CN112508162B - 基于系统联动的应急管理方法、装置及系统 - Google Patents
基于系统联动的应急管理方法、装置及系统 Download PDFInfo
- Publication number
- CN112508162B CN112508162B CN202011287703.9A CN202011287703A CN112508162B CN 112508162 B CN112508162 B CN 112508162B CN 202011287703 A CN202011287703 A CN 202011287703A CN 112508162 B CN112508162 B CN 112508162B
- Authority
- CN
- China
- Prior art keywords
- matching model
- subsystem
- model
- scene
- determining
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 239000000470 constituent Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 241000251468 Actinopterygii Species 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
Abstract
本申请涉及一种基于系统联动的应急管理方法、装置及系统,包括确定场景最优目标,并根据场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;根据理论运行模型获取运行数据;根据运行数据在预设的匹配模型库中选择最优匹配模型。本申请能够通过各个子系统设备,来采集各个子系统的相关数据,并根据数据和相应的场景选择最优的应急预案。
Description
技术领域
本申请涉及应急管理技术领域,具体涉及一种基于系统联动的应急管理方法、装置及系统。
背景技术
应急系统是指在发生无法预料的危险中使用的一项系统。应急系统是为保证人类的安全而特定设置的一项系统。
相关技术中,已有的应急管理系统,只是停留在传统的单一设备控制上,信息采集无法全域覆盖,各子系统独立运行,大多都是采用人工记录设备运行数据,不能动态的将所有子系统的状态实时的给出应急预案。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种基于系统联动的应急管理方法、装置及系统,以解决现有技术中不能动态的将所有子系统的状态实时的给出应急预案的问题。
为实现以上目的,本发明采用如下技术方案:一种基于系统联动的应急管理方法、装置及系统,包括:
确定场景最优目标,并根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;
根据所述理论运行模型获取运行数据;
根据所述运行数据在预设的匹配模型库中选择最优匹配模型。
进一步地,还包括:
获取多个应急预案,对所述应急预案进行分析得到组成要素,对所述组成要素进行拆分处理,得到多个知识片段;
将多个所述知识片段输入到神经网络,所述神经网络对多个知识片段进行映射处理,得到每个知识片段对应的匹配模型;
根据所述每个知识片段和所述每个知识片段对应的匹配模型,生成匹配模型库。
进一步地,还包括:
采集各子系统的运行数据;
对所述运行数据进行多元回归分析,确定所述动态运行模型。
进一步地,所述根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型,包括:
判断各子系统是否满足场景最优目标;
如果确定各子系统满足所述场景最优目标,则确定子系统的理论运行模型;
否则,优化所述场景最优目标并继续判断各子系统是否满足优化后的场景最优目标。
进一步地,所述匹配模型库中设有匹配模型对应的运行状态参数;所述根据所述运行数据在预设的匹配模型库中选择最优匹配模型,包括:
将所述运行状态参数进行横向填充矩阵,并转化为二维特征图;
将所述运行数据进行横向填充矩阵,并转化为二维特征图;
对两个二维特征图分别进行多次卷积处理,输出相应的卷积结果;
根据两个卷积结果在所述匹配模型库中选择最优匹配模型。
进一步地,所述根据两个卷积结果在所述匹配模型库中选择最优匹配模型,包括:
对两个卷积结果进行相似度分析;
当相似度在预设的容差范围内时,确定匹配模型为最优匹配模型。
进一步地,根据所述知识片段、场景对多个所述应急预案划分等级。
进一步地,通过采集设备采集各子系统的运行数据。
本申请实施例提供一种基于系统联动的应急管理装置,包括:
确定模块,用于确定场景最优目标,并根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;
获取模块,用于根据所述理论运行模型获取运行数据;
选择模块,用于根据所述运行数据在预设的匹配模型库中选择最优匹配模型。
本申请实施例提供一种基于系统联动的应急管理系统,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
确定场景最优目标,并根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;
根据所述理论运行模型获取运行数据;
根据所述运行数据在预设的匹配模型库中选择最优匹配模型。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请的方法包括确定场景最优目标,并根据场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;根据理论运行模型获取运行数据;根据运行数据在预设的匹配模型库中选择最优匹配模型。本申请能够通过各个子系统设备,来采集各个子系统的相关数据,并根据数据和相应的场景选择最优的应急预案。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明基于系统联动的应急管理方法的步骤示意图;
图2为本发明基于系统联动的应急管理方法的流程示意图;
图3为本发明基于系统联动的应急管理装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅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做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
下面结合附图介绍本申请实施例中提供的一个具体的基于系统联动的应急管理方法、装置及系统。
实际生产环境中,大部分的传感器设备都像鱼类一样,没有“高智商”,“高存储空间”,但是鱼群可以在一瞬间对危险进行群体避让,这是因为它们遵循一条简单的规律,只判定自己距离旁边两条鱼侧线的距离保持一致。如果能够利用普通设备的这种简单的规律来达到系统之间的联动运行。这个规律就是每个子系统的局部最优解。例如:消防感知设备的最优解就是没有报警,又比如摄像头识别人员密度,密度低的地方就是最优解等。本申请中第一步就是确定各个子系统的动态运行模型。采集设备与各系统之间的通讯可以通过有线连接,也可以是无线连接;无线连接例如可以是2G、3G、4G、5G、WIFI等。
如图1所示,本申请实施例中提供的基于系统联动的应急管理方法、装置及系统包括:
S101,确定场景最优目标,并根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;
每个场景下都会有它的场景最优解,比如楼层火灾发生,人员要逃生,那么场景的最优解就是让人员安全逃生。这个时候就需要联合各个子系统的动态运行模型,来响应这样的场景。例如:有两个安全通道,其中一个安全通道烟雾感知器报警了,而另外一个没有报警,那此时向没有报警的通道逃生。
本申请需要根据场景的不同确定场景最优目标,再根据场景最优目标和动态运行模型确定子系统的理论运行模型,其中,理论运行模型就是子系统的最优运行模型。
S102,根据所述理论运行模型获取运行数据;
当子系统的最优模型确定后,提取此模型中的设备运行数据。
S103,根据所述运行数据在预设的匹配模型库中选择最优匹配模型。
本申请预先设置匹配模型库,其中,匹配模型库中包括多个匹配模型,匹配模型对应相应的应急预案,也就是选择了匹配模型即选择了应急预案。根据从理论运行模型中获取的运行数据并进行处理,确定出最优的匹配模板,即最优的应急预案。
基于系统联动的应急管理方法、装置及系统的工作原理为:参见图2,判定各子系统当前状态是否可以满足场景的目标以及预设匹配模型库,确定场景最优目标后,和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;然后采集理论运行模型中设备的运行数据,最后对运行数据进行处理,以选择最优匹配模型,从而获取最优应急预案。
本申请能够实现多个子系统之间的智能联动,通过知识片段建立可分级响应的匹配模型库,能够根据所有子系统设备的状态给出最优匹配模型,从而选择最优的应急预案。
一些实施例中,还包括:
获取多个应急预案,对所述应急预案进行分析得到组成要素,对所述组成要素进行拆分处理,得到多个知识片段;
将多个所述知识片段输入到神经网络,所述神经网络对多个知识片段进行映射处理,得到每个知识片段对应的匹配模型;
根据所述每个知识片段和所述每个知识片段对应的匹配模型,生成匹配模型库。
应急预案是依据应急管理法律法规,结合应急管理专业人员知识得出的;分析出应急预案的组成要素,将组成要素结合领域知识、专家经验变成知识片段化表示,再将这些知识片段进行映射、匹配、合并生成对应的匹配模型库,根据匹配模型即可得到相应的应急预案。
一些实施例中,还包括:
采集各子系统的运行数据;
对所述运行数据进行多元回归分析,确定所述动态运行模型。
具体的,例如:动态运行模型可以是多元回归方程,形式为y=kx1+kx2+…kxn+b,其中x为运行参数,通过运行参数的运行数据进行多元线性回归分析,得到最优的多元回归方程也就是动态运行模型。
一些实施例中,所述根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型,包括:
判断各子系统是否满足场景最优目标;
如果确定各子系统满足所述场景最优目标,则确定子系统的理论运行模型;
否则,优化所述场景最优目标并继续判断各子系统是否满足优化后的场景最优目标。
具体的,判定各子系统当前状态是否可以满足场景的目标,如果不满足就要动态的调整场景最优目标,重新判定。例如:如果两个通道烟雾感知器都报警了,此时又要逃生,那就要结合其它的参数,比如哪个通道的人员密集度低,哪个通道的消防水压是达标的,那个通道的排风系统已经打开,结合这些所有的综合信息,再反向的优化场景模型,重新判定出最优解。本申请中是多个子系统的多个运行模型最终优化为一个理论运行模型,该理论运行模型能够基于多个子系统进行判断,也就是通过一个理论模型就可以判断多个子系统是否满足场景最优目标,简单方便。
优选的,所述匹配模型库中设有匹配模型对应的运行状态参数;所述根据所述运行数据在预设的匹配模型库中选择最优匹配模型,包括:
将所述运行状态参数进行横向填充矩阵,并转化为二维特征图;
将所述运行数据进行横向填充矩阵,并转化为二维特征图;
对两个二维特征图分别进行多次卷积处理,输出相应的卷积结果;
根据两个卷积结果在所述匹配模型库中选择最优匹配模型。
其中,横向填充矩阵具体为当卷积核与图像尺寸不匹配时,往往填充图像缺失区域,例如:原始图片尺寸为5*5,卷积核的大小为3*3,如果不进行填充,步长为1的话,当卷积核沿着图片滑动后只能滑动出一个3*3的图片出来,这就造成了卷积后的图片和卷积前的图片尺寸不一致,所以为了避免这种情况,需要先对原始图片做填充处理。
本申请中当子系统的理论运行模型固定后,提取此模型中的设备运行数据,将数据进行横向填充矩阵,将填充矩阵进行转化得出二维特征图,对该二维特征图进行卷积运算得出深度卷积结果。
同理,在匹配模型库中会包含一些设备运行参数状态的描述,其中,运行状态参数是应急预案中根据设备状态获取的,例如,设备状态可以是在火灾时的报警状态或是视频采集状态或者其他的应急状态,在这些应急状态时所确定的运行状态参数。将运行状态参数同样按照横向填充矩阵,将填充矩阵进行转化得出二维特征图,同时同卷积核进行卷积运算,得出卷积结果。
优选的,所述根据两个卷积结果在所述匹配模型库中选择最优匹配模型,包括:
对两个卷积结果进行相似度分析;
当相似度在预设的容差范围内时,确定匹配模型为最优匹配模型。
具体的,根据运行数据获取的卷积结果表示子系统现在的运行状态,根据运行状态参数获取的卷积结果表示子系统的应急状态,本申请中对得到的两个卷积结果进行相似度分析,当相似度在预设的容差范围内时,则可以确定子系统设备的当前状态与该运行状态参数相应的匹配模型相对应,则确定该匹配模型为最优匹配模型。
优选的,还包括:
根据所述知识片段、场景对多个所述应急预案划分等级。
具体的,本申请中通过对大量的应急预案文版、法规条例、专家知识、设备状态需求等信息通过知识片段划分方法来生成不同等级、不同场景的应急预案方案。
优选的,本申请中采集设备与各子系统连接,通过采集设备采集各子系统的运行数据。
如图3所示,本申请提供一种基于系统联动的应急管理装置,包括:
确定模块301,用于确定场景最优目标,并根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;
获取模块302,用于根据所述理论运行模型获取运行数据;
选择模块303,用于根据所述运行数据在预设的匹配模型库中选择最优匹配模型。
本申请提供的基于系统联动的应急管理装置的工作原理是,确定模块301确定场景最优目标,并根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;获取模块302根据所述理论运行模型获取运行数据;选择模块303根据所述运行数据在预设的匹配模型库中选择最优匹配模型。
本申请提供一种基于系统联动的应急管理系统,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
确定场景最优目标,并根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;
根据所述理论运行模型获取运行数据;
根据所述运行数据在预设的匹配模型库中选择最优匹配模型。
综上所述,本发明提供一种基于系统联动的应急管理方法、装置及系统,包括确定场景最优目标,并根据场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;根据理论运行模型获取运行数据;根据运行数据在预设的匹配模型库中选择最优匹配模型。本申请能够通过各个子系统设备,来采集各个子系统的相关数据,并根据数据和相应的场景选择最优的应急预案。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种基于系统联动的应急管理方法,其特征在于,包括:
确定场景最优目标,并根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;
根据所述理论运行模型获取运行数据;
根据所述运行数据在预设的匹配模型库中选择最优匹配模型;
所述根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型,包括:
判断各子系统是否满足场景最优目标;
如果确定各子系统满足所述场景最优目标,则确定子系统的理论运行模型;
否则,优化所述场景最优目标并继续判断各子系统是否满足优化后的场景最优目标;
所述预设的匹配模型库的生成过程包括:
获取多个应急预案,对所述应急预案进行分析得到组成要素,对所述组成要素进行拆分处理,得到多个知识片段;
将多个所述知识片段输入到神经网络,所述神经网络对多个知识片段进行映射处理,得到每个知识片段对应的匹配模型;
根据所述每个知识片段和所述每个知识片段对应的匹配模型,生成匹配模型库;
所述匹配模型库中设有匹配模型对应的运行状态参数;所述根据所述运行数据在预设的匹配模型库中选择最优匹配模型,包括:
将所述运行状态参数进行横向填充矩阵,并转化为二维特征图;
将所述运行数据进行横向填充矩阵,并转化为二维特征图;
对两个二维特征图分别进行多次卷积处理,输出相应的卷积结果;
根据两个卷积结果在所述匹配模型库中选择最优匹配模型。
2.根据权利要求1所述的方法,其特征在于:还包括:
采集各子系统的运行数据;
对所述运行数据进行多元回归分析,确定所述动态运行模型。
3.根据权利要求1所述的方法,其特征在于,所述根据两个卷积结果在所述匹配模型库中选择最优匹配模型,包括:
对两个卷积结果进行相似度分析;
当相似度在预设的容差范围内时,确定匹配模型为最优匹配模型。
4.根据权利要求1所述的方法,其特征在于,还包括:
根据所述知识片段、场景对多个所述应急预案划分等级。
5.根据权利要求2所述的方法,其特征在于,
通过采集设备采集各子系统的运行数据。
6.一种基于系统联动的应急管理装置,其特征在于,包括:
确定模块,用于确定场景最优目标,并根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;
获取模块,用于根据所述理论运行模型获取运行数据;
选择模块,用于根据所述运行数据在预设的匹配模型库中选择最优匹配模型;
所述根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型,包括:
判断各子系统是否满足场景最优目标;
如果确定各子系统满足所述场景最优目标,则确定子系统的理论运行模型;
否则,优化所述场景最优目标并继续判断各子系统是否满足优化后的场景最优目标;
所述预设的匹配模型库的生成过程包括:
获取多个应急预案,对所述应急预案进行分析得到组成要素,对所述组成要素进行拆分处理,得到多个知识片段;
将多个所述知识片段输入到神经网络,所述神经网络对多个知识片段进行映射处理,得到每个知识片段对应的匹配模型;
根据所述每个知识片段和所述每个知识片段对应的匹配模型,生成匹配模型库;
所述匹配模型库中设有匹配模型对应的运行状态参数;所述根据所述运行数据在预设的匹配模型库中选择最优匹配模型,包括:
将所述运行状态参数进行横向填充矩阵,并转化为二维特征图;
将所述运行数据进行横向填充矩阵,并转化为二维特征图;
对两个二维特征图分别进行多次卷积处理,输出相应的卷积结果;
根据两个卷积结果在所述匹配模型库中选择最优匹配模型。
7.一种基于系统联动的应急管理系统,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
确定场景最优目标,并根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型;
根据所述理论运行模型获取运行数据;
根据所述运行数据在预设的匹配模型库中选择最优匹配模型;
所述根据所述场景最优目标和预先建立的各子系统的动态运行模型,确定子系统的理论运行模型,包括:
判断各子系统是否满足场景最优目标;
如果确定各子系统满足所述场景最优目标,则确定子系统的理论运行模型;
否则,优化所述场景最优目标并继续判断各子系统是否满足优化后的场景最优目标;
所述预设的匹配模型库的生成过程包括:
获取多个应急预案,对所述应急预案进行分析得到组成要素,对所述组成要素进行拆分处理,得到多个知识片段;
将多个所述知识片段输入到神经网络,所述神经网络对多个知识片段进行映射处理,得到每个知识片段对应的匹配模型;
根据所述每个知识片段和所述每个知识片段对应的匹配模型,生成匹配模型库;
所述匹配模型库中设有匹配模型对应的运行状态参数;所述根据所述运行数据在预设的匹配模型库中选择最优匹配模型,包括:
将所述运行状态参数进行横向填充矩阵,并转化为二维特征图;
将所述运行数据进行横向填充矩阵,并转化为二维特征图;
对两个二维特征图分别进行多次卷积处理,输出相应的卷积结果;
根据两个卷积结果在所述匹配模型库中选择最优匹配模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011287703.9A CN112508162B (zh) | 2020-11-17 | 2020-11-17 | 基于系统联动的应急管理方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011287703.9A CN112508162B (zh) | 2020-11-17 | 2020-11-17 | 基于系统联动的应急管理方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508162A CN112508162A (zh) | 2021-03-16 |
CN112508162B true CN112508162B (zh) | 2024-04-05 |
Family
ID=74956584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011287703.9A Active CN112508162B (zh) | 2020-11-17 | 2020-11-17 | 基于系统联动的应急管理方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508162B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220296A (zh) * | 2017-04-28 | 2017-09-29 | 北京拓尔思信息技术股份有限公司 | 问答知识库的生成方法、神经网络的训练方法以及设备 |
CN110188979A (zh) * | 2019-04-15 | 2019-08-30 | 广州智联研究院有限公司 | 水行业应急决策生成方法及装置 |
JP2019211870A (ja) * | 2018-05-31 | 2019-12-12 | 株式会社日立ソリューションズ東日本 | 在庫管理装置および在庫管理方法 |
CN111177284A (zh) * | 2019-12-31 | 2020-05-19 | 清华大学 | 应急预案模型生成方法、装置及设备 |
CN111258433A (zh) * | 2020-03-02 | 2020-06-09 | 上海乂学教育科技有限公司 | 基于虚拟场景的教学互动系统 |
CN111611923A (zh) * | 2020-05-21 | 2020-09-01 | 浩云科技股份有限公司 | 一种应急预案演练评估方法及装置 |
CN111624913A (zh) * | 2020-05-22 | 2020-09-04 | 珠海格力电器股份有限公司 | 消防探测设备、消防报警控制系统、方法及装置 |
-
2020
- 2020-11-17 CN CN202011287703.9A patent/CN112508162B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220296A (zh) * | 2017-04-28 | 2017-09-29 | 北京拓尔思信息技术股份有限公司 | 问答知识库的生成方法、神经网络的训练方法以及设备 |
JP2019211870A (ja) * | 2018-05-31 | 2019-12-12 | 株式会社日立ソリューションズ東日本 | 在庫管理装置および在庫管理方法 |
CN110188979A (zh) * | 2019-04-15 | 2019-08-30 | 广州智联研究院有限公司 | 水行业应急决策生成方法及装置 |
CN111177284A (zh) * | 2019-12-31 | 2020-05-19 | 清华大学 | 应急预案模型生成方法、装置及设备 |
CN111258433A (zh) * | 2020-03-02 | 2020-06-09 | 上海乂学教育科技有限公司 | 基于虚拟场景的教学互动系统 |
CN111611923A (zh) * | 2020-05-21 | 2020-09-01 | 浩云科技股份有限公司 | 一种应急预案演练评估方法及装置 |
CN111624913A (zh) * | 2020-05-22 | 2020-09-04 | 珠海格力电器股份有限公司 | 消防探测设备、消防报警控制系统、方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112508162A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110399816B (zh) | 一种基于Faster R-CNN的高速列车车底异物检测方法 | |
CN111461319B (zh) | 可适应用户要求的基于cnn的对象检测方法及装置 | |
CN109753948B (zh) | 基于微波雷达的空调控制方法和装置、存储介质和处理器 | |
CN108082037A (zh) | 制动灯检测 | |
CN110516529A (zh) | 一种基于深度学习图像处理的投喂检测方法和系统 | |
CN112819068B (zh) | 一种基于深度学习的船舶作业违章行为实时侦测方法 | |
CN109977978B (zh) | 一种多目标检测方法、装置及存储介质 | |
CN112052837A (zh) | 基于人工智能的目标检测方法以及装置 | |
CN116258608B (zh) | 融合gis和bim三维技术的水利实时监测信息管理系统 | |
CN110738132A (zh) | 一种具备判别性感知能力的目标检测质量盲评价方法 | |
Qiao et al. | Deep learning methods applied to electronic monitoring data: automated catch event detection for longline fishing | |
CN112508162B (zh) | 基于系统联动的应急管理方法、装置及系统 | |
CN111125290A (zh) | 一种基于河长制的智能巡河方法、装置及存储介质 | |
CN114194218A (zh) | 自动驾驶系统的优化方法、装置、服务器、车辆和介质 | |
CN116502810B (zh) | 一种基于图像识别的标准化生产监测方法 | |
CN113743300A (zh) | 基于语义分割的高分遥感图像云检测方法和装置 | |
CN117218545A (zh) | 基于LBP特征与改进Yolov5的雷达图像检测方法 | |
CN115393532B (zh) | 脸部绑定方法、装置、设备及存储介质 | |
CN116704554A (zh) | 一种基于深度学习的手姿估计与识别的方法、设备及介质 | |
JP6948959B2 (ja) | 画像処理システム及び画像処理方法 | |
CN113780257B (zh) | 多模态融合弱监督车辆目标检测方法及系统 | |
CN115759740A (zh) | 基于应急测绘多源异构数据融合与共享的灾情评估应急系统及方法 | |
KR20220144237A (ko) | 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 | |
CN114694073A (zh) | 安全带佩戴情况的智能检测方法、装置、存储介质及设备 | |
CN113158803A (zh) | 一种教室空座查询系统、实时视频分析系统及方法 |
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 |