CN112163745A - 一种基于组合模型的区域安全风险分析方法及系统 - Google Patents
一种基于组合模型的区域安全风险分析方法及系统 Download PDFInfo
- Publication number
- CN112163745A CN112163745A CN202010980456.4A CN202010980456A CN112163745A CN 112163745 A CN112163745 A CN 112163745A CN 202010980456 A CN202010980456 A CN 202010980456A CN 112163745 A CN112163745 A CN 112163745A
- Authority
- CN
- China
- Prior art keywords
- risk
- factor
- analysis method
- layer
- index
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012502 risk assessment Methods 0.000 title claims abstract description 70
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 5
- 238000012800 visualization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 abstract description 9
- 230000036541 health Effects 0.000 abstract description 5
- 238000003912 environmental pollution Methods 0.000 abstract description 3
- 238000013468 resource allocation Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000000556 factor analysis Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于组合模型的区域安全风险分析方法及系统，包括根据待分析的目标区域，综合目标区域的各类风险影响因子，基于选取的各层级风险影响因子确定合适的风险指标体系；利用改进的分层主成分分析法筛选出风险指标体系中主要的风险指标，基于三维风险矩阵与深度自编码网络的组合模型计算目标区域的综合风险指数；划分目标区域的风险等级，绘制目标区域的综合风险等级热力图，实现区域安全风险的可视化。本发明可应用于城市公共安全风险分析以及边境地区隐藏区域风险分析及预测等。在区域内环境污染、交通运输、输电安全、医疗卫生的资源调配、旅游引流等方面，区域安全风险分析方法可以为有效地预防和解决这些安全隐患提供有效技术支持。
Description
技术领域
本发明属于风险分析技术领域，特别涉及一种基于组合模型的区域安全风险分析方法及系统。
背景技术
区域风险分析是指针对某一区域，利用某种评价方法，对区域内环境污染、交通运输、输电安全、医疗卫生、旅游业等方面进行危害性评估或者对这些方面从损失的角度进行自动化定量评估的一系列过程，它的任务包括分析风险的源头、直接或间接影响因子、分析风险的可能性及其产生的后果等四部分。时间上，在安全事件发生之前或者在事件发生之后都可以进行区域风险分析。随着科学技术的发展，不断成熟的区域风险技术被广泛应用到滑坡灾害、道路交通以及社会治安等众多公共安全领域当中，极大地保护了人民群众的生命安全以及财产安全。
1962年，美国首次将风险分析方法应用到美国军事工业的实际情况中，并取得了良好的分析结果，才开始使得风险分析技术与方法得到大幅度的发展以及广泛的应用。在风险分析方法发展历程中，世界各国研究学者对风险分析方法进行了众多研究，提出了很多适用于不同领域的风险分析与评价方法。Piia Tint等国外学者将风险评估技术运用工作环境评价中，基于危险因素对工人影响的发生概率和后果严重程度，提出了一种将六步法流程缩减为两步法的简单风险评估方法，并在爱沙尼亚木材工厂得到了验证。相关文献：Tint P,KiivetG.A Simple and Flexible Risk Assessment Method in the WorkEnvironment[J].International Journal of Occupational Safety and Ergonomics,2003,9(2):219-228.
Grifoll Manel等研究人员提出了一种评估港口地区水质退化风险的方法，该方法描述了标准化的风险指数，范围从0到1，它确定了由于污染事件而导致水降解的风险，并根据潜在污染物的脆弱性、邻近性和毒性来评估每个决策的成本。相关文献：GrifollM,Jorda G,BorjaA,et al.A new risk assessment method for water qualitydegradation in harbour domains,using hydrodynamic models[J].Marine PollutionBulletin,2010,60(1):69-78.
随着国外风险分析技术逐渐成熟，各种风险分析方法被引入到我国公共安全、流行病传播等研究领域，逐渐被广泛应用起来，并得到了越来越多的学者认可。在传统安全风险分析方法研究中，国内研究学者对其进行了大量的研究及其改进，并得到了良好的应用效果。于帆等学者利用统计方法和因子分析建立公共场所拥挤踩踏事件的风险评估指标，并确定了场所内人员所处环境的潜在风险。相关文献：于帆,宋英华,霍非舟,方丹辉.城市公共场所拥挤踩踏事故统计分析与风险评估研究[J].安全与环境工程,2017,24(01):126-133.
随着机器学习技术的不断发展，也有不少国内学者结合机器学习算法，在区域风险分析方法的改进中做了大量研究。刘明辉等学者利用k-means聚类算法，以全球恐怖袭击数据作为支撑，对民航系统发生的恐怖袭击事件进行定量分析，确定了几种袭击目标的风险等级。相关文献：刘明辉.基于K-means聚类分析的民航系统恐怖主义风险评估[J].数据分析与知识发现,2018,2(10).
现阶段我国多数城市面临着结构性、布局性环境风险凸显的问题，导致行政区域突发环境事件发生频次高、影响范围广。于露、车前进等学者以珠海市为例，基于地市级行政区域环境风险系统研究，构建评估指标体系，利用GIS技术确定基于空间地理网格的评估单元，在此基础上提出风险等级划分模型，对评估单元进行风险量化分级，并通过行政区域风险等级分区，掌握全域环境风险分级特征。相关文献：于露、车前进.基于GIS的区域环境风险综合评价——以珠海市为例[A].环境与发展,2019：7.
针对风险分析指标体系各层次的差异性问题，大多数区域安全风险分析方法在模式上比较固定，在数据处理过程中灵活性不好；针对地理数据的区域分布特性问题，现有技术提出的区域风险分析方法较少地考虑或者直接忽略了数据的空间影响。例如现有专利文献中，CN106845836B提供了一种输变电工程建设过程环保措施安全风险分析方法及系统，实时采集的现场输变电工程实施情况，筛选出与输变电工程建设过程环保措施安全相关联的影响因素数据；根据筛选的环保措施安全相关联的影响因素数据，对输变电工程建设过程环保措施进行安全风险分析，具体包括：将输变电工程建设过程环保措施安全风险问题划分为至少三个层，由筛选的环保措施安全相关联的影响因素数据，构建出相应层的环保措施安全数据矩阵；两两的比较同一层矩阵内元素之间相对于上一层矩阵内某个元素的重要程度，并用一个比值表示此相对重要程度，进而构建出判断矩阵；计算判断矩阵的特征根及其特征权重向量，对层次排序并进行一致性校验；当判断矩阵的一致性在合法范围内，将判断矩阵的特征权重向量与评估要素标准级别相对照，最终判定出与输变电工程建设过程环保措施安全相关联的影响因素数据的风险等级。
因此，本技术领域亟待提出更实用的改进技术方案。
发明内容
本发明所要解决的问题是，针对现有技术缺陷提供一种能够有效的应用于区域安全风险分析的方法。
本发明提供一种基于组合模型的区域安全风险分析方法，包括以下步骤，
步骤1，根据待分析的目标区域，综合目标区域的各类风险影响因子，基于选取的各层级风险影响因子确定风险指标体系，所述风险指标体系包括若干一级因子，每个一级因子包含若干二级因子；
步骤2，利用改进的分层主成分分析法筛选出步骤1所得风险指标体系中主要的风险指标，实现如下，
构造因子变量，对不同的影响因子做无量纲处理；并基于因子变量的可解释性，采用最大方差旋转方法进行计算；最后对多个影响因子进行分层主成分分析，包括对每个二级因子分别进行主成分分析，每个二级因子的主成分分析作为一个层级，并将一级因子下的所有层级所得结果作加权平均处理，所得的结果作为一级因子的综合得分，基于综合得分筛选主要的风险指标；
步骤3，根据步骤2确定的风险指标，基于三维风险矩阵与深度自编码网络的组合模型计算目标区域的综合风险指数；
所述三维风险矩阵的构建方式为，每个图层代表一类影响因子，每个图层作为一个层级，将代表不同影响因子的层级划分为相应的规则格网，任一层级通过归一化处理后得到相应的因子序值矩阵，将因子各序值矩阵层层叠加起来形成了三维风险矩阵；在三维风险矩阵中，其中各层级中处在同一行同一列的网格叠加在一起作为一个序值向量，最终将存储在一个网格上；
所述深度自编码网络包括输入层、编码器部分隐藏层、特征提取层、解码器部分隐藏层以及输出的重构样本层；
将处理后的各网格的序值向量作为深度自编码网络模型的输入值，训练完成后将特征层的输出结果作为目标区域的综合风险指数；
步骤4，根据步骤3所得目标区域的综合风险指数，划分目标区域的风险等级，绘制目标区域的综合风险等级热力图，实现区域安全风险的可视化。
而且，通过将实际值与阈值进行比较来获得无量纲指标值的，包括采用以下公式进行计算，
其中，xi为某个因子指标的第i个样本取值，maxxi为最大值阈值，minxi为最小值阈值，yi为处理后的取值。
而且，编码器部分隐藏层和解码器部分隐藏层的层数根据步骤2筛选所得风险指标体系中主要的风险指标数目设定。
而且，用于自动告警。
本发明还提供一种基于组合模型的区域安全风险分析系统，用于实现如上任一项所述的一种基于组合模型的区域安全风险分析方法。
而且，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用处理器中的存储指令执行如上所述的一种基于组合模型的区域安全风险分析方法。
或者，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于组合模型的区域安全风险分析方法。
或者，包括PC端或客户端，用于输出分析结果和自动告警。
依照本发明所提供的基于组合结构的区域安全风险分析方法，根据区域性的地理数据，充分考虑了地理指标数据的区域分布特性以及空间上的相互影响；而且在相结合的在模式上表现更加灵活，可以应用多个方法在指标体系的各层次结构中；并解决了在分析中定性、半定量以及定量数据类型不统一的问题。本发明可应用于城市公共安全风险分析以及边境地区隐藏区域风险分析及预测等。例如，在区域内环境污染、交通运输、输电安全、医疗卫生的资源调配、旅游引流等方面，本发明提供的区域安全风险分析方法可以为有效地预防和解决这些安全隐患提供有效的技术支持。
附图说明
图1为本发明实施例在进行区域安全风险分析时的流程图。
图2为本发明实施例建立的城市公共安全区域风险分析与评价指标体系。
图3为本发明实施例建立的三维风险矩阵示意图。
图4为本发明实施例建立的深度自编码网络结构图。
具体实施方法
以下结合附图和实施例，详细描述本发明的基于组合模型的区域安全风险分析方法。
参见图1，当服务提供方需要进行风险分析时，可利用本发明实施例提供的基于组合模型的区域安全风险分析方法，进行以下步骤实现智能化分析，
步骤1，根据具体的待分析的目标区域，综合该区域的各类风险影响因子，基于选取的各层级风险影响因子确定风险指标体系；
为了进行某一具体目标区域的风险分析，首先需要确立合适的风险指标体系。本实施例以城市公共安全区域风险分析为参考区域，综合考虑自然灾害因素、人口特性因素、医疗环境因素、地理环境因素、环境治理能力因素等建立该区域下的风险指标体系。例如：建立如图2所示的风险指标体系，包括一级因子：自然灾害因子、人口特性因子、医疗保险因子、地理环境因子和环境治理因子；其中各一级因子分别包含二级因子情况如下，
自然灾害因子：成灾人口、自然灾害受灾面积；
人口特性因子：人口密度、死亡人数、流动人口；
医疗环境因子：医疗卫生机构床位数、医疗卫生机构技术人员数；
地理环境因子：土地覆盖类型、水系长度占比；
环境治理因子：污水处理总量、工业固废综合利用量。
具体实施时，也可以根据具体目标区域情况和对象，选择其他风险指标，例如城市监控设备分布、噪音、生态水土流失等因子。或者，输入预先建立的风险指标体系。
步骤2，利用改进的分层主成分分析法筛选出步骤1确定的风险指标体系中主要的风险指标；
具体实施时，可以首先考虑原始变量的某些特性，分析适合做因子分析的可能性；然后构造因子变量，对不同的影响因子做无量纲处理，这里采用的方法是通过将实际值与阈值(包括最大值阈值、最小值阈值)进行比较来获得无量纲指标值的，采用的公式包括：
其中，xi为某个因子指标的第i个样本取值，maxxi为最大值阈值，minxi为最小值阈值，yi为处理后的取值，评价值随指标值的增大而增大。并基于因子变量的可解释性，采用最大方差旋转方法进行计算，方差最大化旋转是在主成分分析或因子分析中使用的一种方法，通过坐标变换使各个因子载荷的方差之和最大；最后考虑主成分分析方法降维的优势性，对多个影响因子进行分层主成分分析，下面以环境治理因子为例，将环境治理因子作为主因子(也可称为一级因子)，将成灾人口、自然灾害受灾面积作为二级因子，对每个二级因子分别进行主成分分析，每个二级因子的主成分分析作为一个层级，并将主因子下的所有层级所得结果作加权平均处理，所得的结果即为主因子的综合得分，基于该综合得分筛选主要的风险指标。
步骤3，根据步骤2确定的风险指标，基于三维风险矩阵与深度自编码网络的组合模型计算目标区域的综合风险指数。
传统的风险分析方法中，需要首先确定各个风险指标的权重，再对各影响因子进行加权等处理，最后得到目标区域的风险分布情况。而本发明通过提取一种基于三维风险矩阵与深度自编码网络的组合模型直接计算得到目标区域的综合风险指数，并基于该综合风险指数对具体目标区域进行风险分析，为有效地预防和解决这些风险安全隐患提供有效的技术分析方法。
本发明基于传统的二维风险矩阵方法，提出了一种适应于多因素影响的三维风险矩阵，如图3。三维风险矩阵方法是在二维风险矩阵基础上，对考虑的每个风险影响因子在某一区域内确定风险影响程度，并通过序值化处理得到。在三维风险矩阵中，需将代表不同影响因子的层级划分为相应同等大小的规则格网，每个网格的序值中由很多风险影响因子共同影响决定，并作为后续对目标区域内的综合评价提供定量化的输入数据。考虑到后续需要做综合评价，需要对每个网格内的众多因子确定相应的序值。具体实施时，可按照距离进行划分，例如将代表不同影响因子的层级均划分为相应1km*lkm的格网。
如图3所示，对每个网格内的众多因子确定相应的序值时，由于提取的不同类型因子数据不在同一维度空间，因此需要先对步骤2中选取的各指标数据进行归一化处理，具体公式如下：
zi＝ti/Σti
其中，zi—为指标的归一化值；ti—为某类指标在某一网格上的指标值。
之后，将归一化处理后的每一类指标作为一个层级，将确定的各指标层做叠加处理，每一个网格上包含了由多个影响指标组成的向量，将最后得到的向量作为该网格的序值向量。简单来说，如图3，每个图层代表着一类影响因子，每一个图层也可称作一个层级，任一层级通过归一化处理后得到相应的因子序值矩阵，将因子各序值矩阵层层叠加起来形成了三维风险矩阵，其中各层级中处在同一行同一列的网格叠加在一起作为一个序值向量，最终将存储在一个网格上。
本发明采用的深度自编码网络主要由两个部分组成：编码器和解码器，如附图4所示。与传统的深度自编码网络不同的是，本发明采用了特征提取层，将编码器处理后的特征提取层输出值作为综合风险指数。在网络结构中，编码器采用了降维思想，利用高维数据通过深层次结构的编码器降到具有代表性的低维度数据；而解码器采用了重构思想，与编码器结构是相互对立的，也就是编码器的逆向映射过程：从低维度数据到高维数据的重构过程。在网络的层次结构中，依次有：输入层、编码器部分隐藏层(包括隐藏层1…隐藏层N)、特征提取层、解码器部分隐藏层(包括隐藏层N…隐藏层1)以及输出的重构样本层。
在输入层中，输入一个网格相应的多源风险影响因子组成的序值向量(即一个样本)，输入的序值向量通过编码器后，得到中间层(即特征提取层)的计算结果，用数学表达式表示为：Y＝f(X)＝σ(WX+b)，其中σ()为激活函数，f()是这个激活函数的简单表达，W、b分别为网络层的权重系数以及偏置项，Y是X的另一个表示(也即是特征提取层的结果，也是最后得到的综合风险指数)，X是由多源风险影响因子组成的序值向量,上述过程即是编码过程；
隐藏层为网络结构中的过渡层，具体实施时，优选建议隐藏层层数N的设置与步骤2所确定的主要风险指标数成正比，即当确定的风险指标数越多时，需要设置更多的隐藏层层数，通过逐步编码以及解码得到所需的结果(即综合风险指数)；
重构样本层也可以称作检验层，是为了生成与输入样本相似的向量，在网络不断的训练中满足，使得网络优化趋于稳定，若输出的重构样本
与X的差距小于设定的阈值，则把特征提取层输出的值作为输入数据的另一种表示形式，即Y是输入的序值向量X的另一个表示；
特征提取层是整个深度自编码器网络的核心，能够反映及代表高维数据内存在的规律以及维度，利用该层次结构从高维度的原始数据(即多源风险影响因子)中提取综合风险指数。
具体实施时，将处理后的各网格的序值向量作为深度自编码网络模型的输入值，即训练样本。设置自编码网络训练过程中的超参数。在自编码网络模型中，采用最小二乘方法构建损失函数，可以选取诸如Adam优化算法对构建的损失函数进行优化，使得输出值与输入值的总残差达到最小。将样本输入自编码网络模型中，通过优化模型对损失函数进行迭代，迭代的过程中，权重值在不停地更新，直到训练总损失值达到最小。提取编码器的输出结果，即特征层的输出结果，将它作为目标区域的综合风险指数。
步骤4，根据步骤3得到的目标区域的综合风险指数，划分目标区域的风险等级，绘制目标区域的综合风险等级热力图，实现区域安全风险的可视化。
在确定风险等级过程中，需要与多种影响因子进行比较，选择最为理想的风险等级划分策略。例如，可以根据最终得到的综合风险指数进行划分(即通过风险发生概率进行划分)，0.00～0.10为无风险，0.10～0.20为低度风险，0.20～0.30为中度风险，0.30～0.40为高度风险，0.40及其以上为超高风险，总共划分为5个等级。又例如，可以综合考虑风险发生概率(即综合风险指数)与风险后果严重程度划分，即风险等级＝风险发生概率*风险后果严重程度。从而绘制综合风险等级热力图，实现区域安全风险的可视化，并基于此进行风险分析。
本发明所提供区域风险分析方法可用于自动告警。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。在一些可能的实施例中，提供一种基于组合模型的区域安全风险分析系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用处理器中的存储指令执行如上所述的一种基于组合模型的区域安全风险分析方法。
在一些可能的实施例中，提供一种基于组合模型的区域安全风险分析系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于组合模型的区域安全风险分析方法。
在一些可能的实施例中，提供一种基于组合模型的区域安全风险分析系统，包括PC端或客户端，用于输出分析结果和自动告警。
例如，在医院中设立PC机或者在移动手机端进行人员的调配等，通过上述的区域风险分析方法输出分析结果，支持用户利用分析数据对医院内各个部门的医护人员进行合理的调配，并可以扩展用于对医院的床位数进行实时分析，支持用户利用分析数据合理安排伤病人员及时就诊或休养。又例如在各旅游地区，可以通过在旅游区内设立PC端，或通过移动端(如手机等)输出自动告警，帮助旅客顺利避过人流密集区域，合理规划路线，减少危险事故的发生，也可以输出分析结果帮助旅游区管理人员对人流进行合理地分流等。
以上所述仅为本发明中的实施例，并不用于限制本发明。凡在本发明的精神与原则之内，所做的任何修改，改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于组合模型的区域安全风险分析方法，其特征在于：包括以下步骤，
步骤1，根据待分析的目标区域，综合目标区域的各类风险影响因子，基于选取的各层级风险影响因子确定风险指标体系，所述风险指标体系包括若干一级因子，每个一级因子包含若干二级因子；
步骤2，利用改进的分层主成分分析法筛选出步骤1所得风险指标体系中主要的风险指标，实现如下，
构造因子变量，对不同的影响因子做无量纲处理；并基于因子变量的可解释性，采用最大方差旋转方法进行计算；最后对多个影响因子进行分层主成分分析，包括对每个二级因子分别进行主成分分析，每个二级因子的主成分分析作为一个层级，并将一级因子下的所有层级所得结果作加权平均处理，所得的结果作为一级因子的综合得分，基于综合得分筛选主要的风险指标；
步骤3，根据步骤2确定的风险指标，基于三维风险矩阵与深度自编码网络的组合模型计算目标区域的综合风险指数；
所述三维风险矩阵的构建方式为，每个图层代表一类影响因子，每个图层作为一个层级，将代表不同影响因子的层级划分为相应的规则格网，任一层级通过归一化处理后得到相应的因子序值矩阵，将因子各序值矩阵层层叠加起来形成了三维风险矩阵；在三维风险矩阵中，其中各层级中处在同一行同一列的网格叠加在一起作为一个序值向量，最终将存储在一个网格上；
所述深度自编码网络包括输入层、编码器部分隐藏层、特征提取层、解码器部分隐藏层以及输出的重构样本层；
将处理后的各网格的序值向量作为深度自编码网络模型的输入值，训练完成后将特征提取层的输出结果作为目标区域的综合风险指数；
步骤4，根据步骤3所得目标区域的综合风险指数，划分目标区域的风险等级，绘制目标区域的综合风险等级热力图，实现区域安全风险的可视化。
2.如权利要求1所述的基于组合模型的区域安全风险分析方法，其特征在于：通过将实际值与阈值进行比较来获得无量纲指标值的，包括采用以下公式进行计算，
其中，xi为某个因子指标的第i个样本取值，maxxi为最大值阈值，minxi为最小值阈值，yi为处理后的取值。
3.如权利要求1所述的基于组合模型的区域安全风险分析方法，其特征在于：编码器部分隐藏层和解码器部分隐藏层的层数根据步骤2筛选所得风险指标体系中主要的风险指标数目设定。
4.如权利要求1或2或3所述的基于组合模型的区域安全风险分析方法，其特征在于：用于自动告警。
5.一种基于组合模型的区域安全风险分析系统，其特征在于：用于实现如权利要求1-4任一项所述的一种基于组合模型的区域安全风险分析方法。
6.根据权利要求5所述基于组合模型的区域安全风险分析系统，其特征在于：包括处理器和存储器，存储器用于存储程序指令，处理器用于调用处理器中的存储指令执行如权利要求1-4任一项所述的一种基于组合模型的区域安全风险分析方法。
7.根据权利要求5所述基于组合模型的区域安全风险分析系统，其特征在于：包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如权利要求1-4任一项所述的一种基于组合模型的区域安全风险分析方法。
8.根据权利要求5所述基于组合模型的区域安全风险分析系统，其特征在于：包括PC端或客户端，用于输出分析结果和自动告警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010980456.4A CN112163745A (zh) | 2020-09-17 | 2020-09-17 | 一种基于组合模型的区域安全风险分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010980456.4A CN112163745A (zh) | 2020-09-17 | 2020-09-17 | 一种基于组合模型的区域安全风险分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112163745A true CN112163745A (zh) | 2021-01-01 |
Family
ID=73858313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010980456.4A Pending CN112163745A (zh) | 2020-09-17 | 2020-09-17 | 一种基于组合模型的区域安全风险分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112163745A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700159A (zh) * | 2021-01-11 | 2021-04-23 | 四川师范大学 | 建立农村宅基地旅游化流转评估模型的方法 |
| CN113554213A (zh) * | 2021-06-11 | 2021-10-26 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种天然气需求预测方法、系统、存储介质及设备 |
| CN113780822A (zh) * | 2021-09-14 | 2021-12-10 | 上海师范大学 | 一种基于psr模型的城市生态安全预警方法 |
| CN114493381A (zh) * | 2022-04-14 | 2022-05-13 | 江苏海内软件科技有限公司 | 一种化工园区固定时空周期的风险源趋势监测预警方法 |
| CN114707695A (zh) * | 2022-02-23 | 2022-07-05 | 河南鑫安利安全科技股份有限公司 | 基于大数据分析的安全服务业务需求匹配方法 |
| CN116562711A (zh) * | 2023-06-26 | 2023-08-08 | 应急管理部大数据中心 | 全国安全生产态势评估方法、装置及电子设备 |
-
2020
- 2020-09-17 CN CN202010980456.4A patent/CN112163745A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700159A (zh) * | 2021-01-11 | 2021-04-23 | 四川师范大学 | 建立农村宅基地旅游化流转评估模型的方法 |
| CN113554213A (zh) * | 2021-06-11 | 2021-10-26 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种天然气需求预测方法、系统、存储介质及设备 |
| CN113780822A (zh) * | 2021-09-14 | 2021-12-10 | 上海师范大学 | 一种基于psr模型的城市生态安全预警方法 |
| CN113780822B (zh) * | 2021-09-14 | 2023-10-31 | 上海师范大学 | 一种基于psr模型的城市生态安全预警方法 |
| CN114707695A (zh) * | 2022-02-23 | 2022-07-05 | 河南鑫安利安全科技股份有限公司 | 基于大数据分析的安全服务业务需求匹配方法 |
| CN114493381A (zh) * | 2022-04-14 | 2022-05-13 | 江苏海内软件科技有限公司 | 一种化工园区固定时空周期的风险源趋势监测预警方法 |
| CN114493381B (zh) * | 2022-04-14 | 2022-06-17 | 江苏海内软件科技有限公司 | 一种化工园区固定时空周期的风险源趋势监测预警方法 |
| CN116562711A (zh) * | 2023-06-26 | 2023-08-08 | 应急管理部大数据中心 | 全国安全生产态势评估方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112163745A (zh) | 一种基于组合模型的区域安全风险分析方法及系统 | |
| Wang et al. | A GIS-based spatial multi-criteria approach for flood risk assessment in the Dongting Lake Region, Hunan, Central China | |
| Gu et al. | A hierarchical pattern of urban social vulnerability in Shanghai, China and its implications for risk management | |
| Hosseini et al. | Towards a flood vulnerability assessment of watershed using integration of decision-making trial and evaluation laboratory, analytical network process, and fuzzy theories | |
| Zhu et al. | The influencing factors and mechanisms for urban flood resilience in China: From the perspective of social-economic-natural complex ecosystem | |
| Feng et al. | Spatially explicit assessment of land ecological security with spatial variables and logistic regression modeling in Shanghai, China | |
| Liang et al. | Flood disaster in Taihu Basin, China: causal chain and policy option analyses | |
| Jafari et al. | Dynamic simulation of urban expansion through a CA-Markov model Case study: Hyrcanian region, Gilan, Iran | |
| CN104346538A (zh) | 基于三种灾情因子控制的地震灾害评估方法 | |
| Ma et al. | How China’s linked urban–rural construction land policy impacts rural landscape patterns: A simulation study in Tianjin, China | |
| 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) | |
| Zou et al. | Fast comprehensive flood risk assessment based on game theory and cloud model under parallel computation (P-GT-CM) | |
| Feng et al. | Calibration of cellular automata models using differential evolution to simulate present and future land use | |
| Kosova et al. | Meta-analysis ELECTRE III and AHP in evaluating and ranking the urban resilience | |
| Lantada et al. | Disaster risk reduction: a decision-making support tool based on the morphological analysis | |
| Zhang et al. | Multi-scale accessibility performance of shelters types with diversity layout in coastal port cities: A case study in Nagoya City, Japan | |
| Gurram et al. | Urban environmental quality assessment at ward level using AHP based GIS multi-criteria modeling–a study on Hyderabad City, India | |
| Meshkini et al. | The role of land use patterns in earthquake resilience: a case study of the Ahvaz Manba Ab neighborhood | |
| Zhang et al. | Evaluating water resource carrying capacity using the deep learning method: a case study of Yunnan, Southwest China | |
| Li et al. | Identification of urban waterlogging indicators and risk assessment based on MaxEnt Model: A case study of Tianjin Downtown | |
| Mabahwi et al. | GIS-based multi-criteria analysis to identify site suitability of flood shelters in Kuantan, Malaysia | |
| Qin et al. | Refined urban disaster vulnerability assessment based on elements at risk: A case study of Dalian, China | |
| Wu et al. | Flood risk assessment model combining hierarchy process and variable fuzzy set theory: a case study in Zhejiang province, China | |
| Ni et al. | Quantifying the Relationship Between Human Activities Intensity and Thawing Hazards of the Frozen Ground on the Qinghai–Tibet Plateau | |
| Safaripour et al. | Miyandoab flood risk mapping using dematel and SAW methods and DPSIR model |
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 |
Application publication date: 20210101 |
|
| RJ01 | Rejection of invention patent application after publication |