环境安全预测方法、电子装置及存储介质与流程

1.本发明涉及环境安全管理技术领域，尤其涉及一种环境安全预测方法、电子装置及存储介质。


背景技术：

2.随着工业技术的发展，工业生产环境也趋于复杂化，例如，生产环境的温度变化频繁、有害气体容易扩散等。因此，为保障员工的人身安全，有必要经常对现场环境安全进行评估。现有技术在对环境安全进行评估时，通常通过感测器侦测现场环境数据，例如温度、气体浓度等，然后对侦测到的环境数据进行统计、加权、平均等处理，以评估环境数据的动态变化。然而，由于部署的感测器数量有限，侦测到的环境数据也有限，得到的评估结果容易产生误差，导致环境评估结果与实际情况不符，容易造成环境安全防护过度或不足。


技术实现要素：

3.鉴于以上内容，有必要提出一种环境安全预测方法、电子装置及存储介质可以根据采集的环境数据建立环境安全预测模型，从而精确预测环境安全。
4.本发明的第一方面提供一种环境安全预测方法，所述方法包括：
5.筛选多个预设环境状态下环境数据的有效采集点及有效变化区域；
6.获取位于所述有效采集点及所述有效变化区域的采集装置采集的环境参数及环境参数变化值；
7.将获取的所述环境参数及所述环境参数变化值作为训练集对神经网络模型进行训练，以生成预测模型；
8.将所述采集装置采集的当前环境参数及当前环境参数变化值输入所述预测模型，得到环境特征数据；及
9.根据所述环境特征数据确定当前环境安全的预测结果。
10.优选地，所述方法还包括：
11.根据环境参数最大值及环境参数变化最大值对获取的所述环境参数及所述环境参数变化值进行二值化处理；及
12.将经过所述二值化处理的所述环境参数及所述环境参数变化值作为训练集输入所述神经网络模型。
13.优选地，所述将获取的所述环境参数及所述环境参数变化值作为训练集对神经网络模型进行训练，以生成预测模型包括：
14.将所述环境参数及所述环境参数变化值作为预设的反向传播神经网络模型的输入层；
15.判断所述预设的反向传播神经网络模型的输出值与期望输出值的误差是否符合第一预设条件；
16.当所述预设的反向传播神经网络模型的输出值与期望输出值的误差不符合所述
第一预设条件时，对所述预设的反向传播神经网络模型的参数进行调整，直至输出值与期望输出值的误差符合所述第一预设条件，以生成所述预测模型。
17.优选地，所述方法还包括：
18.将参考环境状态下所述采集装置采集的环境参数及环境参数变化值作为验证集输入所述预测模型；
19.判断所述预测模型的输出值与期望输出值的误差是否符合第二预设条件；
20.当所述预测模型的输出值与期望输出值的误差符合所述第二预设条件时，确定所述预测模型通过验证；或
21.当所述预测模型的输出值与期望输出值的误差不符合所述第二预设条件时，继续对所述神经网络模型进行训练。
22.优选地，所述将所述采集装置采集的当前环境参数及当前环境参数变化值输入所述预测模型包括：
23.对所述当前环境参数及所述当前环境参数变化值分别进行平均及加权处理；
24.对经过平均及加权处理的所述当前环境参数及所述当前环境参数变化值进行二值化处理；及
25.将经过二值化处理的所述当前环境参数及所述当前环境参数变化值输入所述预测模型。
26.优选地，所述环境参数为气体浓度，所述环境参数变化值为气体浓度变化值，所述环境特征数据为空间气体浓度比例，所述方法还包括：
27.将所述环境特征数据的空间气体浓度比例转换为空间气体浓度。
28.优选地，所述预测结果包括多个风险等级，每个风险等级对应一预设浓度范围，所述根据所述环境特征数据确定当前环境安全的预测结果包括：
29.确定所述空间气体浓度落入的预设浓度范围；及
30.根据所述落入的预设浓度范围确定当前环境的风险等级，作为所述预测结果。
31.优选地，所述方法还包括：
32.根据专家决策支援系统及当前环境的风险等级确定气体资料及防护措施。
33.本发明的第二方面提供一种电子装置，所述电子装置包括：
34.处理器；及
35.存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的环境安全预测方法。
36.本发明的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的环境安全预测方法。
37.上述环境安全预测方法、电子装置及存储介质可以基于神经网络模型对采集的环境数据进行深度学习训练，以建立环境安全预测模型，通过预测模型对环境安全进行预测，有效提高了预测结果的准确性。
附图说明
38.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。
39.图1是本发明较佳实施方式提供的环境安全预测方法的应用环境架构示意图。
40.图2是本发明较佳实施方式提供的环境安全预测方法的流程图。
41.图3是本发明较佳实施方式提供的环境安全预测系统的应用结构示意图。
42.图4是本发明较佳实施方式提供的电子装置的示意图。
43.主要元件符号说明
44.电子装置
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ145.处理器
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
10
46.环境安全预测系统
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
100
47.筛选模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
101
48.获取模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
102
49.生成模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
103
50.验证模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
104
51.输出模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
105
52.预测模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
106
53.确定模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
107
54.显示模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
108
55.存储器
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
20
56.计算机程序
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
30
57.显示屏
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
40
58.采集装置
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ259.数据库
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ360.如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
61.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
62.在下面的描述中阐述了很多具体细节以便于充分理解本发明，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。
63.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
64.请参阅图1所示，为本发明较佳实施方式提供的环境安全预测方法的应用环境架构示意图。
65.本发明中的环境安全预测方法应用在电子装置1中，所述电子装置1与至少一个采集装置2及至少一个数据库3通过网络建立通信连接。所述网络可以是有线网络，也可以是
无线网络，例如无线电、无线保真(wireless fidelity,wi-fi)、蜂窝、卫星、广播等。
66.所述电子装置1可以为运行有环境安全预测程序的电子设备，例如个人电脑、服务器等，其中，所述服务器可以是单一的服务器、服务器集群或云服务器等。
67.所述采集装置2至少包括传感器，用于采集所处环境的环境参数。所述数据库3可以是个人电脑、服务器等，用于存储所述采集装置2采集的环境参数。
68.请参阅图2所示，为本发明较佳实施方式提供的环境安全预测方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
69.s201，筛选多个预设环境状态下环境数据的有效采集点及有效变化区域。
70.在本实施方式中，首先通过火灾模拟软件fds(fire dynamics simulator，火灾动力学模拟工具)建立预设场所的仿真模型。其中，所述仿真模型的几何形状与尺寸、门窗开口位置及尺寸、环境参数的采集位置、环境参数变化值的采集位置、气体扩散通量等参数与所述预设场所的实际参数相同。
71.在本实施方式中，所述环境数据为氰化氢气体浓度。已知1800秒氰化氢气体扩散量达到2kg时，所述预设场所的所有区域处于危险状态。例如，所述多个预设环境状态包括1800秒气体扩散0.01kg、1800秒气体扩散0.05kg、1800秒气体扩散0.1kg、1800秒气体扩散0.2kg、1800秒气体扩散0.4kg、1800秒气体扩散0.6kg、1800秒气体扩散0.8kg、1800秒气体扩散1.0kg、1800秒气体扩散1.5kg、1800秒气体扩散2kg。
72.在本实施方式中，所述采集装置2至少包括氰化氢浓度传感器，用于采集所述预设场所的氰化氢浓度。具体的，s201包括：在所述仿真模型中分别实现所述多个预设环境状态，在每个预设环境状态下从设置有采集装置2的所有氰化氢浓度采集点中筛选出采集到氰化氢浓度的采集点作为有效采集点，以及从设置有采集装置2的所有氰化氢浓度变化采集区域中筛选出有效变化区域。
73.s202，获取位于所述有效采集点及所述有效变化区域的采集装置2采集的环境参数及环境参数变化值。
74.在本实施方式中，所述环境参数为气体浓度，例如氰化氢浓度，所述环境参数变化值为气体浓度变化值，例如氰化氢浓度变化值。每个采集点及每个变化区域都具有编号，每个采集点的采集装置2每隔预设时间采集所述环境参数，每个变化区域的采集装置2每隔所述预设时间采集所述环境参数变化值，并将采集到的环境参数及环境参数变化值分别与对应采集点及变化区域的编号绑定，然后上传至所述数据库3。需要说明的是，此时所述采集装置2采集的环境参数与环境参数变化值均为所述仿真模型下的模拟数据。
75.具体的，s202包括：确定所述有效采集点及所述有效变化区域的编号，根据确定的编号从所述数据库3中获取位于所述有效采集点及所述有效变化区域的采集装置2采集的环境参数及环境参数变化值。
76.s203，将获取的所述环境参数及所述环境参数变化值作为训练集对神经网络模型进行训练，以生成预测模型。
77.在本实施方式中，首先对获取的所述环境参数及所述环境参数变化值进行预处理，具体的，根据已知或预设的环境参数最大值及环境参数变化最大值对获取的所述环境参数及所述环境参数变化值进行二值化处理，将所述环境参数及所述环境参数变化值转换为0-1之间的数值，然后将经过所述二值化处理的所述环境参数及所述环境参数变化值作
为训练集输入所述神经网络模型。
78.在本实施方式中，所述神经网络模型为预设的反向传播(back propagation，bp)神经网络模型，所述预设的bp神经网络模型包括输入层、隐含层及输出层，所述预设的bp神经网络模型的参数包括，但不仅限于学习率、迭代次数及隐含层的数量。具体的，s203包括：将所述采集装置2每个时刻采集的所述环境参数及所述环境参数变化值作为所述预设的bp神经网络模型的输入层，并开始训练，判断所述预设的bp神经网络模型的输出值与期望输出值的误差是否符合第一预设条件。在本实施方式中，所述第一预设条件为小于或等于0.1％。当所述预设的bp神经网络模型的输出值与期望输出值的误差不符合所述第一预设条件，即大于0.1％时，对所述预设的bp神经网络模型的参数进行调整，例如调整隐含层的数量及/或学习率，直至输出值与期望输出值的误差符合所述第一预设条件，即小于或等于0.1％，将符合所述第一预设条件时的bp神经网络模型作为所述预测模型，从而生成所述预测模型。
79.s204，将参考环境状态下所述采集装置2采集的环境参数及环境参数变化值作为验证集验证所述预测模型是否可靠。
80.在本实施方式中，所述参考环境状态由用户预设，例如为1200秒气体扩散1.8kg。具体的，s204包括：将所述参考环境状态下所述采集装置2采集的环境参数及环境参数变化值作为验证集输入所述预测模型，判断所述预测模型的输出值与期望输出值的误差是否符合第二预设条件。在本实施方式中，所述第二预设条件为小于或等于10％。当所述预测模型的输出值与期望输出值的误差符合所述第二预设条件时，确定所述预测模型通过验证。当所述预测模型的输出值与期望输出值的误差不符合所述第二预设条件时，返回步骤s203，继续对所述神经网络模型进行训练，直至生成的预测模型的输出值与期望输出值的误差符合所述第二预设条件。需要说明的是，在所述参考环境状态下所述采集装置2采集的环境参数及环境参数变化值也是所述仿真模型下的模拟数据。
81.s205，将所述采集装置2采集的当前环境参数及当前环境参数变化值输入所述预测模型，得到环境特征数据。
82.在本实施方式中，所述当前环境参数及所述当前环境参数变化值为所述预设场所内设置的采集装置2采集的实际数据。
83.具体的，s205包括：对所述当前环境参数及所述当前环境参数变化值分别进行平均及加权处理，对经过平均及加权处理的所述当前环境参数及所述当前环境参数变化值进行二值化处理，将经过二值化处理的所述当前环境参数及所述当前环境参数变化值输入所述预测模型，然后经由所述预测模型计算得到所述环境特征数据。
84.s206，根据所述环境特征数据确定当前环境安全的预测结果。
85.在本实施方式中，所述环境特征数据为空间气体浓度比例。由于所述采集装置2采集所述预设场所的氰化氢浓度及氰化氢浓度变化值，因此所述环境特征数据具体为空间氰化氢浓度比例。输入所述预测模型的所述当前环境参数及所述当前环境参数变化值已经过二值化转换为0-1之间的数值，所述预测模型输出的所述环境特征数据也是0-1之间的数值。
86.在本实施方式中，s206还包括：将所述环境特征数据的空间气体浓度比例转换为空间气体浓度，转换公式为y＝ax。其中，y为空间气体浓度，单位为mg/m3，x为空间气体浓度
比例，a为预设常数。在本实施方式中，a的数值为360。
87.在本实施方式中，所述预测结果包括多个风险等级，每个风险等级对应一预设浓度范围。例如，所述多个风险等级包括安全、低风险、中风险及高风险，安全对应的预设浓度范围为大于或等于0且小于0.11mg/m3，低风险对应的预设浓度范围为大于或等于0.11且小于22.11mg/m3，中风险对应的预设浓度范围为大于或等于22.11且小于44.22mg/m3，高风险对应的预设浓度范围为大于或等于44.22mg/m3。
88.具体的，s206包括：确定所述空间气体浓度落入的预设浓度范围，及根据所述落入的预设浓度范围确定当前环境的风险等级，作为所述预测结果。例如，当所述空间气体浓度为16.2mg/m3时，所述预设场所当前环境安全的预测结果为中风险。
89.s207，根据专家决策支援系统及当前环境的风险等级确定气体资料及防护措施。
90.在本实施方式中，所述专家决策支援系统预先存储于所述数据库3中，所述专家决策支援系统对每个风险等级预先定义有对应的气体资料及防护措施。例如，风险等级安全对应的气体资料和防护措施均为“安全”；风险等级低风险对应的气体资料包括“长期低浓度可能导致头痛、恶心、腹痛、喉咙刺激等症状”，防护措施包括“进行排风换气作业”；风险等级中风险对应的气体资料包括“早期可能导致头昏眼花、困惑、焦虑、恶心、呕吐等症状”，防护措施包括“1.进行排风换气作业。2.穿戴供气式呼吸防护相关器具。”；风险等级高风险对应的气体资料包括“呼吸心跳加速、丧失意识、抽筋，超过298mg/m3则一分钟内死亡”，防护措施包括“进行人员疏散、排风换气作业，人员具体急救措施如下：1.移走污染源或将患者移到空气新鲜处。2.如果患者呼吸困难或即将丧失意识，给予解毒剂，将亚硝酸戊酯丸压碎包于布中，每分钟置于患者的鼻前15～30秒，每隔5或3分钟更换新的，每次0.3mg或0.18mg，如果患者的血压降低到80/60以下，停止使用亚硝酸戊酯丸，立即就医。3.如果呼吸停止施以人工呼吸，若心跳停止施行心肺复苏术(避免口对口)。”。
91.具体的，s207包括：通过查询所述专家决策支援系统以确定当前环境的风险等级对应的气体资料及防护措施。
92.s208，在显示屏40上显示当前环境的风险等级及对应的气体资料和防护措施。
93.在本实施方式中，s208包括：在显示屏40上直接显示当前的空间气体浓度、气体资料、防护措施，并通过显示屏40的背景色提示当前环境的风险等级。例如，通过绿背景色提示当前环境的风险等级为安全，通过粉背景色提示当前环境的风险等级为低风险，通过紫背景色提示当前环境的风险等级为中风险，通过红背景色提示当前环境的风险等级为高风险。
94.本发明提供的环境安全预测方法可以基于神经网络模型对采集的环境数据进行深度学习训练，以建立环境安全预测模型，通过预测模型对环境安全进行预测，有效提高了预测结果的准确性。
95.上述图2详细介绍了本发明的环境安全预测方法，下面结合第3-4图，对实现所述环境安全预测系统的功能模块以及实现所述环境安全预测方法的硬件装置架构进行介绍。
96.应所述了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
97.请参阅图3所示，为本发明较佳实施方式提供的环境安全预测系统的应用结构示意图。
98.在一些实施例中，环境安全预测系统100运行于所述电子装置1中。所述电子装置1
通过网络连接了采集装置2及数据库3。所述环境安全预测系统100可以包括多个由程序代码段所组成的功能模块。所述环境安全预测系统100中的各个程序段的程序代码可以存储于所述电子装置1的存储器中，并由所述至少一个处理器所执行，以实现环境安全预测功能。
99.本实施例中，所述环境安全预测系统100根据其所执行的功能，可以被划分为多个功能模块。参阅图3所示，所述功能模块可以包括筛选模块101、获取模块102、生成模块103、验证模块104、输出模块105、预测模块106、确定模块107及显示模块108。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。
100.所述筛选模块101用于筛选多个预设环境状态下环境数据的有效采集点及有效变化区域。
101.所述获取模块102用于获取位于所述有效采集点及所述有效变化区域的采集装置2采集的环境参数及环境参数变化值。
102.所述生成模块103用于将获取的所述环境参数及所述环境参数变化值作为训练集对神经网络模型进行训练，以生成预测模型。
103.所述验证模块104用于将参考环境状态下所述采集装置2采集的环境参数及环境参数变化值作为验证集验证所述预测模型是否可靠。
104.所述输出模块105用于将所述采集装置2采集的当前环境参数及当前环境参数变化值输入所述预测模型，得到环境特征数据。
105.所述预测模块106用于根据所述环境特征数据确定当前环境安全的预测结果。
106.所述确定模块107用于根据专家决策支援系统及当前环境的风险等级确定气体资料及防护措施。
107.所述显示模块108用于在显示屏40上显示当前环境的风险等级及对应的气体资料和防护措施。
108.本发明提供的环境安全预测系统可以基于神经网络模型对采集的环境数据进行深度学习训练，以建立环境安全预测模型，通过预测模型对环境安全进行预测，有效提高了预测结果的准确性。
109.请参阅图4所示，为本发明较佳实施方式提供的电子装置的示意图。
110.所述电子装置1包括处理器10、存储器20、存储在所述存储器20中并可在所述处理器10上运行的计算机程序30及显示屏40。例如，所述计算机程序为环境安全预测程序。所述处理器10执行所述计算机程序30时实现上述环境安全预测方法实施例中的步骤，例如图2所示的步骤s201～s208。或者，所述处理器10执行所述计算机程序30时实现上述环境安全预测系统100实施例中各模块/单元的功能，例如图3中的模块101-108。
111.示例性的，所述计算机程序30可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序30在所述电子装置1中的执行过程。例如，所述计算机程序30可以被分割成图3中的筛选模块101、获取模块102、生成模块103、验证模块104、输出模块105、预测模块106、确定模块107及显示模块108。
112.本领域技术人员可以理解，所述示意图仅仅是电子装置1的示例，并不构成对电子装置1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子装置1还可以包括输入输出设备、网络接入设备、总线等。
113.所称处理器10可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器10也可以是任何常规的处理器等，所述处理器10是所述电子装置1的控制中心，利用各种接口和线路连接整个电子装置1的各个部分。
114.所述存储器20可用于存储所述计算机程序30和/或模块/单元，所述处理器10通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述电子装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子装置1的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器20可以包括易失性和非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
115.所述显示屏40为液晶显示屏或有机电激光(organic light-emitting diode，oled)显示屏。
116.所述电子装置1集成的模块/单元如果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读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)等。
117.本发明提供的环境安全预测方法、电子装置及存储介质可以基于神经网络模型对采集的环境数据进行深度学习训练，以建立环境安全预测模型，通过预测模型对环境安全进行预测，有效提高了预测结果的准确性。
118.在本发明所提供的几个实施例中，应所述理解，所揭露的电子装置和方法，可以通过其它的方式实现。例如，以上所描述的电子装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
119.另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，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相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
120.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在
不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。电子装置权利要求中陈述的多个单元或电子装置也可以由同一个单元或电子装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
121.以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。