CN111178756B - 一种基于环境大数据的多元线性回归火灾风险评估方法 - Google Patents

一种基于环境大数据的多元线性回归火灾风险评估方法 Download PDF

Info

Publication number
CN111178756B
CN111178756B CN201911386025.9A CN201911386025A CN111178756B CN 111178756 B CN111178756 B CN 111178756B CN 201911386025 A CN201911386025 A CN 201911386025A CN 111178756 B CN111178756 B CN 111178756B
Authority
CN
China
Prior art keywords
linear regression
multiple linear
dividing
environmental
fire risk
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
Application number
CN201911386025.9A
Other languages
English (en)
Other versions
CN111178756A (zh
Inventor
梁昆
傅一波
张轩铭
钱伟
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.)
Hangzhou Tpson Technology Co ltd
Original Assignee
Hangzhou Tpson Technology Co ltd
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 Hangzhou Tpson Technology Co ltd filed Critical Hangzhou Tpson Technology Co ltd
Priority to CN201911386025.9A priority Critical patent/CN111178756B/zh
Publication of CN111178756A publication Critical patent/CN111178756A/zh
Application granted granted Critical
Publication of CN111178756B publication Critical patent/CN111178756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于环境大数据的多元线性回归火灾风险评估方法，通过划分地貌并基于地貌获取样本数据、划分环境类别，进而构建环境类别的指标权重，建立多元线性回归模型，基于初始样本数据设置分类器，构建环境分类‑多元线性回归网络；输入需要评估的地域至环境分类‑多元线性回归网络，得到火灾风险评估值。本发明建立在大数据和机器学习的基础上，通过地貌特征、环境类别构建大环境下的多元线性回归模型，随后基于地貌建立多层网络，基于多元属性进行评估，可以通过训练而稳定应用于复杂系统中，进而完善火灾风险评估体系。本发明的评估结果准确度高、应用度高、可移植性好。

Description

一种基于环境大数据的多元线性回归火灾风险评估方法
技术领域
本发明涉及专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法的技术领域，特别涉及一种基于环境大数据的多元线性回归火灾风险评估方法。
背景技术
消防安全风险评估是指运用科学合理的危害辨识及危险评价方法、通过对主体消防工作中出现的意外有害因素严格控制，制定风险控制措施，达到消除危害、规避因措施不到位等原因而导致的火警、火灾的目的，避免有毒有害、易燃易爆介质出现泄漏着火等恶性事故。
进一步来说，还可以根据评价辨识的结果，分别定期、及时采取针对性、可操作性较强的预防性控制措施，对消防工作进行规范，消除或避免对人身安全和设备安全带来的危害，降低消防工作的作业风险。
火灾风险评估方法可分为定性法和定量法；定性的方法适用于社会单位的安全检查，识别最不利火灾事件，定量的方法则需要大量的历史数据，通过明确的假设、数据以及数学关联大量的模型实地评估确定火灾的实际风险；前者较为简单，但是评估结果的准确性备受争议，而后者虽然评估结果较为准确，但事实上难以在智慧消防的体系中方便快捷地运用。
发明内容
本发明解决了现有技术中存在的问题，提供了一种优化的基于环境大数据的多元线性回归火灾风险评估方法。
本发明所采用的技术方案是，一种基于环境大数据的多元线性回归火灾风险评估方法，所述方法包括以下步骤：
步骤1：划分地貌，基于地貌获取样本数据；
步骤2：划分环境类别；
步骤3：构建环境类别的指标权重；
步骤4：基于步骤2和步骤3建立多元线性回归模型；
步骤5：基于步骤1的样本数据设置分类器，构建环境分类-多元线性回归网络；
步骤6：输入需要评估的地域至环境分类-多元线性回归网络；
步骤7：得到火灾风险评估值。
优选地，所述步骤1包括以下步骤：
步骤1.1：按照城市地形，划分城市为平原城市、盆地城市、丘陵城市及高原城市，添加标签；
步骤1.2：基于任一城市，对居住区域、山林区域、湖泊区域进行划分，添加标签；
步骤1.3：基于任一城市的任一区域获取样本数据，所述样本数据为若干年内的气象数据及火灾数据。
优选地，所述步骤2中，环境类别包括温度T、湿度H和风力W。
优选地，步骤3中，构建环境类别的指标权重包括以下步骤：
步骤3.1：令温度T、湿度H和风力W分别对应i＝1,2,3；
步骤3.2：建立评价维度mj，以xij评价任一指标在任一评价维度下的概率值，得到评价矩阵A；j为正整数；
步骤3.3：计算任一环境类别i的权重wi。
优选地，所述步骤3.3中，权重wi为第j个指标下的概率值之和与所有概率值之和的比值；所有的权重wi之和为1。
优选地，步骤4中，所述多元线性回归模型其中，γ为调节系数，n为环境类别数。
优选地，步骤5包括以下步骤：
步骤5.1：基于步骤1的样本数据的标签，将样本数据分别训练样本和测试样本；
步骤5.2：以分类器对训练样本进行训练；
步骤5.3：训练完毕后，以测试样本输入分类器进行检测，若分类器稳定，则进行下一步，否则，样本数据增强，重新分割为训练样本和测试样本，返回步骤5.2；
步骤5.4：得到分类器，将分类器设置在多元线性回归模型前，构建环境分类-多元线性回归网络。
优选地，所述步骤5.3中，样本数据增强包括增加经纬度信息、对居住区域增加人口密度信息、对山林区域划分种植物燃点信息、对湖泊区域进行是否为风景区的划分。
优选地，所述步骤6包括以下步骤：
步骤6.1：收集输入需要评估的地域；
步骤6.2：获得地域的地貌特征，人工预设标签；
步骤6.3：环境分类-多元线性回归网络分别输出分类信息和火灾风险评估值；若分类信息准确，则结果可信，进行步骤7，否则，返回步骤5。
优选地，以年为单位对所述环境分类-多元线性回归网络进行重新训练及应用。
本发明涉及一种优化的基于环境大数据的多元线性回归火灾风险评估方法，通过划分地貌并基于地貌获取样本数据、划分环境类别，进而构建环境类别的指标权重，建立多元线性回归模型，基于初始样本数据设置分类器，构建环境分类-多元线性回归网络；输入需要评估的地域至环境分类-多元线性回归网络，得到火灾风险评估值。
本发明建立在大数据和机器学习的基础上，通过地貌特征、环境类别构建大环境下的多元线性回归模型，随后基于地貌建立多层网络，基于多元属性进行评估，可以通过训练而稳定应用于复杂系统中，进而完善火灾风险评估体系。
本发明的评估结果准确度高、应用度高、可移植性好。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。
本发明涉及一种基于环境大数据的多元线性回归火灾风险评估方法，所述方法包括以下步骤。
步骤1：划分地貌，基于地貌获取样本数据。
所述步骤1包括以下步骤：
步骤1.1：按照城市地形，划分城市为平原城市、盆地城市、丘陵城市及高原城市，添加标签；
步骤1.2：基于任一城市，对居住区域、山林区域、湖泊区域进行划分，添加标签；
步骤1.3：基于任一城市的任一区域获取样本数据，所述样本数据为若干年内的气象数据及火灾数据。
本发明中，对于不同的城市来说，其火灾发生的整体几率是不同的；对于同一个城市的不同区域来说，火灾发生的几率亦不同；对于城市和城市中的区域进行划分有助于后续分类器的对于样本数据和待测数据的区分。
本发明中，以获取样本数据作为第一步，是针对局部的地貌进行处理的，步骤2和步骤3对于环境类别的划分及赋权值可以基于此局部的地貌进行处理。
步骤2：划分环境类别。
所述步骤2中，环境类别包括温度T、湿度H和风力W。
本发明中，一般来说，温度高的时候和/或湿度低的时候，火灾的风险大；而当风力大的时候，火灾的蔓延程度将远远高于风力小的时候，故而被波及到的起火点也会相应增加。
步骤3：构建环境类别的指标权重。
步骤3中，构建环境类别的指标权重包括以下步骤：
步骤3.1：令温度T、湿度H和风力W分别对应i＝1,2,3；
步骤3.2：建立评价维度mj，以xij评价任一指标在任一评价维度下的概率值，得到评价矩阵A；j为正整数；
步骤3.3：计算任一环境类别i的权重wi。
所述步骤3.3中，权重wi为第j个指标下的概率值之和与所有概率值之和的比值；所有的权重wi之和为1。
本发明中，权重的计算应用了熵权重的原理，但是对其进行了简化。
本发明中，建立评价矩阵A，矩阵A的行与列分别为环境类别和指标，矩阵A的元素则是在当前环境类别下，评价指标的概率，事实上是得分，基于此概率计算每个元素在整体元素和中的占比，以同环境类别下的占比值求和、作为此环境类别下的权重值；所有的权重wi之和为1。
本发明中，若出现权重总和不为1的情况，则可以根据实际情况进行等比微调。
步骤4：基于步骤2和步骤3建立多元线性回归模型。
步骤4中，所述多元线性回归模型其中，γ为调节系数，n为环境类别数。
本发明中，γ为本领域技术人员基于实际需求自行设置，此实施例中γ为正。
步骤5：基于步骤1的样本数据设置分类器，构建环境分类-多元线性回归网络。
步骤5包括以下步骤：
步骤5.1：基于步骤1的样本数据的标签，将样本数据分别训练样本和测试样本；
步骤5.2：以分类器对训练样本进行训练；
步骤5.3：训练完毕后，以测试样本输入分类器进行检测，若分类器稳定，则进行下一步，否则，样本数据增强，重新分割为训练样本和测试样本，返回步骤5.2；
所述步骤5.3中，样本数据增强包括增加经纬度信息、对居住区域增加人口密度信息、对山林区域划分种植物燃点信息、对湖泊区域进行是否为风景区的划分。
步骤5.4：得到分类器，将分类器设置在多元线性回归模型前，构建环境分类-多元线性回归网络。
本发明中，数据增强为对样本的标签进行细化或拆分，在不同的经纬度下火灾的概率不同，同样地，火灾的发生概率也与居住区域增加人口密度、山林区域的种植物燃点、湖泊区域是否为风景区相关。
步骤6：输入需要评估的地域至环境分类-多元线性回归网络。
所述步骤6包括以下步骤：
步骤6.1：收集输入需要评估的地域；
步骤6.2：获得地域的地貌特征，人工预设标签；
步骤6.3：环境分类-多元线性回归网络分别输出分类信息和火灾风险评估值；若分类信息准确，则结果可信，进行步骤7，否则，返回步骤5。
步骤7：得到火灾风险评估值。
以年为单位对所述环境分类-多元线性回归网络进行重新训练及应用。
本发明中，基于气候变化及社会发展的原因，故需要对环境分类-多元线性回归网络进行重复训练，并在训练过程中增加新的标签或判定值。
本发明通过划分地貌并基于地貌获取样本数据、划分环境类别，进而构建环境类别的指标权重，建立多元线性回归模型，基于初始样本数据设置分类器，构建环境分类-多元线性回归网络；输入需要评估的地域至环境分类-多元线性回归网络，得到火灾风险评估值。
本发明建立在大数据和机器学习的基础上，通过地貌特征、环境类别构建大环境下的多元线性回归模型，随后基于地貌建立多层网络，基于多元属性进行评估，可以通过训练而稳定应用于复杂系统中，进而完善火灾风险评估体系。本发明的评估结果准确度高、应用度高、可移植性好。

Claims (3)

1.一种基于环境大数据的多元线性回归火灾风险评估方法，其特征在于：所述方法包括以下步骤：
步骤1：划分地貌，基于地貌获取样本数据，包括以下步骤：
步骤1.1：按照城市地形，划分城市为平原城市、盆地城市、丘陵城市及高原城市，添加标签；
步骤1.2：基于任一城市，对居住区域、山林区域、湖泊区域进行划分，添加标签；
步骤1.3：基于任一城市的任一区域获取样本数据，所述样本数据为若干年内的气象数据及火灾数据；
步骤2：划分环境类别，包括温度T、湿度H和风力W；
步骤3：构建环境类别的指标权重；
步骤4：基于步骤2和步骤3建立多元线性回归模型，其中，γ为调节系数，n为环境类别数；
步骤5：基于步骤1的样本数据设置分类器，构建环境分类-多元线性回归网络，包括以下步骤：
步骤5.1：基于步骤1的样本数据的标签，将样本数据分为训练样本和测试样本；
步骤5.2：以分类器对训练样本进行训练；
步骤5.3：训练完毕后，以测试样本输入分类器进行检测，若分类器稳定，则进行下一步，否则，样本数据增强，包括增加经纬度信息、对居住区域增加人口密度信息、对山林区域划分种植物燃点信息、对湖泊区域进行是否为风景区的划分，重新分割为训练样本和测试样本，返回步骤5.2；
步骤5.4：得到分类器，将分类器设置在多元线性回归模型前，构建环境分类-多元线性回归网络；
步骤6：包括以下步骤：
步骤6.1：收集输入需要评估的地域至环境分类-多元线性回归网络；
步骤6.2：获得地域的地貌特征，人工预设标签；
步骤6.3：环境分类-多元线性回归网络分别输出分类信息和火灾风险评估值；若分类信息准确，则结果可信，进行步骤7，否则，返回步骤5；
步骤7：得到火灾风险评估值；
以年为单位对所述环境分类-多元线性回归网络进行重新训练及应用。
2.根据权利要求1所述的一种基于环境大数据的多元线性回归火灾风险评估方法，其特征在于：步骤3中，构建环境类别的指标权重包括以下步骤：
步骤3.1：令温度T、湿度H和风力W分别对应i=1,2,3；
步骤3.2：建立评价维度m j ，以x ij 评价任一指标在任一评价维度下的概率值，得到评价矩阵A；j为正整数；
步骤3.3：计算任一环境类别i的权重w i 。
3.根据权利要求2所述的一种基于环境大数据的多元线性回归火灾风险评估方法，其特征在于：所述步骤3.3中，权重w i 为第j个指标下的概率值之和与所有概率值之和的比值；所有的权重w i 之和为1。
CN201911386025.9A 2019-12-29 2019-12-29 一种基于环境大数据的多元线性回归火灾风险评估方法 Active CN111178756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911386025.9A CN111178756B (zh) 2019-12-29 2019-12-29 一种基于环境大数据的多元线性回归火灾风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911386025.9A CN111178756B (zh) 2019-12-29 2019-12-29 一种基于环境大数据的多元线性回归火灾风险评估方法

Publications (2)

Publication Number Publication Date
CN111178756A CN111178756A (zh) 2020-05-19
CN111178756B true CN111178756B (zh) 2024-02-27

Family

ID=70654173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911386025.9A Active CN111178756B (zh) 2019-12-29 2019-12-29 一种基于环境大数据的多元线性回归火灾风险评估方法

Country Status (1)

Country Link
CN (1) CN111178756B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652513A (zh) * 2020-06-05 2020-09-11 山东麦穗儿大数据有限公司 基于云平台的企业绩效考核系统、方法
CN114693715B (zh) * 2022-04-20 2023-04-28 苏州尚领医疗科技有限公司 一种基于ai的胸腔模拟器的横截面变化率获取方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002117363A (ja) * 2000-10-11 2002-04-19 Tokio Marine & Fire Insurance Co Ltd 火災リスク評価システム、火災リスク評価方法および記録媒体
JP2005275732A (ja) * 2004-03-24 2005-10-06 Taisei Corp 火災リスクの評価方法
JP2014235654A (ja) * 2013-06-04 2014-12-15 株式会社東芝 リスク評価装置
CN106897792A (zh) * 2017-01-10 2017-06-27 广东广业开元科技有限公司 一种建筑消防风险等级预测方法及系统
CN108520363A (zh) * 2018-04-18 2018-09-11 电子科技大学 一种用于预测未来时相森林火灾发生风险的评估方法
CN109064050A (zh) * 2018-08-17 2018-12-21 公安部沈阳消防研究所 基于大数据的多元线性回归火灾风险评估方法
CN109118095A (zh) * 2018-08-20 2019-01-01 深圳市中电数通智慧安全科技股份有限公司 基于机器学习的动态火灾风险评估方法、装置及服务器
CN109389795A (zh) * 2018-09-05 2019-02-26 深圳市中电数通智慧安全科技股份有限公司 动态火灾风险评估方法、装置、服务器及存储介质
CN109543955A (zh) * 2018-10-26 2019-03-29 中电科新型智慧城市研究院有限公司 基于智慧城市的区域火灾风险评估方法
CN110555617A (zh) * 2019-09-05 2019-12-10 消检通（深圳）科技有限公司 一种基于物联网的建筑火灾风险实时动态定量评估方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7966331B2 (en) * 2003-08-18 2011-06-21 General Electric Company Method and system for assessing and optimizing crude selection
KR101109913B1 (ko) * 2007-03-27 2012-03-13 후지쯔 가부시끼가이샤 중회귀 분석에 의한 예측 모델의 작성 방법, 작성 장치, 작성 프로그램을 기록한 기록 매체
US20150032598A1 (en) * 2013-07-26 2015-01-29 Corelogic Solutions, Llc System and method for generating a natural hazard credit model
CN107025596B (zh) * 2016-02-01 2021-07-16 腾讯科技（深圳）有限公司 一种风险评估方法和系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002117363A (ja) * 2000-10-11 2002-04-19 Tokio Marine & Fire Insurance Co Ltd 火災リスク評価システム、火災リスク評価方法および記録媒体
JP2005275732A (ja) * 2004-03-24 2005-10-06 Taisei Corp 火災リスクの評価方法
JP2014235654A (ja) * 2013-06-04 2014-12-15 株式会社東芝 リスク評価装置
CN106897792A (zh) * 2017-01-10 2017-06-27 广东广业开元科技有限公司 一种建筑消防风险等级预测方法及系统
CN108520363A (zh) * 2018-04-18 2018-09-11 电子科技大学 一种用于预测未来时相森林火灾发生风险的评估方法
CN109064050A (zh) * 2018-08-17 2018-12-21 公安部沈阳消防研究所 基于大数据的多元线性回归火灾风险评估方法
CN109118095A (zh) * 2018-08-20 2019-01-01 深圳市中电数通智慧安全科技股份有限公司 基于机器学习的动态火灾风险评估方法、装置及服务器
CN109389795A (zh) * 2018-09-05 2019-02-26 深圳市中电数通智慧安全科技股份有限公司 动态火灾风险评估方法、装置、服务器及存储介质
CN109543955A (zh) * 2018-10-26 2019-03-29 中电科新型智慧城市研究院有限公司 基于智慧城市的区域火灾风险评估方法
CN110555617A (zh) * 2019-09-05 2019-12-10 消检通（深圳）科技有限公司 一种基于物联网的建筑火灾风险实时动态定量评估方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
LS-SVM模型在城市燃气管道风险评估中的应用;王新颖;宋兴帅;杨泰旺;陈海群;王凯全;;消防科学与技术(11);全文 *
中华人民共和国公安部消防局.中华人民共和国公安部消防局编.上海科学技术出版社,2006,第58页. *
城市区域火灾风险量化评估方法及应用研究;韦云龙;《工程科技Ⅱ辑》;全文 *
基于支持向量机的公共建筑火灾风险评估;赵云涛;王佳;周小平;;建筑科学(03);全文 *
边莉，车向前.交叉熵算法在电子工程领域中的应用.《交叉熵算法在电子工程领域中的应用》.2016,142-143. *
面向城市消防站选址规划的时空动态火灾风险建模分析;宋超;《工程科技Ⅱ辑》(第11期);全文 *

Also Published As

Publication number Publication date
CN111178756A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN110084418B (zh) 一种突发大气污染事故应急监测的监测点优化布设方法
Raju et al. Ranking of global climate models for India using multicriterion analysis
Kim An assessment of deforestation models for reducing emissions from deforestation and forest degradation (REDD)
CN106204392A (zh) 环境风险源预警系统
CN112308292A (zh) 一种火灾风险等级分布图的绘制方法
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
CN108241964A (zh) 基于bp人工神经网络模型算法的基建现场管控移动应用平台
US10984518B2 (en) Methods and systems for assessing the quality of geospatial data
Delgado Social conflict analysis on a mining project using shannon entropy
Herrera et al. On the projection of future fire danger conditions with various instantaneous/mean-daily data sources
CN114676822A (zh) 一种基于深度学习的多属性融合空气质量预报方法
Amirabadizadeh et al. Downscaling daily precipitation and temperatures over the Langat River Basin in Malaysia: a comparison of two statistical downscaling approaches
CN111612241A (zh) 智能船舶路径规划功能实现性的综合评价方法
CN113298439A (zh) 基于人口分布的环境风险评估方法、装置及计算机设备
Wang et al. Efficient sample-based approach for effective seismic risk mitigation of transportation networks
Kocher et al. Forecasting of crime events applying risk terrain modeling
Koh Gradient boosting with extreme-value theory for wildfire prediction
Ujjwal et al. A probability-based risk metric for operational wildfire risk management
Patel et al. Identification of Best CMIP6 Global Climate Model for Rainfall by Ensemble Implementation of MCDM Methods and Statistical Inference
Karmshahi et al. Application of an integrated CA-Markov model in simulating spatiotemporal changes in forest cover: a case study of Malekshahi county forests, Ilam province
Siwek et al. Evolving the ensemble of predictors model for forecasting the daily average PM10
CN111738604B (zh) 空间环境风险指标的构建方法、装置及存储介质
CN105303898B (zh) 一种基于主成分分析的空中交通管制模拟仿真异常检测方法和装置
Seo et al. Fire Risk Prediction Analysis Using Machine Learning Techniques.
CN113298438A (zh) 区域风险等级的评估方法、装置、计算机设备及存储介质

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