本发明涉及机器学习，尤其涉及一种安防资源的动态调整方法、装置、设备和介质。
背景技术：
1、智能安防是传统安防系统的信息化升级，随着信息技术和无线通信技术的腾飞，社会对安全防控的智能需求更显迫切。其在集成的、高速双向通信网络的基础上，通过先进的传感和测量技术、先进的设备技术、先进的监控方法以及先进的报警控制系统，实现企业生产的可靠、安全、经济、高效、环境友好和使用安全的目标，为使用者提供智能化，自动化的监控和报警系统，实现企业生产的自动化安全管理。
2、在目前的智能安防应用中，各解决方案主要通过高清摄像头、感应器、传感器等进行数据采集，通过wifi/4g/5g网络实行生产区域的安全监控，由后台管理平台进行数据处理，针对违规或报警事件进行智能报警处理。然而，目前没有合理的安防资源的分配策略，容易导致资源浪费或者出现误报警、漏报警等情况，因此，如何实现对安防资源的合理分配成为亟待解决的问题。
技术实现思路
1、本发明实施例的目的是提供一种安防资源的动态调整方法、装置、设备和介质，其能够对安防系统的资源进行动态合理分配，智能调控安防系统的监控策略，提高系统的准确率和资源使用率。
2、为实现上述目的，本发明实施例提供了一种安防资源的动态调整方法，包括：
3、获取当前的监控数据，并根据所述当前的监控数据进行特征提取，得到输入特征；
4、将所述输入特征输入至预设的预测模型中进行计算，得到预测的行为数量和时间信息；其中，所述行为数量指的是安防系统所监控的行为的数量；
5、将所述输入特征、所述预测的行为数量和所述时间信息输入至预设的概率分类器中进行分类，得到对应的安防等级；其中，所述安防等级用于指示所述预测的行为数量发生的概率，所述概率越高，所述安防等级越高；
6、根据所述安防等级，对所述时间信息对应的资源调整周期内所投入的安防资源进行调整。
7、作为上述方案的改进，所述预设的预测模型是通过以下步骤训练得到的：
8、获取最近预设时间段内的历史监控数据和监控结果，作为样本数据；
9、根据所述样本数据进行特征提取，得到输入特征和目标特征；其中，所述目标特征包括行为数量和时间信息；
10、采用有监督的机器学习算法，将所述输入特征作为模型的输入值，将所述目标特征作为模型的输出值，进行模型训练，得到所述预测模型。
11、作为上述方案的改进，所述预设的概率分类器是通过以下步骤训练得到的：
12、统计所述样本数据对应的所有所述行为数量所发生的概率；
13、按照所述行为数量所发生的概率由低到高的顺序进行n分位划分，得到n个分类结果，分别对应n个由低到高的安防等级；其中，n＞1；
14、将所述输入特征和所述目标特征作为分类器的输入值，将所述n个安防等级作为分类器的输出值，进行分类器训练，得到所述概率分类器。
15、作为上述方案的改进，所述安防资源包括但不限于计算资源、存储资源和网络资源；
16、所述根据所述安防等级，对所述时间信息对应的资源调整周期内所投入的安防资源进行调整，包括：
17、根据所述安防等级，确定对应的安防资源分配比例；其中，所述安防等级越高，所述安防资源分配比例越大；
18、根据所述安防资源分配比例，对所述时间信息对应的资源调整周期内所投入的安防资源进行调整。
19、作为上述方案的改进，所述方法还包括：
20、获取在所述时间信息下实际发生的行为数量；
21、根据所述实际发生的行为数量和所述预测的行为数量，计算预测准确率；
22、根据所述预测准确率，判断所述预测模型和所述概率分类器的预测偏差是否大于预设的标准偏差；
23、当判定所述预测偏差大于所述预设的标准偏差时，重新获取最近预设时间段内的历史监控数据和监控结果作为样本数据，对所述预测模型和所述概率分类器进行重新训练。
24、作为上述方案的改进，所述根据所述预测准确率，判断所述预测模型和所述概率分类器的预测偏差是否大于预设的标准偏差，包括：
25、对已计算的前n1次的预测准确率进行求平均计算，得到第一平均值；
26、对已计算的前n2次的预测准确率进行求平均计算，得到第二平均值；其中，n2＞n1；
27、根据所述第一平均值和所述第二平均值，计算得到标准差；
28、当所述标准差大于预设的标准差阈值时，判定所述预测偏差大于所述预设的标准偏差。
29、作为上述方案的改进，所述输入特征包括监控区域、亮度指标、分布指标和监控行为模式。
30、本发明实施例还提供了一种安防资源的动态调整装置，包括：
31、特征提取模块，用于获取当前的监控数据，并根据所述当前的监控数据进行特征提取，得到输入特征；
32、预测模型计算模块，用于将所述输入特征输入至预设的预测模型中进行计算，得到预测的行为数量和时间信息；其中，所述行为数量指的是安防系统所监控的行为的数量；
33、概率分类器计算模块，用于将所述输入特征、所述预测的行为数量和所述时间信息输入至预设的概率分类器中进行分类，得到对应的安防等级；其中，所述安防等级用于指示所述预测的行为数量发生的概率，所述概率越高，所述安防等级越高；
34、安防资源调整模块，用于根据所述安防等级，对所述时间信息对应的资源调整周期内所投入的安防资源进行调整。
35、本发明实施例还提供了一种安防资源的动态调整设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的安防资源的动态调整方法。
36、本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的安防资源的动态调整方法。
37、与现有技术相比，本发明公开的安防资源的动态调整方法、装置、设备和介质，根据采集的监控数据预测得到预测的行为数量，并通过分类器确定预测的行为数量的发生概率进一步确定对应的安防等级，从而根据所述安防等级来对预测的时间信息对应的资源调整周期内所需投入的安防资源进行动态调整，提高了对安防资源分配的合理性，本发明弥补了现有智能安防系统中在区域监控上动态防御能力的不足，可以随着时间变化智能调整安防系统的监控策略，动态调整对不同区域不同时间的监控粒度和监控频次，进行实时重点的监控，提高了对安防资源的利用率和安防系统的监控准确率，节约了人力成本。
1.一种安防资源的动态调整方法，其特征在于，包括：
2.如权利要求1所述的安防资源的动态调整方法，其特征在于，所述预设的预测模型是通过以下步骤训练得到的：
3.如权利要求2所述的安防资源的动态调整方法，其特征在于，所述预设的概率分类器是通过以下步骤训练得到的：
4.如权利要求1所述的安防资源的动态调整方法，其特征在于，所述安防资源包括但不限于计算资源、存储资源和网络资源；
5.如权利要求1至4任一项所述的安防资源的动态调整方法，其特征在于，所述方法还包括：
6.如权利要求5所述的安防资源的动态调整方法，其特征在于，所述根据所述预测准确率，判断所述预测模型和所述概率分类器的预测偏差是否大于预设的标准偏差，包括：
7.如权利要求1至4任一项所述的安防资源的动态调整方法，其特征在于，所述输入特征包括监控区域、亮度指标、分布指标和监控行为模式。
8.一种安防资源的动态调整装置，其特征在于，包括：
9.一种安防资源的动态调整设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的安防资源的动态调整方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的安防资源的动态调整方法。
