CN111898385B - 一种地震灾害评估方法及系统 - Google Patents
一种地震灾害评估方法及系统 Download PDFInfo
- Publication number
- CN111898385B CN111898385B CN202010693706.6A CN202010693706A CN111898385B CN 111898385 B CN111898385 B CN 111898385B CN 202010693706 A CN202010693706 A CN 202010693706A CN 111898385 B CN111898385 B CN 111898385B
- Authority
- CN
- China
- Prior art keywords
- grid
- earthquake
- disaster
- social media
- mobile phone
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明实施例提供一种地震灾害评估方法及系统,包括:以格网的方式,获取在地震前后地震中心周边预设范围内手机位置数据的数量异常值;计算各格网内的手机位置数据的数量变化率之差;根据地震发生前后的社交媒体文本数据,计算各格网内的语义损失度;根据各格网内的数量异常值、数量变化率之差和语义损失度,获取各格网内的灾情评价平均值;根据灾情评价平均值的排序,获取各格网内的灾害评估分级结果。本发明实施例提供的地震灾害评估方法及系统,通过手机信令数据的人口变化信息和社交媒体数据的语义信息确定灾害影响级别,利用数据间的优势互补,最大程度利用不同来源的信息进行灾情评估,为辅助应急救援、灾后重建等灾害管理提供了数据支持。
Description
技术领域
本发明涉及轨道交通技术领域,尤其涉及一种地震灾害评估方法及系统。
背景技术
近几年,全球自然灾害频发,导致财产损失、人员伤亡,严重影响社会生产生活秩序,寻找降低灾害风险及损失的有效途径已成为社会面临的重要任务之一。
灾害评估在灾害管理中处在重要的一环,面对地震、台风等突发性自然灾害,传统的地面实测数据覆盖面有限,时效性难以保证,遥感、无人机等“天-空”数据受到气象等不确定因素影响较大,相关数据难以及时获取,从而影响了灾情研判和应急救援的快速性。
而现有的基于收集信令信息进行灾情研判时,往往仅使用单一种类的志愿者地理信息数据,缺乏对多源公众参与数据融合的灾害评估方法研究,使得获取的灾情时空范围较为局限,并增加了分析和理解的难度。
有鉴于此,亟需提供一种更高效、更准确的灾情评估,为决策者从空间分布上了解灾害损失情况提供确切的数据,以辅助应急救援、灾后重建等工作的开展。
发明内容
本发明实施例提供一种地震灾害评估方法及系统,用以解决现有技术中判断过于在灾情判断上局限性大、判断精度低、时效性差等缺陷,实现快速、准确、全面的灾害评估。
第一方面,本发明实施例提供一种地震灾害评估方法,主要包括:以格网的方式,获取在地震前后预设时间段内,地震中心周边预设范围内手机位置数据的数量异常值;根据地震前后各格网内的手机位置数据的数量异常值,计算各格网内的手机位置数据的数量变化率之差;根据地震发生前后预设时间段内的社交媒体文本数据,计算各格网内的语义损失度;根据各格网内的数量异常值、数量变化率之差和语义损失度,获取各格网内的灾情评价平均值;根据所述灾情评价平均值的排序,获取各格网内的灾害评估分级结果。
作为可选地,上述以格网的方式,获取在地震前后预设时间段内,地震中心周边预设范围内手机位置数据的数量异常值,主要包括:
获取手机位置数据供应商提供的地震中心周边预设范围内手机位置数据;设置地震中心周边的格网,并统计每个格网内的手机位置数据的数量;基于S-H-ESD算法,计算手机位置数据的数量异常值。
作为可选地,上述根据地震前后各格网内的手机位置数据的数量异常值,计算各格网内的手机位置数据的数量变化率之差,其计算方法包括:
Rd=Ra-Rb
其中,Rd手机位置数据的数量变化率之差,Rb为地震前手机位置数据的数量变化率,Ra为地震后手机位置数据的数量变化率,R为手机位置数据的数量变化率计算函数,X为地震前及地震后的手机位置数据集合,xe为地震前最后一时刻的手机位置数据。
作为可选地,上述根据地震发生前后预设时间段内的社交媒体文本数据,计算各格网内的语义损失度,主要包括:
获取地震相关社交媒体文本数据,并对地震相关社交媒体文本数据进行预处理,预处理包括去重、去除停用词和分词处理;根据灾害严重程度,将预处理后的地震相关社交媒体文本数据分为多个等级,构建灾情评估分级训练集;基于BTM算法,对灾情评估分级训练集进行文本关键字的提取,获取分级关键词集;获取地震发生前后预设时间段内包含地震关键词的社交媒体文本数据;利用分级关键词集,根据社交媒体文本数据计算各格网内所有社交媒体文本数据的损失度平均值,并将损失度平均值作为各格网内的语义损失度。
作为可选地,上述利用分级关键词集,根据社交媒体文本数据计算各格网内的社交媒体文本数据的损失度平均值,主要包括:
对社交媒体文本数据进行预处理后,统计各格网内的每个社交媒体文本数据的词频个数;根据分级关键词集,统计各格网内的每个社交媒体文本数据中各分级关键词的个数;根据各格网内的每个社交媒体文本数据的词频个数和各分级关键词的个数,计算每个社交媒体文本数据的语义损失度;计算各格网内所有社交媒体文本数据的损失度平均值。
作为可选地,上述根据各格网内的数量异常值、数量变化率之差和语义损失度,获取各格网内的灾情评价平均值,主要包括:
分别对各格网内的数量异常值、数量变化率之差和语义损失度进行归一化处理;以归一化后的数量异常值、数量变化率之差和语义损失度作为格网属性,基于K-means聚类方法,对每个格网分别进行聚类处理,获取各格网的聚类类别;计算各个聚类类别中的归一化后的数量异常值、数量变化率之差和语义损失度之间的平均值,作为灾情评价平均值。
作为可选地,上述根据灾情评价平均值的排序,获取各格网内的灾害评估分级结果,主要包括:
基于自然断点法对灾情评价平均值进行排序,并根据排序结果确定与每个灾情评价平均值对应的格网内的灾害评估分级结果。
第二方面,本发明实施例还提供一种地震灾害评估系统,主要包括数量异常值获取单元、数量变化率获取单元、语义损失度获取单元、灾情评价平均值运算单元和分级评估单元;其中:
数量异常值获取单元用于以格网的方式,获取在地震前后预设时间段内,地震中心周边预设范围内手机位置数据的数量异常值;数量变化率获取单元用于据地震前后各格网内的所述手机位置数据的数量异常值,计算各格网内的手机位置数据的数量变化率之差;语义损失度获取单元用于根据地震发生前后预设时间段内的社交媒体文本数据,计算各格网内的语义损失度;灾情评价平均值运算单元用于根据各格网内的数量异常值、数量变化率之差和语义损失度,获取各格网内的灾情评价平均值;分级评估单元用于根据灾情评价平均值的排序,获取各格网内的灾害评估分级结果。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述地震灾害评估方法的步骤。
第四方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述地震灾害评估方法的步骤。
本发明实施例提供的地震灾害评估方法及系统,通过手机信令数据的人口变化信息和社交媒体数据的语义信息分别确定各个格网区域的灾害影响级别,有效的利用了手机位置数据分布范围广、社交媒体信息语义清晰等优点,量化手机位置信息及语义信息与灾害间的关系,利用数据间的优势互补,挖掘语义更为丰富、空间分布范围更为广泛的灾害信息,最大程度利用不同来源的信息进行灾情评估,有益于决策者从空间分布上了解灾害损失情况,为辅助应急救援、灾后重建等灾害管理提供了数据支持,且可以为志愿者地理信息数据应用于救灾和灾后重建中提供了有效的参考。
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一简单地介绍,显而易见地,下面描述中的附图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是本发明实施例提供的一种地震灾害评估方法的结构示意图;
图2为本发明实施例提供的一种地震灾害评估系统的结流程示意图;
图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
手机信令数据和社交媒体数据是进行灾害研究的有效数据来源,手机信令时效性高、数据量大且空间分布均匀,相比于社交媒体提供的位置数据更为精确客观,是了解灾害导致的人口分布变化的良好数据源。而社交媒体文本数据中所蕴含的语义信息可以很好的补充和说明手机信令数据反映的人口变化内涵,能够更为准确、清晰地提取出灾情信息。但现有的地震灾害评估研究均部分存在以下不足:
1)未有效利用社交媒体数据的语义信息量化地震灾害的损失程度;
2)未建立手机位置数据的异常与灾害损失程度的相关关系;
3)往往仅使用单一种类的志愿者地理信息数据,缺乏对多源公众参与数据融合的灾害评估方法研究,使得获取的灾情时空范围较为局限,并增加了分析和理解的难度。
有鉴于此,本发明实施例提供一种地震灾害评估方法,如图1所示,包括但不限于以下步骤:
步骤S1:以格网的方式,获取在地震前后预设时间段内,地震中心周边预设范围内手机位置数据的数量异常值;
步骤S2:根据地震前后各格网内的所述手机位置数据的数量异常值,计算各格网内的手机位置数据的数量变化率之差;
步骤S3:根据地震发生前后预设时间段内的社交媒体文本数据,计算各格网内的语义损失度;
步骤S4:根据各格网内的数量异常值、数量变化率之差和语义损失度,获取各格网内的灾情评价平均值;
步骤S5:根据灾情评价平均值的排序,获取各格网内的灾害评估分级结果。
作为一种可选地实施例,步骤S1具体可以为:以地震中心为中心点,按照1km*1km格网对地震中心周边预设范围内的区域进行虚拟格网化。其中,预设范围可以根据地震的强度进行确定,地震强度越大,预设范围的设置则越大,以可能完整的反映出地震的影响范围内手机位置数据的数量变化。
其中,手机位置数据的数量可以根据手机位置数据供应商(如通信商)所提供的手机信令数据的变化来获取。例如,可以根据所统计的地震前7天与地震后24小时内之一时间段内(即预设时间段的一种表现情况),在预设范围内存在的手机信令数据的数量之差,判断出在这一时间段内地震中心周边预设范围内手机位置数据的数量变化值,并根据对该数量变化值的分析,获取到数量异常值。
其中,所获取到的手机信令数据的获取方式可以是每间隔一段时间进行一次数据的采集(例如每小时采集一次),因此,所建立的手机位置数据数量是一个时间序列数据。
进一步地,在步骤S2中,可以通过对预设范围内手机位置数据的数量异常值进行分析,确定出以每个格网为单位的手机位置数据的数量变化率。即通过对由手机位置数据的数量异常值所构成的时间序列数据进行分析,可以获取到在该预设时间段内手机位置数据的数量变化率(包括地震前的手机位置数据的数量变化率和地震后的手机位置数据的数量变化率)。最后,可以根据地震后的手机位置数据的数量变化率和地震前的手机位置数据的数量变化率之差,即通过计算出每个格网内的手机位置数据的数量变化率之差,可以定量的分析出地震前与地震后,位于每个格网范围内的人口分布变化,在通过人口分布变化可以一定程度上对灾害情况进行分析。
进一步地,本发明实施例在获取到各格网内的手机位置数据的数量变化率之差的基础上,进一步的利用社交媒体文本数据赋予各格网区域内的人口分布变化情况内涵。
具体地,在步骤S3中,首先获取地震发生前后一定时间段内的社交媒体数据,在本发明实施例中主要是对社交媒体数据中的社交媒体文本数据进行分析处理。根据所获取的社交媒体文本数据对应的获取在每个网格区域内的语义损失度。
其中,语义损失度主要是代表社交媒体文本信息的相关语义中所蕴含的灾害损失程度,而一条社交媒体信息中可能包含安全或危险等不同等级的语义信息,该方法可以通过各类关键词个数将灾害损失程度进行综合并量化,评估每条社交媒体信息所反映的灾情。
例如:通过对“在距离震中1.5公里处的区域A产生了堰塞湖”,这一社交媒体文本信息进行分析,由于距离震中1.5公里处的区域A位于第m*n这一格网区域,则可以由这一社交媒体文本信息,获取第m*n这一格网内的语义损失度为危险。
进一步地,作为一种可选实施例,可以在本发明实施例提供的地震灾害评估方法中对不同的灾害严重程度进行归一化赋值,例如:将危险、较危险、安全等赋予不同的分值,以实现利用不同的数值定义语义损失度。
进一步地,在本发明实施例的步骤S4中,可以以每个格网为单位,综合上述步骤S1-S3中所获取的数量异常值、数量变化率之差和语义损失度这3个指标值,并根据三个指标值综合对各个格网区域的灾情进行评价。例如:以每个格网内的数量异常值、数量变化率之差和语义损失度这3个指标值的归一化后的平均值作为灾情评价平均值。
进一步地,在步骤S5中,可以将各个格网中的灾情评价平均值从小到大排序,得到灾害评估分级结果。其中,灾情评价平均值越小,则灾害越小,相应的灾害评估分级越低。
本发明实施例提供的地震灾害评估方法,通过手机信令数据的人口变化信息和社交媒体数据的语义信息分别确定各个格网区域的灾害影响级别,有效的利用了手机位置数据分布范围广、社交媒体信息语义清晰等优点,量化手机位置信息及语义信息与灾害间的关系,利用数据间的优势互补,挖掘语义更为丰富、空间分布范围更为广泛的灾害信息,最大程度利用不同来源的信息进行灾情评估,有益于决策者从空间分布上了解灾害损失情况,为辅助应急救援、灾后重建等灾害管理提供了数据支持,且可以为志愿者地理信息数据应用于救灾和灾后重建中提供了有效的参考。
基于上述实施例的内容,作为一种可选实施例,步骤S1中所述的,以格网的方式,获取在地震前后预设时间段内,地震中心周边预设范围内手机位置数据的数量异常值,可以包括但不限于以下步骤:
获取手机位置数据供应商提供的地震中心周边预设范围内手机位置数据;设置地震中心周边的格网,并统计每个格网内的手机位置数据的数量;基于S-H-ESD算法,计算手机位置数据的数量异常值。
其中,S-H-ESD(Seasonal Hybrid ESD)算法是在STL算法的基础上,将时间序列数据分解成为三个要素:趋势、周期、剩余分量,并使用中位数替换掉趋势分量,再重新计算剩余部分。最后仅利用时间序列的剩余部分分量迭代地估计时间序列中突变的时间和数量。
其中,剩余部分计算公式如下:
Rx=D-S-median(D)
Rx为修改后的剩余分量,D为原时间序列数据,S为原时间序列分解后的周期分量,median(D)为全部事件序列数据的中位数。
其中,在S-H-ESD算法中的检测量公式为:
CSHESD=maxk|xk-median(x)|/MAD
MAD=median(|xk-median(x)|)
k=1,……n,n为自由度,k为异常值个数,表示一个显著性水平是p的t分布临界值,λk为测试统计量,x为分解后的剩余部分,xk为第k个待检测点的剩余分量值;CSHESD为检测量,若CSHESD>λk则确定该检测点为异常点;同时,若采样周期为每小时一次,可以设置最多的异常点数量为24,即将震后一天内所有可能的异常点均输出。
具体地,在本发明实施例中,在获取到地震中心周边预设范围内手机位置数据后,可以定义某格网在某时间点手机位置数据异常值大小为该点实际人数减该点经过分解后的剩余分量:
Ax=Dx-Rx
其中,Ax为某格网某时间点异常值,Dx为该时间点原始值,Rx为利用分解后得到的剩余分量。在本发明实施例中,数量异常值的大小反映了某时间点相较于平日的人数突变程度,可以根据数量异常值的正负即可有效的判断出地震后人数相比于平日上升或下降,且可以根据数量异常值的大小判断出上升或下降的幅度。
本发明实施例提供的地震灾害评估方法,利用S-H-ESD算法通过对手机位置数据的数量的变化进行分析,获取到在目标区域内的人流量变化,并根据该变化客观、数字化的反映出地震灾害的危害程度,建立了手机位置数据的异常与灾害损失程度的相关关系,为地震灾害评估提供了理论基础。
基于上述实施例的内容,作为一种可选实施例,步骤S2中所述的根据地震前后各格网内的手机位置数据的数量异常值,计算各格网内的手机位置数据的数量变化率之差,具体包括:
Rd=Ra-Rb
其中,Rd手机位置数据的数量变化率之差,Rb为地震前手机位置数据的数量变化率,Ra为地震后手机位置数据的数量变化率,R为手机位置数据的数量变化率计算函数,X为地震前及地震后的手机位置数据集合,xe为地震前最后时刻的手机位置数据。
本发明实施例提供的地震灾害评估方法,利用地震前后各格网内的手机位置数据的数量异常值,确定出了地震前后各格网区域内的手机位置数据的数量变化率,即定量的获取到地震前后,在各个格网区域内的人流量变化率,在通过对地震前后的变化率进行求差,更准确的反映了地震对各个格网区域内人流量的影响,为通过手机位置数据实现地震灾害评估提供了基础,提高了评估的精度。
基于上述实施例的内容,作为一种可选实施例,步骤S3中所述的根据地震发生前后预设时间段内的社交媒体文本数据,计算各格网内的语义损失度,可以包括但不限于以下步骤:
获取地震相关社交媒体文本数据,并对地震相关社交媒体文本数据进行预处理,该预处理主要包括去重、去除停用词和分词处理;根据灾害严重程度,将预处理后的地震相关社交媒体文本数据分为多个等级,构建灾情评估分级训练集;基于BTM算法,对灾情评估分级训练集进行文本关键字的提取,获取分级关键词集;获取地震发生前后预设时间段内包含地震关键词的社交媒体文本数据;利用分级关键词集,根据社交媒体文本数据计算各格网内所有社交媒体文本数据的损失度平均值,并将损失度平均值作为各格网内的语义损失度。
作为一种可选实施例,在本发明实施例中步骤S3可以包括以下步骤:
S3.1:获取一定时间内(预设时间段)包含地震关键词的社交媒体文本数据。
作为可选地,可以对获取的文本数据进行去重处理,即去除完全相同的社交媒体文本信息。
作为可选地,还可以对经过区中处理后的文本数据进行停用词去除处理。例如,使用哈工大停用词表,并加入所有英文字母及常用标点符号,利用字符串匹配方法去除文本中的停用词。
作为可选地,还可以利用结巴分词工具进一步对文本数据进行分词处理。分词结果可以包含文字和标点符号,例如为:九寨沟/沟口/碎石/遍地/,/可怕/!等。
S3.2:构建社交媒体数据灾情评估分级体系及分级训练集,将地震相关社交媒体数据根据其反映的灾害严重程度分为安全、较危险、危险等三级,作为可选地,其训练集构建标准如表1所示:
表1社交媒体数据灾情评估分级标准
S3.3:利用步骤S3.2获取的灾情评估分级训练集,利用BTM模型对其进行文本关键词提取。
作为可选地,BTM模型的建模过程是先生成词对语料库,然后再根据生成的语料库进行模型训练,推断出BTM模型参数,最终得到语料库上的主题分布和词分布。
作为可选地,在本发明实施例中,分别将各级地震相关社交媒体文本数据输入BTM模型中,将主题个数设置为0,将词个数设置为30,而后将输出的各级关键词进行去重处理,保证每一个关键词唯一从属于一级,则得到各级关键词,组建分级关键词集。
进一步地,在本发明实施例中,可以基于各级关键词计算社交媒体信息损失度并按格网统计损失度平均值,具体包括:
首先,获取在地震发生前后预设时间段内,包含地震关键词的社交媒体文本数据(简称:待评价文本数据);
采用如步骤S3.1相似的方法对待评价文本数据进行预处理,包括:去重、去除停用词和分词处理。
进一步地,可以利用分级关键词集,根据社交媒体文本数据(待评价文本数据),计算各格网内的社交媒体文本数据的损失度平均值,包括但不限于以下步骤:
对社交媒体文本数据进行预处理后,统计各格网内的每个所述社交媒体文本数据的词频个数;根据分级关键词集,统计各格网内的每个社交媒体文本数据中各分级关键词的个数;根据各格网内的每个社交媒体文本数据的词频个数和各分级关键词的个数,计算每个社交媒体文本数据的损失度;计算各格网内所有社交媒体文本数据的损失度平均值。
具体地,在对待评价文本数据进行分词后,统计每条文本中的词频个数。然后,根据步骤S3.3中获取的各级关键词,统计每条文本中各级关键词个数。
进一步地,计算每条待评价文本数据的语义损失度(简称损失度),其中损失度的计算公式可以为:
其中,L为损失度,w1为安全类关键词个数,w2为较危险类关键词个数,w3为危险类关键词个数,w为待评价文本中所有词频的个数。
最后,以格网为单位,统计涉及每个格网内所有的社交媒体文本数据的损失度,并以格网为单位计算出平均值,作为该格网内区域的损失度平均值。
需要说明的是,在本发明实施例提供的地震灾害评估方法中,语义损失度代表每条社交媒体文本数据的语义中蕴含的灾害损失程度,而一条社交媒体信息中可能包含安全或危险等不同等级的语义信息,采用本实施例提供的方法可以通过各类关键词个数将灾害损失程度进行综合并量化,以综合评估每条社交媒体信息所反映的灾情。
基于上述实施例的内容,作为一种可选实施例,上述根据各格网内的数量异常值、数量变化率之差和语义损失度,获取各格网内的灾情评价平均值,可以包括但不限于以下步骤:
分别对各格网内的数量异常值、数量变化率之差和语义损失度进行归一化处理;以归一化后的数量异常值、数量变化率之差和语义损失度作为格网属性,基于K-means聚类方法,对每个格网分别进行聚类处理,获取各格网的聚类类别;计算各个聚类类别中的归一化后的数量异常值、数量变化率之差和语义损失度之间的平均值,作为灾情评价平均值。
具体地,将各格网的数量异常值、变化率之差及语义损失度三种指标分别进行归一化处理,归一化公式为:
其中,normal为归一化后的指标数据,ni为某格网中某种指标的值,nmax为该指标在所有格网中的最大值,nmin为该指标在所有格网中的最小值。
进一步地,可以使用计算出的各格网各指标归一化后的值作为格网属性,利用K-means将各格网进行聚类,得到各网格的聚类类别。
最后,计算各个聚类类别中的归一化后的数量异常值、数量变化率之差和语义损失度之间的平均值,并以该平均值作为各网格的灾情评价平均值。
本发明实施例提供的地震灾害评估方法,通过将由手机位置数据所获取的数量异常值和数量变化率之差,与通过对社交媒体数据分析获取的各个格网的语义损失度相结合,
基于上述实施例的内容,作为一种可选实施例,以确定灾害影响级别,利用数据间的优势互补,最大程度利用不同来源的信息进行灾情评估,为辅助应急救援、灾后重建等灾害管理提供了数据支持。
基于上述实施例的内容,作为一种可选实施例,步骤S5所述的根据灾情评价平均值的排序,获取各格网内的灾害评估分级结果,主要包括:基于自然断点法对灾情评价平均值进行排序,并根据排序结果确定与每个灾情评价平均值对应的格网内的灾害评估分级结果。
其中,自然断点法是一种根据数值统计分布规律分级和分类的统计方法,其能够使类与类之间的不同最大化。由于任何统计数列都存在一些自然转折点、特征点,用这些点即可以把统计数据分成性质相似的群组,因此,裂点本身就是分级的良好界限。作为可选地,可以通过将统计数据制成频率直方图、坡度曲线图、积累频率直方图等,以获取统计数据的自然裂点。
本发明实施例提供的地震灾害评估方法,利用自然断点法根据灾情评价平均值的大小,对各格网区域内的地震灾害的危害进行灾害评估分级,有效的提高了分级的准确性。
本发明实施例提供一种地震灾害评估系统,如图2所示,包括等不限于数量异常值获取单元1、数量变化率获取单元2、语义损失度获取单元3、灾情评价平均值运算单元4和分级评估单元5。其中,数量异常值获取单元1主要用于以格网的方式,获取在地震前后预设时间段内,地震中心周边预设范围内手机位置数据的数量异常值;数量变化率获取单元2主要用于据地震前后各格网内的所述手机位置数据的数量异常值,计算各格网内的手机位置数据的数量变化率之差;语义损失度获取单元3主要用于根据地震发生前后预设时间段内的社交媒体文本数据,计算各格网内的语义损失度;灾情评价平均值运算单元4主要用于根据各格网内的数量异常值、数量变化率之差和语义损失度,获取各格网内的灾情评价平均值;分级评估单元5用于根据所述灾情评价平均值的排序,获取各格网内的灾害评估分级结果。
具体地,在本发明实施例中,可以利用数量异常值获取单元1以地震中心为中心点,按照1km*1km格网对地震中心周边预设范围内的区域进行虚拟格网化。其中,预设范围可以根据地震的强度进行确定,地震强度越大,预设范围的设置则越大,以可能完整的反映出地震的影响范围内手机位置数据的数量变化。
进一步地,可以利用数量变化率获取单元2通过对预设范围内手机位置数据的数量异常值进行分析,确定出以每个格网为单位的手机位置数据的数量变化率。即通过对由手机位置数据的数量异常值所构成的时间序列数据进行分析,可以获取到在该预设时间段内手机位置数据的数量变化率。最后,可以根据地震后的手机位置数据的数量变化率和地震前的手机位置数据的数量变化率之差。
进一步地,可以利用语义损失度获取单元3获取地震发生前后一定时间段内的社交媒体数据,并根据所获取的社交媒体文本数据对应的获取在每个网格区域内的语义损失度。
进一步地,可以利用灾情评价平均值运算单元4以每个格网为单位,综合数量异常值、数量变化率之差和语义损失度这3个指标值,并根据三个指标值综合对各个格网区域的灾情进行评价。例如:以每个格网内的数量异常值、数量变化率之差和语义损失度这3个指标值的归一化后的平均值作为灾情评价平均值。
最后,利用分级评估单元5将各个格网中的灾情评价平均值从小到大排序,得到灾害评估分级结果。
本发明实施例提供的地震灾害评估系统,通过手机信令数据的人口变化信息和社交媒体数据的语义信息分别确定各个格网区域的灾害影响级别,有效的利用了手机位置数据分布范围广、社交媒体信息语义清晰等优点,量化手机位置信息及语义信息与灾害间的关系,利用数据间的优势互补,,挖掘语义更为丰富、空间分布范围更为广泛的灾害信息,最大程度利用不同来源的信息进行灾情评估,有益于决策者从空间分布上了解灾害损失情况,为辅助应急救援、灾后重建等灾害管理提供了数据支持,且可以为志愿者地理信息数据应用于救灾和灾后重建中提供了有效的参考。
需要说明的是,本发明实施例提供的地震灾害评估系统,在具体执行时,可以基于上述任一实施例所述的地震灾害评估方法来实现,对此本实施例不作赘述。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行地震灾害评估方法,该方法包括:以格网的方式,获取在地震前后预设时间段内,地震中心周边预设范围内手机位置数据的数量异常值;根据地震前后各格网内的手机位置数据的数量异常值,计算各格网内的手机位置数据的数量变化率之差;根据地震发生前后预设时间段内的社交媒体文本数据,计算各格网内的语义损失度;根据各格网内的数量异常值、数量变化率之差和语义损失度,获取各格网内的灾情评价平均值;根据所述灾情评价平均值的排序,获取各格网内的灾害评估分级结果。
此外,上述的存储器130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的地震灾害评价方法,该方法包括:以格网的方式,获取在地震前后预设时间段内,地震中心周边预设范围内手机位置数据的数量异常值;根据地震前后各格网内的手机位置数据的数量异常值,计算各格网内的手机位置数据的数量变化率之差;根据地震发生前后预设时间段内的社交媒体文本数据,计算各格网内的语义损失度;根据各格网内的数量异常值、数量变化率之差和语义损失度,获取各格网内的灾情评价平均值;根据所述灾情评价平均值的排序,获取各格网内的灾害评估分级结果。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的以执行地震灾害评估方法,该方法包括:以格网的方式,获取在地震前后预设时间段内,地震中心周边预设范围内手机位置数据的数量异常值;根据地震前后各格网内的手机位置数据的数量异常值,计算各格网内的手机位置数据的数量变化率之差;根据地震发生前后预设时间段内的社交媒体文本数据,计算各格网内的语义损失度;根据各格网内的数量异常值、数量变化率之差和语义损失度,获取各格网内的灾情评价平均值;根据所述灾情评价平均值的排序,获取各格网内的灾害评估分级结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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ROM/RAM、磁碟、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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种地震灾害评估方法,其特征在于,包括:
以格网的方式,获取在地震前后预设时间段内,地震中心周边预设范围内手机位置数据的数量异常值;
根据地震前后各格网内的所述手机位置数据的数量异常值,计算各格网内的手机位置数据的数量变化率之差;
根据地震发生前后预设时间段内的社交媒体文本数据,计算各格网内的语义损失度;
根据各格网内的数量异常值、数量变化率之差和语义损失度,获取各格网内的灾情评价平均值;
根据所述灾情评价平均值的排序,获取各格网内的灾害评估分级结果;
所述根据地震发生前后预设时间段内的社交媒体文本数据,计算各格网内的语义损失度,包括:
获取地震相关社交媒体文本数据,并对所述地震相关社交媒体文本数据进行预处理,所述预处理包括去重、去除停用词和分词处理;
根据灾害严重程度,将预处理后的地震相关社交媒体文本数据分为多个等级,构建灾情评估分级训练集;
基于BTM算法,对所述灾情评估分级训练集进行文本关键字的提取,获取分级关键词集;
获取地震发生前后预设时间段内包含地震关键词的社交媒体文本数据;
利用所述分级关键词集,根据所述社交媒体文本数据计算各格网内所有社交媒体文本数据的损失度平均值,并将所述损失度平均值作为各格网内的语义损失度;
所述根据各格网内的数量异常值、数量变化率之差和语义损失度,获取各格网内的灾情评价平均值,包括:
分别对各格网内的数量异常值、数量变化率之差和语义损失度进行归一化处理;
以归一化后的数量异常值、数量变化率之差和语义损失度作为格网属性,基于K-means聚类方法,对每个格网分别进行聚类处理,获取各格网的聚类类别;
计算各个聚类类别中的归一化后的数量异常值、数量变化率之差和语义损失度之间的平均值,作为所述灾情评价平均值。
2.根据权利要求1所述的地震灾害评估方法,其特征在于,所述以格网的方式,获取在地震前后预设时间段内,地震中心周边预设范围内手机位置数据的数量异常值,包括:
获取手机位置数据供应商提供的地震中心周边预设范围内手机位置数据;
设置地震中心周边的格网,并统计每个格网内的手机位置数据的数量;
基于S-H-ESD算法,计算所述手机位置数据的数量异常值。
3.根据权利要求1所述的地震灾害评估方法,其特征在于,所述根据地震前后各格网内的所述手机位置数据的数量异常值,计算各格网内的手机位置数据的数量变化率之差,包括:其中,/>手机位置数据的数量变化率之差,/>为地震前手机位置数据的数量变化率,/>为地震后手机位置数据的数量变化率,R为手机位置数据的数量变化率计算函数,X为地震前及地震后的手机位置数据集合,/>为地震前最后一时刻的手机位置数据。
4.根据权利要求1所述的地震灾害评估方法,其特征在于,所述利用所述分级关键词集,根据所述社交媒体文本数据计算各格网内的社交媒体文本数据的损失度平均值,包括:
对所述社交媒体文本数据进行预处理后,统计各格网内的每个所述社交媒体文本数据的词频个数;
根据所述分级关键词集,统计各格网内的每个所述社交媒体文本数据中各分级关键词的个数;
根据所述各格网内的每个所述社交媒体文本数据的词频个数和各分级关键词的个数,计算每个所述社交媒体文本数据的语义损失度;
计算各格网内所有社交媒体文本数据的损失度平均值。
5.根据权利要求1所述的地震灾害评估方法,其特征在于,所述根据所述灾情评价平均值的排序,获取各格网内的灾害评估分级结果,包括:
基于自然断点法对所述灾情评价平均值进行排序,并根据排序结果确定与每个所述灾情评价平均值对应的格网内的灾害评估分级结果。
6.一种地震灾害评估系统,其特征在于,包括:
数量异常值获取单元、数量变化率获取单元、语义损失度获取单元、灾情评价平均值运算单元和分级评估单元;
所述数量异常值获取单元用于以格网的方式,获取在地震前后预设时间段内,地震中心周边预设范围内手机位置数据的数量异常值;
所述数量变化率获取单元用于据地震前后各格网内的所述手机位置数据的数量异常值,计算各格网内的手机位置数据的数量变化率之差;
所述语义损失度获取单元用于根据地震发生前后预设时间段内的社交媒体文本数据,计算各格网内的语义损失度,包括:获取地震相关社交媒体文本数据,并对所述地震相关社交媒体文本数据进行预处理,所述预处理包括去重、去除停用词和分词处理;根据灾害严重程度,将预处理后的地震相关社交媒体文本数据分为多个等级,构建灾情评估分级训练集;基于BTM算法,对所述灾情评估分级训练集进行文本关键字的提取,获取分级关键词集;获取地震发生前后预设时间段内包含地震关键词的社交媒体文本数据;利用所述分级关键词集,根据所述社交媒体文本数据计算各格网内所有社交媒体文本数据的损失度平均值,并将所述损失度平均值作为各格网内的语义损失度;
所述灾情评价平均值运算单元用于根据各格网内的数量异常值、数量变化率之差和语义损失度,获取各格网内的灾情评价平均值,包括:分别对各格网内的数量异常值、数量变化率之差和语义损失度进行归一化处理;以归一化后的数量异常值、数量变化率之差和语义损失度作为格网属性,基于K-means聚类方法,对每个格网分别进行聚类处理,获取各格网的聚类类别;计算各个聚类类别中的归一化后的数量异常值、数量变化率之差和语义损失度之间的平均值,作为所述灾情评价平均值;所述分级评估单元用于根据所述灾情评价平均值的排序,获取各格网内的灾害评估分级结果。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述地震灾害评估方法的步骤。
8.一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,该计算机程序被处理器执行时实现如权利要求1至5任一项所述地震灾害评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010693706.6A CN111898385B (zh) | 2020-07-17 | 2020-07-17 | 一种地震灾害评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010693706.6A CN111898385B (zh) | 2020-07-17 | 2020-07-17 | 一种地震灾害评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898385A CN111898385A (zh) | 2020-11-06 |
CN111898385B true CN111898385B (zh) | 2023-08-04 |
Family
ID=73190204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010693706.6A Active CN111898385B (zh) | 2020-07-17 | 2020-07-17 | 一种地震灾害评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898385B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818668B (zh) * | 2021-02-05 | 2024-03-29 | 上海市气象灾害防御技术中心(上海市防雷中心) | 气象灾情数据语义识别分析方法和系统 |
CN113434538B (zh) * | 2021-06-24 | 2024-03-08 | 北京市地震局 | 一种基于人口位置数据的地震强度评估方法及系统 |
CN113837667A (zh) * | 2021-11-24 | 2021-12-24 | 中国科学院地理科学与资源研究所 | 一种基于位置大数据的城市抗灾韧性阈值检测方法及系统 |
CN116934073A (zh) * | 2023-06-07 | 2023-10-24 | 深圳大学 | 基于时空活动分析的城市灾害韧性精细化测算方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530512A (zh) * | 2013-09-30 | 2014-01-22 | 西南科技大学 | 一种定量评价泥石流灾害易损性的方法 |
CN103927389A (zh) * | 2014-04-30 | 2014-07-16 | 北京中有联科技有限公司 | 一种洪涝灾害地理分析评估动态模型的构建方法 |
CN104820629A (zh) * | 2015-05-14 | 2015-08-05 | 中国电子科技集团公司第五十四研究所 | 一种智能的舆情突发事件应急处理系统及方法 |
CN107590196A (zh) * | 2017-08-15 | 2018-01-16 | 中国农业大学 | 一种社交网络中地震应急信息筛选评价方法及系统 |
CN107925707A (zh) * | 2015-08-10 | 2018-04-17 | 精工爱普生株式会社 | 位置信息利用系统、网关装置及可佩戴装置 |
CN109063983A (zh) * | 2018-07-18 | 2018-12-21 | 北京航空航天大学 | 一种基于社交媒体数据的自然灾害损失实时评估方法 |
CN109615118A (zh) * | 2018-11-23 | 2019-04-12 | 泉州装备制造研究所 | 基于大数据地质灾害防治信息化服务集成控制系统及方法 |
-
2020
- 2020-07-17 CN CN202010693706.6A patent/CN111898385B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530512A (zh) * | 2013-09-30 | 2014-01-22 | 西南科技大学 | 一种定量评价泥石流灾害易损性的方法 |
CN103927389A (zh) * | 2014-04-30 | 2014-07-16 | 北京中有联科技有限公司 | 一种洪涝灾害地理分析评估动态模型的构建方法 |
CN104820629A (zh) * | 2015-05-14 | 2015-08-05 | 中国电子科技集团公司第五十四研究所 | 一种智能的舆情突发事件应急处理系统及方法 |
CN107925707A (zh) * | 2015-08-10 | 2018-04-17 | 精工爱普生株式会社 | 位置信息利用系统、网关装置及可佩戴装置 |
CN107590196A (zh) * | 2017-08-15 | 2018-01-16 | 中国农业大学 | 一种社交网络中地震应急信息筛选评价方法及系统 |
CN109063983A (zh) * | 2018-07-18 | 2018-12-21 | 北京航空航天大学 | 一种基于社交媒体数据的自然灾害损失实时评估方法 |
CN109615118A (zh) * | 2018-11-23 | 2019-04-12 | 泉州装备制造研究所 | 基于大数据地质灾害防治信息化服务集成控制系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于UGC的城市灾害损失动态评估模型;闪四清;林萧;张瞳;;武汉理工大学学报(信息与管理工程版)(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111898385A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898385B (zh) | 一种地震灾害评估方法及系统 | |
CN103049532A (zh) | 基于突发事件应急管理的知识库引擎构建及其查询方法 | |
CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
CN104820629A (zh) | 一种智能的舆情突发事件应急处理系统及方法 | |
CN110929939B (zh) | 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法 | |
CN109657011B (zh) | 一种筛选恐怖袭击事件犯罪团伙的数据挖掘系统 | |
CN102937960A (zh) | 突发事件热点话题的识别与评估装置和方法 | |
CN104636449A (zh) | 基于lsa-gcc的分布式大数据系统风险识别方法 | |
CN109472075B (zh) | 一种基站性能分析方法及系统 | |
CN112365171A (zh) | 基于知识图谱的风险预测方法、装置、设备及存储介质 | |
Agarwal et al. | Comparison of machine learning approaches in the prediction of terrorist attacks | |
CN109918648B (zh) | 一种基于动态滑动窗口特征评分的谣言深度检测方法 | |
CN114978877B (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
CN111738843A (zh) | 一种使用流水数据的量化风险评价系统和方法 | |
WO2024067387A1 (zh) | 基于特征变量评分的用户画像生成方法,设备、汽车及存储介质 | |
CN111259167B (zh) | 用户请求风险识别方法及装置 | |
KR101685334B1 (ko) | 키워드 관련도 기반의 재난 이슈별 재난 탐지 기술 및 이를 이용한 재난대처 방법 | |
Utami et al. | Hoax information detection system using apriori algorithm and random forest algorithm in twitter | |
US20190018749A1 (en) | Data processing device, data processing method, and program recording medium | |
Donohue et al. | Quantifying areality: A study of prenasalisation in Southeast Asia and New Guinea | |
Teodorescu | On the responses of social networks' to external events | |
CN113919544B (zh) | 犯罪预警方法、装置、计算机设备及存储介质 | |
Kim et al. | Construction of disaster knowledge graphs to enhance disaster resilience | |
CN110866624A (zh) | 化工事故预测方法和系统 | |
CN113435753A (zh) | 高危行业中企业风险判定方法、装置、设备及介质 |
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 |