基于5g的森林智慧防火方法、装置、系统、设备及介质
技术领域
1.本发明涉及森林防火技术领域，具体涉及一种基于5g的森林智慧防火方法、装置、系统、设备及介质。
背景技术：2.近年来，我国森林火灾频频发生，对人民生命财产造成严重危害。目前，我国森林防火设施还不够完善，对森林火灾的防控能力不强。随着森林生态旅游的兴起，大批游客进入森林开展健身、休闲、娱乐等活动，野外用火明显增多，森林防火问题越来越严峻。
3.在现有技术中，对于森林火灾判断一般是通过图像或者烟感等实现的，其中，图像主要是涉及是否存在火焰，烟感主要是检测烟雾信息，这种方式下多为已经发生了火灾情形，而对于可能发生火灾的预测，则并不常见，而且即使存在，其预测精度也很难满足要求。
技术实现要素：4.针对所述缺陷，本发明实施例公开了一种基于5g的森林智慧防火方法、装置、系统、设备及介质，其通过区分度调整，使得预测模型更准确，预测精度更高。
5.本发明实施例第一方面公开一种基于5g的森林智慧防火方法，所述方法包括：
6.确定影响森林火灾的主要因子；
7.获取所有主要因子在同一时间段的历史数据，记为样本数据，每个主要因子具有相同的采样周期；
8.获取所述样本数据的区分度，如果所述区分度小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据；
9.构建基于逻辑回归的初始预测模型，通过所述特征数据或样本数据求解初始预测模型的参数，得到预测模型；
10.实时获取所有主要因子在同一时间段的采样数据，将所述采样数据输入预测模型，对森林火灾进行预测。
11.作为较佳的实施例，在本发明实施例的第一方面中，确定影响森林火灾的主要因子，包括：
12.确定引发森林火灾的所有影响因素，记为u，u＝{u1，u2，
……
，un}，n为影响因素的总数；
13.通过专家评分机制确定各影响因素间的影响度，构建影响度矩阵a，其中，a
ij
为第i个影响因素ui对第j个影响因素uj的影响度，由一个或多个专家进行评定，a
ij
∈a，0≤a
ij
≤n；
14.对影响度矩阵a进行标准化处理后，得到标准化矩阵x：
[0015][0016]
计算综合影响度矩阵t：
[0017][0018]
计算影响度和被影响度：
[0019][0020][0021]
其中，ei和ri为第i个影响因素的影响度和被影响度，t
ij
为综合影响度矩阵t中第i行第j列的元素；
[0022]
计算各影响因素的原因度：
[0023]
ui＝r
i-ei[0024]
ui为第i个影响因素的原因度；
[0025]
将所述各影响因素的原因度按照从大到小进行排列，选取所述排列中在前的预设数量的原因度对应的影响因素，作为影响森林火灾的主要因子。
[0026]
作为较佳的实施例，在本发明实施例的第一方面中，获取所述样本数据的区分度，如果所述区分度小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据，包括：
[0027]
获取所有样本数据之间的距离的平均值；
[0028]
如果所述平均值小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据。
[0029]
作为较佳的实施例，在本发明实施例的第一方面中，通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据，包括：
[0030]
将所述样本数据进行dft变换，得到频域信号；
[0031]
使用mel滤波器组对所述频域信号进行mel滤波；
[0032]
将mel滤波后的频域信号进行取对数操作，得到对数频谱；
[0033]
将所述到对数频谱进行离散余弦变换，得到mfcc系数，即所述样本数据对应的特征数据。
[0034]
作为较佳的实施例，在本发明实施例的第一方面中，构建基于逻辑回归的初始预测模型，通过所述特征数据或样本数据求解初始预测模型的参数，得到预测模型，包括：
[0035]
构建逻辑回归模型：
[0036]
p＝(1-exp[-β0+β1y1+...+βmym])-1
[0037]
其中，yk为第k个主要因子对应的特征数据或样本数据，βk为第k个主要因子对应的回归系数，1≤k≤m，m为主要因子的总数，β0、β1……
βm为回归系数，p为预测概率；
[0038]
利用极大似然法求解所述逻辑回归模型中的回归系数，得到训练后的预测模型。
[0039]
作为较佳的实施例，在本发明实施例的第一方面中，实时获取所有主要因子在同一时间段的采样数据，将所述采样数据输入预测模型，对森林火灾进行预测，包括：
[0040]
实时获取所有主要因子在同一时间段的采样数据；
[0041]
判断所述采样数据间的平均距离是否小于预设阈值；
[0042]
如果采样数据间的平均距离小于预设阈值，则通过mfcc算法对所述采样数据进行处理，得到每个采样数据对应的采样特征，将所述采样特征输入预测模型，对森林火灾进行
预测；
[0043]
如果采样数据间的平均距离大于或等于预设阈值，则将所述采样数据直接输入预测模型，对森林火灾进行预测。
[0044]
本发明实施例第二方面公开一种基于5g的森林智慧防火装置，其包括：
[0045]
确定单元，用于确定影响森林火灾的主要因子；
[0046]
获取单元，用于获取所有主要因子在同一时间段的历史数据，记为样本数据，每个主要因子具有相同的采样周期；
[0047]
特征提取单元，用于获取所述样本数据的区分度，如果所述区分度小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据；
[0048]
训练单元，用于构建基于逻辑回归的初始预测模型，通过所述特征数据或样本数据求解初始预测模型的参数，得到预测模型；
[0049]
预测单元，用于实时获取所有主要因子在同一时间段的采样数据，将所述采样数据输入预测模型，对森林火灾进行预测。
[0050]
本发明实施例第三方面公开一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本发明实施例第一方面公开的一种基于5g的森林智慧防火方法。
[0051]
本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的一种基于5g的森林智慧防火方法。
[0052]
本发明实施例第五方面公开一种基于5g的森林智慧防火装置，其包括：
[0053]
采集模块，用于实时获取所有主要因子在同一时间段的采样数据，每个主要因子对应的采集模块具有相同的采样周期；
[0054]
5g网络；
[0055]
ai预警模块，用于通过5g网络接收采集模块采集的所述采样数据，将所述采样数据输入预测模型，对森林火灾进行预测；
[0056]
执行模块，用于根据所述ai预警模块的预测结果执行相应的操作，所述相应的操作为喷淋操作、报警操作以及提醒操作中的任一种；
[0057]
所述ai预警模块还确定影响森林火灾的主要因子，接收所有主要因子在同一时间段的历史数据，记为样本数据，每个主要因子具有相同的采样周期；特征提取单元，用于获取所述样本数据的区分度，如果所述区分度小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据；构建基于逻辑回归的初始预测模型，通过所述特征数据或样本数据求解初始预测模型的参数，得到预测模型。
[0058]
本发明实施例第六方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例第一方面公开的一种基于5g的森林智慧防火方法。
[0059]
本发明实施例第七方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例第一方面公开的一种基于5g的森林智慧防火方法。
[0060]
与现有技术相比，本发明实施例具有以下有益效果：
[0061]
经济效益：发明成果预期将进一步提高森林防火智慧化水平，促进森林防火产品和5g技术产业化进展，为推动自主创新的5g智慧森林旅游区防火新技术及应用做出积极的贡献；将推动5g及森林旅游地物联设备等技术在森林防火场景的推广及应用，带动相关产品的成熟度的提升及产品成本的下降，为规模推广也将带来明显的经济效益。
[0062]
社会效益：森林旅游地面积较大，防火形势严峻。发明通过针对森林旅游地开展基于5g技术，实现森林旅游地火灾的智能探测、智能预警、智能灭火、辅助决策等目的，进一步提升森林火灾的智能防控能力；能有力保证森林资源安全、工作人员及游客人身安全，对保障森林生态安全和保护绿水青山具有重要意义。
附图说明
[0063]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0064]
图1是本发明实施例公开的一种基于5g的森林智慧防火方法的流程示意图；
[0065]
图2是本发明实施例公开的一种基于5g的森林智慧防火装置的结构示意图；
[0066]
图3是本发明实施例公开的一种基于5g的森林智慧防火系统的结构示意图；
[0067]
图4是本发明实施例公开的一种电子设备的结构示意图。
具体实施方式
[0068]
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，所描述的实施例仅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做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。
[0069]
需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，示例性地，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0070]
本发明实施例公开了一种基于5g的森林智慧防火方法、装置、系统、设备及介质，其通过影响度确定主要因子，对预测模型的数据进行简化，提升预测效率，通过mfcc算法对样本数据进行区分度调整，使得输入预测模型的数据区分度更高，可以获得更为精准的回归系数，从而提升预测精度，以下结合附图进行详细描述。
[0071]
实施例一
[0072]
请参阅图1，图1是本发明实施例公开的一种基于5g的森林智慧防火方法的流程示意图。如图1所示，该基于5g的森林智慧防火方法包括以下步骤：
[0073]
s110、确定影响森林火灾的主要因子。
[0074]
首先，确定引发森林火灾的所有影响因素，记为u，u＝{u1，u2，
……
，un}，n为影响因素的总数；总结过往的森林火灾发生原因，林火产生因子有人的行为、各种气候因子(如：温
度、湿度、光照、风向等)、森林可燃物特性、以及火源综合作用引起，可燃物、火源和林火环境三个基本条件，从这三方面考虑将人的行为、时间、雷电天气、温度、湿度、降雨量、可燃物、风速等作为影响因素。
[0075]
然后，通过专家评分机制确定各影响因素间的影响度，构建影响度矩阵a，其中，a
ij
为第i个影响因素ui对第j个影响因素uj的影响度，由一个或多个专家进行评定，a
ij
∈a，0≤a
ij
≤n；每个专家对影响度矩阵a中任意一元素的评分在0-n之间，多个专家评分时，则取他们的平均值，从而得到影响度矩阵a。
[0076]
再后，对影响度矩阵a进行标准化处理后，得到标准化矩阵x：
[0077][0078]
并计算综合影响度矩阵t：
[0079][0080]
以及计算影响度和被影响度：
[0081][0082][0083]
其中，ei和ri为第i个影响因素的影响度和被影响度，t
ij
为综合影响度矩阵t中第i行第j列的元素；
[0084]
最后，计算各影响因素的原因度：
[0085]
ui＝r
i-ei[0086]
ui为第i个影响因素的原因度；
[0087]
并将所述各影响因素的原因度按照从大到小进行排列，选取所述排列中在前的预设数量的原因度对应的影响因素，作为影响森林火灾的主要因子。
[0088]
例如，最终的主要因子可以是相对湿度、温度、风速、降雨量。
[0089]
s120、获取所有主要因子在同一时间段的历史数据，记为样本数据，每个主要因子具有相同的采样周期。
[0090]
每个主要因子的采样模块的采样周期相同，以便用于后续的区分度调整，当然，每个主要因子对应的采样模块的最大采样率未必相同，这里仅表示在获取样本数据时，每个主要因子的采样模块的采样周期相同，即在同一时间段采集相同数量的不同主要因子的历史数据，从而使得每个主要因子的样本数据构成一个一维数据，很显然，该一维数据为时域信号。
[0091]
s130、获取所述样本数据的区分度，如果所述区分度小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据。
[0092]
这里的区分度是指不同主要因子间的距离，当距离越大时，则区分度也就越高，反之，距离越小时，区分度也就越小。
[0093]
可以以平均距离作为区分度的大小：
[0094]
即可以获取所有样本数据之间的距离的平均值；如果所述平均值小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据。
[0095]
当然，在其他的实施例中，也可以通过双条件进行判断，例如，当所有样本数据之间的距离的最小值小于第一预设阈值，且平均值小于第二预设阈值时，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据。
[0096]
mfcc算法主要应用于音频领域，用于对音频信号的特征提取，本发明利用mfcc算法的高频发散、低频集中的原理，对所有样本数据进行特征提取，一方面使得数据间特征更为关联，另一方面，也可以提升不同样本数据间的区分度，具体地：
[0097]
先将所述样本数据进行dft变换，得到频域信号；使用mel滤波器组对所述频域信号进行mel滤波；将mel滤波后的频域信号进行取对数操作，得到对数频谱；将所述到对数频谱进行离散余弦变换，得到mfcc系数，即所述样本数据对应的特征数据。
[0098]
为了避免特征数据之间的区分度仍然小于预设阈值，在一些其他的实施例中，还可以再对特征数据进行再次mfcc处理。
[0099]
s140、构建基于逻辑回归的初始预测模型，通过所述特征数据或样本数据求解初始预测模型的参数，得到预测模型。
[0100]
初始预测模型根据需要可以有多种，例如有监督的学习模型或无监督的学习模型，例如可以是深度学习模型，也可以是lr逻辑回归模型等。
[0101]
在本发明较佳的实施例中，使用lr逻辑回归模型：
[0102]
p＝(1-exp[-β0+β1y1+...+βmym])-1
[0103]
其中，yk为第k个主要因子对应的特征数据或样本数据，βk为第k个主要因子对应的回归系数，1≤k≤m，m为主要因子的总数，β0、β1……
βm为回归系数，p为预测概率；
[0104]
利用极大似然法求解所述逻辑回归模型中的回归系数，得到训练后的预测模型。
[0105]
s150、实时获取所有主要因子在同一时间段的采样数据，将所述采样数据输入预测模型，对森林火灾进行预测。
[0106]
实时获取所有主要因子在同一时间段的采样数据；判断所述采样数据间的平均距离是否小于预设阈值；如果采样数据间的平均距离小于预设阈值，则通过mfcc算法对所述采样数据进行处理，得到每个采样数据对应的采样特征，将所述采样特征输入预测模型，对森林火灾进行预测；如果采样数据间的平均距离大于或等于预设阈值，则将所述采样数据直接输入预测模型，对森林火灾进行预测。其具体过程可以类似于步骤s120-步骤s140的过程。
[0107]
实施例二
[0108]
请参阅图2，图2是本发明实施例公开的一种基于5g的森林智慧防火装置的结构示意图。如图2所示，该基于5g的森林智慧防火装置包括：
[0109]
确定单元210，用于确定影响森林火灾的主要因子；
[0110]
获取单元220，用于获取所有主要因子在同一时间段的历史数据，记为样本数据，每个主要因子具有相同的采样周期；
[0111]
特征提取单元230，用于获取所述样本数据的区分度，如果所述区分度小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据；
[0112]
训练单元240，用于构建基于逻辑回归的初始预测模型，通过所述特征数据或样本数据求解初始预测模型的参数，得到预测模型；
[0113]
预测单元250，用于实时获取所有主要因子在同一时间段的采样数据，将所述采样
数据输入预测模型，对森林火灾进行预测。
[0114]
实施例三
[0115]
请参阅图3，图3是本发明实施例公开的一种基于5g的森林智慧防火系统的结构示意图。如图3所示，该基于5g的森林智慧防火系统包括：
[0116]
采集模块310，用于实时获取所有主要因子在同一时间段的采样数据，每个主要因子对应的采集模块具有相同的采样周期；
[0117]
5g网络320；
[0118]
ai预警模块330，用于通过5g网络接收采集模块采集的所述采样数据，将所述采样数据输入预测模型，对森林火灾进行预测；
[0119]
执行模块340，用于根据所述ai预警模块的预测结果执行相应的操作，所述相应的操作为喷淋操作、报警操作以及提醒操作中的任一种；
[0120]
所述ai预警模块还确定影响森林火灾的主要因子，接收所有主要因子在同一时间段的历史数据，记为样本数据，每个主要因子具有相同的采样周期；特征提取单元，用于获取所述样本数据的区分度，如果所述区分度小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据；构建基于逻辑回归的初始预测模型，通过所述特征数据或样本数据求解初始预测模型的参数，得到预测模型。
[0121]
示例性地，对森林火灾风险概率进行分级，例如可以分为五个等级区间，分别为极低：p＝[0，0.2)；低：pp＝[0.2，0.4)；中：p＝[0.4，0.6)；高：p＝[0.6，0.8)；极高：p＝[0.8，1]，根据p值落入不同森林火险概率区间，进而可以采取不同的执行操作，例如，当预测的p值落入极高等级时，则可以同时执行喷淋操作、报警操作；如果预测的p值落入高等级时，则可以同时执行喷淋操作、提醒操作；如果预测的p值落入中等级时，则可以执行喷淋操作等等。
[0122]
实施例四
[0123]
请参阅图4，图4是本发明实施例公开的一种电子设备的结构示意图。电子设备可以是服务器等，服务器可以是物理服务器，也可以是云服务器。如图4所示，该电子设备可以包括：
[0124]
存储有可执行程序代码的存储器410；
[0125]
与存储器410耦合的处理器420；
[0126]
其中，处理器420调用存储器410中存储的可执行程序代码，执行实施例一中的一种基于5g的森林智慧防火方法中的部分或全部步骤。
[0127]
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行实施例一中的一种基于5g的森林智慧防火方法中的部分或全部步骤。
[0128]
本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的一种基于5g的森林智慧防火方法中的部分或全部步骤。
[0129]
本发明实施例还公开一种应用发布平台，其中，应用发布平台用于发布计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的一种基于5g的森林智慧防火方法中的部分或全部步骤。
[0130]
在本发明的各种实施例中，应理解，所述各过程的序号的大小并不意味着执行顺
序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0131]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0132]
另外，在本发明各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0133]
所述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可获取的存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。
[0134]
在本发明所提供的实施例中，应理解，“与a对应的b”表示b与a相关联，根据a可以确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。
[0135]
本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(read-only memory，rom)、随机存储器(random access memory，ram)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子抹除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
[0136]
以上对本发明实施例公开的一种基于5g的森林智慧防火方法、装置、系统、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
技术特征：1.一种基于5g的森林智慧防火方法，其特征在于，包括：确定影响森林火灾的主要因子；获取所有主要因子在同一时间段的历史数据，记为样本数据，每个主要因子具有相同的采样周期；获取所述样本数据的区分度，如果所述区分度小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据；构建基于逻辑回归的初始预测模型，通过所述特征数据或样本数据求解初始预测模型的参数，得到预测模型；实时获取所有主要因子在同一时间段的采样数据，将所述采样数据输入预测模型，对森林火灾进行预测。2.根据权利要求1所述的基于5g的森林智慧防火方法，其特征在于，确定影响森林火灾的主要因子，包括：确定引发森林火灾的所有影响因素，记为u，u＝{u1，u2，
……
，u
n
}，n为影响因素的总数；通过专家评分机制确定各影响因素间的影响度，构建影响度矩阵a，其中，a
ij
为第i个影响因素u
i
对第j个影响因素u
j
的影响度，由一个或多个专家进行评定，a
ij
∈a，0≤a
ij
≤n；对影响度矩阵a进行标准化处理后，得到标准化矩阵x：计算综合影响度矩阵t：计算影响度和被影响度：计算影响度和被影响度：其中，e
i
和r
i
为第i个影响因素的影响度和被影响度，t
ij
为综合影响度矩阵t中第i行第j列的元素；计算各影响因素的原因度：u
i
＝r
i-e
i
u
i
为第i个影响因素的原因度；将所述各影响因素的原因度按照从大到小进行排列，选取所述排列中在前的预设数量的原因度对应的影响因素，作为影响森林火灾的主要因子。3.根据权利要求1所述的基于5g的森林智慧防火方法，其特征在于，获取所述样本数据的区分度，如果所述区分度小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据，包括：获取所有样本数据之间的距离的平均值；如果所述平均值小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据。
4.根据权利要求1-3任一项所述的基于5g的森林智慧防火方法，其特征在于，通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据，包括：将所述样本数据进行dft变换，得到频域信号；使用mel滤波器组对所述频域信号进行mel滤波；将mel滤波后的频域信号进行取对数操作，得到对数频谱；将所述到对数频谱进行离散余弦变换，得到mfcc系数，即所述样本数据对应的特征数据。5.根据权利要求1所述的基于5g的森林智慧防火方法，其特征在于，构建基于逻辑回归的初始预测模型，通过所述特征数据或样本数据求解初始预测模型的参数，得到预测模型，包括：构建逻辑回归模型：p＝(1-exp[-β0+β1y1+...+β
m
y
m
])-1
其中，y
k
为第k个主要因子对应的特征数据或样本数据，β
k
为第k个主要因子对应的回归系数，1≤k≤m，m为主要因子的总数，β0、β1……
β
m
为回归系数，p为预测概率；利用极大似然法求解所述逻辑回归模型中的回归系数，得到训练后的预测模型。6.根据权利要求1所述的基于5g的森林智慧防火方法，其特征在于，实时获取所有主要因子在同一时间段的采样数据，将所述采样数据输入预测模型，对森林火灾进行预测，包括：实时获取所有主要因子在同一时间段的采样数据；判断所述采样数据间的平均距离是否小于预设阈值；如果采样数据间的平均距离小于预设阈值，则通过mfcc算法对所述采样数据进行处理，得到每个采样数据对应的采样特征，将所述采样特征输入预测模型，对森林火灾进行预测；如果采样数据间的平均距离大于或等于预设阈值，则将所述采样数据直接输入预测模型，对森林火灾进行预测。7.一种基于5g的森林智慧防火装置，其特征在于，其包括：确定单元，用于确定影响森林火灾的主要因子；获取单元，用于获取所有主要因子在同一时间段的历史数据，记为样本数据，每个主要因子具有相同的采样周期；特征提取单元，用于获取所述样本数据的区分度，如果所述区分度小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据；训练单元，用于构建基于逻辑回归的初始预测模型，通过所述特征数据或样本数据求解初始预测模型的参数，得到预测模型；预测单元，用于实时获取所有主要因子在同一时间段的采样数据，将所述采样数据输入预测模型，对森林火灾进行预测。8.一种电子设备，其特征在于，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行权利要求1至6任一项所述的一种基于5g的森林智慧防火方法。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，
其中，所述计算机程序使得计算机执行权利要求1至6任一项所述的一种基于5g的森林智慧防火方法。10.一种基于5g的森林智慧防火装置，其特征在于，其包括：采集模块，用于实时获取所有主要因子在同一时间段的采样数据，每个主要因子对应的采集模块具有相同的采样周期；5g网络；ai预警模块，用于通过5g网络接收采集模块采集的所述采样数据，将所述采样数据输入预测模型，对森林火灾进行预测；执行模块，用于根据所述ai预警模块的预测结果执行相应的操作，所述相应的操作为喷淋操作、报警操作以及提醒操作中的任一种；所述ai预警模块还确定影响森林火灾的主要因子，接收所有主要因子在同一时间段的历史数据，记为样本数据，每个主要因子具有相同的采样周期；特征提取单元，用于获取所述样本数据的区分度，如果所述区分度小于预设阈值，则通过mfcc算法对所述样本数据进行处理，得到每个主要因子对应的特征数据；构建基于逻辑回归的初始预测模型，通过所述特征数据或样本数据求解初始预测模型的参数，得到预测模型。
技术总结本发明实施例涉及森林防火技术领域，公开了一种基于5G的森林智慧防火方法、装置、系统、设备及介质。该方法包括：确定影响森林火灾的主要因子；获取所有主要因子在同一时间段的历史数据，记为样本数据，每个主要因子具有相同的采样周期；获取样本数据的区分度，如果区分度小于预设阈值，则通过MFCC算法对样本数据进行处理，得到每个主要因子对应的特征数据；构建基于逻辑回归的初始预测模型，通过特征数据或样本数据求解初始预测模型的参数，得到预测模型；实时获取所有主要因子在同一时间段的采样数据，将采样数据输入预测模型，对森林火灾进行预测。本发明实施例通过区分度调整，使得预测模型更准确，预测精度更高。预测精度更高。预测精度更高。
技术研发人员：陈富强 洪维 何莹泉 华国栋 徐庆华 刘锡辉 余瑞娟 谭开源 石常青 郑在林 林祥 陈春景 王巧天 邓小锋 林毅
受保护的技术使用者：广东省龙眼洞林场(广东莲花顶森林公园管理处) 广东省林业调查规划院
技术研发日：2022.07.05
技术公布日：2022/11/1
