一种灾害预警方法

1.本发明属于灾害预警技术领域，具体涉及一种灾害预警方法。


背景技术：

2.近年来，随着全球气候变化的不稳定性，各种自然灾害层出不穷，目前对于自然灾害预警的方法有很多。随着互联网的发展，云端服务器在自然灾害的预警过程中发挥着不可或缺的作用，但是，云端服务器虽然可以将大型的计算任务放到云端去进行运算，但是对于需要低延迟的应用来说，会遇到网络带宽瓶颈等问题。为了解决这个问题，可以将任务放到边缘侧进行计算，但是相较于云端服务器的计算能力来说，边缘计算又受到了本地边缘终端计算能力的限制。
3.由于不同灾害预警的数据处理对于计算能力的要求不同，目前对于各种灾害发生时，采用云边协同的方式对数据处理，可以减少决策所用的时间，但是，云边协同下对于灾害预警时的数据处理精度低，且在对灾害数据进行检测时，采用的算法单一，预警错误率高。


技术实现要素：

4.本发明实施例的目的是提供一种灾害预警方法，能够解决现有的云边协同下对于灾害预警时的数据处理精度低，且在对灾害数据进行检测时，采用的算法单一，预警错误率高的技术问题。
5.为了解决上述技术问题，本发明是这样实现的：
6.本发明实施例提供了一种灾害预警方法，应用于云边协同系统，云边协同系统包括云端服务器、边缘节点和多个边缘终端，云端服务器通过边缘节点与多个边缘终端连接，云端服务器中存储有多种灾害预警模型，灾害预警方法包括：
7.s101：云端服务器根据任务性质，从多种灾害预警模型中挑选出目标预警模型，通过边缘节点将目标预警模型下发至多个边缘终端；
8.s102：调低目标预警模型的初始置信度阈值，将预测目标发生概率大于初始置信度阈值的结果数据汇总至边缘节点，对结果数据进行重新标注后上传至云端服务器；
9.s103：将重新标注后的数据作为训练集，对当前边缘节点使用目标预警模型进行再次训练，对目标预警模型进行更新；
10.s104：将更新后的目标预警模型重新下发至多个边缘终端，以替换当前的目标预警模型；
11.s105：通过目标预警模型进行灾害预警。
12.在本发明实施例中，在灾害发生时通过调低适应不同场景的目标预警模型的初始置信度阈值，将得到的结果数据作为训练集上传至云端服务器对目标预警模型不断的进行训练优化，提高目标预警模型对于灾害发生时预警能力的敏感度，提高灾害数据处理精度，提升预警准确率，此外，通过云边协同的方式，将灾害数据先经过边缘节点进行预处理，之
后上传至云端服务器进行计算，降低数据处理延迟时间，降低预警错误率。
附图说明
13.图1是本发明实施例提供的一种灾害预警方法的流程示意图。
14.图2是本发明实施例提供的一种云边协同系统的结构示意图。
15.本发明目的的实现、功能特点及优点将结合实施例、参照附图做进一步说明。
具体实施方式
16.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
17.下面结合附图，通过具体的实施例及其应用场景对本发明实施例提供一种灾害预警方法进行详细地说明。
18.参照图1，示出了本发明实施例提供的一种灾害预警方法的流程示意图。
19.参照图2，示出了本发明实施例提供的一种云边协同系统的结构示意图。
20.本发明实施例提供的一种灾害预警方法，应用于云边协同系统，如图2所示，云边协同系统包括云端服务器、边缘节点和多个边缘终端，云端服务器通过边缘节点与多个边缘终端连接，云端服务器中存储有多种灾害预警模型。
21.灾害预警方法包括：
22.s101：云端服务器根据任务性质，从多种灾害预警模型中挑选出目标预警模型，通过边缘节点将目标预警模型下发至多个边缘终端。
23.可以理解的是，目标预警模型是已经存储在云端服务器的，可以适用于不同的场景，具有一定的预警能力，在对目标预警模型进行部署时，可以根据具体的任务需求通过人工将目标预警模型下发至边缘节点，通过边缘节点再发送至边缘终端。
24.其中，多种灾害预警模型包括：森林火灾预警模型、工厂火灾预警模型和煤矿高温预警模型。
25.可选地，灾害预警模型包括yolo(you-only-look-once)v7算法。
26.对于安全生产来说，灾害预警的敏感程度至关重要，对预警系统的反应速率要求很高，yolo是一种单阶段(one-stage)的目标检测网络。它的检测速度非常快，标准版本每秒可以处理45帧图片，能够轻松地实时运行。yolo网络至今仍在不断更新迭代，yolov7是目前yolo系列最先进的算法，在准确率和速度上超越了以往的yolo系列，将其应用于目标灾害预警模型，可以让云边协同系统的预警能力更加突出，降低预警错误率。
27.s102：调低目标预警模型的初始置信度阈值，将预测目标发生概率大于初始置信度阈值的结果数据汇总至边缘节点，对结果数据进行重新标注后上传至云端服务器。
28.可以理解的是，通过不断的调低目标预警模型的初始置信度阈值，可以将目标预警模型的敏感度不断提升，云边协同架构应用在同类应用场景中具有大规模可扩展的特点，可以有效弥补特定场景有效数据样本不足的问题，采用“高敏感度触发”的策略，即当某一个环境监测目标的预测概率达到某一个较低阈值时即触发报警。
29.可选地，初始置信度阈值为0.25。
30.需要说明的是，将初始置信度阈值选为0.25，一方面可以有效的排除与目标预警模型监测对象差距较大的无关数据，避免无关数据后续处理的影响，另一方面较低的初始置信度阈值，可以提高目标预测模型多余突发灾害或者是灾害发生前不明显因素的敏感度，提高目标预测模型的预测准确率。
31.进一步地，在后续的训练过程中，会不断的调高报警阈值，以提高预测的准确率。
32.s103：将重新标注后的数据作为训练集，对当前边缘节点使用目标预警模型进行再次训练，对目标预警模型进行更新。
33.可以理解的是，将在边缘节点汇总和标注的结果数据作为训练集对存储在云端服务器的对应的边缘终端的目标预测模型进行训练，在对目标预测模型进行训练的过程中，通过设定的初始阈值，可以筛选出预测目标发生概率较大的训练集对目标预测模型进行训练，可以使得目标预测模型在学习的过程中加快收敛速度，更新后的得到的目标预测模型在对灾害的预警方面，反应更敏捷。
34.s104：将更新后的目标预警模型重新下发至多个边缘终端，以替换当前的目标预警模型。
35.可以理解的是，更新后的目标预测模型，是经过不断的训练得到的，预警能力优于开始时通过人工下发的目标预测模型，将更新后的目标预测模型通过边缘节点再次下发至多个边缘终端，可以避免监测的环境数据变化引起的预警能力的减弱。
36.s105：通过目标预警模型进行灾害预警。
37.需要说明的是，将更新完成的目标预警模型通过边缘节点下发至各个边缘终端，各边缘终端通过优化过的目标预警模型，可以对边缘终端所处的环境进行灾害预警，排除危险隐患。
38.s106：按照预设周期，定期重复s102至s104。
39.需要说明的是，本领域技术人员可以根据实际情况选择预设周期的大小。
40.其中，最开始从云端服务器下发至边缘终端的目标预测模型，漏检率较低，错检率较高，在目标预测模型的短时间内的更新过程中，可以获得较多的环境数据，为了降低目标预测模型的漏检率，最开始可以将预设周期设置为5天或者更短的时间，当目标预测模型的漏检率下降至一定程度之后，可以将预设周期的更新时间逐步延长，避免重复更新，浪费计算资源。
41.s107：对训练集根据环境特征进行分类，得到多种类别的环境数据。
42.可以理解的是，训练集是云端服务器用来更新目标云服务器的，对于这些数据按类别可以进一步划分。
43.例如，一个工厂下对火灾的预警，又可以进一步划分为在白天、晚上或者各种不同气象下的预警。
44.s107a：在某一类别的环境数据的数量小于预设数量的情况下，对此类别的环境数据进行增广处理，以增加此类别环境数据的数量。
45.其中，本领域技术人员可以根据实际情况选择预设数量的大小。可以理解的是，当分类得到的某一类别的环境数据过少时，根据这一环境数据分析得到的各种结果不准确，通过对环境数据的增广处理，可以让环境数据尽可能的多样化，使得根据增广后的数据得
到的各种结果，具有更强的泛化能力。
46.s108：在灾害预警模型下配置多种基础模型，多种基础模型与多种环境数据一一对应。
47.可选地，多种基础模型可以包括：白天基础模型、晚上基础模型、雨天基础模型、雾天基础模型和打雷基础模型，在实际应用中，可以根据实际需要划分出更多类别的环境数据，训练得到不同的基础模型，将基于云边协同的灾害预警能力扩散到更小的范围，提高预警的有效性，降低预警错误率。
48.需要说明的是，边缘终端侧设置有多种传感器。
49.s109a：实时采集多个边缘终端的多模态传感器数据。
50.可以理解的是，通过多模态传感器采集得到的多种形式的数据，可以降低单一数据形式对预测结果的影响，方便后续对不同环境特征的分析。
51.s109b：根据多模态传感器数据，在云端服务器中构建由lstm时序特征提取网络、resnet特征提取网络和transformer encoder组成的注意力网络，并对注意力网络进行训练。
52.需要说明的是，在构建自注意力网络时，还将考虑烟雾、水蒸气、光照等因素在灾害目标检测过程中造成检测效果不佳的情况。
53.自注意力网络学习的目标是训练出一个能够处理多模态数据，并能挖掘出数据之间的内在联系并分类的网络，云端服务器将接收到的各种多模态传感器数据作为训练集，从中归纳出一组分类规则，当有新样本的输入时，网络可以根据自身的分类规则，对新样本进行分类，为后续的预警提供决策基础。
54.在一种可能的实施方式中，s109b具体包括：
55.s1091：利用多模态传感器数据对lstm时序特征提取网络和resnet特征提取网络进行预训练。
56.在一种可能的实施方式中，s1091具体包括：
57.s1091a：对中国气象局往年目标地监测站的监测数据集使用lstm时序特征提取网络进行时序预测任务，得到时序信息。
58.其中，lstm时序特征提取网络的输入为：某一个指标在某一段时间内连续的监测数值；lstm时序特征提取网络的输出为：某一指标在接下来一段时间内的可能的数值y
t
；
59.损失函数可表示为：
60.s1091b：对中国气象局往年目标地监测站的imagenet数据集使用resnet特征提取网络进行图像分类任务，得到图像信息。在imagenet数据集上使用resnet特征提取网络进行图像分类任务，完成预训练
61.其中，输入为：单个图像，输出为：图像的可能分类。s1092：将获取的各特征进行拼接，以单流方式输入至transformer encoder，以交叉熵作为损失函数对注意力网络进行训练。
62.在一种可能的实施方式中，s1092具体包括：
63.s1092a：将时序信息传入至lstm时序特征提取网络，得到特征映射t。
64.s1092b：将图像信息传入至resnet特征提取网络，得到特征映射v。
65.s1092c：对特征映射t和特征映射v分别进行嵌入处理得到和并将和进行拼接z0：
[0066][0067]
其中，v
type
和t
type
分别代表图像信息与时序信息的种类特征。
[0068]
其中，
[0069]
s1092d：将z0输入至transformer encoder中，将输出p传入全连接层进行分类，使用交叉熵作为损失函数l对注意力网络进行训练：
[0070][0071]
其中，n代表样本总数，m代表类别总数，y代表正负样本，p代表预测的概率。
[0072]
s109c：将注意力网络部署至边缘节点。
[0073]
s109d：向注意力网络输入多模态传感器数据。
[0074]
s109e：通过注意力网络确定环境特征。
[0075]
可以理解的是，将在云端服务器构建好的自注意力网络部署至边缘节点，边缘节点实时的采集多模态传感器数据，根据采集到的环境数据，利用自注意力网络进行分类判断边缘终端属于哪一种环境特征，进而请求云端服务器下发对应的目标基础模型。
[0076]
s109：通过环境数据对相应的基础模型进行训练。
[0077]
s110：根据环境特征，选取目标基础模型，通过目标基础模型进行灾害预警。
[0078]
需要说明的是，将网络部署至边缘节点，边缘节点根据实时收集到的边缘终端的环境信息并使用自注意力网络进行环境特征推理。倘若推理结果与上一次结果不同，则向云端服务器请求下发新的目标基础模型，避免出现环境特征改变，仍采取不符合环境特征的预警模型，可以提高灾害预警的应变能力，进而提高预警准确率，防止发生各种灾害事故。
[0079]
在本发明实施例中，在灾害发生时通过调低适应不同场景的目标预警模型的初始置信度阈值，将得到的结果数据作为训练集上传至云端服务器对目标预警模型不断的进行训练优化，提高目标预警模型对于灾害发生时预警能力的敏感度，提高灾害数据处理精度，提升预警准确率，此外，通过云边协同的方式，将灾害数据先经过边缘节点进行预处理，之后上传至云端服务器进行计算，降低数据处理延迟时间，降低预警错误率。
[0080]
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

技术特征：
1.一种灾害预警方法，其特征在于，应用于云边协同系统，所述云边协同系统包括云端服务器、边缘节点和多个边缘终端，所述云端服务器通过所述边缘节点与多个所述边缘终端连接，所述云端服务器中存储有多种灾害预警模型，所述灾害预警方法包括：s101：所述云端服务器根据任务性质，从多种所述灾害预警模型中挑选出目标预警模型，通过所述边缘节点将所述目标预警模型下发至多个所述边缘终端；s102：调低所述目标预警模型的初始置信度阈值，将预测目标发生概率大于所述初始置信度阈值的结果数据汇总至所述边缘节点，对所述结果数据进行重新标注后上传至所述云端服务器；s103：将重新标注后的数据作为训练集，对当前所述边缘节点使用目标预警模型进行再次训练，对所述目标预警模型进行更新；s104：将更新后的目标预警模型重新下发至多个所述边缘终端，以替换当前的目标预警模型；s105：通过所述目标预警模型进行灾害预警。2.根据权利要求1所述的灾害预警方法，其特征在于，所述初始置信度阈值为0.25。3.根据权利要求1所述的灾害预警方法，其特征在于，所述灾害预警方法还包括：s106：按照预设周期，定期重复s102至s104。4.根据权利要求1所述的灾害预警方法，其特征在于，所述灾害预警方法还包括：s107：对所述训练集根据环境特征进行分类，得到多种类别的环境数据；s108：在所述灾害预警模型下配置多种基础模型，多种所述基础模型与多种所述环境数据一一对应；s109：通过所述环境数据对相应的基础模型进行训练；s110：根据环境特征，选取目标基础模型，通过所述目标基础模型进行灾害预警。5.根据权利要求4所述的灾害预警方法，其特征在于，所述s107之后还包括：s107a：在某一类别的环境数据的数量小于预设数量的情况下，对此类别的环境数据进行增广处理，以增加此类别环境数据的数量。6.根据权利要求4所述的灾害预警方法，其特征在于，所述多种基础模型包括但不限于：白天基础模型、晚上基础模型、雨天基础模型、雾天基础模型和打雷基础模型。7.根据权利要求4所述的灾害预警方法，所述边缘终端侧设置有多种传感器，其特征在于，在所述s109之前，还包括：s109a：实时采集多个所述边缘终端的多模态传感器数据；s109b：根据所述多模态传感器数据，在所述云端服务器中构建由lstm时序特征提取网络、resnet特征提取网络和transformer encoder组成的注意力网络，并对所述注意力网络进行训练；s109c：将所述注意力网络部署至所述边缘节点；s109d：向所述注意力网络输入所述多模态传感器数据；s109e：通过所述注意力网络确定所述环境特征。8.根据权利要求7所述的灾害预警方法，其特征在于，所述s109b具体包括：s1091：利用所述多模态传感器数据对所述lstm时序特征提取网络和所述resnet特征提取网络进行预训练；
s1092：将获取的各特征进行拼接，以单流方式输入至所述transformer encoder，以交叉熵作为损失函数对所述注意力网络进行训练。9.根据权利要求8所述的灾害预警方法，其特征在于，所述s1091具体包括：s1091a：对中国气象局往年目标地监测站的监测数据集使用所述lstm时序特征提取网络进行时序预测任务，得到时序信息；s1091b：对中国气象局往年目标地监测站的imagenet数据集使用所述resnet特征提取网络进行图像分类任务，得到图像信息。10.根据权利要求9所述的灾害预警方法，其特征在于，所述s1092具体包括：s1092a：将所述时序信息传入至所述lstm时序特征提取网络，得到特征映射t；s1092b：将所述图像信息传入至所述resnet特征提取网络，得到特征映射v；s1092c：对所述特征映射t和所述特征映射v分别进行嵌入处理得到和并将所述和进行拼接z0：其中，v
type
和t
type
分别代表图像信息与时序信息的种类特征。s1092d：将z0输入至所述transformer encoder中，将输出p传入全连接层进行分类，使用所述交叉熵作为损失函数l对所述注意力网络进行训练：其中，n代表样本总数，m代表类别总数，y代表正负样本，p代表预测的概率。

技术总结
本发明公开了一种灾害预警方法，应用于云边协同系统，属于灾害预警领域。云边协同系统包括云端服务器、边缘节点和多个边缘终端，云端服务器通过边缘节点与多个边缘终端连接，云端服务器中存储有多种灾害预警模型。方法包括：云端服务器根据任务性质，从多种灾害预警模型中挑选出目标预警模型，通过边缘节点将目标预警模型下发至多个边缘终端；调低目标预警模型的初始置信度阈值，将预测目标发生概率大于初始置信度阈值的结果数据汇总至边缘节点，对结果数据重新标注后上传至云端服务器；将重新标注后的数据作为训练集，对边缘节点的目标预警模型进行再次训练，对目标预警模型进行更新；以替换当前的目标预警模型；通过目标预警模型进行灾害预警。模型进行灾害预警。模型进行灾害预警。


技术研发人员：孙嘉伟 周文权 宫琳 郝佳 刘欣
受保护的技术使用者：北京理工大学长三角研究院（嘉兴）
技术研发日：2022.12.16
技术公布日：2023/7/19