CN112434971A - 基于神经网络的区域消防风险计算方法 - Google Patents
基于神经网络的区域消防风险计算方法 Download PDFInfo
- Publication number
- CN112434971A CN112434971A CN202011455068.0A CN202011455068A CN112434971A CN 112434971 A CN112434971 A CN 112434971A CN 202011455068 A CN202011455068 A CN 202011455068A CN 112434971 A CN112434971 A CN 112434971A
- Authority
- CN
- China
- Prior art keywords
- risk
- neural network
- matrix
- vulnerability
- data
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 66
- 238000004364 calculation method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 230000002265 prevention Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000011160 research Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract 1
- 210000002569 neuron Anatomy 0.000 description 11
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于神经网络的区域消防风险计算方法，从区域的脆弱性出发，结合区域防范能力与地区风险质灾因子，构建基于“地、事、人、行为”的神经网络，对区域消防风险进行自动判别。本方法首先使用大数据技术，以小时粒度为窗口，实时描绘区域风险画像，并将小时粒度区域脆弱性数据抽象成脆弱性矩阵，将小时粒度质险因子数据抽象成质险因子矩阵，将小时粒度防范能力数据抽象成防范能力矩阵，并以三种矩阵作为三种神经网络的输入，对神经网络进行训练，将三种神经网络的计算结果用于训练风险计算神经网络，由风险计算神经网络进行区域消防风险研判。
Description
技术领域
本发明属于计算机软件技术领域，涉及一种基于神经网络的区域消防风险计算方法，从区域的脆弱性出发，结合区域防范能力与地区风险质灾因子，构建基于“地、事、人、行为”的神经网络，对区域消防风险进行自动研判。
背景技术
天津市火灾防控任务十分繁重，传统消防工作模式越来越难以适应因人员流动，城市发展所带来的火灾防控形势和任务的需要。为加强区域消防安全管理，及时掌握本辖区的消防安全情况，加快建设“构建基于大数据、依托‘智慧城市’、综治网络社会化消防安全管理平台”，还需要消防管理部门提高对整个城市的消防可视化安全管理预警的能力，预防和减少火灾事故的发生，保障人民群众生命和财产安全。
神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应。神经元模型，即上述定义中的简单单元。在生物神经网络中，每个神经元与其他神经元相连，当它兴奋时，就会向相连的神经元发送化学物质，从而改变这些神经元内的电位；如果某神经元的电位超过了一个阈值，那么它就会激活。向其他神经元发送化学物质。我们把上述的这种神经元模型抽象出来，这就是M-P神经元模型。
区域的消防安全有多种因素构成，我们把他抽象为质险因子、脆弱性、防范能力三种向量，并将这些向量作为神经网络的输入，通过大量的区域风险历史数据集对神经网络进行训练，分别构建三种神经网络，将三种神经网络的输出结果用于训练风险计算神经网络，最后由风险计算神经网络的输出结果进行区域消防风险计算。
火灾防控任务十分繁重，传统消防工作模式越来越难以适应因人员流动，城市发展所带来的火灾防控形势和任务的需要。传统的消防风险研判方法存在工作量大、识别不准确、研判不及时等问题。
发明内容
本发明为解决现有技术中的技术问题，提出一种基于神经网络的区域消防风险计算方法。本发明基于大数据技术，以小时为粒度描绘区域风险画像，从区域的脆弱性出发，结合区域防范能力与地区风险质灾因子，分别构建脆弱性网络、防范能力评估与致险因子三种神经网络，并将神经网络计算结果输入风险计算神经网络，为区域消防风险防控赋能。
本发明的技术方案是基于神经网络的区域消防风险计算方法，首先使用大数据技术，以小时粒度为窗口，实时描绘区域风险画像，并将小时粒度区域脆弱性数据抽象成脆弱性矩阵，将小时粒度质险因子数据抽象成质险因子矩阵，将小时粒度防范能力数据抽象成防范能力矩阵，并以三种矩阵作为三种神经网络的输入，对神经网络进行训练，将三种神经网络的计算结果用于训练风险计算神经网络，由风险计算神经网络进行区域消防风险研判。
具体包括如下步骤：
步骤一：根据风险画像所需标签，通过spark大数据分析引擎，分别计算出每小时粒度的数据集，包括脆弱性数据集、质险因子数据集和防范能力数据集；
步骤二：使用自然语言处理技术将脆弱性数据集抽象为脆弱性矩阵，将质险因子数据集抽象为质险因子矩阵，将防范能力数据集抽象为防范能力矩阵；
步骤三:定义风险计算框架；
步骤四：确定脆弱性神经网络的激活函数，确定防范能力神经网络的激活函数，确定致险因子神经网络的激活函数；
步骤五：将三种矩阵分别输入三种神经网络；
步骤六：将三种神经网络输出转化为风险矩阵；
步骤七：将风险矩阵作为风险计算神经网络的输入对网络进行训练；
步骤八：由风险计算神经网络研判区域消防风险态势。
有益效果
神经网络方法与传统的参数模型方法最大不同在于它是数据驱动自适应技术，不需要对问题模型做任何先验假设。在解决问题的内部规律未知或难以描述的情况下，神经元可以通过对样本的学习训练，获取数据之前隐藏的函数关系。适用于解决一些利用假设和现存理论难以解释，却具备足够多的数据和观察变量的问题。
神经网络可以通过对输入的样本数据的学习训练，获得隐藏在数据内部的规律，并利用学习到的规律来预测未来的数据。神经网络是一种具有普遍适用性的函数逼近器，它能以任意精度逼近任何连续函数。
在处理问题时，神经网络的内部函数形式比传统的统计方法更为灵活、有效。传统的预测模型由于存在各种限制，不能对复杂的变量函数进行有效的估计。神经网络算法是非线性的方法。神经元之间相互制约和相互影响使得整个网络从输入状态空间到输出状态空间的成非线性映射。用于处理一些环境信息十分复杂、知识背景不清楚和推理规则不明确的问题。
本方法基于大数据技术，以小时为粒度描绘区域风险画像；从区域的脆弱性出发，结合区域防范能力与地区风险质灾因子，分别构建脆弱性网络、防范能力评估与致险因子三种神经网络，并将神经网络计算结果输入风险计算框架，为区域消防风险防控赋能。
附图说明
图1是本发明的流程图。
具体实施方式
以下结合附图对本发明作进一步的说明。如图1所示。
首先使用大数据技术，以小时粒度为窗口，实时描绘区域风险画像，并将小时粒度区域脆弱性数据抽象成脆弱性矩阵，将小时粒度质险因子数据抽象成质险因子矩阵，将小时粒度防范能力数据抽象成防范能力矩阵，并以三种矩阵作为三种神经网络的输入，对神经网络进行训练，将三种神经网络的计算结果用于训练风险计算神经网络，由风险计算神经网络进行区域消防风险研判。
步骤一：根据风险画像所需标签，通过spark大数据分析引擎，分别计算出每小时粒度的数据集，包括脆弱性数据集、质险因子数据集和防范能力数据集；
步骤二：使用自然语言处理技术将脆弱性数据集抽象为脆弱性矩阵，将质险因子数据集抽象为质险因子矩阵，将防范能力数据集抽象为防范能力矩阵。
步骤三:定义风险计算框架。
步骤四：确定脆弱性神经网络的激活函数，确定防范能力神经网络的激活函数，确定致险因子神经网络的激活函数。
步骤五：将三种矩阵分别输入三种神经网络。
步骤六：将三种神经网络输出转化为风险矩阵。
步骤七：将风险矩阵作为风险计算神经网络的输入对网络进行训练。
步骤八：由风险计算神经网络研判区域消防风险态势。
Claims (2)
1.基于神经网络的区域消防风险计算方法，其特征在于，首先使用大数据技术，以小时粒度为窗口，实时描绘区域风险画像，并将小时粒度区域脆弱性数据抽象成脆弱性矩阵，将小时粒度质险因子数据抽象成质险因子矩阵，将小时粒度防范能力数据抽象成防范能力矩阵，并以三种矩阵作为三种神经网络的输入，对神经网络进行训练，将三种神经网络的计算结果用于训练风险计算神经网络，由风险计算神经网络进行区域消防风险研判。
2.根据权利要求1所述的基于神经网络的区域消防风险计算方法，其特征在于，具体包括如下步骤：
步骤一：根据风险画像所需标签，通过spark大数据分析引擎，分别计算出每小时粒度的数据集，包括脆弱性数据集、质险因子数据集和防范能力数据集；
步骤二：使用自然语言处理技术将脆弱性数据集抽象为脆弱性矩阵，将质险因子数据集抽象为质险因子矩阵，将防范能力数据集抽象为防范能力矩阵；
步骤三:定义风险计算框架；
步骤四：确定脆弱性神经网络的激活函数，确定防范能力神经网络的激活函数，确定致险因子神经网络的激活函数；
步骤五：将三种矩阵分别输入三种神经网络；
步骤六：将三种神经网络输出转化为风险矩阵；
步骤七：将风险矩阵作为风险计算神经网络的输入对网络进行训练；
步骤八：由风险计算神经网络研判区域消防风险态势。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011455068.0A CN112434971A (zh) | 2020-12-10 | 2020-12-10 | 基于神经网络的区域消防风险计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011455068.0A CN112434971A (zh) | 2020-12-10 | 2020-12-10 | 基于神经网络的区域消防风险计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112434971A true CN112434971A (zh) | 2021-03-02 |
Family
ID=74692473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011455068.0A Pending CN112434971A (zh) | 2020-12-10 | 2020-12-10 | 基于神经网络的区域消防风险计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112434971A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105335796A (zh) * | 2015-11-02 | 2016-02-17 | 华北电力大学 | 一种风电场输出功率爬坡事件预测的系统及方法 |
| US20180068219A1 (en) * | 2015-03-27 | 2018-03-08 | Equifax, Inc. | Optimizing neural networks for risk assessment |
| CN111445011A (zh) * | 2020-04-01 | 2020-07-24 | 成都思晗科技股份有限公司 | 一种基于气象和遥感数据的山火预警方法 |
| CN111625994A (zh) * | 2020-05-25 | 2020-09-04 | 齐鲁工业大学 | 一种基于动态集成神经网络的多源信息融合火灾预测方法 |
| CN111737651A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
| CN111814725A (zh) * | 2020-07-20 | 2020-10-23 | 北京华正明天信息技术股份有限公司 | 一种基于cnn+lstm+mlp组合神经网络判断监控视频着火的预警方法 |
-
2020
- 2020-12-10 CN CN202011455068.0A patent/CN112434971A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180068219A1 (en) * | 2015-03-27 | 2018-03-08 | Equifax, Inc. | Optimizing neural networks for risk assessment |
| CN105335796A (zh) * | 2015-11-02 | 2016-02-17 | 华北电力大学 | 一种风电场输出功率爬坡事件预测的系统及方法 |
| CN111445011A (zh) * | 2020-04-01 | 2020-07-24 | 成都思晗科技股份有限公司 | 一种基于气象和遥感数据的山火预警方法 |
| CN111625994A (zh) * | 2020-05-25 | 2020-09-04 | 齐鲁工业大学 | 一种基于动态集成神经网络的多源信息融合火灾预测方法 |
| CN111737651A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
| CN111814725A (zh) * | 2020-07-20 | 2020-10-23 | 北京华正明天信息技术股份有限公司 | 一种基于cnn+lstm+mlp组合神经网络判断监控视频着火的预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈颖: "《综合防灾视角下的城市灾害风险评估研究-厦门市为例》", 《2019年中国城市规划年会议论文集（01城市安全与防灾规划）中国城市规划学号 会议论文集》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | A modified CREAM to human reliability quantification in marine engineering | |
| Fruggiero et al. | Cognitive human modeling in collaborative robotics | |
| CN116822715A (zh) | 一种基于人工智能的安全生产监测预警系统 | |
| Wang et al. | Weather condition-based hybrid models for multiple air pollutants forecasting and minimisation | |
| Menaga et al. | Application of artificial intelligence in the perspective of data mining | |
| CN110443408A (zh) | 出行预测方法和装置 | |
| CN117351521B (zh) | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 | |
| Xue et al. | Risk assessment of utility tunnels through risk interaction-based deep learning | |
| Jat et al. | Applications of statistical techniques and artificial neural networks: A review | |
| Praynlin et al. | Performance analysis of software effort estimation models using neural networks | |
| CN112434971A (zh) | 基于神经网络的区域消防风险计算方法 | |
| CN117010683A (zh) | 基于混合神经网络和多Agent的作业安全风险预测方法 | |
| CN116128197A (zh) | 一种智慧机场管理系统和方法 | |
| Haselein et al. | Multiple machine learning modeling on near mid-air collisions: An approach towards probabilistic reasoning | |
| Haroonabadi et al. | A novel method for behavior modeling in uncertain information systems | |
| CN111078872B (zh) | 警务事件模拟数据生成方法 | |
| Younus | Utilization Of Artificial Intelligence (Ann) In Project Management Services: A Proposed Model of Application | |
| CN110689062A (zh) | 使用多个Agent对机电装备进行综合健康管理的系统和方法 | |
| Liao et al. | Probabilistic prediction of unsafe event in air traffic control Department based on the Improved backpropagation neural network | |
| Nurmukhamedov et al. | Algorithms and methods of using intelligent systems in fire safety | |
| Vychuzhanin et al. | Data Mining Information System for Complex Technical Systems Failure Risk Evaluation. | |
| Zhou et al. | A hybrid SNN-STLSTM method for human error assessment in the high-speed railway system | |
| RU53036U1 (ru) | Связанная экспертная система | |
| Vehlken | Contagious agents: Epidemics, networks, computer simulations | |
| Wen et al. | Construction of Sports Management System Based on Multi-Layer Neural Network 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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210302 |
|
| WD01 | Invention patent application deemed withdrawn after publication |