CN113793066B - 基于风险分析的项目位置聚合方法、系统、终端及介质 - Google Patents
基于风险分析的项目位置聚合方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN113793066B CN113793066B CN202111163806.9A CN202111163806A CN113793066B CN 113793066 B CN113793066 B CN 113793066B CN 202111163806 A CN202111163806 A CN 202111163806A CN 113793066 B CN113793066 B CN 113793066B
- Authority
- CN
- China
- Prior art keywords
- risk
- aggregation
- project
- value
- weight
- 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
- 230000002776 aggregation Effects 0.000 title claims abstract description 124
- 238000004220 aggregation Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012502 risk assessment Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004883 computer application Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process 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
- 238000011160 research 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于风险分析的项目位置聚合方法、系统、终端及介质,涉及计算机应用技术领域,其技术方案要点是:依据经纬度方向对目标地图进行网格化处理,并确定每个网格单元中顶点的经纬度坐标;获取项目数据列表,并根据项目的经纬度坐标匹配所属的网格单元,以及将项目加入到所属网格单元的项目列表;根据项目数据中的风险因子数据进行权重计算后得到对应项目的风险值;根据目标地图的当前显示层级确定风险聚合类型:依据风险状态在相应的风险聚合点位进行风险聚合定位标注。本发明能够在地图的不同显示层级中直观显示风险态势,有效提高了显示的清晰度,且基于风险值计算方法在一定程度上为风险等级的判定提供了客观支撑数据。
Description
技术领域
本发明涉及计算机应用技术领域,更具体地说,它涉及基于风险分析的项目位置聚合方法、系统、终端及介质。
背景技术
地图风险显示能够使人们快速获知相应区域中风险项目的具体情况,可以为未来行程、投资等方面提供参考数据。传统的地图风险显示主要是根据具体风险项目的定位信息进行显示,然而传统地图大量点位显示在一起造成的显示性能不佳,并且大量点显示在一起造成模糊不清,不能充分体现风险在地理位置上的有效标注,也不能提供地图范围内的整体风险态势。因此,如何研究设计一种基于风险分析的项目位置聚合方法、系统、终端及介质是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足,本发明的目的是提供基于风险分析的项目位置聚合方法、系统、终端及介质。
本发明的上述技术目的是通过以下技术方案得以实现的:
第一方面,提供了基于风险分析的项目位置聚合方法,包括以下步骤:
依据经纬度方向对目标地图进行网格化处理,并确定每个网格单元中顶点的经纬度坐标;
获取项目数据列表,并根据项目的经纬度坐标匹配所属的网格单元,以及将项目加入到所属网格单元的项目列表;
根据项目数据中的风险因子数据进行权重计算后得到对应项目的风险值;
根据目标地图的当前显示层级确定风险聚合类型:
若为行政区风险聚合,则以行政区的预设位置为风险聚合点位,并以行政区内所有项目中最大的风险值匹配风险状态;
若为非行政区风险聚合,则以网格单元内风险值最大的项目的经纬度坐标作为风险聚合点位,并以网格单元内最大的风险值匹配风险状态;
以及,依据风险状态在相应的风险聚合点位进行风险聚合定位标注。
进一步的,所述风险值的计算过程具体为:
从项目数据中提取包括项目报警数量、项目故障数量和项目离线数量的风险因子数据;
根据风险因子数据获取相应的权重因子序列;
将权重因子序列与风险因子数据对应计算权重,得到表征风险值的权重值。
进一步的,所述权重因子序列的获取过程具体为:
根据目标地图的显示层级从数据库中匹配预设的权重因子,得到权重因子序列;
或,根据风险因子数据中至少一个风险因子的分布区间从数据库中匹配预设的权重因子,得到权重因子序列。
进一步的,所述权重因子序列的获取过程具体为:
采用机器学习算法、线性回归方法或统计分析方法对每个风险因子的历史分布数据进行预测,得到相应的预测值;
将风险因子的预测值和当前实际值进行差异性分析,得到差异值;
根据预测值与当前实际值之间差值的差异贡献分布对相应风险因子的权重因子进行修正;若差异贡献超出平均贡献,则降值修正;若差异贡献低于平均贡献,则升值修正。
进一步的,所述网格单元呈经度、纬度间隔均为0.5度的矩形网格。
进一步的,所述风险聚合类型的确定过程具体为:
若目标地图的当前显示层级为[0,13],则确定为行政区风险聚合;且显示层级[0,6]为省风险聚合级、[7,10]为市风险聚合级以及[11,13]为区县风险聚合级。
若目标地图的当前显示层级为[14,20],则确定为非行政区风险聚合。
进一步的,所述风险状态包括报警状态、故障状态、离线状态和正常状态,报警状态、故障状态、离线状态和正常状态所对应的风险值呈降序分布,且不同的风险状态采用不同的色图进行聚合区域标注。
第二方面,基于风险分析的项目位置聚合系统,包括:
网格处理模块,用于依据经纬度方向对目标地图进行网格化处理,并确定每个网格单元中顶点的经纬度坐标;
项目匹配模块,用于获取项目数据列表,并根据项目的经纬度坐标匹配所属的网格单元,以及将项目加入到所属网格单元的项目列表;
风险计算模块,用于根据项目数据中的风险因子数据进行权重计算后得到对应项目的风险值;
风险聚合模块,用于根据目标地图的当前显示层级确定风险聚合类型:
若为行政区风险聚合,则以行政区的预设位置为风险聚合点位,并以行政区内所有项目中最大的风险值匹配风险状态;
若为非行政区风险聚合,则以网格单元内风险值最大的项目的经纬度坐标作为风险聚合点位,并以网格单元内最大的风险值匹配风险状态;
以及,依据风险状态在相应的风险聚合点位进行风险聚合定位标注。
第三方面,提供了一种计算机终端,包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面中任意一项所述的基于风险分析的项目位置聚合方法。
第四方面,提供了一种计算机可读介质,其上存储有计算机程序,其特征是,所述计算机程序被处理器执行可实现如第一方面中任意一项所述的基于风险分析的项目位置聚合方法。
与现有技术相比,本发明具有以下有益效果:
1、本发明依据地图的显示层级划分确定风险聚合类型,若为行政区风险聚合,则以行政区的预设位置为风险聚合点位,并以行政区内所有项目中最大的风险值匹配风险状态;若为非行政区风险聚合,则以网格单元内风险值最大的项目的经纬度坐标作为风险聚合点位,并以网格单元内最大的风险值匹配风险状态;能够在地图的不同显示层级中直观显示风险态势,有效提高了显示的清晰度,且基于风险值计算方法在一定程度上为风险等级的判定提供了客观支撑数据;
2、本发明依据具体的风险因子数据获取相适应的权重因子,能够根据具体风险项目适应性计算风险值,有效提高了基于风险分析项目聚合显示的精确度;
3、本发明依据机器学习算法、线性回归方法、统计分析方法等方法对历史数据进行分析预测,依据预测结果和实际值的差异性对比结果对权重因子进行动态修正,可有效提高风险值计算的可靠性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1是本发明实施例中的流程图;
图2是本发明实施例中的系统框图。
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明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1:基于风险分析的项目位置聚合方法,如图1所示,包括以下步骤:
S1:依据经纬度方向对目标地图进行网格化处理,并确定每个网格单元中顶点的经纬度坐标;
S2:获取项目数据列表,并根据项目的经纬度坐标匹配所属的网格单元,以及将项目加入到所属网格单元的项目列表;
S3:根据项目数据中的风险因子数据进行权重计算后得到对应项目的风险值;
S4:根据目标地图的当前显示层级确定风险聚合类型:若为行政区风险聚合,则以行政区的预设位置为风险聚合点位,并以行政区内所有项目中最大的风险值匹配风险状态;若行政区为省风险聚合级,则预设位置可以是省会城市、经济发达城市或其他指定城市;若为非行政区风险聚合,则以网格单元内风险值最大的项目的经纬度坐标作为风险聚合点位,并以网格单元内最大的风险值匹配风险状态;网格单元内指的是网格单元四个顶点所围成矩形覆盖区域;以及,依据风险状态在相应的风险聚合点位进行风险聚合定位标注。
需要说明的是,风险聚合采用k-means算法进行处理,根据k-means算法将项目聚合为k个质心点,形成k个聚会族,并计算k族质心坐标;以k族质心坐标作为项目聚合点位。
风险值的计算过程具体为:从项目数据中提取包括项目报警数量、项目故障数量和项目离线数量的风险因子数据;根据风险因子数据获取相应的权重因子序列;将权重因子序列与风险因子数据对应计算权重,得到表征风险值的权重值。此外,权重因子序列还可以是设定不便的值,以此减少计算量。
以风险因子数据仅包括项目报警数量、项目故障数量和项目离线数量为例。风险值计算公式A:f=a*x+b*y+c*z;其中a为报警权重因子,b为故障权重因子,c为离线权重因子,x为项目报警数量,y为项目故障数量,z为项目离线数量。
权重因子序列的获取过程具体为:根据目标地图的显示层级从数据库中匹配预设的权重因子,得到权重因子序列;或者,根据风险因子数据中至少一个风险因子的分布区间从数据库中匹配预设的权重因子,得到权重因子序列。
权重因子序列的获取过程具体为:采用统计分析方法对每个风险因子的历史分布数据进行预测,得到相应的预测值;将风险因子的预测值和当前实际值进行差异性分析,得到差异值;根据预测值与当前实际值之间差值的差异贡献分布对相应风险因子的权重因子进行修正;若差异贡献超出平均贡献,则降值修正;若差异贡献低于平均贡献,则升值修正。此外,统计分析方法可替换为基于深度学习的机器学习算法或线性回归方法。
在本实施例中,网格单元呈经度、纬度间隔均为0.5度的矩形网格。还可以为经度、纬度间隔均为1、0.3、0.2或0.1度的矩形网格.
风险聚合类型的确定过程具体为:若目标地图的当前显示层级为[0,13],则确定为行政区风险聚合;且显示层级[0,6]为省风险聚合级、[7,10]为市风险聚合级以及[11,13]为区县风险聚合级。若目标地图的当前显示层级为[14,20],则确定为非行政区风险聚合。
风险状态包括报警状态、故障状态、离线状态和正常状态,报警状态、故障状态、离线状态和正常状态所对应的风险值呈降序分布,且不同的风险状态采用不同的色图进行聚合区域标注。
实施例2:基于风险分析的项目位置聚合系统,如图2所示,包括网格处理模块、项目匹配模块、风险计算模块和风险聚合模块。
其中,网格处理模块,用于依据经纬度方向对目标地图进行网格化处理,并确定每个网格单元中顶点的经纬度坐标。项目匹配模块,用于获取项目数据列表,并根据项目的经纬度坐标匹配所属的网格单元,以及将项目加入到所属网格单元的项目列表。风险计算模块,用于根据项目数据中的风险因子数据进行权重计算后得到对应项目的风险值。风险聚合模块,用于根据目标地图的当前显示层级确定风险聚合类型。
风险聚合类型确定具体为:若为行政区风险聚合,则以行政区的预设位置为风险聚合点位,并以行政区内所有项目中最大的风险值匹配风险状态;若为非行政区风险聚合,则以网格单元内风险值最大的项目的经纬度坐标作为风险聚合点位,并以网格单元内最大的风险值匹配风险状态;以及,依据风险状态在相应的风险聚合点位进行风险聚合定位标注。
工作原理:本发明依据地图的显示层级划分确定风险聚合类型,若为行政区风险聚合,则以行政区的预设位置为风险聚合点位,并以行政区内所有项目中最大的风险值匹配风险状态;若为非行政区风险聚合,则以网格单元内风险值最大的项目的经纬度坐标作为风险聚合点位,并以网格单元内最大的风险值匹配风险状态;能够在地图的不同显示层级中直观显示风险态势,有效提高了显示的清晰度,且基于风险值计算方法在一定程度上为风险等级的判定提供了客观支撑数据。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于风险分析的项目位置聚合方法,其特征是,包括以下步骤:
依据经纬度方向对目标地图进行网格化处理,并确定每个网格单元中顶点的经纬度坐标;
获取项目数据列表,并根据项目的经纬度坐标匹配所属的网格单元,以及将项目加入到所属网格单元的项目列表;
根据项目数据中的风险因子数据进行权重计算后得到对应项目的风险值;
根据目标地图的当前显示层级确定风险聚合类型:
若为行政区风险聚合,则以行政区的预设位置为风险聚合点位,并以行政区内所有项目中最大的风险值匹配风险状态;
若为非行政区风险聚合,则以网格单元内风险值最大的项目的经纬度坐标作为风险聚合点位,并以网格单元内最大的风险值匹配风险状态;
以及,依据风险状态在相应的风险聚合点位进行风险聚合定位标注;
所述风险值的计算过程具体为:
从项目数据中提取包括项目报警数量、项目故障数量和项目离线数量的风险因子数据;
根据风险因子数据获取相应的权重因子序列;
将权重因子序列与风险因子数据对应计算权重,得到表征风险值的权重值;
风险值计算公式:f=a*x+b*y+c*z;其中a为报警权重因子,b为故障权重因子,c为离线权重因子,x为项目报警数量,y为项目故障数量,z为项目离线数量;
所述风险聚合类型的确定过程具体为:
若目标地图的当前显示层级为[0,13],则确定为行政区风险聚合;且显示层级[0,6]为省风险聚合级、[7,10]为市风险聚合级以及[11,13]为区县风险聚合级;
若目标地图的当前显示层级为[14,20],则确定为非行政区风险聚合。
2.根据权利要求1所述的基于风险分析的项目位置聚合方法,其特征是,所述权重因子序列的获取过程具体为:
根据目标地图的显示层级从数据库中匹配预设的权重因子,得到权重因子序列;
或,根据风险因子数据中至少一个风险因子的分布区间从数据库中匹配预设的权重因子,得到权重因子序列。
3.根据权利要求1所述的基于风险分析的项目位置聚合方法,其特征是,所述权重因子序列的获取过程具体为:
采用机器学习算法、线性回归方法或统计分析方法对每个风险因子的历史分布数据进行预测,得到相应的预测值;
将风险因子的预测值和当前实际值进行差异性分析,得到差异值;
根据预测值与当前实际值之间差值的差异贡献分布对相应风险因子的权重因子进行修正;若差异贡献超出平均贡献,则降值修正;若差异贡献低于平均贡献,则升值修正。
4.根据权利要求1所述的基于风险分析的项目位置聚合方法,其特征是,所述网格单元呈经度、纬度间隔均为0.5度的矩形网格。
5.根据权利要求1所述的基于风险分析的项目位置聚合方法,其特征是,所述风险状态包括报警状态、故障状态、离线状态和正常状态,报警状态、故障状态、离线状态和正常状态所对应的风险值呈降序分布,且不同的风险状态采用不同的色图进行聚合区域标注。
6.基于风险分析的项目位置聚合系统,其特征是,包括:
网格处理模块,用于依据经纬度方向对目标地图进行网格化处理,并确定每个网格单元中顶点的经纬度坐标;
项目匹配模块,用于获取项目数据列表,并根据项目的经纬度坐标匹配所属的网格单元,以及将项目加入到所属网格单元的项目列表;
风险计算模块,用于根据项目数据中的风险因子数据进行权重计算后得到对应项目的风险值;
风险聚合模块,用于根据目标地图的当前显示层级确定风险聚合类型:
若为行政区风险聚合,则以行政区的预设位置为风险聚合点位,并以行政区内所有项目中最大的风险值匹配风险状态;
若为非行政区风险聚合,则以网格单元内风险值最大的项目的经纬度坐标作为风险聚合点位,并以网格单元内最大的风险值匹配风险状态;
以及,依据风险状态在相应的风险聚合点位进行风险聚合定位标注;
所述风险值的计算过程具体为:
从项目数据中提取包括项目报警数量、项目故障数量和项目离线数量的风险因子数据;
根据风险因子数据获取相应的权重因子序列;
将权重因子序列与风险因子数据对应计算权重,得到表征风险值的权重值;
风险值计算公式:f=a*x+b*y+c*z;其中a为报警权重因子,b为故障权重因子,c为离线权重因子,x为项目报警数量,y为项目故障数量,z为项目离线数量;
所述风险聚合类型的确定过程具体为:
若目标地图的当前显示层级为[0,13],则确定为行政区风险聚合;且显示层级[0,6]为省风险聚合级、[7,10]为市风险聚合级以及[11,13]为区县风险聚合级;
若目标地图的当前显示层级为[14,20],则确定为非行政区风险聚合。
7.一种计算机终端,包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序,其特征是,所述处理器执行所述程序时实现如权利要求1-5中任意一项所述的基于风险分析的项目位置聚合方法。
8.一种计算机可读介质,其上存储有计算机程序,其特征是,所述计算机程序被处理器执行可实现如权利要求1-5中任意一项所述的基于风险分析的项目位置聚合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111163806.9A CN113793066B (zh) | 2021-09-30 | 2021-09-30 | 基于风险分析的项目位置聚合方法、系统、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111163806.9A CN113793066B (zh) | 2021-09-30 | 2021-09-30 | 基于风险分析的项目位置聚合方法、系统、终端及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113793066A CN113793066A (zh) | 2021-12-14 |
CN113793066B true CN113793066B (zh) | 2022-04-01 |
Family
ID=78877708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111163806.9A Active CN113793066B (zh) | 2021-09-30 | 2021-09-30 | 基于风险分析的项目位置聚合方法、系统、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113793066B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115001943B (zh) * | 2022-05-27 | 2024-03-22 | 深圳小湃科技有限公司 | 基于大数据的设备故障识别方法、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504616A (zh) * | 2014-12-22 | 2015-04-08 | 国家电网公司 | 基于gis和气象信息的存在运行风险的电网设备定位方法 |
CN105787652A (zh) * | 2016-02-23 | 2016-07-20 | 北京师范大学 | 一种区域综合环境风险评估和分区方法 |
CN106535210A (zh) * | 2016-11-28 | 2017-03-22 | 广东宜通世纪科技股份有限公司 | 基于移动通信信令采集的小区业务覆盖图绘制方法及系统 |
CN108090701A (zh) * | 2018-01-10 | 2018-05-29 | 广东电网有限责任公司珠海供电局 | 一种基于地理信息聚合的现场作业安全风险管控方法 |
CN110458715A (zh) * | 2019-07-05 | 2019-11-15 | 中国平安财产保险股份有限公司 | 风险评分方法、装置及计算机可读存储介质 |
CN110705830A (zh) * | 2019-09-06 | 2020-01-17 | 中国平安财产保险股份有限公司 | 风险评估方法、装置以及服务器 |
CN112149027A (zh) * | 2020-10-28 | 2020-12-29 | 云赛智联股份有限公司 | 一种城市运行数据可视化管理系统 |
CN112270460A (zh) * | 2020-09-30 | 2021-01-26 | 交通运输部规划研究院 | 一种基于多源数据的超重货车货源站点识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112822143B (zh) * | 2019-11-15 | 2022-05-27 | 网宿科技股份有限公司 | 一种ip地址的评估方法、系统及设备 |
CN112308292B (zh) * | 2020-10-10 | 2023-01-20 | 广东工业大学 | 一种火灾风险等级分布图的绘制方法 |
-
2021
- 2021-09-30 CN CN202111163806.9A patent/CN113793066B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504616A (zh) * | 2014-12-22 | 2015-04-08 | 国家电网公司 | 基于gis和气象信息的存在运行风险的电网设备定位方法 |
CN105787652A (zh) * | 2016-02-23 | 2016-07-20 | 北京师范大学 | 一种区域综合环境风险评估和分区方法 |
CN106535210A (zh) * | 2016-11-28 | 2017-03-22 | 广东宜通世纪科技股份有限公司 | 基于移动通信信令采集的小区业务覆盖图绘制方法及系统 |
CN108090701A (zh) * | 2018-01-10 | 2018-05-29 | 广东电网有限责任公司珠海供电局 | 一种基于地理信息聚合的现场作业安全风险管控方法 |
CN110458715A (zh) * | 2019-07-05 | 2019-11-15 | 中国平安财产保险股份有限公司 | 风险评分方法、装置及计算机可读存储介质 |
CN110705830A (zh) * | 2019-09-06 | 2020-01-17 | 中国平安财产保险股份有限公司 | 风险评估方法、装置以及服务器 |
CN112270460A (zh) * | 2020-09-30 | 2021-01-26 | 交通运输部规划研究院 | 一种基于多源数据的超重货车货源站点识别方法 |
CN112149027A (zh) * | 2020-10-28 | 2020-12-29 | 云赛智联股份有限公司 | 一种城市运行数据可视化管理系统 |
Non-Patent Citations (2)
Title |
---|
地图点聚合优化方案;zhanlijun;《百度-博客园》;20150411;第1-4页 * |
近20 年来巢湖流域景观生态风险评估与时空演化机制;黄木易;《湖泊科学》;20160430;第785-793页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113793066A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105894234B (zh) | 计算自提柜投放位置的数据处理方法和系统 | |
WO2012147078A1 (en) | A system and a method for detecting abnormal occurrences | |
CN111584090B (zh) | 一种流行病疫情扩散风险可视化方法 | |
CN113793066B (zh) | 基于风险分析的项目位置聚合方法、系统、终端及介质 | |
CA2605879C (en) | Systems and methods for routing and scheduling | |
CN113344473B (zh) | 海洋目标协同探测设备的优化方法及设备 | |
CN113177857B (zh) | 一种基于台风灾害预估的资源弹性调配方法 | |
CN111415035A (zh) | 一种预估建筑功能户型比的方法及装置 | |
CN105334497A (zh) | 一种三维定位方法和装置 | |
CN113420458A (zh) | 一种风场数据精细化处理方法、装置、终端及介质 | |
CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
CN116340443A (zh) | 车辆行驶数据的热力图显示方法及系统、设备及介质 | |
CN111046079A (zh) | 环境参数控制方法、装置、设备及存储介质 | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN113701742A (zh) | 一种基于云端与边端融合计算的移动机器人slam方法 | |
CN104112056B (zh) | 数据处理的故障检测方法和系统 | |
CN117029817A (zh) | 一种二维栅格地图融合方法及系统 | |
US9336616B2 (en) | Power transmission network state visualization | |
CN115857056A (zh) | 一种强对流快速更新循环同化的天气预报方法及系统 | |
CN104462860A (zh) | 定位数据的处理方法及处理装置 | |
CN115272594A (zh) | 一种基于geotools的等值面生成方法 | |
US20130268230A1 (en) | Processing distributions | |
WO2022150013A1 (en) | Method, data processing apparatus and computer program product for generating map data | |
CN112395445A (zh) | 矢量数据在线计算方法和装置 | |
CN112269618B (zh) | 场站二三维场景切换方法、装置、设备及存储介质 |
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 |