森林火险预警方法及装置与流程

本公开涉及机器学习领域，尤其涉及森林火险预警方法及装置。

背景技术：

1、森林火险是提前预防与评判森林火灾形式的重要指标，能够反映出森林火灾发生的概率及其变化趋势。近年来，互联网与物联网的快速发展以及空天地一体化建设，有关部门获取森林内的气象数据也越来越简便快捷，与此同时，气象卫星的持续观测也积累了庞大的数据，这些数据也为森林火灾的预警提供了强有力的支持。

2、随着计算机存储空间的增加、运算速度的提升，云计算、人工智能等新概念也被再次提及，深度学习也成为了人们关注的焦点，成为人工智能的核心。现阶段深层神经网络、深层信念网络等深度学习体系结构已应用于各个领域，目前森林火险预测的模型多为bp类浅层神经网络及其改进的模型，在面对森林火灾相关数据激增的情况时其上限十分有限。森林火灾样本集通常存在可查数据源有限、数据集中类别不平衡的问题。在多数情况下一般低火险等级类的数据占多数，高火险等级类的数据占少数。这就给很多预测模型带来不小的挑战。

技术实现思路

1、本公开提供了一种森林火险预警方法及装置。

2、根据本公开的第一方面，提供了一种模型训练方法，包括：

3、获取数据集；其中，数据集包括历史气象数据、历史森林火灾数据、历史森林火灾数据对应的气象数据；

4、根据数据集中的历史森林火灾数据对应的气象数据以及森林火险等级划分标准，对数据集中的历史森林火灾数据进行等级划分，得到历史森林火灾数据对应的火险等级；

5、根据数据集中的历史气象数据生成气象预测样本，构建气象预测样本集；

6、根据数据集中的历史森林火灾数据对应的气象数据以及历史森林火灾数据对应的火险等级生成森林火险预测样本，构建森林火险预测样本集；

7、根据气象预测样本集对预设的气象预测模型进行训练，得到训练好的气象预测模型；

8、根据森林火险预测样本集对预设的森林火险预测模型进行训练，得到训练好的森林火险预测模型。

9、在第一方面的一些实现方式中，预设的气象预测模型设置有mic算法层，用于对输入的各气象预测样本中的各气象因子进行关联性检测。

10、在第一方面的一些实现方式中，预设的气象预测模型设置有adam优化器，用于对预设的气象预测模型中的模型参数进行更新。

11、在第一方面的一些实现方式中，预设的森林火险预测模型设置有带权值的smote过采样算法层，用于对森林火险预测样本集进行过采样处理。

12、在第一方面的一些实现方式中，对森林火险预测样本集进行过采样处理包括：

13、选取森林火险预测样本集中的少数类样本；

14、针对任一少数类样本，获取少数类样本的n个邻近样本；

15、将少数类样本、少数类样本的权重以及少数类样本的n个邻近样本输入到插值计算公式中，计算新的少数类样本；

16、插值计算公式为：

17、

18、其中，x表示少数类样本，yi表示新的少数类样本，表示少数类样本的n个邻近样本中的第i个邻近样本，rand(0,1)表示在0到1之内选取的随机系数，θi表示少数类样本的权重。

19、在第一方面的一些实现方式中，根据气象预测样本集对预设的气象预测模型进行训练，得到训练好的气象预测模型，包括：

20、将气象预测样本集划分为训练集和测试集；

21、根据训练集对预设的气象预测模型进行训练，并根据测试集对训练后的气象预测模型进行性能评估；

22、若训练后的气象预测模型通过性能评估，则将训练后的气象预测模型作为训练好的气象预测模型；

23、若训练后的气象预测模型未通过性能评估，则调整当前气象预测模型的超参数，并根据训练集对调整后的气象预测模型进行训练，直到通过性能评估，将通过性能评估的气象预测模型作为训练好的气象预测模型。

24、在第一方面的一些实现方式中，根据森林火险预测样本集对预设的森林火险预测模型进行训练，得到训练好的森林火险预测模型，包括：

25、将森林火险预测样本集划分为训练集和测试集；

26、根据训练集对预设的森林火险预测模型进行训练，并根据测试集对训练后的森林火险预测模型进行性能评估；

27、若训练后的森林火险预测模型通过性能评估，则将训练后的森林火险预测模型作为训练好的森林火险预测模型；

28、若训练后的森林火险预测模型未通过性能评估，则调整当前森林火险预测模型的超参数，并根据训练集对调整后的森林火险预测模型进行训练，直到通过性能评估，将通过性能评估的森林火险预测模型作为训练好的森林火险预测模型。

29、根据本公开的第二方面，提供了一种森林火险预警方法，该方法包括：

30、获取森林当前的气象数据；

31、将当前的气象数据输入到气象预测模型中，得到下一时间段内的气象预测数据；

32、将下一时间段内的气象预测数据输入到森林火险预测模型中，得到森林火险等级预测值；其中，气象预测模型和森林火险预测模型是基于本公开的第一方面的模型训练方法得到的；

33、根据森林火险等级预测值，对森林进行森林火险预警。

34、根据本公开的第三方面，提供了一种模型训练装置，该装置包括：

35、数据集获取模块，用于获取数据集；其中，数据集包括历史气象数据、历史森林火灾数据、历史森林火灾数据对应的气象数据；

36、火灾数据处理模块，用于根据数据集中的历史森林火灾数据对应的气象数据以及森林火险等级划分标准，对数据集中的历史森林火灾数据进行等级划分，得到历史森林火灾数据对应的火险等级；

37、气象预测样本集构建模块，用于根据数据集中的历史气象数据生成气象预测样本，构建气象预测样本集；

38、森林火险预测样本集构建模块，用于根据数据集中的历史森林火灾数据对应的气象数据以及历史森林火灾数据对应的火险等级生成森林火险预测样本，构建森林火险预测样本集；

39、气象预测模型训练模块，用于根据气象预测样本集对预设的气象预测模型进行训练，得到训练好的气象预测模型；

40、森林火险预测模型训练模块，用于根据森林火险预测样本集对预设的森林火险预测模型进行训练，得到训练好的森林火险预测模型。

41、根据本公开的第四方面，提供了一种森林火险预警装置，该装置包括：

42、气象数据获取模块，用于获取森林当前的气象数据；

43、气象预测模块，用于将当前的气象数据输入到气象预测模型中，得到下一时间段内的气象预测数据；

44、森林火险等级预测模块，用于将下一时间段内的气象预测数据输入到森林火险预测模型中，得到森林火险等级预测值；其中，气象预测模型和森林火险预测模型是基于本公开的第一方面的模型训练方法得到的；

45、森林火险预警模块，用于根据森林火险等级预测值，对森林进行森林火险预警。

46、本公开将气象预测模型与森林火险预测模型相融合，形成一种连续预测气象和森林火险的模型，利用此模型预测森林的森林火险等级，根据预测得到的森林火险等级，对森林进行火险预警。以此方式，在一定程度上实现了包含气象预测、森林火险等级预测的连续预测，实现了多种火险等级的有效预测，并大幅度提升了模型的预测精度，以及森林火险等级预测的准确率。

47、应当理解，
技术实现要素：
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。