[发明专利]基于数字孪生技术的城市安全风险管控系统

权利要求书

1.基于数字孪生技术的城市安全风险管控系统，其特征在于：包括信息采集模块，将信息采集模块的数据进行处理以及存储的安全风险大数据库，以及对安全风险大数据库进行处理并应用的风险展示平台，所述安全风险大数据库还包括基础信息数据，所述信息采集模块包括地面信息采集单元以及空中信息采集单元，所述地面信息采集单元包括区域内的手机信令，目标物的RFID标签，区域内的监控视频，以及对重点监测区域安装的各类传感器，所述空中信息采集单元包括无人机实时拍摄数据以及遥感卫星影像地图，所述风险展示平台包括地理信息数据展示分析，风险专题数据展示，风险专题数据检索，风险专题数据汇总以及物联网感知设备实时监控，所述地理信息数据展示分析包括对遥感卫星影像地图进行数据获取并形成历史遥感影像，基于数字孪生技术以及虚拟现实技术的三维模型场景，以及地名地址展示，所述数字孪生技术以及虚拟现实技术为基于三维GIS系统通过对现有地域进行三维建模，建立城市地域模型，所述数字孪生模块基于虚拟与现实技术的基础上，获取地面信息采集单元中的相关数据，对环境进行仿真模拟，实时监控，所述城市地域模型包括城市水淹模型，化工厂危险预警模型以及森林公园防火易感性模型，所述森林公园防火易感性模型包括第一步，分别利用传感器技术提取气候特征，利用林业局基础大数据提取植被相关信息，利用GIS技术提取斜率，坡向和地形湿度指数，第二步，利用斜率，坡向和地形湿度指数建立GIS数据库，并将GIS数据库中的数据利用核逻辑回归建立机器学习模型，第三步，将得出的结果再使用BFGS算法进行优化，所述核逻辑回归建立机器学习模型主要通过设置逻辑函数算法来求解火灾发

变量，包括从传感器或GIS技术中获取的坡度，坡向，地形湿度指数，土地覆盖，地表温度，到道路的距离，到人口稠密地区的距离，风速和降雨量等相关变量，y_i∈{0,1}，对应相关变量是否发生火灾的标签，其中α_i和b是模型权重，第二步，利用最小化负对数似然函数以及梯度下降法分别求解并且获得参数α_i，b，其中最小化负对数似然函数的公式如下所示，其中C为正则化参数，第三步，利用径向基函数k(x,x')作为核逻辑函数的一种，在逻辑函数的基础上增加核函数，计算所用变量属性特征之间的相关性，其算法如下k(x,x')＝exp((-||x-x'||²)/2δ²，其中δ是超参数，用于人工输入并可手工调整优化模型。

2.根据权利要求1所述的基于数字孪生技术的城市安全风险管控系统，其特征在于：所述机器学习模型还包括模型验证评估算法，所述算法包括如下评估指标，总体准确度，特异性，敏感性，阳性预测值和阴性预测值，阳性预测值为PPV，阴性预测值为NPV，总体准确度，特异性，敏感性，阳性预测值和阴性预测值五个评估指标通过设置被模型预测为正的正样本，指代为TP；被模型预测为负的负样本指代为TN；被模型预测为正的负样本指代为FP；被模型预测为负的正样本指代为FN；而TP，TN，FP，FN四个参数分别映射，TP和TN分别是训练数据集或验证数据集中正确分类为森林防火等级和非森林防火等级的样本数，FP和FN是训练数据集或验证数据集中被错误分类的样本数，则可推出机器学习模型的总体

3.根据权利要求1所述的基于数字孪生技术的城市安全风险管控系统，其特征在于：所述风险专题数据展示包括对各行业领域风险数据信息按照空间位置叠加展示，同时按照风险等级、风险区域、风险类型、风险历史情况，进行不同的标注，形成风险专题数据地图。

4.根据权利要求1所述的基于数字孪生技术的城市安全风险管控系统，其特征在于：所述风险专题数据检索包括综合属性关键字检索以及图像检索，通过综合属性关键字检索以及图像检索方式将风险等级、风险区域、风险类型、以及风险可发生的后果进行定位追踪以及详情查阅。

5.根据权利要求1所述的基于数字孪生技术的城市安全风险管控系统，其特征在于：所述风险专题数据汇总按照风险源行业、等级、区域、时间、类型、措施等对风险源归类以及统计对比。

6.根据权利要求1所述的基于数字孪生技术的城市安全风险管控系统，其特征在于：所述物联网感知设备实时监控通过多源格式的的物联设备接入接口，实时动态对接各行业、各部门的设施设备监测、环境监测、人员活动监测、危险源监测、视频监测等物联网感知数据，并结合GIS技术，在风险地图上直观展示其物联网感知数据，同时可以通过折线图、柱状图、表格等多种数据形式进行单站和多站数据的综合对比分析。