CN113435738A - 环境污染溯源方法、装置、设备及计算机可读存储介质 - Google Patents
环境污染溯源方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113435738A CN113435738A CN202110706772.7A CN202110706772A CN113435738A CN 113435738 A CN113435738 A CN 113435738A CN 202110706772 A CN202110706772 A CN 202110706772A CN 113435738 A CN113435738 A CN 113435738A
- Authority
- CN
- China
- Prior art keywords
- pollution
- enterprise
- probability
- event
- enterprises
- 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
- 238000003912 environmental pollution Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000003911 water pollution Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000003900 soil pollution Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000003344 environmental pollutant Substances 0.000 description 6
- 231100000719 pollutant Toxicity 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002910 solid waste Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据分析领域，涉及一种环境污染溯源方法、装置、设备及计算机可读存储介质，该方法包括：获取环境污染溯源请求；根据城市编码获取多个企业和每个该企业各自对应的的污染事件预测模型；将每个企业的污染画像数据输入对应的污染事件预测模型，得到每个企业发生对应类型的污染事件的第一概率；获取每个企业发生污染事件的第二概率；根据每个企业的所述第一概率和第二概率，确定每个企业为待溯源污染事件的污染源头的目标概率。本申请提高了环境执法部门的执法便利性。本申请还涉及区块链领域，上述计算机可读存储介质可存储根据区块链节点的使用所创建的数据。
Description
技术领域
本申请涉及数据分析的技术领域，尤其涉及一种环境污染溯源方法、装置、设备及计算机可读存储介质。
背景技术
近年来，大气污染、水污染和土壤污染等环境污染问题凸显，而企业的污染气体超标排放、污水排放和固废排放等是造成环境污染问题的主要因素，当某个区域发生环境污染问题后，需要环境执法部门去现场排查，找到导致环境污染的污染源等，极其耗费人力、物力和财力，不方便环境执法部门快速定位污染源。
发明内容
本申请实施例提供一种环境污染溯源方法、装置、设备及计算机可读存储介质，旨在快速定位污染源，提高环境执法部门的执法便利性。
第一方面，本申请实施例提供一种环境污染溯源方法，包括：
获取环境污染溯源请求，其中，所述环境污染溯源请求包括待溯源污染事件和发生所述待溯源污染事件的城市的城市编码；
根据所述城市编码获取多个企业和每个所述企业各自对应的污染事件预测模型，所述污染事件预测模型是预先基于所述企业的历史污染画像数据对预设分类模型进行训练得到的；
将每个所述企业的当前污染画像数据输入对应的所述污染事件预测模型，得到每个所述企业发生对应类型的污染事件的第一概率；
获取每个所述企业发生污染事件的第二概率；
根据每个所述企业的所述第一概率和所述第二概率，确定每个所述企业为所述待溯源污染事件的污染源头的目标概率。
第二方面，本申请实施例还提供一种环境污染溯源装置，所述环境污染溯源装置包括：
获取模块，用于获取环境污染溯源请求，其中，所述环境污染溯源请求包括待溯源污染事件和发生所述待溯源污染事件的城市的城市编码；
所述获取模块，还用于根据所述城市编码获取多个企业和每个所述企业各自对应的污染事件预测模型，所述污染事件预测模型是预先基于所述企业的历史污染画像数据对预设分类模型进行训练得到的；
预测模块，用于将每个所述企业的当前污染画像数据输入对应的所述污染事件预测模型，得到每个所述企业发生对应类型的污染事件的第一概率；
所述获取模块，还用于获取每个所述企业发生污染事件的第二概率；
确定模块，用于根据每个所述企业的所述第一概率和所述第二概率，确定每个所述企业为所述待溯源污染事件的污染源头的目标概率。
第三方面，本申请实施例还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上所述的环境污染溯源方法的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上所述的环境污染溯源方法的步骤。
本申请实施例提供一种环境污染溯源方法、装置、设备及计算机可读存储介质，该环境污染溯源方法通过获取包括待溯源污染事件和发生待溯源污染事件的城市的城市编码的环境污染溯源请求，并根据该城市编码获取多个企业以及每个该企业各自对应的污染事件预测模型，然后将每个企业的当前污染画像数据输入到对应的污染事件预测模型，从而预测得到每个企业发生对应类型的污染事件的第一概率，并获取每个企业发生污染事件的第二概率，最后根据每个企业的第一概率和第二概率，确定每个企业为待溯源污染事件的污染源头的目标概率，可以方便环境执法部门快速排查与定位污染源，极大的提高了环境执法部门的执法便利性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的一种环境污染溯源方法的流程示意图；
图2是本申请实施例提供的一种环境污染溯源装置的示意性框图；
图3是图2中的环境污染溯源装置的子模块的示意性框图；
图4是本申请实施例提供的另一种环境污染溯源装置的示意性框图；
图5是本申请实施例提供的一种计算机设备的结构示意性框图。
本申请目的的实现、功能特点及优点将结合实施例，参阅附图做进一步说明。
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。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供一种环境污染溯源方法、装置、设备及计算机可读存储介质。其中，该环境污染溯源方法可应用于服务器，该服务器可以为单台的服务器，也可以为由多台服务器组成的服务器集群。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请实施例提供的一种环境污染溯源方法的流程示意图。本实施例提供的环境污染溯源方法可以应用于服务器。
如图1所示，该环境污染溯源方法可以包括步骤S101至步骤S105。
步骤S101、获取环境污染溯源请求。
示例性的，获取终端设备发送的环境污染溯源请求。其中，该环境污染溯源请求包括待溯源污染事件和发生待溯源污染事件的城市的城市编码。
示例性的，终端设备显示环境污染溯源页面，并获取用户在该环境污染溯源页面内输入的污染溯源信息；响应于用户对该环境污染溯源页面中的确认按键的触发操作，根据该污染溯源信息，生成环境污染溯源请求，并向服务器发送该环境污染溯源请求；服务器获取终端设备发送的环境污染溯源请求。其中，该环境污染溯源请求包括污染溯源信息，该污染溯源信息包括待溯源污染事件和发生待溯源污染事件的城市的城市编码。
步骤S102、根据城市编码获取多个企业和每个企业各自对应的污染事件预测模型。
其中，污染事件预测模型是预先基于企业的历史污染画像数据对预设分类模型进行训练得到的，历史污染画像数据包括企业已经发生过的全部污染事件的污染事件类型以及与该污染事件类型对应的企业污染信息。该污染事件预测模型用于预测企业发生污染事件的概率，不同企业的污染事件预测模型不同，不同企业的污染事件类型可以相同，也可以不同。预设分类模型可以包括神经网络模型，神经网络模型可以包括BP神经网络、循环神经网络、卷积神经网络。
示例性的，污染事件可以包括固废排放事件、污染气体超标排放事件、水污染事件、土壤污染事件、重金属污染事件，污染事件类型可以包括固废排放事件对应的类型、污染气体超标排放事件对应的类型、水污染事件对应的类型、土壤污染事件对应的类型、重金属污染事件对应的类型。
例如，企业A以水污染事件为主要污染事件，则企业A的污染事件类型为水污染事件对应的类型，企业B以污染气体超标排放事件为主要污染事件，则企业A的污染事件类型为污染气体超标排放事件对应的类型。企业A已经发生过的全部污染事件包括水污染事件和土壤污染事件，则企业A的历史污染画像数据包括水污染事件对应的类型、土壤污染事件对应的类型、与水污染事件相关的企业污染信息和与土壤污染事件相关的企业污染信息。
示例性的，企业污染信息包括以下至少一种：企业所在区域的大气检测信息、企业生产量、企业用电量、企业用水量、企业排水量、企业所处区域的水质检测信息、企业所处区域的土壤检测信息。其中，不同污染事件类型对应不同的企业污染信息。
例如，企业A以水污染事件为主要污染事件，企业B以污染气体超标排放事件为主要污染事件，则企业A的水污染事件对应的企业污染信息包括企业A的生产量、企业A的用电量、企业A的用水量、企业A的排水量、企业A所处区域的水质检测信息，企业B的污染气体超标排放事件对应的企业污染信息包括企业B的生产量、企业B的用电量、企业B所处区域的大气检测信息。
示例性的，获取企业的训练样本集，其中，该训练样本集包括多个训练样本，该训练样本包括该企业已经发生过的污染事件的污染事件类型以及与该污染事件类型对应的企业污染信息；根据该训练样本集，对预设分类模型进行迭代训练，直至迭代次数达到预设次数或训练后的分类收敛，从而得到该企业的污染事件预测模型。
示例性的，从预设的企业列表中获取与城市编码匹配的多个企业，其中，该企业列表包括多个发生过污染事件的企业；从预设的污染事件预测模型库中获取每个企业各自对应的污染事件预测模型。其中，预设的污染事件预测模型库包括发生过污染事件的多个企业的污染事件预测模型。例如，获取该企业列表中的每个企业的注册地址，并将该注册地址所处的城市与该城市编码对应的城市相同的企业确定为企业。
步骤S103、将每个企业的当前污染画像数据输入对应的污染事件预测模型，得到每个企业发生对应类型的污染事件的第一概率。
其中，企业的当前污染画像数据包括企业最新发生的污染事件的污染事件类型以及与该污染事件类型对应的企业污染信息。例如，企业A在2021年3月15日发生过水污染事件、企业A在2021年4月20日发生过土壤污染事件，则企业A的当前污染画像数据包括在2021年4月20日发生的土壤污染事件对应的类型以及与该类型对应的企业污染信息。
示例性的，不同企业的污染事件预测模型不同。例如，企业A的污染事件类型为水污染事件对应的类型，企业B的污染事件类型为污染气体超标排放事件对应的类型，将企业A的当前污染画像数据输入与企业A对应的污染事件预测模型A，从而可以预测得到企业A发生水污染事件的概率，将企业B的当前污染画像数据输入与企业B对应的污染事件预测模型B，从而可以预测得到企业B发生污染气体超标排放事件的概率。
示例性的，该污染事件预测模型包括输入层、隐含层、输出层和Softmax层，将企业的当前污染画像数据输入对应的污染事件预测模型，得到企业发生对应类型的污染事件的第一概率的方式可以为：将企业的当前污染画像数据输入该输入层，得到第一编码向量；将第一编码向量输入隐含层，得到第二编码向量；将第二编码向量输入输出层，得到第三编码向量；将第三编码向量输入Softmax层，得到企业发生对应类型的污染事件的第一概率。
步骤S104、获取每个企业发生污染事件的第二概率。
示例性的，根据发生待溯源污染事件的城市的城市编码，统计在该城市编码所处城市发生过污染事件的企业的个数，得到污染企业总数；根据该污染企业总数，确定每个企业在该城市编码所处城市发生污染事件的第二概率。其中，不同企业在该城市编码所处城市发生污染事件的第二概率可以相同，也可以不同，本实施例对此不做具体限定。例如，将该污染企业总数的倒数确定为每个企业在该城市编码所处城市发生污染事件的第二概率。
步骤S105、根据每个企业的第一概率和第二概率，确定每个企业为待溯源污染事件的污染源头的目标概率。
示例性的，对每个企业的第一概率与第二概率进行乘法运算，得到每个企业的第三概率；累加每个企业的第三概率，得到总概率；用每个企业的所述第三概率除以总概率，得到每个企业为待溯源污染事件的污染源头的目标概率。
示例性的，基于目标概率计算公式，根据每个企业的第一概率和第二概率，可以计算得到每个企业为待溯源污染事件的污染源头的目标概率，其中，目标概率计算公式可例如为：
P(Ai|XJ)是企业i为待溯源污染事件的污染源头的目标概率，P(XJ|Ai)是企业i发生某类或某些类污染事件的第一概率，m为污染企业总数。
在一实施例中，根据每个企业为所述待溯源污染事件的污染源头的目标概率，从多个企业中确定所述待溯源污染事件的目标污染源头；向终端设备发送目标污染源头的企业属性信息，以使终端设备输出目标污染源头的企业属性信息。其中，企业属性信息可以包括企业的企业名称、企业注册地址、发生污染事件的总次数、污染事件类型。
示例性的，从多个企业中选择目标概率最高所对应的企业作为待溯源污染事件的目标污染源头。或者，从多个企业中选择目标概率大于或等于预设概率阈值所对应的企业为候选企业；确定发生待溯源污染事件的位置与每个候选企业之间的距离；将该距离最短所对应的候选企业确定为待溯源污染事件的目标污染源头。或者，从多个企业中选择该目标概率大于或等于预设概率阈值所对应的企业作为待溯源污染事件的目标污染源头。其中，预设概率阈值可基于实际情况进行设置，本实施例对此不做具体限定。
在一实施例中，根据每个企业为待溯源污染事件的污染源头的目标概率，生成待溯源污染事件的污染源头列表，并向终端设备发送该污染源头列表。其中，该污染源头列表包括多个企业和每个企业为待溯源污染事件的污染源头的目标概率，企业为待溯源污染事件的污染源头的目标概率越高，则该企业在污染源头列表中的排序越靠前，企业为待溯源污染事件的污染源头的目标概率越低，则该企业在污染源头列表中的排序越靠后。
示例性的，根据每个企业为待溯源污染事件的污染源头的目标概率，生成待溯源污染事件的污染源头列表的方式可以为：获取空白的污染源头列表，其中，空白的污染源头列表的表头包括企业名称、企业注册地址、发生污染事件的总次数、污染事件类型、为污染源头的目标概率；按照目标概率的高低，依次在空白的污染源头列表中填充对应企业的企业名称、企业注册地址、发生污染事件的总次数、污染事件类型、为污染源头的目标概率，得到污染源头列表。
示例性的，根据每个企业为待溯源污染事件的污染源头的目标概率，生成待溯源污染事件的污染源头列表的方式可以为：从多个企业中获取该目标概率大于或等于预设概率对应的企业作为候选企业；获取空白的污染源头列表，其中，空白的污染源头列表的表头包括企业名称、企业注册地址、发生污染事件的总次数、污染事件类型、为污染源头的目标概率；按照目标概率的高低，依次在空白的污染源头列表中填充对应候选企业的企业名称、企业注册地址、发生污染事件的总次数、污染事件类型、为污染源头的目标概率，得到污染源头列表。
上述实施例提供的环境污染溯源方法，通过获取包括待溯源污染事件和发生待溯源污染事件的城市的城市编码的环境污染溯源请求，并根据该城市编码获取多个企业以及每个该企业各自对应的污染事件预测模型，然后将每个企业的当前污染画像数据输入到对应的污染事件预测模型，从而预测得到每个企业发生对应类型的污染事件的第一概率，并获取每个企业发生污染事件的第二概率，最后根据每个企业的第一概率和第二概率，确定每个企业为待溯源污染事件的污染源头的目标概率，可以方便环境执法部门快速排查与定位污染源，极大的提高了环境执法部门的执法便利性。
请参阅图2，图2是本申请实施例提供的一种环境污染溯源装置的示意性框图。
如图2所示，该环境污染溯源装置200可以包括：
获取模块210，用于获取环境污染溯源请求，其中，所述环境污染溯源请求包括待溯源污染事件和发生所述待溯源污染事件的城市的城市编码；
所述获取模块210，还用于根据所述城市编码获取多个企业和每个所述企业各自对应的污染事件预测模型，所述污染事件预测模型是预先基于所述企业的历史污染画像数据对预设分类模型进行训练得到的；
预测模块220，用于将每个所述企业的当前污染画像数据输入对应的所述污染事件预测模型，得到每个所述企业发生对应类型的污染事件的第一概率；
所述获取模块210，还用于获取每个所述企业发生污染事件的第二概率；
确定模块230，用于根据每个所述企业的所述第一概率和所述第二概率，确定每个所述企业为所述待溯源污染事件的污染源头的目标概率。
在一实施例中，所述获取模块210还用于：
从预设的企业列表中获取与所述城市编码匹配的多个企业，其中，所述企业列表包括多个发生过污染事件的企业；
从预设的污染事件预测模型库中获取每个所述企业各自对应的污染事件预测模型。
在一实施例中，所述污染事件预测模型包括输入层、隐含层、输出层和Softmax层，所述预测模块220还用于：
将所述企业的当前污染画像数据输入所述输入层，得到第一编码向量；
将所述第一编码向量输入所述隐含层，得到第二编码向量；
将所述第二编码向量输入所述输出层，得到第三编码向量；
将所述第三编码向量输入所述Softmax层，得到所述企业发生对应类型的污染事件的第一概率。
在一实施例中，如图3所示，所述确定模块230包括：
乘法运算子模块231，用于对每个所述企业的所述第一概率与所述第二概率进行乘法运算，得到每个所述企业的第三概率；
加法运算子模块232，用于累加每个所述企业的第三概率，得到总概率；
除法运算子模块233，用于用每个所述企业的所述第三概率除以所述总概率，得到每个所述企业为所述待溯源污染事件的污染源头的目标概率。
在一实施例中，如图4所示，该环境污染溯源装置200还可以包括：
所述确定模块230，还用于根据每个所述企业为所述待溯源污染事件的污染源头的目标概率，从多个所述企业中确定所述待溯源污染事件的目标污染源头；
发送模块240，用于向终端设备发送所述目标污染源头的企业属性信息，以使所述终端设备输出所述目标污染源头的企业属性信息。
在一实施例中，所述确定模块230还用于：
从多个所述企业中选择所述目标概率最高所对应的企业作为所述待溯源污染事件的目标污染源头。
在一实施例中，所述确定模块230还用于：
从多个所述企业中选择所述目标概率大于或等于预设概率阈值所对应的企业为候选企业；
确定发生所述待溯源污染事件的位置与每个所述候选企业之间的距离；
将所述距离最短所对应的所述候选企业确定为所述待溯源污染事件的目标污染源头。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块及单元的具体工作过程，可以参考前述环境污染溯源方法实施例中的对应过程，在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5，图5是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为服务器
如图5所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括存储介质和内存储器。
存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种环境污染溯源方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图5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。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器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)、现场可编程门阵列(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。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取环境污染溯源请求，其中，所述环境污染溯源请求包括待溯源污染事件和发生所述待溯源污染事件的城市的城市编码；
根据所述城市编码获取多个企业和每个所述企业各自对应的污染事件预测模型，所述污染事件预测模型是预先基于所述企业的历史污染画像数据对预设分类模型进行训练得到的；
将每个所述企业的当前污染画像数据输入对应的所述污染事件预测模型，得到每个所述企业发生对应类型的污染事件的第一概率；
获取每个所述企业发生污染事件的第二概率；
根据每个所述企业的所述第一概率和所述第二概率，确定每个所述企业为所述待溯源污染事件的污染源头的目标概率。
在一实施例中，所述处理器在实现根据所述城市编码获取多个企业和每个所述企业各自对应的污染事件预测模型时，用于实现：
从预设的企业列表中获取与所述城市编码匹配的多个企业，其中，所述企业列表包括多个发生过污染事件的企业；
从预设的污染事件预测模型库中获取每个所述企业各自对应的污染事件预测模型。
在一实施例中，所述污染事件预测模型包括输入层、隐含层、输出层和Softmax层，所述处理器在实现将所述企业的当前污染画像数据输入对应的所述污染事件预测模型，得到所述企业发生对应类型的污染事件的第一概率时，用于实现：
将所述企业的当前污染画像数据输入所述输入层，得到第一编码向量；
将所述第一编码向量输入所述隐含层，得到第二编码向量；
将所述第二编码向量输入所述输出层，得到第三编码向量；
将所述第三编码向量输入所述Softmax层，得到所述企业发生对应类型的污染事件的第一概率。
在一实施例中，所述处理器在实现根据每个所述企业的所述第一概率和所述第二概率，确定每个所述企业为所述待溯源污染事件的污染源头的目标概率时，用于实现：
对每个所述企业的所述第一概率与所述第二概率进行乘法运算，得到每个所述企业的第三概率；
累加每个所述企业的第三概率，得到总概率；
用每个所述企业的所述第三概率除以所述总概率，得到每个所述企业为所述待溯源污染事件的污染源头的目标概率。
其中，在另一实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
根据每个所述企业为所述待溯源污染事件的污染源头的目标概率，从多个所述企业中确定所述待溯源污染事件的目标污染源头；
向终端设备发送所述目标污染源头的企业属性信息，以使所述终端设备输出所述目标污染源头的企业属性信息。
在一实施例中，所述处理器在实现根据每个所述企业为所述待溯源污染事件的污染源头的目标概率，从多个所述企业中确定所述待溯源污染事件的目标污染源头时，用于实现：
从多个所述企业中选择所述目标概率最高所对应的企业作为所述待溯源污染事件的目标污染源头。
在一实施例中，所述处理器在实现根据每个所述企业为所述待溯源污染事件的污染源头的目标概率，从多个所述企业中确定所述待溯源污染事件的目标污染源头时，用于实现：
从多个所述企业中选择所述目标概率大于或等于预设概率阈值所对应的企业为候选企业；
确定发生所述待溯源污染事件的位置与每个所述候选企业之间的距离；
将所述距离最短所对应的所述候选企业确定为所述待溯源污染事件的目标污染源头。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的计算机设备的具体工作过程，可以参考前述环境污染溯源方法实施例中的对应过程，在此不再赘述。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参阅本申请环境污染溯源方法的各个实施例。
其中，所述计算机可读存储介质可以是易失性的，也可以是非易失性的。所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
进一步地，所述计算机可读存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请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。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种环境污染溯源方法，其特征在于，包括：
获取环境污染溯源请求，其中，所述环境污染溯源请求包括待溯源污染事件和发生所述待溯源污染事件的城市的城市编码；
根据所述城市编码获取多个企业和每个所述企业各自对应的污染事件预测模型，所述污染事件预测模型是预先基于所述企业的历史污染画像数据对预设分类模型进行训练得到的；
将每个所述企业的当前污染画像数据输入对应的所述污染事件预测模型，得到每个所述企业发生对应类型的污染事件的第一概率；
获取每个所述企业发生污染事件的第二概率；
根据每个所述企业的所述第一概率和所述第二概率，确定每个所述企业为所述待溯源污染事件的污染源头的目标概率。
2.根据权利要求1所述的环境污染溯源方法，其特征在于，所述根据所述城市编码获取多个企业和每个所述企业各自对应的污染事件预测模型，包括：
从预设的企业列表中获取与所述城市编码匹配的多个企业，其中，所述企业列表包括多个发生过污染事件的企业；
从预设的污染事件预测模型库中获取每个所述企业各自对应的污染事件预测模型。
3.根据权利要求1所述的环境污染溯源方法，其特征在于，所述污染事件预测模型包括输入层、隐含层、输出层和Softmax层，将所述企业的当前污染画像数据输入对应的所述污染事件预测模型，得到所述企业发生对应类型的污染事件的第一概率，包括：
将所述企业的当前污染画像数据输入所述输入层，得到第一编码向量；
将所述第一编码向量输入所述隐含层，得到第二编码向量；
将所述第二编码向量输入所述输出层，得到第三编码向量；
将所述第三编码向量输入所述Softmax层，得到所述企业发生对应类型的污染事件的第一概率。
4.根据权利要求1所述的环境污染溯源方法，其特征在于，所述根据每个所述企业的所述第一概率和所述第二概率，确定每个所述企业为所述待溯源污染事件的污染源头的目标概率，包括：
对每个所述企业的所述第一概率与所述第二概率进行乘法运算，得到每个所述企业的第三概率；
累加每个所述企业的第三概率，得到总概率；
用每个所述企业的所述第三概率除以所述总概率，得到每个所述企业为所述待溯源污染事件的污染源头的目标概率。
5.根据权利要求1-4中任一项所述的环境污染溯源方法，其特征在于，所述确定每个所述企业为所述待溯源污染事件的污染源头的目标概率之后，所述方法还包括：
根据每个所述企业为所述待溯源污染事件的污染源头的目标概率，从多个所述企业中确定所述待溯源污染事件的目标污染源头；
向终端设备发送所述目标污染源头的企业属性信息，以使所述终端设备输出所述目标污染源头的企业属性信息。
6.根据权利要求5所述的环境污染溯源方法，其特征在于，所述根据每个所述企业为所述待溯源污染事件的污染源头的目标概率，从多个所述企业中确定所述待溯源污染事件的目标污染源头，包括：
从多个所述企业中选择所述目标概率最高所对应的企业作为所述待溯源污染事件的目标污染源头。
7.根据权利要求5所述的环境污染溯源方法，其特征在于，所述根据每个所述企业为所述待溯源污染事件的污染源头的目标概率，从多个所述企业中确定所述待溯源污染事件的目标污染源头，包括：
从多个所述企业中选择所述目标概率大于或等于预设概率阈值所对应的企业为候选企业；
确定发生所述待溯源污染事件的位置与每个所述候选企业之间的距离；
将所述距离最短所对应的所述候选企业确定为所述待溯源污染事件的目标污染源头。
8.一种环境污染溯源装置，其特征在于，所述环境污染溯源装置包括：
获取模块，用于获取环境污染溯源请求，其中，所述环境污染溯源请求包括待溯源污染事件和发生所述待溯源污染事件的城市的城市编码；
所述获取模块，还用于根据所述城市编码获取多个企业和每个所述企业各自对应的污染事件预测模型，所述污染事件预测模型是预先基于所述企业的历史污染画像数据对预设分类模型进行训练得到的；
预测模块，用于将每个所述企业的当前污染画像数据输入对应的所述污染事件预测模型，得到每个所述企业发生对应类型的污染事件的第一概率；
所述获取模块，还用于获取每个所述企业发生污染事件的第二概率；
确定模块，用于根据每个所述企业的所述第一概率和所述第二概率，确定每个所述企业为所述待溯源污染事件的污染源头的目标概率。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现权利要求1至7中任一项所述的环境污染溯源方法的步骤。
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上存储有计算机程序，其中所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的环境污染溯源方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110706772.7A CN113435738A (zh) | 2021-06-24 | 2021-06-24 | 环境污染溯源方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110706772.7A CN113435738A (zh) | 2021-06-24 | 2021-06-24 | 环境污染溯源方法、装置、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113435738A true CN113435738A (zh) | 2021-09-24 |
Family
ID=77754179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110706772.7A Pending CN113435738A (zh) | 2021-06-24 | 2021-06-24 | 环境污染溯源方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435738A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113869744A (zh) * | 2021-09-29 | 2021-12-31 | 平安国际智慧城市科技股份有限公司 | 企业环境信用的评测方法、装置、终端设备和存储介质 |
| CN114511181A (zh) * | 2021-12-31 | 2022-05-17 | 中国环境科学研究院 | 基于电网及税收数据融合的水污染环保校验方法和装置 |
| CN114519048A (zh) * | 2022-02-17 | 2022-05-20 | 平安国际智慧城市科技股份有限公司 | 数据识别方法、装置、设备及可读存储介质 |
| CN117475367A (zh) * | 2023-06-12 | 2024-01-30 | 中国建筑第四工程局有限公司 | 基于多规则协调的污水图像处理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275333A (zh) * | 2020-01-20 | 2020-06-12 | 江苏神彩科技股份有限公司 | 污染数据处理方法和装置 |
| CN111310803A (zh) * | 2020-01-20 | 2020-06-19 | 江苏神彩科技股份有限公司 | 环境数据处理方法和装置 |
| CN111461167A (zh) * | 2020-03-02 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
| CN111812292A (zh) * | 2020-09-03 | 2020-10-23 | 中兴仪器（深圳）有限公司 | 水质污染类型溯源方法、装置、设备及可读存储介质 |
| CN112926172A (zh) * | 2019-12-06 | 2021-06-08 | 中国科学院沈阳计算技术研究所有限公司 | 一种突发性重金属水污染追踪溯源的方法 |
-
2021
- 2021-06-24 CN CN202110706772.7A patent/CN113435738A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926172A (zh) * | 2019-12-06 | 2021-06-08 | 中国科学院沈阳计算技术研究所有限公司 | 一种突发性重金属水污染追踪溯源的方法 |
| CN111275333A (zh) * | 2020-01-20 | 2020-06-12 | 江苏神彩科技股份有限公司 | 污染数据处理方法和装置 |
| CN111310803A (zh) * | 2020-01-20 | 2020-06-19 | 江苏神彩科技股份有限公司 | 环境数据处理方法和装置 |
| CN111461167A (zh) * | 2020-03-02 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
| CN111812292A (zh) * | 2020-09-03 | 2020-10-23 | 中兴仪器（深圳）有限公司 | 水质污染类型溯源方法、装置、设备及可读存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113869744A (zh) * | 2021-09-29 | 2021-12-31 | 平安国际智慧城市科技股份有限公司 | 企业环境信用的评测方法、装置、终端设备和存储介质 |
| CN114511181A (zh) * | 2021-12-31 | 2022-05-17 | 中国环境科学研究院 | 基于电网及税收数据融合的水污染环保校验方法和装置 |
| CN114519048A (zh) * | 2022-02-17 | 2022-05-20 | 平安国际智慧城市科技股份有限公司 | 数据识别方法、装置、设备及可读存储介质 |
| CN117475367A (zh) * | 2023-06-12 | 2024-01-30 | 中国建筑第四工程局有限公司 | 基于多规则协调的污水图像处理方法及系统 |
| CN117475367B (zh) * | 2023-06-12 | 2024-05-07 | 中国建筑第四工程局有限公司 | 基于多规则协调的污水图像处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113435738A (zh) | 环境污染溯源方法、装置、设备及计算机可读存储介质 | |
| CN111474307A (zh) | 污染物溯源方法、装置、计算机设备及存储介质 | |
| CN111383005B (zh) | 数字货币流向追踪方法及装置 | |
| Daraghmi et al. | Negative binomial additive models for short-term traffic flow forecasting in urban areas | |
| CN106096024A (zh) | 地址相似度的评估方法和评估装置 | |
| Omrani et al. | Multi-label class assignment in land-use modelling | |
| Yang et al. | A parametric programming solution to the F-policy queue with fuzzy parameters | |
| Wang et al. | An open-source software package for multivariate modeling and clustering: applications to air quality management | |
| Turkmen et al. | Intermittent demand forecasting with deep renewal processes | |
| Zhang et al. | A queuing system for inert construction waste management on a reverse logistics network | |
| CN114493255A (zh) | 基于知识图谱的企业异常监控方法及其相关设备 | |
| CN114022292B (zh) | 基于人工智能的定损规则筛选方法、装置、设备及介质 | |
| CN112419124B (zh) | 一种低效工业用地的快速识别方法、装置及其存储介质 | |
| CN116228501B (zh) | 排污超标区域行业确定方法、装置、存储介质及电子设备 | |
| CN110765226B (zh) | 货主匹配方法、装置、设备和介质 | |
| Baghdali-Ourbih et al. | Implementing refined descriptive sampling into three-phase discrete-event simulation models | |
| Langbridge et al. | Optimal Transport for Fairness: Archival Data Repair using Small Research Data Sets | |
| Fang et al. | On the effectiveness of assessing model accuracy at design points for radial basis functions | |
| CN112529307B (zh) | 大气污染预测方法、装置、电子设备及存储介质 | |
| Hosseinzadeh Lotfi et al. | An MOLP based procedure for finding efficient units in DEA models | |
| CN114168654A (zh) | 模型建立方法、异常检测方法、装置、介质和设备 | |
| CN112712202B (zh) | 一种短期风电功率预测方法、装置、电子设备和存储介质 | |
| CN115170304A (zh) | 风险特征描述的提取方法和装置 | |
| CN113919357A (zh) | 地址实体识别模型的训练方法、装置、设备及存储介质 | |
| CN112287671A (zh) | 基于simhash的地址解析方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |
|
| RJ01 | Rejection of invention patent application after publication |