CN109215308A - 一种基于深度学习算法的事件预警模型构建方法 - Google Patents

一种基于深度学习算法的事件预警模型构建方法 Download PDF

Info

Publication number
CN109215308A
CN109215308A CN201710540052.1A CN201710540052A CN109215308A CN 109215308 A CN109215308 A CN 109215308A CN 201710540052 A CN201710540052 A CN 201710540052A CN 109215308 A CN109215308 A CN 109215308A
Authority
CN
China
Prior art keywords
event
data
deep learning
information
model
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
Application number
CN201710540052.1A
Other languages
English (en)
Inventor
陈瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Changfeng Science Technology Industry Group Corp
Original Assignee
China Changfeng Science Technology Industry Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Changfeng Science Technology Industry Group Corp filed Critical China Changfeng Science Technology Industry Group Corp
Priority to CN201710540052.1A priority Critical patent/CN109215308A/zh
Publication of CN109215308A publication Critical patent/CN109215308A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于深度学习算法的事件预警模型构建方法，通过对大规模重大事件相关资源信息进行数据整合、数据关联，通过灵活建模工具、可视化分析手段，建立事件预警模型，获取有价值的重大事件预警信息，从而为相关部门提供更加快速、有效的情报信息，为政府决策提供有效的数据支撑。

Description

一种基于深度学习算法的事件预警模型构建方法
技术领域
本发明涉及机器学习及大数据分析技术领域，具体涉及一种基于深度学习算法的事件预警模型构建方法。
背景技术
公共安全情报信息视线中的重大事件是指危害国家安全和稳定的政治事件、暴力恐怖事件、群体性事件和综合性事件。频发的重大事件牵制了各级职能部门的大量精力，对各级政府管理构成巨大压力。网络环境下，面对海量数据，且这些信息分散在多个业务系统中，只有将它们收集汇总，进行综合分析计算，才能够为重大事件预警提供更有价值的信息。用深度学习技术，设计一种对重大事件的预警防范系统十分必要。
发明内容
本发明的目的在于用深度学习技术，提供一种基于深度学习算法的事件预警模型构建方法，挖掘在数据背后隐藏深层次的价值数据，为不同领域政府部门在应对突发事件、重大事件预警预测、敏感人员布控等工作提供技术支撑。
本发明的技术方案如下：
一种基于深度学习算法的事件预警模型构建方法，其特征在于包括：
(1)事件数据存储：运用分布式结构存储机制和执行机制，对存储海量的、各类复杂数据类型的结构化数据和非结构化数据进行存储；
(2)数据分析比对处理：深度卷积神经网络、自动编码器、递归神经网络及深度信念网络的深度学习技术，对存储整合后的数据进行分析比对处理；
(3)分析模型配置：根据不同的业务需求，制定适当分析模型，包括前端图表分析、综合关联展示、关联扩展分析、时间序列分析、空间分析平台，为用户提供一个可灵活配置的业务模型的分析平台；
(4)可视化分析：通过对关注对象的扩展，确定关注对象的关联信息及关联关系，通过各种分析功能及算法，对实体信息及关联线索进行进一步分析，挖掘出其隐藏其间的对象间的深层信息；
(5)事件预警防范：通过多因素叠加事件模型自动分析服务生成事件预警信息，对事件进行跟踪、监测并结合人工研判，从而对事件进行有效处置，对未发生事件或事件苗头进行有效防范。
本发明运用先进的大数据、深度学习等技术，对大规模重大事件相关资源信息进行数据整合、数据关联，通过灵活建模工具、可视化分析等手段，建立事件预警模型，获取有价值的重大事件预警信息，从而为相关部门提供更加快速、有效的情报信息，为政府决策提供有效的数据支撑。
具体实施方式
本发明具体实施过程包括以下步骤：
(1)事件数据存储：事件预警防范系统数据存储及数据分析重要组成部分，主要工作包括：一是存储海量的、各类复杂数据类型的结构化数据和非结构化数据。二是运用分布式结构存储机制和执行机制，对存储整合后的数据进行分析比对处理。
(2)深度学习技术应用：深度学习技术研究与实践至关重要，本文提供深度卷积神经网络、自动编码器、递归神经网络及深度信念网络等不同类型的深度学习技术，高效运用这类技术，并加以成功运用，能够更好的帮助用户理解数据之间的关系。
(3)分析模型配置：在重大事件预警防范过程，通过穷举涉及重大事件业务模型是不现实的，但是在面对异常复杂环境下，能够根据瞬息万变的业务需求灵活制定分析模型具有现实意义，分析模型配置能够为用户提供一个可灵活配置的业务模型的分析平台。系统提供前端图表分析、综合关联展示、关联扩展分析、时间序列分析、空间分析等不同类型的可视化分析方法。
(4)可视化分析：用户可通过对关注对象的扩展，确定关注对象的关联信息及关联关系，通过各种分析功能及算法，对实体信息及关联线索进行进一步分析，挖掘出其隐藏其间的对象间的深层信息。
(5)事件预警防范：事件预警防范系统是以线索推送、手工线索采集、手工事件采集等方式获取的数据源为基础，通过多因素叠加事件模型自动分析服务生成事件预警信息，这些预警信息根据发生的场所及状态由各个单位进行处置，由这些单位对事件进行跟踪、监测并结合人工研判，从而对事件进行有效处置，对未发生事件或事件苗头进行有效防范。

Claims (1)

1.一种基于深度学习算法的事件预警模型构建方法，其特征在于包括：
(1)事件数据存储：运用分布式结构存储机制和执行机制，对存储海量的、各类复杂数据类型的结构化数据和非结构化数据进行存储；
(2)数据分析比对处理：深度卷积神经网络、自动编码器、递归神经网络及深度信念网络的深度学习技术，对存储整合后的数据进行分析比对处理；
(3)分析模型配置：根据不同的业务需求，制定适当分析模型，包括前端图表分析、综合关联展示、关联扩展分析、时间序列分析、空间分析平台，为用户提供一个可灵活配置的业务模型的分析平台；
(4)可视化分析：通过对关注对象的扩展，确定关注对象的关联信息及关联关系，通过各种分析功能及算法，对实体信息及关联线索进行进一步分析，挖掘出其隐藏其间的对象间的深层信息；
(5)事件预警防范：通过多因素叠加事件模型自动分析服务生成事件预警信息，对事件进行跟踪、监测并结合人工研判，从而对事件进行有效处置，对未发生事件或事件苗头进行有效防范。
CN201710540052.1A 2017-07-04 2017-07-04 一种基于深度学习算法的事件预警模型构建方法 Pending CN109215308A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710540052.1A CN109215308A (zh) 2017-07-04 2017-07-04 一种基于深度学习算法的事件预警模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710540052.1A CN109215308A (zh) 2017-07-04 2017-07-04 一种基于深度学习算法的事件预警模型构建方法

Publications (1)

Publication Number Publication Date
CN109215308A true CN109215308A (zh) 2019-01-15

Family

ID=64991955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710540052.1A Pending CN109215308A (zh) 2017-07-04 2017-07-04 一种基于深度学习算法的事件预警模型构建方法

Country Status (1)

Country Link
CN (1) CN109215308A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738559A (zh) * 2020-05-28 2020-10-02 山东浪潮通软信息科技有限公司 基于超图技术进行应急调度管控的方法、设备及介质
CN115035668A (zh) * 2022-03-09 2022-09-09 武汉众智数字技术有限公司 一种基于视频监控的社区安防系统
CN116484053A (zh) * 2023-06-21 2023-07-25 恒辉信达技术有限公司 智能数据分析平台

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738559A (zh) * 2020-05-28 2020-10-02 山东浪潮通软信息科技有限公司 基于超图技术进行应急调度管控的方法、设备及介质
CN115035668A (zh) * 2022-03-09 2022-09-09 武汉众智数字技术有限公司 一种基于视频监控的社区安防系统
CN116484053A (zh) * 2023-06-21 2023-07-25 恒辉信达技术有限公司 智能数据分析平台
CN116484053B (zh) * 2023-06-21 2023-09-12 恒辉信达技术有限公司 智能数据分析平台

Similar Documents

Publication Publication Date Title
Groth et al. A Bayesian method for using simulator data to enhance human error probabilities assigned by existing HRA methods
CN111563524A (zh) 一种多站融合系统运行态势异常监测和告警合并方法
CN109215308A (zh) 一种基于深度学习算法的事件预警模型构建方法
Park et al. An experimental investigation on relationship between PSFs and operator performances in the digital main control room
Kim et al. A statistical approach to estimating effects of performance shaping factors on human error probabilities of soft controls
Kim Human reliability analysis in the man–machine interface design review
EP3208970A1 (en) Alarm correlation data mining method and device
CN102324007B (zh) 基于数据挖掘的异常检测方法
CN109308225B (zh) 一种虚拟机异常检测方法、装置、设备及存储介质
Zou et al. Reliability forecasting for operators’ situation assessment in digital nuclear power plant main control room based on dynamic network model
CN104050528B (zh) 一种基于大数据技术的核电厂人因风险分析监控报警系统
KR20140088712A (ko) 개인정보 접근감시 시스템 및 그 방법
US8947524B2 (en) Method of predicting a trajectory of an asteroid
CN105825130A (zh) 一种信息安全预警方法及装置
US10997513B1 (en) Dynamic, risk informed decision support systems and methods
Park et al. Empirical estimation of human error probabilities based on the complexity of proceduralized tasks in an analog environment
Dai et al. HRA in China: Model and data
CN117220917A (zh) 一种基于云计算的网络实时监控方法
Van Bossuyt et al. A method to choose between automation and human operators for recovery actions during a cyber attack
Kim et al. An algorithm for evaluating time-related human reliability using instrumentation cues and procedure cues
CN111161519A (zh) 基于大数据技术的安防领域重大事件预警方法
KR102111136B1 (ko) 대응지시서를 생성하고, 적용 결과를 분석하는 방법, 감시장치 및 프로그램
Lin et al. Research on common cause fault evaluation model of RTS based on β-factor method
Wang et al. Dreal: Detecting side-channel attacks at real-time using low-level hardware features
Jockenhövel-Barttfeld et al. Modelling Software Failures of Digital I&C in Probabilistic Safety Analyses Based on the TELEPERM® XS Operating Experience

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190115