多傳感器信息融合火災預測算法、系統、電子設備及介質的制作方法
1.本發明涉及多類型異質傳感器信息融合技術領域，具體涉及一種多傳感器信息融合火災預測算法、系統、電子設備及介質。
背景技術：
2.近年來由于受到全球氣候的急劇變化，全世界各地森林火災發生的頻度和強度逐年加劇，因此及時有效的預測森林火災的發生具有重大意義。無線傳感器網絡雖能夠解決大面積覆蓋的問題，但由于其網絡資源有限，大部分傳感器節點都采用干電池或紐扣電池供電，能量供給不足。其次，由于傳感器節點的設計初衷是為了感知信息，導致其運算能力，存儲空間以及無線帶寬資源都極其有限。頻繁的收發數據會嚴重浪費有限的電池能量和通信帶寬，尤其在大規模的無線傳感器網絡中，傳感器數據會出現大量冗余，使得各節點對信道的爭奪加劇，數據丟包率增加，導致網絡的傳輸效率，網絡壽命以及數據傳輸的準確性大大下降，同時，帶來網絡延時導致的數據不同步性，大大削弱預測的準確性。盡管目前有成熟數據融合方法-dempster-shafer證據推理方法。該方法雖然在專家系統，信息融合方面得到廣泛的應用，但卻受到自身的局限性：1)要求證據必須是獨立的，而這在真實環境下難以滿足。2)證據合成規則沒有非常堅固的理論支持，其合理性和有效性還存在較大的爭議。3)計算上存在著潛在的指數爆炸問題，這對小型嵌入式設備來說十分不友好。
技術實現要素：
3.本發明提供一種多傳感器信息融合火災預測算法、系統、電子設備及介質，提出一種新穎的信息融合思路，利用機器學習中的方法可以快速對引發火災的環境因素做出正確判別，并利用堅實的數學推理思想得到更加準確，更符合需求的信息，其次，在真實的場景下，傳感器的合理選擇也是至關重要的，通過決策樹的方法我們可以選擇出其中最重要的環境參數，作為傳感器選擇的依據。
4.本發明通過下述技術方案實現：
5.一種多傳感器信息融合火災預測算法，包括：
6.s1、獲取數據庫中的樣本數據，并采集所述樣本數據中的溫度屬性、濕度屬性、風速屬性和雨量屬性對應的數據集；
7.s2、對所述數據集中的樣本數據進行預處理；
8.s3、將預處理后的所述數據集中的樣本數據按照比例劃分為訓練集、測試集和驗證集，并將所述訓練集中的樣本數據利用機器學習算法提取數據特征，得到每個樣本數據各屬性值的重要度，一個樣本數據的屬性值包括一個溫度值、雨量值、風速值和濕度值；
9.s4、建立預測模型，將所述訓練集輸入至所述預測模型中進行訓練，在訓練時，通過概率統計學以及決策樹算法處理，計算各樣本數據的屬性值與火災發生的相關性并出與火災發生的相關性最大的屬性值所對應的樣本數據，然后根據回歸算法計算預測結果；
10.s5、將所述測試集中的樣本數據送入到所述預測模型中對預測模型進行修正，得
到最終的預測模型參數，最后通過驗證集的數據驗證所得到的預測模型的可信性。
11.作為優化，所述樣本數據來源于葡萄牙東北部的montesinho國家公園的數據庫。
12.作為優化，s2中，對所述樣本數據進行預處理具體為：采用均值插補法對缺失的屬性值進行處理，所述缺失的屬性值稱為缺失值，根據缺失值的屬性分為定距型和非定距型，對于缺失值為定距型的，以該總的屬性值的平均值來插補缺失的值；對于缺失值是非定距型的，根據統計學中的眾數原理，以該屬性值的眾數來補齊缺失的值。
13.作為優化，s3的具體步驟為：
14.將所述訓練集中的數據采用數理統計的思想進行計算，最終得到的數據即為各屬性的重要度。
15.作為優化，s4的具體步驟為：
16.s4.1、采用斯皮爾曼相關系數計算各樣本數據的屬性值與火災發生的相關性，并初步篩選具有正相關屬性的樣本數據：
[0017][0018]
其中，ρ表示xa、y變量之間的皮爾遜相關系數，xa、y是兩個n維隨機變量矩陣，在本專利中，xa、y分別表示屬性值和火災發生狀態，a為屬性類別，cov(xa，y)表示xa、y變量之間的協方差，表示xa、y之間的標準差，x
ai
、yi分別表示xa、y隨機變量中的其中一個，e(xa)、e(y)分別表示隨機變量xa、y的均值，n表示隨機變量的維數，表示對變量求和；
[0019]
s4.2、采用cart決策樹出在樣本數據集合中，使得劃分后基尼指數最小的屬性為最優劃分屬性；
[0020]
s4.3、將最優劃分屬性對應的屬性值的權重結合各屬性值的重要度作多元線性回歸處理，得到第一預測結果。
[0021]
作為優化，樣本數據集合d在屬性a下的基尼指數為：
[0022][0023][0024]
其中，a表示樣本數據的某個屬性，假定屬性a有v個可能的取值樣本數據集合的屬性a上取值為的樣本記為dv；d＝{(z1，y1)，(z2，y2)，...，(zm，ym)}，表示樣本集合，m為樣本數據z的數量，pk表示樣本數據集合d中，第k類樣本屬性所占的比例。
[0025]
作為優化，還包括s4.3、將所述第一預測結果結合月份的重要度進行判斷，得到最終的預測結果。
[0026]
本發明還公開了一種多傳感器信息融合火災預測系統，包括：
[0027]
采集模塊，用于獲取數據庫中的樣本數據，并采集所述樣本數據中的溫度屬性、濕度屬性、風速屬性和雨量屬性對應的數據集；
[0028]
數據處理模塊，用于對所述數據集中的樣本數據進行預處理；
[0029]
重要度生成模塊，用于將預處理后的所述數據集中的樣本數據按照比例劃分為訓練集、測試集和驗證集，并將所述訓練集中的樣本數據利用機器學習算法提取數據特征，得到每個樣本數據各屬性值的重要度，一個樣本數據的屬性值包括一個溫度值、雨量值、風速
值和濕度值；
[0030]
訓練模塊，用于建立預測模型，將所述訓練集輸入至所述預測模型中進行訓練，在訓練時，通過概率統計學以及決策樹算法處理，計算各樣本數據的屬性值的相關性并出最優屬性所對應的樣本數據，然后根據回歸算法計算預測結果；
[0031]
修正驗證模塊，用于將所述測試集中的樣本數據送入到所述預測模型中對預測模型進行修正，得到最終的預測模型參數，最后通過驗證集的數據驗證所得到的預測模型的可信性。
[0032]
本發明還公開了一種電子設備，包括至少一個處理器，以及與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行如上述的一種多傳感器信息融合火災預測方法。
[0033]
本發明還公開了一種存儲介質，存儲有計算機程序，所述計算機程序被處理器執行時實現上述的一種多傳感器信息融合火災預測方法。
[0034]
本發明與現有技術相比，具有如下的優點和有益效果：
[0035]
本發明采用一種多傳感器信息融合火災預測算法對多類型異質傳感器采集到的數據進行重要性和相關性等方面的分析，采用多傳感器信息融合技術可以有效地采集各種所需的樣本數據，將不同數據進行整合，極大程度的對數據加以利用，保證預測的準確性，通過出各屬性與火災發生之間的內在聯系，提出高效快捷的信息融合火災預測算法，大大減少傳感器搶占信道資源的情況發生，降低功耗的同時并保證及時，準確地做出火災預警。
附圖說明
[0036]
為了更清楚地說明本發明示例性實施方式的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應當理解，以下附圖僅示出了本發明的某些實施例，因此不應被看作是對范圍的限定，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他相關的附圖。在附圖中：
[0037]
圖1為多傳感器信息融合結構框圖；
[0038]
圖2為樣本屬性間相關性熱力圖；
[0039]
圖3為cart決策樹算法流程圖；
[0040]
圖4為cart決策樹得出的屬性重要性樹狀圖；
[0041]
圖5為“月份”屬性對火災發生影響柱狀圖。
具體實施方式
[0042]
為使本發明的目的、技術方案和優點更加清楚明白，下面結合實施例和附圖，對本發明作進一步的詳細說明，本發明的示意性實施方式及其說明僅用于解釋本發明，并不作為對本發明的限定。
[0043]
實施例1
[0044]
如圖1-5所示，一種多傳感器信息融合火災預測算法，包括：
[0045]
s1、獲取數據庫中的樣本數據，并采集所述樣本數據中的溫度屬性、濕度屬性、風
速屬性和雨量屬性對應的數據集。選擇森林火災多發區域，合理的布設溫度、雨量、風速和濕度傳感器，采集該區域的樣本數據，作為火災預測的理論依據。
[0046]
本實施例中，所述樣本數據來源于葡萄牙東北部的montesinho國家公園的數據庫。每條樣本數據包含13個屬性：monteinho國家公園的空間坐標、信息采集的月份和每周的其中一天、fwi系統的指數變量ffwc(細小可燃物適度碼)、dmc(粗腐殖質濕度碼)、dc(干旱碼)、isi(初始蔓延指數)、四種可直接測量的氣溫、相對濕度、風速和降水量的樣本數據、森林火災燃燒的面積。需要說明的是，在本發明中，只使用了可直接測量的氣象條件因素以及月份信息，其他條件都是這四項指標更加深化的度量，在最終的預測中沒有將其納入算法的體系之中。
[0047]
s2、對所述數據集中的樣本數據進行預處理；
[0048]
本發明采用的數據集在預處理階段最主要的問題是：缺失值的處理。通過對樣本數據進行清洗發現，樣本數據中的數據值確實都是完全隨機缺失的，數據的缺失不依賴于任何不完全變量或完全變量，而對待這種缺失值，采用均值插補法進行處理：根據樣本數據的屬性分為定距型和非定距型。對于缺失值是定距型的，以該屬性存在值的平均值來插補缺失的值；對于缺失值是非定距型的，根據統計學中的眾數原理，用該屬性的眾數(即出現頻率最高的值)來補齊缺失的值。
[0049]
s3、將預處理后的所述數據集中的樣本數據按照比例劃分為訓練集、測試集和驗證集，并將所述訓練集中的樣本數據利用機器學習算法提取數據特征，得到每個樣本數據各屬性值的重要度，一個樣本數據的屬性值包括一個溫度值、雨量值、風速值和濕度值；
[0050]
本實施例中，s3的具體步驟為：
[0051]
將所述訓練集中的數據采用數理統計進行計算，最終得到的數據即為各屬性的重要度。
[0052]
具體的，本發明中將樣本數據中溫度，雨量，風速，濕度四個屬性值對火災發生與否的隸屬度統計出來，將統計出的樣本數據計算占總樣本的比例，這一比例值即為各屬性的重要度。比如樣本中有600條火災數據，溫度屬性對火災的發生與否的比例是2：1(發生占2，未發生占1)，那么溫度對火災發生所占的比例就是400/600＝66.7％，利用上述方法對各個屬性分別求取即可得到重要度，例如，溫度屬性的重要度即為66.7％。
[0053]
s4、建立預測模型，將所述訓練集輸入至所述預測模型中進行訓練，在訓練時，通過概率統計學以及決策樹算法處理，計算各樣本數據的屬性值與火災發生的相關性并出與火災發生的相關性最大的屬性值所對應的樣本數據，然后根據回歸算法計算預測結果；
[0054]
首先，對處理后的樣本數據進行相關度的計算，出其各個屬性之間的相關性。在相關度計算中，采用協方差矩陣進行求解，協方差的大小表示的是兩個變量的總體的誤差，若協方差的值為正值，則說明兩者之間是正相關的；若為負值，則說明兩者是負相關的；若為0，則兩者彼此獨立。即協方差的絕對值越大，兩者之間彼此的影響越大，反之，越小。具體的計算方法如下：
[0055]
總體均值：
[0056]
總體協方差：
[0057]
其中，x,y是兩個n維隨機變量矩陣，xi，yi表示x，y隨機變量中的某一個，cov(x，y)表示二者的協方差，e(x)，e(y)表示隨機變量x,y的均值，n表示隨機變量的維數，δ
x
，δy分別是x，y的標準差，表示對變量求和。
[0058]
然而，在具體的操作中，本發明選用的是斯皮爾曼相關系數，用來衡量兩個變量的依賴性的非參數指標。根據數據分析可以知道，協方差矩陣只能簡單的得出因果之間的相關性，且因果之間必須具有嚴格的量綱關系。由于本發明是根據火災發生的氣象條件來預測火災發生與否，從物理角度來說，二者之間并無量綱關系。而因為協方差的大小和兩個變量的量綱有關，因此，直接使用協方差矩陣來計算是不準確的。所以本發明引入斯皮爾曼相關系數剔除了量綱的影響，即將x和y標準化后的協方差。而斯皮爾曼相關系數通常被認為是排列后的變量之間的皮爾遜線性相關系數。
[0059]
s4.1、采用斯皮爾曼相關系數計算各樣本數據的屬性值與火災發生的相關性如下：
[0060][0061]
其中，ρ表示xa、y變量之間的皮爾遜相關系數，xa、y是兩個n維隨機變量矩陣，在本專利中，xa、y分別表示屬性值和火災發生狀態，a為屬性類別，cov(xa，y)表示xa、y變量之間的協方差，表示xa、y之間的標準差，x
ai
、yi分別表示xa、y隨機變量中的其中一個，e(xa)、e(y)分別表示隨機變量xa、y的均值，n表示隨機變量的維數，表示對變量求和；
[0062]
計算得到的相關系數矩陣以及相關系數的熱力圖如圖2所示，并初步篩選具有正相關屬性的樣本數據。
[0063]
通過相關性ρ，可以得出各屬性與標簽(火災發生那個與否)的正負相關程度，作為初次篩選屬性，本發明需要了解哪些正相關屬性保留、哪些負屬性需要舍棄；為后面在使用cart決策樹時避免采用后剪枝方法，節省計算的復雜度。
[0064]
s4.2、采用cart決策樹出在樣本數據集合中，使得劃分后基尼指數最小的屬性為最優劃分屬性。基尼指數gini(d)反映了從樣本數據集合d中隨機抽取兩個樣本，其類別(這里的類別指的是火災發生與否，兩種互斥的狀態)標記不一致的概率，因此基尼指數gini(d)越小，則樣本數據集合的純度越高。
[0065]
純度意味著穩定性，這里指每個屬性的穩定性。例如，集合1：有6人打球；集合2：有3人打球，3人不打球；那么集合1的基尼指數gini(d)＝1-1＝0,集合2的基尼指數為gini(d)＝1-(0.5*0.5+0.5*0.5)＝0.5。可以看出集合1的基尼指數小于集合2的基尼指數，可以得出集合1的穩定程度高于集合2的。
[0066]
gini(d,a)反映了屬性a在候選屬性集a中，選擇哪個使得劃分后基尼指數最小的屬性作為最優屬性，即a
*
＝argmingini(d,a)。
[0067]
在多傳感器數據相互交疊的情況下，利用決策樹的方法選擇其中最重要的幾個，不僅可以節約空間，減少不必要的信息冗余，而且還大大降低功耗。決策樹的劃分依據是基于信息增益，在這里我們采用cart決策樹是利用基尼指數來選擇最優屬性。在候選屬性集合中，選擇那個使得劃分后基尼指數最小的屬性為最優劃分屬性。具體的計算過程如下：
[0068]
1)計算信息熵和信息增益
[0069][0070]
其中，pk表示樣本數據集合d中，第k類屬性對應的發生火災的樣本占總的發生火災的樣本的概率(比如樣本中有600條火災數據，溫度屬性對火災的發生與否的比例是2：1，那么溫度對火災發生所占的比例就是400/600＝66.7％，這里的樣本類別就是每個屬性與是否發生火災)，ent(d)表示計算信息熵，y為屬性類別的數量，本發明中，y為4。
[0071][0072]
gain(d，a)表示信息增益；v表示某一屬性的可能的取值數量，dv表示某一屬性發生火災的樣本數量；d為某一屬性的總的樣本數量；ent(dv)表示樣本dv的計算信息熵；
[0073]
2)計算增益率
[0074][0075]
其中：
[0076][0077]
3)計算基尼指數
[0078]
樣本數據集合d的純度用基尼值來度量：
[0079][0080]
樣本數據集合d在屬性a條件下的基尼指數：
[0081][0082]
其中，a表示樣本數據的某個屬性，假定屬性a有v個可能的取值即發生火災時屬性a有v個取值，樣本數據集合的屬性a上取值為的樣本記為dv；d＝{(z1，y1)，(z2，y2)，...，(zm，ym)}，表示樣本數據集合，m為發生火災的樣本數據z的數量，pk表示樣本數據集合d中，第k類樣本數據所占的比例，k∈y。
[0083]
基尼值和基尼指數越小(隨機抽取的樣本數據是同一類別的概率越大)，樣本集合的純度越高。由于本發明是根據火災發生時的氣象條件來預測活在發生的可能性，上述計算完基尼指數便可構建“cart回歸樹”，而“cart回歸樹”又是許多二叉樹為邏輯構建的，相當于特征空間切分為較小的碎塊，然后為每一個碎塊內的樣本配置一個統一的因變量取值，最終做出誤差較小的預測。得到的預測值有歸一化將其權重因子限制在[0,1]范圍內，提高預測精度。
[0084]
由公式可計算出每個屬性a劃分后的樣本數據集合
d的基尼指數，最優劃分屬性就是對所有屬性a的基尼指數取最小值，也就是與火災發生的相關性最大的屬性，即最優劃分屬性ai＝argmin(gini(d，a))，ai∈a。
[0085]
s4.3、將最優劃分屬性對應的屬性值的權重結合各屬性值的重要度作多元線性回歸處理，得到第一預測結果。
[0086]
本發明將信息融合和火災預測運用了數理統計和多線性回歸的方式。先確定各個環境傳感器的權重(這里的權重是由上述cart決策樹算法得到的，決策樹具有分類和回歸兩種功能，不但會給出火災發生與否的分類，還會給出相應環境狀態下發生的概率。根據回歸得出的結果，便可以得到每個環境傳感器的權值)，本發明中，通過決策樹算法得到溫度，濕度，風速和雨量傳感器的權重分別是w1、w2、w3、w4，將火災發生的可能性分為兩種：火災發生h1，無火災發生h2。根據當前傳感器的工作狀態，確定每個傳感器對于判別結果的重要度(例如：溫度傳感器對有、無火災發生的重要度分別為a
11
、a
12
；濕度傳感器對有、無火災發生的重要度為a
21
、a
22
；風速傳感器對有、無火災發生的重要度為a
31
、a
32
；雨量傳感器對有、無火災發生的重要度為a
41
、a
42
)作多元線性回歸，即可確定第一預測結果。多元線性回歸的方法如下：
[0087][0088]
在以上分析中，本發明并沒有將“月份”這一因素考慮在內，但在數據分析處理中可以發現，月份的變化對火災的發生有很大的警示作用，比如夏秋環境干燥，溫度較高是非常容易引起森林火災的發生，因此在實際推理預測中，本發明將月份這一要素考慮在內，保證預測的準確性。
[0089]
本實施例中，還包括s4.4、將所述第一預測結果結合月份的重要度進行判斷，得到最終的預測結果。月份的重要性如圖4所示。
[0090]
具體的，為了得到準確的預測結果有必要將其考慮在內，根據實際情況按cart決策樹算法統計結果賦予一定的權值w5，按數理統計思想得出月份對有、無火災發生的重要度為a
51
、a
52
，將與上述的第一預測結果做多元線性回歸。
[0091][0092]
s5、將所述測試集中的樣本數據送入到所述預測模型中對預測模型進行修正，得到最終的預測模型參數，最后通過驗證集的數據驗證所得到的預測模型的可信性。
[0093]
一種多傳感器信息融合火災預測系統，包括：
[0094]
采集模塊，用于獲取數據庫中的樣本數據，并采集所述樣本數據中的溫度屬性、濕度屬性、風速屬性和雨量屬性對應的數據集；
[0095]
數據處理模塊，用于對所述數據集中的樣本數據進行預處理；
[0096]
重要度生成模塊，用于將預處理后的所述數據集中的樣本數據按照比例劃分為訓練集、測試集和驗證集，并將所述訓練集中的樣本數據利用機器學習算法提取數據特征，得到每個樣本數據各屬性值的重要度，一個樣本數據的屬性值包括一個溫度值、雨量值、風速
值和濕度值；
[0097]
訓練模塊，用于建立預測模型，將所述訓練集輸入至所述預測模型中進行訓練，在訓練時，通過概率統計學以及決策樹算法處理，計算各樣本數據的屬性值的相關性并出最優屬性所對應的樣本數據，然后根據回歸算法計算預測結果；
[0098]
修正驗證模塊，用于將所述測試集中的樣本數據送入到所述預測模型中對預測模型進行修正，得到最終的預測模型參數，最后通過驗證集的數據驗證所得到的預測模型的可信性。
[0099]
一種電子設備，包括至少一個處理器，以及與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行如上述的一種多傳感器信息融合火災預測方法。
[0100]
一種存儲介質，存儲有計算機程序，所述計算機程序被處理器執行時實現上述的一種多傳感器信息融合火災預測方法。
[0101]
以上所述的具體實施方式，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發明的具體實施方式而已，并不用于限定本發明的保護范圍，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
技術特征：
1.一種多傳感器信息融合火災預測算法，其特征在于，包括：s1、獲取數據庫中的樣本數據，并采集所述樣本數據中的溫度屬性、濕度屬性、風速屬性和雨量屬性對應的數據集；s2、對所述數據集中的樣本數據進行預處理；s3、將預處理后的所述數據集中的樣本數據按照比例劃分為訓練集、測試集和驗證集，并將所述訓練集中的樣本數據利用機器學習算法提取數據特征，得到每個樣本數據各屬性值的重要度，一個樣本數據的屬性值包括一個溫度值、雨量值、風速值和濕度值；s4、建立預測模型，將所述訓練集輸入至所述預測模型中進行訓練，在訓練時，通過概率統計學以及決策樹算法處理，計算各樣本數據的屬性值與火災發生的相關性并出與火災發生的相關性最大的屬性值所對應的樣本數據，然后根據回歸算法計算預測結果；s5、將所述測試集中的樣本數據送入到所述預測模型中對預測模型進行修正，得到最終的預測模型參數，最后通過驗證集的數據驗證所得到的預測模型的可信性。2.根據權利要求1所述的一種多傳感器信息融合火災預測算法，其特征在于，所述樣本數據來源于葡萄牙東北部的montesinho國家公園的數據庫。3.根據權利要求1所述的一種多傳感器信息融合火災預測算法，其特征在于，s2中，對所述樣本數據進行預處理具體為：采用均值插補法對缺失的屬性值進行處理，所述缺失的屬性值稱為缺失值，根據缺失值的屬性分為定距型和非定距型，對于缺失值為定距型的，以該總的屬性值的平均值來插補缺失的值；對于缺失值是非定距型的，根據統計學中的眾數原理，以該屬性值的眾數來補齊缺失的值。4.根據權利要求1所述的一種多傳感器信息融合火災預測算法，其特征在于，s3的具體步驟為：將所述訓練集中的數據采用數理統計的思想進行計算，最終得到的數據即為各屬性的重要度。5.根據權利要求1所述的一種多傳感器信息融合火災預測算法，其特征在于，s4的具體步驟為：s4.1、采用斯皮爾曼相關系數計算各樣本數據的屬性值與火災發生的相關性，并初步篩選具有正相關屬性的樣本數據：其中，ρ表示x
a
、y變量之間的皮爾遜相關系數，x
a
、y是兩個n維隨機變量矩陣，在本專利中，x
a
、y分別表示屬性值和火災發生狀態，a為屬性類別，cov(x
a
，y)表示x
a
、y變量之間的協方差，δ
y
表示x
a
、y之間的標準差，x
ai
、y
i
分別表示x
a
、y隨機變量中的其中一個，e(x
a
)、e(y)分別表示隨機變量x
a
、y的均值，n表示隨機變量的維數，表示對變量求和；s4.2、采用cart決策樹出在初步篩選后的樣本數據集合中，使得劃分后基尼指數最小的屬性為最優劃分屬性；s4.3、將最優劃分屬性對應的屬性值的權重結合各屬性值的重要度作多元線性回歸處理，得到第一預測結果。6.根據權利要求5所述的一種多傳感器信息融合火災預測算法，其特征在于，樣本數據
集合d在屬性a下的基尼指數為：集合d在屬性a下的基尼指數為：其中，a表示樣本數據的某個屬性，假定屬性a有v個可能的取值樣本數據集合的屬性a上取值為的樣本記為dv；d＝{(z1，y1)，(z2，y2)，...，(z
m
，y
m
)}，表示樣本集合，m為樣本數據z的數量，p
k
表示樣本數據集合d中，第k類樣本屬性所占的比例。7.根據權利要求5所述的一種多傳感器信息融合火災預測算法，其特征在于，還包括s4.3、將所述第一預測結果結合月份的重要度進行判斷，得到最終的預測結果。8.一種多傳感器信息融合火災預測系統，其特征在于，包括：采集模塊，用于獲取數據庫中的樣本數據，并采集所述樣本數據中的溫度屬性、濕度屬性、風速屬性和雨量屬性對應的數據集；數據處理模塊，用于對所述數據集中的樣本數據進行預處理；重要度生成模塊，用于將預處理后的所述數據集中的樣本數據按照比例劃分為訓練集、測試集和驗證集，并將所述訓練集中的樣本數據利用機器學習算法提取數據特征，得到每個樣本數據各屬性值的重要度，一個樣本數據的屬性值包括一個溫度值、雨量值、風速值和濕度值；訓練模塊，用于建立預測模型，將所述訓練集輸入至所述預測模型中進行訓練，在訓練時，通過概率統計學以及決策樹算法處理，計算各樣本數據的屬性值的相關性并出最優屬性所對應的樣本數據，然后根據回歸算法計算預測結果；修正驗證模塊，用于將所述測試集中的樣本數據送入到所述預測模型中對預測模型進行修正，得到最終的預測模型參數，最后通過驗證集的數據驗證所得到的預測模型的可信性。9.一種電子設備，其特征在于，包括至少一個處理器，以及與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行如權利要求1至7中任一所述的一種多傳感器信息融合火災預測方法。10.一種存儲介質，存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的一種多傳感器信息融合火災預測方法。
技術總結
本發明涉及多類型異質傳感器信息融合技術領域，公開了一種多傳感器信息融合火災預測算法、系統、電子設備及介質，包括：S1、獲取數據庫中的樣本數據；S2、對所述數據集中的樣本數據進行預處理；S3、將預處理后的所述數據集中的樣本數據按照比例劃分為訓練集、測試集和驗證集，并將所述訓練集中的樣本數據利用機器學習算法提取數據特征，得到每個樣本數據各屬性值的重要度；S4、建立預測模型，將所述訓練集輸入至所述預測模型中進行訓練；S5、將所述測試集中的樣本數據送入到所述預測模型中對預測模型進行修正。本發明通過出各屬性與火災發生之間的內在聯系，減少傳感器搶占信道資源的情況發生，降低功耗的同時并保證準確地做出火災預警。災預警。災預警。
