CN112527936A

CN112527936A - 灾难密度的统计方法、装置、计算机设备以及存储介质

Info

Publication number: CN112527936A
Application number: CN202011489923.XA
Authority: CN
Inventors: 杨玲
Original assignee: Ping An Technology Shenzhen Co Ltd
Current assignee: Ping An Technology Shenzhen Co Ltd
Priority date: 2020-12-16
Filing date: 2020-12-16
Publication date: 2021-03-19
Also published as: WO2022126979A1

Abstract

本发明提供了一种灾难密度的统计方法，属于大数据技术领域。该灾难密度的统计方法包括：从第一预设数据库获取用户信息；根据灾难事件种类和用户信息从第二预设数据库获取用户关联信息；经纬度信息通过将用户关联信息输入第三预设数据库所得到；根据经纬度信息，通过聚类算法计算得到灾难事件簇。通过本发明提出的灾难密度的统计方法，能够简单高效，先得到粗略的灾难统计，辅助相关业务场景，后续可实地考察精细化评估；并且只通过统计分析灾难密度，无需搜集复杂而庞大的指标。通过DBSCAN密度聚类法，直观地显示用户周围可能发生的灾难事件的密集程度。本发明还可以应用于区块链技术领域。

Description

灾难密度的统计方法、装置、计算机设备以及存储介质

技术领域

本发明涉及大数据技术领域，尤其涉及一种灾难密度的统计方法、装置、计算机设备以及存储介质。

背景技术

火灾是最常出现的威胁生命及财产安全的灾害之一，其发生原因复杂多变且一旦发生，给予人们反应的时间很短。有效评估城市火灾风险等级可提前对该区域进行更大力度火灾防御措施，如：加强排查逃生通道，增加灭火设备等。当前已经有很多业内人士针对火灾的预测做了大量研究，但都限定在某些具体场景，数据获取难度大，准确性低。

火灾发生由孕灾环境与致灾因子构成。致灾因子由事件构成，如：乱扔烟头、电路长期发热、使用明火等，这些事件的发生很难观测和预防。而周围环境则相对稳定，因此对孕灾环境进行火灾风险评估则具有可操作性。

一般而言，某些企业因为其运营性质及工作人员密集度高，具有较高的火灾风险，特别是某些制造业，一般会堆积大量的货物，一旦发生火灾，后果不堪设想。现有的火灾风险评估方法一般会到现场勘察，从而进行火灾风险评估。这样做虽然能够采集到非常详细的现场信息，但无法覆盖大量高风险区域，需要耗费较多人力进行现场勘查，才能实现高风险区域的全面覆盖，从而造成高风险区域核查效率低。

发明内容

本发明提供了一种灾难密度的统计方法，以解决高风险区域核查效率低、核查人力成本高的技术问题。本发明提出的灾难密度的统计方法包括以下步骤：

获取用户的名称，根据用户的名称从第一预设数据库中获取用户信息；

根据选择的灾难事件种类以及用户信息从第二预设数据库中获取用户关联信息；

将用户关联信息输入第三预设数据库中，得到用户关联信息的经纬度信息；

根据聚类算法计算所述经纬度信息，得到灾难事件簇。

在本发明的另一个方面，提供了一种灾难密度统计装置，包括：

第一数据获取模块，用于获取用户的名称，根据所述用户的名称从第一预设数据库中获取用户信息；

第二数据获取模块，用于根据选择的灾难事件种类以及所述用户信息从第二预设数据库中获取用户关联信息；

第三数据获取模块，用于将所述用户关联信息输入第三预设数据库中，得到所述用户关联信息的经纬度信息；

密度聚类统计模块，用于根据聚类算法计算所述经纬度信息，得到灾难事件簇。

在本发明的另一个方面，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述灾难密度的统计方法的步骤。

在本发明的另一个方面，还提供了一种计算机可读存储介质，该计算机可读存储介质存储有灾难密度的统计程序，上述灾难密度的统计程序被处理器执行时实现如上任一方面的灾难密度的统计方法。

本发明提出的灾难密度的统计方法、装置、计算机以及介质，能够减少在用户地点进行现场勘查所需要耗费的大量人力成本，只需要从企业自有或者第三方的预设数据库中获取与用户相关联的灾难事件，并将上述灾难事件的位置输入到地理信息系统，然后通过密度聚类算法，统计出投保用户的地理位置附近是否有灾难事件密集的簇，结合地图可视化，可以使得操作人员直观地显示用户周围可能发生的灾难事件的密集程度。

附图说明

图1是本发明提出的基于密度聚类算法的灾难密度统计方法的流程图；

图2是本发明提出的基于密度聚类算法的灾难密度统计方法的另一个实施例的流程图；

图3是在灾难类型为火灾的灾难密度统计方法的具体流程图；

图4是在灾难类型为交通事故的灾难密度统计方法的具体流程图；

图5是在灾难类型为浸水的灾难密度统计方法的具体流程图；

图6是灾难密度统计装置的构成示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

根据图1可知，本发明包括以下步骤：

S1：获取用户的名称，根据用户的名称从第一预设数据库中获取用户信息；

具体地，上述用户信息包括用户资料、用户投保的保单种类等，在对应不同保单种类可以设置具体的灾难事件种类，例如火灾、交通事故等。

S2：根据选择的灾难事件种类以及用户信息从第二预设数据库中获取用户关联信息，用户关联信息包括与用户相关的灾难事件点；

用户关联数据从自身或者第三方的第二预设数据库中获取与上述输入的用户相关联的各种信息，以便用于后续的分析，对应不同用户的保单种类对应的具体的灾难事件，可以按照要求选取不同的自身或者第三方第二预设数据库，第二预设数据库包括保险公司的出险信息数据库、工商信息数据库、公安信息数据库、交警信息数据库、以及法院信息数据库作为上述第二预设数据库。

上述步骤S2的用户关联信息包括与用户相关的灾难事件点及其发生地址或者位置。根据具体的需要，灾难事件可以包括火灾、交通事故、浸水等。

S3：将用户关联信息输入第三预设数据库中，得到用户关联信息的经纬度信息；

具体地，通过第二预设数据库中获取的关联数据中提取必要的数据，如地址、灾难事件发生地点等地理信息，从第三预设数据库中匹配上述地址、灾难发生地点等地理信息的经纬度信息，上述第三预设数据库是地理信息系统。

地理信息系统(GIS，Geographic Information System)是一门综合性学科，结合地理学与地图学以及遥感和计算机科学，已经广泛的应用在不同的领域，是用于输入、存储、查询、分析和显示地理数据的计算机系统。GIS是一种基于计算机的工具，它可以对空间信息进行分析和处理。GIS技术把地图这种独特的视觉化效果和地理分析功能与一般的数据库操作(例如查询和统计分析等)集成在一起。

地理信息系统能够将不同来源的信息以不同的形式应用。对于源数据的基本要求是确定变量的位置，位置可能由经度、纬度和海拔的x，y，z坐标来标注。在本发明的一个实施方式中，上述变量是指步骤S2中的用户关联信息，即将用户关联信息中的地址/位置信息输入地理信息系统，并且得到用户关联信息的对应经纬度。至此，通过地理信息系统，可以将作为用户关联信息的灾难发生地点转换成由经纬度(x,y)构成的点p，然后用于下一步的基于密度的聚类算法进行分析。

S4：获取灾难事件簇，根据聚类算法计算经纬度信息，得到灾难事件簇。

在本发明的另一个方面，上述步骤S4中的基于密度的聚类算法可以是DBSCAN密度聚类算法。

DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)是一种基于密度的聚类算法。该算法将具有足够密度的区域划分为簇，并在具有噪声的间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大集合。

该算法利用基于密度的聚类的概念，即要求聚类空间中的一定区域内所包含对象(点或其他空间对象)的数目不小于某一给定阈值。DBSCAN算法的显著优点是聚类速度快且能够有效处理噪声点和发现任意形状的空间聚类。

DBSCAN密度聚类算法的简单步骤如下：

输入：样本集D＝(x1,x2,...,xm)，邻域参数(∈,MinPts),样本距离度量方式

输出：簇划分C.

1)初始化核心对象集合Ω＝0,初始化聚类簇数k＝0，初始化未访问样本集合Γ＝D,簇划分C＝0

2)对于j＝1,2,...m,按下面的步骤找出所有的核心对象：

a)通过距离度量方式，找到样本xj的∈-邻域子样本集N∈(xj)

b)如果子样本集样本个数满足|N∈(xj)|≥MinPts，将样本xj加入核心对象样本集合：Ω＝Ω∪{xj}

3)如果核心对象集合Ω＝0，则算法结束，否则转入步骤4.

4)在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ωcur＝{o},初始化类别序号k＝k+1，初始化当前簇样本集合Ck＝{o},更新未访问样本集合Γ＝Γ-{o}

5)如果当前簇核心对象队列Ωcur＝0，则当前聚类簇Ck生成完毕,更新簇划分C＝{C1,C2,...,Ck},更新核心对象集合Ω＝Ω-Ck，转入步骤3。

6)在当前簇核心对象队列Ωcur中取出一个核心对象o′,通过邻域距离阈值∈找出所有的∈-邻域子样本集N∈(o′)，令Δ＝N∈(o′)∩Γ,更新当前簇样本集合Ck＝Ck∪Δ,更新未访问样本集合Γ＝Γ-Δ,转入步骤5.

输出结果为：簇划分C＝{C1,C2,...,Ck}。

在一个具体的示例中，每一个灾难发生地点具有经纬度(x,y)，x、y分别对应灾难发生地点的经度和纬度，而在步骤S3中获得的每一个灾难发生地点可以作为数据集D的一个点。设置邻域参数(∈,MinPts)，其中∈为半径，可以视为期望的一个灾难发生地点的半径∈中如有另一个灾难发生地点，则该两个灾难发生地点可以形成一个簇；在满足上述条件的前提下，MinPts是给定电脑在∈领域内成为核心对象的最小领域点数，即如果一个灾难发生地点p的半径∈中另外有MinPts个灾难发生地点，则该p可以视作核心点。

基于上述前提，将包含有所有灾难发生地点的经纬度的数据集D初始化为全部未处理的点，在算法中设置邻域参数(∈,MinPts)，本示例设置∈为10米，即期望一个灾难发生地点的半径10米内中如有另一个灾难发生地点，则该两个灾难发生地点可以形成一个簇；MinPts设置为3个，即灾难发生地点p的半径10米内另外有3个灾难发生地点，则该p可以视作核心点。

首先，从数据集D中找出所有的核心点，即判断一个点p是否在其半径10米内另外有3个灾难发生地点的点，若是，则将该点p标记为核心点，然后建立新的簇C，并将p₁的邻域内所有点加入簇C；若否，则将该点p标记为边界点或者噪音点。这样如此循环，直至数据集D中的点全部处理完成，得到的一个或者多个簇C就是灾难发生地点密集的区域。

DBSCAN算法的目的在于过滤低密度区域，发现稠密度样本点。跟传统的基于层次的聚类和划分聚类的凸形聚类簇不同，该算法可以发现任意形状的聚类簇。

核保人员根据计算结果，可知投保用户位置附近是否有灾难事件簇，若投保用户位置附近存在一个或者多个灾难事件簇，核保人员可以根据该投保用户与灾难事件簇之间的距离、灾难事件簇的大小等参数评估该投保用户出险的可能性。

在一个可选的实施例中，在根据聚类算法计算经纬度信息，得到灾难事件簇的步骤之后，还包括设定提示距离，当用户的位置距离小于上述灾难事件簇的距离时，发出提示。当需要核保的保单数量较多时，为了减少核保人员的工作负担，可以预先在方法中设定提示距离，只有用户的位置距离小于上述灾难事件簇的距离时，才发出向核保人员发出提示信息，以进一步介入核保工作。

在一个可选的实施例中，如图2所示，上述灾难密度的统计方法在步骤S4之后还包括步骤S5：

S5：将灾难事件簇输出到地图应用，以将灾难事件簇表示的高风险地区叠加并显示在地图上。

在该步骤中，可以将上述表示灾难事件簇输出到在地图应用上，将以簇表示的高风险地区叠加到地图上，方便核保人员更加直观地确定灾难事件密集的高风险区域的位置，以便及早作出对策。

在一个可选的实施例中，如图2所示，上述灾难密度的统计方法在步骤S5之后还包括步骤S6：

S6：将包括灾难事件簇的地图上传至区块链中。

基于上述方法得到的地图，取得对应的摘要信息，具体来说，摘要信息由地图进行散列处理得到，比如利用SHA256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证灾难事件簇是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

在具体应用场景中，对应各种不同的灾难类型，上述步骤S2还包括如下具体的步骤：

(1)当上述灾难事件为火灾时，参考图3，第二预设数据库包括出险记录数据库、工商信息公开数据库以及消防出警记录数据库；

用户关联信息还包括与用户同行业的火灾高发的企业。具体的步骤如下：

S201：根据所述用户信息在出险记录数据库、工商信息公开数据库以及消防出警记录数据库中的至少一个获取所述用户关联信息；

S202：从所述用户关联信息中筛选与所述用户同行业的火灾高发的企业；

S203：获取所述火灾高发企业的地址信息。

上述步骤S3还包括：将所述火灾高发企业的地址信息输入所述第三预设数据库，得到所述火灾高发企业的地址信息的经纬度信息。

与之对应的实际运用场景如下：

火灾发生由孕灾环境与致灾因子构成。致灾因子由事件构成，如：乱扔烟头、电路长期发热、使用明火等，这些事件的发生很难观测和预防。而周围环境则相对稳定，因此对孕灾环境进行火灾密度评估则具有可操作性。一般而言，某些企业因为其运营性质及工作人员密集度高，具有较高的火灾风险密度，特别是某些制造业，一般会堆积大量的货物，一旦发生火灾，后果不堪设想。现有的火灾风险统计方法一般会到现场勘察，从而进行火灾风险评估。这样做能够采集到非常详细的现场信息，但无法覆盖大量的标的。

在这个具体的实施方式中，上述灾难密度统计装置从用户信息获取模块中获取客户信息，具体是筛选灾难事件为“火灾”的保单对应的客户。根据上述客户信息，从自身或者第三方的第二预设数据库中获取与上述输入的用户相关联的各种信息，在此实施方式中，第二预设数据库具体地是从工商信息数据库中匹配客户的行业，上述工商信息数据库包括保险公司自身的出险记录数据库，以及第三方的国家企业公开信息网、天眼查、企查查等的数据接口。

统计行业该类火灾出险比例，筛选出火灾高发的企业，即有可能发生灾难事件的主体，并且将筛选出的火灾高发的企业的地址信息记录或者缓存到装置中。然后，将上述筛选出的火灾高发的企业的地址信息通过地理信息系统匹配上述地址的经纬度，并且记录所有筛选出的火灾高发的企业的经纬度。最后，根据上述经纬度，通过DBSCAN密度聚类算法，计算出企业密集的簇，相同颜色的点均为较密集的簇，可认为密度集中的簇可能引起火灾的企业过于集中，会引发火灾连锁反应。至此，可以分析上述投保的客户是否处于高风险的地区，若是，可以根据实际业务的需要，派遣人员到实地进行考察，以判断投保的客户出险的可能性，从而进一步地决定是否提高保单价格，乃至直接拒保等应对措施。

(2)当上述灾难事件为交通事故时，参考图4，当灾难事件为交通事故时，第二预设数据库包括出险记录数据库、法院信息数据库以及交警出警记录数据库；

用户关联信息还包括与用户在同一区域内发生的交通事故。具体包括以下步骤：

S211：根据所述用户信息在出险记录数据库、工商信息公开数据库以及消防出警记录数据库中的至少一个获取所述用户关联信息；

S212：从所述用户关联信息中筛选与所述用户在同一区域内发生的交通事故；

S213：获取所述交通事故位置信息。

上述步骤S3还包括：将所述交通事故位置信息输入所述第三预设数据库，得到所述交通事故位置信息的经纬度信息。

与之对应的实际运用场景如下：

车损险是指被保险人或其允许的驾驶员在使用保险车辆时发生保险事故而造成保险车辆受损，保险公司在合理范围内予以赔偿的一种汽车商业保险。在道路上，存在一些由于设计不合理或者驾驶员容易出现疏忽从而导致交通事故的事故多发点，车主购买了车损险，则可以向保险公司申请出险并获得理赔。因此，为了减少出险的赔偿，有必要明确各个地区的事故多发点，以及时提醒车主，一方面减少了车主机动车因为交通事故而受损的可能性，另一方面也可以减少保险公司因赔付车损险的支出。

在这个具体的实施方式中，上述灾难密度统计装置从用户信息获取模块中获取客户信息，具体是筛选灾难事件为“交通事故”的保单对应的客户，优选地需要获取上述用户的住址以及工作单位地址。根据上述客户信息，从自身或者第三方的第二预设数据库中获取与上述输入的用户相关联的各种信息，在此实施方式中，第二预设数据库具体地是从保险公司的出险记录数据库、公安交警的报警记录数据库、拖车救援公司的记录库、以及法院裁判文书数据库中关于交通事故的判决中匹配到该用户信息地址附近的事故发生地点记录，并且将匹配到的事故发生地点的位置信息记录或者缓存到装置中。

然后，将上述匹配到的事故发生地点的位置信息通过地理信息系统匹配上述位置的经纬度，并且记录所有发生过机动车交通事故的事故发生地点的经纬度。最后，根据上述经纬度，通过DBSCAN密度聚类算法，计算出机动车交通事故密集的簇，相同颜色的点均为较密集的簇，可认为是较容易出现机动车交通事故的位置，当机动车驶入时，当驾驶员稍有不慎，则有可能导致发生机动车事故，进而向保险公司申请出险并且赔付。至此，在投保用户所登记的地址附近若有机动车交通事故高发的位置，则应当及时告知客户，并及时进行回避。

(3)当上述灾难事件为浸水时，参考图5，当灾难事件为浸水时，第二预设数据库包括出险记录数据库、交警出警记录数据库以及消防出警记录数据库；

所述用户关联信息还包括与所述用户同一区域内发生的浸水事件。具体包括以下步骤：

S221：根据所述用户信息在出险记录数据库、交警出警记录数据库以及消防出警记录数据库中的至少一个获取所述用户关联信息；

S222：从所述用户关联信息中筛选与所述用户同一区域内发生的浸水事件位置信息；

S223：获取所述浸水事件位置信息。

上述步骤S3还包括：将所述浸水事件位置信息输入所述第三预设数据库，得到所述浸水事件位置信息的经纬度信息。

与之对应的实际运用场景如下：

涉水险是属于商业车险中的附加险，主要保障被保险机动车在使用过程中，因发动机进水后导致的发动机的直接损毁，以及为防止或者减少被保险机动车的损失所支付的必要的、合理的施救费用。当在暴雨台风频繁的季节中，驾驶机动车的车主可能不慎驶入发生浸水或者内涝的地区而导致机动车发动机进水，若车主购买了涉水险，则可以向保险公司申请出险并获得理赔。因此，为了减少出险的赔偿，有必要明确各个地区浸水内涝的高危险地区，以及时提醒车主进行规避，一方面减少了车主机动车因为浸水而受损的可能性，另一方面也可以减少保险公司因赔付涉水险的支出。

在这个具体的实施方式中，上述灾难密度统计装置从用户信息获取模块中获取客户信息，具体是筛选灾难事件为“机动车浸水”的保单对应的客户，优选地需要获取上述用户的住址以及工作单位地址。根据上述客户信息，从自身或者第三方的第二预设数据库中获取与上述输入的用户相关联的各种信息，在此实施方式中，第二预设数据库具体地是从保险公司的出险记录数据库、公安交警的报警记录数据库以及拖车救援公司的记录库中匹配到该用户信息地址附近的出险/出警记录，并且将匹配到的出险/出警记录的位置信息记录或者缓存到装置中。然后，将上述匹配到的出险/出警记录的位置信息通过地理信息系统匹配上述位置的经纬度，并且记录所有发生过机动车浸水事件的出险/出警记录的经纬度。最后，根据上述经纬度，通过DBSCAN密度聚类算法，计算出机动车浸水事件密集的簇，相同颜色的点均为较密集的簇，可认为是在暴雨天气时较容易出现浸水和内涝的位置，当机动车驶入时，会导致机动车浸水并且损坏，进而向保险公司申请出险并且赔付。至此，在投保用户当地的气象部门发出暴雨警告时，及时告知客户附近可能出现浸水和内涝的位置，并及时进行回避。

本发明还提供了一种基于密度的灾难密度统计装置1100，如图6所示，包括：第一数据获取模块1101、第二数据获取模块1102、第三数据获取模块1103、以及密度聚类统计模块1104。

第一数据获取模块1101，用于获取用户的名称，根据用户的名称从第一预设数据库中获取用户信息；

第二数据获取模块1102，用于根据选择的灾难事件种类以及用户信息从第二预设数据库中获取用户关联信息；

第三数据获取模块1103，用于将用户关联信息输入第三预设数据库中，得到用户关联信息的经纬度信息；

密度聚类统计模块1104，用于根据聚类算法计算所述经纬度信息，得到灾难事件簇。

第一数据获取模块1101用于从第一预设数据库1200中获取用户信息，上述用户信息包括用户资料、用户投保的保单种类等。

在其中一个实施例中，所述用户关联信息还包括所述灾难事件点发生的位置，所述灾难事件种类包括火灾、交通事故和/或浸水。

在对应不同用户可以设置具体的灾难事件种类，例如火灾、交通事故等。

第二数据获取模块1102用于从自身或者第三方的第二预设数据库1300中获取与上述输入的用户相关联的各种信息，以便用于后续的分析，对应不同保单种类的具体的灾难事件，可以按照要求选取不同的自身或者第三方的第二预设数据库1300，上述第二预设数据库包括保险公司的出险信息数据库、工商信息数据库、公安信息数据库、交警信息数据库、以及法院信息数据库。

在一个具体的实施例中，所述用户关联信息还包括与所述用户相关的非灾难事件点，当所述灾难事件为火灾时，所述第二预设数据库包括出险记录数据库、工商信息公开数据库以及消防出警记录数据库，第二数据获取模块1102还包括火灾信息获取单元。

火灾信息获取单元用于：根据所述用户信息在出险记录数据库、工商信息公开数据库以及消防出警记录数据库中的至少一个获取所述用户关联信息；

用户关联信息还包括与用户同行业的火灾高发的企业地址信息，所述第三数据获取模块1103包括火灾经纬度信息获取单元。

所述火灾经纬度信息获取单元用于：将火灾高发的企业地址信息输入第三预设数据库1400，得到所述火灾高发的企业地址信息的经纬度信息。

在一个具体的实施例中，当灾难事件为交通事故时，所述第二预设数据库1300包括出险记录数据库、法院信息数据库以及交警出警记录数据库，第二数据获取模块1102还包括交通事故信息获取单元。

交通事故信息获取单元用于：根据所述用户信息在出险记录数据库、工商信息公开数据库以及消防出警记录数据库中的至少一个获取所述用户关联信息；

所述用户关联信息还包括与所述用户在同一区域内发生的交通事故位置信息，所述第三数据获取模块1103包括交通事故经纬度信息获取单元。

交通事故经纬度信息获取单元用于：将所述交通事故位置信息输入第三预设数据库1400，得到交通事故位置信息的经纬度信息。

在一个具体的实施例中，当灾难事件为浸水时，所述第二预设数据库1300包括出险记录数据库、交警出警记录数据库以及消防出警记录数据库，第二数据获取模块1102还包括浸水信息获取单元。

浸水信息获取单元用于根据所述用户信息在出险记录数据库、交警出警记录数据库以及消防出警记录数据库中的至少一个获取所述用户关联信息；

所述用户关联信息还包括与所述用户同一区域内发生的浸水事件位置信息，所述第三数据获取模块1103包括浸水经纬度信息获取单元。

浸水经纬度信息获取单元用于：将所述浸水事件位置信息输入第三预设数据库1400，得到浸水事件位置信息的经纬度信息。

更具体地，上述输入的用户关联信息包括：与用户相关的灾难事件点以及其发生地址或者位置，进一步地，上述灾难事件点包括过去发生过的灾难事件的主体或者地点，以及根据统计分析得到的可能发生灾难事件的主体或者地点。

在一个具体的实施例中，密度聚类统计模块1104还包括聚类算法计算单元，聚类算法计算单元用于：：

将所有所述灾难事件点的所述经纬度信息转换为用经纬度坐标表示的点，

选取任意一个所述点作为第一点，并将距离所述第一点小于或等于预设距离的所有的所述点作为第二点；

如果所述第二点的个数小于预设的最少点数，那么将所述第一点标记为噪声；

如果所述第二点个数大于所述最少点数，那么将所述第一点标记为核心点，并将该所述第一点以及所有的所述第二点分配到第一簇标签；

逐个检测所述第二点的在所述预设距离内的邻接点个数，将所述邻接点个数大于所述最少点数的所述第二点也标记为所述核心点，并将所述邻接点也分配到所述第一簇标签；

检测所有的所述第二点之后，重复选取任意一个所述点作为新的第一点，并将距离所述新的第一点小于或等于预设距离的所有的所述点作为新的第二点，直至处理完成所有的所述点。

在一个可选的实施例中，灾难密度统计装置1100还包括地图输出模块，该地图输出模块用于：

将灾难事件簇输出到地图应用，通过地图应用显示灾难事件簇表示的高风险地区。上述装置通过第二数据获取模块1102从自身或者第三方的第二预设数据库1300中获取的关联数据中提取必要的数据，如地址、灾难事件发生地点等地理信息，从第三预设数据库1400中匹配上述地址、灾难发生地点等地理信息的经纬度信息。

在一个具体的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述任一实施例的灾难密度的统计方法。

在一种优选的实施例中，在征得客户同意的前提下，通过客户携带的终端(如手机、行车记录仪等)记录客户驾驶机动车的行车轨迹以及停车位置，并上传到第一预设数据库中。上述灾难密度统计装置可以根据上述客户通过终端记录的行车轨迹以及停车位置信息，进一步分析上述行车轨迹以及停车位置及其周边发生交通事故的风险。

在另一种优选的实施例中，上述灾难密度统计装置搭载在用户携带的终端(如手机、行车记录仪等)内，灾难密度统计装置通过终端的网络接口(如蜂窝网、WIFI等)连接到互联网，并连接到上述第二预设数据库以及第三预设数据库(即地理信息系统)，可以实时地分析用户所在位置的周边风险，并通过DBSCAN密度聚类法，计算出当前位置附近的机动车交通事故/浸水密集的簇，并且通过可视化模块显示在用户的终端上，并可以与地图叠加，使得用户可以进一步明确的获知当前位置周边的灾难风险密度，并及时作出回避。

上述灾难密度的统计方法可以通过计算机程序执行，该计算机程序记录在计算机可读取介质上。

此外，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于非易失性计算机可读存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种灾难密度的统计方法，其特征在于，包括：

获取用户的名称，根据所述用户的名称从第一预设数据库中获取用户信息；

根据选择的灾难事件种类以及所述用户信息从第二预设数据库中获取用户关联信息，所述用户关联信息包括与所述用户相关的灾难事件点；

将所述用户关联信息输入第三预设数据库中，得到所述用户关联信息的经纬度信息；

根据聚类算法计算所述经纬度信息，得到灾难事件簇。

2.根据权利要求1所述的灾难密度的统计方法，其特征在于：所述用户关联信息还包括所述灾难事件点发生的位置，所述灾难事件种类包括火灾、交通事故和/或浸水。

3.根据权利要求2所述的灾难密度的统计方法，其特征在于：所述用户关联信息还包括与所述用户相关的非灾难事件点，当所述灾难事件为火灾时，所述第二预设数据库包括出险记录数据库、工商信息公开数据库以及消防出警记录数据库，所述根据选择的灾难事件种类以及所述用户信息从第二预设数据库中获取用户关联信息的步骤包括：

根据所述用户信息在出险记录数据库、工商信息公开数据库以及消防出警记录数据库中的至少一个获取所述用户关联信息；

所述用户关联信息还包括与所述用户同行业的火灾高发企业的地址信息，所述将所述用户关联信息输入第三预设数据库中的步骤包括：

将所述火灾高发企业的地址信息输入所述第三预设数据库，得到所述火灾高发企业的地址信息的经纬度信息。

4.根据权利要求2所述的灾难密度的统计方法，其特征在于，当所述灾难事件为交通事故时，所述第二预设数据库包括出险记录数据库、法院信息数据库以及交警出警记录数据库，所述根据选择的灾难事件种类以及所述用户信息从第二预设数据库中获取用户关联信息的步骤包括：

所述用户关联信息还包括与所述用户在同一区域内发生的交通事故位置信息，所述将所述用户关联信息输入第三预设数据库中的步骤包括：

将所述交通事故位置信息输入所述第三预设数据库，得到所述交通事故位置信息的经纬度信息。

5.根据权利要求2所述的灾难密度的统计方法，其特征在于，当所述灾难事件为浸水时，所述第二预设数据库包括出险记录数据库、交警出警记录数据库以及消防出警记录数据库，所述根据选择的灾难事件种类以及所述用户信息从第二预设数据库中获取用户关联信息的步骤包括：

根据所述用户信息在出险记录数据库、交警出警记录数据库以及消防出警记录数据库中的至少一个获取所述用户关联信息；

所述用户关联信息还包括与所述用户同一区域内发生的浸水事件位置信息，所述将所述用户关联信息输入第三预设数据库中的步骤包括：

将所述浸水事件位置信息输入所述第三预设数据库，得到所述浸水事件位置信息的经纬度信息。

6.根据权利要求1至5中任一项所述的灾难密度的统计方法，其特征在于，在所述根据聚类算法计算所述经纬度信息，得到灾难事件簇的步骤之后，还包括：

将所述灾难事件簇输出到地图应用，通过所述地图应用显示所述灾难事件簇表示的高风险地区。

7.根据权利要求1至5中任一项所述的统计方法，其特征在于，所述根据聚类算法计算所述灾难事件簇的步骤包括：

如果所述第二点的个数小于预设的最少点数，将所述第一点标记为噪声；

如果所述第二点个数大于所述最少点数，将所述第一点标记为核心点，并将该所述第一点以及所有的所述第二点分配到第一簇标签；

8.一种灾难密度的统计装置，其特征在于，包括：

9.一种计算机设备，包括存储器和处理器，其特征在于：所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述灾难密度的统计方法。

10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有灾难密度的统计程序，上述灾难密度的统计程序被处理器执行时实现如权利要求1至7中任一项权利要求所述灾难密度的统计方法。