技术领域
[0001] 本
发明涉及数字孪生技术,尤其是一种利用该技术实现城市安全 监控及风险预警的功能。
背景技术
[0002] 随着我国城镇化的快速推进,带来城市人口、产业、物流、
能量 的高度集中,进而带来城市安全风险的日益加大。所以,如何建立一 个城市风险管控系统是急需要解决的问题。
发明内容
[0003] 本发明为了解决上述技术的不足,提供了一种安全风险管控系统。
[0004] 为了解决上述技术问题,包括信息采集模
块,将信息采集模块的 数据进行处理以及存储的安全风险大
数据库,以及对安全风险
大数据 库进行处理并应用的风险展示平台,所述安全风险大数据库还包括基 础信息数据,所述信息采集模块包括地面信息采集单元以及空中信息 采集单元,所述地面信息采集单元包括区域内的手机信令,目标物的 RFID标签,区域内的监控视频,以及对重点监测区域安装的各类传感 器,所述空中信息采集单元包括无人机实时拍摄数据以及遥感卫星影 像地图,所述风险展示平台包括地理信息数据展示分析,风险专题数 据展示,风险专题数据检索,风险专题数据汇总以及
物联网感知设备 实时监控。
[0005] 采用了上述方法后,安全风险管控系统采用采集信息并
整理成安 全风险大数据库的方式,最后以一个展示平台的方式对公众或者监管 部
门进行应用,可以有效的帮助提高应用者对风险目标的监控能
力。 其中采集方式主要分为地面采集以及空中采集,通过对通讯运营商的 手机信令大数据的深度挖掘与应用,获取重大危险源特定区域内近期 不同时段(早、中、晚)的平均人员数量、人员
密度热力分布、
时空 运行趋势情况,以及该区域内人员的性别、籍贯比例等信息,可以预 测各类风险对人员安全的威胁程度,为应急预案的制定、应急资源的 配置、安全事件处置的决策和指挥提供有力
支撑。通过地面的移动信 令可以采集信令状态来监测当地通讯情况或者利用移动信令通知相 应人群进行紧急疏散,目标物的RFID标签可以更快速的
定位到对应 的具有高安全风险的
建筑物或标的物,监控视频可以实时
采样区域内 的安全情况,一旦出现风险情况可以快速准确的发现并查找风险源, 而各类
传感器则是能返回相应的
传感器数据,准确的监测区域内的每 项风险数值,空中信息采集单元包括GPS定位卫星遥感以及无人机拍 摄,通过无人机拍摄可以增加空中监控的监控广度以及增加高空的风 险险情监控,可用于捕捉监控视频未采集到的监控区域,而GPS定位 卫星遥感则是帮助一些移动的例如运送高危险品的运输车应急车辆、 客货运输车辆、救护车、
船舶等车辆与设备的实时
位置信息、轨迹等 实时监测其运送路线,帮助应用者可以监控该类目标物以免发生相应 的险情。而风险展示平台可以对上述采集到的数据进行直观展示以及 相应分析得到多种展示系统供应用者使用。
[0006] 作为本发明的进一步改进,所述地理信息数据展示分析包括对遥 感卫星影像地图进行数据获取并形成历史遥感影像,基于数字孪生技 术以及
虚拟现实技术的三维模型场景,以及地名地址展示。所述数字 孪生技术以及虚拟现实技术为基于三维GIS系统通过对现有地域进行
三维建模,建立城市地域模型,所述数字孪生模块基于虚拟与现实技 术的
基础上,获取地面信息采集单元中的相关数据,对环境进行仿真 模拟,实时监控。
[0007] 采用了上述方法后,数字孪生技术是充分利用物理模型、传感器 更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的 仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全 生命周期过程。从而在虚拟的数字空间中对实体对象、环境进行仿真 和模拟,并将结果用于实际的规划、建设、管理、监控、预警、预测 等。所述风险专题数据展示包括对各行业领域风险数据信息按照空间 位置
叠加展示,同时按照风险等级、风险区域、风险类型、风险历史 情况,进行不同的标注,形成风险专题数据地图。以空间为基准,将 各项风险数据在空间上进行叠加展示,并进行不同的标注,实现对温 州市城市安全风险源进行实时在线监测分析,进行红、橙、黄、蓝风 险预警分级。
[0008] 作为本发明的进一步改进,所述城市地域模型包括城市
水淹模型, 化工厂危险预警模型以及森林公园防火易感性模型,所述森林公园防 火易感性模型包括第一步,分别利用传感器技术提取
气候特征,利用 林业局基础大数据提取植被相关信息,利用GIS技术提取斜率,坡向 和地形湿度指数,第二步,利用上述数据建立GIS数据库,并将GIS 数据库中的数据利用核逻辑回归建立
机器学习模型,第三步,将得出 的结果再使用BFGS
算法进行优化。
[0009] 采用了上述方法后,城市水淹模型,化工危险预警模型以及森林 公园防火易感性模型都是城市安全风险中较为频发以及较为严重的 风险事故,通过对这些模型的建立,来研究所在区域的事故引发概率, 其中,森林防火易感模型是模型中较为重要也较容易实施的一种机器 学习模型,通过对数字孪生技术内的传感器获取到的信息以及林业基 础大数据和GIS技术,将相关的数据存入GIS数据库中,并且利用机 器学习模型将上述数据进行相关性分析最后得出某个城市某个森林 公园的火灾发生概率。
[0010] 作为本发明的进一步改进,所述核逻辑回归建立机器学习模型主 要通过设置逻辑函数算法来求解火灾发生概率p(x),考虑
训练数据集 第一步,根据核逻辑回归公式则可以得到, 其中xi为输入变量,包括 从传感器或GIS技术中获取的坡度,坡向,地形湿度指数,土地
覆盖, 地表
温度,到道路的距离,到人口稠密地区的距离,风速和降雨量等 相关变量,yi∈{0,1},对应相关变量是否发生火灾的标签,其中αi和b 是模型权重,第二步,利用最小化负对数似然函数以及
梯度下降法分 别求解并且获得参数αi,b,其中最小化负对数似然函数的公式如下 所示,其中C为正则化 参数,第三步,利用径
向基函数k(x,x')作为核逻辑函数的一种,在逻 辑函数的基础上增加核函数,计算所用变量属性特征之间的相关性, 其算法如下k(x,x')=exp((-||x-x'||2)/2δ2,其中δ是超参数,用于人工输 入并可手工调整优化模型。
[0011] 采用了上述方法后,通过机器学习去训练一个火灾引发概率的模 型。核逻辑回归(KLR)是一种功能强大的机器学习分类方法,其中 概率结果是基于使用Broyden-Fletcher-Goldfarb-Shanno(BFGS)优化 最小化负对数似然函数来估计的。使用
内核函数,KLR将来自原始空 间的输入数据映射到高维特征空间,该方法是在逻辑回归的基础上再 增加了核函数,更能计算出所选用的属性特征之间的相关性。考虑训 练数据集,其中作为具有n个变量和N个数据样本的输入数据。在 这个研究背景下,输入变量是坡度,坡向,地形湿度指数,土地覆盖, 地表温度,到道路的距离,到人口稠密地区的距离,风速和降雨量。 yi是表示森林发生火灾和森林未发生火灾的相应标签。KLR能够建立 一个非线性决策边界通过以下等式将特征空间中的两个类分开:其中 δ是超参,控制核函数的灵敏度。在这里讲通过最小化负对数似然函 数来获得参数,其中C是正则化参数,用于模型不会训练得过拟合。
[0012] 作为本发明的进一步改进,所述机器学习模型还包括模型验证评 估算法,所述算法包括如下评估指标,总体准确度,特异性,敏感性, 阳性预测值(PPV)和阴性预测值(NPV),而上述五个评估指标通 过设置TP(被模型预测为正的正样本);TN(被模型预测为负的负 样本);FP(被模型预测为正的负样本);FN(被模型预测为负的正 样本);而上述四个参数分别映射TP和TN分别是训练数据集或验证 数据集中正确分类为森林防火等级和非森林防火等级的样本数,FP 和FN是训练数据集或验证数据集中被错误分类的样本数,则可推出
[0013] 采用了上述方法后,森林火灾模型的性能使用五个统计评估指标 评估,如总体准确性,特异性,敏感性,阳性预测值(PPV)和阴性 预测值(NPV)。总体准确度是正确分类的训练(或验证)样本的 比例;灵敏度是森林火灾正确分类的比例;特异性是正确分类的非森 林火灾的比例。PPV是训练(或验证)数据集中分类为森林防火等 级的样本的概率,而NPV是训练(或验证)数据集中正确分类到非 森林防火等级的样本的概率:其中TP和TN分别是训练数据集或验证 数据集中正确分类为森林防火等级和非森林防火等级的样本数。FP 和FN是训练数据集或验证数据集中被错误分类的样本数。可以使用 接收器操作特性(ROC)曲线和ROC曲线下面积(AUC)来评估模型 性能的全局测量。ROC曲线是基于灵敏度与特异性构建的描述性图。 如果AUC等于1,则获得完美模型,而如果AUC为0,则模型无信息。
[0014] 作为本发明的进一步改进,所述风险专题数据检索包括综合属性 关键字检索以及图像检索,通过上述两个检索方式将风险等级、风险 区域、风险类型、以及风险可发生的后果进行定位追踪以及详情查阅。
[0015] 采用了上述方法后,风险专题数据检索可以帮助应用者可以快速 定位到相应的风险数据,以便追踪风险以及查询风险详情。
[0016] 作为本发明的进一步改进,所述风险专题数据汇总按照风险源行 业、等级、区域、时间、类型、措施等对风险源归类以及统计对比。
[0017] 采用了上述方法后,通过对风险源归类、统计、对比、类比,实 现对全市所有风险源的直观全局把握。
[0018] 作为本发明的进一步改进,所述物联网感知设备实时监控通过多 源格式的的物联设备接入
接口,实时动态对接各行业、各部门的设施 设备监测、环境监测、人员活动监测、危险源监测、视频监测等物联 网感知数据,并结合GIS技术,在风险地图上直观展示其物联网感 知数据,同时可以通过折线图、柱状图、表格等多种数据形式进行单 站和多站数据的综合对比分析。
[0019] 采用了上述方法后,在风险地图上直观展示其物联网感知数据, 同时可以通过折线图、柱状图、表格等多种数据形式进行单站和多站 数据的综合对比分析,实现从粗粒度到细粒度,从整体到局部,实时 展示温州全域风险的运行监测情况。
具体实施方式
[0020] 包括信息采集模块,将信息采集模块的数据进行处理以及存储的 安全风险大数据库,以及对安全风险大数据库进行处理并应用的风险 展示平台,所述安全风险大数据库还包括基础信息数据,所述信息采 集模块包括地面信息采集单元以及空中信息采集单元,所述地面信息 采集单元包括区域内的手机信令,目标物的RFID标签,区域内的监 控视频,以及对重点监测区域安装的各类传感器,所述空中信息采集 单元包括无人机实时拍摄数据以及遥感卫星影像地图,所述风险展示 平台包括地理信息数据展示分析,风险专题数据展示,风险专题数据 检索,风险专题数据汇总以及物联网感知设备实时监控。
[0021] 采用了上述方法后,安全风险管控系统采用采集信息并整理成安 全风险大数据库的方式,最后以一个展示平台的方式对公众或者监管 部门进行应用,可以有效的帮助提高应用者对风险目标的监控能力。 其中采集方式主要分为地面采集以及空中采集,通过对通讯运营商的 手机信令大数据的深度挖掘与应用,获取重大危险源特定区域内近期 不同时段(早、中、晚)的平均人员数量、人员密度热力分布、时空 运行趋势情况,以及该区域内人员的性别、籍贯比例等信息,可以预 测各类风险对人员安全的威胁程度,为应急预案的制定、应急资源的 配置、安全事件处置的决策和指挥提供有力支撑。通过地面的移动信 令可以采集信令状态来监测当地通讯情况或者利用移动信令通知相 应人群进行紧急疏散,目标物的RFID标签可以更快速的定位到对应 的具有高安全风险的建筑物或标的物,监控视频可以实时采样区域内 的安全情况,一旦出现风险情况可以快速准确的发现并查找风险源, 而各类传感器则是能返回相应的传感器数据,准确的监测区域内的每 项风险数值,空中信息采集单元包括GPS定位卫星遥感以及无人机拍 摄,通过无人机拍摄可以增加空中监控的监控广度以及增加高空的风 险险情监控,可用于捕捉监控视频未采集到的监控区域,而GPS定位 卫星遥感则是帮助一些移动的例如运送高危险品的运输车应急车辆、 客货运输车辆、救护车、船舶等车辆与设备的实时位置信息、轨迹等 实时监测其运送路线,帮助应用者可以监控该类目标物以免发生相应 的险情。而风险展示平台可以对上述采集到的数据进行直观展示以及 相应分析得到多种展示系统供应用者使用。
[0022] 作为本发明的进一步改进,所述地理信息数据展示分析包括对遥 感卫星影像地图进行数据获取并形成历史遥感影像,基于数字孪生技 术以及虚拟现实技术的三维模型场景,以及地名地址展示。所述数字 孪生技术以及虚拟现实技术为基于三维GIS系统通过对现有地域进行 三维建模,建立城市地域模型,所述数字孪生模块基于虚拟与现实技 术的基础上,获取地面信息采集单元中的相关数据,对环境进行仿真 模拟,实时监控。
[0023] 采用了上述方法后,数字孪生技术是充分利用物理模型、传感器 更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的 仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全 生命周期过程。从而在虚拟的数字空间中对实体对象、环境进行仿真 和模拟,并将结果用于实际的规划、建设、管理、监控、预警、预测 等。所述风险专题数据展示包括对各行业领域风险数据信息按照空间 位置叠加展示,同时按照风险等级、风险区域、风险类型、风险历史 情况,进行不同的标注,形成风险专题数据地图。以空间为基准,将 各项风险数据在空间上进行叠加展示,并进行不同的标注,实现对温 州市城市安全风险源进行实时在线监测分析,进行红、橙、黄、蓝风 险预警分级。
[0024] 作为本发明的进一步改进,所述城市地域模型包括城市水淹模型, 化工厂危险预警模型以及森林公园防火易感性模型,所述森林公园防 火易感性模型包括第一步,分别利用传感器技术提取气候特征,利用 林业局基础大数据提取植被相关信息,利用GIS技术提取斜率,坡向 和地形湿度指数,第二步,利用上述数据建立GIS数据库,并将GIS 数据库中的数据利用核逻辑回归建立机器学习模型,第三步,将得出 的结果再使用BFGS算法进行优化。
[0025] 采用了上述方法后,城市水淹模型,化工危险预警模型以及森林 公园防火易感性模型都是城市安全风险中较为频发以及较为严重的 风险事故,通过对这些模型的建立,来研究所在区域的事故引发概率, 其中,森林防火易感模型是模型中较为重要也较容易实施的一种机器 学习模型,通过对数字孪生技术内的传感器获取到的信息以及林业基 础大数据和GIS技术,将相关的数据存入GIS数据库中,并且利用机 器学习模型将上述数据进行相关性分析最后得出某个城市某个森林 公园的火灾发生概率。所述核逻辑回归建立机器学习模型主要通过设 置逻辑函数算法来求解火灾发生概率p(x),考虑训练数据集第一步,根据核逻辑回归公式则可以得到求解p(x)相应的公式及算 法,变量包括从传感器或GIS技术中获取的坡度,坡向,地形湿度指 数,土地覆盖,地表温度,到道路的距离,到人口稠密地区的距离, 风速和降雨量等相关变量,yi∈{0,1},对应相关变量是否发生火灾的 标签,其中αi和b是模型权重,第二步,利用最小化负对数似然函数 以及梯度下降法分别求解并且获得参数αi,b,其中最小化负对数似 然函数的公式如下所示,其中C为正则化参数,第三步,利用径向基 函数k(x,x')作为核逻辑函数的一种,在逻辑函数的基础上增加核函 数,计算所用变量属性特征之间的相关性,其算法如下 k(x,x')=exp((-||x-x'||2)/2δ2,其中δ是超参数,用于人工输入并可手工 调整优化模型。通过机器学习去训练一个火灾引发概率的模型。核逻 辑回归(KLR)是一种功能强大的机器学习分类方法,其中概率结果 是基于使用Broyden-Fletcher-Goldfarb-Shanno(BFGS)优化最小化负 对数似然函数来估计的。使用内核函数,KLR将来自原始空间的输入 数据映射到高维特征空间,该方法是在逻辑回归的基础上再增加了核 函数,更能计算出所选用的属性特征之间的相关性。考虑训练数据集, 其中作为具有n个变量和N个数据样本的输入数据。在这个研究背 景下,输入变量是坡度,坡向,地形湿度指数,土地覆盖,地表温度, 到道路的距离,到人口稠密地区的距离,风速和降雨量。yi是表示森 林发生火灾和森林未发生火灾的相应标签。KLR能够建立一个非线 性决策边界通过以下等式将特征空间中的两个类分开:其中δ是超参, 控制核函数的灵敏度。在这里讲通过最小化负对数似然函数来获得参 数,其中C是正则化参数,用于模型不会训练得过拟合。
[0026] 所述机器学习模型还包括模型验证评估算法,所述算法包括如下评估 指标,总体准确度,特异性,敏感性,阳性预测值(PPV)和阴性预 测值(NPV),而上述五个评估指标通过设置TP(被模型预测为正的 正样本);TN(被模型预测为负的负样本);FP(被模型预测为正的 负样本);FN(被模型预测为负的正样本);而上述四个参数分别映 射TP和TN分别是训练数据集或验证数据集中正确分类为森林防火等 级和非森林防火等级的样本数,FP和FN是训练数据集或验证数据 集中被错误分类的样本数,则可推出森林火灾模型的性能使用五个统计评 估指标评估,如
总体准确性,特异性,敏感性,阳性预测值(PPV) 和阴性预测值(NPV)。总体准确度是正确分类的训练(或验证) 样本的比例;灵敏度是森林火灾正确分类的比例;特异性是正确分类 的非森林火灾的比例。PPV是训练(或验证)数据集中分类为森林 防火等级的样本的概率,而NPV是训练(或验证)数据集中正确分 类到非森林防火等级的样本的概率:其中TP和TN分别是训练数据集 或验证数据集中正确分类为森林防火等级和非森林防火等级的样本 数。
FP和FN是训练数据集或验证数据集中被错误分类的样本数。 可以使用接收器操作特性(ROC)曲线和ROC曲线下面积(AUC)来 评估模型性能的全局测量。ROC曲线是基于灵敏度与特异性构建的 描述性图。如果AUC等于1,则获得完美模型,而如果AUC为0,则 模型无信息。
[0027] 所述风险专题数据检索包括综合属性关键字检索以及图像检索, 通过上述两个检索方式将风险等级、风险区域、风险类型、以及风险 可发生的后果进行定位追踪以及详情查阅。
[0028] 风险专题数据检索可以帮助应用者可以快速定位到相应的风险数据, 以便追踪风险以及查询风险详情。所述风险专题数据汇总按照风险源 行业、等级、区域、时间、类型、措施等对风险源归类以及统计对比。 通过对风险源归类、统计、对比、类比,实现对全市所有风险源的直 观全局把握。
[0029] 所述物联网感知设备实时监控通过多源格式的的物联设备接入接 口,实时动态对接各行业、各部门的设施设备监测、环境监测、人员 活动监测、危险源监测、视频监测等物联网感知数据,并结合GIS技 术,在风险地图上直观展示其物联网感知数据,同时可以通过折线图、 柱状图、表格等多种数据形式进行单站和多站数据的综合对比分析。 在风险地图上直观展示其物联网感知数据,同时可以通过折线图、柱 状图、表格等多种数据形式进行单站和多站数据的综合对比分析,实 现从粗粒度到细粒度,从整体到局部,实时展示温州全域风险的运行 监测情况。