40:電腦程式
101:獲取模組
101:分析模組
圖1是本發明實施例一提供之消防資料分析方法之應用環境架構示意圖。
圖2是本發明實施例二提供之消防資料分析方法流程圖。
圖3是本發明實施例三提供之消防資料分析裝置之結構示意圖。
圖4是本發明實施例四提供之電腦裝置示意圖。
為了能夠更清楚地理解本發明之上述目的、特徵和優點，下面結合附圖和具體實施例對本發明進行詳細描述。需要說明之是，在不衝突之情況下，本申請之實施例及實施例中之特徵可以相互組合。
在下面之描述中闡述了很多具體細節以便於充分理解本發明，所描述之實施例僅僅是本發明一部分實施例，而不是全部之實施例。基於本發明中之實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得之所有其他實施例，都屬於本發明保護之範圍。
除非另有定義，本文所使用之所有之技術和科學術語與屬於本發明之技術領域之技術人員通常理解之含義相同。本文中在本發明之說明書中所使用之術語只是為了描述具體之實施例之目的，不是旨在於限制本發明。
實施例一
參閱圖1所示，為本發明實施例一提供之消防資料分析方法之應用環境架構示意圖。
本發明中之消防資料分析方法應用在使用者終端1中，所述使用者終端1和一個電腦裝置2藉由網路建立通信連接。所述網路可以是有線網路，也可以是無線網路，例如無線電、無線保真(Wireless Fidelity,WIFI)、蜂窩、衛星、廣播等。所述使用者終端1用於獲取待評估場所之消防狀況資訊，利用所述消防狀況資訊分析所述場所之消防投入資料和火災損失資料，所述電腦裝置2用於存儲不同場所在不同火災場景下之消防狀況資訊、消防投入資料、火災損失資料。
所述使用者終端1可以為安裝有消防資料分析軟體之電子設備，例如個人電腦、平板電腦等。
所述電腦裝置2是可以為存儲有不同場所在不同火災場景下之消防狀況資訊、消防投入資料、火災損失資料之電子設備，例如個人電腦、伺服器等，其中，所述伺服器可以是單一之伺服器、伺服器集群或雲伺服器等。
在本發明又一實施方式中，所述不同場所在不同火災場景下之消防狀況資訊、消防投入資料、火災損失資料也可以存儲於使用者終端1中。
實施例二
請參閱圖2所示，是本發明第二實施例提供之消防資料分析方法之流程圖。根據不同之需求，所述流程圖中步驟之順序可以改變，某些步驟可以省略。
步驟S1、獲取待評估場所之消防狀況資訊。
所述消防狀況資訊包括疏散人員數量、環境狀態資訊、物品狀態資訊。其中所述環境狀態資訊可以包括固定式消防設施資訊、移動式消防設施資訊，例如：消防警報器、煙霧報警器、天花板消防噴淋頭、火災探測器、室內消火栓、室外消火栓之數量和擺放位置等。所述物品狀態訊息包括待評估場所內之可燃性物品，例如製造設備、材料、辦公電腦、傢俱之數量和擺放位置等。
一個實施方式中，所述待評估場所之消防狀況資訊獲取方式可以包括：接收用戶輸入之所述待評估場所之疏散人員數量、消防設施之種類和數量、可燃物品之種類和數量等消防狀況資訊。
另一個實施方式中，所述消防狀況資訊獲取方法還可以是藉由接收多個攝像裝置採集之待評估場所之多張圖像，藉由圖像識別方法識別所述圖像中人員數量、消防設施之種類和數量、可燃物品之種類和數量等消防狀況資
訊。
步驟S2、將所述消防狀況資訊輸入到預設之分析模型，輸出所述待評估場所在預設之火災場景中，總損失最少情況下所需之消防投入資料和/或火災損失資料。
所述預設之分析模型之生成方法包括以下步驟：
(1)獲取不同場所在不同火災場景下之消防狀況資訊、消防投入資料、火災損失資料，並對每一所述場所之消防狀況資訊和消防投入資料、火災損失資料對應存儲。
所述不同場所在不同火災場景下之消防狀況資訊、消防投入資料、火災損失資料之獲取方法包括：
a)獲取任一場所之消防狀況資訊，根據所述預設查詢表判斷所述場所之消防狀況是否符合消防安全標準。
所述預設查詢表中記錄了在符合消防安全標準之情況下，單位面積所需之消防狀況資訊，例如單位面積內消防報警器之數量、天花板消防噴淋頭之數量；單位面積內人員之數量、與所述人員數量相匹配之滅火器、防毒面具之數量；單位面積內易燃品之數量，與所述易燃品相匹配之消火栓、滅火器之數量等。
b)若符合，則根據所述消防狀況資訊計算所述場所之消防輸入資料，並藉由火災數值模擬系統對所述場所進行不同火災場景下之模擬，並計算所述不同火災場景下所述場所之火災損失資料。
所述消防輸入資料之計算方法包括查詢消防狀況資訊中之環境狀態資訊、物品狀態資訊中各個物品之價值，並根據所述價值計算所述場所之消防輸入資料。
所述火災損失資料之計算方法包括設置所述場所中每一可燃物之
可燃時間和可燃比例，並按照預設比例對所述可燃物進行分割，分割後之每一小塊表示所述可燃物在火災中單位時間內損失之最小金額；根據所述可燃物之可燃時間、可燃比例、在火災中單位時間內損失之最小金額計算不同消防狀況資訊下所述場所之火災損失資料。
例如將一台機床進行64等分，所述機床之價值是64萬，每一等分之價值為1萬，每一等分之燃燒時間是2分鐘。按照機床所處之消防狀況資訊，計算所述機床在一場火災中之損失。例如所述機床在具有天花板消防噴淋頭之場所中之火災損失資料，以及所述機床在僅有一個滅火器之場所中火災損失資料。依次方法，可以計算出任意場所之火災損失資料。
(2)將所述多個場所之消防狀況資訊、消防輸入資料、火災損失資料分為訓練集和驗證集。
(3)建立基於神經網路之分析模型，並利用所述訓練集對所述基於神經網路之分析模型之參數進行訓練，其中將所述訓練集中之消防狀況資訊作為所述模型之輸入資料，消防輸入資料、火災損失資料作為所述模型之輸出資料。
(4)利用所述驗證集對訓練後之基於神經網路之分析模型進行驗證，並根據驗證結果統計得到所述模型之預測準確率。
(5)判斷所述模型之預測準確率是否小於預設閾值。
(6)若所述模型預測準確率不小於所述預設閾值，則將訓練完成之所述基於神經網路之分析模型作為所述預設之分析模型。
在一些實施方式中，所述步驟還包括：
(7)若所述基於神經網路之分析模型預測準確率小於所述預設閾值，則調整所述神經網路演算法之結構，並利用所述訓練集重新對調整後之基於神經網路之分析模型進行訓練，其中，所述基於神經網路之分析模型之結構
包括卷積核之數量、池化層中元素之數量、全連接層中元素之數量中之至少一種。
(8)利用所述驗證集對調整後之基於神經網路之分析模型進行驗證，直至所述重新統計得到之模型預測準確率不小於所述預設閾值，則將調整後之基於神經網路之分析模型作為所述預設之分析模型。
以上預設之分析模型之生成方法中之步驟根據實際需要步驟之順序可以改變，某些步驟可以省略。所述生成方法可以線上完成，也可以離線完成。
根據待評估場所之消防狀況資訊，將所述消防狀況資訊輸入預設之分析模型，輸出所述待評估場所之消防投資成本、火災損失資料成本。
將所述消防狀況資訊輸入至所述預設之分析模型之前，所述方法還包括：將所述待評估場所之消防狀況資訊進行數值化處理，按照所述分析模型按照預設比例將所述消防狀況中之項目映射到0到1之區間。
例如，所述分析模型所能分析之人員數量是2000人，待評估場所之人員數量是500人，則將則根據待評估場所之人員數量與所述分析模型所能分析之人員數量之間之比值0.4作為消防狀況資訊之第一分析項目輸入資料登錄到所述分析模型。又如，所述分析模型中所能分析之環境狀態資訊中之天花板消防噴淋頭之數量是1000個，待評估場所之天花板消防噴淋頭之數量是100個，則將則根據待評估場所之天花板消防噴淋頭數量與所述分析模型所能分析之天花板消防噴淋頭數量之間之比值0.1作為消防狀況資訊中之第二分析項目輸入資料登錄到所述分析模型。從而將所述消防狀況資訊中之多個項目進行數值化。
將數值化後之消防狀況資訊使用預設之分析模型進行分析，輸出所述待評估場所在預設之火災場景中，總損失最少情況下所需之消防投入資料
和/或火災損失資料。所述分析模型按照預設比例將消防投入資料與火災損失資料映射到0到1之區間。例如，所述分析模型所能分析之消防投入資料是3000萬、火災損失資料為5000萬，將待評估場所之消防狀況資訊輸入到所述分析模型中分析後得出，所述待評估場所之消防投入資料為0.3、火災損失資料為0.5，藉由所述預設比例計算後，所述待評估場所之消防投入資料為900萬，火災損失資料為2500萬。
在一實施方式中，所述步驟S2還包括：比較所述輸出之消防投入資料與實際之消防投入資料；若所述輸出之消防投入資料小於所述實際消防投入資料，則輸出所述待評估場所之實際消防投入資料過高之提示資訊；若所述輸出之消防投入資料大於所述實際消防投入資料，則輸出所述待評估場所之消防投入資料過低之提示資訊。
在又一實施方式中，所述步驟S2還可以包括，所述根據所述待評估場所之消防狀況資訊提供改善意見之方法包括：若所述輸出之消防投入資料大於所述實際消防投入資料，根據所述待評估場所之消防狀況資訊輸出改善意見，其中所述改善意見之獲取方法包括：在預設查詢表中查找所述待評估場所之消防狀況資訊中之不同項目對應之消防狀況設計要求，其中所述預設查詢表中記錄了在符合消防安全標準之情況下，單位面積所需之消防狀況資訊；判斷所述待評估場所之消防狀況資訊中之項目是否符合所述消防狀況設計要求；若不符合，則將所述消防狀況設計要求作為所述改善意見進行輸出。
例如，經過預設的分析模型分析的所述待評估場所的消防投入資料大於所述實際消防投入資料，則在預設查詢標中查找所述待評估場所的單位面積內消
防報警器的數量、天花板消防噴淋頭的數量；單位面積內人員的數量、與所述人員數量相匹配的滅火器、防毒面具的數量；單位面積內易燃品的數量，與所述易燃品相匹配的消火栓、滅火器的數量是否與預設查詢表中記錄的符合安全消防標準下消防物品的數量一致，若不一致，則輸出所述待評估場所所需消防物品的名稱及數量。
上述圖2詳細介紹了本發明之消防資料分析方法，下面結合第3-4圖，對實現所述消防資料分析方法之軟體裝置之功能模組以及實現所述消防資料分析方法之硬體裝置架構進行介紹。
應所述瞭解，所述實施例僅為說明之用，在專利申請範圍上並不受此結構之限制。
實施例三
圖3為本發明消防資料分析裝置較佳實施例之結構圖。
在一些實施例中，消防資料分析裝置10運行於電腦裝置中。所述電腦裝置藉由網路連接了多個使用者終端。所述消防資料分析裝置10可以包括多個由程式碼段所組成之功能模組。所述消防資料分析裝置10中之各個程式段之程式碼可以存儲於電腦裝置之記憶體中，並由所述至少一個處理器所執行，以實現消防資料分析功能。
本實施例中，所述消防資料分析裝置10根據其所執行之功能，可以被劃分為多個功能模組。參閱圖3所示，所述功能模組可以包括：獲取模組101、分析模組102。本發明所稱之模組是指一種能夠被至少一個處理器所執行並且能夠完成固定功能之一系列電腦程式段，其存儲在記憶體中。在本實施例中，關於各模組之功能將在後續之實施例中詳述。
所述獲取模組101，用於獲取待評估場所之消防狀況資訊。
所述消防狀況資訊包括疏散人員數量、環境狀態資訊、物品狀態
資訊。其中所述環境狀態資訊可以包括固定式消防設施資訊、移動式消防設施資訊，例如：消防警報器、煙霧報警器、天花板消防噴淋頭、火災探測器、室內消火栓、室外消火栓之數量和擺放位置等。所述物品狀態訊息包括待評估場所內之可燃性物品，例如製造設備、材料、辦公電腦、傢俱之數量和擺放位置等。
一個實施方式中，所述待評估場所之消防狀況資訊獲取方式可以包括：接收用戶輸入之所述待評估場所之疏散人員數量、消防設施之種類和數量、可燃物品之種類和數量等消防狀況資訊。
另一個實施方式中，所述消防狀況資訊獲取方法還可以是藉由接收多個攝像裝置採集之待評估場所之多張圖像，藉由圖像識別方法識別所述圖像中人員數量、消防設施之種類和數量、可燃物品之種類和數量等消防狀況資訊。
所述分析模組102，用於將所述消防狀況資訊輸入到預設之分析模型，輸出所述待評估場所在預設之火災場景中，總損失最少情況下所需之消防投入資料和/或火災損失資料。
所述預設之分析模型之生成方法包括以下步驟：
(1)獲取不同場所在不同火災場景下之消防狀況資訊、消防投入資料、火災損失資料，並對每一所述場所之消防狀況資訊和消防投入資料、火災損失資料對應存儲。
所述不同場所在不同火災場景下之消防狀況資訊、消防投入資料、火災損失資料之獲取方法包括：
a)獲取任一場所之消防狀況資訊，根據所述預設查詢表判斷所述場所之消防狀況是否符合消防安全標準。
所述預設查詢表中記錄了在符合消防安全標準之情況下，單位面
積所需之消防狀況資訊，例如單位面積內消防報警器之數量、天花板消防噴淋頭之數量；單位面積內人員之數量、與所述人員數量相匹配之滅火器、防毒面具之數量；單位面積內易燃品之數量，與所述易燃品相匹配之消火栓、滅火器之數量等。
b)若符合，則根據所述消防狀況資訊計算所述場所之消防輸入資料，並藉由火災數值模擬系統對所述場所進行不同火災場景下之模擬，並計算所述不同火災場景下所述場所之火災損失資料。
所述消防輸入資料之計算方法包括查詢消防狀況資訊中之環境狀態資訊、物品狀態資訊中各個物品之價值，並根據所述價值計算所述場所之消防輸入資料。
所述火災損失資料之計算方法包括設置所述場所中每一可燃物之可燃時間和可燃比例，並按照預設比例對所述可燃物進行分割，分割後之每一小塊表示所述可燃物在火災中單位時間內損失之最小金額；根據所述可燃物之可燃時間、可燃比例、在火災中單位時間內損失之最小金額計算不同消防狀況資訊下所述場所之火災損失資料。
例如將一台機床進行64等分，所述機床之價值是64萬，每一等分之價值為1萬，每一等分之燃燒時間是2分鐘。按照機床所處之消防狀況資訊，計算所述機床在一場火災中之損失。例如所述機床在具有天花板消防噴淋頭之場所中之火災損失資料，以及所述機床在僅有一個滅火器之場所中火災損失資料。依次方法，可以計算出任意場所之火災損失資料。
(2)將所述多個場所之消防狀況資訊、消防輸入資料、火災損失資料分為訓練集和驗證集。
(3)建立基於神經網路之分析模型，並利用所述訓練集對所述基於神經網路之分析模型之參數進行訓練，其中將所述訓練集中之消防狀況資訊
作為所述模型之輸入資料，消防輸入資料、火災損失資料作為所述模型之輸出資料。
(4)利用所述驗證集對訓練後之基於神經網路之分析模型進行驗證，並根據驗證結果統計得到所述模型之預測準確率。
(5)判斷所述模型之預測準確率是否小於預設閾值。
(6)若所述模型預測準確率不小於所述預設閾值，則將訓練完成之所述基於神經網路之分析模型作為所述預設之分析模型。
在一些實施方式中，所述步驟還包括：
(7)若所述基於神經網路之分析模型預測準確率小於所述預設閾值，則調整所述神經網路演算法之結構，並利用所述訓練集重新對調整後之基於神經網路之分析模型進行訓練，其中，所述基於神經網路之分析模型之結構包括卷積核之數量、池化層中元素之數量、全連接層中元素之數量中之至少一種。
(8)利用所述驗證集對調整後之基於神經網路之分析模型進行驗證，直至所述重新統計得到之模型預測準確率不小於所述預設閾值，則將調整後之基於神經網路之分析模型作為所述預設之分析模型。
以上預設之分析模型之生成方法中之步驟根據實際需要步驟之順序可以改變，某些步驟可以省略。所述生成方法可以線上完成，也可以離線完成。
根據待評估場所之消防狀況資訊，將所述消防狀況資訊輸入預設之分析模型，輸出所述待評估場所之消防投資成本、火災損失資料成本。
將所述消防狀況資訊輸入至所述預設之分析模型之前，所述方法還包括：將所述待評估場所之消防狀況資訊進行數值化處理，按照所述分析模型按
照預設比例將所述消防狀況中之項目映射到0到1之區間。
例如，所述分析模型所能分析之人員數量是2000人，待評估場所之人員數量是500人，則將則根據待評估場所之人員數量與所述分析模型所能分析之人員數量之間之比值0.4作為消防狀況資訊之第一分析項目輸入資料登錄到所述分析模型。又如，所述分析模型中所能分析之環境狀態資訊中之天花板消防噴淋頭之數量是1000個，待評估場所之天花板消防噴淋頭之數量是100個，則將則根據待評估場所之天花板消防噴淋頭數量與所述分析模型所能分析之天花板消防噴淋頭數量之間之比值0.1作為消防狀況資訊中之第二分析項目輸入資料登錄到所述分析模型。從而將所述消防狀況資訊中之多個項目進行數值化。
將數值化後之消防狀況資訊使用預設之分析模型進行分析，輸出所述待評估場所在預設之火災場景中，總損失最少情況下所需之消防投入資料和/或火災損失資料。所述分析模型按照預設比例將消防投入資料與火災損失資料映射到0到1之區間。例如，所述分析模型所能分析之消防投入資料是3000萬、火災損失資料為5000萬，將待評估場所之消防狀況資訊輸入到所述分析模型中分析後得出，所述待評估場所之消防投入資料為0.3、火災損失資料為0.5，藉由所述預設比例計算後，所述待評估場所之消防投入資料為900萬，火災損失資料為2500萬。
在一實施方式中，所述分析模組102還包括：比較所述輸出之消防投入資料與實際之消防投入資料；若所述輸出之消防投入資料小於所述實際消防投入資料，則輸出所述待評估場所之實際消防投入資料過高之提示資訊；若所述輸出之消防投入資料大於所述實際消防投入資料，則輸出所述待評估場所之消防投入資料過低之提示資訊。
在又一實施方式中，所述分析模組102還可以包括，所述根據所述
待評估場所之消防狀況資訊提供改善意見之方法包括：若所述輸出之消防投入資料大於所述實際消防投入資料，根據所述待評估場所之消防狀況資訊輸出改善意見，其中所述改善意見之獲取方法包括：在預設查詢表中查找所述待評估場所之消防狀況資訊中之不同項目對應之消防狀況設計要求，其中所述預設查詢表中記錄了在符合消防安全標準之情況下，單位面積所需之消防狀況資訊；判斷所述待評估場所之消防狀況資訊中之項目是否符合所述消防狀況設計要求；若不符合，則將所述消防狀況設計要求作為所述改善意見進行輸出。
例如，經過預設的分析模型分析的所述待評估場所的消防投入資料大於所述實際消防投入資料，則在預設查詢標中查找所述待評估場所的單位面積內消防報警器的數量、天花板消防噴淋頭的數量；單位面積內人員的數量、與所述人員數量相匹配的滅火器、防毒面具的數量；單位面積內易燃品的數量，與所述易燃品相匹配的消火栓、滅火器的數量是否與預設查詢表中記錄的符合安全消防標準下消防物品的數量一致，若不一致，則輸出所述待評估場所所需消防物品的名稱及數量。
實施例四
圖4為本發明電腦裝置較佳實施例之示意圖。
所述電腦裝置1包括記憶體20、處理器30以及存儲在所述記憶體20中並可在所述處理器30上運行之電腦程式40，例如消防資料分析程式。所述處理器30執行所述電腦程式40時實現上述消防資料分析方法實施例中之步驟，例如圖2所示之步驟S1~S2。或者，所述處理器30執行所述電腦程式40時實現上述消防資料分析裝置實施例中各模組/單元之功能，例如圖3中之單元101-102。
示例性之，所述電腦程式40可以被分割成一個或多個模組/單元，
所述一個或者多個模組/單元被存儲在所述記憶體20中，並由所述處理器30執行，以完成本發明。所述一個或多個模組/單元可以是能夠完成特定功能之一系列電腦程式指令段，所述指令段用於描述所述電腦程式40在所述電腦裝置1中之執行過程。例如，所述電腦程式40可以被分割成圖3中之獲取模組101、分析模組102。
所述電腦裝置1可以是桌上型電腦、筆記本、掌上型電腦及雲端伺服器等計算設備。本領域技術人員可以理解，所述示意圖僅僅是電腦裝置1之示例，並不構成對電腦裝置1之限定，可以包括比圖示更多或更少之部件，或者組合某些部件，或者不同之部件，例如所述電腦裝置1還可以包括輸入輸出設備、網路接入設備、匯流排等。
所稱處理器30可以是中央處理單元(Central Processing Unit，CPU)，還可以是其他通用處理器、數位訊號處理器(Digital Signal Processor，DSP)、專用積體電路(Application Specific Integrated Circuit，ASIC)、現成可程式設計閘陣列(Field-Programmable Gate Array，FPGA)或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件等。通用處理器可以是微處理器或者所述處理器30也可以是任何常規之處理器等，所述處理器30是所述電腦裝置1之控制中心，利用各種介面和線路連接整個電腦裝置1之各個部分。
所述記憶體20可用於存儲所述電腦程式40和/或模組/單元，所述處理器30藉由運行或執行存儲在所述記憶體20內之電腦程式和/或模組/單元，以及調用存儲在記憶體20內之資料，實現所述電腦裝置1之各種功能。所述記憶體20可主要包括存儲程式區和存儲資料區，其中，存儲程式區可存儲作業系統、至少一個功能所需之應用程式(比如聲音播放功能、圖像播放功能等)等；存儲資料區可存儲根據電腦裝置1之使用所創建之資料(比如音訊資料、電話本等)等。此外，記憶體20可以包括高速隨機存取記憶體，還可以包括非易失性記憶體，例如硬碟、記憶體、插接式硬碟，智慧存儲卡(Smart Media Card,SMC)，
安全數位(Secure Digital,SD)卡，快閃記憶體卡(Flash Card)、至少一個磁碟記憶體件、快閃記憶體器件、或其他易失性固態記憶體件。
所述電腦裝置1集成之模組/單元如果以軟體功能單元之形式實現並作為獨立之產品銷售或使用時，可以存儲在一個電腦可讀取存儲介質中。基於這樣之理解，本發明實現上述實施例方法中之全部或部分流程，也可以藉由電腦程式來指令相關之硬體來完成，所述之電腦程式可存儲於一電腦可讀存儲介質中，所述電腦程式在被處理器執行時，可實現上述各個方法實施例之步驟。其中，所述電腦程式包括電腦程式代碼，所述電腦程式代碼可以為原始程式碼形式、物件代碼形式、可執行檔或某些中間形式等。所述電腦可讀介質可以包括：能夠攜帶所述電腦程式代碼之任何實體或裝置、記錄介質、U盤、移動硬碟、磁碟、光碟、電腦記憶體、唯讀記憶體(ROM，Read-Only Memory)、隨機存取記憶體(RAM，Random Access Memory)、電載波信號、電信信號以及軟體分發介質等。需要說明之是，所述電腦可讀介質包含之內容可以根據司法管轄區內立法和專利實踐之要求進行適當之增減，例如在某些司法管轄區，根據立法和專利實踐，電腦可讀介質不包括電載波信號和電信信號。
在本發明所提供之幾個實施例中，應所述理解到，所揭露之電腦裝置和方法，可以藉由其它之方式實現。例如，以上所描述之電腦裝置實施例僅僅是示意性之，例如，所述單元之劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外之劃分方式。
另外，在本發明各個實施例中之各功能單元可以集成在相同處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在相同單元中。上述集成之單元既可以採用硬體之形式實現，也可以採用硬體加軟體功能模組之形式實現。
對於本領域技術人員而言，顯然本發明不限於上述示範性實施例
之細節，而且在不背離本發明之精神或基本特徵之情況下，能夠以其他之具體形式實現本發明。因此，無論從哪一點來看，均應將實施例看作是示範性之，而且是非限制性之，本發明之範圍由所附申請專利範圍而不是上述說明限定，因此旨在將落在申請專利範圍之等同要件之含義和範圍內之所有變化涵括在本發明內。不應將申請專利範圍中之任何附圖標記視為限制所涉及之申請專利範圍。此外，顯然“包括”一詞不排除其他單元或步驟，單數不排除複數。電腦裝置申請專利範圍中陳述之多個單元或電腦裝置也可以由同一個單元或電腦裝置藉由軟體或者硬體來實現。第一，第二等詞語用來表示名稱，而並不表示任何特定之順序。
最後應說明之是，以上實施例僅用以說明本發明之技術方案而非限制，儘管參照較佳實施例對本發明進行了詳細說明，本領域之普通技術人員應當理解，可以對本發明之技術方案進行修改或等同替換，而不脫離本發明技術方案之精神和範圍。
Claims (10)
- 一種消防資料分析方法，所述方法包括：獲取待評估場所之消防狀況資訊，所述消防狀況資訊中之項目包括環境狀態資訊、物品狀態資訊、人員數量；根據不同場所在不同火災場景下之消防狀況資訊、消防輸入資料、火災損失資料對基於神經網路之分析模型進行訓練，以生成預設之分析模型，其中，所述消防輸入資料之計算方法包括：查詢所述消防狀況資訊中之環境狀態資訊、物品狀態資訊中各個物品之價值，並根據所述價值計算所述場所之消防輸入資料；將所述消防狀況資訊輸入到所述預設之分析模型，輸出所述待評估場所在預設之火災場景中，總損失最少情況下所需之消防投入資料和/或火災損失資料。
- 如請求項1所述之消防資料分析方法，其中，所述方法還包括：比較所述輸出之消防投入資料與實際之消防投入資料；若所述輸出之消防投入資料小於所述實際消防投入資料，則輸出所述待評估場所之實際消防投入資料過高之提示資訊；若所述輸出之消防投入資料大於所述實際消防投入資料，則輸出所述待評估場所之消防投入資料過低之提示資訊。
- 如請求項2所述之消防資料分析方法，其中，所述方法還包括：若所述輸出之消防投入資料大於所述實際消防投入資料，根據所述待評估場所之消防狀況資訊輸出改善意見，其中所述改善意見之獲取方法包括：在預設查詢表中查找所述待評估場所之消防狀況資訊中之不同項目對應之消防狀況設計要求，其中所述預設查詢表中記錄了在符合消防安全標準之情況下，單位面積所需之消防狀況資訊； 判斷所述待評估場所之消防狀況資訊中之項目是否符合所述消防狀況設計要求；若不符合，則將所述消防狀況設計要求作為所述改善意見進行輸出。
- 如請求項1所述之消防資料分析方法，其中，所述預設之分析模型之生成方法包括：獲取不同場所在不同火災場景下之消防狀況資訊、消防投入資料、火災損失資料，並對每一所述場所之消防狀況資訊和消防投入資料、火災損失資料對應存儲；將所述多個場所之消防狀況資訊、消防輸入資料、火災損失資料分為訓練集和驗證集；建立基於神經網路之分析模型，並利用所述訓練集對所述基於神經網路之分析模型之參數進行訓練，其中將所述訓練集中之消防狀況資訊作為所述模型之輸入資料，消防輸入資料、火災損失資料作為所述模型之輸出資料；利用所述驗證集對訓練後之基於神經網路之分析模型進行驗證，並根據驗證結果統計得到所述模型之預測準確率；判斷所述模型之預測準確率是否小於預設閾值；若所述模型預測準確率不小於所述預設閾值，則將訓練完成之所述基於神經網路之分析模型作為所述預設之分析模型。
- 如請求項4所述之消防資料分析方法，其中，所述方法還包括：若所述基於神經網路之分析模型預測準確率小於所述預設閾值，則調整所述神經網路演算法之結構，並利用所述訓練集重新對調整後之基於神經網路之分析模型進行訓練，其中，所述基於神經網路之分析模型之結構包括卷積核之數量、池化層中元素之數量、全連接層中元素之數量中之至少一種；利用所述驗證集對調整後之基於神經網路之分析模型進行驗證，並根據驗 證結果重新統計調整後之基於神經網路之分析模型預測準確率，並判斷調整後之基於神經網路之分析模型之預測準確率是否小於所述預設閾值；若所述重新統計得到之模型預測準確率不小於所述預設閾值，則將調整後之基於神經網路之分析模型作為所述預設之分析模型；及若所述重新統計得到之模型預測準確率小於所述預設閾值，則重複上述調整及訓練之步驟直至藉由所述驗證集驗證得到之模型預測準確率不小於所述預設閾值。
- 如請求項4所述之消防資料分析方法，其中，所述不同場所在不同火災場景下之消防狀況資訊、消防投入資料、火災損失資料之獲取方法包括：獲取任一場所之消防狀況資訊，根據所述預設查詢表判斷所述場所之消防狀況是否符合消防安全標準；若符合，則根據所述消防狀況資訊計算所述場所之消防輸入資料，並藉由火災數值模擬系統對所述場所進行不同火災場景下之模擬，並計算所述不同火災場景下所述場所之火災損失資料。
- 如請求項6所述之消防資料分析方法，其中，所述藉由火災數值模擬系統對所述場所進行不同火災場景下之模擬，並計算所述不同火災場景下所述場所之火災損失資料之方法包括：設置所述場所中每一可燃物之可燃時間和可燃比例，並按照預設比例對所述可燃物進行分割，分割後之每一小塊表示所述可燃物在火災中單位時間內損失之最小金額；根據所述可燃物之可燃時間、可燃比例、在火災中單位時間內損失之最小金額計算不同消防狀況資訊下所述場所之火災損失資料。
- 一種消防資料分析裝置，所述裝置包括： 獲取模組，用於獲取待評估場所之消防狀況資訊，所述消防狀況資訊中之項目包括環境狀態資訊、物品狀態資訊、人員數量；分析模組，用於根據不同場所在不同火災場景下之消防狀況資訊、消防輸入資料、火災損失資料對基於神經網路之分析模型進行訓練，以生成預設之分析模型，其中，藉由查詢所述消防狀況資訊中之環境狀態資訊、物品狀態資訊中各個物品之價值，並根據所述價值計算所述場所之消防輸入資料；分析模組，還用於將所述消防狀況資訊輸入到所述預設之分析模型，輸出所述待評估場所在預設之火災場景中，總損失最少情況下所需之消防投入資料和/或火災損失資料。
- 一種電腦裝置，所述電腦裝置包括處理器，所述處理器用於執行記憶體中存儲之電腦程式時實現如請求項1至7中任一項所述之消防資料分析方法。
- 一種電腦存儲介質，其上存儲有電腦程式，其中所述電腦程式被處理器執行時實現如請求項1至7中任一項所述之消防資料分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108145409A TWI737074B (zh) | 2019-12-11 | 2019-12-11 | 消防資料分析方法、裝置、電腦裝置及存儲介質 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108145409A TWI737074B (zh) | 2019-12-11 | 2019-12-11 | 消防資料分析方法、裝置、電腦裝置及存儲介質 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202123224A TW202123224A (zh) | 2021-06-16 |
| TWI737074B true TWI737074B (zh) | 2021-08-21 |
Family
ID=77516943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108145409A TWI737074B (zh) | 2019-12-11 | 2019-12-11 | 消防資料分析方法、裝置、電腦裝置及存儲介質 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI737074B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050055249A1 (en) * | 2003-09-04 | 2005-03-10 | Jonathon Helitzer | System for reducing the risk associated with an insured building structure through the incorporation of selected technologies |
| TW200832279A (en) * | 2006-09-13 | 2008-08-01 | Internat Design And Construction Online Inc | Computer-based system and method for providing situational awareness for a structure using three-dimensional modeling |
| US20150106311A1 (en) * | 2013-10-16 | 2015-04-16 | University Of Tennessee Research Foundation | Method and apparatus for constructing, using and reusing components and structures of an artifical neural network |
| CN110046837A (zh) * | 2019-05-20 | 2019-07-23 | 北京唐芯物联网科技有限公司 | 一种基于人工智能的消防管理*** |
| CN110392876A (zh) * | 2017-03-10 | 2019-10-29 | 净睿存储股份有限公司 | 将数据集和其他受管理对象同步地复制到基于云的存储*** |
-
2019
- 2019-12-11 TW TW108145409A patent/TWI737074B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050055249A1 (en) * | 2003-09-04 | 2005-03-10 | Jonathon Helitzer | System for reducing the risk associated with an insured building structure through the incorporation of selected technologies |
| TW200832279A (en) * | 2006-09-13 | 2008-08-01 | Internat Design And Construction Online Inc | Computer-based system and method for providing situational awareness for a structure using three-dimensional modeling |
| US20150106311A1 (en) * | 2013-10-16 | 2015-04-16 | University Of Tennessee Research Foundation | Method and apparatus for constructing, using and reusing components and structures of an artifical neural network |
| CN110392876A (zh) * | 2017-03-10 | 2019-10-29 | 净睿存储股份有限公司 | 将数据集和其他受管理对象同步地复制到基于云的存储*** |
| CN110046837A (zh) * | 2019-05-20 | 2019-07-23 | 北京唐芯物联网科技有限公司 | 一种基于人工智能的消防管理*** |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202123224A (zh) | 2021-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112949157A (zh) | 消防数据分析方法、装置、计算机装置及存储介质 | |
| US10937241B2 (en) | Systems, methods, and apparatus for identifying an augmented reality service | |
| WO2019057048A1 (zh) | 一种低频爬虫识别方法、装置、可读存储介质及设备 | |
| WO2018130201A1 (zh) | 确定关联账号的方法、服务器及存储介质 | |
| CN109829379B (zh) | 信息处理方法、装置、服务器以及存储介质 | |
| US20210203685A1 (en) | Disaster security calculation method, and user terminal and non-transitory medium implementing same | |
| CN111339436A (zh) | 一种数据识别方法、装置、设备以及可读存储介质 | |
| CN113515837A (zh) | 仿真测试平台的建立方法、装置和电子设备 | |
| CN108768743B (zh) | 一种用户识别方法、装置及服务器 | |
| CN114120221A (zh) | 基于深度学习的环境核查方法、电子设备及存储介质 | |
| CN115879766A (zh) | 一种风控方案生成的方法、装置、电子设备以及存储介质 | |
| CN113128693B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
| CN114614989A (zh) | 基于数字孪生技术的网络业务的可行性验证方法及装置 | |
| EP4024906B1 (en) | Method for identifying a device using attributes and location signatures from the device | |
| TWI737074B (zh) | 消防資料分析方法、裝置、電腦裝置及存儲介質 | |
| KR102589517B1 (ko) | 소방활동 현장지휘체계 시뮬레이션 훈련 및 평가 시스템 | |
| CN112115382A (zh) | 数据处理方法及装置、存储介质、电子装置 | |
| TWI737105B (zh) | 災害保障資源計算方法、裝置、電腦裝置及存儲介質 | |
| CN109657139B (zh) | 网络事件传播的模拟方法、装置及设备 | |
| CN112565380B (zh) | 一种消防物联网数据接入方法及*** | |
| CN110058995A (zh) | 一种可避免数据库类型的干扰的数据库测试方法以及*** | |
| CN111382626B (zh) | 视频中违规图像的检测方法、装置、设备及存储介质 | |
| CN111476886B (zh) | 智慧建筑楼宇三维模型渲染方法及楼宇云服务器 | |
| CN108182942A (zh) | 一种支持不同虚拟角色交互的方法和装置 | |
| CN110324292B (zh) | 身份验证装置、身份验证方法及计算机存储介质 |