CN110033198B - 一种危险预测方法及装置 - Google Patents
一种危险预测方法及装置 Download PDFInfo
- Publication number
- CN110033198B CN110033198B CN201910318285.6A CN201910318285A CN110033198B CN 110033198 B CN110033198 B CN 110033198B CN 201910318285 A CN201910318285 A CN 201910318285A CN 110033198 B CN110033198 B CN 110033198B
- Authority
- CN
- China
- Prior art keywords
- data
- external environment
- human health
- geographic information
- dangerous
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000036541 health Effects 0.000 claims abstract description 97
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000010219 correlation analysis Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 64
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 14
- 238000005259 measurement Methods 0.000 description 9
- 231100001261 hazardous Toxicity 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000036772 blood pressure Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
-
- 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
- G06Q50/14—Travel agencies
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种危险预测方法及装置，可以包括：获取用户的人体健康数据，位置对应的地理信息数据以及位置对应的外界环境数据；将人体健康数据，地理信息数据以及外界环境数据进行融合；通过关联分析，从融合后的数据中，提取人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息；根据人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，通过潜在特征分析，确定用户在位置可能发生的危险事件。如此，能够提高危险预测的精准性。
Description
技术领域
本发明涉及信息处理技术领域，特别是涉及一种危险预测方法及装置。
背景技术
随着人们生活质量的逐步提升，旅游逐渐成为人们休闲娱乐的方式之一。但是，在旅途过程中不可避免地会存在安全隐患，对用户的安全造成影响。为了降低用户在旅游过程中安全遭受到影响的可能，对用户可能遭受到的危险进行预测就显得十分重要。
发明内容
本发明实施例的目的在于提供一种危险预测方法及装置，以提高危险预测的精准性。具体技术方案如下：
第一方面，本发明实施例提供了一种危险预测方法，包括：
获取用户的人体健康数据，位置对应的地理信息数据以及所述位置对应的外界环境数据；
将所述人体健康数据，所述地理信息数据以及所述外界环境数据进行融合；
通过关联分析，从融合后的数据中，提取所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息；
根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，通过潜在特征分析，确定所述用户在所述位置可能发生的危险事件。
可选的，所述将所述人体健康数据，所述地理信息数据以及所述外界环境数据进行融合，包括：
通过多传感器有偏估计融合算法，将所述人体健康数据，所述地理信息数据以及所述外界环境数据进行融合。
可选的，所述通过多传感器有偏估计融合算法，将所述人体健康数据，所述地理信息数据以及所述外界环境数据进行融合，包括：
对所述人体健康数据，所述地理信息数据以及所述外界环境数据进行有偏估计，得到所述人体健康数据、所述地理信息数据、以及所述外界环境数据分别对应的有偏估计值；
通过公式：
将所述人体健康数据、所述地理信息数据、以及所述外界环境数据分别对应的有偏估计值进行融合，得到融合后的数据；
其中，
为融合后的数据，
为有偏估计值，
n为有偏估计值的个数。
可选的，所述通过关联分析，从融合后的数据中，提取所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，包括：
通过词频-逆文本频率指数TF-IDF算法，从融合后的数据中挖掘贡献度满足预设贡献度条件的数据；
通过对满足预设贡献度条件的数据进行关联分析，提取所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息。
可选的，所述根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，通过潜在特征分析，确定所述用户在所述位置可能发生的危险事件，包括：
根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，通过非负矩阵分解算法，确定所述用户在所述位置可能发生的危险事件。
可选的，所述根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，通过非负矩阵分解算法，确定所述用户在所述位置可能发生的危险事件，包括：
根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，构造待分解非负矩阵；
通过奇异值分解，对待分解非负矩阵进行初始化；
通过非负矩阵分解算法，对初始化后的待分解非负矩阵进行分解，得到特征矩阵；
根据所述特征矩阵，确定所述用户在所述位置可能发生的危险事件。
可选的，所述危险事件包括直接危险事件；
所述根据所述特征矩阵，确定所述用户在位置可能发生的危险事件，包括：
当所述特征矩阵满足危险事件发生的条件时，将所述危险事件确定为所述用户在位置可能发生的直接危险事件。
可选的，所述危险事件还包括关联危险事件；
所述根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，通过潜在特征分析，确定所述用户在所述位置可能发生的危险事件，包括：
确定所述直接危险事件与其他危险事件的相似度，所述其他危险事件是不同于所述直接危险事件的危险事件；
根据所述直接危险事件与所述其他危险事件的相似度，从所述其他危险事件中确定出与所述直接危险事件相似的关联危险事件。
可选的，在所述根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，通过潜在特征分析，确定所述用户在所述位置可能发生的危险事件之后，所述方法还包括：
展示所述危险事件。
第二方面，本发明实施例提供了一种危险预测装置，包括：
获取模块，用于获取用户的人体健康数据，位置对应的地理信息数据以及所述位置对应的外界环境数据；
融合模块，用于将所述人体健康数据，所述地理信息数据以及所述外界环境数据进行融合；
提取模块，用于通过关联分析，从融合后的数据中，提取所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息；
确定模块，用于根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，通过潜在特征分析，确定所述用户在所述位置可能发生的危险事件。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述第一方面所述的方法步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法步骤。
本发明实施例提供的危险预测方法及装置，可以获取用户的人体健康数据，位置对应的地理信息数据以及位置对应的外界环境数据；将人体健康数据，地理信息数据以及外界环境数据进行融合；通过关联分析，从融合后的数据中，提取人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息；根据人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，通过潜在特征分析，确定用户在位置可能发生的危险事件。本发明实施例中，可以通过用户的人体健康数据，位置对应的地理信息数据以及位置对应的外界环境数据，有针对性地确定不同用户在不同位置可能发生的危险事件。如此，能够提高危险预测的精准性，进而能够及时、有效地为用户提供安全指引，保障用户安全。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例提供的危险预测方法的流程图；
图2为本发明实施例提供的具体实施例的流程示意图；
图3为本发明实施例提供的危险预测装置的结构示意图；
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的危险预测方法可以应用于电子设备。具体地，电子设备可以包括终端、服务器、处理器等等。一种可选的实施例中，本发明实施例提供的危险预测方法可以应用于智能终端体测器。
本发明实施例提供了一种危险预测方法，如图1所示，包括：
S101，获取用户的人体健康数据，位置对应的地理信息数据以及位置对应的外界环境数据。
人体健康数据可以包括用户的血压、心率、身高、体重、性别、年龄、患病历史等基本信息，主要反映用户身体健康情况。
地理信息数据可以包括地理坐标、海拔高度、地形、周围急救中心等基本信息，反映该位置的地理风貌及救援情况等。
外界环境信息可以包括该位置当时的温度、湿度、气压、含氧量等基本信息，反映该位置的外界环境是否可以正常生活等。
一种可选的实施例中，可以通过不同的传感器等分别获取用户的人体健康数据，位置对应的地理信息数据以及位置对应的外界环境数据。如通过不同的传感器获取人体健康数据包括的血压、心率等等，通过不同的传感器获取地理信息数据包括的地理坐标、海拔高度等等，通过不同的传感器获取外界环境信息包括的温度、湿度等等。
S102，将人体健康数据，地理信息数据以及外界环境数据进行融合。
为了更好地分析、预测用户可能遭受到的危险，将有可能影响危险预测的数据都结合起来。本发明实施例中人体健康数据，地理信息数据以及外界环境数据
一种可选的实施例中，可以通过加权融合法、主成分变换方式、K-T变换(Kauth-Thomas变换，缨帽变换)等方式将人体健康数据，地理信息数据以及外界环境数据进行融合。
对数据进行融合关键在于数据融合算法的选择。数据具有多样性和复杂性，因此数据融合算法应具有鲁棒性和并行处理能力。基于有偏估计能够减小最小二乘无偏估计方差的思想，一种可选的实施例中，可以通过多传感器有偏估计融合算法，将人体健康数据，地理信息数据以及外界环境数据进行融合。采用多传感器有偏估计融合算法，能够改善数据融合的可靠性。
S103，通过关联分析，从融合后的数据中，提取人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息。
通过关联分析，生成具有相关性的数据信息。另外，为了后续危险预测时更简便，本发明实施例中对融合后的数据进行特征提取。
提取得到的特征信息可以包括血压、心率、年龄、患病历史、地理位置、海拔高度、气温、气压、含氧量等。
通过提取的特征信息，捕捉用户在某一区域内随外界环境变化、健康指标变化的情况。
S104，根据人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，通过潜在特征分析，确定用户在位置可能发生的危险事件。
本发明实施例中可以将危害用户健康的事件称为危险事件，如心梗、脑溢血、车祸等。
潜在特征分析，即分析人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，是否达到发生危险事件的条件，当达到发生危险事件的条件时，可以确定可能发生的危险事件。本发明实施例中通过检测特征信息随时间变化的情况，以捕获在不同位置可能发生的危险事件，并可以确定发生该危险事件的概率，如此，可以提醒用户，以帮助用户做好有效防范。
本发明实施例中，可以通过用户的人体健康数据，位置对应的地理信息数据以及位置对应的外界环境数据，有针对性地确定不同用户在不同位置可能发生的危险事件。如此，能够提高危险预测的精准性，进而能够及时、有效地为用户提供安全指引，保障用户安全。
一种可选的实施例中，步骤S102中通过多传感器有偏估计融合算法，将人体健康数据，地理信息数据以及外界环境数据进行融合，可以包括：
A11，对人体健康数据，地理信息数据以及外界环境数据进行有偏估计，得到人体健康数据、地理信息数据、以及外界环境数据分别对应的有偏估计值。
A12，通过公式：
将人体健康数据、地理信息数据、以及外界环境数据分别对应的有偏估计值进行融合，得到融合后的数据。
其中，
为融合后的数据，
为有偏估计值，
n为有偏估计值的个数。
假设传感器测量模型为y＝Hx+w，其中，观测矢量y∈Rm×l，观测矩阵H∈Rm×n，未知参数矢量x∈Rn×l，w∈Rm×l。
输入噪声w满足高斯分布，且与x不相关，即E(wTx)＝0和w～N(0，σ2I)。设λ1，λ2，..，λn是对阵矩阵HTH的特征根，且满足λ1≥λ2≥…≥λn＞0。令ρ1，ρ2，..，ρn是对应特征根的标准化正交特征向量，设G＝(ρ1，ρ2，..，ρn)、Z＝HG、ZTZ＝Λ＝diag(λi)，i＝1，2，...，n、α＝GTx，Z是一个中间变量，那么线性模型y＝Hx+w可以转化为典则形式(1)，具体如下：
y＝Zα+w (1)
未知矢量α的最小二乘估计为：
根据假设条件可知y满足高斯分布，方差为var(y)～N(0，σ2I)。根据公式(2)可得
是y的线性变换，所以
也满足高斯分布。取H＝[1，1，...，1]T，可以获得x中每个元素xi，i＝1，2，...，n的无偏测量值为：
其中，ρij和
分别是ρi和
的第j个元素。
的估计方差矩阵为：
由于无偏测量与最小二乘估计之间是等价的，所以在此基础上解决有偏测量与无偏测量的可靠性定量表示问题。
对于y＝Hx+w，岭估计表示为：
典则形式下，岭估计化筒为：
其中，k≥0是偏参数。当采用对角矩阵K＝diag{ki}，i＝1，2，...，n替换kI时，则岭估计变为广义岭估计。此时(6)和(7)分别表示为(8)和(9)：
K的对角元素取相同值时，广义岭估计退化为岭估计。本发明实施例中沿用广义岭估计，其偏差和方差分别为(10)和(11)：
从公式(7)和(9)可以看出岭估计
和广义岭估计
均是最小二乘估计的线性变换，变换矩阵分别为(A+kI)-1Λ和(Λ+K)-1Λ。综合考虑公式(4)和(9)，针对广义岭估计可得：
又H＝[1，1，...，1]T，根据公式(12)即可获得未知参数的有偏测量值。可知，
是
的线性变化，由于正态分布的线性组合仍然是正态分布，同时考虑式公式(2)，可得广义岭估计
也满足正态分布。特别地，当H＝[1，1，...，1]T时，典则形式与常规形式y＝Hx+w具有相同的数学表达式。
本发明实施例采用凸组合融合结构，解决多个传感器数据融合的问题。令多传感器测量系统由N个传感器组成，并假设已获得单传感器的有偏测量值
i＝1，2，...，N，则通过多传感器有偏估计融合算法融合后的数据
表示为：
凸组合系数满足：
其中，n为有偏估计值的个数。
基于公式(13)和式(14)分析多传感器有偏估计融合算法进行融合的方差和偏差，公式(15)表示多传感器有偏测量可靠度：
为了提取人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，通过关联分析，生成具有相关性的数据信息，以实现特征提取。本发明一种可选的实施例中，步骤S103：从融合后的数据中，提取人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，包括：
A21，通过词频-逆文本频率指数(TF-IDF，Term Frequency–Inverse DocumentFrequenc)算法，从融合后的数据中挖掘贡献度满足预设贡献度条件的数据。
A22，通过对满足预设贡献度条件的数据进行关联分析，提取人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息。
预设贡献度条件可以是TF-IDF值大于等于预设贡献度阈值等。
TF-IDF是一种在文本挖掘中广泛使用的特征向量化算法，体现词语在语料库中的重要程度。具体来讲，如果一个词有较高的TF-IDF值，则这个词的意义就越大。本发明实施例中通过TF-IDF算法挖掘词语对整个数据的贡献度。
一种可选的实施例中，步骤S104：根据人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，通过潜在特征分析，确定用户在位置可能发生的危险事件，可以包括：
根据人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，通过非负矩阵分解算法，确定用户在位置可能发生的危险事件。
具体地，可以包括：
B11，根据人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，构造待分解非负矩阵。
B12，通过奇异值分解，对待分解非负矩阵进行初始化。
B13，通过非负矩阵分解算法，对初始化后的待分解非负矩阵进行分解，得到特征矩阵。
具体地，非负矩阵分解算法(Non-negative Matrix Factorization，NMF)是一种矩阵分解和投影技术，其基本原理如下：对于非负矩阵V，存在W≥0，H≥0，满足Am×n＝Wn× rHr×m。
A是待分解非负矩阵，n为数据的条数，m为公式(10)中
的维度，其中，r为特征维数，通常nm＞(n+m)r，所以得到的W和H小于V，从而实现数据的压缩，压缩率为
且称W为基矩阵，H为系数矩阵，W和H均为分解结果。
为了描述V≈WH。的近似程度，需要定义目标函数，可以通过V和WH之间的距离来度量。一种方式是利用V和WH之间的欧式距离计算，对应的目标函数为：
E(V||WH)＝|V-WH|2＝∑ij[Vij-(WH)ij]2 (16)
另一种方式是利用V和WH之间之间的广义K-L散度，对应的目标函数为：
使用NMF特征提取方式，得到的基矩阵是起关键作用的特征，系数矩阵的元素是局部特征累加为整体的权系数。非负矩阵分解得到的是局部最优解，其结果往往与初始化有关。本发明实施例中采用了基于奇异值分解结合的方式进行初始化。
奇异值分解适用于任意矩阵的分解，如公式(18)所示：
Am×n≈Um×rMr×rVT r×n (18)
Um×rMr×rVT r×n表示Am×n的近似值，也是非负矩阵分解的输入。
其中，A是一个m×n的待分解矩阵，U是m×r的正交矩阵(U中的向量称为左奇异向量)，M是r×r的对角矩阵，对角上的元素为奇异值，VT是r×n的正交矩阵(V中的向量称为右奇异向量)。
首先计算A的奇异值，根据特征值的定义先构造一个和A相关的方阵ATA，利用这个方阵可以得到(ATA)vi＝λivi，这里得到的vi就是上述右奇异向量，此外还可以得到公式(19)和公式(20)。
σi是奇异值，ui是左奇异向量。奇异值与特征值很相似，按从大到小的顺序排列，而且σ的值减小的特别快。也就是说可以用前r个大的奇异值来近似的描述矩阵，这里可以得到奇异值的分解：
Am×n≈Um×rMr×rVT r×n(21)
其中，r是一个远小于m和n的值。
B14，根据特征矩阵，确定用户在位置可能发生的危险事件。
一种可选的实施例中，危险事件可以包括直接危险事件。当特征矩阵满足危险事件发生的条件时，将危险事件确定为用户在位置可能发生的直接危险事件。
另一种可选的实施例中，危险事件还可以包括关联危险事件。
步骤S104：根据人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，通过潜在特征分析，确定用户在位置可能发生的危险事件，可以包括：
B21，确定直接危险事件与其他危险事件的相似度。
其他危险事件是不同于直接危险事件的危险事件。
B22，根据直接危险事件与其他危险事件的相似度，从其他危险事件中确定出与直接危险事件相似的关联危险事件。
在潜在特征分析过程中，利用NMF检测潜在的危险。仅仅挖掘直接危险事件以及该直接危险事件发生的概率是远远不够的，某一直接危险事件的发生可能会引发其他危险事件，因此获得关联危险事件的发生是非常必要的。本发明实施例中利用模块化聚类的方式对具有相似危险的危险事件进行聚类。
针对n1个危险事件，首先构造一个n1*n1的相似度矩阵A1，A1cd表示危险事件c和d的相似度。本发明实施例中使用欧式距离计算两个危险事件的相似度。为了计算方便，当相似度大于阈值β时，令A1cd＝1或A1cd＝0。本发明实施例中β可以取为0.4。根据A1构造模块化矩阵B1，其中，B1cd为B1中的元素：
其中dc表示与事件c相似度大于β的个数，等价于图论中结点的度，m表示两个危险事件相似度大于β的个数，等价于图论中图的边数。模块化度量函数Q为：
其中，εcd表示事件c和事件d是否属于同一类危险事件的参数，
本发明通求解B1最大的特征值对应的特征向量对事件进行划分，进而近似求解最大化Q。根据特征向量中元素的正负对事件进行聚类，元素大于零的危险事件属于同一类，小于零的危险事件属于另一类。之后是一个循环迭代过程，将每一类看成一个新的待分析事件，根据以上步骤再次进行聚类。当求解的最大特征值为0时循环结束，得到最终的聚类结果。
一种可选的实施例中，在步骤S104：根据人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，通过潜在特征分析，确定用户在位置可能发生的危险事件之后，还可以包括：
展示危险事件。
为了使用户更加直观的了解周围环境信息。本发明实施例中可以进行可视化展示，具体地，可以通过可视化展示模块进行展示。
具体地，如图2所示。本发明实施例中通过获取多维数据结构，如人体健康数据、外界环境数据和地理信息数据，具体地可以通过北斗系统等获取多维数据结构，然后经过数据融合、特征提取、潜在特征分析以及可视化展示，将不同用户在不同位置可能发生的危险事件，以及该危险事件发生女的概率提示给用户。同时，可以提示针对危险事件的危险防范。
其中，特征提取可以提取九个基本特征，包括血压、心率、年龄、患病历史、地理位置、海拔高度、气温、气压、含氧量。
根据提取的九个基本特征进行危险事件分析。具体地通过潜在特征分析以及存在关联的危险事件聚类确定用户在具体的位置可能发生的危险事件。然后，对危险事件进行可视化展示。
其中，可视化展示可以通过全局图和/或细节图进行展示。在全局图中，可以展示附近地区可能发生的危险；在细节图中，展示当前位置的地理位置信息、外部环境信息，以及可以展示用户在该位置可能发生的危险等等，如此，能够方便用户实时了解当前状态，提供及时有效的帮助与指引，以便于用于做好应急措施。另外，还可以针对可能发生的危险，提供防范提示等等。
通过本发明实施例提供的危险预测方法，不仅能够实时掌握附近位置的安全情况，而且可以结合传感器的健康数据实时预测可能遇到的危险及概率，以做好防范工作。
本发明实施例提供了一种危险预测装置，如图3所示，包括：
获取模块301，用于获取用户的人体健康数据，位置对应的地理信息数据以及位置对应的外界环境数据；
融合模块302，用于将人体健康数据，地理信息数据以及外界环境数据进行融合；
提取模块303，用于通过关联分析，从融合后的数据中，提取人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息；
确定模块304，用于根据人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，通过潜在特征分析，确定用户在位置可能发生的危险事件。
本发明实施例中，可以通过用户的人体健康数据，位置对应的地理信息数据以及位置对应的外界环境数据，有针对性地确定不同用户在不同位置可能发生的危险事件。如此，能够提高危险预测的精准性，进而能够及时、有效地为用户提供安全指引，保障用户安全。
可选的，融合模块302，具体用于通过多传感器有偏估计融合算法，将人体健康数据，地理信息数据以及外界环境数据进行融合。
可选的，融合模块302，具体用于对人体健康数据，地理信息数据以及外界环境数据进行有偏估计，得到人体健康数据、地理信息数据、以及外界环境数据分别对应的有偏估计值；
通过公式：
将人体健康数据、地理信息数据、以及外界环境数据分别对应的有偏估计值进行融合，得到融合后的数据；
其中，
为融合后的数据，
为有偏估计值，
n为有偏估计值的个数。
可选的，提取模块303，具体用于通过词频-逆文本频率指数TF-IDF算法，从融合后的数据中挖掘贡献度满足预设贡献度条件的数据；通过对满足预设贡献度条件的数据进行关联分析，提取人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息。
可选的，确定模块304，具体用于根据人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，通过非负矩阵分解算法，确定用户在位置可能发生的危险事件。
可选的，确定模块304，具体用于根据人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，构造待分解非负矩阵；通过奇异值分解，对待分解非负矩阵进行初始化；通过非负矩阵分解算法，对初始化后的待分解非负矩阵进行分解，得到特征矩阵；根据特征矩阵，确定用户在位置可能发生的危险事件。
可选的，危险事件包括直接危险事件；
确定模块304，具体用于当特征矩阵满足危险事件发生的条件时，将危险事件确定为用户在位置可能发生的直接危险事件。
可选的，危险事件还包括关联危险事件；
确定模块304，具体用于确定直接危险事件与其他危险事件的相似度，其他危险事件是不同于直接危险事件的危险事件；根据直接危险事件与其他危险事件的相似度，从其他危险事件中确定出与直接危险事件相似的关联危险事件。
可选的，该装置还包括：展示模块，用于在根据人体健康数据，地理信息数据以及外界环境数据分别对应的特征信息，通过潜在特征分析，确定用户在位置可能发生的危险事件之后，展示危险事件。
需要说明的是，本发明实施例提供的危险预测装置是应用上述危险预测方法的装置，则上述危险预测方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
本发明实施例还提供了一种电子设备，如图4所示，包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。
存储器403，用于存放计算机程序；
处理器401，用于执行存储器403上所存放的程序时，实现上述危险预测方法的方法步骤。
本发明实施例中，可以通过用户的人体健康数据，位置对应的地理信息数据以及位置对应的外界环境数据，有针对性地确定不同用户在不同位置可能发生的危险事件。如此，能够提高危险预测的精准性，进而能够及时、有效地为用户提供安全指引，保障用户安全。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述危险预测方法的方法步骤。
本发明实施例中，可以通过用户的人体健康数据，位置对应的地理信息数据以及位置对应的外界环境数据，有针对性地确定不同用户在不同位置可能发生的危险事件。如此，能够提高危险预测的精准性，进而能够及时、有效地为用户提供安全指引，保障用户安全。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (7)
1.一种危险预测方法，其特征在于，包括：
获取用户的人体健康数据，位置对应的地理信息数据以及所述位置对应的外界环境数据；
将所述人体健康数据，所述地理信息数据以及所述外界环境数据进行融合；
通过关联分析，从融合后的数据中，提取所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息；
根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，通过潜在特征分析，确定所述用户在所述位置可能发生的危险事件；
所述通过关联分析，从融合后的数据中，提取所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，包括：
通过词频-逆文本频率指数TF-IDF算法，从融合后的数据中挖掘贡献度满足预设贡献度条件的数据；
通过对满足预设贡献度条件的数据进行关联分析，提取所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息；
所述根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，通过潜在特征分析，确定所述用户在所述位置可能发生的危险事件，包括：
根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，构造待分解非负矩阵；
通过奇异值分解，对待分解非负矩阵进行初始化；
通过非负矩阵分解算法，对初始化后的待分解非负矩阵进行分解，得到特征矩阵；
根据所述特征矩阵，确定所述用户在所述位置可能发生的危险事件。
2.根据权利要求1所述的方法，其特征在于，所述将所述人体健康数据，所述地理信息数据以及所述外界环境数据进行融合，包括：
通过多传感器有偏估计融合算法，将所述人体健康数据，所述地理信息数据以及所述外界环境数据进行融合。
3.根据权利要求2所述的方法，其特征在于，所述通过多传感器有偏估计融合算法，将所述人体健康数据，所述地理信息数据以及所述外界环境数据进行融合，包括：
对所述人体健康数据，所述地理信息数据以及所述外界环境数据进行有偏估计，得到所述人体健康数据、所述地理信息数据、以及所述外界环境数据分别对应的有偏估计值；
通过公式：
将所述人体健康数据、所述地理信息数据、以及所述外界环境数据分别对应的有偏估计值进行融合，得到融合后的数据；
其中，
为融合后的数据，
为有偏估计值，
0≤Wi≤1，n为有偏估计值的个数。
4.根据权利要求1所述的方法，其特征在于，所述危险事件包括直接危险事件；
所述根据所述特征矩阵，确定所述用户在位置可能发生的危险事件，包括：
当所述特征矩阵满足危险事件发生的条件时，将所述危险事件确定为所述用户在位置可能发生的直接危险事件。
5.根据权利要求4所述的方法，其特征在于，所述危险事件还包括关联危险事件；
所述根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，通过潜在特征分析，确定所述用户在所述位置可能发生的危险事件，包括：
确定所述直接危险事件与其他危险事件的相似度，所述其他危险事件是不同于所述直接危险事件的危险事件；
根据所述直接危险事件与所述其他危险事件的相似度，从所述其他危险事件中确定出与所述直接危险事件相似的关联危险事件。
6.根据权利要求1至5任一项所述的方法，其特征在于，在所述根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，通过潜在特征分析，确定所述用户在所述位置可能发生的危险事件之后，所述方法还包括：
展示所述危险事件。
7.一种危险预测装置，其特征在于，包括：
获取模块，用于获取用户的人体健康数据，位置对应的地理信息数据以及所述位置对应的外界环境数据；
融合模块，用于将所述人体健康数据，所述地理信息数据以及所述外界环境数据进行融合；
提取模块，用于通过关联分析，从融合后的数据中，提取所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息；
确定模块，用于根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，通过潜在特征分析，确定所述用户在所述位置可能发生的危险事件；
所述提取模块，具体用于：
通过词频-逆文本频率指数TF-IDF算法，从融合后的数据中挖掘贡献度满足预设贡献度条件的数据；
通过对满足预设贡献度条件的数据进行关联分析，提取所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息；
所述确定模块，具体用于：
根据所述人体健康数据，所述地理信息数据以及所述外界环境数据分别对应的特征信息，构造待分解非负矩阵；
通过奇异值分解，对待分解非负矩阵进行初始化；
通过非负矩阵分解算法，对初始化后的待分解非负矩阵进行分解，得到特征矩阵；
根据所述特征矩阵，确定所述用户在所述位置可能发生的危险事件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910318285.6A CN110033198B (zh) | 2019-04-19 | 2019-04-19 | 一种危险预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910318285.6A CN110033198B (zh) | 2019-04-19 | 2019-04-19 | 一种危险预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110033198A CN110033198A (zh) | 2019-07-19 |
| CN110033198B true CN110033198B (zh) | 2021-10-01 |
Family
ID=67239273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910318285.6A Active CN110033198B (zh) | 2019-04-19 | 2019-04-19 | 一种危险预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110033198B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110840401B (zh) * | 2019-11-15 | 2022-11-18 | 浪潮电子信息产业股份有限公司 | 一种心率值测定方法、装置、设备及可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407643A (zh) * | 2016-08-03 | 2017-02-15 | 无锡金世纪国民体质与健康研究有限公司 | 一种健康风险评估系统的建立方法 |
| CN108231195A (zh) * | 2016-12-19 | 2018-06-29 | 普天信息技术有限公司 | 健康风险预警方法、服务器、装置及空气质量预报方法 |
| CN108375393A (zh) * | 2018-02-05 | 2018-08-07 | 广东小天才科技有限公司 | 一种基于环境的危险预警方法及可穿戴设备 |
| CN108511002A (zh) * | 2018-01-23 | 2018-09-07 | 努比亚技术有限公司 | 危险事件声音信号识别方法、终端和计算机可读存储介质 |
| CN109189930A (zh) * | 2018-09-01 | 2019-01-11 | 网易（杭州）网络有限公司 | 文本特征提取及提取模型优化方法以及介质、装置和设备 |
| CN109255468A (zh) * | 2018-08-07 | 2019-01-22 | 北京优酷科技有限公司 | 一种危险预测的方法及服务器 |
| CN109313732A (zh) * | 2016-07-22 | 2019-02-05 | 爱德华兹生命科学公司 | 预测风险模型优化 |
| CN109637089A (zh) * | 2019-01-08 | 2019-04-16 | 合肥鑫晟光电科技有限公司 | 用户安全的预警方法及装置 |
-
2019
- 2019-04-19 CN CN201910318285.6A patent/CN110033198B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109313732A (zh) * | 2016-07-22 | 2019-02-05 | 爱德华兹生命科学公司 | 预测风险模型优化 |
| CN106407643A (zh) * | 2016-08-03 | 2017-02-15 | 无锡金世纪国民体质与健康研究有限公司 | 一种健康风险评估系统的建立方法 |
| CN108231195A (zh) * | 2016-12-19 | 2018-06-29 | 普天信息技术有限公司 | 健康风险预警方法、服务器、装置及空气质量预报方法 |
| CN108511002A (zh) * | 2018-01-23 | 2018-09-07 | 努比亚技术有限公司 | 危险事件声音信号识别方法、终端和计算机可读存储介质 |
| CN108375393A (zh) * | 2018-02-05 | 2018-08-07 | 广东小天才科技有限公司 | 一种基于环境的危险预警方法及可穿戴设备 |
| CN109255468A (zh) * | 2018-08-07 | 2019-01-22 | 北京优酷科技有限公司 | 一种危险预测的方法及服务器 |
| CN109189930A (zh) * | 2018-09-01 | 2019-01-11 | 网易（杭州）网络有限公司 | 文本特征提取及提取模型优化方法以及介质、装置和设备 |
| CN109637089A (zh) * | 2019-01-08 | 2019-04-16 | 合肥鑫晟光电科技有限公司 | 用户安全的预警方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110033198A (zh) | 2019-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gawlikowski et al. | A survey of uncertainty in deep neural networks | |
| Altuzarra et al. | A Bayesian priorization procedure for AHP-group decision making | |
| CN107403092B (zh) | 一种手机app隐私风险量化评估方法 | |
| Fotopoulos et al. | Exact asymptotic distribution of change-point MLE for change in the mean of Gaussian sequences | |
| Singer et al. | Graphical tools for detecting departures from linear mixed model assumptions and some remedial measures | |
| JPWO2020049087A5 (zh) | ||
| US20170249559A1 (en) | Apparatus and method for ensembles of kernel regression models | |
| CN110210244B (zh) | 检测社交媒体用户隐私泄露的方法和系统 | |
| Garnett et al. | Sequential Bayesian prediction in the presence of changepoints | |
| Varin et al. | Pairwise likelihood inference for ordinal categorical time series | |
| CN109492769A (zh) | 一种粒子滤波方法、系统和计算机可读存储介质 | |
| Chakraborty et al. | Time-varying modeling of land cover change dynamics due to forest fires | |
| Azami et al. | GPS GDOP classification via improved neural network trainings and principal component analysis | |
| Musoro et al. | Dynamic prediction of mortality among patients in intensive care using the sequential organ failure assessment (SOFA) score: a joint competing risk survival and longitudinal modeling approach | |
| CN110033198B (zh) | 一种危险预测方法及装置 | |
| Amarullah et al. | Planning decision support system using building mall AHP (Analytical Hierarchy Process) | |
| Bakar et al. | Bayesian Gaussian models for point referenced spatial and spatio-temporal data | |
| Forkman et al. | Performance of empirical BLUP and Bayesian prediction in small randomized complete block experiments | |
| Jahufer | Detecting global influential observations in Liu regression model | |
| Tsionas et al. | Neglected chaos in international stock markets: Bayesian analysis of the joint return–volatility dynamical system | |
| Apputhurai et al. | Accounting for uncertainty in extremal dependence modeling using Bayesian model averaging techniques | |
| Thoya et al. | Evaluating methods of assessing optimism in regression models | |
| CN104572820A (zh) | 模型的生成方法及装置、重要度获取方法及装置 | |
| Zhou et al. | Detecting errors in numerical data via any regression model | |
| Hof et al. | Simulated maximum likelihood estimation in joint models for multiple longitudinal markers and recurrent events of multiple types, in the presence of a terminal event |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |