CN109325673A - 城市空气质量的排名方法、装置、计算机设备及存储介质 - Google Patents

城市空气质量的排名方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN109325673A
CN109325673A CN201811043881.XA CN201811043881A CN109325673A CN 109325673 A CN109325673 A CN 109325673A CN 201811043881 A CN201811043881 A CN 201811043881A CN 109325673 A CN109325673 A CN 109325673A
Authority
CN
China
Prior art keywords
judgment matrix
ranking
layer
matrix
city
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
CN201811043881.XA
Other languages
English (en)
Inventor
李懿
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201811043881.XA priority Critical patent/CN109325673A/zh
Publication of CN109325673A publication Critical patent/CN109325673A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Medicinal Chemistry (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Combustion & Propulsion (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Food Science & Technology (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Software Systems (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了城市空气质量的排名方法、装置、计算机设备及存储介质。该方法包括：确定层次分析模型中准则层相对目标层的第一判断矩阵及所述第一判断矩阵的第一权重向量；确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量；根据所述第一权重向量及各所述第二权重向量得到所述层次分析模型中目标层的数据，并根据所述目标层的数据确定待排名城市的空气质量排名。利用该方法，能够在保证准确度的前提下基于层次分析模型自主实现城市的空气质量排名，由此不仅节省人力资源的耗费，还有效节省空气质量排名的运算时长，具有更好的实用性。

Description

城市空气质量的排名方法、装置、计算机设备及存储介质
技术领域
本发明涉及数学建模技术领域，尤其涉及城市空气质量的排名方法、装置、计算机设备及存储介质。
背景技术
随着地球上人口的急剧增加，人类经济增长的急速增大，地球上的大气污染日趋严重，很大程度影响了人们的工作和生活，同时也严重威胁了人类的健康。因此，如何有效的治理大气污染提高空气质量已成为社会当前所关注问题之一。
一般地，当存在多个待治理城市时，首先考虑对大气污染严重即空气质量低的城市进行治理，由此，需要了解多个城市的空气质量排名，同时，对城市空气质量的排名也便于居民对自己所在城市空气质量的好坏有更深的了解。目前，对于空气质量的排名往往依靠人为比对实现，该种方式需要耗费较多的人力资源，且存在较强的人为主观因素，影响空气质量的排名结果。
发明内容
本发明实施例提供了城市空气质量的排名方法、装置、计算机设备及存储介质，能够准确快速实现城市空气质量的排名。
一方面，本发明实施例提供了一种城市空气质量的排名方法，包括：
确定层次分析模型中准则层相对目标层的第一判断矩阵及所述第一判断矩阵的第一权重向量，其中，所述准则层的数据信息为给定的一组空气污染等级；
确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量，其中，所述方案层的数据信息为待排名城市；
根据所述第一权重向量及各所述第二权重向量得到所述层次分析模型中目标层的数据，并根据所述目标层的数据确定所述待排名城市的空气质量排名。
另一方面，本发明实施例提供了一种城市空气质量的排名装置，包括：
第一权重确定模块，确定层次分析模型中准则层相对目标层的第一判断矩阵及所述第一判断矩阵的第一权重向量，其中，所述准则层的数据信息为给定的一组空气污染等级；
第二权重确定模块，用于确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量，其中，所述方案层的数据信息为待排名城市；
空气质量排名模块，用于根据所述第一权重向量及各所述第二权重向量得到所述层次分析模型中目标层的数据，并根据所述目标层的数据确定所述待排名城市的空气质量排名。
又一方面，本发明实施例提供了一种计算机设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例提供的城市空气质量的排名方法。
再一方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例提供的城市空气质量的排名方法。
在上述城市空气质量的排名方法、装置、计算机设备及存储介质中，该方法首先确定层次分析模型中准则层相对目标层的第一判断矩阵及所述第一判断矩阵的第一权重向量；然后确定确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量，其中方案层的内容为待排名城市，最后根据所述第一权重向量及各所述第二权重向量得到所述层次分析模型中目标层的数据，并根据所述目标层的数据确定所述待排名城市的空气质量排名。上述城市空气质量的排名方法、装置、计算机设备及存储介质，与现有的排名方案相比，本发明的方案无需耗费大量的人力资源，能够在保证准确度的前提下基于层次分析模型自主实现城市的空气质量排名，由此不仅节省人力资源的耗费，还有效节省空气质量排名的运算时长，具有更好的实用性。
附图说明
图1为本发明实施例一提供的一种城市空气质量的排名方法的流程示意图；
图2为本发明实施例二提供的一种城市空气质量的排名方法的流程示意图；
图3为本发明实施例三提供的一种城市空气质量的排名装置的结构框图；
图4为本发明实施例四提供的一种计算机设备的硬件结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种城市空气质量的排名方法的流程示意图，该方法适用于对城市的空气质量的好坏进行排名的情况，该方法可以由城市空气质量的排名装置执行，其中该装置可由软件和/或硬件实现，并一般集成在计算机设备上。
如图1所示，本发明实施例一提供的一种城市空气质量的排名方法，包括如下操作：
需要说明的是，层次分析模型可运用于多目标、多准则、多要素、多层次的非结构化的复杂决策问题，在本实施例中，具体采用了层次分析模型来实现城市空气质量的排名。根据层次分析模型所具备的特点，本实施例具体采用下述步骤实现。
S101、确定层次分析模型中准则层相对目标层的第一判断矩阵及所述第一判断矩阵的第一权重向量。
可以知道的是，层次分析模型具体包括了方案层、准则层以及目标层，且可认为方案层位于最底层，准则层处于方案层和目标层之间，且该模型中方案层中各元素相对准则层各元素均存在一个权重值，同样，准则层各元素相对目标层也均存在一个权重值，在确定各层次各因素之间的权重时，如果只是定性的将所有元素放在一起比较确定权重，则常常不容易被别人接受，本实施例由此进行两两比较，形成判断矩阵，并根据获得的判断矩阵来确定权重向量，以实现准则层到目标层权重值的确定。
本实施例在基于层次分析模型解决问题之前，需要先确定作为层次分析模型中各层的具体内容，优选地，本实施例将选定的待排名城市作为方案层的具体内容，将给定的一组空气污染等级作为准则层的具体内容，此外，可以将获得的空气质量排名作为目标层的结果，可认为目标层仅包括一个元素。该元素相当于层次分析确定的最终结果。
在本实施例中，可以将位于准则层的一组空气污染等级的任两个空气污染等级进行两两比较，并基于比较后确定的量化值形成准则层到目标层的判断矩阵(记为第一判断矩阵)，其中，两两比较的量化值可从设定的比较尺度表中相应确定；之后，可计算第一判断阶矩阵最大特征根的归一化特征向量，并将该归一化特征向量作为第一权重向量，且可认为该权重向量中各向量值表示一组空气污染等级中各空气污染等级到目标层的权重值。
S102、确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量。
在本实施例中，除基于S101确定准则层到目标层相关的第一判断矩阵及第一权重向量后，还可基于本步骤来确定方案层中各元素到准则层中各元素的权重值，具体地，本步骤基于方案层中各元素的两两比较，分别形成与准则层中各空气污染等级相对应的判断矩阵，并将各判断矩阵记为第二判断矩阵，构成第二判断矩阵集合，其中，本步骤中方案层各元素两两比较时可根据预先形成的城市污染量化表来确定相应的量化值，之后，本步骤同样可以计算各第二判断矩阵所对应最大特征根的归一化特征向量做来为方案层中各元素到不同空气污染等级的权重值。
S103、根据所述第一权重向量及各所述第二权重向量得到所述层次分析模型中目标层的数据，并根据所述目标层的数据确定所述待排名城市的空气质量排名。
具体地，第一权重向量可作为一个矩阵，各第二权重向量也可以合并为一个矩阵，其中，前一个矩阵的列数与后一个矩阵的行数相等，由此可将两矩阵相乘，并可将所得的乘积矩阵作为层次分析模型中目标层的数据，该数据中各元素实际相当于待排名城市对应于目标层的权重值，最终，根据各待排名城市对应于目标层的权重值，可获得各待排名城市的空气质量排名。
本发明实施例一提供的一种城市空气质量的排名方法，与现有的排名方案相比，本发明的方案无需耗费大量的人力资源，能够在保证准确度的前提下基于层次分析模型自主实现城市的空气质量排名，由此不仅节省人力资源的耗费，还有效节省空气质量排名的运算时长，具有更好的实用性。
实施例二
图2为本发明实施例二提供的一种城市空气质量的排名方法的流程示意图。本实施例二在上述实施例的基础上进行优化，具体地，本实施例将确定层次分析模型中准则层相对目标层的第一判断矩阵及所述第一判断矩阵的第一权重向量，进一步优化为：对形成所述准则层的一组空气污染等级进行两两比较，并根据给定的比较尺度表确定各所述两两比较的量化值，所述比较尺度表包括：预测两两比较时将存在的比较结果及对应各所述比较结果的量化值；基于各所述两两比较的量化值，形成所述准则层相对所述目标层的第一判断矩阵；确定所述第一判断矩阵的最大特征根，并将对应所述最大特征根的归一化特征向量确定为所述第一判断矩阵的第一权重向量。
进一步地，本实施例还将确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量，具体化为：获取各所述待排名城市中指定污染物在设定时间段内的日污染物浓度；基于各所述待排名城市对应的日污染物浓度，确定各所述待排名城市相对各所述空气污染等级的污染量化值，并形成城市污染量化表；基于所述城市污染量化表，确定所述方案层中各待排名城市相对所述准则层中各空气污染等级的第二判断矩阵，并构成第二判断矩阵集合；确定各所述第二判断矩阵的最大特征根，并将对应各所述最大特征根的归一化特征向量确定相应第二判断矩阵的第二权重向量。
在上述优化的基础上，本实施例将根据所述第一权重向量和第二权重向量得到所述层次分析模型中目标层的数据，并根据所述目标层的数据确定所述待排名城市的空气质量排名，具体优化为：将所述第一权重向量记为第一矩阵，并基于各所述第二权重向量合并形成第二矩阵；将所述第一矩阵的转置矩阵与所述第二矩阵相乘后获得的目标矩阵作为目标层的数据；将所述目标矩阵中各元素值对应作为各所述待排名城市的空气质量权重值；对各所述空气质量权重值由小到大排序，并将排序后各所述空气质量权重值对应的待排名城市作为空气质量排名。
此外，本实施例还优化包括了：根据设定一致性指标公式及一致性检验条件，对所述第一判断矩阵及各所述第二判断矩阵进行一致性检验。以及，基于各所述第二判断矩阵对应的一致性指标值和所述第一判断矩阵的第一权重向量，对所述空气质量排名进行总一致性检验。
如图2所示，本实施例二提供一种城市空气质量的排名方法，具体包括如下操作：
S201、对形成所述准则层的一组空气污染等级进行两两比较，并根据给定的比较尺度表确定各所述两两比较的量化值。
具体地，本实施例采用对准则层中各空气污染等级进行两两比较的方式，来确定准则层中各空气污染等级相对于目标层的权重值，首先，两两比较时，需要对比较结果进行一个量化，本步骤提供了比较尺度表，所述比较尺度表具体可包括：预测两两比较时将存在的比较结果及对应各所述比较结果的量化值。且本实施将该比较尺度表优选为如表1所示的内容。
表1两两比较尺度表
元素i与元素j可能的比较结果 量化值
两元素相比，具有同样重要性 1
两元素相比，一个元素比另一个元素稍微重要 3
两元素相比，一个元素比另一个元素明显重要 5
两元素相比，一个元素比另一个元素强烈重要 7
两元素相比，一个元素比另一个元素极端重要 9
两元素相比，重要度处于上述相邻比较结果的中间 2,4,6,8
需要说明的是，本实施例基于表1进行第一判断矩阵确定时，若准则层中元素i与元素j比较时的量化值为a，则同时可确定元素j与元素i比较时的量化值为1/a。
示例性的，假设准则层中的一组空气污染等级分别为等级Ⅰ，Ⅱ，Ⅲ，Ⅳ及Ⅴ，则进行第一判断矩阵确定时，可将上述五个空气污染等级基于表1两两进行比较，例如，等级Ⅰ和等级Ⅱ相比较时，根据上述表1，假设这两个等级对于目标层同等重要，则可将等级Ⅰ和等级Ⅱ比较的量化值确定为1，又或者，假设等级Ⅰ对于目标层比等级Ⅱ相对目标层稍微重要，则可将等级Ⅰ和等级Ⅱ比较的量化值确定为3，此时等级Ⅱ和等级Ⅰ比较的量化值则为1/3，又或者，若等级Ⅰ对于目标层比等级Ⅱ相对目标层的重要度处于同等重要和稍微重要之间，则可等级Ⅰ和等级Ⅱ比较的量化值确定为2，此时等级Ⅱ和等级Ⅰ比较的量化值则为1/2，对于其余等级间的比较与上述操作相同，这里不再赘述。
S202、基于各所述两两比较的量化值，形成所述准则层相对所述目标层的第一判断矩阵。
在本实施例中，基于上述给定的比较尺度表，假设准则层中包含n个空气污染等级，则可以形成一个n*n的第一判断矩阵，该判断矩阵中各元素值为任两空气污染等级相比较时的量化值。
S203、确定所述第一判断矩阵的最大特征根，并将对应所述最大特征根的归一化特征向量确定为所述第一判断矩阵的第一权重向量。
可以知道的是，在确定出第一判断矩阵后，根据最大特征根的计算方法，可以确定出第一判断矩阵的最大特征根，并同时可获得最大特征根的归一化特征向量，其中，该归一化特征向量可看作第一判断矩阵的第一权重向量，且该归一化特征向量中的所包括向量值的个数与准则层中空气污染等级的个数相同，对应表示各空气污染等级相对目标层的权重值。
需要说明的是，本实施例下述S204至S207,具体阐述了第二判断矩阵集合的确定以及各第二判断矩阵所对应第二权重向量的确定操作。
S204、获取各所述待排名城市中指定污染物在设定时间段内的日污染物浓度。
在本实施例中，所述指定污染物具体可指当前空气污染中占比较大的污染物，如SO2，NO2以及PM10等污染物，可以理解的是，本实施例中选定的指定污染物可以是一个也可以是多个；所述设定时间段具体可以是以月为计数单位的连续日期，如一个月，两个月或者更长的时间；所述日污染物浓度，具体可以是指定污染物在设定时间段内每天监测到的污染物浓度，所述日污染物浓度可以基于当前的监测设备监测获得。
S205、基于各所述待排名城市对应的日污染物浓度，确定各所述待排名城市相对各所述空气污染等级的污染量化值，并形成城市污染量化表。
本实施例中上述S204本步骤可以获取到各待排名城市在设定时间段内有关指定污染物的日污染物浓度。同时，所述各待排名城市相当于方案层中的数据信息，各所述空气污染等级相当于准则层中的数据信息，本实施例为实现方案层各元素到准则层各元素权重值的确定，首先基于本步骤来确定方案层各元素相对准则层各元素进行两两比较时所依据的比较尺度表，该比较尺度表可记为城市污染量化表。
具体地，获得各待排名城市中指定污染物的日污染浓度后，可以采用判断大气污染的空气污染指数与各污染物的日浓度值的关系对应表，来确定各待排名城市中指定污染物的月平均污染指数，其中，本实施例优选采用表2所示的关系对应表。
表2空气污染指数与SO2，NO2以及PM10的日污染物浓度的关系对应表
然后，可以根据公式来确定各污染物的月平均空气污染指数，并将指定污染物中具备的最大月平均空气污染指数作为相应待排名城市在对应月的月平均污染指数。其中，I为某污染物的月平均空气污染指数，C为该污染物的日污染物浓度。C大与C小分别为表2中最贴近C值的两个限值，C大为大于C的限值，C小为小于C的限值，同样，I大与I小也是最靠近C值所对应空气污染指数的两个限值。
之后，.还可以将计算出的月平均空气污染指数进行空气污染等级划分，其划分结果具体可优选为表3所示的内容。
表3月平均空气污染指数的空气污染等级映射表
月平均空气污染指数 空气质量状况 空气污染等级
0-50 优 Ⅰ
51-120 良 Ⅱ
121-200 轻度污染 Ⅲ
201-300 中度污染 Ⅳ
大于300 重污染 Ⅴ
接着可以根据上述表3及各待排名城市的每月平均空气污染指数，确定各待排名城市在设定时间段内处于各空气污染等级的数值，示例性地，假设设定时间段为61个月，待排名城市有4个分别为A,B,C和D四个城市，则根据上表3及各待排名城市在61月中每月的月平均空气污染指数，可以确定出上述各待排名城市A,B,C和D处于各空气污染等级的月数，本实施例可以将待排名城市在设定时间段内相对空气污染等级的月份分布值记为待排名城市相对各所述空气污染指数的污染量化值，并由此形成的关系表确定为城市污染量化表。
接上述示例，对于待排名城市A,B,C和D而言，其61个月分别处于不同空气污染等级的月份数可以如表4所示，其中表4可称为待排名城市A,B,C和D对应的城市污染量化表。
表4待排名城市A,B,C和D相对空气污染等级的城市污染量化表
Ⅰ Ⅱ Ⅲ Ⅳ Ⅴ
A 5 40 15 1 0
B 3 31 25 2 0
C 11 23 21 4 2
D 2 33 19 5 2
如表4所示，可知61月中待排名城市A处于第Ⅰ级的月数有5个月，可认为待排名城市A相对各所述空气污染等级的量化值分别为5,40,15,1以及0。
S206、基于所述城市污染量化表，确定所述方案层中各待排名城市相对所述准则层中各空气污染等级的第二判断矩阵，并构成第二判断矩阵集合。
在本实施例中，基于S205确定出城市污染量化表后，仍然可以通过两两比较来确定各待排名城市相对所述准则层中各空气污染等级的第二判断矩阵，接上述示例，以各待排名城市相对准则层中为Ⅰ的空气污染等级为例，可以确定出相对于空气污染等级Ⅰ的第二判断矩阵B1。
其中，第二判断矩阵B1可表示为：
可以看出，基于上述表4，待排名城市A与待排名城市B比较时的量化值为5/3，由此认为，待排名城市B与待排名城市A为上述5/3的倒数，即3/5，其他同理，也可确定出各待排名城市分别相对准则层中空气污染等级为Ⅱ，Ⅲ，Ⅳ及Ⅴ的第二判断矩阵B2，B3，B4以及B5，由此形成包含第二判断矩阵B1，B2，B3，B4以及B5的第二判断矩阵集合。可以理解的是，本步骤中各第二判断矩阵的阶数与方案层中待排名城市的个数相同。
S207、确定各所述第二判断矩阵的最大特征根，并将对应各所述最大特征根的归一化特征向量确定相应第二判断矩阵的第二权重向量。
基于上述步骤确定出各第二判断矩阵后，根据最大特征根计算公式，就可以计算出各自的最大特征根，同时也相应确定出归一化特征向量，并将归一化特征向量确定为相应第二判断矩阵的第二权重向量。
S208、根据设定一致性指标公式及一致性检验条件，对所述第一判断矩阵及各所述第二判断矩阵进行一致性检验。
本实施例中，基于层次分析模型进行空气质量排名时，还要对确定出的第一判断矩阵以及各第二判断矩阵进行一致性检验，所述一致性检验具体可理解为对上述形成第一判断矩阵及各第二判断矩阵时所考量的逻辑性进行一致性判断，如甲、乙和丙进行两两比较，当甲比丙是强烈重要，而乙比丙是稍微重要时，显然甲一定比乙重要，此时则认为上述甲乙丙的逻辑性符合一致性判断。
本步骤具体根据一致性指标公式及一致性检验条件来实现一致性检验操作。具体地，所述一致性指标公式表示为：
其中，CI表示一致性指标值，λ表示待检验矩阵的最大特征根，n表示待检验矩阵的对角线元素之和。
基于上述公式可知，本步骤进行的一致性检验，各判断矩阵相当于待检验矩阵，且需要基于上述确定的各待检验矩阵的最大特征根以及待检验矩阵的对角线元素之和(也相当于待检验矩阵的阶数)才可以实现。
相应的，本实施例进一步将所述根据设定一致性指标公式及一致性检验条件，对所述第一判断矩阵及各所述第二判断矩阵进行一致性检验，具体化为：
基于所述一致性指标公式，分别确定所述第一判断矩阵及各所述第二判断矩阵对应的一致性指标值；根据给定的随机一致性指标数据表，查找所述第一判断矩阵及各所述第二判断矩阵分别对应随机一致性指标值；基于各所述一致性指标值及相应的随机一致性指标值，确定所述第一判断矩阵及各所述第二判断矩阵的一致性比率；如果存在小于0.1的一致性比率，则确定所述小于0.1的一致性比率对应的判断矩阵通过一致性检验。
具体地，根据上述给定的一致性指标值的公式结合确定出的各待检验矩阵的最大特征根，可以确定各待检验矩阵对应的一致性指标值。所述随机一致性指标值为当前常用检验一致性的指标值，本实施例优选采用表5给定的随机一致性检验数据表来获取各待检验矩阵对应的随机一致性指标值。
表5随机一致性检验数据表
n 1 2 3 4 5 6 7 8 9 10 11
RI 0 0 0.58 0.9 1.12 1.24 1.32 1.41 1.45 1.49 1.51
需要说明的是，上述表5中的n同样表示矩阵对角线元素之和，RI表示随机一致性指标值。
本实施例中设定一致性检验条件为一致性比率小于0.1，其中，一致性比率等于待检验矩阵的一致性指标值与待检验矩阵所对应的随机一致性指标值的比值。可以理解的是，当待检验矩阵的一致性比率小于0.1时，可认为该待检验矩阵通过一致性检验，本步骤中待检验矩阵可以是第一判断矩阵以及各第二判断矩阵。
本实施例下述步骤S209至S212为空气质量排名的具体操作步骤。
S209、将所述第一权重向量记为第一矩阵，并基于各所述第二权重向量合并形成第二矩阵。
可以知道的是，第一判断矩阵的阶数与准则层中空气污染等级的个数相同，因此所获得第一权重向量的向量个数也与空气污染等级的个数相同，若空气污染等级的个数为5，则第一权重向量所形成的第一矩阵为5*1的矩阵；第二判断矩阵集合中所包括第二判断矩阵的个数同样与准则层中空气污染等级的个数相同，此外，各第二判断矩阵的阶数则与方案层中待排名城市的个数相同，若待排名城市有四个，则各第二判断矩阵的阶数为4，同时相应第二权重向量中的向量个数为4，本步骤将第二判断矩阵集合中各第二判断矩阵的第二权重向量进行合并，由此可知合并形成的第二矩阵为5*4的矩阵。
S210、将所述第一矩阵的转置矩阵与所述第二矩阵相乘后获得的目标矩阵作为目标层的数据。
接上述示例，本步骤中第一矩阵的转置矩阵则为1*5的矩阵，可以直接与5*4的第二矩阵相乘，获得1*4的目标矩阵，该目标矩阵相当于目标层数据。
S211、将所述目标矩阵中各元素值对应作为各所述待排名城市的空气质量权重值。
上述确定的目标矩阵中各元素值，可以相当于方案层中各待排名城市相对目标层的权重值，本实施例中记为空气质量权重值，各空气质量权重值与其中一个待排名城市对应。
S212、对各所述空气质量权重值由小到大排序，并将排序后各所述空气质量权重值对应的待排名城市作为空气质量排名。
本实施例中可认为空气质量权重值越大，则所对应待排名城市的污染程度越严重，可认为空气质量越差，权重值越小所对应待排名城市的污染程度越轻，可认为空气质量越优、
由此本步骤中可将空气质量权重值由小到大排名，从而获得空气质量由优到差的城市空气质量排名。
S213、基于各所述第二判断矩阵对应的一致性指标值和所述第一判断矩阵的第一权重向量，对所述空气质量排名进行总一致性检验。
可以理解的是，获得空气质量权重值后，相当于实现了方案层在目标层的总排序，本步骤相当于对总排序进行总一致性检验的操作。
具体地，基于上述一致性检验对第一判断矩阵以及各所述第二判断矩阵进行一致性检验，可以计算出各第二判断矩阵的对应的一致性指标值，由于第二判断矩阵的个数与准则层中空气污染等级的个数相同，由此可认为第j个第二判断矩阵对应于第j个空气污染指数，且可将第j个第二判断矩阵的一致性指标值记为CI(j)，j＝1,2，...，m，其中，m为第二判断矩阵的个数，并可将获得的第j个第二判断矩阵的随机一致性指标值记为RI(j)，此外，还可知第一判断矩阵所对应第一权重向量中的向量个数也与第二判断矩阵的个数，由此可将第一权重向量记为(a1,a2,....,am)。
在本实施例中，可将作为总一致性检验中的总一致性指标值，并将作为总一致性检验中的总随机一致性指标值，由此可求得总一致性比率如果计算出CR的值小于0.1，则可认为层次分析的总排序结果即所述空气质量排名，具有较满意的一致性，由此可将该空气质量排名作为最终结果输出。
本发明实施例二提供的一种城市空气质量的排名方法，具体化了层次分析模型中第一判断矩阵以及第一权重向量的确定操作，同时具体化了第二判断矩阵及相应第二权重向量的确定操作，还具体化了层次分析模型中目标层数据的确定操作。利用该方法，有效的实现了城市空气质量的排名，从而不仅节省人力资源的耗费，还有效节省空气质量排名的运算时长，具有更好的实用性。
实施例三
图3为本发明实施例三提供的一种城市空气质量的排名装置的结构框图。该装置适用于对城市的空气质量的好坏进行排名的情况，其中该装置可由软件和/或硬件实现，并一般集成在计算机设备上。如图3所示，该装置包括：第一权重确定模块31、第二权重确定模块32以及空气质量排名模块33。
其中，第一权重确定模块31，确定层次分析模型中准则层相对目标层的第一判断矩阵及所述第一判断矩阵的第一权重向量，其中，所述准则层的数据信息为给定的一组空气污染等级；
第二权重确定模块32，用于确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量，其中，所述方案层的数据信息为待排名城市；
空气质量排名模块33，用于根据所述第一权重向量及各所述第二权重向量得到所述层次分析模型中目标层的数据，并根据所述目标层的数据确定所述待排名城市的空气质量排名。
在本实施例中，该装置首先通过第一权重确定模块31确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量；然后通过第二权重确定模块32确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量；最后通过空气质量排名模块33根据所述第一权重向量及各所述第二权重向量得到所述层次分析模型中目标层的数据，并根据所述目标层的数据确定所述待排名城市的空气质量排名。
本发明实施例三提供的一种城市空气质量的排名装置，与现有的排名方案相比，采用本实施例的装置无需耗费大量的人力资源，能够在保证准确度的前提下基于层次分析模型自主实现城市的空气质量排名，由此不仅节省人力资源的耗费，还有效节省空气质量排名的运算时长，具有更好的实用性。
进一步地，第一权重确定模块31，具体用于：
对形成所述准则层的一组空气污染等级进行两两比较，并根据给定的比较尺度表确定各所述两两比较的量化值，所述比较尺度表包括：预测两两比较时将存在的比较结果及对应各所述比较结果的量化值；基于各所述两两比较的量化值，形成所述准则层相对所述目标层的第一判断矩阵；确定所述第一判断矩阵的最大特征根，并将对应所述最大特征根的归一化特征向量确定为所述第一判断矩阵的第一权重向量。
进一步地，第二权重确定模块32，具体用于：
获取各所述待排名城市中指定污染物在设定时间段内的日污染物浓度；基于各所述待排名城市对应的日污染物浓度，确定各所述待排名城市相对各所述空气污染等级的污染量化值，并形成城市污染量化表；基于所述城市污染量化表，确定所述方案层中各待排名城市相对所述准则层中各空气污染等级的第二判断矩阵，并构成第二判断矩阵集合；确定各所述第二判断矩阵的最大特征根，并将对应各所述最大特征根的归一化特征向量确定相应第二判断矩阵的第二权重向量。
进一步地，空气质量排名模块33，具体用于：
将所述第一权重向量记为第一矩阵，并基于各所述第二权重向量合并形成第二矩阵；将所述第一矩阵的转置矩阵与所述第二矩阵相乘后获得的目标矩阵作为目标层的数据；将所述目标矩阵中各元素值对应作为各所述待排名城市的空气质量权重值；对各所述空气质量权重值由小到大排序，并将排序后各所述空气质量权重值对应的待排名城市作为空气质量排名。
进一步地，该装置还包括：
第一检验模块34，用于根据设定一致性指标公式及一致性检验条件，对所述第一判断矩阵及各所述第二判断矩阵进行一致性检验。
进一步地，所述一致性指标公式表示为：
其中，CI表示一致性指标值，λ表示待检验矩阵的最大特征根，n表示待检验矩阵的对角线元素之和；
相应的，第一检验模块34，具体用于：
基于所述一致性指标公式，分别确定所述第一判断矩阵及各所述第二判断矩阵对应的一致性指标值；根据给定的随机一致性指标数据表，查找所述第一判断矩阵及各所述第二判断矩阵分别对应随机一致性指标值；基于各所述一致性指标值及相应的随机一致性指标值，确定所述第一判断矩阵及各所述第二判断矩阵的一致性比率；如果存在小于0.1的一致性比率，则确定所述小于0.1的一致性比率对应的判断矩阵通过一致性检验。
进一步地，该装置还包括：
第二检验模块35，用于基于各所述第二判断矩阵对应的一致性指标值和所述第一判断矩阵的第一权重向量，对所述空气质量排名进行总一致性检验。
实施例四
图4为本发明实施例四提供的一种计算机设备的硬件结构示意图，如图4所示，本发明实施例四提供的计算机设备，包括：处理器41和存储装置42。该计算机设备中的处理器可以是一个或多个，图4中以一个处理器41为例，所述计算机设备中的处理器41和存储装置42可以通过总线或其他方式连接，图4中以通过总线连接为例。
该计算机设备中的存储装置42作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中城市空气质量的排名方法对应的程序指令/模块(例如，附图3所示的城市空气质量的排名装置中的模块，包括：第一权重确定模块31、第二权重确定模块32以及空气质量排名模块33，还包括：第一检验模块34和第二检验模块35)。处理器41通过运行存储在存储装置42中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述方法实施例中城市空气质量的排名方法。
存储装置42可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储装置42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
并且，当上述计算机设备所包括一个或者多个程序被所述一个或者多个处理器41执行时，程序进行如下操作：
确定层次分析模型中准则层相对目标层的第一判断矩阵及所述第一判断矩阵的第一权重向量，其中，所述准则层的数据信息为给定的一组空气污染等级；确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量，其中，所述方案层的数据信息为待排名城市；根据所述第一权重向量及各所述第二权重向量得到所述层次分析模型中目标层的数据，并根据所述目标层的数据确定所述待排名城市的空气质量排名。
此外，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被控制装置执行时实现本发明实施例一或实施例二提供的城市空气质量的排名方法，该方法包括：确定层次分析模型中准则层相对目标层的第一判断矩阵及所述第一判断矩阵的第一权重向量，其中，所述准则层的数据信息为给定的一组空气污染等级；确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量，其中，所述方案层的数据信息为待排名城市；根据所述第一权重向量及各所述第二权重向量得到所述层次分析模型中目标层的数据，并根据所述目标层的数据确定所述待排名城市的空气质量排名。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种城市空气质量的排名方法，其特征在于，包括：
确定层次分析模型中准则层相对目标层的第一判断矩阵及所述第一判断矩阵的第一权重向量，其中，所述准则层的数据信息为给定的一组空气污染等级；
确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量，其中，所述方案层的数据信息为待排名城市；
根据所述第一权重向量及各所述第二权重向量得到所述层次分析模型中目标层的数据，并根据所述目标层的数据确定所述待排名城市的空气质量排名。
2.根据权利要求1所述的方法，其特征在于，所述确定层次分析模型中准则层相对目标层的第一判断矩阵及所述第一判断矩阵的第一权重向量，包括：
对形成所述准则层的一组空气污染等级进行两两比较，并根据给定的比较尺度表确定各所述两两比较的量化值，所述比较尺度表包括：预测两两比较时将存在的比较结果及对应各所述比较结果的量化值；
基于各所述两两比较的量化值，形成所述准则层相对所述目标层的第一判断矩阵；
确定所述第一判断矩阵的最大特征根，并将对应所述最大特征根的归一化特征向量确定为所述第一判断矩阵的第一权重向量。
3.根据权利要求1所述的方法，其特征在于，所述确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量，包括：
获取各所述待排名城市中指定污染物在设定时间段内的日污染物浓度；
基于各所述待排名城市对应的日污染物浓度，确定各所述待排名城市相对各所述空气污染等级的污染量化值，并形成城市污染量化表；
基于所述城市污染量化表，确定所述方案层中各待排名城市相对所述准则层中各空气污染等级的第二判断矩阵，并构成第二判断矩阵集合；
确定各所述第二判断矩阵的最大特征根，并将对应各所述最大特征根的归一化特征向量确定相应第二判断矩阵的第二权重向量。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一权重向量和第二权重向量得到所述层次分析模型中目标层的数据，并根据所述目标层的数据确定所述待排名城市的空气质量排名，包括：
将所述第一权重向量记为第一矩阵，并基于各所述第二权重向量合并形成第二矩阵；
将所述第一矩阵的转置矩阵与所述第二矩阵相乘后获得的目标矩阵作为目标层的数据；
将所述目标矩阵中各元素值对应作为各所述待排名城市的空气质量权重值；
对各所述空气质量权重值由小到大排序，并将排序后各所述空气质量权重值对应的待排名城市作为空气质量排名。
5.根据权利要求1所述的方法，其特征在于，还包括：
根据设定一致性指标公式及一致性检验条件，对所述第一判断矩阵及各所述第二判断矩阵进行一致性检验。
6.根据权利要求5所述的方法，其特征在于，所述一致性指标公式表示为：
其中，CI表示一致性指标值，λ表示待检验矩阵的最大特征根，n表示待检验矩阵的对角线元素之和；
相应的，所述根据设定一致性指标公式及一致性检验条件，对所述第一判断矩阵及各所述第二判断矩阵进行一致性检验，包括：
基于所述一致性指标公式，分别确定所述第一判断矩阵及各所述第二判断矩阵对应的一致性指标值；
根据给定的随机一致性指标数据表，查找所述第一判断矩阵及各所述第二判断矩阵分别对应随机一致性指标值；
基于各所述一致性指标值及相应的随机一致性指标值，确定所述第一判断矩阵及各所述第二判断矩阵的一致性比率；
如果存在小于0.1的一致性比率，则确定所述小于0.1的一致性比率对应的判断矩阵通过一致性检验。
7.根据权利要求6所述的方法，其特征在于，还包括：
基于各所述第二判断矩阵对应的一致性指标值和所述第一判断矩阵的第一权重向量，对所述空气质量排名进行总一致性检验。
8.一种城市空气质量的排名装置，其特征在于，包括：
第一权重确定模块，确定层次分析模型中准则层相对目标层的第一判断矩阵及所述第一判断矩阵的第一权重向量，其中，所述准则层的数据信息为给定的一组空气污染等级；
第二权重确定模块，用于确定所述层次分析模型中方案层相对准则层的第二判断矩阵集合以及所述第二判断矩阵集合中各第二判断矩阵的第二权重向量，其中，所述方案层的数据信息为待排名城市；
空气质量排名模块，用于根据所述第一权重向量及各所述第二权重向量得到所述层次分析模型中目标层的数据，并根据所述目标层的数据确定所述待排名城市的空气质量排名。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的城市空气质量的排名方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的城市空气质量的排名方法。
CN201811043881.XA 2018-09-07 2018-09-07 城市空气质量的排名方法、装置、计算机设备及存储介质 Pending CN109325673A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811043881.XA CN109325673A (zh) 2018-09-07 2018-09-07 城市空气质量的排名方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811043881.XA CN109325673A (zh) 2018-09-07 2018-09-07 城市空气质量的排名方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN109325673A true CN109325673A (zh) 2019-02-12

Family

ID=65263925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811043881.XA Pending CN109325673A (zh) 2018-09-07 2018-09-07 城市空气质量的排名方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN109325673A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003106981A (ja) * 2001-09-27 2003-04-09 Nippon Winton Kk 汚染度調査システム、汚染度調査方法および検出装置
CN105184423A (zh) * 2015-10-20 2015-12-23 国家电网公司 一种风电场集群风速预测方法
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN107909531A (zh) * 2017-11-27 2018-04-13 北京华建网源电力设计研究院有限公司 燃煤工业锅炉烟气脱硝工艺的确定方法
CN108428048A (zh) * 2018-02-27 2018-08-21 国网冀北电力有限公司电力科学研究院 一种充换电网络运营评价方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003106981A (ja) * 2001-09-27 2003-04-09 Nippon Winton Kk 汚染度調査システム、汚染度調査方法および検出装置
CN105184423A (zh) * 2015-10-20 2015-12-23 国家电网公司 一种风电场集群风速预测方法
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN107909531A (zh) * 2017-11-27 2018-04-13 北京华建网源电力设计研究院有限公司 燃煤工业锅炉烟气脱硝工艺的确定方法
CN108428048A (zh) * 2018-02-27 2018-08-21 国网冀北电力有限公司电力科学研究院 一种充换电网络运营评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AN7077: "大气污染论文-数学建模", 《豆丁》 *
曾庆伟: "《计算机在社会经济领域中的应用》", 30 June 1995, 武汉：武汉大学出版社 *
赵涛: "《循环经济概论》", 31 January 2008, 天津：天津大学出版社 *

Similar Documents

Publication Publication Date Title
CN110276556B (zh) 一种基于多策略的环境承载力指标权重计算方法及装置
Aziz et al. Application of artificial neural networks in regional flood frequency analysis: a case study for Australia
Jiang et al. Risk assessment of water quality using Monte Carlo simulation and artificial neural network method
Ahmadi‐Nedushan et al. A review of statistical methods for the evaluation of aquatic habitat suitability for instream flow assessment
Kim et al. Spatial patterning of chlorophyll a and water-quality measurements for determining environmental thresholds for local eutrophication in the Nakdong River basin
CN112287018A (zh) 一种台风灾害下10kV杆塔受损风险评估方法及系统
CN110889196B (zh) 基于水质模型的水环境承载力评估方法、装置及存储介质
CN115409394B (zh) 一种河流连通性综合评价方法及系统
CN113516304B (zh) 基于时空图网络的区域污染物时空联合预测方法及装置
CN113191582B (zh) 一种基于gis与机器学习的道路山洪易损性评价方法
Asadzadeh et al. Assessing site selection of new towns using topsis method under entropy logic: A case study: New towns of tehran metropolitan region (TMR)
Samantaray et al. Sediment assessment for a watershed in arid region via neural networks
CN112016826A (zh) 变电站设备腐蚀程度确定方法、装置和计算机设备
CN111428419A (zh) 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质
CN111178756B (zh) 一种基于环境大数据的多元线性回归火灾风险评估方法
CN108805471A (zh) 基于复合系统作用关系分析的水资源承载能力评价方法
CN117648870A (zh) 一种基于迁移学习的跨区域滑坡易发性评价方法和装置
CN117391542A (zh) 一种基于综合灾情指数的地震间接经济损失评估方法
Bean et al. Interval-valued kriging for geostatistical mapping with imprecise inputs
Shellito et al. Using neural nets to model the spatial distribution of seasonal homes
CN116777201A (zh) 一种河流型水源地风险综合评估预测方法、系统及电子设备
CN109325673A (zh) 城市空气质量的排名方法、装置、计算机设备及存储介质
CN114548585A (zh) 一种基于神经网络的城市建筑震害预测方法
Pagourtzi et al. Architecture for a real estate analysis information system using GIS techniques integrated with fuzzy theory
CN114049031A (zh) 一种雨水调蓄池优化选址的方法

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: 20190212