CN108470222B - 一种用于典型事件预测预报的多征兆增信方法 - Google Patents
一种用于典型事件预测预报的多征兆增信方法 Download PDFInfo
- Publication number
- CN108470222B CN108470222B CN201810139363.1A CN201810139363A CN108470222B CN 108470222 B CN108470222 B CN 108470222B CN 201810139363 A CN201810139363 A CN 201810139363A CN 108470222 B CN108470222 B CN 108470222B
- Authority
- CN
- China
- Prior art keywords
- event
- degree
- prediction
- occurrence
- typical
- 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.)
- Active
Links
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于信息技术及其应用领域,具体涉及一种用于典型事件预测预报的多征兆增信方法,根据事件的发生机理和相关领域特征,利用大数据分析方法发现与其有关的影响因素集合、每个影响因素对事件的支持度集合以及每个影响因素的显现程度集,根据事件的发生机理、相关领域特征和对事件精确预测的难易程度,构建预测事件发生概率的计算模型来计算典型事件发生的概率,从而给出事件预测预报结果。本发明通过大数据挖掘理论找到与某种典型事件相关的自然现象和人为因素,从而建立一个完整的预测该事件的多征兆增信方法,以解决灾害预警、天气预报、病变预测、故障诊断等具有多种迹象和前兆信息的典型事件预测预报问题。
Description
技术领域
本发明属于信息技术及其应用领域,具体涉及一种用于典型事件预测预报的多征兆增信方法。
背景技术
对于灾害预警、天气预报、病变预测、故障诊断等典型事件,都有相关的因素,而且这些因素表现得征兆越多表明事件发生的可能性与大,其预测结果就越可信。但是,目前常用的多因素、多证据数据融合和评价方法,如:加权平均法、层次分析法、可拓识别、D-S证据理论等方法及其改进等,都是面向证据冲突情况下的评价和识别问题给出的某种解决方案,无法体现″种种迹象表明,要发生某种事件″的基本原理。
同时,对于支持典型事件时间的多征兆、多证据或多现象问题,还没有一个方法能够利用这些多征兆、多证据或多现象的有用信息去增强对事件预测结果的可信度。
因此,提供一种用于典型事件预测预报的多征兆增信方法,以解决该类具有多种迹象和征兆信息的典型事件预测预报问题,是十分必要的。
发明内容
本发明的目的在于解决上述现有技术中存在的无法利用典型事件的多征兆信息进行完整可靠的预测预报难题,提供一种用于典型事件预测预报的多征兆增信方法,充分利用大数据挖掘理论,建立完整的预测体系。
本发明是通过以下技术方案实现的:
一种用于典型事件预测预报的多征兆增信方法,包括以下步骤:
(1)设该典型事件为E,根据事件E的发生机理和相关领域特征,利用大数据分析方法发现与其有关的影响因素集合,S={s1,s2,...};
(2)设S中每个影响因素对事件E的支持度集合P={p1,p2,...}(0<pi≤1,i=1,2,...);
(3)设S中每个影响因素的显现程度为Q={q1,q2,...}(0≤qi≤1,i=1,2,...),若qi=0说明si无显现,若qi=1说明si已充分显现;
(4)根据事件E的发生机理、相关领域特征和对事件E精确预测的难易程度,构建预测事件E发生概率F的计算模型:F=F(s1,p1,q1,s2,p2,q2,...);
(5)根据监测到的各种影响因素的显现程度Q={q1,q2,...}计算典型事件E发生的概率,从而给出事件E预测预报结果。
进一步的,支持度Pn计算公式为:Pn=Pn-1+pn-Pn-1×pn。
进一步的,步骤(4)中事件E的发生概率F为一个取值范围为[0,1]的实数。
同时,要求F需满足下列技术特征:
1.事件E的发生概率F<1时,每增加一种显现程度大于0的影响因素,事件E的发生概率F严格增大。
2.事件E的发生概率F增大程度与新增加影响因素的si对事件E的支持度pi正相关。
3.事件E的发生概率F增大程度与新增加影响因素的si对事件E的显现程度qi正相关。
4.当出现影响因素si,同时满足其对事件E的支持度pi=1,对事件E的显现程度qi=1时,事件E的发生概率F=1。
5.事件E的发生概率F需体现每种影响因素对事件E的支持度对预测结果的影响;当某种影响因素的支持度不易确定时,可取值为1。
与现有技术相比,本发明的有益效果是:
本发明提供的一种用于典型事件预测预报的多征兆增信方法,通过大数据挖掘理论找到与某种典型事件相关的自然现象和人为因素,从而建立一个完整的预测该事件的多挣赵增新方法,以解决灾害预警、天气预报、病变预测、故障诊断等具有多种迹象和前兆信息的典型事件预测预报问题。
通过使用本申请所提供的方案,可以随时根据监测到的各种前兆因素显现程度进行典型事件发生概率的计算,从而给出预测预报结果,而且随着新的影响因素被发现,随时将新现象的显现程度加入到预测模型中,以提高预测结果的可信度,充分体现了″种种迹象表明,要发生某种事件″的基本原理和技术。
此外,本发明方法原理可靠,步骤简单,具有非常广泛的应用前景。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著地进步,其实施的有益效果也是显而易见的。
附图说明
图1是本发明提供的一种用于典型事件预测预报的多征兆增信方法的流程图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
实施例1
如图1所示,本发明提供的一种用于典型事件预测预报的多征兆增信方法,包括以下步骤:
(1)设该典型事件为E,根据事件E的发生机理和相关领域特征,利用大数据分析方法发现与其有关的影响因素集合,S={s1,s2,...};
(2)设S中每个影响因素对事件E的支持度集合P={p1,p2,...}(0<pi≤1,i=1,2,...);
(3)设S中每个影响因素的显现程度为Q={q1,q2,...}(0≤qi≤1,i=1,2,...),若qi=0说明si无显现,若qi=1说明si已充分显现;
(4)根据事件E的发生机理、相关领域特征和对事件E精确预测的难易程度,构建预测事件E发生概率F的计算模型:F=F(s1,p1,q1,s2,p2,q2,...);
(5)根据监测到的各种影响因素的显现程度Q={q1,q2,...}计算典型事件E发生的概率,从而给出事件E预测预报结果。
在本实施例中,支持度Pn计算公式为:Pn=Pn-1+pn-Pn-1×pn。
在本实施例中,步骤(4)中事件E的发生概率F为一个取值范围为[0,1]的实数。
同时,要求F需满足下列技术特征:
1.事件E的发生概率F<1时,每增加一种显现程度大于0的影响因素,事件E的发生概率F严格增大。
2.事件E的发生概率F增大程度与新增加影响因素的si对事件E的支持度pi正相关。
3.事件E的发生概率F增大程度与新增加影响因素的si对事件E的显现程度qi正相关。
4.当出现影响因素si,同时满足其对事件E的支持度pi=1,对事件E的显现程度qi=1时,事件E的发生概率F=1。
5.事件E的发生概率F需体现每种影响因素对事件E的支持度对预测结果的影响;当某种影响因素的支持度不易确定时,可取值为1。
实施例2
本实施例提供的一种用于典型事件预测预报的多征兆增信方法,包括以下步骤:
首先,假设要预测预报的典型事件为E,根据事件E的发生机理和相关领域特征,利用大数据分析方法发现与其有关的影响因素集合,S={s1,s2,...},以及每个前兆现象对事件E的支持度集合P={p1,p2,...}(0<pi≤1,i=1,2,...),这里的集合S={s1,s2,...}和P={p1,p2,...}可在计算过程中不断扩展,并且假设现象集S={s1,s2,...}中各种现象显现程度为Q={q1,q2,...}(0≤qi≤1,i=1,2,...),其中若qi=0说明si无显现,若qi=1说明si已充分显现。
其次,根据事件E的发生机理、相关领域特征和对事件E精确预测的难易程度,利用象集S={s1,s2,...},支持集P={p1,p2,...}和显现集Q={q1,q2,...},构造一个预测事件E发生概率的计算F的计算模型:
F=F(s1,p1,q1,s2,p2,q2,...)
在本实施例中,F的构建过程如下:
(1)逐步计算支持度P1,P2,...,Pn
P1=p1
P2=P1+p2-P1×p2
……
Pn=Pn-1+pn-Pn-1×pn
对于上述递推公式,显然有结论:若p1=1,p2=1,...,则P1=1,P2=1,...。
(2)计算时间E的发生概率Fn
当n=1时,取
F1=P1×q1;
否则,取
F1=q1。
执行后继计算:
F2=P1×F1+p2×q2+(1-P1-p2)×F1×q2
……
Fn=Pn-1×Fn-1+pn×qn+(1-Pn-1-pn)×Fn-1×qn
由
Fn=Pn-1×Fn-1+pn×qn+(1-Pn-1-pn)×Fn-1×qn
=Pn-1×Fn-1+pn×qn+(1-Pn-1)×Fn-1×qn-pn×Fn-1×qn
=Pn-1×Fn-1+(1-Pn-1)×Fn-1×qn+(1-Fn-1)×pn×qn
≥Pn-1×Fn-1
可以得出上式只有在Pn-1=1,Fn-1=1时,等式才成立,并且满足构建F所要求满足的技术特征。
最后,可根据本实施例中构建的计算模型,随时依据监测到的各种影响因素的显现程度Q={q1,q2,...}计算典型事件E发生的概率,从而给出事件E预测预报结果,而且,利用该方法还可以随着新的影响典型事件E的现象被发现,随时将新现象的显现程度加入到预测模型中,以提高预测结果的可信度。
实施例3
在本实施例中,提供煤矿的煤与瓦斯突出事件作为需预测的典型事件E,则有:E={煤与瓦斯突出}。
其影响因素包括煤层厚度h(m),煤的硬度系数f,最大方向地应力σ(MPa),瓦斯含量x(m3/t),瓦斯压力p(MPa)等,因此可以构建S={s1,s2,...,s5}={煤层厚度h(m),煤的硬度系数f,最大方向地应力σ(MPa),瓦斯含量x(m3/t),瓦斯压力p(MPa)}。
在本实施例中,以上影响因素对于事件E发生的支持度取值为:
p1=0.5,
p2=0.5,
p3=0.5,
p4=0.5,
p5=0.5。
在本实施例中,以上影响因素对事件E发生的显现程度取值为:
q1=min{h/10,1}
q2=1-min{f/3,1}
q3=min{σ/20,1}
q4=min{x/10,1}
q5=min{p/2,1}
在本实施例中,对该采掘工作面的各影响因素测量值为:
h=2,f=0.6,σ=14,σ=10,x=5,p=0.6
计算可得,本实施例中各因素对是事件E发生的显现程度数值为:
q1=0.2,
q2=0.8,
q3=0.7,
q4=0.5,
q5=0.3。
执行计算可得,本实施例中各现象对于时间E发生概率F的支持度P5为:
P1=p1=0.5,
P2=P1+p2-P1×p2=0.75,
P3=P2+p3-P2×p3=0.875,
P4=P3+p4-P3×p4=0.937,
P5=P4+p5-P4×p5=0.968。
再计算事件E的发生概率F5为:
F1=q1=0.2,
F2=P1×F1+p2×q2+(1-P1-p2)×F1×q2=0.5,
F3=P2×F2+p3×q3+(1-P2-p3)×F2×q3=0.6375,
F4=P3×F3+p4×q4+(1-P3-p4)×F3×q4=0.68828,
F5=P4×F4+p5×q5+(1-P4-p5)×F4×q5=0.70493
最后得出,该采掘工作面发生煤与瓦斯突出事故的概率为F5=0.70493,需要提醒工作人员进行事故预防工作。
本发明提供的一种用于典型事件预测预报的多征兆增信方法,通过大数据挖掘理论找到与某种典型事件相关的自然现象和人为因素,从而建立一个完整的预测该事件的多挣赵增新方法,以解决灾害预警、天气预报、病变预测、故障诊断等具有多种迹象和前兆信息的典型事件预测预报问题。
通过使用本申请所提供的方案,可以随时根据监测到的各种前兆因素显现程度进行典型事件发生概率的计算,从而给出预测预报结果,而且随着新的影响因素被发现,随时将新现象的显现程度加入到预测模型中,以提高预测结果的可信度,充分体现了″种种迹象表明,要发生某种事件″的基本原理和技术。
上述技术方案只是本发明的一种实施方式,对于本领域内的技术人员而言,在本发明公开了应用方法和原理的基础上,很容易做出各种类型的改进或变形,而不仅限于本发明上述具体实施方式所描述的方法,因此前面描述的方式只是优选的,而并不具有限制性的意义。
Claims (2)
1.一种用于典型事件预测预报的多征兆增信方法,其特征在于,包括以下步骤:
(1)设该典型事件为E,根据事件E的发生机理和相关领域特征,利用大数据分析方法发现与其有关的影响因素集合,S={s1,s2,…};
(2)设S中每个影响因素对事件E的支持度集合P={p1,p2,…},0<pi≤1,i=1,2,…;
(3)设S中每个影响因素的显现程度为Q={q1,q2,…},0≤qi≤1,i=1,2,…,若qi=0说明si无显现,若qi=1说明si已充分显现;
当煤矿的煤与瓦斯突出事件作为需预测的典型事件E,则有:E={煤与瓦斯突出};其影响因素包括煤层厚度h,煤的硬度系数f,最大方向地应力σ,瓦斯含量x,瓦斯压力p,因此构建S={s1,s2,…,s5}={煤层厚度h,煤的硬度系数f,最大方向地应力σ,瓦斯含量x,瓦斯压力p};
以上影响因素对事件E发生的显现程度取值为:
q1=min{h/10,1}
q2=1-min{f/3,1}
q3=min{σ/20,1}
q4=min{x/10,1}
q5=min{p/2,1}
(4)根据事件E的发生机理、相关领域特征和对事件E精确预测的难易程度,构建预测事件E发生概率F的计算模型:F=F(s1,p1,q1,s2,p2,q2,…);
(5)根据监测到的各种影响因素的显现程度Q={q1,q2,…}计算典型事件E发生的概率,从而给出事件E预测预报结果;
根据监测到的各种前兆因素显现程度进行典型事件发生概率的预测,从而给出预测预报结果,而且随着新的影响因素被发现,随时将新现象的显现程度加入到预测模型中,以提高预测结果的可信度;
F的构建过程如下:
(1)逐步计算支持度P1,P2,…,Pn
P1=p1
P2=P1+p2-P1×p2
……
Pn=Pn-1+pn-Pn-1×pn
对于上述递推公式,显然有结论:若p1=1,p2=1,…,则P1=1,P2=1,…;
(2)计算事件E的发生概率Fn
当n=1时,取
F1=P1×q1;
否则,取
F1=q1
执行后继计算:
F2=P1×F1+p2×q2+(1-P1-p2)×F1×q2
…
Fn=Pn-1×Fn-1+pn×qn+(1-Pn-1-pn)×Fn-1×qn
由
Fn=Pn-1×Fn-1+pn×qn+(1-Pn-1-pn)×Fn-1×qn
=Pn-1×Fn-1+pn×qn+(1-Pn-1)×Fn-1×qn-pn×Fn-1×qn
=Pn-1×Fn-1+(1-Pn-1)×Fn-1×qn+(1-Fn-1)×pn×qn
≥Pn-1×Fn-1
可以得出上式只有在Pn-1=1,Fn-1=1时,等式才成立,并且满足构建F所要求满足的技术特征;
其中, 要求F需满足下列技术特征:
①.事件E的发生概率F<1时,每增加一种显现程度大于0的影响因素,事件E的发生概率F严格增大;
②.事件E的发生概率F增大程度与新增加影响因素的si对事件E的支持度pi正相关;
③.事件E的发生概率F增大程度与新增加影响因素的si对事件E的显现程度qi正相关;
④.当出现影响因素si,同时满足其对事件E的支持度pi=1,对事件E的显现程度qi=1时,事件E的发生概率F=1;
⑤.事件E的发生概率F需体现每种影响因素对事件E的支持度对预测结果的影响;当某种影响因素的支持度不易确定时,取值为1。
2.如权利要求1所述的一种用于典型事件预测预报的多征兆增信方法,其特征在于,步骤(4)中事件E的发生概率F为一个取值范围为[0,1]的实数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810139363.1A CN108470222B (zh) | 2018-02-08 | 2018-02-08 | 一种用于典型事件预测预报的多征兆增信方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810139363.1A CN108470222B (zh) | 2018-02-08 | 2018-02-08 | 一种用于典型事件预测预报的多征兆增信方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108470222A CN108470222A (zh) | 2018-08-31 |
CN108470222B true CN108470222B (zh) | 2022-11-11 |
Family
ID=63266441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810139363.1A Active CN108470222B (zh) | 2018-02-08 | 2018-02-08 | 一种用于典型事件预测预报的多征兆增信方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470222B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582603B (zh) * | 2020-05-19 | 2022-09-13 | 中煤科工集团重庆研究院有限公司 | 基于多源信息融合的煤与瓦斯突出的智能预警方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011175504A (ja) * | 2010-02-25 | 2011-09-08 | Nec Corp | イベント予測システムおよびイベント予測方法、ならびにコンピュータ・プログラム |
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
CN103277137A (zh) * | 2013-05-24 | 2013-09-04 | 山东科技大学 | 掘进煤巷瓦斯突出预测方法 |
CN103676645A (zh) * | 2013-12-11 | 2014-03-26 | 广东电网公司电力科学研究院 | 一种时间序列数据流中的关联规则的挖掘方法 |
CN104298881A (zh) * | 2014-10-15 | 2015-01-21 | 南通大学 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
JP2016134017A (ja) * | 2015-01-20 | 2016-07-25 | Kddi株式会社 | 階層的な状態遷移モデルを用いて活動関連量を予測する装置、プログラム及び方法 |
CN107563092A (zh) * | 2017-09-19 | 2018-01-09 | 山东蓝光软件有限公司 | 一种矿山动力灾害的全息预警方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699451A (zh) * | 2009-05-08 | 2010-04-28 | 中国矿业大学(北京) | 煤层底板突水评价的新型实用方法-脆弱性指数法 |
CN104299367B (zh) * | 2014-10-23 | 2017-04-05 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡灾害多级综合监测预警方法 |
CN105335796A (zh) * | 2015-11-02 | 2016-02-17 | 华北电力大学 | 一种风电场输出功率爬坡事件预测的系统及方法 |
CN105893758A (zh) * | 2016-04-01 | 2016-08-24 | 河北工程大学 | 一种wmnt瓦斯爆炸灾害风险评价方法 |
CN106485015B (zh) * | 2016-10-20 | 2019-04-02 | 辽宁工程技术大学 | 一种矿井断层影响范围的确定方法 |
-
2018
- 2018-02-08 CN CN201810139363.1A patent/CN108470222B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011175504A (ja) * | 2010-02-25 | 2011-09-08 | Nec Corp | イベント予測システムおよびイベント予測方法、ならびにコンピュータ・プログラム |
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
CN103277137A (zh) * | 2013-05-24 | 2013-09-04 | 山东科技大学 | 掘进煤巷瓦斯突出预测方法 |
CN103676645A (zh) * | 2013-12-11 | 2014-03-26 | 广东电网公司电力科学研究院 | 一种时间序列数据流中的关联规则的挖掘方法 |
CN104298881A (zh) * | 2014-10-15 | 2015-01-21 | 南通大学 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
JP2016134017A (ja) * | 2015-01-20 | 2016-07-25 | Kddi株式会社 | 階層的な状態遷移モデルを用いて活動関連量を予測する装置、プログラム及び方法 |
CN107563092A (zh) * | 2017-09-19 | 2018-01-09 | 山东蓝光软件有限公司 | 一种矿山动力灾害的全息预警方法 |
Non-Patent Citations (4)
Title |
---|
Application of the catastrophe progression method in predicting coal and gas outburst;ZHANG Tian-jun;《Mining Science and Technology》;20090715;第19卷(第04期);430-434 * |
含瓦斯煤岩冲击破坏前兆及多信息融合预警研究;金佩剑;《中国博士学位论文全文数据库 (工程科技Ⅰ辑)》;20140515(第05期);B021-53 * |
煤与瓦斯突出预报的理想灰贴近函数聚类关联分析;秦书玉等;《中国地质灾害与防治学报》;20050330;第16卷(第01期);89-92 * |
煤矿典型动力灾害风险精准判识及监控预警关键技术研究进展;袁亮,等;《煤炭学报》;20180215;第43卷(第02期);306-318 * |
Also Published As
Publication number | Publication date |
---|---|
CN108470222A (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Land subsidence prediction in Beijing based on PS-InSAR technique and improved Grey-Markov model | |
Meng et al. | The solar and interplanetary causes of superstorms (minimum Dst≤− 250 nT) during the space age | |
Häring et al. | Spatial disaggregation of complex soil map units: a decision-tree based approach in Bavarian forest soils | |
Jiang et al. | Comparative evaluation of geological disaster susceptibility using multi-regression methods and spatial accuracy validation | |
Wang et al. | A novel cloud model for risk analysis of water inrush in karst tunnels | |
Meng et al. | Forecasting the magnitude and onset of El Niño based on climate network | |
Zhao et al. | Time series analysis of VIIRS-DNB nighttime lights imagery for change detection in urban areas: A case study of devastation in Puerto Rico from hurricanes Irma and Maria | |
Ruan et al. | A new risk assessment model for underground mine water inrush based on AHP and D–S evidence theory | |
Zhong et al. | Seismic performance evaluation of two-story and three-span subway station in different engineering sites | |
CN113807583B (zh) | 基于低频增量时空耦合的动力统计结合的次季节预测方法 | |
Li et al. | Land subsidence due to groundwater pumping: hazard probability assessment through the combination of Bayesian model and fuzzy set theory | |
Hariri-Ardebili et al. | Seismic risk prioritization of a large portfolio of dams: Revisited | |
Zhou et al. | Constructing a large-scale urban land subsidence prediction method based on neural network algorithm from the perspective of multiple factors | |
CN108470222B (zh) | 一种用于典型事件预测预报的多征兆增信方法 | |
Lemmon et al. | A metric for quantifying El Niño pattern diversity with implications for ENSO–mean state interaction | |
de Almeida et al. | DRIB Index 2020: Validating and enhancing disaster risk indicators in Brazil | |
Tong et al. | Earthquake alerting based on spatial geodetic data by spatiotemporal information transformation learning | |
Farahani et al. | Probabilistic seismic multi-hazard risk and restoration modeling for resilience-informed decision making in railway networks | |
Bhatta et al. | Machine learning-based classification for rapid seismic damage assessment of buildings at a regional scale | |
Gaidai et al. | Multivariate risks assessment for complex bio-systems by Gaidai reliability method | |
Tu et al. | Comprehensive risk assessment and engineering application of mine water inrush based on normal cloud model and local variable weight | |
Wu et al. | An improved fractal prediction model for forecasting mine slope deformation using GM (1, 1) | |
CN116070385B (zh) | 一种境外矿产资源供应链风险自动识别方法及系统 | |
Wang et al. | The utilization of physically based models and GIS techniques for comprehensive risk assessment of storm surge: A case study of Huizhou | |
Li et al. | Multisource information risk evaluation technology of mine water inrush based on VWM: a case study of Weng’an coal mine |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220211 Address after: 271001 business service center of high tech Zone, Tai'an City, Shandong Province Applicant after: SHANDONG LIONKING SOFTWARE Co.,Ltd. Address before: 271000 Shandong Taian high tech Zone East District entrepreneurship Service Center Shandong Blu ray software Co.,Ltd. Applicant before: Lu Xinming Applicant before: Yin Hong |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |