（2）怎么收集？当前来看，可能要半人工，半自动。从将来看，物联网收集是必由之路。不依赖人，有即时性，数据鲜活，真实。
从技术到产品到商品，这是完全三种不同的阶段。
在该网络架构中， LoRa 网关是一个透明传输的中继， 连接终端设备和后端服务器 [7]。 网关与服务器间通过标 准 IP 连接， 终端设备采用单跳与一个或多个网关通信。 所 有节点与网关间均是双向通信， 终端与网关之间的通信是在 不同频率和数据传输速率基础上完成的， 数据速率的选择需 要在传输距离和消息时延之间权衡。 由于采用了扩频技术，不同传输速率的通信不会互相干扰。 物联网技术在消防领域的应用是指在消防预警现场， 采 用各种传感设备将现场采集的大量信息通过网络传输至消防 报警指挥中心。 指挥中心的管理人员可以通过这些信息对现 场进行救援力量、 救援装备及救援物资的部署 [8]。 指挥中心 是整个系统的决策中枢， 管理人员可以使用系统的所有功能， 主要包括以下几点 ： （1） 设备的管理和配置 ：每个前端节点均包含报警状态、 位置、电量、设备识别码等信息， 管理人员能够方便地对节点、 网关进行配置， 对系统容量进行扩展。 （2） 实时报警及通知 ： LoRa 低功耗的特点决定了其可 以长时间不停歇地工作， 从而实现实时报警， 通知方式包括 微信、 短信、 邮件、 电话报警等。 （3） 基于 GIS 的信息显示 ： 由于每个前端节点都可以配 置位置信息， 所以监控管理平台可以通过 GIS 系统实现地图 显示，可视性强。 为消防部门开展建筑日常管理、设施维护、 应急疏散提供便利 [9]。 （4） B/S 架构模式， 支持云或本地部署 ： B/S 架构无需 安装客户端， 方便快捷、 交互性强， 用户可以自行选择将 Web、 数据库等服务器部署在本地， 或者架设在云端。 基于 云平台的新型物联网运营模式比传统的本地部署拥有多优 势， 如信息加安全可靠、 投入成本低， 具有大的存储 容量、 强的计算能力等。 低廉的计算成本与灵活的配置能 力使云计算产业在蓬勃发展的同时也促进了其他相关产业的 进步 [10]。
通过物联网、大数据等信息化手段对检查人员与检查样本进行抽选，强化科学抽样、收集汇总与统计分析过程，增强抽取样本代表性，实现对检查人员选择的客观性与公平性，对抽样单位消防安全形势的准确分析与科学研判，进一步掌握相关行业与附近区域的防火安全特征，提高发现问题、预见火灾风险的能力。对分析后风险相对较高的行业或地区，通过“智慧消防”平台调整提高适当的抽选比例与频次，做到科学分析，精确抽查，不断加强对监督检查数据信息的高效利用，确实提高防火监督工作对火灾事故的预警与预控能力。
“智慧消防”在新兴产业领域的建设随着我国经济发展，国民收入增加，人们消费模式、生活方式发生巨大变化，娱乐、旅游业得到空前发展，民宿、房车营地成为新兴的人员密集场所; 另一方面，经济社会发展，“互联网 + ”、物联网、大数据、云计算广泛运用，生产经营、仓储物流、商业运营模式发生巨大变化。这其中，公共消防安全设施、消防管理滞后问题突出，使火灾防控面临新的问题和压力。比较有代表性的如近些年迅速崛起
的电商行业事故频发、受到社会广泛关注的养老服务行业消防安全问题，二者在防火监督业务工作中都具有各自的特殊性与复杂性，在现行规范与防火
监督模式下难以获取全面系统的相关信息，检查指导的针对性较弱。
对于新兴行业防火监督业务工作的有效开展，应充分利用“智慧消防”系统的多样性与灵活性，设计建立适用于不同具体的新兴行业物联网消防安全
系统。在电商物流中心中，重点考虑其大空间与火灾荷载大的防火特点，对火灾探测预警传感器的灵敏度、信息采集点分布等参数进行调整; 而对于养老
服务机构建筑，则需考虑老年人对信号反应滞后与疏散行动缓慢的特点，在报警响应时间及相关疏散设施完好畅通的监督方面提高要求。随着社会经济
的不断发展，未来还会面对多的新事物新情况，只有对症下药才能充分发挥“智慧消防”体系的巨大优势，凸显其在火灾预防与预警上的强大功能。
着力推动“智慧消防”标准化规范化进程我国目前“智慧消防”的建设与推广已取得了阶段性成果，一些防火监督检查信息共享与反馈平台已初步建立并投入运行，大大提高了防火检查的效率。但发展的过程中也发现，各地区经济社会条件差别巨大，地方消防安全问题与隐患各不相同，因此“智慧消防”建设水平参差不齐，标准不一，难以统筹管理。对此，可以借鉴美国的发展道路，首先从顶层设计层面科学论证，进一步具体丰富“一库三网”内
容与内涵，明确各领域、各阶段的重点技术突破方向。从我国“智慧消防”现状来看，除前文所说新型传感器的开发外，还应大力研发智能化程度高的、与“智慧消防”大数据分析与决策相适应的数据处理器与工作系统，建立符合我国国情的物联网行业标准，为整合各地区“智慧消防”平台，建立全国统一管理的信息处理决策系统打下坚实的行业规范基础。
基础工作未打牢。随着 城市不断的建设，为满足城市居民 的需求，现代建筑向多功能、大体 量发展，建筑结构复杂，同时，对于 消防基础设施的要求高。但是， 有些建筑消防管理人员消防安全 意识不强，不具备基础消防知识， 建筑内消防设施得不到及时维护 保养，导致在真正发生火灾时无法 发挥作用。 ( 3) 协同管理部门未发挥作 用。消防网格化工作需要依靠各 个部门协同配合才能形成长效工 作机制，真正消除火灾隐患。而某 些部门因重视不够，工作只是流于 形式，网格化工作难以落实到位， 导致农村、社区消防管理缺位、工 作滞后。 2 “智慧消防”发展现状 2. 1 “智慧消防”概念 “智慧消防”是“智慧城市”发展中不可或缺的一 环，目前我国已经在全国范围内确定试点城市，探索不 同的“智慧消防”发展模式。2016 年 6 月 28 日，公安 部消防局在湖北宜昌召开全国创新社会消防管理暨 2016 年防火监督工作会议，宜昌等地介绍了开展”智 慧消防“工作的经验。 “智慧消防”是借助移动计算、智能识别、虚拟仿 真、智能处理等现代通信技术，结合基础数字化地理信 息与城市建筑模型数据信息，通过数字通信技术和计 算机软件编程开发技术，建立数字化消防智能管理平 台，可智能采集、汇总、分析消防装备、应急预案、消防 水源、建筑固定消防设施等信息，实现对城市消防火灾 防控的检测、预警、处置、指挥协调等管理功能，从而提 高灭火救援战斗力和防火监督管理水平，进一步提升 城市防灾减灾救灾能力［6-8］。 2. 2 “智慧消防”管理模式 依托建模软件、虚拟仿真技术、城市定位系统等， 结合公安、住建等已有城市管理系统，细化各个建筑消 防设施细节，建立城市消防管理数据库，建成“智慧消 防”管理平台，优化传统消防管理模式。 ( 1) 按照“政府统一领导、部门依法监管、单位全 面负责、公民积参与”原则［9］，以“智慧消防”管理平 台为抓手，全面落实消防安全责任制，实现安全标准
（2）如何分析？我们有什么样的数据， 我们有什么样的分析技术，要建立什么样的数据分析模型，会得出什么样的分析结果……
提升消防管理规范性。消防网格化工作推进 过程中，各级网格员参与日常防火检查巡查、集中排查 整治、定期消防宣传等工作，细化目标，分解任务，定 人、定量、定单位全面开展消防工作，形成规范性管理 模式。 ( 3) 增强工作主动性。传统的消防管理模式只依 托于消防机构的消防监督检查人员，监管力量欠缺，无 法对辖区内消防安全做到全面掌控，而消防网格化建 立全新的消防监督工作模式，监管人员和社会单位从 被动应付问题到做到主动进行消防自查、发现问题及 时解决。 1. 3 传统消防网格化工作模式存在的问题 传统的消防网格化工作模式是由各级网格员或社 区内消防安全**对各类小场所、居民小区等进行 日常消防安全管理，消防机构指派监督执法人员进行 分片督促指导。这项工作开展以来，有效的消除了一 些长期火灾隐患，取得了一定的成果，但是大多数地区 在开展消防网格化工作过程中，主要还是依靠“人”的 力量，加之某些职能部门存在工作模式死板、流程僵 化、责任体系不完善的问题，使消防网格化的作用无法 发挥到较大，传统的监管模式还存在漏洞。 ( 1) 消防监督执法人员数量不足。基层消防大队 工作任务种类繁杂，业务能力强的消防执法人员少，各 地均会出现工作分配不合理、工作效率低等情况，导致 消防监督执法人员的业务水平和专业素质无法实现有 效提升，很难从根本上解决辖区内消防管理工作中的 问题。
实时掌握用电线路运行情况及存在的安全隐患，为整个用电安全管理水平提供新的技术和管理理念。同时利用无线组网传输方式，即使是在信号较弱的环境中，也可实现全覆盖。
或者应用程序占资源，进而能够满足各种 QoS( 服务 质量) 需求。 ( 3) 基于 Map /Ｒeduce 的并行计算。Map /Ｒeduce 是设计用来处理消防大数据的批量处理方法，具有性 价比高，持续可扩展和高吞吐量等特点。Map /Ｒeduce 是以批处理的模式来运算的，这种批处理模式在处理 离线数据时具有非常大的优势。 ( 4) 基于 Hive 的数据清洗。Hive 是 Hadoop 一个 的数据仓库框架，能够在 Hadoop 的分布式文件系统上 建立智慧消防数据仓库，来存储，组织和管理数据，并 为决策支持系统提供数据支持。 ( 5) 基于 HBase 的数据查询。HBase 是一个适合 于非结构化数据存储的数据库，可以实现大数据内容 的读写。HBase 支持范围查询，可以直接写入 Hadoop 处理后的数据。 2. 3. 2 Spark 关键技术应用 Spark 适合用来作需要多次迭代的计算，特别是消 防大数据挖掘和机器学习算法。Spark 立足于内存计 算，其性能和速度都优于 MapＲeduce，对于用户来说 易于使用，符合低延时、迭代计算的大数据应用。 其中用于处理特定场景定制四个 Spark 高层模 块: Spark SQL，MLlib，GraphX 和 Spark Streaming。这 四个模块基于 Spark ＲDD 进行了专门的封装和定制。 ①Spark SQL 用于分布式 SQL 查询的工作; ②MLlib 化 是分 布 式 机 器 学 习 库， 它 基 于 Spark 进 行 编 写; ③GraphX是一个负责对大规模图进行处理和计算的 模块; ④Spark Streaming 负责实时大数据的流式计算。 这四个模块可以无缝结合，互相配合。Spark 生态环 境，如图 1 所示。
地基之上，是中间层，包括前端智能消防产品、后端存储设备、显示屏供应商、系统集成商、运营服务商等。这一层赛道宽阔，热闹非凡，BAT将其视作关键要塞，是他们搭建生态系统的核心。
-/gjighh/-
http://www.xf-119.com
