CN114066077A - 基于应急事件空间警兆分析的环卫风险预测方法 - Google Patents

基于应急事件空间警兆分析的环卫风险预测方法 Download PDF

Info

Publication number
CN114066077A
CN114066077A CN202111388062.0A CN202111388062A CN114066077A CN 114066077 A CN114066077 A CN 114066077A CN 202111388062 A CN202111388062 A CN 202111388062A CN 114066077 A CN114066077 A CN 114066077A
Authority
CN
China
Prior art keywords
event
emergency
garbage
analysis
prediction 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
Application number
CN202111388062.0A
Other languages
English (en)
Other versions
CN114066077B (zh
Inventor
田禹
赵天瑞
詹巍
黎彦良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202111388062.0A priority Critical patent/CN114066077B/zh
Publication of CN114066077A publication Critical patent/CN114066077A/zh
Application granted granted Critical
Publication of CN114066077B publication Critical patent/CN114066077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—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
    • 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
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于应急事件空间警兆分析的环卫风险预测方法，解决了如何对突发环境应急问题提前进行预测的问题，属于市政工程技术领域。本发明包括：获取分析区环境应急报告，对分析区环境应急报告中生活垃圾应急事件进行分类，确定在不同区域、不同年份、不同季节各类生活垃圾应急事件的数量，确定发生每类生活垃圾应急事件的气象气候特征、所在区域的人口居住特征及事件对应特殊特征；利用确定的特征构建区域地理数据集；构建多目标事件预测模型，并利用区域地理数据集进行训练；将分析区的某一区域、某一季度、气象气候特征、所在区域的人口居住特征、事件对应特殊特征输入至多目标事件预测模型中，输出发生的生活垃圾应急事件的类别及数量，完成预测。

Description

基于应急事件空间警兆分析的环卫风险预测方法
技术领域
本发明涉及一种基于应急事件空间警兆分析的环卫风险预测方，属于市政工程、环境工程、数学建模与计算机技术交叉领域。
背景技术
伴随着城乡居民生活水平的发展与市政建设要求的全面提高，生活垃圾相关环境突发事件层出不穷，目前与生活垃圾相关的投诉事件数量增多，造成了广泛的居民舆论与环境影响，实现对于应急事件的信息化追溯，应用于风险预警，是固废智能管理发展过程中的必要发展方向。当前公安信息化建设领域，人工孤立的刑侦模式已经逐渐向大数据驱动方向转换，在多个国家和地区已开始使用犯罪预测技术并取得了明显的效果。而现有关于针对突发环境应急问题，无法做到快速预测。
发明内容
针对如何对突发环境应急问题提前进行预测的问题，本发明提供一种基于应急事件空间警兆分析的环卫风险预测方法。
本发明的一种基于应急事件空间警兆分析的环卫风险预测方法，所述方法包括：
步骤1、获取分析区环境应急报告，对分析区环境应急报告中生活垃圾应急事件进行分类，确定在不同区域、不同年份、不同季节各类生活垃圾应急事件的数量；
步骤2、根据分析区环境应急报告，确定发生每类生活垃圾应急事件的气象气候特征、所在区域的人口居住特征及事件对应特殊特征，所述事件对应特殊特征与生活垃圾应急事件的发生具有相关性；
步骤3、根据步骤1和步骤2，构建区域地理数据集，区域地理数据集中每个训练数据包括一组特征：区域、季节、气象气候特征、所在区域的人口居住特征、事件对应特殊特征、发生的生活垃圾应急事件的类别及数量；
步骤4、构建多目标事件预测模型，对区域地理数据集中的特征进行预处理，将区域地理数据集中发生生活垃圾应急事件的类别及数量作为多目标事件预测模型的输出，其余为多目标事件预测模型的输入，利用多目标事件预测模型对区域地理数据集进行拟合，完成多目标事件预测模型的训练；
步骤5、将分析区的某一区域、某一季度、气象气候特征、所在区域的人口居住特征、事件对应特殊特征输入至完成训练的多目标事件预测模型中，输出发生的生活垃圾应急事件的类别及数量，完成预测。
作为优选，生活垃圾应急事件的类别包括垃圾非法丢弃、生活垃圾堆积、设施垃圾滞留、处理设备故障、运输设备故障、有害垃圾环境风险、扬尘、噪声、异味和其他。
作为优选，将垃圾产生量、生活垃圾丢弃点的单位面积分布数量作为生活垃圾应急事件类别为垃圾非法丢弃、生活垃圾堆积的问题的事件对应特殊特征；
将区域内设施的日转运与处理能力作为生活垃圾应急事件类别为设施垃圾滞留问题的事件对应特殊特征；
将设施的平均构筑年限作为生活垃圾应急事件类别为设施垃圾滞留问题的事件对应特殊特征；
将运输设备的平均购买年限作为生活垃圾应急事件类别为运输设备故障问题的事件对应特殊特征；
将有害垃圾量作为生活垃圾应急事件类别为有害垃圾环境风险问题的事件对应特殊特征；
将区域内工业企业数量、工业产值作为生活垃圾应急事件类别为扬尘、噪声问题的事件对应特殊特征；
将区域内餐厨垃圾量、餐饮机构数量作为生活垃圾应急事件类别为异味问题的事件对应特殊特征。
作为优选，气象气候特征为根据分析区环境应急报告确定的不同区域内每一季节的平均降水量、最高降水量、最高温度、最低温度和平均温度。
作为优选，人口居住特征为不同区域内的总人口数量、总定居点数量。
作为优选，训练数据还包括地理特征，具体为区域面积及边界周长，作为多目标事件预测模型的输入。
作为优选，训练数据还包括每类生活垃圾应急事件在上一个季度发生的数量。
作为优选，所述多目标事件预测模型包括基于CatBoost的多目标分析初级预测模型、基于XGBoost的多目标分析初级预测模型和逻辑回归模型；
利用基于CatBoost的多目标分析初级预测模型与基于XGBoost的多目标分析初级预测模型分别对预处理后的区域地理数据集进行拟合，并采用逻辑回归模型对拟合结果进行融合，逻辑回归模型输出的融合结果为多目标事件预测模型输出。
本发明的有益效果，本发明面向环境突发事件与地理环境、人群活动、垃圾产生等特征相关性高，与犯罪行为预测过程可以有共通支出的特征，改良数据驱动犯罪分析过程中的警兆分析方法，甄别可能影响环境突发问题发生概率的警兆因素，使用融合CatBoost与XGBoost两种高性能集成树机器学习算法的多目标逻辑回归融合预测，构建针对特定突发问题的预测模型，可以同时得到不同区域不同时间点内可能发生10类环境应急问题的数量，挖掘了现有环境应急数据中的隐含规律，提取隐形特征，衡量不同环境风险的时空发生分布趋势，其分析结果对于环卫管理过程的提前防控具有重大实践意义。
附图说明
图1为本发明的方法的原理示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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作出创造性劳动的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施方式基于应急事件空间警兆分析的环卫风险预测方法的首先基于Python语言与GIS软件结合，构建用于警情分析的区域地理数据集，构建规范化科学化的警兆特征构建方法，用于突发环境应急问题的预测，提前进行问题的处理；本实施方式的基于应急事件空间警兆分析的环卫风险预测方法，包括：
步骤一、获取分析区环境应急报告，对分析区环境应急报告中生活垃圾应急事件进行分类，确定在不同区域、不同年份、不同季节各类生活垃圾应急事件的数量；
对现有生活垃圾应急事件进行分类：研究区域内各级政府生态环境部门的信息公开中的环境信访应急投诉报告、固废管理突发环境问题报告等文字信息进行整理成csv的文本文档二维数组应急事件基础数据集；根据垃圾非法丢弃、生活垃圾堆积、设施垃圾滞留、处理设备故障、运输设备故障、有害垃圾环境风险、扬尘、噪声、异味、其他等10类问题对事件进行分类，以列的数据形式加入原有二维数组应急事件基础数据集的事件类别列中，将其发生年份、月份、季节，分别也以列的形式，存入对应时间列中，进行保存。
开展环境应急事件坐标拾取：使用基于Python语言的pyltp模块提取每一条应急投诉文字信息的地点内容，并输入到百度地图拾取坐标系统中，获取经纬度数据，以列的数据形式加入原有二维数组应急事件基础数据集中，进行保存。选取有分析区域的行政单位地图，于GIS软件打开，其中具体的地图层级与行政尺度根据研究需求判断，将一组带有所有区域的面要素地图文件作为一份地理数据样本，根据分析过程所覆盖的年份与季节状况，复制并重命名地理数据样本，每一个地理数据样本名称为其所对应的时间，其总和为整个分析所要用到的区域地理数据集；
根据行政单位进行各类事件数量统计：为明确不同行政区域的不同种类现有应急事件发生数量，通过GIS软件中的添加XY数据功能，依次输入每一年每一个季节的应急事件基础数据集，将不同种类的应急事件进行于GIS软件中地图上的显示，利用Spatial Join分析工具计算不同区域在不同年份不同季节内各种应急事件的现有发生数量，并根据时间保存于区域地理数据集中，将相同区域上一季节的事件数量也加以保存。
步骤二、根据分析区环境应急报告，确定发生每类生活垃圾应急事件的气象气候特征、所在区域的人口居住特征及事件对应特殊特征，所述事件对应特殊特征与生活垃圾应急事件的发生具有相关性；
气象气候特征构建：由于天气因素对居民生活也会造成影响，部分恶劣天气也可能导致生活垃圾问题的突然发生，故加入天气影响特征，采集不同区域每一季节的平均降水量、最高降水量、最高温度、最低温度、平均温度，加入到对应的步骤4处理后的地理数据样本中；
人口居住特征构建：人口数量可能直接相关到应急事件发生的概率与强度，所以采集来源于联合国WorldPop栅格数据集的每一年的人口密度和定居点数量，使用表格显示分区统计的功能统计不同区域对应区域内的总人口数量、总定居点数量，加入到对应的步骤5处理后的地理数据样本中；
事件对应特殊特征构建：本实施方式将垃圾应急事件分为10类，包含垃圾非法丢弃、生活垃圾堆积、设施垃圾滞留、处理设备故障、运输设备故障、有害垃圾环境风险、扬尘、噪声、异味、其他事件，其中垃圾产生量、生活垃圾丢弃点的单位面积分布数量与垃圾非法丢弃、生活垃圾堆积的问题的发生会有正相关性；区域内设施的日转运与处理能力和设施垃圾滞留问题的发生会有负相关性；设施的平均构筑年限与设施垃圾滞留问题的发生有正相关性；运输设备的平均购买年限与运输设备故障问题的发生有正相关性；有害垃圾量与有害垃圾环境风险问题的发生有正相关性、区域内工业企业数量、工业产值与扬尘、噪声问题的发生有正相关性；区域内餐厨垃圾量、餐饮机构数量与垃圾异味问题的发生有正相关性，将上述12种特征以地区与时间为单位，加入到区域地理数据集中；
区域地理数据集中每个训练数据包括一组特征：区域、季节、气象气候特征、所在区域的人口居住特征、事件对应特殊特征、发生的生活垃圾应急事件的类别及数量；
区域地理数据集导出，形成完整的用于警兆分析的区域地理数据集：将数据完备区域地理数据集计算区域面积、边界周长，作为地理特征，其后将地理数据集导出为二维表格模型，并使用append函数，对于不同地区、不同年份、不同季节的数据集进行合并，合并后的数据集包含地区年份、季节、地区名称、10类事件在上一个季度发生的数量、5类气象气候特征、2类人口居住特征、12类事件对应特殊特征、2类地理特征，上述特征作为警兆分析过程中的警兆特征、数据集中本季度10类事件发生的数量作为警兆分析过程中的应急预测目标特征。
步骤三、构建多目标事件预测模型，对区域地理数据集中的特征进行预处理，将区域地理数据集中发生生活垃圾应急事件的类别及数量作为多目标事件预测模型的输出，其余为多目标事件预测模型的输入，利用多目标事件预测模型对区域地理数据集进行拟合，完成多目标事件预测模型的训练；
由于包含地名、季度等类别型特征，首先使用LabelEncoder方法，对类别特征进行预处理；利用多目标事件预测模型拟合区域地理数据集，基于逻辑回归方法，完成警兆特征与应急预测目标特征之间的关联拟合分析。
步骤四、将分析区的某一区域、某一季度、气象气候特征、所在区域的人口居住特征、事件对应特殊特征输入至完成训练的多目标事件预测模型中，输出发生的生活垃圾应急事件的类别及数量，完成预测。
向训练的多目标事件预测模型中输入某一区域、某一季度的警兆特征，即可以得到10类事件可能的发生数量，该分析结果可以用于对未来环境应急事件发生的概率进行预测，并根据此服务于环卫管理行业人员的应急决策支持，提前布局环境监管监测与应急处理资源，防范问题发生于未然。
本实施方式的多目标事件预测模型包括基于CatBoost的多目标分析初级预测模型、基于XGBoost的多目标分析初级预测模型和逻辑回归模型；利用基于CatBoost的多目标分析初级预测模型与基于XGBoost的多目标分析初级预测模型分别对预处理后的区域地理数据集进行拟合，并采用逻辑回归模型对拟合结果进行融合，逻辑回归模型输出的融合结果为多目标事件预测模型输出。
本实施方式两个模型输入输出特征相同，使用融合以后，预测结果可以综合两类算法的分析，结果更具有普适性；融合结果是对XGBoost、CatBoost两类运算的结果的综合加权，使用逻辑回归算法进行融合，相比单独模型进行运算，逻辑回归加权得到的结果具有平滑性，突出每个基本模型在其中执行得最好的能力，并且去除掉了其执行不佳的预测结果，所以将优于单个模型。
具体实施例：该方法于2021年7月开始开发，用于苏州地区生活垃圾应急问题出现的分析，针对使用当地2015-2021年2月之间共计77万字的环境风险问题投诉记录，开展了核心多目标回归模型的训练，并完成了预测方法的开发：
(1)开发固废管理相关语义库的原始数据模块：将2014-2020年苏州市以及下辖的常熟市、太仓市、张家港市、昆山市的环境应急信访报告，提取其中固废问题，进行统一整合与下载，将其doc文档内的文字信息进行采集，整合成csv的文本文档格式，，加入列，输入事件类别，共整理包含出366个环卫应急突发事件的csv文档；
(2)进行地理坐标拾取：编写API接入代码，接入百度坐标拾取API，用于将各个事件的具体经纬度坐标进行明确，加入csv文档中的X\Y列。
(3)根据时空关系构建分析区域地理数据集：利用GIS软件整合地理数据，分析的空间跨度为每一个样本中有苏州市区、常熟市、太仓市、张家港市、昆山市、吴江区六个区域，时间跨度包含了2015-2021年2月共计25个季度将事件通过添加XY坐标方法加入到地图中；
(4)构建气象气候特征，使用NCDC中国地面气象数据数据，将苏州市周边气象站数据加入分析；
(5)人口居住特征构建：将2015-2020年的WorldPop栅格数据集的每一年的人口密度和定居点数量加入地理样本数据中，其中2021年第一季度对应的人口以及定居点数据与2020年末相同；
(6)事件对应特殊特征构建：将步骤7中所述的每个区域、每个季节的垃圾产生量、生活垃圾丢弃点的单位面积分布数量、区域内设施的日转运能力、区域内设施的日处理能力、设施的平均构筑年限、运输设备的平均购买年限、有害垃圾量、区域内工业企业数量、工业产值区域内餐厨垃圾量、餐饮机构量等12个特征加入对应的地理数据样本。
(7)导出数据用于建模分析进行模型的拟合，该模型可以根据已有的应急事件发生数据进行未来十类环卫突发事件发生可能性的预测。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (10)

1.基于应急事件空间警兆分析的环卫风险预测方法，其特征在于，所述方法包括：
步骤1、获取分析区环境应急报告，对分析区环境应急报告中生活垃圾应急事件进行分类，确定在不同区域、不同年份、不同季节各类生活垃圾应急事件的数量；
步骤2、根据分析区环境应急报告，确定发生每类生活垃圾应急事件的气象气候特征、所在区域的人口居住特征及事件对应特殊特征，所述事件对应特殊特征与生活垃圾应急事件的发生具有相关性；
步骤3、根据步骤1和步骤2，构建区域地理数据集，区域地理数据集中每个训练数据包括一组特征：区域、季节、气象气候特征、所在区域的人口居住特征、事件对应特殊特征、发生的生活垃圾应急事件的类别及数量；
步骤4、构建多目标事件预测模型，对区域地理数据集中的特征进行预处理，将区域地理数据集中发生生活垃圾应急事件的类别及数量作为多目标事件预测模型的输出，其余为多目标事件预测模型的输入，利用多目标事件预测模型对区域地理数据集进行拟合，完成多目标事件预测模型的训练；
步骤5、将分析区的某一区域、某一季度、气象气候特征、所在区域的人口居住特征、事件对应特殊特征输入至完成训练的多目标事件预测模型中，输出发生的生活垃圾应急事件的类别及数量，完成预测。
2.根据权利要求1所述的基于应急事件空间警兆分析的环卫风险预测方法，其特征在于，生活垃圾应急事件的类别包括垃圾非法丢弃、生活垃圾堆积、设施垃圾滞留、处理设备故障、运输设备故障、有害垃圾环境风险、扬尘、噪声、异味和其他。
3.根据权利要求2所述的基于应急事件空间警兆分析的环卫风险预测方法，其特征在于，将垃圾产生量、生活垃圾丢弃点的单位面积分布数量作为生活垃圾应急事件类别为垃圾非法丢弃、生活垃圾堆积的问题的事件对应特殊特征；
将区域内设施的日转运与处理能力作为生活垃圾应急事件类别为设施垃圾滞留问题的事件对应特殊特征；
将设施的平均构筑年限作为生活垃圾应急事件类别为设施垃圾滞留问题的事件对应特殊特征；
将运输设备的平均购买年限作为生活垃圾应急事件类别为运输设备故障问题的事件对应特殊特征；
将有害垃圾量作为生活垃圾应急事件类别为有害垃圾环境风险问题的事件对应特殊特征；
将区域内工业企业数量、工业产值作为生活垃圾应急事件类别为扬尘、噪声问题的事件对应特殊特征；
将区域内餐厨垃圾量、餐饮机构数量作为生活垃圾应急事件类别为异味问题的事件对应特殊特征。
4.根据权利要求1所述的基于应急事件空间警兆分析的环卫风险预测方法，其特征在于，气象气候特征为根据分析区环境应急报告确定的不同区域内每一季节的平均降水量、最高降水量、最高温度、最低温度和平均温度。
5.根据权利要求1所述的基于应急事件空间警兆分析的环卫风险预测方法，其特征在于，人口居住特征为不同区域内的总人口数量、总定居点数量。
6.根据权利要求1所述的基于应急事件空间警兆分析的环卫风险预测方法，其特征在于，训练数据还包括地理特征，具体为区域面积及边界周长，作为多目标事件预测模型的输入。
7.根据权利要求1所述的基于应急事件空间警兆分析的环卫风险预测方法，其特征在于，训练数据还包括每类生活垃圾应急事件在上一个季度发生的数量。
8.根据权利要求1所述的基于应急事件空间警兆分析的环卫风险预测方法，其特征在于，所述多目标事件预测模型包括基于CatBoost的多目标分析初级预测模型、基于XGBoost的多目标分析初级预测模型和逻辑回归模型；
利用基于CatBoost的多目标分析初级预测模型与基于XGBoost的多目标分析初级预测模型分别对预处理后的区域地理数据集进行拟合，并采用逻辑回归模型对拟合结果进行融合，逻辑回归模型输出的融合结果为多目标事件预测模型输出。
9.一种基于应急事件空间警兆分析的环卫风险预测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-8任一所述方法的步骤。
10.一种存储介质，所述存储介质中存储有至少一条指令，其特征在于，所述至少一条指令由处理器加载并执行以实现如权利要求1-8任一所述的基于应急事件空间警兆分析的环卫风险预测方法。
CN202111388062.0A 2021-11-22 2021-11-22 基于应急事件空间警兆分析的环卫风险预测方法 Active CN114066077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111388062.0A CN114066077B (zh) 2021-11-22 2021-11-22 基于应急事件空间警兆分析的环卫风险预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111388062.0A CN114066077B (zh) 2021-11-22 2021-11-22 基于应急事件空间警兆分析的环卫风险预测方法

Publications (2)

Publication Number Publication Date
CN114066077A true CN114066077A (zh) 2022-02-18
CN114066077B CN114066077B (zh) 2022-09-13

Family

ID=80279153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111388062.0A Active CN114066077B (zh) 2021-11-22 2021-11-22 基于应急事件空间警兆分析的环卫风险预测方法

Country Status (1)

Country Link
CN (1) CN114066077B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117592769A (zh) * 2024-01-19 2024-02-23 四川绿豆芽信息技术有限公司 一种碳小屋站点管理方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854064A (zh) * 2012-11-29 2014-06-11 中国科学院计算机网络信息中心 一种面向特定区域的事件发生风险预测并预警方法
US20170161614A1 (en) * 2015-12-07 2017-06-08 Rapidsos, Inc. Systems and methods for predicting emergency situations
CA3050951A1 (en) * 2019-06-21 2019-10-11 Inspectorio Inc. Factory risk estimation using historical inspection data
CN111047099A (zh) * 2019-12-16 2020-04-21 杭州鲁尔物联科技有限公司 一种区域性山洪风险预测方法及系统
CN112446549A (zh) * 2020-12-04 2021-03-05 西南石油大学 基于大数据的城市垃圾智慧监管平台
CN112529245A (zh) * 2020-10-30 2021-03-19 广州大学 一种耦合多源大数据的街道生活垃圾收运量预测方法
CN112580864A (zh) * 2020-12-14 2021-03-30 哈尔滨工业大学 结合多元数据应用价值提升的村镇生活垃圾产量预测系统
WO2021174971A1 (zh) * 2020-08-03 2021-09-10 生态环境部南京环境科学研究所 一种水环境风险预测预警方法
CN113408918A (zh) * 2021-06-28 2021-09-17 哈尔滨工业大学 基于多时相遥感分析的村镇垃圾降尺度时空分布反演方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854064A (zh) * 2012-11-29 2014-06-11 中国科学院计算机网络信息中心 一种面向特定区域的事件发生风险预测并预警方法
US20170161614A1 (en) * 2015-12-07 2017-06-08 Rapidsos, Inc. Systems and methods for predicting emergency situations
CA3050951A1 (en) * 2019-06-21 2019-10-11 Inspectorio Inc. Factory risk estimation using historical inspection data
CN111047099A (zh) * 2019-12-16 2020-04-21 杭州鲁尔物联科技有限公司 一种区域性山洪风险预测方法及系统
WO2021174971A1 (zh) * 2020-08-03 2021-09-10 生态环境部南京环境科学研究所 一种水环境风险预测预警方法
CN112529245A (zh) * 2020-10-30 2021-03-19 广州大学 一种耦合多源大数据的街道生活垃圾收运量预测方法
CN112446549A (zh) * 2020-12-04 2021-03-05 西南石油大学 基于大数据的城市垃圾智慧监管平台
CN112580864A (zh) * 2020-12-14 2021-03-30 哈尔滨工业大学 结合多元数据应用价值提升的村镇生活垃圾产量预测系统
CN113408918A (zh) * 2021-06-28 2021-09-17 哈尔滨工业大学 基于多时相遥感分析的村镇垃圾降尺度时空分布反演方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JOHN HANCOCK等: "Performance of CatBoost and XGBoost in Medicare Fraud Detection", 《2020 19TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS (ICMLA)》 *
吴凤平等: "水源地突发水污染政府应急预留水量需求预测", 《水利经济》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117592769A (zh) * 2024-01-19 2024-02-23 四川绿豆芽信息技术有限公司 一种碳小屋站点管理方法及系统
CN117592769B (zh) * 2024-01-19 2024-04-05 四川绿豆芽信息技术有限公司 一种碳小屋站点管理方法及系统

Also Published As

Publication number Publication date
CN114066077B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
Casali et al. Machine learning for spatial analyses in urban areas: a scoping review
Musa et al. A review of geospatial-based urban growth models and modelling initiatives
Tessarolo et al. Uncertainty associated with survey design in species distribution models
Pacifici et al. Resolving misaligned spatial data with integrated species distribution models
Martins et al. Social vulnerability assessment to seismic risk using multicriteria analysis: the case study of Vila Franca do Campo (São Miguel Island, Azores, Portugal)
CN112288247B (zh) 一种基于空间交互关系的土壤重金属风险识别方法
Sun et al. Revealing influencing factors on global waste distribution via deep-learning based dumpsite detection from satellite imagery
CN114066211B (zh) 一种流域水环境管理大数据平台
CN111062562B (zh) 一种社区网格服务联动处置控制方法及系统
Matkan et al. Detecting the spatial–temporal autocorrelation among crash frequencies in urban areas
CN112948595A (zh) 城市群运行状态知识图谱构建方法、系统及设备
Xing et al. A dynamic human activity‐driven model for mixed land use evaluation using social media data
He et al. Persistence of crime hot spots: an ordered probit analysis
CN114138857A (zh) 一种基于流域水环境的大数据挖掘方法及装置
Izquierdo-Horna et al. Identification of urban sectors prone to solid waste accumulation: A machine learning approach based on social indicators
Depsky et al. High-resolution gridded estimates of population sociodemographics from the 2020 census in California
CN114066077B (zh) 基于应急事件空间警兆分析的环卫风险预测方法
Runfola et al. Deep learning fusion of satellite and social information to estimate human migratory flows
Hofmeister et al. Cross-domain flood risk assessment for smart cities using dynamic knowledge graphs
Lim Patterns in environmental priorities revealed through government open data portals
Verghese et al. Optimal design of air quality monitoring networks: a systematic review
CN114580494A (zh) 基于随机森林算法的依据企业用电对排污行为的监测方法
Führding‐Potschkat et al. Influence of different data cleaning solutions of point‐occurrence records on downstream macroecological diversity models
CN114418360A (zh) 一种智慧城市运行体征大数据分析方法及装置
Greenaway-McGrevy Can zoning reform increase housing construction? Evidence From Auckland

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