CN113837588B - 一种评估模型的训练方法、装置、电子设备及存储介质 - Google Patents
一种评估模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113837588B CN113837588B CN202111095081.4A CN202111095081A CN113837588B CN 113837588 B CN113837588 B CN 113837588B CN 202111095081 A CN202111095081 A CN 202111095081A CN 113837588 B CN113837588 B CN 113837588B
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- industrial park
- park
- evaluation 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.)
- Active
Links
- 238000013210 evaluation model Methods 0.000 title claims abstract description 101
- 238000012549 training Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000007123 defense Effects 0.000 claims abstract description 73
- 238000004519 manufacturing process Methods 0.000 claims abstract description 49
- 238000011084 recovery Methods 0.000 claims abstract description 48
- 238000011161 development Methods 0.000 claims description 36
- 230000000694 effects Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 99
- 238000011160 research Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 230000005180 public health Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003616 anti-epidemic effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- 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
-
- 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
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种评估模型的训练方法、装置、电子设备及存储介质,涉及人工智能领域,尤其涉及深度学习技术领域。具体实现方案为:在时空大数据中获取当前产业园区在当前时刻上的原始数据;基于原始数据计算当前产业园区对应的风险防御数据;并基于原始数据确定当前产业园区对应的风险冲击数据;若待训练的评估模型不满足预先设置的收敛条件,则基于当前产业园区对应的风险防御数据和风险冲击数据以及预先确定的用于表示当前产业园区生产恢复水平的数据,对待训练的评估模型进行训练。本公开通过对评估模型进行训练,从而可以使用评估模型对各个产业园区的生产恢复水平进行有效评估,为产业园区恢复生产提供指导和帮助。
Description
技术领域
本公开涉及人工智能技术领域,进一步涉及深度学习技术领域,尤其是一种评估模型的训练方法、装置、电子设备及存储介质。
背景技术
产业园区是我国国土空间体系中重要的组成部分,是国民经济发展的重要载体,在国民经济发展中占据重要作用。新冠疫情这一重大的突发性公共卫生事件打破了我国正常的生产生活秩序,对各产业园区的正常复工和复产造成了严重冲击。调查表明,当前各地产业园区的复工情况差异明显,这固然与各地的疫情严重程度有关,也与园区在面对不确定风险时的抵御和恢复能力,即与各地产业园区的经济韧性密不可分。系统研究产业园区经济韧性的作用机制,识别有效影响因子,并通过规划手段加以优化,无疑对下一阶段实现稳定复工与疫情控制的均衡具有重要的意义。
当前针对城市和产业园区经济韧性的研究主要集中在三个方面。一是经济韧性的实施效应评价,重点对经济体的恢复水平和恢复能力进行科学评估。二是经济韧性的体系构成及其作用方式研究,将社区的恢复韧性体系划分为经济、人口、社区结构等因子,并通过实证研究分析了上述因子的作用方式。三是从时空异质性的角度探讨经济韧性的内在作用机理。四是探讨韧性城市、社区的规划。
上述关于经济韧性的研究主要集中在区域和城市层面,而对于产业园区在面临突发公共卫生事件时的经济韧性机制则相对缺乏研究。具体而言,在面临风险冲击时,交通区位、中心城市发展水平、园区的发展条件等因素均可能影响产业园区的抵御和恢复能力,但是具体影响因子的梳理、影响显著性的识别以及影响机制的探讨,仍是研究中的薄弱环节。上述问题的一个重要成因在于产业园区的空间尺度相对偏小,传统的数据和手段难以支持此类高空间分辨率的研究,无法有效地评估各个产业园区的生产恢复水平。
发明内容
本公开提供了一种评估模型的训练方法、装置、电子设备以及存储介质。
第一方面,本申请提供了一种评估模型的训练方法,所述方法包括:
在时空大数据中获取当前产业园区在当前时刻上的原始数据;
基于所述原始数据计算所述当前产业园区对应的风险防御数据;并基于所述原始数据确定所述当前产业园区对应的风险冲击数据;
若所述待训练的评估模型不满足预先设置的收敛条件,则基于所述当前产业园区对应的风险防御数据和风险冲击数据以及预先确定的用于表示所述当前产业园区生产恢复水平的数据,对所述待训练的评估模型进行训练,将下一个产业园区作为所述当前产业园区,重复执行上述在所述时空大数据中获取所述当前产业园区在当前时刻上的原始数据的操作,直到所述待训练的评估模型满足所述收敛条件。
第二方面,本申请还提供了一种评估模型的预测方法,所述方法包括:
将待评估的产业园区对应的风险防御数据和风险冲击数据输入至训练好的评估模型中;
通过所述训练好的评估模型输出用于表示所述待评估的产业园区生产恢复水平的数据。
第三方面,本申请还提供了一种评估模型的训练装置,所述装置包括:获取模块、计算模块和训练模块;其中,
所述获取模块,用于在时空大数据中获取当前产业园区在当前时刻上的原始数据;
所述计算模块,用于基于所述原始数据计算所述当前产业园区对应的风险防御数据;并基于所述原始数据确定所述当前产业园区对应的风险冲击数据;
所述训练模块,用于若所述待训练的评估模型不满足预先设置的收敛条件,则基于所述当前产业园区对应的风险防御数据和风险冲击数据以及预先确定的用于表示所述当前产业园区生产恢复水平的数据,对所述待训练的评估模型进行训练,将下一个产业园区作为所述当前产业园区,重复执行上述在所述时空大数据中获取所述当前产业园区在当前时刻上的原始数据的操作,直到所述待训练的评估模型满足所述收敛条件。
第四方面,本申请还提供了一种评估模型的预测装置,所述装置包括:输入模块和预测模块;其中,
所述输入模块,用于将待评估的产业园区对应的风险防御数据和风险冲击数据输入至训练好的评估模型中;
所述预测模块,用于通过所述训练好的评估模型输出用于表示所述待评估的产业园区生产恢复水平的数据。
第五方面,本申请实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本申请任意实施例所述的方法。
第六方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请任意实施例所述方法。
第七方面,提供了一种计算机程序产品,当所述计算机程序产品被计算机设备执行时实现本申请任意实施例所述的方法。
根据本申请的技术解决了现有技术中采用传统的数据和手段无法有效地评估各个产业园区的生产恢复水平的技术问题,本申请提供的技术方案,通过对评估模型进行训练,从而可以使用该评估模型对各个产业园区的生产恢复水平进行有效评估,为产业园区恢复生产提供指导和帮助。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本申请实施例提供的评估模型的训练方法的第一流程示意图;
图2是本申请实施例提供的评估模型的训练方法的第二流程示意图;
图3是本申请实施例提供的评估模型的训练方法的第三流程示意图;
图4是本申请实施例提供的评估模型的预测方法的流程示意图;
图5是本申请实施例提供的评估模型的训练装置的结构示意图;
图6是本申请实施例提供的评估模型的预测装置的结构示意图;
图7是用来实现本申请实施例的评估模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例提供的评估模型的训练方法的第一流程示意图,该方法可以由评估模型的训练装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,评估模型的训练方法可以包括以下步骤:
S101、在时空大数据中获取当前产业园区在当前时刻上的原始数据。
在本步骤中,电子设备可以在时空大数据中获取当前产业园区在当前时刻上的原始数据。具体地,本申请实施例中的原始数据可以包括:风险防御相关联的原始数据和风险冲击相关联的原始数据;其中,风险防御相关联的原始数据包括以下至少之一:当前产业园区的边界数据、公共服务设施数据、重大区域交通设施数据、常住及工作人口的统计数据、城内出行强度数据;风险冲击相关联的原始数据包括:疫情数据。
S102、基于原始数据计算当前产业园区对应的风险防御数据;并基于原始数据确定当前产业园区对应的风险冲击数据。
在本步骤中,电子设备可以基于原始数据计算当前产业园区对应的风险防御数据和风险冲击数据;并基于原始数据确定当前产业园区对应的风险冲击数据。具体地,电子设备可以先将空间区位要素、中心城市要素、园区发展要素和服务体系要素中的一个或者多个作为风险防御数据的影响要素;然后基于原始数据计算各个影响要素对应的影响因子;再根据各个影响要素对应的影响因子以及各个影响因子对应的调整系数计算风险防御数据。例如,假设将空间区位要素、中心城市要素、园区发展要素和服务体系要素全部作为风险防御数据的影响要素,在本步骤中,电子设备可以先基于原始数据计算空间区位要素对应的影响因子、中心城市要素对应的影响因子、园区发展要素对应的影响因子以及服务体系要素对应的影响因子;然后根据空间区位要素对应的影响因子、中心城市要素对应的影响因子、园区发展要素对应的影响因子以及服务体系要素对应的影响因子以及各个影响因子对应的调整系数计算风险防御数据。
S103、若待训练的评估模型不满足预先设置的收敛条件,则基于当前产业园区对应的风险防御数据和风险冲击数据以及预先确定的用于表示当前产业园区生产恢复水平的数据,对待训练的评估模型进行训练,将下一个产业园区作为当前产业园区,重复执行上述在时空大数据中获取当前产业园区在当前时刻上的原始数据的操作,直到待训练的评估模型满足收敛条件。
在本步骤中,若待训练的评估模型不满足预先设置的收敛条件,则电子设备可以基于当前产业园区对应的风险防御数据和风险冲击数据以及预先确定的用于表示当前产业园区生产恢复水平的数据,对待训练的评估模型进行训练,将下一个产业园区作为当前产业园区,重复执行上述在时空大数据中获取当前产业园区在当前时刻上的原始数据的操作,直到待训练的评估模型满足收敛条件。进一步地,本申请实施例中的风险防御数据包括以下至少之一:空间区位要素、中心城市要素、园区发展要素和服务体系要素;风险冲击数据为当前产业园区所在的城市的累计确诊病例数。具体地,产业园区边界数据可表示全国主要产业园区地边界信息;公共服务设施数据可表示各产业园区内部及周边社区的公共服务设施、医疗卫生设施的位置;重大区域交通设施数据覆盖了机场、高铁站点、高速公路出入口等三类主要的重大交通设施的位置;疫情数据以天为单位详细列举了研究范围内各城市的疑似、确诊、治愈、死亡四类病例的数量;常住及工作人口统计数据用于分析海量用户在一个较长的时间跨度内的行为特征,提取其常驻点;城内出行强度数据可表示各地市的居民日均出行次数。
本申请首先根据复工数据揭示全国各主要产业园区经济韧性的差异性,进而在文献调研的基础上提出园区的风险抵御机制构成及备选的影响因子,在此基础上借助统计学模型识别对园区经济韧性具有显著作用的影响因子,并探讨其具体作用机制,最终提出提升园区经济韧性的规划和管理策略。
本申请实施例提出的评估模型的训练方法,先在时空大数据中获取当前产业园区在当前时刻上的原始数据;然后基于原始数据计算当前产业园区对应的风险防御数据;并基于原始数据确定当前产业园区对应的风险冲击数据;若待训练的评估模型不满足预先设置的收敛条件,则基于当前产业园区对应的风险防御数据和风险冲击数据以及预先确定的用于表示当前产业园区生产恢复水平的数据,对待训练的评估模型进行训练。也就是说,本申请可以通过时空大数据得到风险防御数据和风险冲击数据,从而完成对待训练的评估模型的训练。而在现有技术中,在面临风险冲击时,交通区位、中心城市发展水平、园区的发展条件等因素均可能影响园区的抵御和恢复能力,但是具体影响因子的梳理、影响显著性的识别以及影响机制的探讨,仍是研究中的薄弱环节。因为本申请采用了通过时空大数据得到风险防御数据和风险冲击数据,从而完成对待训练的评估模型的训练的技术手段,克服了现有技术中采用传统的数据和手段无法有效地评估各个产业园区的生产恢复水平的技术问题,本申请提供的技术方案,通过对评估模型进行训练,从而可以使用该评估模型对各个产业园区的生产恢复水平进行有效评估,为产业园区恢复生产提供指导和帮助;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例二
图2是本申请实施例提供的评估模型的训练方法的第二流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图2所示,评估模型的训练方法可以包括以下步骤:
S201、在时空大数据中获取当前产业园区在当前时刻上的原始数据。
S202、将空间区位要素、中心城市要素、园区发展要素和服务体系要素中的一个或者多个作为风险防御数据的影响要素。
在本步骤中,电子设备可以将空间区位要素、中心城市要素、园区发展要素和服务体系要素中的一个或者多个作为风险防御数据的影响要素。较佳地,电子设备可以将空间区位要素、中心城市要素、园区发展要素和服务体系要素全部作为风险防御数据的影响要素。
S203、基于原始数据计算各个影响要素对应的影响因子。
在本步骤中,电子设备可以基于原始数据计算各个影响要素对应的影响因子。例如,假设本实施例将空间区位要素、中心城市要素、园区发展要素和服务体系要素全部作为风险防御数据的影响要素,则电子设备可以分别计算空间区位要素对应的影响因子、中心城市要素对应的影响因子、园区发展要素对应的影响因子以及服务体系要素对应的影响因子。
S204、根据各个影响要素对应的影响因子以及各个影响因子对应的调整系数计算风险防御数据。
在本步骤中,电子设备可以根据各个影响要素对应的影响因子以及各个影响因子对应的调整系数计算风险防御数据。例如,假设本实施例将空间区位要素、中心城市要素、园区发展要素和服务体系要素全部作为风险防御数据的影响要素,则电子设备可以根据空间区位要素对应的影响因子、中心城市要素对应的影响因子、园区发展要素对应的影响因子以及服务体系要素对应的影响因子以及各个影响因子对应的调整系数计算风险防御数据。具体地,空间区位要素对应的影响因子包括以下至少之一:高速公路可达性、高速铁路可达性和机场可达性;中心城市要素对应的影响因子包括以下至少之一:中心城市可达性和城市常住人口;园区发展要素对应的影响因子包括以下至少之一:园区用地规模、园区工作人口、园区经济活力和园区产业结构;服务体系要素对应的影响因子包括以下至少之一:社区服务水平和医疗服务水平。
进一步地,高速公路可达性可以用Acc_high表示;高速铁路可达性可以用Acc_hsr表示;机场可达性可以用Acc_air表示;中心城市可达性可以用C_loc表示;城市常住人口可以用C_res表示;园区用地规模可以用P_area表示;园区工作人口可以用P_work表示;园区经济活力可以用P_vital表示;园区产业结构可以用P_ind表示;社区服务水平可以用Avq_srv表示;医疗服务水平可以用Avg_med表示。
S205、基于原始数据确定当前产业园区对应的风险冲击数据。
在本步骤中,电子设备可以基于原始数据确定当前产业园区对应的风险冲击数据。具体地,电子设备可以将当前产业园区所在的城市的累计确诊病例数确定为风险防御数据。进一步地,当前产业园区所在的城市的累计确诊病例数可以用EPI表示。
S206、若待训练的评估模型不满足预先设置的收敛条件,则基于当前产业园区对应的风险防御数据和风险冲击数据以及预先确定的用于表示当前产业园区生产恢复水平的数据,对待训练的评估模型进行训练,将下一个产业园区作为当前产业园区,重复执行上述在时空大数据中获取当前产业园区在当前时刻上的原始数据的操作,直到待训练的评估模型满足收敛条件。
在本申请的具体实施例中,评估模型可以表示为:lnR=α0+α1×Acc_high+α2×Acc_hsr+α3×Acc_air+α4×C_loc+α5×C_res+α6×P_area+α7×P_wok+α8×P_vital+α9×P_ind+α10×Avg_srv+α11×Avg_med;其中,α0为预先定义的初始调整系数;α1为Acc_high对应的调整因子;α2为Acc_hsr对应的调整因子;α3为Acc_air对应的调整因子;α4为C_loc对应的调整因子;α5为C_res对应的调整因子;α6为P_area对应的调整因子;α7为P_wok对应的调整因子;α8为P_vital对应的调整因子;α9为P_ind对应的调整因子;α10为Avg_srv对应的调整因子;α11为Avg_med对应的调整因子。
本申请实施例提出的评估模型的训练方法,先在时空大数据中获取当前产业园区在当前时刻上的原始数据;然后基于原始数据计算当前产业园区对应的风险防御数据;并基于原始数据确定当前产业园区对应的风险冲击数据;若待训练的评估模型不满足预先设置的收敛条件,则基于当前产业园区对应的风险防御数据和风险冲击数据以及预先确定的用于表示当前产业园区生产恢复水平的数据,对待训练的评估模型进行训练。也就是说,本申请可以通过时空大数据得到风险防御数据和风险冲击数据,从而完成对待训练的评估模型的训练。而在现有技术中,在面临风险冲击时,交通区位、中心城市发展水平、园区的发展条件等因素均可能影响园区的抵御和恢复能力,但是具体影响因子的梳理、影响显著性的识别以及影响机制的探讨,仍是研究中的薄弱环节。因为本申请采用了通过时空大数据得到风险防御数据和风险冲击数据,从而完成对待训练的评估模型的训练的技术手段,克服了现有技术中采用传统的数据和手段无法有效地评估各个产业园区的生产恢复水平的技术问题,本申请提供的技术方案,通过对评估模型进行训练,从而可以使用该评估模型对各个产业园区的生产恢复水平进行有效评估,为产业园区恢复生产提供指导和帮助;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例三
图3是本申请实施例提供的评估模型的训练方法的第三流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图3所示,评估模型的训练方法可以包括以下步骤:
S301、在时空大数据中获取当前产业园区在当前时刻上的原始数据。
S302、基于原始数据计算当前产业园区对应的风险防御数据;并基于原始数据确定当前产业园区对应的风险冲击数据。
S303、基于原始数据确定当前产业园区在当前时刻上的控制变量;其中,控制变量包括:用于表示城市气候条件的变量和用于表示疫情管制的变量。
在本步骤中,电子设备可以基于原始数据确定当前产业园区在当前时刻上的控制变量;其中,控制变量可以包括:用于表示城市气候条件的变量和用于表示疫情管制的变量。具体地,用于表示城市气候条件的变量可以表示为C_cli;用于表示疫情管制的变量可以表示为lnC_regu。C_cli为哑变量,根据城市气候分区标准,位于夏热冬暖地区的产业园区取值为1,其余产业园区取值为0。lnC_regu是园区所在城市连续两年同期日均城内出行强度的比值,其值越小,代表对城市居民出行的管控力度越大。
S304、基于当前产业园区对应的风险防御数据、风险冲击数据和控制变量以及用于表示当前产业园区生产恢复水平的数据,对待训练的评估模型进行训练;将下一个产业园区作为当前产业园区,重复执行上述在时空大数据中获取当前产业园区在当前时刻上的原始数据的操作,直到待训练的评估模型满足收敛条件。
在本步骤中,电子设备可以基于当前产业园区对应的风险防御数据、风险冲击数据和控制变量以及用于表示当前产业园区生产恢复水平的数据,对待训练的评估模型进行训练;将下一个产业园区作为当前产业园区,重复执行上述在时空大数据中获取当前产业园区在当前时刻上的原始数据的操作,直到待训练的评估模型满足收敛条件。具体地,评估模型可以进一步优化为:lnR=α0+α1×Acc_high+α2×Acc_hsr+α3×Acc_air+α4×C_loc+α5×C_res+α6×P_area+α7×P_wok+α8×P_vital+α9×P_ind+α10×Avg_srv+α11×Avg_med+α12×C_cli+α13×lnC_regu+μ;其中,α0为预先定义的初始调整系数;α1为Acc_high对应的调整因子;α2为Acc_hsr对应的调整因子;α3为Acc_air对应的调整因子;α4为C_loc对应的调整因子;α5为C_res对应的调整因子;α6为P_area对应的调整因子;α7为P_wok对应的调整因子;α8为P_vital对应的调整因子;α9为P_ind对应的调整因子;α10为Avg_srv对应的调整因子;α11为Avg_med对应的调整因子;α12为C_cli对应的调整因子;α13为lnC_regu对应的调整因子;μ为正态分布的随机误差向量。
本申请实施例提出的评估模型的训练方法,先在时空大数据中获取当前产业园区在当前时刻上的原始数据;然后基于原始数据计算当前产业园区对应的风险防御数据;并基于原始数据确定当前产业园区对应的风险冲击数据;若待训练的评估模型不满足预先设置的收敛条件,则基于当前产业园区对应的风险防御数据和风险冲击数据以及预先确定的用于表示当前产业园区生产恢复水平的数据,对待训练的评估模型进行训练。也就是说,本申请可以通过时空大数据得到风险防御数据和风险冲击数据,从而完成对待训练的评估模型的训练。而在现有技术中,在面临风险冲击时,交通区位、中心城市发展水平、园区的发展条件等因素均可能影响园区的抵御和恢复能力,但是具体影响因子的梳理、影响显著性的识别以及影响机制的探讨,仍是研究中的薄弱环节。因为本申请采用了通过时空大数据得到风险防御数据和风险冲击数据,从而完成对待训练的评估模型的训练的技术手段,克服了现有技术中采用传统的数据和手段无法有效地评估各个产业园区的生产恢复水平的技术问题,本申请提供的技术方案,通过对评估模型进行训练,从而可以使用该评估模型对各个产业园区的生产恢复水平进行有效评估,为产业园区恢复生产提供指导和帮助;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例四
图4是本申请实施例提供的评估模型的预测方法的流程示意图,该方法可以由评估模型的预测装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图4所示,评估模型的预测方法可以包括以下步骤:
S401、将待评估的产业园区对应的风险防御数据和风险冲击数据输入至训练好的评估模型中。
在本申请的具体实施例中,训练好的评估模型可以是一个神经网络模型。神经网络是由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。
S402、通过训练好的评估模型输出用于表示待评估的产业园区生产恢复水平的数据。
在本步骤中,电子设备可以将待评估的产业园区对应的风险防御数据输入至训练好的评估模型中,通过训练好的评估模型输出用于表示待评估的产业园区生产恢复水平的数据。具体地,电子设备可以将待评估的产业园区的空间区位要素、中心城市要素、园区发展要素和服务体系要素输入至训练好的评估模型中,通过训练好的评估模型输出用于表示待评估的产业园区生产恢复水平的数据。(1)空间区位要素:高铁可达性发挥了显著的正向作用。高铁可达性在10%水平上显著为正,表明园区是否可便捷达到高铁站点对园区的生产恢复具有正向作用。机场可达性和高速公路可达性在疫情期间的作用不明显。(2)中心城市要素:中心城市距离发挥负向作用园区与中心城市之间的空间距离在1%水平上显著为负,这表明:在疫情期间距离城市相对偏远的园区更容易恢复生产。城市常住人口规模的影响在模型中显示不显著,这表明较大的人口规模虽然可以为周边园区提供更大的劳动力蓄水池,但疫情期间对于城市内部人口流动的严格管控使得本地劳动力的补充式供给也受到了相当程度的制约,实质上大部分园区仍依赖区域劳动力的调配,这也是我国当前国土产业空间运行的一个基本特征。(3)园区发展要素:园区的土地、人口规模与园区韧性正相关,不同产业门类的作用有所不同园区的占地规模对于园区的生产恢复水平具有显著的正向效应,而园区的工作人口数量则具有显著的负效应。将这两个指标结合来看,无疑园区中工作人口密度越高,则其生产恢复水平越低。不同的主导产业类型对于园区的生产恢复水平存在不同影响。其中木材、家具制造业在10%水平上显著为负。相反,医疗服务类产业这一主导产业的系数为正,且通过了1%的显著性检验,这表明抗击疫情工作确实带动了相关产业的迅速发展。值得注意的是,电子信息制造业体现出显著的正影响,这一方面是由于电子信息制造业作为一种前沿的制造业类型,符合当前国际产业发展趋势,其市场需求受疫情的冲击比较小。同时该类产业的自动化程度非常高,对劳动力的需求小,因而对疫情不敏感。(4)服务体系要素:完善的社区服务体系有助于园区生产恢复产业园区周边各类社区服务设施的分布密度影响为正,且系数在1%水平上高度显著,表明社区服务水平对园区的生产恢复具有明显的促进作用。
本申请实施例提出的评估模型的预测方法,先将待评估的产业园区对应的风险防御数据和风险冲击数据输入至训练好的评估模型中;然后通过训练好的评估模型输出用于表示待评估的产业园区生产恢复水平的数据。也就是说,本申请可以通过时空大数据得到风险防御数据和风险冲击数据,从而完成对待训练的评估模型的训练,并基于训练好的评估模型进行预测。而在现有技术中,在面临风险冲击时,交通区位、中心城市发展水平、园区的发展条件等因素均可能影响园区的抵御和恢复能力,但是具体影响因子的梳理、影响显著性的识别以及影响机制的探讨,仍是研究中的薄弱环节。因为本申请采用了通过时空大数据得到风险防御数据和风险冲击数据,从而完成对待训练的评估模型的训练和预测的技术手段,克服了现有技术中采用传统的数据和手段无法有效地评估各个产业园区的生产恢复水平的技术问题,本申请提供的技术方案,通过对评估模型进行训练和预测,从而可以使用该评估模型对各个产业园区的生产恢复水平进行有效评估,为产业园区恢复生产提供指导和帮助;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例五
图5是本申请实施例提供的评估模型的训练装置的结构示意图。如图5所示,所述装置500包括:获取模块501、计算模块502和训练模块503;其中,
所述获取模块501,用于在时空大数据中获取当前产业园区在当前时刻上的原始数据;
所述计算模块502,用于基于所述原始数据计算所述当前产业园区对应的风险防御数据;并基于所述原始数据确定所述当前产业园区对应的风险冲击数据;
所述训练模块503,用于若所述待训练的评估模型不满足预先设置的收敛条件,则基于所述当前产业园区对应的风险防御数据和风险冲击数据以及预先确定的用于表示所述当前产业园区生产恢复水平的数据,对所述待训练的评估模型进行训练,将下一个产业园区作为所述当前产业园区,重复执行上述在所述时空大数据中获取所述当前产业园区在当前时刻上的原始数据的操作,直到所述待训练的评估模型满足所述收敛条件。
进一步的,所述原始数据包括:风险防御相关联的原始数据和风险冲击相关联的原始数据;其中,所述风险防御相关联的原始数据包括以下至少之一:所述当前产业园区的边界数据、公共服务设施数据、重大区域交通设施数据、常住及工作人口的统计数据、城内出行强度数据;所述风险冲击相关联的原始数据包括:疫情数据;所述风险防御数据包括以下至少之一:空间区位要素、中心城市要素、园区发展要素和服务体系要素;所述风险冲击数据为所述当前产业园区所在的城市的累计确诊病例数。
进一步的,所述计算模块502,具体用于将所述空间区位要素、中心城市要素、园区发展要素和服务体系要素中的一个或者多个作为所述风险防御数据的影响要素;基于所述原始数据计算各个影响要素对应的影响因子;根据各个影响要素对应的影响因子以及各个影响因子对应的调整系数计算所述风险防御数据。
进一步的,所述空间区位要素对应的影响因子包括以下至少之一:高速公路可达性、高速铁路可达性和机场可达性;所述中心城市要素对应的影响因子包括以下至少之一:中心城市可达性和城市常住人口;所述园区发展要素对应的影响因子包括以下至少之一:园区用地规模、园区工作人口、园区经济活力和园区产业结构;所述服务体系要素对应的影响因子包括以下至少之一:社区服务水平和医疗服务水平。
进一步的,所述训练模块503,具体用于基于所述原始数据确定所述当前产业园区在所述当前时刻上的控制变量;其中,所述控制变量包括:用于表示城市气候条件的变量和用于表示疫情管制的变量;基于所述当前产业园区对应的风险防御数据、风险冲击数据和所述控制变量以及用于表示所述当前产业园区生产恢复水平的数据,对所述待训练的评估模型进行训练。
进一步的,所述装置还包括:预测模块504(图中未示出),用于将待评估的产业园区对应的风险防御数据输入至训练好的评估模型中,通过所述训练好的评估模型输出用于表示所述待评估的产业园区生产恢复水平的数据。
上述评估模型的训练装置可执行本申请任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的评估模型的训练方法。
实施例六
图6是本申请实施例提供的评估模型的预测装置的结构示意图。如图6所示,所述装置600包括:输入模块601和预测模块602;其中,
所述输入模块601,用于将待评估的产业园区对应的风险防御数据和风险冲击数据输入至训练好的评估模型中;
所述预测模块602,用于通过所述训练好的评估模型输出用于表示所述待评估的产业园区生产恢复水平的数据。
上述评估模型的预测装置可执行本申请任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的评估模型的预测方法。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
实施例七
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如评估模型的训练方法。例如,在一些实施例中,评估模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的评估模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行评估模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (8)
1.一种评估模型的训练方法,所述方法包括:
在时空大数据中获取当前产业园区在当前时刻上的原始数据;其中,所述原始数据包括:风险防御相关联的原始数据和风险冲击相关联的原始数据;其中,所述风险防御相关联的原始数据包括以下至少之一:所述当前产业园区的边界数据、公共服务设施数据、重大区域交通设施数据、常住及工作人口的统计数据、城内出行强度数据;所述风险冲击相关联的原始数据包括:疫情数据;
将空间区位要素、中心城市要素、园区发展要素和服务体系要素中的一个或者多个作为风险防御数据的影响要素;基于所述原始数据计算各个影响要素对应的影响因子;根据各个影响要素对应的影响因子以及各个影响因子对应的调整系数计算所述风险防御数据;并基于所述原始数据确定所述当前产业园区对应的风险冲击数据;其中,所述风险防御数据包括以下至少之一:空间区位要素、中心城市要素、园区发展要素和服务体系要素;所述风险冲击数据为所述当前产业园区所在的城市的累计确诊病例数;
若待训练的评估模型不满足预先设置的收敛条件,则基于所述原始数据确定所述当前产业园区在所述当前时刻上的控制变量;其中,所述控制变量包括:用于表示城市气候条件的变量和用于表示疫情管制的变量;基于所述当前产业园区对应的风险防御数据、风险冲击数据和所述控制变量以及用于表示所述当前产业园区生产恢复水平的数据,对所述待训练的评估模型进行训练,将下一个产业园区作为所述当前产业园区,重复执行上述在所述时空大数据中获取所述当前产业园区在当前时刻上的原始数据的操作,直到所述待训练的评估模型满足所述收敛条件。
2.根据权利要求1所述的方法,所述空间区位要素对应的影响因子包括以下至少之一:高速公路可达性、高速铁路可达性和机场可达性;所述中心城市要素对应的影响因子包括以下至少之一:中心城市可达性和城市常住人口;所述园区发展要素对应的影响因子包括以下至少之一:园区用地规模、园区工作人口、园区经济活力和园区产业结构;所述服务体系要素对应的影响因子包括以下至少之一:社区服务水平和医疗服务水平。
3.利用权利要求1-2中任一项评估模型的预测方法,所述方法包括:
将待评估的产业园区对应的风险防御数据和风险冲击数据输入至训练好的评估模型中;
通过所述训练好的评估模型输出用于表示所述待评估的产业园区生产恢复水平的数据。
4.一种评估模型的训练装置,所述装置包括:获取模块、计算模块和训练模块;其中,
所述获取模块,用于在时空大数据中获取当前产业园区在当前时刻上的原始数据;其中,所述原始数据包括:风险防御相关联的原始数据和风险冲击相关联的原始数据;其中,所述风险防御相关联的原始数据包括以下至少之一:所述当前产业园区的边界数据、公共服务设施数据、重大区域交通设施数据、常住及工作人口的统计数据、城内出行强度数据;所述风险冲击相关联的原始数据包括:疫情数据;
所述计算模块,用于将空间区位要素、中心城市要素、园区发展要素和服务体系要素中的一个或者多个作为风险防御数据的影响要素;基于所述原始数据计算各个影响要素对应的影响因子;根据各个影响要素对应的影响因子以及各个影响因子对应的调整系数计算所述风险防御数据;并基于所述原始数据确定所述当前产业园区对应的风险冲击数据;其中,所述风险防御数据包括以下至少之一:空间区位要素、中心城市要素、园区发展要素和服务体系要素;所述风险冲击数据为所述当前产业园区所在的城市的累计确诊病例数;
所述训练模块,用于若待训练的评估模型不满足预先设置的收敛条件,则基于所述原始数据确定所述当前产业园区在所述当前时刻上的控制变量;其中,所述控制变量包括:用于表示城市气候条件的变量和用于表示疫情管制的变量;基于所述当前产业园区对应的风险防御数据、风险冲击数据和所述控制变量以及用于表示所述当前产业园区生产恢复水平的数据,对所述待训练的评估模型进行训练,将下一个产业园区作为所述当前产业园区,重复执行上述在所述时空大数据中获取所述当前产业园区在当前时刻上的原始数据的操作,直到所述待训练的评估模型满足所述收敛条件。
5.根据权利要求4所述的装置,所述空间区位要素对应的影响因子包括以下至少之一:高速公路可达性、高速铁路可达性和机场可达性;所述中心城市要素对应的影响因子包括以下至少之一:中心城市可达性和城市常住人口;所述园区发展要素对应的影响因子包括以下至少之一:园区用地规模、园区工作人口、园区经济活力和园区产业结构;所述服务体系要素对应的影响因子包括以下至少之一:社区服务水平和医疗服务水平。
6.利用权利要求4-5中任一项评估模型的预测装置,所述装置包括:输入模块和预测模块;其中,
所述输入模块,用于将待评估的产业园区对应的风险防御数据和风险冲击数据输入至训练好的评估模型中;
所述预测模块,用于通过所述训练好的评估模型输出用于表示所述待评估的产业园区生产恢复水平的数据。
7. 一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-2或者3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-2或者3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095081.4A CN113837588B (zh) | 2021-09-17 | 2021-09-17 | 一种评估模型的训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095081.4A CN113837588B (zh) | 2021-09-17 | 2021-09-17 | 一种评估模型的训练方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837588A CN113837588A (zh) | 2021-12-24 |
CN113837588B true CN113837588B (zh) | 2023-12-29 |
Family
ID=78959708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111095081.4A Active CN113837588B (zh) | 2021-09-17 | 2021-09-17 | 一种评估模型的训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837588B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651153A (zh) * | 2016-12-06 | 2017-05-10 | 浙江图讯科技股份有限公司 | 一种基于多灾种实时耦合的化工园区实时定量风险评估方法 |
CN112071437A (zh) * | 2020-09-25 | 2020-12-11 | 北京百度网讯科技有限公司 | 一种传染病趋势预测方法、装置、电子设备及存储介质 |
CN112508300A (zh) * | 2020-12-21 | 2021-03-16 | 北京百度网讯科技有限公司 | 建立风险预测模型的方法、区域风险预测方法及对应装置 |
CN112652403A (zh) * | 2020-12-25 | 2021-04-13 | 中国科学技术大学 | 疫情预测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8566067B2 (en) * | 2009-05-29 | 2013-10-22 | Daniel P. Johnson | Method of modeling the socio-spatial dynamics of extreme urban heat events |
US20140007244A1 (en) * | 2012-06-28 | 2014-01-02 | Integrated Solutions Consulting, Inc. | Systems and methods for generating risk assessments |
-
2021
- 2021-09-17 CN CN202111095081.4A patent/CN113837588B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651153A (zh) * | 2016-12-06 | 2017-05-10 | 浙江图讯科技股份有限公司 | 一种基于多灾种实时耦合的化工园区实时定量风险评估方法 |
CN112071437A (zh) * | 2020-09-25 | 2020-12-11 | 北京百度网讯科技有限公司 | 一种传染病趋势预测方法、装置、电子设备及存储介质 |
CN112508300A (zh) * | 2020-12-21 | 2021-03-16 | 北京百度网讯科技有限公司 | 建立风险预测模型的方法、区域风险预测方法及对应装置 |
CN112652403A (zh) * | 2020-12-25 | 2021-04-13 | 中国科学技术大学 | 疫情预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
县级卫生监督机构突发公共卫生事件应急能力评价;雷鸣;知网硕士电子期刊;全文 * |
基于大数据与人工智能的疫情防控平台建设方案;刘漳辉;郭文忠;陈羽中;陈锋情;;福州大学学报(哲学社会科学版)(02);全文 * |
多源时空大数据在疫情防控中的应用;吴张峰;李成仁;;信息技术与标准化(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113837588A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508300B (zh) | 建立风险预测模型的方法、区域风险预测方法及对应装置 | |
CN113343803A (zh) | 模型训练方法、装置、设备和存储介质 | |
CN114492831B (zh) | 联邦学习模型的生成方法及其装置 | |
CN115049315A (zh) | 一种用电安全风险评估方法、装置、设备及存储介质 | |
CN114494815A (zh) | 神经网络训练方法、目标检测方法、装置、设备和介质 | |
Hou et al. | Damage prediction of 10 kV power towers in distribution network under typhoon disaster based on data-driven model | |
CN107506872A (zh) | 一种居民区负荷特性及模型预测的归类研究方法 | |
EP4123595A2 (en) | Method and apparatus of rectifying text image, training method and apparatus, electronic device, and medium | |
US20220309912A1 (en) | Method and apparatus for predicting traffic data and electronic device | |
CN113705628A (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN109345373A (zh) | 核销风险预警方法、装置、电子设备及计算机可读介质 | |
CN116629620A (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN118171035A (zh) | 人流热力的预警方法及装置、电子设备和存储介质 | |
CN113851226A (zh) | 传染病疫情预测方法、装置及电子设备 | |
CN113837588B (zh) | 一种评估模型的训练方法、装置、电子设备及存储介质 | |
CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
CN116703109A (zh) | 一种配电网项目选取方法、装置、设备及存储介质 | |
CN114971053A (zh) | 低压台区网络线损率在线预测模型的训练方法及装置 | |
CN115713683A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN116403403B (zh) | 一种基于大数据分析的交通预警方法、系统、设备及介质 | |
CN118171744B (zh) | 时空分布的预测方法及装置、电子设备和存储介质 | |
CN109255432B (zh) | 神经网络模型构建方法及装置、存储介质、电子设备 | |
CN116207864B (zh) | 基于物联网实现低压台区下的电力设备控制方法及系统 | |
EP4134834A1 (en) | Method and apparatus of processing feature information, electronic device, and storage medium | |
CN115713145B (zh) | 村镇社区效能预测方法、装置、计算机设备及存储介质 |
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 |