买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：长春大学

摘要：基于深度学习的城市区域火灾风险预测方法属于人工智能与大数据技术领域。本发明以真实城市建筑物的火灾事故数据作为样本特征集，剔除无效火灾事故特征；使用cKDTree最邻近搜索算法确定标志节点，每个标志节点表示一个轴对齐的超矩形；将标志节点内各建筑物的火灾事故特征进行抽取，选取各区域内最高火灾风险的建筑物特征作为相应标志节点的特征，最终组成带有区域火灾数据特征的标志节点数据集。采用深度学习RetNet模型通过训练集进行训练，利用训练完成的深度学习RetNet模型进行城市各个区域标志节点的区域火灾风险概率预测，并将通过可交互式地图对应着色显示，实现按地图区域进行城市区域火灾的预测。

主权项：1.基于深度学习的城市区域火灾风险的预测方法，其特征是：包括以下步骤，并且以下步骤顺次进行：步骤一、通过城市公开数据集下载并获得选定城市的建筑物历史火灾事故数据以及相应的消防局信息数据集、天气信息数据集和建筑物历史违规数据集，将四个数据集按照同一建筑物相同时间点进行合并组合，形成含有四个火灾事故特征的真实城市建筑物火灾事故特征集；步骤二、将火灾事故特征集进行预处理，剔除无效火灾事故特征，剩余有效的火灾事故特征，设定区域火灾风险概率公式，以火灾风险概率作为风险指标，获得与有效的火灾事故特征一一对应的风险指标并与有效的火灾事故特征合并存储，获得有效的火灾事故特征集；步骤三、划分城市区域利用cKDTree最邻近搜索算法确定所述选定城市区域内的标志节点，每个标志节点表示一个轴对齐的超矩形；利用所述的超矩形对城市进行区域划分，城市内的每个建筑物均表示为一个点，各建筑物经纬度坐标形成点集，各点经纬度坐标小于或等于设定阈值判定为位于标志节点超矩形范围内，获得含有标志节点的城市各个区域；步骤四、提取标志节点特征将步骤三中划分出的各区域内各建筑物的火灾事故特征和对应的风险指标从有效的火灾事故特征集中进行抽取，获得带有区域火灾数据特征的标志节点数据集；步骤五、按照80％训练集、10％验证集、10％测试集的比例划分步骤四中得到的带有区域火灾数据特征的标志节点数据集；步骤六、采用多头注意力机制，对训练集训练集、验证集、测试集中的火灾事故特征进行提取分类，对提前分类后的特征向量进行选择，获得火灾事故的特征向量，采用深度学习RetNet模型并通过训练集训练该模型深度；所述深度学习RetNet模型将获得的火灾事故的特征向量作为输入，输入至深度学习RetNet模型的Encoder层，将风险指标作为输出，从深度学习RetNet模型的Decoder层输出；步骤七、验证集对深度学习RetNet模型进行验证，并通过测试集进行性能评价，获得训练完成的深度学习RetNet模型；其中，验证集对深度学习RetNet模型进行验证具体为：将验证集输入步骤六中训练后的模型进行验证，输出的验证结果使用敏感性Sensitivity、特异性Specificity、查准率accuracy、准确率Precision、马修斯相关性系数MCCMatthewscorrelationcoefficient及ROC曲线下面的面积AUCAreaUnderRocCurve作为评价模型验证效果的指标，AUC达到90％以上，则判定为深度学习RetNet模型训练完成，AUC达不到90％，则返回步骤六重新训练直至AUC达到90％以上；步骤八、利用Gmaps库函数将步骤七中训练完成的深度学习RetNet模型输出的城市各区域内标志节点的风险指标值在可交互式地图上的相应区域内进行标注；使用Geopandas库函数将风险指标位于不同设定范围的城市各区域标志节点进行不同的赋值，并根据不同的赋值对应在可交互式地图上的相应区域着不同的颜色，获得实现区域火灾风险的可视化的城市区域火灾风险的预测地图；步骤九、按照设定时间重复步骤一至步骤八，通过定期的下载更新选定城市的四个火灾事故特征，从而获得按照设定时间更新的区域火灾风险的可视化的城市区域火灾风险的预测地图，实现城市区域火灾风险的预测。

全文数据：

权利要求：

百度查询： 长春大学 基于深度学习的城市区域火灾风险的预测方法