CN110889635A - 一种用于对食品安全事件的处理进行应急演练的方法 - Google Patents
一种用于对食品安全事件的处理进行应急演练的方法 Download PDFInfo
- Publication number
- CN110889635A CN110889635A CN201911201177.7A CN201911201177A CN110889635A CN 110889635 A CN110889635 A CN 110889635A CN 201911201177 A CN201911201177 A CN 201911201177A CN 110889635 A CN110889635 A CN 110889635A
- Authority
- CN
- China
- Prior art keywords
- information
- dynamic
- parameter
- drilling
- initialization
- 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.)
- Granted
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种用于对食品安全事件的处理进行应急演练的方法,包括:建立关于食品安全事件的应急演练场景库、参与要素信息库、训练模型库;根据预设的演练场景获取该演练的场景初始化信息;根据所述场景初始化信息获取该演练的参与要素初始化信息;根据所述参与要素信息库获取参与要素特征的初始化特征值;对所述场景初始化信息、所述参与要素初始化信息、以及所述参与要素特征的初始化特征值进行卷积、激活、池化处理,得到关于食品安全事件的动态演练模型参数信息;对所述动态演练模型参数信息与所述训练模型库的特征权重值进行全连接层处理,得到关于食品安全事件的动态演练模型;本发明能够提升对食品安全事件预测的准确性。
Description
技术领域
本发明涉及安全事件处理领域,具体是一种用于对食品安全事件的处理进行应急演练的方法。
背景技术
在食品安全重大事件及突发事件的应急管理方面,应急演练是一个有效的“事前防范措施”。目前国内外应急演练从演练形式上分为桌面讨论型演练和实操型演练,主要不足在于演练效果不真实、体验差,对不同演练场景的应变能力差,演练模型僵化,难以适应食品安全应急演练的多样性需求,对食品安全事件的预测准确性不够高。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供用于对食品安全事件的处理进行应急演练的方法,能够提升对食品安全事件预测的准确性。
为了实现根据本发明的这些目的和其它优点,提供了一种用于对食品安全事件的处理进行应急演练的方法,包括:
建立关于食品安全事件的应急演练场景库、关于应急演练的参与要素信息库、训练模型库;
根据预设的演练场景获取该演练的场景初始化信息;
根据所述场景初始化信息获取该演练的参与要素初始化信息;
根据所述参与要素信息库获取参与要素特征的初始化特征值;
利用神经网络技术对所述场景初始化信息、所述参与要素初始化信息、以及所述参与要素特征的初始化特征值进行卷积、激活、池化处理,得到关于食品安全事件的动态演练模型参数信息;
对所述动态演练模型参数信息与所述训练模型库的特征权重值进行全连接处理,得到关于食品安全事件的动态演练模型;
根据所述动态演练模型预测目标事件的安全性;
其中,所述应急演练场景库预存应急场景参数信息,所述应急场景参数信息包括关于食品安全事件发生的空间信息、时间信息、地理位置信息、环境信息、交通信息、受影响的人数信息、事件等级信息、食品安全事件的类别信息,所述参与要素信息库预存的信息包括参与演练的机构信息、人员信息、以及应急演练中所需的设备信息。
优选地,所述的用于对食品安全事件的处理进行应急演练的方法,其中,所述参与要素信息库包括动态参数库与稳态参数库,所述动态参数库中预存动态参数信息,所述动态参数信息包括所述机构信息、所述人员信息,所述稳态参数库预存稳态参数信息,所述稳态参数信息包括所述设备信息。
优选地,所述的用于对食品安全事件的处理进行应急演练的方法,其中,所述食品安全事件包括重大事件与突发事件。
优选地,所述的用于对食品安全事件的处理进行应急演练的方法,其中,将所述场景初始化信息、所述参与要素初始化信息转换为关于卷积网络的N*N维的信息输入矩阵,对所述信息输入矩阵、所述参与要素特征的初始化特征值进行卷积、激活、池化处理,得到关于所述动态演练模型参数信息;
其中,所述信息输入矩阵的维数由应急演练场景的参数个数A、动态参与者参数个数B、稳态参与者参数个数C、全局动态调整参数个数D共同组成,所述全局动态调整参数为依据动态建模的评估结果进行动态配置所形成的参数。
优选地,所述的用于对食品安全事件的处理进行应急演练的方法,其中,
建立动态参数特征库与稳态参数特征库;
根据所述动态参数库获取动态参数特征信息并存入所述动态参数特征库;
根据所述稳态参数库获取稳态参数特征信息并存入所述稳态参数特征库;
根据所述动态参数特征库获取动态参数初始化特征值,根据所述稳态参数特征库获取稳态参数初始化特征值;
将所述信息输入矩阵分别与所述动态参数初始化特征值、稳态参数初始化特征值进行并行的卷积、激活、池化处理,得到所述动态演练模型参数信息。
优选地,所述的用于对食品安全事件的处理进行应急演练的方法,其中,
对所述动态参数特征信息与所述稳态参数特征信息进行混合初始化处理,生成动静混合特征值;
将所述信息输入矩阵分别与所述动态参数初始化特征值、稳态参数初始化特征值进行并行的卷积、激活、池化处理后的结果,与所述动静混合特征值混合,再次进行卷积、激活、池化处理,得到所述动态演练模型参数信息。
优选地,所述的用于对食品安全事件的处理进行应急演练的方法,其中,所述信息输入矩阵的维数N的值大于或等于18且小于或等于36。
优选地,所述的用于对食品安全事件的处理进行应急演练的方法,其中,所述动静混合特征值对应的向量维数大于所述应急演练场景的参数个数,所述动静混合特征值对应的向量维数大于所述动态参与者参数个数,所述动静混合特征值对应的向量维数小于所述应急演练场景的参数个数与所述动态参与者参数个数之和。
本发明至少包括以下有益效果:
本发明结合食品安全重大事件及突发事件应急演练过程中各参与要素的特征,将卷积神经网络技术应用到食品安全重大事件及突发事件的应急演练的建模过程中来,实现应急演练建模的数字化、动态化、科学化,提升了应急演练模型的准确性、真实性、可适应性。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的实施例1的一个流程示意图;
图2为本发明的实施例1的逻辑示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
参见图1,本发明提供了一种用于对食品安全事件的处理进行应急演练的方法,包括:
建立关于食品安全事件的应急演练场景库、关于应急演练的参与要素信息库、训练模型库;
根据预设的演练场景获取该演练的场景初始化信息;
根据所述场景初始化信息获取该演练的参与要素初始化信息;
根据所述参与要素信息库获取参与要素特征的初始化特征值;
利用神经网络技术对所述场景初始化信息、所述参与要素初始化信息、以及所述参与要素特征的初始化特征值进行卷积、激活、池化处理,得到关于食品安全事件的动态演练模型参数信息;
对所述动态演练模型参数信息与所述训练模型库的特征权重值进行全连接处理,得到关于食品安全事件的动态演练模型;
根据所述动态演练模型预测目标事件的安全性;
其中,所述应急演练场景库预存应急场景参数信息,所述应急场景参数信息包括关于食品安全事件发生的空间信息、时间信息、地理位置信息、环境信息、交通信息、受影响的人数信息、事件等级信息、食品安全事件的类别信息,所述参与要素信息库预存的信息包括参与演练的机构信息、人员信息、以及应急演练中所需的设备信息。
上述技术方案中建立的关于食品安全事件的应急演练场景库、关于应急演练的参与要素信息库、训练模型库以APP的形式在智能终端设备上运行,智能终端设备可以是计算机设备、平板电脑设备或者智能手机等。应急演练场景库预存的应急场景参数信息是关于常见类型的食品安全事件发生的信息,例如饭店食品中毒事件发生的空间信息、时间信息、地理位置信息、环境信息、交通信息、受影响的人数信息、事件等级信息、食品安全事件的类别信息。所述参与要素信息库预存的信息指的是当发生某种食品安全事件时可能出现的主要参与者,主要包括参与演练的机构信息(例如在医疗机构、消防机构等)、人员信息(例如医护人员等)、以及应急演练中所需的设备信息(例如医疗救护设备等)。训练模型库可以按照以下方法构建,收集关于食品安全事件的信息数据,对这些信息数据进行机器学习即可获得训练模型库,训练模型库为现有技术。
本技术方案在建立动态演练模型中利用了神经网络技术进行卷积、池化处理,可以实现有效的计算,节省运算代价,提高了运算速度。此外,本发明在建立动态演练模型的过程中考虑了关于食品安全事件的多种影响因素(例如应急演练场景库、参与要素信息库中所记载的多种影响因素),因此获得动态演练模型在预测食品事件的安全性方面能够取得非常高的准确性。
在另一种技术方案中,所述的用于对食品安全事件的处理进行应急演练的方法,其中,所述参与要素信息库包括动态参数库与稳态参数库,所述动态参数库中预存动态参数信息,所述动态参数信息包括所述机构信息、所述人员信息,所述稳态参数库预存稳态参数信息,所述稳态参数信息包括所述设备信息。
本技术方案将所述参与要素信息库区分为动态参数库与稳态参数库,是为了提升食品安全事件预测的准确性。
在另一种技术方案中,所述的用于对食品安全事件的处理进行应急演练的方法,其中,所述食品安全事件包括重大事件与突发事件。提升食品安全事件预测的准确性。
在另一种技术方案中,所述的用于对食品安全事件的处理进行应急演练的方法,其中,将所述场景初始化信息、所述参与要素初始化信息转换为关于卷积网络的N*N维的信息输入矩阵,对所述信息输入矩阵、所述参与要素特征的初始化特征值进行卷积、激活、池化处理,得到关于所述动态演练模型参数信息;
其中,所述信息输入矩阵的维数由应急演练场景的参数个数A、动态参与者参数个数B、稳态参与者参数个数C、全局动态调整参数个数D共同组成,所述全局动态调整参数为依据动态建模的评估结果进行动态配置所形成的参数。
在另一种技术方案中,所述的用于对食品安全事件的处理进行应急演练的方法,其中,建立动态参数特征库与稳态参数特征库;
根据所述动态参数库获取动态参数特征信息并存入所述动态参数特征库;
根据所述稳态参数库获取稳态参数特征信息并存入所述稳态参数特征库;
根据所述动态参数特征库获取动态参数初始化特征值,根据所述稳态参数特征库获取稳态参数初始化特征值;
将所述信息输入矩阵分别与所述动态参数初始化特征值、稳态参数初始化特征值进行并行的卷积、激活、池化处理,得到所述动态演练模型参数信息。对动态参数库、稳态参数库中的信息进行进一步处理,提升动态演练模型的准确性。
在另一种技术方案中,所述的用于对食品安全事件的处理进行应急演练的方法,其中,
对所述动态参数特征信息与所述稳态参数特征信息进行混合初始化处理,生成动静混合特征值;
将所述信息输入矩阵分别与所述动态参数初始化特征值、稳态参数初始化特征值进行并行的卷积、激活、池化处理后的结果,与所述动静混合特征值混合,再次进行卷积、激活、池化处理,得到所述动态演练模型参数信息。
本技术方案对所述动态参数特征信息与所述稳态参数特征信息进行混合初始化处理,是为了提升动态演练模型的准确性。
在另一种技术方案中,所述的用于对食品安全事件的处理进行应急演练的方法,其中,所述信息输入矩阵的维数N的值大于或等于18且小于或等于36。
本技术方案考虑到系统计算复杂度,节省计算资源,保证系统的运算效率。
在另一种技术方案中,所述的用于对食品安全事件的处理进行应急演练的方法,其中,所述动静混合特征值对应的向量维数大于所述应急演练场景的参数个数,所述动静混合特征值对应的向量维数大于所述动态参与者参数个数,所述动静混合特征值对应的向量维数小于所述应急演练场景的参数个数与所述动态参与者参数个数之和。
进一步地,本发明还提供了一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1~8中任一项所述的方法。
本方案中所述的电子设备可以是计算机设备、平板电脑以及智能手机等。
进一步地,所述存储器存储有计算机程序,该程序被处理器执行时,实现权利要求1~8中任一项所述的方法。
这里的存储介质可以是U盘、或者计算机设备的硬盘等
实施例1
S100、建立关于食品安全事件的应急演练场景库、关于应急演练的动态参数库、稳态参数库、训练模型库、动态参数特征库、稳态参数特征库、模型评价指标库;这里的模型评价指标库是为了对后续形成的动态演练模型进行评价的。
S200、根据预设的演练场景获取该演练的场景初始化信息;工作人员根据实际需要预设一个演练场景,根据该演练场景从应急演练场景库获取对应的应急场景参数信息,进行初始化处理,获取场景初始化信息。
S300、根据所述场景初始化信息获取该演练的参与要素初始化信息;根据S200中获取的场景初始化信息从动态参数库、稳态参数库中获取对应的参与要素初始化信息中的动态参数信息与稳态参数信息,然后进行初始化处理,获取动态参数初始化信息与稳态参数初始化信息,这两种初始化信息即为参与要素初始化信息。这一步的目的是为了对当前应急演练所有参与演练的机构、单位、人员等应急处理能力可动态调整的动态要素资源进行初始化的量化设置;以及对应急演练中所需的各种应急快检设备、应急处理设备、应急通信设备、应急指挥设备、应急运输设备、应急食品等应急处理能力稳定的要素资源进行初始化量化设置。这两种参与要素的量化数据描述当前场景下进行应急演练所需参与者的具体量化情况。
S400、将所述场景初始化信息、所述参与要素初始化信息转换为关于卷积网络的N*N维的信息输入矩阵;将上文获取的动态参数初始化信息与稳态参数初始化信息结合全局动态可调整参数一起转换为一个N*N维的信息输入矩阵,信息输入矩阵的维数值N由演练场景参数的个数A、参与要素动态参数个数B、参与要素稳态参数个数C、全局动态调整参数个数D共同组成,即N=A+B+C+D,考虑到系统计算复杂度,建议36>=N>=18。
S500、根据所述参与要素信息库获取参与要素特征的初始化特征值;根据所述参与要素信息库获取对应的动态参数特征库、稳态参数特征库,根据动态参数特征库、稳态参数特征库生成对应的动态参数初始化特征值λ(B)1和稳态参数初始化特征值λ(C)1,这两种初始化特征值λ(B)1和λ(C)1即为所述参与要素特征的初始化特征值。
S600、将所述信息输入矩阵分别与所述动态参数初始化特征值、稳态参数初始化特征值进行并行的卷积、激活、池化处理;这里的做法即是将步骤S400中获取的信息输入矩阵与S500中获取的初始化特征值λ(B)1和λ(C)1分别进行卷积运算与激活运算以及池化处理,其中,卷积运算可以利用神经网络技术处理,激活运算可以采用非线性激活函数ReLU函数处理,最后进行池化处理,即将并行计算的结果输入到并行结果池化层进行数据降维处理,建议可采用的池化方法为最大池化,以便池化后能保留与训练模型特征吻合度最大的特征值。
S700、对所述动态参数特征信息与所述稳态参数特征信息进行混合初始化处理,生成动静混合特征值;将上文所获取的动态参数初始化特征值λ(B)1和稳态参数初始化特征值λ(C)1进行混合特征向量初始化处理,生成动静混合特征值λ(F)1,λ(F)1向量的维数>A且λ(F)1向量的维数>B且λ(F)1向量的维数<=A+B。
S800、将所述信息输入矩阵分别与所述动态参数初始化特征值、稳态参数初始化特征值进行并行的卷积、激活、池化处理后的结果,与所述动静混合特征值混合,再次进行卷积、激活、池化处理,得到所述动态演练模型参数信息。
S900、对所述动态演练模型参数信息与所述训练模型库的特征权重值进行全连接处理,得到关于食品安全事件的动态演练模型;将步骤S800的输出结果——动态演练模型参数信息——结合应急演练训练模型库的特征权重向量λ(K)1一起输入到应急演练模型全连接层进行处理,该层的激活函数可采用softmax激活函数,取输出概率最大的特征向量量λ(K)i作为当前场景下的应急演练动态演练模型M1。
S1000、对形成的所述动态演练模型进行评价、测试;结合所述模型评价指标库I,通过模型综合评价算法f(M,I,R,V)对动态演练模型M1进行判断。其中,评价算法的参数为当前形成的动态演练模型M1、指标库I、指标计算规则R以及模型评价规则V,先将动态演练模型M1按指标计算规则R计算该模型具体的指标值I(M1),再将I(M1)与指标库I按模型评价规则V进行评分,如果评分大于评价规则设定的阈值,则当前模型通过评价,本次动态建模结束,否则回到步骤S500,调整建模特征参数B、C的具体特征值λ(B)1和λ(C)1重新进行动态建模。
S1100、根据所述动态演练模型预测目标事件的安全性。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (8)
1.一种用于对食品安全事件的处理进行应急演练的方法,其特征在于,包括:
建立关于食品安全事件的应急演练场景库、关于应急演练的参与要素信息库、训练模型库;
根据预设的演练场景获取该演练的场景初始化信息;
根据所述场景初始化信息获取该演练的参与要素初始化信息;
根据所述参与要素信息库获取参与要素特征的初始化特征值;
利用神经网络技术对所述场景初始化信息、所述参与要素初始化信息、以及所述参与要素特征的初始化特征值进行卷积、激活、池化处理,得到关于食品安全事件的动态演练模型参数信息;
对所述动态演练模型参数信息与所述训练模型库的特征权重值进行全连接处理,得到关于食品安全事件的动态演练模型;
根据所述动态演练模型预测目标事件的安全性;
其中,所述应急演练场景库预存应急场景参数信息,所述应急场景参数信息包括关于食品安全事件发生的空间信息、时间信息、地理位置信息、环境信息、交通信息、受影响的人数信息、事件等级信息、食品安全事件的类别信息,所述参与要素信息库预存的信息包括参与演练的机构信息、人员信息、以及应急演练中所需的设备信息。
2.如权利要求1所述的方法,其特征在于,所述参与要素信息库包括动态参数库与稳态参数库,所述动态参数库中预存动态参数信息,所述动态参数信息包括所述机构信息、所述人员信息,所述稳态参数库预存稳态参数信息,所述稳态参数信息包括所述设备信息。
3.如权利要求2所述的方法,其特征在于,所述食品安全事件包括重大事件与突发事件。
4.如权利要求2或3所述的方法,其特征在于,将所述场景初始化信息、所述参与要素初始化信息转换为关于卷积网络的N*N维的信息输入矩阵,对所述信息输入矩阵、所述参与要素特征的初始化特征值进行卷积、激活、池化处理,得到关于所述动态演练模型参数信息;
其中,所述信息输入矩阵的维数由应急演练场景的参数个数A、动态参与者参数个数B、稳态参与者参数个数C、全局动态调整参数个数D共同组成,所述全局动态调整参数为依据动态建模的评估结果进行动态配置所形成的参数。
5.如权利要求4所述的方法,其特征在于,
建立动态参数特征库与稳态参数特征库;
根据所述动态参数库获取动态参数特征信息并存入所述动态参数特征库;
根据所述稳态参数库获取稳态参数特征信息并存入所述稳态参数特征库;
根据所述动态参数特征库获取动态参数初始化特征值,根据所述稳态参数特征库获取稳态参数初始化特征值;
将所述信息输入矩阵分别与所述动态参数初始化特征值、稳态参数初始化特征值进行并行的卷积、激活、池化处理,得到所述动态演练模型参数信息。
6.如权利要求5所述的方法,其特征在于,
对所述动态参数特征信息与所述稳态参数特征信息进行混合初始化处理,生成动静混合特征值;
将所述信息输入矩阵分别与所述动态参数初始化特征值、稳态参数初始化特征值进行并行的卷积、激活、池化处理后的结果,与所述动静混合特征值混合,再次进行卷积、激活、池化处理,得到所述动态演练模型参数信息。
7.如权利要求4所述的方法,其特征在于,所述信息输入矩阵的维数N的值大于或等于18且小于或等于36。
8.如权利要求6所述的方法,其特征在于,所述动静混合特征值对应的向量维数大于所述应急演练场景的参数个数,所述动静混合特征值对应的向量维数大于所述动态参与者参数个数,所述动静混合特征值对应的向量维数小于所述应急演练场景的参数个数与所述动态参与者参数个数之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911201177.7A CN110889635B (zh) | 2019-11-29 | 2019-11-29 | 一种用于对食品安全事件的处理进行应急演练的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911201177.7A CN110889635B (zh) | 2019-11-29 | 2019-11-29 | 一种用于对食品安全事件的处理进行应急演练的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889635A true CN110889635A (zh) | 2020-03-17 |
CN110889635B CN110889635B (zh) | 2022-10-04 |
Family
ID=69749494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911201177.7A Active CN110889635B (zh) | 2019-11-29 | 2019-11-29 | 一种用于对食品安全事件的处理进行应急演练的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889635B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113886716A (zh) * | 2021-11-30 | 2022-01-04 | 国家食品安全风险评估中心 | 食品安全突发事件的应急处置推荐方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976125A (zh) * | 2016-05-19 | 2016-09-28 | 北京大学 | 一种食品安全风险的动态分层预警建模方法 |
CN109242246A (zh) * | 2018-08-01 | 2019-01-18 | 深圳市城市公共安全技术研究院有限公司 | 情景构建方法、应急演练方法及情景构建系统 |
CN109325116A (zh) * | 2018-08-23 | 2019-02-12 | 武大吉奥信息技术有限公司 | 一种基于深度学习的城市事件自动分类派发方法及装置 |
CN110147904A (zh) * | 2019-04-23 | 2019-08-20 | 深圳先进技术研究院 | 一种城市聚集事件预测与定位方法及装置 |
-
2019
- 2019-11-29 CN CN201911201177.7A patent/CN110889635B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976125A (zh) * | 2016-05-19 | 2016-09-28 | 北京大学 | 一种食品安全风险的动态分层预警建模方法 |
CN109242246A (zh) * | 2018-08-01 | 2019-01-18 | 深圳市城市公共安全技术研究院有限公司 | 情景构建方法、应急演练方法及情景构建系统 |
CN109325116A (zh) * | 2018-08-23 | 2019-02-12 | 武大吉奥信息技术有限公司 | 一种基于深度学习的城市事件自动分类派发方法及装置 |
CN110147904A (zh) * | 2019-04-23 | 2019-08-20 | 深圳先进技术研究院 | 一种城市聚集事件预测与定位方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113886716A (zh) * | 2021-11-30 | 2022-01-04 | 国家食品安全风险评估中心 | 食品安全突发事件的应急处置推荐方法及系统 |
CN113886716B (zh) * | 2021-11-30 | 2022-04-05 | 国家食品安全风险评估中心 | 食品安全突发事件的应急处置推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110889635B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101190B (zh) | 一种遥感图像分类方法、存储介质及计算设备 | |
Ronchi et al. | A method for the analysis of behavioural uncertainty in evacuation modelling | |
CN106650928A (zh) | 一种神经网络的优化方法及装置 | |
CN109983480A (zh) | 使用聚类损失训练神经网络 | |
CN111598213B (zh) | 网络训练方法、数据识别方法、装置、设备和介质 | |
Vasudevan et al. | Concurrent consideration of evacuation safety and productivity in manufacturing facility planning using multi-paradigm simulations | |
CN113626866A (zh) | 一种面向联邦学习的本地化差分隐私保护方法、系统、计算机设备及存储介质 | |
CN112861659A (zh) | 一种图像模型训练方法、装置及电子设备、存储介质 | |
CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
CN106991999A (zh) | 语音识别方法及装置 | |
CN112884016A (zh) | 云平台可信评估模型训练方法和云平台可信评估方法 | |
CN110889635B (zh) | 一种用于对食品安全事件的处理进行应急演练的方法 | |
CN110866609B (zh) | 解释信息获取方法、装置、服务器和存储介质 | |
CN111126860B (zh) | 任务分配方法、任务分配装置和电子设备 | |
CN112183303A (zh) | 变电设备图像分类方法、装置、计算机设备和介质 | |
CN116452165A (zh) | 一种人才信息推荐方法、服务系统及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN113011893B (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN114358186A (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
CN114897884A (zh) | 基于多尺度边缘特征融合的无参考屏幕内容图像质量评估方法 | |
CN112632846B (zh) | 一种电力系统输电断面极限概率评估方法及电子设备 | |
CN113946758B (zh) | 一种数据识别方法、装置、设备及可读存储介质 | |
CN111783711B (zh) | 基于身体部件层面的骨架行为识别方法及装置 | |
CN112307227B (zh) | 一种数据分类方法 | |
CN116664016B (zh) | Esg子议题的筛选方法、装置、电子设备和可读存储介质 |
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 |