CN106780050A - 受灾程度评估方法、系统及电子设备 - Google Patents
受灾程度评估方法、系统及电子设备 Download PDFInfo
- Publication number
- CN106780050A CN106780050A CN201611139066.4A CN201611139066A CN106780050A CN 106780050 A CN106780050 A CN 106780050A CN 201611139066 A CN201611139066 A CN 201611139066A CN 106780050 A CN106780050 A CN 106780050A
- Authority
- CN
- China
- Prior art keywords
- disaster
- data
- similar cases
- similarity
- impaired
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种受灾程度评估方法、系统及电子设备。该方法适用于以自然灾害为主因的灾害。所述方法包括:获取灾害的数据;根据相似度判断指标,选择至少一个相似案例;评估所述至少一个相似案例与所述灾害的至少一个相似度以获取每个相似案例的权重;以及通过加权综合评估模型,得到所述灾情评估结果。本公开提供的受灾程度评估方法,对受灾区域,进行多维立体的受损分析,提高了自然灾害后救援和重建效率。
Description
技术领域
本公开涉及数据分析技术领域,具体而言,涉及一种适用于自然灾害的受灾程度评估方法、系统及电子设备。
背景技术
灾害保险,是以财产本身以及与之有关的经济利益为保险标的的保险。保险者对所承保的财产负赔偿责任的范围有,因遇保险责任范围内的各种灾害而遭受的损失,进行施救或抢救而造成的损失以及相应支付的各种费用。依据所保风险的不同,灾害保险具体规定有不同的险别,如火灾保险、雹灾保险、地震保险、洪水保险等。在中国灾害保险中,中国政府习惯了扮演风险第一承担者的角色,但实际上在巨灾风险中,政府应该是风险的最后承担者,其前面应该有区域灾民、地方政府和商业保险公司、再保险、证券市场与国际再保险市场,作为防火墙。我国自然灾害以洪涝、地震、台风和干旱为主;重大事故以火灾爆炸、交通事故、踩踏事故为主。面对无可避免的自然灾害,对于受灾地区民众来讲,进行保险理赔可以为受灾地区提供资金保障,尽量降低自然灾害的发生对受灾地区人民生活造成的影响。
对于保险公司来讲,巨灾保险赔付具有的查勘难度大、定损难度大以及责任认定难度大等特点,导致巨灾保险理赔具备一定困难。特别是随着高科技的迅猛发展,使得企业和个人的财产构成科技含量增加,标的物价值构成就发生了很大的变化,从而给理赔定损工作带来一些新情况、新问题。在传统的自然灾害保险理赔流程中,保险公司通常在自然灾害发生后,根据当地政府发布的报告对该自然灾害的受灾范围、受灾程度等进行评估定损,从而启动理赔程序。由于自然灾害发生范围的广泛性,通常需要保险公司花费大量人力成本以及时间成本用于受灾程度的评估,降低了理赔效率。
因此,需要一种新的受灾程度评估方法、系统及电子设备。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种以数据挖掘、数据分析技术为基础的受灾程度评估方法、系统及电子设备,用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或多个问题。
根据本公开的一方面,提供一种受灾程度评估方法,适用于以自然灾害为主因的险种,上述方法包括:获取灾害的数据;根据相似度判断指标,选择至少一个相似案例;评估至少一个相似案例与灾害的至少一个相似度以获取每个相似案例的权重;以及通过加权综合评估模型,得到灾情评估结果。
在本公开的一种示例性实施例中,获取灾害数据,包括:获取历史案例数据;获取受损分析数据;以及通过辅助数据库获取辅助数据。
在本公开的一种示例性实施例中,根据相似度判断指标,选择相似案例,包括根据以下方法中的至少一种选择相似案例:根据欧氏距离的相似度模型,选择相似案例;根据标准化欧氏距离的相似度模型,选择相似案例;根据曼哈顿距离的相似度模型,选择相似案例;以及根据夹角余弦的相似度模型,选择相似案例。
在本公开的一种示例性实施例中,评估相似案例与灾害的相似度,包括:根据相似度指标的数值进行排序;以及通过排序确定与排序相对应的相似案例的权重。
在本公开的一种示例性实施例中,历史案例数据包括遥感数据;受损分析数据包括受灾范围、受损建筑、受损农田、受灾人数、附属设施的数据;以及辅助数据包括地理分布、人口分布、产业分布的数据。
在本公开的一种示例性实施例中,还包括:根据灾害的数据对受灾范围进行分析,并生成受损可视图。
在本公开的一种示例性实施例中,还包括:记录灾情实际数据,为事后分析提供辅助决策。
根据本公开的一方面,提供一种受灾程度评估系统,适用于以自然灾害为主因的险种,上述系统包括:数据获取模块,用于获取灾害数据;相似案例选择模块,用于根据相似度判断指标,选择至少一个相似案例;评估模块,用于评估至少一个相似案例与灾害的至少一个相似度以获取每个相似案例的权重;以及加权模块,用于通过加权综合评估模型,得到灾情评估结果。
在本公开的一种示例性实施例中,还包括:可视图模块,用于根据灾害数据对受灾范围进行分析,并生成受损可视图。
根据本公开的一方面,提供一种电子设备,包括:处理器;存储器,存储用于处理器控制如上述方法说明中任意一项所描述的操作的指令。
根据一些实施例,本公开提供的受灾程度评估方法、系统及电子设备,通过利用灾情数据和遥感数据获取受灾地区数据,结合北斗卫星的定位导航功能,在灾害发生后及时分析受损情况和趋势变化数据,对受灾区域,进行多维立体的受损分析。
根据另一些实施例,本公开提供的受灾程度评估方法、系统及电子设备,能够使得查勘员、定损/核损员实时获取受损情况,并辅助定损员进行初步受损评估。提高了自然灾害后救援和重建的效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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,还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中一种受灾程度评估方法的流程图。
图2示意性示出本公开示例性实施例中一种受损可视图的示意图。
图3示意性示出本公开示例性实施例中一种受损热力图的示意图。
图4示意性示出本公开示例性实施例中一种LSA算法示意图。
图5示意性示出本公开示例性实施例中一种受灾程度评估系统框图。
图6示意性示出本公开示例性实施例中一种数据来源示意图。
图7示意性示出本公开示例性实施例中一种受灾程度评估系统框图。
图8示意性示出本公开示例性实施例中一种电子设备框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
下面参考附图对本公开示例实施方式做进一步说明。图1是本公开示例实施例中受灾程度评估方法流程图。
参考图1,在S102中,获取灾害的数据。
在本实施例中,自然灾害包括大风、暴雨、暴雪、寒潮、沙尘暴、泥石流、霜冻、干旱、冰雹、火灾、地震中的一种或多种。在自然灾害发生后,首先可以通过获取自然灾害发生地区的数据了解地区受损情况,获取的灾害数据可例如包括,历史数据,卫星遥感数据,也可以包括灾情数据、GIS数据、人口分布数据、产业分布数据、气候数据、不动产数据、地质数据、天文数据、历史灾害数据、相关灾害数据中的一种或多种,获取的数据还可例如,包括地理分布、人口分布、产业分布等信息,通过上述各种灾害数据,再结合工商、气象、交通、农业、林业、房管等业务部门数据获得综合的灾害数据。本发明不限于此。
在S104中,根据相似度判断指标,选择至少一个相似案例。
可例如,基于相似度的评估方法,获取相似度指标,根据相似度指标,在上文所述的历史数据中,评估已有的案例与当前案例的相似度,选择一个或多个相似的案例,进行后续分析。相似度算法可例如:基于欧氏距离(Euclidean Distance)的相似度模型、基于标准化欧氏距离(Standardized Euclidean distance)的相似度模型、基于曼哈顿距离(Manhattan Distance)的相似度模型和基于夹角余弦(Cosine)的相似度模型。相似度判断指标可例如:受灾范围、受损建筑、受损农田、受灾人数、附属设施等数据。
在S106中,评估至少一个相似案例与灾害的至少一个相似度以获取每个相似案例的权重。
如上文所述,可例如,在已经选出的相似案例中,根据历史案例与当前案例的相似度,确定每个相似案例的权重。相似案例的判断也可例如,基于人工的经验值判断得到相似案例的权重,本发明不限于此。
在S108中,通过加权综合评估模型,得到灾情评估结果。
通过上文所述的相似案例,建立综合加权评估模型,综合分析灾情的数据,通过对历史数据的分析,得到对当前数据的分析结果。
根据本发明实时例的受灾程度评估方法,通过历史灾情数据和遥感数据,结合北斗卫星的定位导航功能,在灾害发生后及时分析受损情况和趋势变化数据,能够对受灾区域,进行多维立体的受损分析。
在本公开的一种示例性实施例中,获取灾害数据,包括:获取历史案例数据;获取受损分析数据;以及通过辅助数据库获取数据。
在本发明的实施例中,历史案例数据可例如,包括历史案例灾情数据,数据内容包括卫星遥感数据,也可以包括灾情数据、GIS数据、人口分布数据、产业分布数据、气候数据、不动产数据、地质数据、天文数据、历史灾害数据、相关灾害数据,本发明不限于此。受损分析数据,可例如,包括受损标的、受损范围、受损人员、附属设施等。辅助数据可例如,为地理分布、人口分布、产业分布等信息,结合工商、气象、交通、农业、林业、房管等业务部门数据。
根据本发明实时例的受灾程度评估方法,通过灾害数据中获取的遥感数据,能够使得查勘员、定损/核损员实时获取受损情况,从而辅助定损员进行初步受损评估。
在本公开的一种示例性实施例中,根据相似度判断指标,选择相似案例,包括根据以下方法中的至少一种选择相似案例:根据欧氏距离的相似度模型,选择相似案例;根据标准化欧氏距离的相似度模型,选择相似案例;根据曼哈顿距离的相似度模型,选择相似案例;以及根据夹角余弦的相似度模型,选择相似案例。
在数据分析和数据挖掘的过程中,经常需要知道个体间差异的大小,进而评价个体的相似性和类别。在进行数据间相似度度量的时候,主要有下文中介绍的几种方法。为了方便下面的解释和举例,先设定要比较X个体和Y个体间的差异,它们都包含了N个维的特征,即X=(x1,x2,x3,...xn),Y=(y1,y2,y3,...yn)。
欧氏距离是最常见的距离度量,衡量的是多维空间中各个点之间的绝对距离。公式如下:
因为计算是基于各维度特征的绝对数值,所以欧氏度量需要保证各维度指标在相同的刻度级别,比如对身高(cm)和体重(kg)两个单位不同的指标使用欧式距离可能使结果失效。
标准化欧氏距离是针对简单欧氏距离的缺点而作的一种改进方案。标准欧氏距离的思路:将数据各维分量都“标准化”到均值、方差相等。经过简单的推导就可以得到两个n维向量间的标准化欧氏距离的公式如下:
其中,s为标准差。
明氏距离是欧氏距离的推广,是对多个距离度量公式的概括性的表述。公式如下:
在上文的公式中,p值是一个变量,当p=2的时候就得到了上面的欧氏距离。
曼哈顿距离来源于城市区块距离,是将多个维度上的距离进行求和后的结果,即当上面的明氏距离中p=1时得到的距离度量公式,如下:
余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比距离度量,余弦相似度更加注重两个向量在方向上的差异,而非距离或长度上。公式如下:
根据欧氏距离和余弦相似度各自的计算方式和衡量特征,分别适用于不同的数据分析模型:欧氏距离能够体现个体数值特征的绝对差异,所以更多的用于需要从维度的数值大小中体现差异的分析,如使用用户行为指标分析用户价值的相似度或差异;而余弦相似度更多的是从方向上区分差异,而对绝对的数值不敏感,更多的用于使用用户对内容评分来区分用户兴趣的相似度和差异,同时修正了用户间可能存在的度量标准不统一的问题。
在本公开的一种示例性实施例中,评估相似案例与灾害的相似度,包括:根据相似度指标的数值进行排序;以及通过排序确定与排序相对应的相似案例的权重。
在本公开的一种示例性实施例中,历史案例数据包括遥感数据;受损分析数据包括受灾范围、受损建筑、受损农田、受灾人数、附属设施;以及辅助数据包括地理分布、人口分布、产业分布。
在本公开的一种示例性实施例中,还包括:根据灾害数据对受灾范围进行分析,并生成受损可视图。
在本公开的一种示例性实施例中,还包括根据所述数据生成受损可视图。图2是本公开示例实施方式中一种受损可视图的示意图。参考图2,通过综合灾害指数产品依据多维度的灾害数据和专家意见,以可视化的形式展示各个地区的系统性风险。相关指数依据不同时间跨度的统计分析,风险高低的水平,由多因子加权得到。上述因子可以包含区域内的行业风险、灾害风险、气象气候等。还可以构建网络图谱,通过某一节点爆发的风险,推断网络中的其他关联节点的风险变化情况。进一步的,所述受损可视图可以包括受损热力图。图3是本公开一种受损热力图的示意图。根据一些实施例,所述受损可视图可以基于SVG渲染生成。
在本公开的一种示例性实施例中,还包括:记录灾情实际数据,为事后分析提供辅助决策。可例如,存储所述阶段受损评估的结果和所述定损评估的结果作为基础数据。利用线上定损的流程轨迹,记录定损过程数据,并对该类数据进行聚类挖掘,按灾种、受灾区域、理赔金额、理赔范围、投保人数等维度进行统计分析,为保险公司事后分析提供辅助决策,为其优化险种、费率、保额等工作提供数据参考。
在本公开一种示例实施方式中,在定损核损过程中,还可以包括提交承保标的清单材料,以便于定损、核损人员结合材料与保险责任条约进行核实,并与客户及时沟通。灾害发生后,保单客户可以依据承保清单列表报送相关材料,定损核损人员可以依据保险责任条约进行评审。同时,根据现场比对反馈的受灾情况,实时向保单客户更新核损进展。
此外,还可以提供支持按理赔时间、理赔案件等查询理赔案件及进度服务,使保单客户可以自行查询理赔进展情况。
在本公开一种示例实施方式中,还包括存储所述阶段受损评估的结果和所述定损评估的结果作为基础数据。利用线上定损的流程轨迹,记录定损过程数据,并对该类数据进行聚类挖掘,按灾种、受灾区域、理赔金额、理赔范围、投保人数等维度进行统计分析,为保险公司事后分析提供辅助决策,为其优化险种、费率、保额等工作提供数据参考。
此外,本公开示例实施例还可以包括将灾害信息第一时间发布并推送到目标客户。在发布以及推送过程中,可以针对信息的分类采用TF-IDF(term frequency–inversedocument frequency)的技术进行分类与聚类的预处理和向量化。
TF-IDF是一种用于信息搜索和信息挖掘的常用加权技术,在搜索、文献分类和其他相关领域有广泛的应用。TF-IDF的主要思想是,如果某个词或短语在一条消息中出现的频率TF高,并且在其他文章中很少出现,则认为此词或者短语具有很好的类别区分能力,适合用来分类。TF词频(Term Frequency)指的是某一个给定的词语在该消息中出现的次数。IDF反文档频率(Inverse Document Frequency)的主要思想是:如果包含词条的消息越少,IDF越大,则说明词条具有很好的类别区分能力。
Word2vector近义词提取算法可以用于对用户进行分类。该算法是神经网络在文本挖掘领域的一大突破,既可以通过词的上下文关联相似度衡量词汇间的相似程度,亦可以根据共现概率提取词组、短语,在本系统中主要用它来针对不同的语料库提取近义词词库。除此之外,还有LSA(Latent Semantic Analysis),LDA(Latent DirichletAllocation)等算法可以用于支撑消息的分类。
聚类算法一般分为分割和分层两种。分割聚类算法通过优化评价函数把数据集分割为K个部分,需要K作为输入参数。典型的分割聚类算法有K-means算法,K-medoids算法、CLARANS算法。分层聚类由不同层次的分割聚类组成,层次之间的分割具有嵌套的关系。它不需要输入参数,这是它优于分割聚类算法的一个明显的优点,其缺点是终止条件必须具体指定。典型的分层聚类算法有BIRCH算法、DBSCAN算法和CURE算法等。
下述为本发明系统实施例,可以用于执行本发明方法实施例。在下文对系统的描述中,与前述方法相同的部分,将不再赘述。
图5是根据一示例性实施例示出的受灾程度评估系统框图。该系统可用于如图1所示的受灾程度评估方法,但是本发明不限于此。
如图5所示,数据获取模块502用于获取灾害数据。
相似案例选择模块504用于根据相似度判断指标,选择至少一个相似案例。
评估模块506用于评估至少一个相似案例与灾害的至少一个相似度以获取每个相似案例的权重。
加权模块508用于通过加权综合评估模型,得到灾情评估结果。
可视图模块510用于根据灾害数据对受灾范围进行分析,并生成受损可视图。
图6是本公开示例性实施例中数据获取模块502的数据来源示意图。参考图6,数据来源可以为定制数据库、国家自然灾害灾情数据库、法人单位基础数据库、人口基础信息库、宏观经济信息库以及国家自然资源和地理空间基础信息库中的一个或多个。在一些实施例中,上述数据来源也可以为在灾害信息的基础上,叠加地理分布、人口分布、产业分布等信息,结合工商、气象、交通、农业、林业、房管等业务部门数据。
此外,获取自然灾害发生地区的数据还可以包括持续获取自然灾害发生地区的数据,用以更新受灾数据,使相关人员及时了解受灾地区受灾情况。
根据一些实施例,获取数据的过程可以包括数据汇集、数据处理、数据服务三个阶段。
在数据汇集阶段,可以从各个数据来源单位获取地理信息数据、气象数据、遥感数据、社会经济数据和其他数据资源,例如民政部国家减灾中心可以从各级民政部门获取自然灾害灾情数据,并基于这些原始灾情数据在减灾中心进行整合,形成一级灾情信息产品,将此产品作为数据资源汇集到其他各类数据资源中,形成多源综合数据资源。
在数据处理阶段,可以在获取的各类数据资源基础上,通过进行数据清洗、数据挖掘、数据整理、数据产品制作等动作对数据进行处理。保险的业务流程主要可以包括调度、查勘、定损、核损、核价、单证收集、理算、结案等,在一些实施例中,还可以包括影像系统,用于处理各种灾害事故照片、费用票据、保险单身份证等凭证。由于数据使用者的业务方向与数据来源不可能完全契合,就会导致围绕业务开发的算法分析如果直接应用在来源数据上,则会产生效果模糊或无效运算量过大导致效率偏低等后果。因此,在实际应用数据挖掘算法之前,还需要针对业务需求进行数据整理。
特征工程是针对特征的数据预处理,特征提取与特征选择是特征工程中最重要的两大领域,其中特征提取是指从目标数据中抽象可区分维度的过程,而特征选择则是指如何从候选特征集中找到最具区分度的特征集。
在数据服务阶段,可以通过对授权用户共享数据形成对外开放的受灾程度评估信息服务。上述授权用户可以指具有使用上述数据权限的其他信息系统。
图7是本公开示例性实施方式中一种受灾程度评估系统示意图。参考图7,保险理赔系统的数据来源可以包括多个数据库,例如可以包括灾害信息数据库、地理分布数据库、人口分布数据库、产业分布数据库以及政府业务部门数据库中的一个或多个。相应的,在数据获取模块获取上述数据库的信息后,数据分析模块可以提供多个功能组件,用以实现数据分析功能。上述功能组件可以包括数据分析组件、地图标注组件、定损核损组件、统计分析组件以及后台管理组件中的一个或多个组件。数据处理模块可以根据上述功能组件提供的功能,为使用者提供多种功能模块。功能模块的功能可以包括提供受损热力图、受损标的评估、定损资料报送及评审、理赔统计分析以及理赔查询等。本公开保险理赔定损系统面向的使用者可以包括定损员、核损员、保单客户、管理决策人员以及其他相关人员。
如图8所示,终端设备80可包括处理器810、存储器820、发射器830及接收器840。
存储器820可存储用于处理器810控制操作处理的指令。存储器820可包括易失性或非易失性存储器,如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)等,本发明对此没有限制。
处理器810可调用存储器820中存储的指令控制相关操作。根据一实施例,存储器820存储用于处理器810控制以下操作的指令:获取灾害的数据;根据相似度判断指标,选择至少一个相似案例;评估所述至少一个相似案例与所述灾害的至少一个相似度以获取每个相似案例的权重;以及通过加权综合评估模型,得到所述灾情评估结果。具体内容请参考上文所示的实施例,这里不再赘述。
通过以上的详细描述,本领域的技术人员易于理解,根据本发明实施例的受灾程度评估方法、系统以及电子设备具有以下优点中的一个或多个。
根据一些实施例,本公开提供的受灾程度评估方法,通过利用灾情数据和遥感数据获取受灾地区数据,结合北斗卫星的定位导航功能,在灾害发生后及时分析受损情况和趋势变化数据,对受灾区域,进行多维立体的受损分析。
根据一些实施例,本公开提供的受灾程度评估方法,能够使得查勘员、定损/核损员实时获取受损情况,并辅助定损员进行初步受损评估。提高了自然灾害后救援和重建的效率。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种受灾程度评估方法,适用于以自然灾害为主因的险种,其特征在于,所述方法包括:
获取灾害的数据;
根据相似度判断指标,选择至少一个相似案例;
评估所述至少一个相似案例与所述灾害的至少一个相似度以获取每个相似案例的权重;以及
通过加权综合评估模型,得到所述灾情的评估结果。
2.如权利要求1所述的方法,其特征在于,所述获取灾害的数据,包括:
获取历史案例数据;
获取受损分析数据;以及
通过辅助数据库获取辅助数据。
3.如权利要求1所述的方法,其特征在于,根据相似度判断指标,选择至少一个相似案例,包括根据以下方法中的至少一种选择相似案例:
根据欧氏距离的相似度模型,选择所述相似案例;
根据标准化欧氏距离的相似度模型,选择所述相似案例;
根据曼哈顿距离的相似度模型,选择所述相似案例;以及
根据夹角余弦的相似度模型,选择所述相似案例。
4.如权利要求1所述的方法,其特征在于,评估所述至少一个相似案例与所述灾害的至少一个相似度以获取每个相似案例的权重,包括:
根据所述相似度指标的数值进行排序;以及
通过所述排序确定与所述排序相对应的所述相似案例的权重。
5.如权利要求2所述的方法,其特征在于,
所述历史案例数据包括遥感数据;
所述受损分析数据包括受灾范围、受损建筑、受损农田、受灾人数、附属设施的数据;以及
所述辅助数据包括地理分布、人口分布、产业分布的数据。
6.如权利要求1所述的方法,其特征在于,还包括:
根据所述灾害的数据对受灾范围进行分析,并生成受损可视图。
7.如权利要求1所述的方法,其特征在于,还包括:
记录所述灾情实际数据,为事后分析提供辅助决策。
8.一种受灾程度评估系统,适用于以自然灾害为主因的险种,其特征在于,所述系统包括:
数据获取模块,用于获取灾害数据;
相似案例选择模块,用于根据相似度判断指标,选择至少一个相似案例;
评估模块,用于评估所述至少一个相似案例与所述灾害的至少一个相似度以获取每个相似案例的权重;以及
加权模块,用于通过加权综合评估模型,得到所述灾情评估结果。
9.如权利要求8所述的系统,其特征在于,还包括:
可视图模块,用于根据所述灾害的数据对受灾范围进行分析,并生成受损可视图。
10.一种电子设备,其特征在于,包括:
处理器;
存储器,存储用于所述处理器控制如权利要求1-7任意一项所述的操作的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611139066.4A CN106780050A (zh) | 2016-12-12 | 2016-12-12 | 受灾程度评估方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611139066.4A CN106780050A (zh) | 2016-12-12 | 2016-12-12 | 受灾程度评估方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106780050A true CN106780050A (zh) | 2017-05-31 |
Family
ID=58875564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611139066.4A Pending CN106780050A (zh) | 2016-12-12 | 2016-12-12 | 受灾程度评估方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780050A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451719A (zh) * | 2017-07-05 | 2017-12-08 | 北京辰安信息科技有限公司 | 灾区车辆调配方法和灾区车辆调配装置 |
CN107818450A (zh) * | 2017-10-27 | 2018-03-20 | 平安科技(深圳)有限公司 | 车险的应灾处理方法、装置、计算机设备和存储介质 |
CN107861133A (zh) * | 2017-10-23 | 2018-03-30 | 北斗卫星导航科技邢台有限公司 | 一种北斗农保智能信息系统 |
CN108182516A (zh) * | 2017-12-15 | 2018-06-19 | 国网甘肃省电力公司经济技术研究院 | 一种输电线路地质灾害灾情的评论上报方法及系统 |
CN110322118A (zh) * | 2019-06-06 | 2019-10-11 | 重庆工商大学融智学院 | 地质灾害空间分布规律及易发性评估方法 |
CN110363964A (zh) * | 2019-07-12 | 2019-10-22 | 新疆维吾尔自治区测绘科学研究院 | 一种滑坡和泥石流地质灾害监测与应急响应方法 |
CN110796310A (zh) * | 2019-10-30 | 2020-02-14 | 黄淮学院 | 一种区域性地质灾害的易发性预测方法和系统 |
CN111401682A (zh) * | 2020-02-11 | 2020-07-10 | 北京师范大学 | 一种地震伤亡人口评估方法及系统 |
CN114626475A (zh) * | 2022-03-21 | 2022-06-14 | 中山大学 | 严重旱涝事件的时空变化分析方法、装置和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014050002A1 (ja) * | 2012-09-28 | 2014-04-03 | 日本電気株式会社 | クエリ類似度評価システム、評価方法、及びプログラム |
CN105761155A (zh) * | 2015-08-26 | 2016-07-13 | 北京师范大学 | 一种基于历史案例的农业旱灾灾情快速评估方法 |
-
2016
- 2016-12-12 CN CN201611139066.4A patent/CN106780050A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014050002A1 (ja) * | 2012-09-28 | 2014-04-03 | 日本電気株式会社 | クエリ類似度評価システム、評価方法、及びプログラム |
CN105761155A (zh) * | 2015-08-26 | 2016-07-13 | 北京师范大学 | 一种基于历史案例的农业旱灾灾情快速评估方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451719A (zh) * | 2017-07-05 | 2017-12-08 | 北京辰安信息科技有限公司 | 灾区车辆调配方法和灾区车辆调配装置 |
CN107861133A (zh) * | 2017-10-23 | 2018-03-30 | 北斗卫星导航科技邢台有限公司 | 一种北斗农保智能信息系统 |
CN107818450A (zh) * | 2017-10-27 | 2018-03-20 | 平安科技(深圳)有限公司 | 车险的应灾处理方法、装置、计算机设备和存储介质 |
CN108182516A (zh) * | 2017-12-15 | 2018-06-19 | 国网甘肃省电力公司经济技术研究院 | 一种输电线路地质灾害灾情的评论上报方法及系统 |
CN110322118A (zh) * | 2019-06-06 | 2019-10-11 | 重庆工商大学融智学院 | 地质灾害空间分布规律及易发性评估方法 |
CN110363964A (zh) * | 2019-07-12 | 2019-10-22 | 新疆维吾尔自治区测绘科学研究院 | 一种滑坡和泥石流地质灾害监测与应急响应方法 |
CN110796310A (zh) * | 2019-10-30 | 2020-02-14 | 黄淮学院 | 一种区域性地质灾害的易发性预测方法和系统 |
CN111401682A (zh) * | 2020-02-11 | 2020-07-10 | 北京师范大学 | 一种地震伤亡人口评估方法及系统 |
CN111401682B (zh) * | 2020-02-11 | 2022-05-31 | 北京师范大学 | 一种地震伤亡人口评估方法及系统 |
CN114626475A (zh) * | 2022-03-21 | 2022-06-14 | 中山大学 | 严重旱涝事件的时空变化分析方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780050A (zh) | 受灾程度评估方法、系统及电子设备 | |
Ekmekcioğlu et al. | Stakeholder perceptions in flood risk assessment: A hybrid fuzzy AHP-TOPSIS approach for Istanbul, Turkey | |
Bui et al. | Novel hybrid evolutionary algorithms for spatial prediction of floods | |
Roy et al. | Spatial vulnerability assessment of floods in the coastal regions of Bangladesh | |
Akgun et al. | Application of remote sensing data and GIS for landslide risk assessment as an environmental threat to Izmir city (west Turkey) | |
Dwyer et al. | Quantifying social vulnerability: a methodology for identifying those at risk to natural hazards | |
Huabin et al. | GIS-based landslide hazard assessment: an overview | |
Colak et al. | Automated Solar Activity Prediction: A hybrid computer platform using machine learning and solar imaging for automated prediction of solar flares | |
Manzo et al. | GIS techniques for regional-scale landslide susceptibility assessment: the Sicily (Italy) case study | |
Peng et al. | An incident information management framework based on data integration, data mining, and multi-criteria decision making | |
Mishra et al. | Current trends in disaster management simulation modelling research | |
Kajitani et al. | Estimation of production capacity loss rate after the great east Japan earthquake and tsunami in 2011 | |
Okuyama | Disaster and economic structural change: case study on the 1995 Kobe earthquake | |
Yang et al. | Analysis of linkage effects among industry sectors in China’s stock market before and after the financial crisis | |
Moradi et al. | A GIS-based multi-criteria decision-making approach for seismic vulnerability assessment using quantifier-guided OWA operator: a case study of Tehran, Iran | |
CN106529817A (zh) | 一种灾情信息服务平台以及信息服务系统 | |
Kim et al. | Emerging risk forecast system using associative index mining analysis | |
Samadi Alinia et al. | Tehran’s seismic vulnerability classification using granular computing approach | |
Li et al. | A Bayesian method to mine spatial data sets to evaluate the vulnerability of human beings to catastrophic risk | |
Tavares da Costa et al. | Predictive modeling of envelope flood extents using geomorphic and climatic‐hydrologic catchment characteristics | |
Pourghasemi et al. | Flood, landslides, forest fire, and earthquake susceptibility maps using machine learning techniques and their combination | |
Guikema et al. | Modeling power outage risk from natural hazards | |
Saha et al. | A multi-criteria decision analysis (MCDA) approach for landslide susceptibility mapping of a part of Darjeeling District in North-East Himalaya, India | |
Frolova et al. | Impact database application for natural and technological risk management | |
Wang et al. | Machine learning-based prediction of sand and dust storm sources in arid Central Asia |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |