技术领域
[0001] 本发明属于智慧校园技术领域，具体是指基于人工智能的智慧校园安全监测方法及系统。
相关背景技术
[0002] 智慧校园安全监测利用人工智能技术对校园环境进行全面、自动化的监控，通过对实时数据进行分析，实现校园火灾预测和校园空气监测，旨在防范安全隐患，确保师生安全和校园环境良好运作，进而提高校园安全水平。
[0003] 但在现有智慧校园安全监测过程中，存在校园火灾预测所涉及的数据具有高维复杂的特征空间，且具有复杂非线性关系，而传统人工神经网络无法高效捕捉这些特征，导致模型预测性能较差的技术问题；存在校园空气监测所涉及的数据具有长时间跨度的特性，
传统长短期记忆网络模型在处理长时间序列时容易出现记忆能力下降和梯度消失，且容易
忽略关键时刻的信息，影响模型预测准确性的技术问题。
具体实施方式
[0069] 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。
[0070] 在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0071] 实施例一，参阅图1，本发明提供的基于人工智能的智慧校园安全监测方法，该方法包括以下步骤：
[0072] 步骤S1：数据准备；
[0073] 步骤S2：数据预处理；
[0074] 步骤S3：校园火灾预测；
[0075] 步骤S4：校园空气监测；
[0076] 步骤S5：智慧校园安全监测。
[0077] 实施例二，参阅图1，该实施例基于上述实施例，在步骤S1中，所述数据准备，用于采集智慧校园安全监测所需的原始数据，具体为通过传感器采集火灾传感数据和空气质量数据，得到校园安全数据；
[0078] 所述火灾传感数据包括烟雾传感数据、温度传感数据和火焰探测数据；
[0079] 所述空气质量数据包括湿度、风速、PM2.5浓度、二氧化氮浓度、二氧化硫浓度、二氧化碳浓度和臭氧浓度。
[0080] 实施例三，参阅图1，该实施例基于上述实施例，在步骤S2中，所述数据预处理，具体为通过数据清洗、去噪、异常值剔除和缺失值填补，对校园安全数据进行预处理，得到校园安全优质数据。
[0081] 实施例四，参阅图1和图3，该实施例基于上述实施例，在步骤S3中，所述校园火灾预测，用于预测校园火灾风险等级，具体为采用改进鲸鱼算法优化的人工神经网络，进行校园火灾预测，得到校园火灾风险等级，包括以下步骤：
[0082] 步骤S31：鲸鱼优化算法改进，具体为通过改进自适应参数的更新机制，并在鲸鱼优化算法中引入惯性权重和超级变异参数，进行鲸鱼优化算法改进，得到改进鲸鱼算法，包括以下步骤：
[0083] 步骤S311：算法初始化，具体为初始化鲸鱼数量，并设定最大迭代次数，选择模型准确率作为适应度函数，通过随机生成初始的鲸鱼位置，所述鲸鱼位置用于表示模型超参数组合；
[0084] 步骤S312：改进自适应参数的更新机制，并通过自适应参数计算位置更新系数，计算公式为：
[0085] ；
[0086] 式中，a是自适应参数，cos(·)是余弦函数，π是圆周率，t是迭代次数索引，Tmax是最大迭代次数，α是速度常数，用于控制变化速度，A是位置更新系数，用于控制鲸鱼移动范围，rand是范围为（0,1）的随机数；
[0087] 步骤S313：计算鲸鱼适应度值，具体为通过适应度函数计算每个鲸鱼位置的适应度值，选择适应度值最优的鲸鱼位置作为最优鲸鱼位置；
[0088] 步骤S314：计算惯性权重，计算公式为：
[0089] ；
[0090] 式中，w是惯性权重，是幅度第一常数，是幅度第二常数，所述幅度第一常数和幅度第二常数用于控制惯性权重的变化幅度；
[0091] 步骤S315：使用惯性权重进行鲸鱼位置更新，得到改进鲸鱼更新位置，计算公式为：
[0092] ；
[0093] 式中，posnew(t+1)是改进鲸鱼更新位置，posbest(t)是第t次迭代下的最优鲸鱼位置，Dbest是当前鲸鱼位置与最优鲸鱼位置之间的距离，p是范围为（0,1）的策略因子，用于随机选择捕猎策略，当p<0.5时，选择带有惯性权重的收缩包围策略进行鲸鱼位置更新，当p≥0.5时，选择带有惯性权重的螺旋轨迹策略进行鲸鱼位置更新，D是当前鲸鱼位置与猎物之
间的距离，e是自然对数的底数，b是对数参数，用于控制螺旋轨迹的形状，r是范围为（‑1,1）的随机数，用于控制螺旋运动的角度；
[0094] 步骤S316：通过传统的收缩包围策略和螺旋轨迹策略，进行鲸鱼位置更新，得到传统鲸鱼更新位置，计算公式为：
[0095] ；
[0096] 式中， 是传统鲸鱼更新位置；
[0097] 步骤S317：通过超级变异参数控制鲸鱼位置更新，计算公式为：
[0098] ；
[0099] ；
[0100] 式中，M是超级变异参数，fit是当前鲸鱼位置的适应度值，fitmin是最小适应度值，fitmax是最大适应度值，pos(t+1)是更新后的鲸鱼位置，R是范围为（0,1）的随机因子，用于控制鲸鱼位置更新方式；
[0101] 步骤S318：鲸鱼位置迭代，具体为通过重复执行步骤S312至步骤S317，进行鲸鱼位置迭代，直到达到最大迭代次数；
[0102] 步骤S32：构建改进鲸鱼算法优化的人工神经网络，具体为构建人工神经网络基础架构，并使用改进鲸鱼算法对人工神经网络进行参数调优，得到改进鲸鱼算法优化的人工
神经网络；
[0103] 步骤S33：构建校园火灾预测模型，具体为通过对改进鲸鱼算法优化的人工神经网络进行模型训练，得到校园火灾预测模型；
[0104] 步骤S34：计算校园火灾风险等级，具体为使用校园安全优质数据中的火灾传感数据，通过校园火灾预测模型进行校园火灾预测，得到校园火灾风险等级，所述校园火灾风险等级包括极低风险、低风险、中风险、高风险和极高风险；
[0105] 通过执行上述操作，针对在现有智慧校园安全监测过程中，存在校园火灾预测所涉及的数据具有高维复杂的特征空间，且具有复杂非线性关系，而传统人工神经网络无法
高效捕捉这些特征，导致模型预测性能较差的技术问题，本方案创造性地采用改进鲸鱼算
法优化的人工神经网络进行校园火灾预测，通过改进自适应参数的更新机制，并在鲸鱼优
化算法中引入惯性权重和超级变异参数，加快算法收敛速度，更好地平衡全局搜索和局部
搜索，既提高了模型预测性能，又提升了模型的泛化性能，增强了校园火灾预测的有效性。
[0106] 实施例五，参阅图1和图4，该实施例基于上述实施例，在步骤S4中，所述校园空气监测，用于监测校园空气质量，具体为采用基于双重注意力长短期自动编码器模型，进行校园空气监测，得到校园空气监测信息；
[0107] 所述双重注意力长短期自动编码器模型，包括输入层、长短期编码器层、全局注意力块、长短期解码器层、自注意力块和密集层；
[0108] 所述长短期编码器层，用于捕捉数据中的时序特征；
[0109] 所述全局注意力块，用于从所有时间步长中捕捉与当前时间步长相关的重要信息；
[0110] 所述长短期解码器层，用于进行序列重构；
[0111] 所述自注意力块，用于捕捉解码过程中每个时间步之间的依赖关系；
[0112] 所述校园空气监测，包括以下步骤：
[0113] 步骤S41：构建输入层，具体为通过输入层接收校园安全优质数据中的空气质量数据作为模型的输入数据；
[0114] 步骤S42：构建长短期编码器层，具体为使用N个长短期记忆单元组成编码器，得到长短期编码器层，通过长短期编码器层对输入数据进行处理，得到编码隐藏状态和编码单元状态；
[0115] 步骤S43：构建全局注意力块，具体为应用全局注意力机制，从所有编码隐藏状态中捕捉重要时间步，得到上下文向量；
[0116] 步骤S44：构建长短期解码器层，具体为使用N个长短期记忆单元组成解码器，得到长短期解码器层，通过长短期解码器层对编码隐藏状态、编码单元状态和上下文向量进行处理，得到解码隐藏状态；
[0117] 步骤S45：构建自注意力块，具体为应用自注意力机制对解码隐藏状态进行处理，进一步提取重要时间步，得到自注意力，计算公式为：
[0118] ；
[0119] ；
[0120] 式中，Q是查询向量，Wq是查询权重，h是解码隐藏状态，K是键向量，Wk是键权重，V是值向量，Wv是值权重，Attself是自注意力，softmax(·)是softmax激活函数，T是转置操作，dk是键向量维度；
[0121] 步骤S46：构建密集层，具体为通过全连接层对自注意力进行处理，得到预测结果；
[0122] 步骤S47：构建校园空气监测模型，具体为通过构建输入层、构建长短期编码器层、构建自注意力块和构建密集层，进行基于双重注意力长短期自动编码器模型构建，并进行模型训练，得到校园空气监测模型；
[0123] 步骤S48：计算校园空气监测信息，通过校园空气监测模型进行校园空气监测，得到校园空气监测信息，所述校园空气监测信息包括优、良、轻度污染、中度污染和重度污染；
[0124] 通过执行上述操作，针对在现有智慧校园安全监测过程中，存在校园空气监测所涉及的数据具有长时间跨度的特性，传统长短期记忆网络模型在处理长时间序列时容易出
现记忆能力下降和梯度消失，且容易忽略关键时刻的信息，影响模型预测准确性的技术问
题，本方案创造性地采用双重注意力长短期自动编码器模型进行校园空气监测，通过全局
注意力块和自注意力块的结合，增强重要特征捕捉能力和特征动态调整能力，进而确保模
型更精准地捕捉空气质量数据中的动态变化，提升校园空气监测的准确性。
[0125] 实施例六，参阅图1，该实施例基于上述实施例，在步骤S5中，所述智慧校园安全监测，用于监测校园环境安全，具体为结合校园火灾风险等级和校园空气监测信息，生成校园安全监测报告，当检测到校园火灾风险等级达到高风险以上或校园空气监测信息达到中度污染以上时，通过短信向校园管理人员和师生发出警报提醒。
[0126] 实施例七，参阅图2，该实施例基于上述实施例，本发明提供的基于人工智能的智慧校园安全监测系统，包括：数据准备模块、数据预处理模块、校园火灾预测模块、校园空气监测模块和智慧校园安全监测模块；
[0127] 所述数据准备模块，用于数据准备，通过数据准备，得到校园安全数据，并将所述校园安全数据发送至数据预处理模块；
[0128] 所述数据预处理模块，用于数据预处理，通过数据预处理，得到校园安全优质数据，并将所述校园安全优质数据发送至校园火灾预测模块和校园空气监测模块；
[0129] 所述校园火灾预测模块，用于校园火灾预测，通过校园火灾预测，得到校园火灾风险等级，并将所述校园火灾风险等级发送至智慧校园安全监测模块；
[0130] 所述校园空气监测模块，用于校园空气监测，通过校园空气监测，得到校园空气监测信息，并将所述校园空气监测信息发送至智慧校园安全监测模块；
[0131] 所述智慧校园安全监测模块，用于智慧校园安全监测，通过智慧校园安全监测，生成校园安全监测报告，并进行警报提醒。
[0132] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存
在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要
素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0133] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换
和变型。
[0134] 以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术
人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相
似的结构方式及实施例，均应属于本发明的保护范围。
