本发明涉及消防安全，尤其涉及多维度消防安全管理系统。
背景技术：
1、随着城市化进程的加速和建筑结构的复杂化，传统的消防安全管理系统已经难以满足快速、有效地应对火灾等紧急情况的需求。尤其在高层和超高层建筑中，一旦发生火灾，如何迅速准确地评估火情并指导人员安全疏散，成为保障人身安全的关键。
2、传统消防系统主要依赖于烟雾探测器和温度传感器等被动式监测设备，这些设备虽然在火灾初期提供了一定的预警，但在数据处理、实时性和应对措施的制定上存在显著不足。例如，这些系统通常无法提供关于烟雾扩散路径和最佳疏散路线的实时信息，导致疏散效率低下，且容易发生二次事故。
技术实现思路
1、基于上述目的，本发明提供了多维度消防安全管理系统。
2、多维度消防安全管理系统，包括环境监测模块、数据分析模块、实时视频监控模块、智能决策模块以及自适应疏散导航模块，其中；
3、所述环境监测模块负责收集环境数据，包括温度、湿度和烟雾浓度；
4、所述数据分析模块对收集的环境数据进行处理和分析，实时监测评估火灾风险，使用机器学习算法来预测火灾发展趋势；
5、所述实时视频监控模块采用高分辨率摄像头监控建筑内部情况，提供视觉数据，用于支持环境监测和紧急响应；
6、所述智能决策模块结合数据分析模块和实时视频监控模块的输出，生成火灾应对策略，包括优化紧急响应措施和疏散指示；
7、所述自适应疏散导航模块利用来自实时视频监控模块、数据分析模块以及环境监测模块的数据，动态生成和更新建筑内的安全疏散路线，根据实时数据调整疏散路线，确保在变化的环境条件下提供安全的疏散路径。
8、进一步的，所述环境监测模块具体包括：
9、温度传感器：用于监测环境中的温度变化，异常的温度上升可能是火灾发生的早期迹象；
10、湿度传感器：用于监测环境中的湿度变化，湿度的快速变化与火灾相关，火源会迅速影响空气中的湿度水平；
11、烟雾探测器：用于检测空气中悬浮的烟雾粒子，烟雾是火灾最常见的标志之一。
12、进一步的，所述数据分析模块具体包括：
13、数据预处理：对收集到的环境数据进行清洗和标准化，包括去除噪声、处理缺失值、归一化数据范围；
14、特征工程：从环境数据中提取特征，包括温度和烟雾浓度的变化速率、历史平均值、峰值；
15、实时监测与异常检测：使用基于阈值的模型来监测数据是否显示出异常的模式；
16、火灾趋势预测：利用机器学习算法对火灾的发展趋势进行预测。
17、进一步的，所述实时监测与异常检测具体包括：
18、确定阈值：阈值的设定是基于历史数据分析或行业标准；
19、温度阈值：设安全阈值为60℃，区域温度超过则表明存在火灾风险；
20、烟雾浓度阈值：设安全阈值为1％-3％不透光度每米，空气中的烟雾浓度超过预设的阈值，则表明存在火灾风险；
21、异常检测：数据分析模块持续监测收集的环境数据，环境数据被读取时，会与预设的阈值进行比较，环境数据在阈值之内，认为环境状态正常，环境数据超过阈值，将标记为异常。
22、进一步的，所述火灾趋势预测具体包括：
23、数据收集：收集包括温度、湿度、烟雾浓度历史环境数据及收集火灾发生的时间、地点和响应措施；
24、数据处理：去除或填补缺失值，将数据标准化，使不同特征具有相同的尺度；
25、特征提取：提取特征，包括温度变化速率、历史烟雾浓度；
26、特征工程：计算环境数据的滚动平均值，计算环境数据的滚动标准差，时间滞后特征，将前一小时或前一天的环境数据作为特征，温度与烟雾浓度的交互特征，时间与环境数据的交互特征；
27、构建训练集和测试集：将数据划分为训练集和测试集，划分比例为80％训练集和20％测试集，使用滚动窗口技术创建训练样本；
28、选择核函数：选择径向基函数核；
29、模型训练：使用支持向量机进行训练，优化参数；
30、模型评估：使用测试集评估模型性能，评估指标采用均方误差和决定系数。
31、进一步的，所述实时视频监控模块具体包括：
32、实时视频数据的捕获：在建筑的关键位置安装高分辨率摄像头，关键位置包括出入口和走道，使用数字视频技术，确保视频数据被捕获并实时传输；
33、视觉数据的实时分析：利用视频分析软件实时处理视频流，包括使用图像处理技术来检测画面中烟雾、火光或人员异常，应用卷积神经网络模型，自动识别视频中的火灾迹象。
34、进一步的，所述卷积神经网络模型具体包括：
35、数据收集：收集包含火焰、烟雾以及正常场景的视频数据，视频数据来源包括实际监控视频、开源数据集和模拟产生的视频；
36、数据标注：对视频数据进行帧提取，并标注出含有火焰和烟雾的帧，标注的帧将作为训练卷积神经网络模型时的正样本，而正常的帧作为负样本；
37、数据预处理：将视频分解成单独的帧，对每帧图像进行预处理，包括调整大小、归一化像素值到0-1范围，应用数据增强技术来增加数据多样性，包括随机旋转、缩放、裁剪和水平翻转；
38、构建卷积神经网络模型：设计卷积神经网络模型以包含多个卷积层、池化层和全连接层；
39、模型训练：使用标注的帧数据训练卷积神经网络模型，采用交叉熵损失函数衡量卷积神经网络模型预测概率分布与真实标签之间的差异。
40、进一步的，所述智能决策模块具体包括：
41、数据接收：智能决策模块接收来自数据分析模块和实时视频监控模块的数据；
42、实时分析：根据数据分析模块和实时视频监控模块的数据，识别火灾的严重程度，评估火灾风险等级；
43、生成应对策略：根据风险评估结果，智能决策模块采用预设规则引擎制定应对策略，这些规则基于历史数据、先前的火灾案例和最佳实践，为消防队制定具体的响应措施，包括最优的进入点和需要特别注意的区域，制定疏散计划，包括确定安全的疏散路线和疏散目的地。
44、进一步的，所述自适应疏散导航模块具体包括：
45、数据接收：自适应疏散导航模块接收来自环境监测模块和数据分析模块的数据，以及从实时视频监控模块获取建筑内部的实时图像数据；
46、数据处理与分析：分析接收到的数据，确定火灾的位置、强度和扩散速度，识别建筑内部的高风险区域和相对安全的区域；
47、路线计算：使用图论算法在建筑的平面图上计算从各个位置到最近安全出口的最短路径，考虑到实时火情和拥挤情况，动态调整路径以避开高风险区域和拥挤区域。
48、进一步的，所述图论算法采用dijkstra算法，具体包括：
49、初始化：将所有节点的最短路径估计值设为无穷大，除了源点，其路径值设为0，使用优先队列来存储所有节点及其路径值，优先队列按路径值排序；
50、算法过程：从优先队列中取出路径值最小的节点，更新该节点所有邻接节点的路径值，通过当前节点到该邻接节点的路径长度小于已知的最短路径值，则更新该路径值，重复以上过程，直到优先队列为空，公式表示为：
51、dist[v]＝min(dist[v],dist[u]+weight(u,v))，其中，dist[v]是从源点到节点v的当前已知最短路径长度，dist[u]是从源点到当前节点u的最短路径长度，weight(u,v)是从节点u到v的边的权重。
52、本发明通过整合环境监测模块和实时视频监控模块，利用高分辨率摄像头和各类传感器实时收集关键数据，再结合数据分析模块使用的先进机器学习算法，能够实时监测并精确评估火灾风险。这不仅大幅提升了火灾预警的准确性，还能在火灾发生的初期阶段就迅速识别潜在风险，从而使得紧急响应措施更加及时有效，显著降低了因火灾造成的人员伤亡和财产损失。
53、本发明引入自适应疏散导航模块，能够动态地生成和实时更新建筑内的安全疏散路线。通过实时分析火情的发展和建筑内的人员分布情况，系统能够根据当前的环境条件调整疏散路线，有效避免人员误入高风险区域。此功能不仅增加了疏散过程的安全性，还显著提高了疏散效率，确保在紧急情况下能快速、有序地引导人员至安全区域。
54、本发明通过智能决策模块允许系统综合利用来自多个数据源的信息，制定出针对性的火灾应对策略。极大地增强了系统对复杂情况的响应灵活性。无论是面对快速变化的火场情况还是不同建筑的特殊需求，系统都能提供合理有效的管理和响应方案，增强了整个消防安全管理系统的综合应对能力。
1.多维度消防安全管理系统，其特征在于，包括环境监测模块、数据分析模块、实时视频监控模块、智能决策模块以及自适应疏散导航模块，其中；
2.根据权利要求1所述的多维度消防安全管理系统，其特征在于，所述环境监测模块具体包括：
3.根据权利要求1所述的多维度消防安全管理系统，其特征在于，所述数据分析模块具体包括：
4.根据权利要求3所述的多维度消防安全管理系统，其特征在于，所述实时监测与异常检测具体包括：
5.根据权利要求3所述的多维度消防安全管理系统，其特征在于，所述火灾趋势预测具体包括：
6.根据权利要求1所述的多维度消防安全管理系统，其特征在于，所述实时视频监控模块具体包括：
7.根据权利要求6所述的多维度消防安全管理系统，其特征在于，所述卷积神经网络模型具体包括：
8.根据权利要求1所述的多维度消防安全管理系统，其特征在于，所述智能决策模块具体包括：
9.根据权利要求1所述的多维度消防安全管理系统，其特征在于，所述自适应疏散导航模块具体包括：
10.根据权利要求9所述的多维度消防安全管理系统，其特征在于，所述图论算法采用dijkstra算法，具体包括：
