CN113034062B - 灾害评估方法及系统 - Google Patents

灾害评估方法及系统 Download PDF

Info

Publication number
CN113034062B
CN113034062B CN202110587917.6A CN202110587917A CN113034062B CN 113034062 B CN113034062 B CN 113034062B CN 202110587917 A CN202110587917 A CN 202110587917A CN 113034062 B CN113034062 B CN 113034062B
Authority
CN
China
Prior art keywords
disaster
matrix
population
individual
vector
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.)
Expired - Fee Related
Application number
CN202110587917.6A
Other languages
English (en)
Other versions
CN113034062A (zh
Inventor
梁家榕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110587917.6A priority Critical patent/CN113034062B/zh
Publication of CN113034062A publication Critical patent/CN113034062A/zh
Application granted granted Critical
Publication of CN113034062B publication Critical patent/CN113034062B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Genetics & Genomics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种灾害评估方法及系统，该方法包括：根据灾害类型，确定受灾区域的多个采样区；获取各采样区的受灾情况数据；根据所述受灾情况数据生成受灾情况矩阵；对所述受灾情况矩阵进行降维处理，得到降维矩阵；利用差分进化算法对所述降维矩阵进行迭代处理，直至达到终止条件，输出灾害评估结果。利用本发明方案，可以自动对受灾情况做出准确评估，进而实现有效救援。

Description

灾害评估方法及系统
技术领域
本发明涉及灾害评估技术领域，具体涉及一种灾害评估方法及系统。
背景技术
自然灾害的发生，给人们的生产生活带来了严重的影响。灾害评估对于灾害的及时救援有着很大的作用，通过灾害评估系统，外界可以依靠少量的信息，对灾情做出一个比较准确的判断，进而在资源和人力有限的前提下，通过安排救援的优先度，最大化地减少灾害造成的损失。
发明内容
本发明提供一种灾害评估方法及系统，以便自动对受灾情况做出准确评估，进而实现有效救援。
为此，本发明提供如下技术方案：
一种灾害评估方法，所述方法包括：
根据灾害类型，确定受灾区域的多个采样区；
获取各采样区的受灾情况数据；
根据所述受灾情况数据生成受灾情况矩阵；
对所述受灾情况矩阵进行降维处理，得到降维矩阵；
利用差分进化算法对所述降维矩阵进行迭代处理，直至达到终止条件，输出灾害评估结果。
可选地，所述灾害类型为台风；所述根据灾害类型，确定受灾区域的多个采样区包括：
根据台风的登陆地点及路线确定受灾区域的多个采样区。
可选地，所述受灾情况数据包括以下任意一处或多种：区域内人口数量、区域生产总值、区域受灾人数、初步估算的经济损失、需要救灾物资的数量、房屋倒塌数量、农田受灾面积、区域风力等级、区域降水等级。
可选地，所述根据所述受灾情况数据生成受灾情况矩阵包括：
将每个采样区的数据组合成一个向量，根据各采样区的向量生成受灾情况矩阵。
可选地，所述对所述受灾情况矩阵进行降维处理，得到降维后的受灾情况矩阵包括：
将所述受灾情况矩阵中每个向量中的各元素进行离散标准化处理，得到标准化矩阵；
使用PCA算法对所述标准化矩阵进行降维处理，得到降维矩阵。
可选地，所述利用差分进化算法对所述降维矩阵进行迭代处理，直至达到终止条件包括：
根据所述降维矩阵进行种群初始化；
计算种群中每个个体的适应度；
判断是否满足终止条件；
如果否，则对种群依次进行交叉、变异和选择操作，然后重新判断是否满足终止条件。
一种灾害评估系统，所述系统包括：
采样区确定模块，用于根据灾害类型，确定受灾区域的多个采样区；
数据获取模块，用于获取各采样区的受灾情况数据；
矩阵生成模块，用于根据所述受灾情况数据生成受灾情况矩阵；
降维处理模块，用于对所述受灾情况矩阵进行降维处理，得到降维矩阵；
迭代处理模块，用于利用差分进化算法对所述降维矩阵进行迭代处理，直至达到终止条件，输出灾害评估结果及。
可选地，所述灾害类型为台风；
所述采样区确定模块，具体用于根据台风的登陆地点及路线确定受灾区域的多个采样区。
可选地，所述受灾情况数据包括以下任意一处或多种：区域内人口数量、区域生产总值、区域受灾人数、初步估算的经济损失、需要救灾物资的数量、房屋倒塌数量、农田受灾面积、区域风力等级、区域降水等级。
可选地，所述矩阵生成模块，具体用于将每采样区的数据组合成一个向量，根据各采样区的向量生成受灾情况矩阵。
可选地，所述降维处理模块包括：
标准化处理单元，用于将所述受灾情况矩阵中每个向量中的各元素进行离散标准化处理，得到标准化矩阵；
降维处理单元，用于使用PCA算法对所述标准化矩阵进行降维处理，得到降维矩阵。
可选地，所述迭代处理模块包括：
初始化单元，用于利用差分进化算法对所述降维矩阵进行种群初始化；
适应度计算单元，用于计算种群中每个个体的适应度；
判断单元，用于判断是否满足终止条件；
差分进化单元，用于在所述判断单元判断不满足终止条件后，对种群依次进行交叉、变异和选择操作。
本发明实施例提供的灾害评估方法及系统，根据灾害类型，确定受灾区域的多个采样区；获取各采样区的受灾情况数据；根据所述受灾情况数据生成受灾情况矩阵；对所述受灾情况矩阵进行降维处理，得到降维矩阵；利用差分进化算法对所述降维矩阵进行迭代处理，直至达到终止条件，输出灾害评估结果。由于差分进化算法的逼近效果更加显著，收敛速度更快，在实际场景当中有着更好效果，从而可以快速、准确地对受到灾害的各区域进行评估，进而根据评估结果对各区域进行有效地救助。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明实施例灾害评估方法的流程图；
图2是本发明实施例中利用差分进化算法对所述降维矩阵进行迭代处理的流程图；
图3是本发明实施例灾害评估装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。
如图1所示，为本发明实施例灾害评估方法的流程图，包括以下步骤：
步骤101，根据灾害类型，确定受灾区域的多个采样区。
所述灾害类型比如可以是台风、冰雹、暴雪、海啸、地震、山火等自然灾害。对于不同的灾害类型，选取采样区的方式也可以不同，比如，可以根据灾害类型及分布特点，以县、镇等为单位来选取采样区。当然，也可以综合考虑各区域的其他因素来确定，对此本发明实施例不做限定。
步骤102，获取各采样区的受灾情况数据。
比如，有n个采样区，分别为A1，A2...An，根据灾害的类型提取各采样区相应的受灾情况数据，所述受灾情况数据比如可以包括但不限于以下任意一种或多种：受灾人数、初步估算的经济损失、需要救灾物资的数量、房屋倒塌数量、农田受灾面积等等。当然，对于不同类型的灾害，相应的受灾情况数据也可以有所不同，对此本发明实施例不做限定。
步骤103，根据所述受灾情况数据生成受灾情况矩阵。
具体地，可以将获取的每个采样区的数据组合成一个向量αi=（N1，N2，...，Nn）用于代表该采样区的受灾情况，得到整个受灾区域的受灾情况矩阵M’ =（α1，α2，...，αn）T。
步骤104，对所述受灾情况矩阵进行降维处理，得到降维矩阵。
首先，需要对数据进行规范化处理，即将所述受灾情况矩阵中每个向量中的各元素进行离散标准化处理，得到标准化矩阵。具体地，对每个元素用最小-最大规范化计算，也就是说，对原始数据进行线性变换，将其值映射到[0, 1]之间。计算公式如下：
Figure 666175DEST_PATH_IMAGE003
；
其中，x*表示数据规范化后的数值，xmin表示所述向量中元素的最小值，xmax表示所述向量中元素的最大值。
需要说明的是，在实际应用中，还可以采用其他规范化处理计算，对此本发明实施例不做限定。
然后，使用PCA（Principal Component Analysis，主成分分析）算法对所述标准化矩阵进行降维处理，得到降维矩阵。
PCA算法是一种数据分析方法，通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。
具体地，首先计算协方差矩阵C=1/m * M *MT (m表示矩阵M中的元素数量），再求出协方差矩阵的特征值（λ1，λ2，...λn）及对应的特征向量（c1，c2，...cn），将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，Y=PX即为降维到k维后的数据。这样通过PCA算法，可以将众多的变量转换为几个主要变量B1，B2...Bm，变量的减少在不影响算法准确度的同时，提高了算法的收敛速度。
步骤105，利用差分进化算法对所述降维矩阵进行迭代处理，直至达到终止条件，输出灾害评估结果。
差分进化算法（Differential Evolution Algorithm，DE）是一种高效的全局优化算法。它也是基于群体的启发式搜索算法，群中的每个个体对应一个解向量。
DE算法通过编码生成种群个体。在DE算法寻优的过程中，首先，从父代个体间选择两个个体进行向量做差生成差分矢量；其次，选择另外一个个体与差分矢量求和生成实验个体；然后，对父代个体与相应的实验个体进行交叉操作，生成新的子代个体；最后在父代个体和子代个体之间进行选择操作，将符合要求的个体保存到下一代群体中去。
本发明实施例中，利用差分进化算法对所述降维矩阵进行迭代处理的流程如图2所示，包括以下步骤：
步骤201，确定差分进化算法控制参数。差分进化算法控制参数包括：种群数量NP、变异算子F和交叉算子CR。
其中，种群数量NP主要反映算法中种群信息量的大小，NP值越大种群信息包含的越丰富，但是带来的后果就是计算量变大，不利于求解。反之，使种群多样性受到限制，不利于算法求得全局最优解，甚至会导致搜索停滞。在本发明实施例中，种群数量NP可以取降维矩阵Y的向量数量（即降维矩阵Y的行业数）的5~10倍，种群编码方式采用实数编码。
交叉算子CR是控制一个试验向量来自随机选择的变异向量而不是原来向量的概率的参数，其主要反映的是在交叉的过程中，子代与父代、中间变异体之间交换信息量的大小程度。CR的值越大，信息量交换的程度越大。反之，如果CR的值偏小，将会使种群的多样性快速减小，不利于全局寻优。在本发明实施例中，可以选取CR∈[0,2]）。
变异算子F表示偏差向量的放大比例，其主要影响算法的全局寻优能力。F越小，算法对局部的搜索能力更好，F越大算法越能跳出局部极小点，但是收敛速度会变慢。此外，F还影响种群的多样性。在本发明实施例中，可以选取F∈[0,2]。
步骤202，根据所述降维矩阵Y进行种群初始化，即根据降维矩阵Y中的向量随机产生初始种群。
步骤203，对初始种群进行评价，即计算初始种群中每个个体的适应度值。
种群中每个个体是指降维矩阵Y中的一个行向量。
在本发明实施例中，适应度函数采用加权函数，所述适应度可以表示为：
Fun（x） = β1*B1 + β2*B2 +...+βm*Bm；
其中，B1，B2...Bm为各变量，β1，β2... βm为权值
Fun（x）越大表明受灾越严重，相应的救灾优先级就越高。
步骤204，判断是否达到终止条件；若是，则执行步骤207；否则，执行步骤205。
在本发明实施例中，所述终止条件为：种群中的每个个体的适应度满足设定条件，或者进化代数达到最大值D（比如，D可以取值100~200）。其中，每个个体的适应度满足设定条件比如可以是：每个个体的适应度均小于设定的第一阈值、或者每个个体适应度与种群平均适应度的差值小于第二阈值（比如0.5）等。
步骤205，进行变异、交叉和选择操作，得到新一代种群。
所述变异操作是利用从种群中随机选取的两个个体的差向量作为第三个个体的随机变化源，将差向量加权后按照一定的规则与第三个个体求和而产生变异个体，即中间种群。
所述交叉操作是将变异个体与某个预先决定的目标个体进行参数混合，生成试验个体。
所述选择操作是在原种群和中间种群中选择个体，得到新一代种群。具体地，将个体带入适应度函数进行计算，如果个体的适应度值优于目标个体的适应度值，则在下一代中试验个体取代目标个体，否则目标个体仍保存下来。
步骤206，进化代数m=m+1。然后执行步骤204。
步骤207。终止进化，并将得到的最佳个体作为最优解输出。
假设计算出来的最佳个体是x(x1,x2,…,xn)，采样区为yi(y1,y2,…,yn)（其中i表示第几个地点 1<= i <=n)；
利用下面的公式算出每一个采样区yi与最佳个体的曼哈顿距离d：
Figure 445913DEST_PATH_IMAGE005
；
其中，P=1。
距离d越小，代表离最佳个体越近。
令灾害评估指数Mi = 1 / d；所以Mi越大，就代表受到的灾害越严重，救援优先级就越高。
在每一代的进化过程中，每一个体向量作为目标个体一次，通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。
本发明方案利用DE算法，最终得到相应的灾害评估指数M1，M2...Mn，用于代表受灾区域中关键地点的受灾情况，灾害评估指数越大的代表受灾情况越严重。
需要说明的是，与传统的DE算法不同的是，本发明方案中，先对数据进行降维处理，并利用现有地点数据对种群进行初始化，而不是随机初始化；而且，设置适应度阈值，在不影响算法准确度的同时，有效地加快了算法的收敛速度。
进一步地，还可以根据所述灾害评估指数确定救灾优先级，受灾情况越严重应该优先进行救援，也就是说救灾优先级越高。
本发明实施例提供的灾害评估方法，根据灾害类型，确定受灾区域的多个采样区；获取各采样区的受灾情况数据；根据所述受灾情况数据得到数据集；提取所述数据集中的变量参数，生成受灾情况矩阵；利用差分进化算法对所述降维矩阵进行迭代处理，直至达到终止条件，输出灾害评估结果，进一步地还可以根据灾害评估结果确定救灾优先级，从而可以有效地指导并实施相应的救灾工作。
由于差分进化算法的逼近效果更加显著，收敛速度更快，在实际场景中有着更好效果，从而可以快速、准确地对受到灾害的各区域进行评估，进而根据评估结果对各区域进行有效地救助。
下面进一步结合具体实例说明利有本发明方案进行灾害评估的过程。本实施例以2018年台风山竹广东省受灾情况为例，确定每个地区的受灾程度。具体过程如下：
1.收集问题优化所需要的数据，对数据进行规范化形成数据集。
在广东省以县为单位选取主要地点主要地点A1，A2...An（广东省县级行政单位见表1）。
表1：广东省行政区划
Figure 841122DEST_PATH_IMAGE007
Figure 717811DEST_PATH_IMAGE009
根据台风的特点收集受灾情况数据，比如区域离台风登陆地点的距离，区域离台风路线的距离，区域内人口数量，区域生产总值，区域受灾人数，初步估算的经济损失，需要救灾物资的数量，房屋倒塌数量，农田受灾面积，区域风力等级，区域降水等级等等。将每一个地点的数据组合成一个向量αi=（N1，N2，...，Nn）用于代表这个地点的受灾情况，得到整个地区的受灾情况矩阵M’ =（α1，α2，...，αn）T。
另外，根据此次台风山竹未来48小时路径概率预报图可知，台风山竹主要影响了粤西地区，粤东地区受灾较轻，受到的灾害形式以降水为主，所以可以初步判断粤西的救灾优先级高于粤东。
2.将数据集通过PCA算法提取出主要变量，对数据的维度进行降维
在使用PCA算法之前，需要对数据进行规范化：将矩阵中的每一向量中的每一个元素重新计算，将数据值映射到[0, 1]之间。规范化以后的矩阵记为M。
规范化处理完成后，使用PCA算法，对数据的维度进行降维，具体过程如下：首先计算协方差矩阵C=1/m * M *MT (m表示矩阵M中的元素数量），然后再求出协方差矩阵的特征值（λ1，λ2，...λn）及对应的特征向量（c1，c2，...cn），将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，Y=PX即为降维到k维后的数据。这样通过PCA算法，就将原来很多的变量转换为几个主要变量B1，B2...Bm，变量的减少在不影响算法准确度的同时，提高了算法的收敛速度。
利用PCA算法得到的三个主要变量见表2。
表2：PCA算法提取出的主要变量
Figure 540274DEST_PATH_IMAGE011
3.初始化差分进化算法的种群，对于每一个个体进行编码。
利用差分进化算法对上面得到的代表受灾情况的矩阵Y进行种群初始化。种群数量NP取Y的向量数量的5倍，种群编码方式采用实数编码。根据实际情况设定变异算子F=0.5和交叉算子CR=1，最大进化代数D = 150，终止条件为当个体适应度与种群平均适应度的差值小于0.5，或者达到最大进化代数，定义适应度函数，用于评价地区的受灾程度以及救援的优先级：
F =β1*B1 +β2*B2 +β3*B3；
其中β表示每个主要变量在适应度函数中的权重，对于台风山竹来说，可以设定β1=0.2，β2=0.6，β3=0.2。
F越大表明受灾越严重，相应的救灾优先级就越高。
4.在达到停终止条件之前，对种群依次进行交叉、变异和选择的操作，直至满足终止条件后，输出灾害评估结果，即相应的灾害评估指数M1，M2...Mn，用于代表受灾区域中关键地点的受灾情况，灾害评估指数越大的代表受灾情况越严重，应该优先进行救援，也就是说救灾优先级越高。
最终得出救援的救援优先级排序如表3所示（部分城市受灾程度较轻，基本可以忽略不计，故没有列入表格）。
表3：部分城市受灾程度及救援优先级
Figure 807307DEST_PATH_IMAGE013
相应地了，本发明实施例还提供一种灾害评估系统，如图3所示，是该系统的一种结构框图。
在该实施例中，所述系统包括以下各模块：
采样区确定模块301，用于根据灾害类型，确定受灾区域的多个采样区；
数据获取模块302，用于获取各采样区的受灾情况数据；
矩阵生成模块303，用于根据所述受灾情况数据生成受灾情况矩阵；
降维处理模块304，用于对所述受灾情况矩阵进行降维处理，得到降维矩阵；
迭代处理模块305，用于利用差分进化算法对所述降维矩阵进行迭代处理，直至达到终止条件，输出灾害评估结果及。
其中，所述灾害类型比如可以是台风、冰雹、暴雪、海啸、地震、山火等自然灾害。相应地，所述采样区确定模块301对于不同的灾害类型，选取采样区的方式也可以不同，比如可以根据灾害类型及分布特点，以县、镇等为单位来选取采样区。当然，也可以综合考虑各区域的其他因素来确定，对此本发明实施例不做限定。
其中，所述受灾情况数据比如可以包括但不限于以下任意一种或多种：受灾人数、初步估算的经济损失、需要救灾物资的数量、房屋倒塌数量、农田受灾面积等等。当然，对于不同类型的灾害，相应的受灾情况数据也可以有所不同，对此本发明实施例不做限定。
在本发明实施例中，所述矩阵生成模块303具体可以将每采样区的数据组合成一个向量，根据各采样区的向量生成受灾情况矩阵。
所述降维处理模块304需要先对数据进行规范化处理，即将所述受灾情况矩阵中每个向量中的各元素进行离散标准化处理，得到标准化矩阵。然后，使用PCA算法对所述标准化矩阵进行降维处理，得到降维矩阵。相应地，所述降维处理模块304可以包括以下各单元：
标准化处理单元，用于将所述受灾情况矩阵中每个向量中的各元素进行离散标准化处理，得到标准化矩阵；
降维处理单元，用于使用PCA算法对所述标准化矩阵进行降维处理，得到降维矩阵。
需要说明的是，在实际应用中，所述标准化处理单元还可以采用其他规范化处理计算，对此本发明实施例不做限定。
所述迭代处理模块305具体可以包括以下各单元：
初始化单元，用于利用差分进化算法对所述降维矩阵进行种群初始化；
适应度计算单元，用于计算种群中每个个体的适应度；
判断单元，用于判断是否满足终止条件；
差分进化单元，用于在所述判断单元判断不满足终止条件后，对种群依次进行交叉、变异和选择操作。
本发明实施例提供的灾害评估系统，根据灾害类型，确定受灾区域的多个采样区；获取各采样区的受灾情况数据；根据所述受灾情况数据生成受灾情况矩阵；对所述受灾情况矩阵进行降维处理，得到降维矩阵；利用差分进化算法对所述降维矩阵进行迭代处理，直至达到终止条件，输出灾害评估结果。由于差分进化算法的逼近效果更加显著，收敛速度更快，在实际场景当中有着更好效果，从而可以快速、准确地对受到灾害的各区域进行评估，进而根据评估结果对各区域进行有效地救助。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。而且，以上所描述的系统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劳动的情况下，即可以理解并实施。
以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及系统，其仅仅是本发明一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本发明保护的范围，本说明书内容不应理解为对本发明的限制。因此，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种灾害评估方法，其特征在于，所述方法包括：
根据灾害类型，确定受灾区域的多个采样区；
获取各采样区的受灾情况数据；
根据所述受灾情况数据生成受灾情况矩阵；将获取的每个采样区的数据组合成一个向量αi=（N1，N2，...，Nn）用于代表该采样区的受灾情况，得到整个受灾区域的受灾情况矩阵M’ =（α1，α2，...，αn）T;
对所述受灾情况矩阵进行降维处理，得到降维矩阵；将所述受灾情况矩阵中每个向量中的各元素进行离散标准化处理，得到标准化矩阵，具体是，对每个元素用最小-最大规范化计算，对原始数据进行线性变换，将其值映射到[0, 1]之间；计算公式如下：
Figure 845532DEST_PATH_IMAGE001
其中，
Figure 332008DEST_PATH_IMAGE002
表示数据
Figure 92153DEST_PATH_IMAGE003
规范化后的数值，
Figure 765711DEST_PATH_IMAGE004
表示所述向量中元素的最小值，
Figure 902295DEST_PATH_IMAGE005
表示所述向量中元素的最大值；
其中，降维处理得到降维矩阵，具体包括：
使用PCA主成分分析算法对所述标准化矩阵进行降维处理，首先计算协方差矩阵C=1/m* M *MT ， 其中，m表示矩阵M中的元素数量，再求出协方差矩阵的特征值（λ1，λ2，...λn）及对应的特征向量（c1，c2，...cn），将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，Y=PX即为降维到k维后的数据；通过PCA算法将众多的变量转换为几个主要变量B1，B2...Bm；
利用差分进化算法对所述降维矩阵进行迭代处理，直至达到终止条件，输出灾害评估结果，其具体包括：步骤201，确定差分进化算法控制参数；差分进化算法控制参数包括：种群数量NP、变异算子F和交叉算子CR；
其中，种群数量NP主要反映差分进化算法中种群信息量的大小，NP值越大种群信息包含的越丰富；种群数量NP取降维矩阵Y的向量数量即降维矩阵Y的行业数的5~10倍，种群编码方式采用实数编码；
交叉算子CR是控制一个试验向量来自随机选择的变异向量而不是原来向量的概率的参数，表示在交叉的过程中，子代与父代、中间变异体之间交换信息量的大小程度；CR的值越大，信息量交换的程度越大；选取CR∈[0,2]；
变异算子F表示偏差向量的放大比例，选取F∈[0,2]；
步骤202，根据所述降维矩阵Y进行种群初始化，即根据降维矩阵Y中的向量随机产生初始种群；
步骤203，对初始种群进行评价，即计算初始种群中每个个体的适应度值；种群中每个个体是指降维矩阵Y中的一个行向量；
采用适应度函数采用加权函数，所述适应度表示为：
Fun（x） = β1*B1 + β2*B2 +...+βm*Bm；
其中，B1，B2...Bm为各变量，β1，β2... βm为权值
Fun（x）越大表明受灾越严重，相应的救灾优先级就越高；
步骤204，判断是否达到终止条件；若是，则执行步骤207；否则，执行步骤205；
设置所述终止条件为：种群中的每个个体的适应度满足设定条件或者进化代数达到最大值D，D取值100~200；其中，每个个体的适应度满足设定条件是：每个个体的适应度均小于设定的第一阈值、或者每个个体适应度与种群平均适应度的差值小于第二阈值；
步骤205，进行变异、交叉和选择操作，得到新一代种群；
所述变异操作是利用从种群中随机选取的两个个体的差向量作为第三个个体的随机变化源，将差向量加权后按照设定规则与第三个个体求和而产生变异个体，即中间种群；
所述交叉操作是将变异个体与某个预先决定的目标个体进行参数混合，生成试验个体；
所述选择操作是在原种群和中间种群中选择个体，得到新一代种群，具体是将个体带入适应度函数进行计算，如果个体的适应度值优于目标个体的适应度值，则在下一代中试验个体取代目标个体，否则目标个体仍保存下来；
步骤206，进化代数m=m+1；然后执行步骤204；
步骤207，终止进化，并将得到的最佳个体作为最优解输出；
设定计算出来的最佳个体是x，采样区为yi(y1,y2,…,yn)，其中i表示第几个地点 1<=i <=n；
利用下面的公式算出每一个采样区yi与最佳个体的曼哈顿距离d：
Figure 305594DEST_PATH_IMAGE006
；
其中，P=1，
距离d越小，代表离最佳个体越近，
令灾害评估指数Mi= 1 / d；所以Mi越大，就代表受到的灾害越严重，救援优先级就越高；
在每一代的进化过程中，每一个体向量作为目标个体一次，通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。
2.根据权利要求1所述的方法，其特征在于，所述灾害类型为台风；所述根据灾害类型，确定受灾区域的多个采样区包括：
根据台风的登陆地点及路线确定受灾区域的多个采样区。
CN202110587917.6A 2021-05-28 2021-05-28 灾害评估方法及系统 Expired - Fee Related CN113034062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110587917.6A CN113034062B (zh) 2021-05-28 2021-05-28 灾害评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110587917.6A CN113034062B (zh) 2021-05-28 2021-05-28 灾害评估方法及系统

Publications (2)

Publication Number Publication Date
CN113034062A CN113034062A (zh) 2021-06-25
CN113034062B true CN113034062B (zh) 2021-08-17

Family

ID=76455971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110587917.6A Expired - Fee Related CN113034062B (zh) 2021-05-28 2021-05-28 灾害评估方法及系统

Country Status (1)

Country Link
CN (1) CN113034062B (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108269016B (zh) * 2018-01-18 2020-03-27 中山大学 一种基于信息扩散的小流域山洪灾害风险分析方法
CN111504635B (zh) * 2020-04-21 2022-02-25 哈尔滨理工大学 基于差分进化概率神经网络的行星齿轮故障诊断方法

Also Published As

Publication number Publication date
CN113034062A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
CN108022001B (zh) 基于pca和分位数回归森林的短期负荷概率密度预测方法
CN106650767B (zh) 基于聚类分析和实时校正的洪水预报方法
CN111832814A (zh) 一种基于图注意力机制的空气污染物浓度预测方法
CN110348624B (zh) 一种基于Stacking集成策略的沙尘暴等级预测方法
CN110648014B (zh) 一种基于时空分位数回归的区域风电预测方法及系统
CN112287018B (zh) 一种台风灾害下10kV杆塔受损风险评估方法及系统
EP2884413B1 (en) Method for predicting wind power density
CN110599234A (zh) 一种产品销售预测方法
CN107133695A (zh) 一种风电功率预测方法和系统
CN109492748B (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN111275571B (zh) 考虑微气象与用户模式的居民负荷概率预测深度学习方法
CN113507118B (zh) 一种风电功率预测方法及系统
CN117237559B (zh) 面向数字孪生城市的三维模型数据智能分析方法及系统
CN114169374A (zh) 一种斜拉桥斜拉索损伤识别方法及电子设备
CN110942182A (zh) 一种基于支持向量回归建立台风预测模型的方法
CN115877483A (zh) 一种基于随机森林和gru的台风路径预报方法
CN114882373A (zh) 基于深度神经网络的多特征融合沙尘暴预测方法
CN114880538A (zh) 基于自监督的属性图社团检测方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN112434887B (zh) 一种结合网络核密度估计和svm的供水管网风险预测方法
CN113034062B (zh) 灾害评估方法及系统
CN112836876A (zh) 一种基于深度学习的配电网线路负荷预测方法
Noor et al. Prediction map of rainfall classification using random forest and inverse distance weighted (IDW)
CN115271221A (zh) 一种城市扩展预测方法、装置、介质及设备

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210817

CF01 Termination of patent right due to non-payment of annual fee