CN113128012A - 灾害保障资源计算方法、装置、计算机装置及存储介质 - Google Patents
灾害保障资源计算方法、装置、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN113128012A CN113128012A CN201911398062.1A CN201911398062A CN113128012A CN 113128012 A CN113128012 A CN 113128012A CN 201911398062 A CN201911398062 A CN 201911398062A CN 113128012 A CN113128012 A CN 113128012A
- Authority
- CN
- China
- Prior art keywords
- disaster
- condition data
- data
- evaluated
- model
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 102
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000002265 prevention Effects 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 44
- 238000012795 verification Methods 0.000 claims description 32
- 238000004088 simulation Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 239000000428 dust Substances 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 11
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 8
- 230000006866 deterioration Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001459 lithography Methods 0.000 description 4
- 238000001259 photo etching Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 150000003568 thioethers Chemical class 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation 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
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1433—Vulnerability analysis
-
- 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
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种灾害保障资源计算方法、灾害保障资源计算装置、计算机装置和计算机存储介质,所述方法包括:获取待评估场所的防灾状况数据,以及所述待评估场所在灾害场景中的损失状况数据,其中所述防灾状况数据中的项目包括环境状态信息、物品状态信息、人员数量;将所述防灾状况数据、损失状况数据输入到预设的计算模型中,输出所述待评估场所在所述灾害场景中所需的灾害保障资源。通过所述方法可以更加准确、快速的得到所述待评估场所所需的灾害保障资源。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种灾害保障资源计算方法、灾害保障资源计算装置、计算机装置及计算机存储介质。
背景技术
随着灾害预防的理念深入人心,人们经常会在灾害来临之前对可能造成的灾难进行预防,越来越多的企业用户,在经营过程中经常需要创建一些保障账户并在保障账户中存储预设的资源作为保障,所述存储的资源在灾害发生之前,由企业的合作商保管,当所述企业发生灾害时,所述保障账户中的资源会由企业的合作商按照预设比例转移至企业的账户,作为企业抵抗灾害的保障。因此所述保障账户中预存的灾害保障资源的多少至关重要,现有的灾害保障资源的计算方法效率低,不智能。
发明内容
鉴于以上内容,有必要提出一种灾害保障资源计算方法、灾害保障资源计算装置、计算机装置和计算机存储介质,灾害保障资源计算以更加高效、智能的方式进行。
本申请的第一方面提供一种灾害保障资源计算方法,所述方法包括:
获取待评估场所的防灾状况数据,以及所述待评估场所在灾害场景中的损失状况数据,其中所述防灾状况数据中的项目包括环境状态信息、物品状态信息、人员数量;
将所述防灾状况数据、损失状况数据输入到预设的计算模型中,输出所述待评估场所在所述灾害场景中所需的灾害保障资源。
优选地,获取所述待评估场所在灾害场景中的损失状况数据的方法包括:
获取待评估场所的防灾状况数据,通过灾害数值仿真系统对所述待评估场所进行不同灾害场景下的仿真,并计算所述不同灾害场景下所述待评估场所的损失状况数据。
优选地,所述方法还包括:
通过灾害预测仿真系统对所述待评估场所的防灾状况数据进行仿真,并判断随着所述防灾状况数据的变化是否会导致灾害;
其中,判断是否会导致灾害的方法包括:
按照每种场所的防灾状况数据的变化范围分为多个区间;
按照所述区间的变化规律将所述每种场所的防灾状况数据按照不同的变化量依次输入到灾害预测仿真系统中;
若所述数据的变化会触发导致灾害的条件,则确定所述数据能够导致灾害,其中导致灾害的条件包括温度、空气中粉尘含量、空气中有害气体浓度。
优选地,所述通过灾害数值仿真系统对所述待评估场所进行不同灾害场景下的仿真,并计算所述不同灾害场景下所述待评估场所的损失状况数据的方法包括:
设置所述待评估场所中每一物体在每一灾害中的单位时间内的损失比例;
按照预设比例对所述物体进行分割,分割后的每一区域代表所述物体在灾害中单位时间内损失的最小金额;
根据所述物体在每一灾害中的单位时间内的损失比例、在火灾中单位时间内损失的最小金额计算每一灾害场景下所述场所的损失状况数据。
优选地,所述计算模型的训练步骤包括:
获取不同场所的防灾状况数据、所述场所在灾害场景中的损失状况数据、所述场所在所述灾害场景中所需的灾害保障资源,并对每一所述场所的防灾状况数据和所述场所在灾害场景中的损失状况数据、所述场所在所述灾害场景中所需的灾害保障资源对应存储,并将所述场所的防灾状况数据、损失状况数据以及灾害保障数据分为训练集和验证集;
建立基于神经网络的计算模型,并利用所述训练集对所述计算模型的参数进行训练,其中将所述训练集中的防灾状况数据、损失状况数据作为所述模型的输入数据,所述灾害保障数据作为所述模型的输出数据;
利用所述验证集对训练后的计算模型进行验证,并根据验证结果统计得到所述模型预测准确率;
判断所述模型预测准确率是否小于预设阈值;
若所述模型预测准确率不小于所述预设阈值,则结束对所述计算模型的训练。
优选地,所述方法还包括:
若所述模型预测准确率小于所述预设阈值,则调整所述计算模型的结构,并利用所述训练集重新对调整后的计算模型进行训练,其中,所述计算模型的结构包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种;
利用所述验证集对重新训练的计算模型进行验证,并根据验证结果重新统计得到调整后的计算模型的模型预测准确率,并判断调整后的计算模型的预测准确率是否小于所述预设阈值;
若所述重新统计得到的模型预测准确率不小于所述预设阈值,则结束对所述计算模型的训练;
若所述重新统计得到的模型预测准确率小于所述预设阈值,则重复上述调整及训练的步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值。
本申请的第二方面提供一种灾害保障资源计算装置,所述装置包括:
获取模块,用于获取待评估场所的防灾状况数据,以及所述场所在灾害场景中的损失状况数据,其中所述防灾状况数据中的项目包括环境状态信息、物品状态信息、人员数量;
计算模块,用于将所述防灾状况数据、损失状况数据输入到预设的计算模型中,输出所述待评估场所在所述灾害场景中所需的灾害保障数据。
本申请的第三方面提供一种计算机装置,所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前所述灾害保障资源计算方法。
本申请的第四方面提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述灾害保障资源计算方法。
本发明灾害保障资源计算方法、灾害保障资源计算装置、计算机装置和计算机存储介质通过将待评估场所的防灾状况数据以及所述场所在灾害场景中的损失状况数据输入到预设的计算模型中,输出所述待评估场所在所述灾害场景中所需的灾害保障资源,通过所述方法可以更加准确、快速的得到所述待评估场所所需的灾害保障资源。
附图说明
图1是本发明实施例一提供的灾害保障资源计算方法的应用环境架构示意图。
图2是本发明实施例二提供的灾害保障资源计算方法流程图。
图3是本发明实施例三提供的灾害保障资源计算装置的结构示意图。
图4是本发明实施例四提供的计算机装置示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,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前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一
参阅图1所示,为本发明实施例一提供的灾害保障资源计算方法的应用环境架构示意图。
本发明中的灾害保障资源计算方法应用在用户终端1中,所述用户终端1和一个计算机装置2通过网络建立通信连接。所述网络可以是有线网络,也可以是无线网络,例如无线电、无线保真(Wireless Fidelity,WIFI)、蜂窝、卫星、广播等。所述用户终端1用于获取待评估场所的防灾状况数据,以及所述场所在灾害场景中的损失状况数据,利用预设的计算模型分析所述待评估场所在所述灾害场景中所需的灾害保障资源,所述计算机装置2用于存储不同场所的防灾状况数据、所述场所在灾害场景中的损失状况数据、所述场所在所述灾害场景中所需的灾害保障资源。
所述用户终端1可以为安装有灾害保障资源计算方法软件的电子设备,例如个人电脑、平板电脑等。
所述计算机装置2是可以为存储有不同场所的防灾状况数据、所述场所在灾害场景中的损失状况数据、所述场所在所述灾害场景中所需的灾害保障资源的电子设备,例如个人电脑、服务器等,其中,所述服务器可以是单一的服务器、服务器集群或云服务器等。
在本发明又一实施方式中,所述不同场所的防灾状况数据、所述场所在灾害场景中的损失状况数据、所述场所在所述灾害场景中所需的灾害保障资源也可以存储于用户终端1中。
实施例二
请参阅图2所示,是本发明第二实施例提供的灾害保障资源计算方法的流程图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
步骤S1、获取待评估场所的防灾状况数据,以及所述场所在灾害场景中的损失状况数据。
所述防灾状况数据中的项目包括环境状态信息、物品状态信息、人员数量。其中所述环境状态信息可以包括固定式消防设施信息、移动式消防设施信息、排风设施信息、环境温湿度信息,例如:消防警报器、烟雾报警器、天花板消防喷淋头、火灾探测器、消火栓的数量和摆放位置、排风口的数量及位置等。所述物品状态消息包括待评估场所内的物品名称、物品摆放位置信息,例如制造设备、材料、办公电脑、家具的数量和摆放位置等。
一个实施方式中,所述待评估场所的防灾状况数据获取方式可以包括:接收用户输入的所述待评估场所的疏散人员数量、消防设施的种类和数量、排风口的数量和位置、物品的种类、数量、摆放位置等信息。
另一个实施方式中,所述防灾状况数据获取方法还可以是通过接收多个摄像装置采集的待评估场所的多张图像,通过图像识别方法识别所述图像中疏散人员数量、消防设施的种类和数量、排风口的数量和位置、物品的种类、数量、摆放位置等信息。
在一实施方式中,所述获取所述场所在灾害场景中的损失状况数据的方法包括:
获取待评估场所的防灾状况数据,通过灾害数值仿真系统对所述场所进行不同灾害场景下的仿真,并计算所述不同灾害场景下所述场所的损失状况数据。所述不同灾害场景下所述场所的损失状况数据的计算方法包括设置所述场所中每一物体在单位时间内的损失比例,并按照预设比例对所述物体分割,分割后的每一区域代表所述可燃物在火灾中单位时间内损失的最小金额;根据所述物体在单位时间内的损失比例、在灾害场景中单位时间内损失的最小金额计算不同灾害场景中所述场所的损失状况数据。
例如将一台光刻机进行81等分,所述光刻机的价值是81万,每一等分的价值为1万,每一等分的燃烧时间是2分钟。根据光刻机所处的灾害场景,查询所述光刻机在不同灾害中的单位时间内损失比例。例如所述光刻机在具有消防喷淋装置、自动消防报警装置的火灾场景中的一分钟的损失比例为2%,可以计算出所述光刻机在30分钟的火灾场所中的损失数据为15万。
在本发明又一实施方式中,所述获取所述场所在灾害场景中的损失状况数据的方法还包括:
获取待评估场所的防灾状况数据,通过灾害预测仿真系统对所述场所的防灾状况数据进行仿真,并判断随着所述防灾状况数据的变化是否会导致灾害;
其中,判断的方法包括:按照每种场所的防灾状况数据的变化范围分为多个预设区间;
按照所述区间的变化规律将所述每种场所的防灾状况数据按照不同的变化量依次输入到灾害预测仿真系统中;
若所述数据的变化会触发导致灾害的条件,则确定所述数据能够导致灾害,其中导致灾害的条件包括温度、空气中粉尘含量、空气中有害气体浓度。
例如分析预设场所的温度的变化是否会导致场所内空气质量变差,其中空气质量变差的原因是空气中硫化物浓度的提高。在一实施方式中,所述预设场所为化工产品加工车间。将所述化工产品加工车间中的所有物品及车间的排风消防图输入到灾害预测仿真系统中,加工车间的温度每变化2度,通过所述仿真系统计算出所述加工车间空气中硫化物的浓度。并判断随着温度的变化,空气中硫化物的浓度是否发生变化,若发生变化,则预设场所的温度是影响所述预设场所空气变差的原因。若未发生变化,则预设场所的温度不是影响所述预设场所空气变差的原因。当温度的变化能够影响预设场所的空气质量时,将不同温度对应的硫化物浓度对应存储,并记录当硫化物浓度达到影响空气质量的浓度时的温度值。
步骤S2、将所述防灾状况数据、损失状况数据输入到预设的计算模型中,输出所述待评估场所在所述灾害场景中所需的灾害保障资源。
举例而言,在本发明一实施方式中,所述灾害保障资源计算方法应用于保险公司的保费计算系统中。所述防灾状况数据包括待保险场所中的环境状况信息、物品状况信息、人员状况信息。所述损失状况数据可以是所述待保险场所在火灾中的损失状况,所述灾害保障资源是待保险场所需要投保的金额。将待保险场所的防灾状况数据、损失状况数据输入到预设的计算模型中,可以输出所述待保险场所在所述灾害场景中所需的保费金额。
所述预设的计算模型的训练方法包括以下步骤:
(1)获取不同场所的防灾状况数据、所述场所在灾害场景中的损失状况数据、所述场所在所述灾害场景中所需的灾害保障资源,并对每一所述场所的防灾状况数据和所述场所在灾害场景中的损失状况数据、所述场所在所述灾害场景中所需的灾害保障资源对应存储,并将所述场所的防灾状况数据、损失状况数据以及灾害保障数据分为训练集和验证集。
所述场所在所述灾害场景中所需的灾害保障资源为所述场所历史投入的灾害保障资源,所述历史投入的灾害保障资源存储于计算机装置2中。
例如所述计算机装置2是保险公司用于存储用户资料的电子设备,所述电子设备中存储了历史投保场所的保单信息,所述保单信息包括投保场所的防灾状况数据、根据灾害数值仿真系统仿真的所述场所在灾害中的损失状况数据、以及所述投保场所的投保金额。并将所述历史保单信息中的资料分为训练集和验证集。
(2)建立基于神经网络的计算模型,并利用所述训练集对所述计算模型的参数进行训练,其中将所述训练集中的防灾状况数据、损失状况数据作为所述模型的输入数据,所述灾害保障数据作为所述模型的输出数据。
所述基于神经网络的计算模型包括多种算法结构,可以包括基于卷积神经网络的计算模型、基于遗传算法的神经网络、基于模糊理论的神经网络等。
(3)利用所述验证集对训练后的计算模型进行验证,并根据验证结果统计得到所述模型预测准确率。
将验证集中的防灾状况数据、所述场所在灾害场景中的损失状况数据输入到所述计算模型中,计算出所述场所在所述灾害场景中所需的灾害保障资源,并将计算出的灾害保障资源与训练集中的灾害保障资源进行比较,根据比较结果验证所述模型的预测准确率。
(4)判断所述模型预测准确率是否小于预设阈值。
在一实施方式中,所述预测准确率为95%。
(5)若所述模型预测准确率不小于所述预设阈值,则结束对所述计算模型的训练。
(6)若所述模型预测准确率小于所述预设阈值,则调整所述计算模型的结构,并利用所述训练集重新对调整后的计算模型进行训练,其中,所述计算模型的结构包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种。
(7)利用所述验证集对重新训练的计算模型进行验证,并根据验证结果重新统计得到调整后的计算模型的模型预测准确率,并判断调整后的计算模型的预测准确率是否小于所述预设阈值。
(8)若所述重新统计得到的模型预测准确率不小于所述预设阈值,则结束对所述计算模型的训练。
(9)若所述重新统计得到的模型预测准确率小于所述预设阈值,则重复上述调整及训练的步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值。
以上预设的计算模型的训练方法中的步骤根据实际需要步骤的顺序可以改变,某些步骤可以省略。所述训练方法可以在线完成,也可以离线完成。
上述图2详细介绍了本发明的灾害保障资源计算方法,下面结合第3-4图,对实现所述灾害保障资源计算方法的软件装置的功能模块以及实现所述灾害保障资源计算方法的硬件装置架构进行介绍。
应所述了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
实施例三
图3为本发明灾害保障资源计算装置较佳实施例的结构图。
在一些实施例中,灾害保障资源计算装置10运行于计算机装置中。所述计算机装置通过网络连接了多个用户终端。所述灾害保障资源计算装置10可以包括多个由程序代码段所组成的功能模块。所述灾害保障资源计算装置10中的各个程序段的程序代码可以存储于计算机装置的存储器中,并由所述至少一个处理器所执行,以实现灾害保障资源计算功能。
本实施例中,所述灾害保障资源计算装置10根据其所执行的功能,可以被划分为多个功能模块。参阅图3所示,所述功能模块可以包括:获取模块101、计算模块102。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
所述获取模块101,用于获取待评估场所的防灾状况数据,以及所述场所在灾害场景中的损失状况数据。
所述防灾状况数据中的项目包括环境状态信息、物品状态信息、人员数量。其中所述环境状态信息可以包括固定式消防设施信息、移动式消防设施信息、排风设施信息、环境温湿度信息,例如:消防警报器、烟雾报警器、天花板消防喷淋头、火灾探测器、消火栓的数量和摆放位置、排风口的数量及位置等。所述物品状态消息包括待评估场所内的物品名称、物品摆放位置信息,例如制造设备、材料、办公电脑、家具的数量和摆放位置等。
一个实施方式中,所述待评估场所的防灾状况数据获取方式可以包括:接收用户输入的所述待评估场所的疏散人员数量、消防设施的种类和数量、排风口的数量和位置、物品的种类、数量、摆放位置等信息。
另一个实施方式中,所述防灾状况数据获取方法还可以是通过接收多个摄像装置采集的待评估场所的多张图像,通过图像识别方法识别所述图像中疏散人员数量、消防设施的种类和数量、排风口的数量和位置、物品的种类、数量、摆放位置等信息。
在一实施方式中,所述获取所述场所在灾害场景中的损失状况数据的方法包括:
获取待评估场所的防灾状况数据,通过灾害数值仿真系统对所述场所进行不同灾害场景下的仿真,并计算所述不同灾害场景下所述场所的损失状况数据。所述不同灾害场景下所述场所的损失状况数据的计算方法包括设置所述场所中每一物体在单位时间内的损失比例,并按照预设比例对所述物体分割,分割后的每一区域代表所述可燃物在火灾中单位时间内损失的最小金额;根据所述物体在单位时间内的损失比例、在灾害场景中单位时间内损失的最小金额计算不同灾害场景中所述场所的损失状况数据。
例如将一台光刻机进行81等分,所述光刻机的价值是81万,每一等分的价值为1万,每一等分的燃烧时间是2分钟。根据光刻机所处的灾害场景,查询所述光刻机在不同灾害中的单位时间内损失比例。例如所述光刻机在具有消防喷淋装置、自动消防报警装置的火灾场景中的一分钟的损失比例为2%,可以计算出所述光刻机在30分钟的火灾场所中的损失数据为15万。
在本发明又一实施方式中,所述获取所述场所在灾害场景中的损失状况数据的方法还包括:
获取待评估场所的防灾状况数据,通过灾害预测仿真系统对所述场所的防灾状况数据进行仿真,并判断随着所述防灾状况数据的变化是否会导致灾害;
其中,判断的方法包括:按照每种场所的防灾状况数据的变化范围分为多个预设区间;
按照所述区间的变化规律将所述每种场所的防灾状况数据按照不同的变化量依次输入到灾害预测仿真系统中;
若所述数据的变化会触发导致灾害的条件,则确定所述数据能够导致灾害,其中导致灾害的条件包括温度、空气中粉尘含量、空气中有害气体浓度。
例如分析预设场所的温度的变化是否会导致场所内空气质量变差,其中空气质量变差的原因是空气中硫化物浓度的提高。在一实施方式中,所述预设场所为化工产品加工车间。将所述化工产品加工车间中的所有物品及车间的排风消防图输入到灾害预测仿真系统中,加工车间的温度每变化2度,通过所述仿真系统计算出所述加工车间空气中硫化物的浓度。并判断随着温度的变化,空气中硫化物的浓度是否发生变化,若发生变化,则预设场所的温度是影响所述预设场所空气变差的原因。若未发生变化,则预设场所的温度不是影响所述预设场所空气变差的原因。当温度的变化能够影响预设场所的空气质量时,将不同温度对应的硫化物浓度对应存储,并记录当硫化物浓度达到影响空气质量的浓度时的温度值。
所述计算模块102,用于将所述防灾状况数据、损失状况数据输入到预设的计算模型中,输出所述待评估场所在所述灾害场景中所需的灾害保障数据。
举例而言,在本发明一实施方式中,所述灾害保障资源计算方法应用于保险公司的保费计算系统中。所述防灾状况数据包括待保险场所中的环境状况信息、物品状况信息、人员状况信息。所述损失状况数据可以是所述待保险场所在火灾中的损失状况,所述灾害保障资源是待保险场所需要投保的金额。将待保险场所的防灾状况数据、损失状况数据输入到预设的计算模型中,可以输出所述待保险场所在所述灾害场景中所需的保费金额。
所述预设的计算模型的训练方法包括以下步骤:
(1)获取不同场所的防灾状况数据、所述场所在灾害场景中的损失状况数据、所述场所在所述灾害场景中所需的灾害保障资源,并对每一所述场所的防灾状况数据和所述场所在灾害场景中的损失状况数据、所述场所在所述灾害场景中所需的灾害保障资源对应存储,并将所述场所的防灾状况数据、损失状况数据以及灾害保障数据分为训练集和验证集。
所述场所在所述灾害场景中所需的灾害保障资源为所述场所历史投入的灾害保障资源,所述历史投入的灾害保障资源存储于计算机装置2中。
例如所述计算机装置2是保险公司用于存储用户资料的电子设备,所述电子设备中存储了历史投保场所的保单信息,所述保单信息包括投保场所的防灾状况数据、根据灾害数值仿真系统仿真的所述场所在灾害中的损失状况数据、以及所述投保场所的投保金额。并将所述历史保单信息中的资料分为训练集和验证集。
(2)建立基于神经网络的计算模型,并利用所述训练集对所述计算模型的参数进行训练,其中将所述训练集中的防灾状况数据、损失状况数据作为所述模型的输入数据,所述灾害保障数据作为所述模型的输出数据。
所述基于神经网络的计算模型包括多种算法结构,可以包括基于卷积神经网络的计算模型、基于遗传算法的神经网络、基于模糊理论的神经网络等。
(3)利用所述验证集对训练后的计算模型进行验证,并根据验证结果统计得到所述模型预测准确率。
将验证集中的防灾状况数据、所述场所在灾害场景中的损失状况数据输入到所述计算模型中,计算出所述场所在所述灾害场景中所需的灾害保障资源,并将计算出的灾害保障资源与训练集中的灾害保障资源进行比较,根据比较结果验证所述模型的预测准确率。
(4)判断所述模型预测准确率是否小于预设阈值。
在一实施方式中,所述预测准确率为95%。
(5)若所述模型预测准确率不小于所述预设阈值,则结束对所述计算模型的训练。
(6)若所述模型预测准确率小于所述预设阈值,则调整所述计算模型的结构,并利用所述训练集重新对调整后的计算模型进行训练,其中,所述计算模型的结构包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种。
(7)利用所述验证集对重新训练的计算模型进行验证,并根据验证结果重新统计得到调整后的计算模型的模型预测准确率,并判断调整后的计算模型的预测准确率是否小于所述预设阈值。
(8)若所述重新统计得到的模型预测准确率不小于所述预设阈值,则结束对所述计算模型的训练。
(9)若所述重新统计得到的模型预测准确率小于所述预设阈值,则重复上述调整及训练的步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值。
以上预设的计算模型的训练方式中的步骤根据实际需要步骤的顺序可以改变,某些步骤可以省略。所述训练方法可以在线完成,也可以离线完成。
实施例四
图4为本发明计算机装置较佳实施例的示意图。
所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40,例如灾害保障资源计算程序。所述处理器30执行所述计算机程序40时实现上述灾害保障资源计算方法实施例中的步骤,例如图2所示的步骤S1~S2。或者,所述处理器30执行所述计算机程序40时实现上述灾害保障资源计算装置实施例中各模块/单元的功能,例如图3中的单元101-102。
示例性的,所述计算机程序40可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器20中,并由所述处理器30执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如,所述计算机程序40可以被分割成图3中的获取模块101、计算模块102。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解,所述示意图仅仅是计算机装置1的示例,并不构成对计算机装置1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器30也可以是任何常规的处理器等,所述处理器30是所述计算机装置1的控制中心,利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元,所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元,以及调用存储在存储器20内的数据,实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中,应所述理解到,所揭露的计算机装置和方法,可以通过其它的方式实现。例如,以上所描述的计算机装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
另外,在本发明各个实施例中的各功能单元可以集成在相同处理单元中,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相同单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种灾害保障资源计算方法,其特征在于,所述方法包括:
获取待评估场所的防灾状况数据,以及所述待评估场所在灾害场景中的损失状况数据,其中所述防灾状况数据中的项目包括环境状态信息、物品状态信息、人员数量;
将所述防灾状况数据、损失状况数据输入到预设的计算模型中,输出所述待评估场所在所述灾害场景中所需的灾害保障资源。
2.如权利要求1所述的灾害保障资源计算方法,其特征在于,获取所述待评估场所在灾害场景中的损失状况数据的方法包括:
获取待评估场所的防灾状况数据,通过灾害数值仿真系统对所述待评估场所进行不同灾害场景下的仿真,并计算所述不同灾害场景下所述待评估场所的损失状况数据。
3.如权利要求2所述的灾害保障资源计算方法,其特征在于,所述方法还包括:
通过灾害预测仿真系统对所述待评估场所的防灾状况数据进行仿真,并判断随着所述防灾状况数据的变化是否会导致灾害;
其中,判断是否会导致灾害的方法包括:
按照每种场所的防灾状况数据的变化范围分为多个区间;
按照所述区间的变化规律将所述每种场所的防灾状况数据按照不同的变化量依次输入到灾害预测仿真系统中;
若所述数据的变化会触发导致灾害的条件,则确定所述数据能够导致灾害,其中导致灾害的条件包括温度、空气中粉尘含量、空气中有害气体浓度。
4.如权利要求2所述的灾害保障资源计算方法,其特征在于,所述通过灾害数值仿真系统对所述待评估场所进行不同灾害场景下的仿真,并计算所述不同灾害场景下所述待评估场所的损失状况数据的方法包括:
设置所述待评估场所中每一物体在每一灾害中的单位时间内的损失比例;
按照预设比例对所述物体进行分割,分割后的每一区域代表所述物体在灾害中单位时间内损失的最小金额;
根据所述物体在每一灾害中的单位时间内的损失比例、在火灾中单位时间内损失的最小金额计算每一灾害场景下所述场所的损失状况数据。
5.如权利要求1所述的灾害保障资源计算方法,其特征在于,所述计算模型的训练步骤包括:
获取不同场所的防灾状况数据、所述场所在灾害场景中的损失状况数据、所述场所在所述灾害场景中所需的灾害保障资源,并对每一所述场所的防灾状况数据和所述场所在灾害场景中的损失状况数据、所述场所在所述灾害场景中所需的灾害保障资源对应存储,并将所述场所的防灾状况数据、损失状况数据以及灾害保障数据分为训练集和验证集;
建立基于神经网络的计算模型,并利用所述训练集对所述计算模型的参数进行训练,其中将所述训练集中的防灾状况数据、损失状况数据作为所述模型的输入数据,所述灾害保障数据作为所述模型的输出数据;
利用所述验证集对训练后的计算模型进行验证,并根据验证结果统计得到所述模型预测准确率;
判断所述模型预测准确率是否小于预设阈值;
若所述模型预测准确率不小于所述预设阈值,则结束对所述计算模型的训练。
6.如权利要求5所述的灾害保障资源计算方法,其特征在于,所述方法还包括:
若所述模型预测准确率小于所述预设阈值,则调整所述计算模型的结构,并利用所述训练集重新对调整后的计算模型进行训练,其中,所述计算模型的结构包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种;
利用所述验证集对重新训练的计算模型进行验证,并根据验证结果重新统计得到调整后的计算模型的模型预测准确率,并判断调整后的计算模型的预测准确率是否小于所述预设阈值;
若所述重新统计得到的模型预测准确率不小于所述预设阈值,则结束对所述计算模型的训练;
若所述重新统计得到的模型预测准确率小于所述预设阈值,则重复上述调整及训练的步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值。
7.一种灾害保障资源计算装置,其特征在于,所述装置包括:
获取模块,用于获取待评估场所的防灾状况数据,以及所述场所在灾害场景中的损失状况数据,其中所述防灾状况数据中的项目包括环境状态信息、物品状态信息、人员数量;
计算模块,用于将所述防灾状况数据、损失状况数据输入到预设的计算模型中,输出所述待评估场所在所述灾害场景中所需的灾害保障数据。
8.一种计算机装置,其特征在于:所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-6中任一项所述的灾害保障资源计算方法。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的灾害保障资源计算方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911398062.1A CN113128012B (zh) | 2019-12-30 | 2019-12-30 | 灾害保障资源计算方法、装置、计算机装置及存储介质 |
US16/835,625 US11552978B2 (en) | 2019-12-30 | 2020-03-31 | Disaster security calculation method, and user terminal and non-transitory medium implementing same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911398062.1A CN113128012B (zh) | 2019-12-30 | 2019-12-30 | 灾害保障资源计算方法、装置、计算机装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128012A true CN113128012A (zh) | 2021-07-16 |
CN113128012B CN113128012B (zh) | 2024-08-09 |
Family
ID=76545698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911398062.1A Active CN113128012B (zh) | 2019-12-30 | 2019-12-30 | 灾害保障资源计算方法、装置、计算机装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11552978B2 (zh) |
CN (1) | CN113128012B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657732B (zh) * | 2021-07-30 | 2023-11-17 | 哈尔滨工业大学 | 一种基于层次分析法的灾度指数计算方法和设备 |
CN115456325B (zh) * | 2022-07-27 | 2023-06-02 | 北方工业大学 | 一种用于非煤矿山的灾害设防能力的分析方法 |
CN117240380B (zh) * | 2023-11-10 | 2024-01-09 | 广东技术师范大学 | 基于无线信息质量评估的电磁波调控方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040236676A1 (en) * | 2003-03-14 | 2004-11-25 | Kabushiki Kaisha Toshiba | Disaster risk assessment system, disaster risk assessment support method, disaster risk assessment service providing system, disaster risk assessment method, and disaster risk assessment service providing method |
TW200745984A (en) * | 2006-06-09 | 2007-12-16 | Taiwan Risk Man Corp | Catastrophe risk assessment system and method of insurance policy |
CN101546414A (zh) * | 2009-04-28 | 2009-09-30 | 国家海洋局东海预报中心 | 台风风暴潮所造成直接经济损失定量预评估方法 |
US20100235285A1 (en) * | 2004-09-10 | 2010-09-16 | Hoffberg Steven M | Game theoretic prioritization system and method |
CN105741037A (zh) * | 2016-01-29 | 2016-07-06 | 武汉小禾芃芃科技有限公司 | 一种台风灾害评估系统 |
CN106716477A (zh) * | 2014-08-26 | 2017-05-24 | 瑞士再保险有限公司 | 灾害风险管理及融资系统,及其相应方法 |
US20170154383A1 (en) * | 2015-06-22 | 2017-06-01 | Darren Wood | Personal Disaster Insurance |
CN109615118A (zh) * | 2018-11-23 | 2019-04-12 | 泉州装备制造研究所 | 基于大数据地质灾害防治信息化服务集成控制系统及方法 |
CN109711102A (zh) * | 2019-01-27 | 2019-05-03 | 北京师范大学 | 一种作物灾害损失快速评估方法 |
CN110210986A (zh) * | 2019-06-13 | 2019-09-06 | 卓尔智联(武汉)研究院有限公司 | 农灾险保险费率厘定方法、计算机装置及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5469161B2 (ja) * | 2009-04-02 | 2014-04-09 | ホーチキ株式会社 | 無線防災ノード及び無線防災システム |
US9268797B2 (en) * | 2012-12-21 | 2016-02-23 | Zetta Inc. | Systems and methods for on-line backup and disaster recovery |
US10002339B2 (en) * | 2013-07-11 | 2018-06-19 | Fluor Technologies Corporation | Post-disaster assessment systems and methods |
US9666000B1 (en) * | 2014-01-04 | 2017-05-30 | Latchable, Inc. | Methods and systems for access control and awareness management |
US10685402B1 (en) * | 2014-04-25 | 2020-06-16 | State Farm Mutual Automobile Insurance Company | Systems and methods for homeowner-directed risk of property damage mitigation |
US10747606B1 (en) * | 2016-12-21 | 2020-08-18 | EMC IP Holding Company LLC | Risk based analysis of adverse event impact on system availability |
US10402652B2 (en) * | 2017-06-02 | 2019-09-03 | International Business Machines Corporation | Building black box |
EP3635915A1 (en) * | 2017-06-09 | 2020-04-15 | Equinix, Inc. | Near real-time messaging service for data center infrastructure monitoring data |
US10819556B1 (en) * | 2017-10-16 | 2020-10-27 | Equinix, Inc. | Data center agent for data center infrastructure monitoring data access and translation |
US11750633B2 (en) * | 2018-09-27 | 2023-09-05 | Riskq, Inc. | Digital asset based cyber risk algorithmic engine, integrated cyber risk methodology and automated cyber risk management system |
-
2019
- 2019-12-30 CN CN201911398062.1A patent/CN113128012B/zh active Active
-
2020
- 2020-03-31 US US16/835,625 patent/US11552978B2/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040236676A1 (en) * | 2003-03-14 | 2004-11-25 | Kabushiki Kaisha Toshiba | Disaster risk assessment system, disaster risk assessment support method, disaster risk assessment service providing system, disaster risk assessment method, and disaster risk assessment service providing method |
US20100235285A1 (en) * | 2004-09-10 | 2010-09-16 | Hoffberg Steven M | Game theoretic prioritization system and method |
TW200745984A (en) * | 2006-06-09 | 2007-12-16 | Taiwan Risk Man Corp | Catastrophe risk assessment system and method of insurance policy |
CN101546414A (zh) * | 2009-04-28 | 2009-09-30 | 国家海洋局东海预报中心 | 台风风暴潮所造成直接经济损失定量预评估方法 |
CN106716477A (zh) * | 2014-08-26 | 2017-05-24 | 瑞士再保险有限公司 | 灾害风险管理及融资系统,及其相应方法 |
US20170154383A1 (en) * | 2015-06-22 | 2017-06-01 | Darren Wood | Personal Disaster Insurance |
CN105741037A (zh) * | 2016-01-29 | 2016-07-06 | 武汉小禾芃芃科技有限公司 | 一种台风灾害评估系统 |
CN109615118A (zh) * | 2018-11-23 | 2019-04-12 | 泉州装备制造研究所 | 基于大数据地质灾害防治信息化服务集成控制系统及方法 |
CN109711102A (zh) * | 2019-01-27 | 2019-05-03 | 北京师范大学 | 一种作物灾害损失快速评估方法 |
CN110210986A (zh) * | 2019-06-13 | 2019-09-06 | 卓尔智联(武汉)研究院有限公司 | 农灾险保险费率厘定方法、计算机装置及存储介质 |
Non-Patent Citations (5)
Title |
---|
KASIN RANSIKARBUM ET AL.: "Goal programming-based post-disaster decision making fro integrated relief distribution and early-stage network restoration", 《INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS》, vol. 182, 31 December 2016 (2016-12-31), pages 324 - 341, XP029801579, DOI: 10.1016/j.ijpe.2016.08.030 * |
周蕾: "城市暴雨内涝灾害经济损失评估系统开发研究——以深圳市龙华新区为例", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 3, 15 March 2018 (2018-03-15), pages 038 - 888 * |
孙超: "大型地震灾害的应急物资需求分类和需求量研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, no. 2, 15 February 2017 (2017-02-15), pages 145 - 713 * |
范传鑫: "基于改进的RBF神经网络的城市震害损失评估模型", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 3, 15 March 2015 (2015-03-15), pages 012 - 70 * |
贾群林等: "地震灾害场景仿真模拟的研究与应用", 《计算机研究与发展》, vol. 47, no. 6, 15 June 2010 (2010-06-15), pages 1038 - 1043 * |
Also Published As
Publication number | Publication date |
---|---|
US11552978B2 (en) | 2023-01-10 |
CN113128012B (zh) | 2024-08-09 |
US20210203685A1 (en) | 2021-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128012B (zh) | 灾害保障资源计算方法、装置、计算机装置及存储介质 | |
CN110826071B (zh) | 软件漏洞风险预测方法、装置、设备及存储介质 | |
CN109495318B (zh) | 一种移动通信网络流量预测方法、装置及可读存储介质 | |
CN112949157A (zh) | 消防数据分析方法、装置、计算机装置及存储介质 | |
CN113128013B (zh) | 环境状态分析方法、装置、计算机装置及存储介质 | |
CN112508118B (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN111352794B (zh) | 异常检测方法、装置、计算机装置及存储介质 | |
CN111737125A (zh) | 量化交易的行情数据的生成方法、装置和服务器 | |
CN115168024A (zh) | 基于边缘计算的预警方法、装置及设备 | |
CN115270013A (zh) | 评估活动期间减排措施的方法、装置及电子设备 | |
Rodriguez et al. | A simulation-optimization approach for the facility location and vehicle assignment problem for firefighters using a loosely coupled spatio-temporal arrival process | |
CN114818303A (zh) | 低碳园区的仿真规划方法、系统、电子设备及存储介质 | |
CN113609697A (zh) | 一种基于事件网的模拟仿真方法、装置及计算机设备 | |
CN115660073B (zh) | 基于和声鲸鱼优化算法的入侵检测方法和系统 | |
TWI737105B (zh) | 災害保障資源計算方法、裝置、電腦裝置及存儲介質 | |
CN111372286A (zh) | 移动终端数据处理方法、介质和电子设备 | |
CN112565380B (zh) | 一种消防物联网数据接入方法及系统 | |
TWI737074B (zh) | 消防資料分析方法、裝置、電腦裝置及存儲介質 | |
CN111210279B (zh) | 一种目标用户预测方法、装置和电子设备 | |
CN110324292B (zh) | 身份验证装置、身份验证方法及计算机存储介质 | |
TWI743640B (zh) | 環境狀態分析方法、裝置、電腦裝置及存儲介質 | |
CN111882415A (zh) | 一种质量检测模型的训练方法和相关装置 | |
CN112764957A (zh) | 应用故障定界方法及装置 | |
CN113051128B (zh) | 功耗检测方法、装置、电子设备及存储介质 | |
CN116050375B (zh) | 政策文件相似度比较方法、装置、系统及电子设备 |
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 | ||
CB02 | Change of applicant information |
Address after: No. 36, North Street, West District, economic and Technological Development Zone, Binhai New Area, Tianjin Applicant after: Fulian precision electronics (Tianjin) Co.,Ltd. Address before: No. 36, North Street, West District, economic and Technological Development Zone, Binhai New Area, Tianjin Applicant before: HONGFUJIN PRECISION ELECTRONICS (TIANJIN) Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |