本发明公开了一种基于多模态大数据的城市级消防物联网监管系统及其方法，包括消防物联网监管前端、物联网数据集中接口、消防大数据中心、控制中心。本发明对城市消防物联网系统内的多源异构和多模态数据的融合和集成，通过利用深度学习算法，构建统一的消防数据模型。同时，进行风险监控和预测，提供及时的风险评估和预警，以便采取相应的措施进行预防和处理。
1.一种基于多模态大数据的城市级消防物联网监管系统，其特征在于，包括：
消防物联网监管前端，用于在现场采集和生成消防监管相关多模态数据，所述消防监管相关多模态数据包括：传感器数据、用电监控数据、监控摄像数据、火灾报警器数据、消防给水监控数据、巡检记录数据；
物联网数据集中接口，用于通过物联网网络，从所述消防物联网监管前端集中获得所述消防监管相关多模态数据，并将数据传输到消防大数据中心；
消防大数据中心，用于从所述物联网数据集中接口获得所述消防监管相关多模态数据，进行数据预处理、多模态数据融合集成以及基于LTSM或RNN结构的消防数据模型进行风险监控预测；
控制中心，用于监控和管理整个消防物联网监管系统，包括设备状态监测、报警应急响应处理、风险预警可视化显示、消防作业任务分配和管理、指挥调度等功能；
其中，所述消防大数据中心包括：数据预处理单元、多模态数据融合集成单元、风险监控预测单元；所述数据预处理单元对由物联网数据集中接口中转的多模态数据，进行数据预处理；多模态数据融合集成单元对于经过预处理的所述消防监管相关多模态数据，整合到一个统一的数据存储系统，并执行数据的关联集成；所述风险监控预测单元基于消防数据模型，输入消防监管相关多模态数据聚类的数据簇，执行对消防风险的监控预测；
其中，多模态数据融合集成单元执行的数据的关联集成包括：针对消防监管对象建筑物空间的空间集成，以及对关联到同一空间位置 的多模态数据进行进一步的关联规则挖掘，基于关联规则进行同一空间位置 下集成的消防监管相关多模态数据聚类；
其中，所述多模态数据融合集成单元针对消防监管对象建筑物空间的空间集成具体包括：根据消防监管对象建筑物的结构和布局，将采集到的数据与建筑物的空间维度进行关联，使用建筑物的空间位置 作为关联的依据，通过将数据与空间维度进行关联；
其中，在空间集成的基础上，对关联到同一空间位置 的多模态数据进行进一步的关联规则挖掘，具体包括：将同一空间位置 下集成的多模态数据表示为节点和边构成的图结构，其中节点表示各个多模态数据，边表示多模态数据之间的关联关系；图神经网络模型利用图结构的多模态数据样本集合进行训练和学习；利用训练好的图神经网络模型，对实际的消防监管相关多模态数据进行特征提取和表示学习，实现多模态数据的关联规则挖掘，进而基于关联规则进行同一空间位置 下集成的消防监管相关多模态数据聚类，对同一空间位置ID下集成的消防监管相关多模态数据聚类为数据簇，实现所述消防监管相关多模态数据的关联规则集成。
2.根据权利要求1所述的基于多模态大数据的城市级消防物联网监管系统，其特征在于，所述数据预处理单元还引入数据质量控制机制，对多模态数据进行质量评估和校正；所述质量控制机制包括以下至少一项：数据校正和校准、数据验证、数据文档和元数据管理。
3.根据权利要求1所述的基于多模态大数据的城市级消防物联网监管系统，其特征在于，多模态数据融合集成单元采用的用于多模态数据之间的关联规则挖掘的图神经网络模型包括：图网络编码器、图网络解码器以及关联规则预测挖掘的 分类层。
4.根据权利要求3所述的基于多模态大数据的城市级消防物联网监管系统，其特征在于，所述图网络编码器表示为 ，其中 表示输入该编码器的图结构数据，即将同一空间位置 下集成的多模态数据集成的图结构数据； 是该图网络编码器各网络层的所有参数矩阵构成的参数向量，该图网络编码器共计 层网络层，每一层网络层的参数矩阵列表示为 ，其中 ；图网络编码器针对图结构数据 中的每个表示实体的节点，在其第 层网络层计算该节点的特征表示： ；这里 是
节点 的图网络编码器第 层的输出特征， 表示激活函数, 表示和节点
有关联关系 的节点集合， , 表示集合 元素的个数。
5.根据权利要求4所述的基于多模态大数据的城市级消防物联网监管系统，其特征在于，所述图网络解码器表示为 其中 表示图网络编码器 的最后一层网络层的所有输出特征构成的矩阵，即 其中 是图网络解码器各网络层的所有参数矩阵 构成的参数向量；图网络解码器对同一空间位置 下集成的图结构数据中的任意两个节点 和 进行两两搭配，即将图网络编码器针对以上两个节点产生的特征输出 和 按照该图网络解码器的参数矩阵 进行两两组合，计算出节点组合特征。
6.根据权利要求5所述的基于多模态大数据的城市级消防物联网监管系统，其特征在于，所述 分类层计算 表示所述节点 和 之间是否存在关联关系的概率；根据 分类层所输出的任意两个节点之间具备关联关系的概率，在同一空间位置 下集成的多模态数据之间建立关联规则。
7.一种基于多模态大数据的城市级消防物联网监管方法，其特征在于，包括：
消防监管相关多模态数据采集步骤，用于在现场采集和生成消防监管相关多模态数据，所述消防监管相关多模态数据包括：传感器数据、用电监控数据、监控摄像数据、火灾报警器数据、消防给水监控数据、巡检记录数据；
数据集中步骤，用于集中获得所述消防监管相关多模态数据；
数据预处理步骤，对所述多模态数据进行数据预处理，包括数据清洗、去噪、缺失值处理、异常值滤除；
多模态数据融合集成步骤，对于经过预处理的所述消防监管相关多模态数据，整合到一个统一的数据存储系统中，并执行数据的关联集成；所述数据的关联集成包括：针对消防监管对象建筑物空间的空间集成，以及对关联到同一空间位置ID的多模态数据进行进一步的关联规则挖掘，基于关联规则进行同一空间位置ID下集成的消防监管相关多模态数据聚类；
风险监控预测步骤，用于基于消防数据模型，输入消防监管相关多模态数据聚类的数据簇，执行对消防风险的监控预测；
控制响应步骤，用于根据消防风险的监控预测，执行设备状态监测、报警应急响应处理、风险预警可视化显示、消防作业任务分配和管理以及指挥调度；
其中，多模态数据融合集成步骤执行的数据的关联集成包括：针对消防监管对象建筑物空间的空间集成，以及对关联到同一空间位置 的多模态数据进行进一步的关联规则挖掘，基于关联规则进行同一空间位置 下集成的消防监管相关多模态数据聚类；
其中，所述多模态数据融合集成步骤针对消防监管对象建筑物空间的空间集成具体包括：根据消防监管对象建筑物的结构和布局，将采集到的数据与建筑物的空间维度进行关联，使用建筑物的空间位置 作为关联的依据，通过将数据与空间维度进行关联；
其中，在空间集成的基础上，对关联到同一空间位置 的多模态数据进行进一步的关联规则挖掘，具体包括：将同一空间位置 下集成的多模态数据表示为节点和边构成的图结构，其中节点表示各个多模态数据，边表示多模态数据之间的关联关系；图神经网络模型利用图结构的多模态数据样本集合进行训练和学习；利用训练好的图神经网络模型，对实际的消防监管相关多模态数据进行特征提取和表示学习，实现多模态数据的关联规则挖掘，进而基于关联规则进行同一空间位置 下集成的消防监管相关多模态数据聚类，对同一空间位置ID下集成的消防监管相关多模态数据聚类为数据簇，实现所述消防监管相关多模态数据的关联规则集成。
基于多模态大数据的城市级消防物联网监管系统及其方法
技术领域
[0001] 本发明涉及物联网技术领域，特别涉及一种基于多模态大数据的城市级消防物联网监管系统及其方法。
背景技术
[0002] 随着物联网技术的加速发展，给城市消防领域带来重要的变革，通过城市级的物联网监管系统，能够实现从底层到上层、从现场到云端的数据打通，进而为火情应急响应、消防实时监控、消防风险预警、消防作业管理带来了新的解决方案。
[0003] 城市级的消防物联网监管系统主要由以下几个部分组成：（1）传感器设备：包括温度传感器、烟雾传感器、可燃气体传感器等，用于实时监测火灾风险和环境参数。（2）用电监控设备：包括对漏电流、负载、电器件温度等因素的监控装置。（3）监控摄像头：用于实时监控消防区域，检测火灾发生和火势扩散情况。（4）火灾报警器：用于发出声光报警信号，提醒人员及时疏散。（5）消防给水监控，包括消防栓实时欠压报警装置、消防储水实时液位缺水报警装置等。（6）智能巡检终端，包括NFC通信、扫码、摄像、巡检记录填写上传等基本功能。（7）数据采集与传输设备：用于采集传感器、监控设备、报警器、摄像头等设备的数据，并将数据传输到数据中心或云平台，具体包括物联网关等网络设备。（8）数据中心/云平台：用于存储和处理采集到的数据，进行数据分析和决策支持。（9）控制中心：用于监控和管理整个消防物联网监管系统，包括设备状态监测、报警应急响应处理、风险预警可视化显示、消防作业任务分配和管理、指挥调度等功能。
[0004] 城市级消防物联网监管系统的数据中心和云平台，从以上传感器、监控设备、报警器、摄像头等前端设备获得了海量的多源异构且多模态的数据，数据集成和融合难度大，不容易结合机器学习实现消防风险的监控和预测。现有技术中，常用的数据融合方法包括加权平均法、特征融合法等，但这些方法在处理多源异构和多模态数据时存在一定的局限性。此外，现有的消防风险监控和预测方法往往依赖于人工经验和规则，缺乏准确性和实时性。
特别是，不同的城市区域和建筑体，其空间形态、周边环境、软硬件设施、人员物品分布各方面都有着显著的区别，更加难以适应以上多样性因素而实现消防风险的有效评估和预测。
发明内容
[0005] （一）发明目的:
[0006] 鉴于上述问题，本发明的目的是提出一种基于多模态大数据的城市级消防物联网监管系统及其方法。本发明的目的是解决城市消防物联网系统中数据融合和集成的难题，实现对城市消防物联网系统内的多源异构和多模态数据的融合和集成，提高数据处理的效率和准确性。另一方面，本发明通过利用深度学习算法，构建统一的消防数据模型。同时，利用该模型进行风险监控和预测，提供及时的风险评估和预警，以便采取相应的措施进行预防和处理。
[0007] （二）技术方案:
[0008] 为了解决以上技术问题，本发明公开了以下技术方案。
[0009] 作为本发明的第一方面，本发明公开了一种基于多模态大数据的城市级消防物联网监管系统，其特征在于，包括：
[0010] 消防物联网监管前端，用于在现场采集和生成消防监管相关多模态数据，所述消防监管相关多模态数据包括：传感器数据、用电监控数据、监控摄像数据、火灾报警器数据、消防给水监控数据、巡检记录数据；
[0011] 物联网数据集中接口，用于通过物联网网络，从所述消防物联网监管前端集中获得所述消防监管相关多模态数据，并将数据传输到消防大数据中心；
[0012] 消防大数据中心，用于从所述物联网数据集中接口获得所述消防监管相关多模态数据，进行数据预处理、多模态数据融合集成以及基于LTSM或RNN结构的消防数据模型进行风险监控预测；
[0013] 控制中心，用于监控和管理整个消防物联网监管系统，包括设备状态监测、报警应急响应处理、风险预警可视化显示、消防作业任务分配和管理、指挥调度等功能；
[0014] 其中，所述消防大数据中心包括：数据预处理单元、多模态数据融合集成单元、风险监控预测单元；所述数据预处理单元对由物联网数据集中接口中转的多模态数据，进行数据预处理；多模态数据融合集成单元对于经过预处理的所述消防监管相关多模态数据，整合到一个统一的数据存储系统，并执行数据的关联集成；所述风险监控预测单元基于消防数据模型，输入消防监管相关多模态数据聚类的数据簇，执行对消防风险的监控预测。
[0015] 优选的是，所述数据预处理单元还引入数据质量控制机制，对多模态数据进行质量评估和校正；所述质量控制机制包括以下至少一项：数据校正和校准、数据验证、数据文档和元数据管理。
[0016] 优选的是，多模态数据融合集成单元执行的数据的关联集成包括：针对消防监管对象建筑物空间的空间集成，以及对关联到同一空间位置ID的多模态数据进行进一步的关联规则挖掘，基于关联规则进行同一空间位置ID下集成的消防监管相关多模态数据聚类。
[0017] 进一步优选的是，所述多模态数据融合集成单元针对消防监管对象建筑物空间的空间集成具体包括：根据消防监管对象建筑物的结构和布局，将采集到的数据与建筑物的空间维度进行关联，使用建筑物的空间位置ID作为关联的依据，通过将数据与空间维度进行关联。
[0018] 进一步优选的是，在空间集成的基础上，对关联到同一空间位置ID的多模态数据进行进一步的关联规则挖掘，具体包括：将同一空间位置ID下集成的多模态数据表示为节点和边构成的图结构，其中节点表示各个多模态数据，边表示多模态数据之间的关联关系；图神经网络模型利用图结构的多模态数据样本集合进行训练和学习；利用训练好的图神经网络模型，对实际的消防监管相关多模态数据进行特征提取和表示学习，实现多模态数据的关联规则挖掘，进而基于关联规则进行同一空间位置ID下集成的消防监管相关多模态数据聚类。
[0019] 优选的是，多模态数据融合集成单元采用的用于多模态数据之间的关联规则挖掘的图神经网络模型包括：图网络编码器、图网络解码器以及关联规则预测挖掘的Softmax分类层。
[0020] 优选的是，所述图网络编码器表示为 ，其中 表示输入该编码器的图结构数据，即将同一空间位置ID下集成的多模态数据集成的图结构数据； 是该图网络编码器各网络层的所有参数矩阵构成的参数向量，该图网络编码器共计 层网络层，每一层网络层的参数矩阵列表示为 ，其中 ；图网络编码器针对图结构数据 中的每个表示实体的节点 ，在其第 层网络层计算该节点的特征表示：
；这里 是节点 的图网络编码器第 层的输出特征，
表示激活函数, 表示和节点 有关联关系 的节点集合，
表示集合 元素的个数。
[0021] 优选的是，所述图网络解码器表示为 其中 表示图网络编码器的最后一层网络层的所有输出特征构成的矩阵，即 其
中 是图网络解码器各网络层的所有参数矩阵 构成的参数向量；图网络解码器对同一空间位置ID下集成的图结构数据中的任意两个节点 和 进行两两搭配，即将图网络编码器针对以上2个节点产生的特征输出 和 按照该图网络解码器的参数矩阵 进行两两组合，计算出节点组合特征 。
[0022] 优选的是，所述Softmax分类层计算 表示所述节点 和之间是否存在关联关系的概率；根据Softmax分类层所输出的任意2个节点之间具备关联关系的概率，在同一空间位置ID下集成的多模态数据之间建立关联规则。
[0023] 本发明公开的一种基于多模态大数据的城市级消防物联网监管方法，包括：
[0024] 消防监管相关多模态数据采集步骤，用于在现场采集和生成消防监管相关多模态数据，所述消防监管相关多模态数据包括：传感器数据、用电监控数据、监控摄像数据、火灾报警器数据、消防给水监控数据、巡检记录数据；
[0025] 数据集中步骤，用于集中获得所述消防监管相关多模态数据；
[0026] 数据预处理步骤，对所述多模态数据进行数据预处理，包括数据清洗、去噪、缺失值处理、异常值滤除；
[0027] 多模态数据融合集成步骤，对于经过预处理的所述消防监管相关多模态数据，整合到一个统一的数据存储系统中，并执行数据的关联集成；所述数据的关联集成包括：针对消防监管对象建筑物空间的空间集成，以及对关联到同一空间位置ID的多模态数据进行进一步的关联规则挖掘，基于关联规则进行同一空间位置ID下集成的消防监管相关多模态数据聚类；
[0028] 风险监控预测步骤，用于基于消防数据模型，输入消防监管相关多模态数据聚类的数据簇，执行对消防风险的监控预测；
[0029] 控制响应步骤，用于根据消防风险的监控预测，执行设备状态监测、报警应急响应处理、风险预警可视化显示、消防作业任务分配和管理以及指挥调度。
[0030] （三）有益效果:
[0031] 本申请利用深度学习算法实现数据融合和预测，从而提高消防风险监控的准确性和实时性；通过深度学习算法，可以对来自不同数据源的多模态数据进行融合和集成，解决城市消防物联网系统中数据融合和集成的难题。同时，进行风险监控和预测，可以提供及时的风险评估和预警，以便采取相应的措施进行预防和处理。通过本申请的改进，可以实现消防物联网数据的高效融合和集成，提高数据处理的效率和准确性。同时，实现消防风险的监控和预测，为消防单元提供及时的风险评估和预警，有助于保障城市消防安全。
附图说明
[0032] 以下参考附图描述的实施例是示例性的，旨在用于解释和说明本发明，而不能理解为对本发明的保护范围的限制。
[0033] 图1是本发明公开的一种基于多模态大数据的城市级消防物联网监管系统结构图。
[0034] 图2是本发明公开的一种消防大数据中心的具体结构示意图。
[0035] 图3是本发明公开的一种基于多模态大数据的城市级消防物联网监管方法流程图。
具体实施方式
[0036] 为使本发明实施的目的、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更加详细的描述。
[0037] 需要说明的是：在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。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，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。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。
[0038] 鉴于上述问题，本发明的目的是提出一种基于多模态大数据的城市级消防物联网监管系统。下面参考图1，该系统主要包括以下部分：
[0039] 消防物联网监管前端，用于在现场采集和生成消防监管相关多模态数据，所述消防监管相关多模态数据包括：传感器数据、用电监控数据、监控摄像数据、火灾报警器数据、消防给水监控数据、巡检记录数据。以上数据是包括各种格式字段数据、半格式或非格式文本数据、时序序列数据、图像视频数据在内的多模态数据。
[0040] 具体来说，以上消防物联网监管前端的具体类型包括：（1）传感器设备：包括温度传感器、烟雾传感器、可燃气体传感器等，用于实时监测火灾风险和环境参数。（2）用电监控设备：包括对漏电流、负载、电器件温度等因素的监控装置。（3）监控摄像头：用于实时监控消防区域，检测火灾发生和火势扩散情况。（4）火灾报警器：用于发出声光报警信号，提醒人员及时疏散。（5）消防给水监控，包括消防栓实时欠压报警装置、消防储水实时液位缺水报警装置等。（6）智能巡检终端，包括NFC通信、扫码、摄像、巡检记录填写上传等基本功能。
[0041] 物联网数据集中接口，用于通过物联网网络，从所述消防物联网监管前端集中获得所述消防监管相关多模态数据，并将数据传输到消防大数据中心。所述物联网数据集中接口以物联网网关为硬件基础，负责执行前端数据的集中、缓存、解析、中转以及物联网网络维护方面的功能，其包括物联网协议解析、物联网链路管理、物联网接口支持等功能。
[0042] 消防大数据中心，用于从所述物联网数据集中接口获得所述消防监管相关多模态数据，进行数据预处理、多模态数据融合集成以及基于LTSM或RNN结构的消防数据模型进行风险监控预测。
[0043] 控制中心，用于监控和管理整个消防物联网监管系统，包括设备状态监测、报警应急响应处理、风险预警可视化显示、消防作业任务分配和管理、指挥调度等功能。
[0044] 具体参见图2，所述消防大数据中心包括：数据预处理单元、多模态数据融合集成单元、风险监控预测单元。
[0045] 所述数据预处理单元对由物联网数据集中接口中转的多模态数据，进行数据预处理，包括数据清洗、去噪、缺失值处理、异常值滤除等。
[0046] 该数据预处理单元还引入数据质量控制机制，对多模态数据进行质量评估和校正。通过数据质量控制，可以提高数据的准确性、可靠性和可用性。数据质量控制的方法可以包括：（1）数据校正和校准：对于传感器数据和用电监控数据，通过校正和校准过程，可以纠正可能存在的误差，对于传感器数据可以使用校准曲线或传感器校准方法来调整测量值。（2）数据验证：对于火灾报警器数据和消防给水监控数据，为了防止其中存在的误报错，通过与其他可靠数据源进行对比或使用领域专家的知识进行验证，可以验证数据的准确性和一致性。此外，还可以使用交叉验证或重复验证来验证数据的可靠性。（3）数据文档和元数据管理：对于每个数据源，建立文档和元数据管理系统，以记录数据的来源、采集过程、处理方法和质量评估结果。这有助于跟踪数据的历史和质量，并提供可追溯性。
[0047] 多模态数据融合集成单元对于经过预处理的所述消防监管相关多模态数据，整合到一个统一的数据存储系统中，以便后续进行数据的关联集成。
[0048] 数据的关联集成包括针对消防监管对象建筑物空间的空间集成，具体来说，根据消防监管对象建筑物的结构和布局，将采集到的数据与建筑物的空间维度进行关联，可以使用建筑物的空间位置ID作为关联的依据，通过将数据与空间维度进行关联，可以实现对同一建筑物单元的数据进行关联分析。
[0049] 进而，在空间集成的基础上，对关联到同一空间位置ID的多模态数据进行进一步的关联规则挖掘，从而挖掘不同模态数据之间的关联关系，从而建立多模态数据之间的融合，为后续基于消防数据模型的风险监控预测奠定基础。多模态数据之间的关联规则挖掘可以采用图神经网络（Graph Neural Network，GNN）模型。图神经网络模型是一种能够处理图结构数据的深度学习模型，可以充分挖掘数据之间的复杂关联关系。具体步骤如下：将同一空间位置ID下集成的多模态数据表示为节点和边构成的图结构，其中节点表示各个多模态数据，边表示多模态数据之间的关联关系；图神经网络模型利用图结构的多模态数据样本集合进行训练和学习；利用训练好的图神经网络模型，对实际的消防监管相关多模态数据进行特征提取和表示学习，实现多模态数据的关联规则挖掘，进而基于关联规则进行同一空间位置ID下集成的消防监管相关多模态数据聚类。
[0050] 具体来说，多模态数据融合集成单元采用的用于多模态数据之间的关联规则挖掘的图神经网络模型包括图网络编码器和图网络解码器。图网络编码器表示为 ，其中 表示输入该编码器的图结构数据，即将同一空间位置ID下集成的多模态数据集成的图结构数据； 是该图网络编码器各网络层的所有参数矩阵构成的参数向量，该图网络编码器共计 层网络层，每一层网络层的参数矩阵列表示为 ，其中 ；图网络编码器针对图结构数据 中的每个表示实体的节点 ，在其第 层网络层计算该节点的特征表示： ；这里 是节点 的图网络编码器第
层的输出特征， 表示激活函数, 表示和节点 有关联关系 的节
点集合， 表示集合 元素的个数。该图网络编码器的输出，也即其第 层网络层的输出连接到图网络解码器。
[0051] 图网络解码器表示为 其中 表示图网络编码器 的最后一层网络层的所有输出特征构成的矩阵，即 其中 是图网络解码器各
网络层的所有参数矩阵 构成的参数向量；图网络解码器对同一空间位置ID下集成的图结构数据中的任意两个节点 和 进行两两搭配，即将图网络编码器针对以上2个节点产生的特征输出 和 按照该图网络解码器的参数矩阵 进行两两组合，计算出节点组合特征 。
[0052] 图网络解码器的输出连接到一个关联规则预测挖掘的Softmax分类层；所述Softmax分类层计算 表示所述节点 和 之间是否存在关联关系的概率；根据Softmax分类层所输出的任意2个节点之间具备关联关系的概率，在同一空间位置ID下集成的多模态数据之间建立关联规则。从而，基于该关联规则，对同一空间位置ID下集成的消防监管相关多模态数据聚类为数据簇，从而在空间集成的基础上，进一步实现所述消防监管相关多模态数据的关联规则集成。
[0053] 风险监控预测单元基于消防数据模型，输入消防监管相关多模态数据聚类的数据簇，执行对消防风险的监控预测；所述消防数据模型可以是LTSM或RNN结构的深度学习模型，使用训练数据集对深度学习模型进行训练，并通过反向传播算法优化模型的权重和偏置。通过迭代训练，提高模型的准确性和泛化能力。进而，利用训练好的深度学习模型，对消防单元进行风险预测。根据实时数据输入模型，通过模型的推理和预测能力，实现对消防风险的实时评估和预警。所述控制中心可以根据风险评估和预警结果，采取相应的措施进行风险处理和控制。
[0054] 进而，如图3所示，本发明公开的一种基于多模态大数据的城市级消防物联网监管方法，包括：
[0055] S1、消防监管相关多模态数据采集步骤，用于在现场采集和生成消防监管相关多模态数据，所述消防监管相关多模态数据包括：传感器数据、用电监控数据、监控摄像数据、火灾报警器数据、消防给水监控数据、巡检记录数据；
[0056] S2、数据集中步骤，用于集中获得所述消防监管相关多模态数据；
[0057] S3、数据预处理步骤，对所述多模态数据进行数据预处理，包括数据清洗、去噪、缺失值处理、异常值滤除；
[0058] S4、多模态数据融合集成步骤，对于经过预处理的所述消防监管相关多模态数据，整合到一个统一的数据存储系统中，并执行数据的关联集成；所述数据的关联集成包括：针对消防监管对象建筑物空间的空间集成，以及对关联到同一空间位置ID的多模态数据进行进一步的关联规则挖掘，基于关联规则进行同一空间位置ID下集成的消防监管相关多模态数据聚类；
[0059] S5、风险监控预测步骤，用于基于消防数据模型，输入消防监管相关多模态数据聚类的数据簇，执行对消防风险的监控预测；
[0060] S6、控制响应步骤，用于根据消防风险的监控预测，执行设备状态监测、报警应急响应处理、风险预警可视化显示、消防作业任务分配和管理以及指挥调度。
[0061] 本申请利用深度学习算法实现数据融合和预测，从而提高消防风险监控的准确性和实时性；通过深度学习算法，可以对来自不同数据源的多模态数据进行融合和集成，解决城市消防物联网系统中数据融合和集成的难题。同时，进行风险监控和预测，可以提供及时的风险评估和预警，以便采取相应的措施进行预防和处理。通过本申请的改进，可以实现消防物联网数据的高效融合和集成，提高数据处理的效率和准确性。同时，实现消防风险的监控和预测，为消防单元提供及时的风险评估和预警，有助于保障城市消防安全。
[0062] 以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
