三合一场所识别方法、识别模型的构建方法及相关设备与流程

1.本发明涉及数据分析技术领域，尤其涉及一种三合一场所识别方法、识别模型的构建方法及相关设备。


背景技术：

2.三合一场所是指将人员住宿场所与生产、仓储、经营等场所混合设置在同一建筑内，且住宿场所与其他功能的场所之间未设置有效的防火分隔。因此，为防范三合一场所发生火灾事故，首先需要先识别出哪些场所属于三合一场所的范畴则显得尤为重要。
3.现有的三合一场所的识别方式，主要是通过电力监测设备分析场所用电特征，当检测出用户用电异常情况时，后台推送报警信息，为相关管理部门提供决策辅助。但是，该种识别方法存在以下缺点：第一、分析数据较为单一；第二、采用预定义的规则模型分析容易忽略不同行业三合一场所的差异性，无法有效识别具有不同特征的三合一场所。
4.由此可知，现有的三合一场所的识别方法无法精确且有效的识别出三合一场所。


技术实现要素：

5.有鉴于此，本发明实施例提供一种三合一场所识别方法、识别模型的构建方法及相关设备，以解决现有无法精确且有效的识别出三合一场所的问题。
6.为实现上述目的，本发明实施例提供如下技术方案：
7.本发明实施例第一方面公开了一种三合一场所识别方法，所述方法包括：
8.获取待识别的三合一场所的生活能源使用数据、信令数据和网络消费数据；
9.提取所述生活能源使用数据、信令数据和网络消费数据的特征向量，并将所述特征向量输入三合一场所识别模型，所述三合一场所识别模型为利用数据拥有方采集的具有时空属性的样本数据进行时空联邦学习构建的模型；
10.利用所述三合一场所识别模型对所述特征向量进行识别，得到所述待识别的三合一场所对应的风险分数；
11.若所述风险分数大于预设风险分数，确定所述待识别的三合一场所存在安全隐患。
12.可选的，所述提取所述生活能源使用数据、信令数据和网络消费数据的特征向量，并将所述特征向量输入所述三合一场所识别模型，包括：
13.将所述生活能源使用数据通过transformer模型，转化为生活特征向量；
14.利用卷积神经网络cnn和循环神经网络rnn将所述信令数据转换为信令特征向量；
15.获取所述网络消费数据中的地址信息，分析所述地址信息下的消费数据，基于所述消费数据构造对应的消费特征向量；
16.特征融合所述生活特征向量、所述信令特征向量和所述消费特征向量，将得到的融合特征输入所述三合一场所识别模型。
17.可选的，所述方法还包括：
18.发送报警提示信息，用于提示存在安全隐患的所述待识别的三合一场所。
19.本发明实施例第二方面公开了一种三合一场所识别模型的构建方法，所述方法包括：
20.提取联合训练三合一场所识别模型的数据拥有方各自收集的样本数据对应的特征向量，所述样本数据包括生活能源使用数据、信令数据和网络消费数据；
21.基于联邦学习将所述特征向量进行特征融合并存储，得到三合一场所对应的数据集；
22.获取各个所述数据拥有方反馈的梯度更新参数，所述梯度更新参数由各个所述数据拥有方基于所述数据集进行时空联邦学习训练得到；
23.基于所述梯度更新参数对初始多任务识别模型进行更新，得到三合一场所识别模型，所述初始多任务识别模型基于各个所述数据拥有方上传的初始梯度参数构建，所述三合一场所识别模型的输入为特征数据，输出为风险分数。
24.可选的，所述提取联合训练三合一场所识别模型的数据拥有方各自收集的样本数据对应的特征向量，包括：
25.获取当前联合训练三合一场所识别模型的数据拥有方各自在采样周期内收集的样本数据；
26.若所述样本数据为生活能源使用数据，将所述生活能源使用数据通过transformer模型，转化为生活能源特征向量；
27.若所述样本数据为信令数据，利用卷积神经网络cnn和循环神经网络rnn将所述信令数据转换为信令特征向量；
28.若所述样本数据为网络消费数据，获取所述网络消费数据中的地址信息，并分析所述地址信息下的消费数据，基于所述消费数据构造对应的消费特征向量。
29.可选的，所述基于所述梯度更新参数对初始多任务识别模型进行更新，直至得到三合一场所识别模型，包括：
30.聚合所述梯度更新参数，得到新梯度；
31.基于所述新梯度对初始多任务识别模型进行更新，并将更新后的多任务识别模型反馈至各个所述数据拥有方，由所述各个数据拥有方更新本地模型。
32.本发明实施例第三方面公开了一种三合一场所识别装置，所述装置包括：
33.根据本发明实施例第二方面公开的三合一场所识别模型的构建方法构建的三合一场所识别模型；
34.特征获取模块，用于获取待识别的三合一场所的生活能源使用数据、信令数据和网络消费数据，以及提取所述生活能源使用数据、信令数据和网络消费数据的特征向量，并将所述特征向量输入所述三合一场所识别模型；
35.所述三合一场所识别模型，用于对输入的特征向量进行识别，得到所述待识别的三合一场所对应的风险分数；
36.确定模块，用于若所述风险分数大于预设风险分数，确定所述待识别的三合一场所存在安全隐患。
37.本发明实施例第四方面公开了一种三合一场所识别模型的构建装置，所述装置包括：
38.提取模块，用于提取联合训练三合一场所识别模型的数据拥有方各自收集的样本数据对应的特征向量，所述样本数据包括生活能源使用数据、信令数据和网络消费数据；
39.融合模块，用于基于联邦学习将所述特征向量进行特征融合并存储，得到三合一场所对应的数据集；
40.训练模块，用于获取各个所述数据拥有方反馈的梯度更新参数，所述梯度更新参数由各个所述数据拥有方基于所述数据集进行时空联邦学习训练得到；
41.更新模块，用于基于所述梯度更新参数对初始多任务识别模型进行更新，得到三合一场所识别模型，所述初始多任务识别模型基于各个所述数据拥有方上传的初始梯度参数构建，所述三合一场所识别模型的输入为特征数据，输出为风险分数。
42.本发明实施例第五方面公开了一种电子设备，包括处理器和存储器；
43.所述存储器，用于存储计算机程序；
44.所述处理器，用于调用并执行所述存储器中存储的计算机程序时，实现如本发明实施例第一方面公开的三合一场所识别方法，或者实现如本发明实施例第二方面公开的三合一场所识别模型的构建方法。
45.本发明实施例第六方面公开了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如本发明实施例第一方面公开的三合一场所识别模型的识别方法，或者实现如本发明实施例第二方面公开的三合一场所识别模型的构建方法。
46.上述本发明实施例提供的一种三合一场所识别方法、识别模型的构建方法及相关设备具体有如下优点或有益效果：获取待识别的三合一场所的生活能源使用数据、信令数据和网络消费数据；提取上述各类数据的特征向量，并将特征向量输入三合一场所识别模型进行识别，得到待识别的三合一场所对应的风险分数，三合一场所识别模型为利用数据拥有方采集的具有时空属性的样本数据进行时空联邦和元学习构建的模型；若风险分数大于预设风险分数，确定待识别的三合一场所存在安全隐患。在本方案中，充分考虑不同行业三合一场所的数据差异性，以及三合一场所的数据时空属性特点，在时空联邦和元学习的技术框架下，基于预先根据不同行业三合一场所的生活能源使用数据、信令数据和网络消费数据构建统一的识别模型进行特征识别，从而实现精确且有效的确定存在安全隐患的三合一场所。
附图说明
47.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。
48.图1为本发明实施例公开的一种三合一场所识别模型的构建系统的结构示意图；
49.图2为本发明实施例公开的对各个数据拥有方收集到的数据进行特征提取的示意图；
50.图3为本发明实施例公开的时空联邦元学习训练框架；
51.图4为本发明实施例公开的一种三合一场所识别模型的构建方法的流程示意图；
52.图5为本发明实施例公开的一种三合一场所的识别方法的流程示意图；
53.图6为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
54.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。
55.在本技术中，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。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
56.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。
57.以下为本发明实施例中使用到的专业技术术语：
58.联邦学习，又名联邦机器学习，联合学习，联盟学习。联邦机器学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。
59.元学习：指通过学习一系列相似任务，归纳出这些任务的本质规律。当面对全新的任务时，可以根据学得的规律，做微调，便可快速适应。
60.由背景技术可知，现有的三合一场所的识别方式，主要是通过电力监测设备分析场所用电特征，分析数据较为单一，且进行分析的模型未考虑不同行业三合一场所之间的差异性，导致出现无法有效且精确识别出具有不同特征的三合一场所。
61.因此，本发明实施例公开了一种三合一场所识别方法、识别模型的构建方法及相关设备，充分考虑不同行业三合一场所的数据差异性，以及三合一场所的数据时空属性特点，在时空联邦和元学习的技术框架下，根据不同行业三合一场所的生活能源使用数据、信令数据和网络消费数据构建统一的识别模型进行特征识别，从而实现精确且有效的确定存在安全隐患的三合一场所。具体通过以下实施例进行详细说明。
62.如图1所示，为本发明实施例公开的一种三合一场所识别模型的构建系统的结构示意图，主要包括：服务端11和数据拥有方。
63.该数据拥有方部署于需要采集数据的数据方本地，包括但不限于设置于政府部门的终端12，设置于通讯运营方的终端13和设置于互联网公司的终端14。
64.该政府部门包括但不限于电力部门、水利部门和天然气部门，还可以涉及其他民生部门。
65.该通讯运营方包括联通、移动和电信。
66.因为，数据拥有方之间的数据互相保密，因此，通过联邦机器学习搭建数据处理框
架，在保护各个数据拥有方各自的隐私的同时进行数据使用和机器学习建模，得到三合一场所识别模型。
67.终端12用于收集并记录用户每天的用水、用电和用气等数据。通过对用户用水、用电和用气等数据进行分析得到该用户在某一时段是否发生异常用水、用电和用气等情况；或者通过分析某一区域内的用水、用电和用气等数据可以确定该区域的类型。
68.例如，单位面积内单一功能的商业区和住宅区的用水、用电和用气等数据上会存在明显不同；三合一场所与单一功能的场所在用水、用电和用气等数据上也会存在不同。
69.终端13用于记录用户的通信数据。该通信数据为具有时间和空间属性的信令数据。通过对某一时段某一区域内的信令数据进行分析可以得到该区域内的人口活跃情况以及该区域的特点。
70.同样，单一功能的商业区和住宅区，以及三合一场所的通信数据因为场所不同，人流量也不同会存在不同。
71.终端14用于记录用户基于互联网执行相应操作时产生的网络消费数据。该网络消费数据包括但不限于基于互联网产生的消费数据。例如，用户进行网购时产生的网购数据，例如商户发货时产生的快递数据。通过分析某一地址下的网络消费数据可以得到该地址所在区域的特点。
72.同样，单一功能的商业区和住宅区、以及三合一场所在消费数据上也会有所不同。
73.在本发明实施例中，以n个确定行业类型的三合一场所为样本场所，服务端11利用终端12、终端13和终端14分别获取n个三合一场所的各自对应的数据。并在时空联邦和元学习的技术框架下构建三合一场所识别模型。n的取值为大于1的正整数。
74.首先，针对每一三合一场所，对来自于不同的数据拥有方的数据进行特征提取，得到对应的特征向量。
75.如图2示出的对各个数据拥有方收集到的数据进行特征提取的示意图。
76.其中，将终端11采集的每天各小时的用水用电用气(煤气燃气)等数据作为输入数据输入transformer(自然语言处理)模型，通过transformer模型将上述数据转化为对应的特征向量x1。该特征向量中不仅包含每天各个小时用水、用电、用气的基本统计情况，还包含一天间用水、用电、用气的关联趋势特征。
77.将终端12采集到的信令数据，先利用卷积神经网络(convolutional neural networks，cnn)将24小时内各个时段的信令数据转化为特征向量，再将这些特征向量作为循环神经网络(recurrent neural network，rnn)的输入向量，经过rnn提取时段与时段之间的关系，最终得到代表一天24小时该场所的人口活跃度情况的特征向量x2。
78.基于终端13采集到的消费数据，分析在该场所所在地址下的消费情况。具体的，首先，通过对日用品消费周期、频次、正常周期内用量等数据进行分析转化，构造描述该地址下日常用品购买情况的特征向量；然后，通过对其他非日常用品的购买数据分析，得到该场所地址下非日常用品特征。将日常用品特征与非日常用品特征组合形成消费特征向量x3，用于描述该场所的消费信息。
79.然后，基于联邦学习技术将上述从多个不同数据拥有方提供的数据中提取的特征向量进行融合，以便于获取构造三合一场所监测所需的跨域融合特征。针对n个行业的三合一场所的跨域融合特征进行存储，得到每一行业类型的三合一场所对应的数据集。该数据
集包括支持数据集和查询数据集，该支持数据集为有标签数据集；查询数据集为无标签数据集。在具体任务中，用支持数据集学习的模型对查询数据进行分类。
80.在本发明实施例中，特征融合的方式包括但不限于：特征拼接、特征加和、特征点积等方式。
81.然后，基于上述n个不同行业的三合一场所对应的数据集，通过时空联邦元数据的方式下同分布在不同数据拥有方的特征向量进行元模型训练。
82.如图3所示，为本发明实施例公开的时空联邦元学习训练框架。
83.将n个行业不同的三合一场所分成不同的任务，例如，从事餐饮经营的三合一场所，从事蔬菜仓储的三合一场所等均作为一个分类任务。
84.对于每个分类任务，基于三个数据拥有方(客户端，相当于终端12、终端13和终端14)对应的数据集，例如图3行业1特征数据集对应的三个数据拥有方为政府、联通和京东。行业n特征数据集对应的三个数据拥有方为政府部门、信令数据方和互联网公司。
85.利用支持数据集进行本地梯度更新，并利用更新后的本地梯度进行本地计算，得到新的参数；利用查询数据集计算损失函数和新的梯度，并将新的梯度传至服务端11，对联合训练的三合一场所识别模型进行梯度聚合和梯度更新。
86.具体如公式(1)所示：
[0087][0088]
其中，α为学习率；为梯度；θ为参数；为损失函数，每个任务有一个损失；e为平均含义，多个任务的损失求期望；t指不同的任务；γ指任务集。
[0089]
在上述每个分类任务均完成的情况下，得到训练后的三合一场所识别模型，该三合一场所识别模型用于计算未知场所的三合一场所风险分数。
[0090]
基于上述本发明实施例公开的三合一场所识别模型的构建系统，本发明实施例还公开了一种三合一场所识别模型的构建方法，针对不同行业的三合一场所构建对应的三合一场所识别模型，该方法适用于上述图1公开的服务端11，如图4所示，该方法主要包括如下步骤：
[0091]
s401：提取联合训练三合一场所识别模型的数据拥有方各自收集的样本数据对应的特征向量。
[0092]
在s401中，所述样本数据包括生活能源使用数据、信令数据和网络消费数据。
[0093]
具体的，生活能源使用数据包括但不限于用水数据、用电数据和用气数据。
[0094]
网络消费数据包括但不限于消费数据。
[0095]
在具体实现s401的过程中，可参见图2示出的对各个数据拥有方收集到的数据进行特征提取的示意图。
[0096]
首选，获取当前联合训练三合一场所识别模型的数据拥有方各自在采样周期内收集的样本数据。
[0097]
其次，确认样本数据的类型。
[0098]
若所述样本数据为生活能源使用数据，将所述生活能源使用数据通过transformer模型，转化为生活特征向量。
[0099]
若所述样本数据为信令数据，利用cnn和rnn将所述信令数据转换为信令特征向
量。
[0100]
若所述样本数据为网络消费数据，获取所述网络消费数据中的地址信息，并分析所述地址信息下的消费数据，基于所述消费数据构造对应的消费特征向量。
[0101]
s402：基于联邦学习将所述特征向量进行特征融合并存储，得到三合一场所对应的数据集。
[0102]
在具体实现s402的过程中，可以采用：特征拼接、特征加和、特征点积等特征融合方式将特征向量进行融合，并进行存储，得到三合一场所对应的数据集。
[0103]
该数据集包括支持数据集和查询数据集。
[0104]
s403：获取各个所述数据拥有方反馈的梯度更新参数。
[0105]
在s403中，所述梯度更新参数由各个所述数据拥有方基于所述数据集进行时空联邦学习训练得到。
[0106]
具体的，各个所述数据拥有方利用支持数据集进行本地梯度更新，并利用更新后的本地梯度进行本地计算，得到新的参数；利用查询数据集计算损失函数和新的梯度。
[0107]
s404：基于所述梯度更新参数对初始多任务识别模型进行更新，得到三合一场所识别模型。
[0108]
在s404中，所述初始多任务识别模型基于各个所述数据拥有方上传的初始梯度参数构建。
[0109]
所述三合一场所识别模型的输入为特征数据，输出为风险分数。
[0110]
在具体实现s404的过程中，首先，聚合所述梯度更新参数，得到新梯度。
[0111]
然后，基于所述新梯度对初始多任务识别模型进行更新，并将更新后的多任务识别模型反馈至各个所述数据拥有方，由所述各个数据拥有方更新本地模型。
[0112]
基于本发明实施例公开的三合一场所识别模型的构建方法，充分考虑不同行业三合一场所的数据差异性，以及三合一场所的数据时空属性特点，在时空联邦和元学习的技术框架下，根据不同行业三合一场所的生活能源使用数据、信令数据和网络消费数据构建统一的识别模型，从而实现精确且有效的确定存在安全隐患的三合一场所。
[0113]
基于上述本发明实施例公开的三合一场所识别模型的构建方法，本发明实施例还对应公开了一种三合一场所识别模型的构建装置，所述装置主要包括：提取模块21，融合模块22、训练模块23和更新模块24。
[0114]
其中，提取模块21，用于提取联合训练三合一场所识别模型的数据拥有方各自收集的样本数据对应的特征向量，所述样本数据包括生活能源使用数据、信令数据和网络消费数据。
[0115]
融合模块22，用于基于联邦学习将所述特征向量进行特征融合并存储，得到三合一场所对应的数据集。
[0116]
训练模块23，用于获取各个所述数据拥有方反馈的梯度更新参数，所述梯度更新参数由各个所述数据拥有方基于所述数据集进行时空联邦学习训练得到。
[0117]
更新模块24，用于基于所述梯度更新参数对初始多任务识别模型进行更新，得到三合一场所识别模型，所述初始多任务识别模型基于各个所述数据拥有方上传的初始梯度参数构建，所述三合一场所识别模型的输入为特征数据，输出为风险分数。
[0118]
在一具体实施例中，该提取模块21，具体用于获取当前联合训练三合一场所识别
模型的数据拥有方各自在采样周期内收集的样本数据；若所述样本数据为生活能源使用数据，将所述生活能源使用数据通过transformer模型，转化为生活特征向量；若所述样本数据为信令数据，利用卷积神经网络cnn和循环神经网络rnn将所述信令数据转换为信令特征向量；若所述样本数据为网络消费数据，获取所述网络消费数据中的地址信息，并分析所述地址信息下的消费数据，基于所述消费数据构造对应的消费特征向量。
[0119]
在一具体实施例中，该更新模块24，具体用于聚合所述梯度更新参数，得到新梯度；基于所述新梯度对初始多任务识别模型进行更新，得到三合一场所识别模型，并将更新后的多任务识别模型反馈至各个所述数据拥有方，由所述各个数据拥有方更新本地模型。
[0120]
基于本发明实施例公开的三合一场所识别模型的构建装置，充分考虑不同行业三合一场所的数据差异性，以及三合一场所的数据时空属性特点，在时空联邦和元学习的技术框架下，根据不同行业三合一场所的生活能源使用数据、信令数据和网络消费数据构建统一的识别模型，从而实现精确且有效的确定存在安全隐患的三合一场所。
[0121]
基于上述本发明实施例公开的三合一场所识别模型的构建方法和构建模型构建的三合一场所识别模型，本发明实施例还公开了一种三合一场所识别方法，适用于上述实施例公开的三合一场所识别模型，如图5所示，该方法主要包括以下步骤：
[0122]
s501：获取待识别的三合一场所的生活能源使用数据、信令数据和网络消费数据。
[0123]
在s501中，该生活能源使用数据包括但不限于用水数据、用电数据和用气数据。
[0124]
网络消费数据包括但不限于消费数据。
[0125]
s502：提取所述生活能源使用数据、信令数据和网络消费数据的特征向量，并将所述特征向量输入所述三合一场所识别模型。
[0126]
在具体实现s502的过程中，可参见图2示出的对各个数据拥有方收集到的数据进行特征提取的示意图。
[0127]
首先，将所述生活能源使用数据通过transformer模型，转化为生活特征向量。
[0128]
然后，利用cnn和rnn将所述信令数据转换为信令特征向量。
[0129]
然后，获取所述网络消费数据中的地址信息，分析所述地址信息下的消费数据，基于所述消费数据构造对应的消费特征向量。
[0130]
最后，特征融合所述生活特征向量、所述信令特征向量和所述消费特征向量，将得到的融合特征输入所述三合一场所识别模型。
[0131]
s503：利用所述三合一场所识别模型对所述特征向量进行识别，得到所述待识别的三合一场所对应的风险分数。
[0132]
在s503中，该三合一场所识别模型是根据本发明实施例公开的构建方法和装置，在时空联邦和元学习的技术框架下，联合具有时间和空间属性的不同数据拥有方训练得到的。
[0133]
该三合一场所确定模块的输入为特征数据，输出为风险分数。这里的特征数据即为特征向量或者融合特征。
[0134]
s504：判断所述风险分数是否大于或等于预设风险分数，若是，则执行s505，若否，则返回s501执行下一次识别。
[0135]
s505：若所述风险分数大于预设风险分数，确定所述待识别的三合一场所存在安全隐患。
[0136]
在一实施例中，在确定所述待识别的三合一场所存在安全隐患之后，还可以生成报警提示信息，在当前系统上进行展示，或者发送至监控人员的终端设备上，用于提示存在安全隐患的所述待识别的三合一场所。
[0137]
基于本发明实施例公开的三合一场所识别方法，利用在时空联邦和元学习的技术框架下，根据不同行业三合一场所的生活能源使用数据、信令数据和网络消费数据构建的三合一场识别模型对待识别的场所进行识别，若该三合一场识别模型输出的风险分数大于或者等于预设风险分数，能够精确、及时且有效的发现当前待识别的三合一场所是否存在风险，帮助相关政府部门有效排安全隐患，保护居民财产和生命安全。
[0138]
基于上述本发明实施例公开的三合一场所识别方法，本发明实施例还公开了一种三合一场所识别装置，该装置包括：特征获取模块31、三合一场所确定模块32和确定模块33。
[0139]
该三合一场所确定模块32基于上述本发明实施例公开的三合一场所识别模型的构建方法构建。
[0140]
特征获取模块31，用于获取待识别的三合一场所的生活能源使用数据、信令数据和网络消费数据，以及提取所述生活能源使用数据、信令数据和网络消费数据的特征向量，并将所述特征向量输入所述三合一场所识别模型。
[0141]
所述三合一场所识别模型32，用于对输入的特征向量进行识别，得到所述待识别的三合一场所对应的风险分数。
[0142]
确定模块，用于若所述风险分数大于预设风险分数，确定所述待识别的三合一场所存在安全隐患。
[0143]
在一实施例中，该特征获取模块31，具体用于获取待识别的三合一场所的生活能源使用数据、信令数据和网络消费数据，将所述生活能源使用数据通过transformer模型，转化为生活特征向量；利用cnn和rnn将所述信令数据转换为信令特征向量；获取所述网络消费数据中的地址信息，分析所述地址信息下的消费数据，基于所述消费数据构造对应的消费特征向量；特征融合所述生活特征向量、所述信令特征向量和所述消费特征向量，将得到的融合特征输入所述三合一场所识别模型。
[0144]
在一实施例中，该三合一场所识别装置还包括：报警模块34。
[0145]
该报警模块34，用于生成并发送报警提示信息，该报警提示信息用于提示存在安全隐患的所述待识别的三合一场所。
[0146]
基于本发明实施例公开的三合一场所识别装置，利用在时空联邦和元学习的技术框架下，根据不同行业三合一场所的生活能源使用数据、信令数据和网络消费数据构建的三合一场识别模型对待识别的场所进行识别，若该三合一场识别模型输出的风险分数大于或者等于预设风险分数，能够精确、及时且有效的发现当前待识别的三合一场所是否存在风险，帮助相关政府部门有效排安全隐患，保护居民财产和生命安全。
[0147]
基于上述本公开实施例公开的三合一场所识别模型的构建装置和三合一场所识别装置，上述各个模块可以通过一种由处理器和存储器构成的硬件设备实现。具体为上述各个模块作为程序单元存储于存储器中，由处理器执行存储在存储器中的上述程序单元来实现线程控制。
[0148]
其中，处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置
一个或以上，通过调整内核参数来实现三合一场所识别模型的构建或者三合一场所的识别。
[0149]
本公开实施例提供了一种计算机存储介质，存储介质包括三合一场所识别模型的构建程序，其中，程序被处理器执行时实现前述本发明实施例公开的三合一场所识别模型的构建方法。
[0150]
本公开实施例提供了一种计算机存储介质，存储介质包括三合一场所的识别程序，其中，程序被处理器执行时实现前述本发明实施例公开的三合一场所识别方法。
[0151]
程序被处理器执行时实现前述本发明实施例公开的本公开实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述实施例公开的三合一场所识别模型的构建方法或者三合一场所的识别方法。
[0152]
本发明公开实施例提供了一种电子设备，如图6所示，为本发明公开实施例提供的一种电子设备的结构示意图。
[0153]
本发明公开实施例中的电子设备60可以是服务器、pc、pad、手机等。
[0154]
该电子设备60包括至少一个处理器601，以及与处理器连接的至少一个存储器602，以及总线603。
[0155]
处理器601、存储器602通过总线603完成相互间的通信。
[0156]
处理器601，用于执行存储器中存储的程序。
[0157]
存储器602，用于存储程序，该程序至少用于提取联合训练三合一场所识别模型的数据拥有方各自收集的样本数据对应的特征向量，所述样本数据包括生活能源使用数据、信令数据和网络消费数据；基于联邦学习将所述特征向量进行特征融合并存储，得到三合一场所对应的数据集；获取各个所述数据拥有方反馈的梯度更新参数，所述梯度更新参数由各个所述数据拥有方基于所述数据集进行时空联邦学习训练得到；基于所述梯度更新参数对初始多任务识别模型进行更新，得到三合一场所识别模型，所述初始多任务识别模型基于各个所述数据拥有方上传的初始梯度参数构建，所述三合一场所识别模型的输入为特征数据，输出为风险分数。
[0158]
或者，该程序至少用于获取待识别的三合一场所的生活能源使用数据、信令数据和网络消费数据；提取所述生活能源使用数据、信令数据和网络消费数据的特征向量，并将所述特征向量输入所述三合一场所识别模型；利用所述三合一场所识别模型对所述特征向量进行识别，得到所述待识别的三合一场所对应的风险分数；若所述风险分数大于预设风险分数，确定所述待识别的三合一场所存在安全隐患。
[0159]
在一个典型的配置中，设备包括一个或多个处理器(cpu)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
[0160]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
[0161]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除
可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0162]
本发明实施例还提供了一种计算机程序产品，当在电子设备上执行时，适于执行上述本发明实施例公开的三合一场所识别模型的构建方法或者三合一场所的识别方法。
[0163]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中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，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0164]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
[0165]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本公开。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。