CN114066288B - 一种基于智慧数据中心的营运道路应急检测方法及系统 - Google Patents
一种基于智慧数据中心的营运道路应急检测方法及系统 Download PDFInfo
- Publication number
- CN114066288B CN114066288B CN202111399109.3A CN202111399109A CN114066288B CN 114066288 B CN114066288 B CN 114066288B CN 202111399109 A CN202111399109 A CN 202111399109A CN 114066288 B CN114066288 B CN 114066288B
- Authority
- CN
- China
- Prior art keywords
- emergency
- data
- data set
- model
- obtaining
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 238000013499 data model Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 59
- 230000006378 damage Effects 0.000 claims description 30
- 238000013210 evaluation model Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000009411 base construction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智慧数据中心的营运道路应急检测方法及系统,所述方法包括:构建应急检测模型库;根据所述数据采集装置对实时突发事件进行数据采集,获得突发事件数据集;根据所述突发事件数据集,获得第一事故类型标签;根据所述第一事故类型标签从所述应急检测模型库中调用模型,获得第一匹配数据模型;将所述突发事件数据集输入所述第一匹配数据模型中,获得第一评估等级;根据所述第一评估等级,生成第一应急预案。解决了现有技术中没有对于营运道路突发事件建立起线上标准化和完善的流程,且应急检测不够及时,准确的技术问题。
Description
技术领域
本发明涉及大数据领域,尤其涉及一种基于智慧数据中心的营运道路应急检测方法及系统。
背景技术
随着我国路网的不断完善,营运道路上产生的各种突发事件时有发生(车撞桥、船撞桥、滑坡、火烧、爆炸、地震等),对社会、公众及道路本身造成了极大的危害,如何采取快速、有效的应急检测工作,尽短的时间内判断事件等级、评估结构物的损伤情况,为下一步处置方案提供充分、有效依据,将显得尤为重要。一旦应急检测工作的等级划分不清晰,检测方案编制不合理和不及时,应急反应机制不科学,都将对经济和社会造成不利影响。因此建立完善的营运道路应急检测体系,便成为当今公路检测行业尤为重要的一个研究。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在对于营运道路突发事件没有建立起线上标准化和完善的流程,且应急检测不够及时,准确的技术问题。
发明内容
针对现有技术中的缺陷,本申请实施例的目的是,通过提供一种基于智慧数据中心的营运道路应急检测方法及系统,解决了现有技术中没有对于营运道路突发事件建立起线上标准化和完善的流程,且应急检测不够及时,准确的技术问题。达到了通过建立完善的应急检测体系,能快速、有序的开展应急检测工作,提高检测效率,减少不必要的检测手段,快速提供检测评估结果,从而有效降低突发事件经济损失的技术效果。
一方面,本申请实施例提供一种基于智慧数据中心的营运道路应急检测方法,其中,所述方法应用于一种基于智慧数据中心的营运道路应急检测系统,所述系统与一数据采集装置通信连接,所述方法包括:基于智慧数据中心对历史道路事故进行数据划分,构建应急检测模型库;根据所述数据采集装置对实时突发事件进行数据采集,获得突发事件数据集;根据所述突发事件数据集,获得第一事故要素;根据所述第一事故要素,获得第一事故类型标签;根据所述第一事故类型标签从所述应急检测模型库中调用模型,获得第一匹配数据模型,其中,所述第一匹配数据模型为突发事件匹配的应急等级评估模型;将所述突发事件数据集输入所述第一匹配数据模型中,根据所述第一匹配数据模型,获得第一输出信息,其中,所述第一输出信息为第一评估等级;根据所述第一评估等级,生成第一应急预案。
另一方面,本申请还提供了一种基于智慧数据中心的营运道路应急检测系统,其中,所述系统包括:第一构建单元:所述第一构建单元用于基于智慧数据中心对历史道路事故进行数据划分,构建应急检测模型库;第一获得单元:所述第一获得单元用于根据数据采集装置对实时突发事件进行数据采集,获得突发事件数据集;第二获得单元:所述第二获得单元用于根据所述突发事件数据集,获得第一事故要素;第三获得单元:所述第三获得单元用于根据所述第一事故要素,获得第一事故类型标签;第一调用单元:所述第一调用单元用于根据所述第一事故类型标签从所述应急检测模型库中调用模型,获得第一匹配数据模型,其中,所述第一匹配数据模型为突发事件匹配的应急等级评估模型;第一输入单元:所述第一输入单元用于将所述突发事件数据集输入所述第一匹配数据模型中,根据所述第一匹配数据模型,获得第一输出信息,其中,所述第一输出信息为第一评估等级;第一生成单元:所述第一生成单元用于根据所述第一评估等级,生成第一应急预案。
第三方面,本申请实施例提供了一种基于智慧数据中心的营运道路应急检测系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过将历史道路事故上传或存储至智慧数据中心,从而根据历史道路事故进行数据划分,进而构建出应急检测模型库,并根据数据采集装置对实时突发事件进行数据采集,进而获得对应的突发事件数据集,进一步的根据其突发事件的类型调用应急检测模型库中匹配的评估模型,再将所述突发事件数据集输入应急等级评估模型中,根据所述应急等级评估模型,获得第一评估等级,进而根据所述第一评估等级,生成第一应急预案的方式。达到了通过建立完善的应急检测体系,能快速、有序的开展应急检测工作,提高检测效率,减少不必要的检测手段,快速提供检测评估结果,从而有效降低突发事件经济损失的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读参照以下附图对非限制性实施例所做的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本申请实施例一种基于智慧数据中心的营运道路应急检测方法的流程示意图;
图2为本申请实施例一种基于智慧数据中心的营运道路应急检测方法的构建应急检测模型库流程示意图;
图3为本申请实施例一种基于智慧数据中心的营运道路应急检测方法的标签聚类流程示意图;
图4为本申请实施例一种基于智慧数据中心的营运道路应急检测方法的获得事故模型训练集的流程示意图;
图5为本申请实施例一种基于智慧数据中心的营运道路应急检测方法的关联事故类比的流程示意图;
图6为本申请实施例一种基于智慧数据中心的营运道路应急检测系统的结构示意图;
图7为本申请实施例示例性电子设备的结构示意图。
具体实施方式
本申请实施例通过提供一种基于智慧数据中心的营运道路应急检测方法及系统,解决了现有技术中没有对于营运道路突发事件建立起线上标准化和完善的流程,且应急检测不够及时,准确的技术问题。达到了通过建立完善的应急检测体系,能快速、有序的开展应急检测工作,提高检测效率,减少不必要的检测手段,快速提供检测评估结果,从而有效降低突发事件经济损失的技术效果。
下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
随着我国路网的不断完善,营运道路上产生的各种突发事件时有发生(车撞桥、船撞桥、滑坡、火烧、爆炸、地震等),对社会、公众及道路本身造成了极大的危害,如何采取快速、有效的应急检测工作,尽短的时间内判断事件等级、评估结构物的损伤情况,为下一步处置方案提供充分、有效依据,将显得尤为重要。一旦应急检测工作的等级划分不清晰,检测方案编制不合理和不及时,应急反应机制不科学,都将对经济和社会造成不利影响。因此建立完善的营运道路应急检测体系,便成为当今公路检测行业尤为重要的一个研究。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供一种基于智慧数据中心的营运道路应急检测方法,其中,所述方法包括:获得第一测试数据,其中,所述方法应用于一种基于智慧数据中心的营运道路应急检测系统,所述系统与一数据采集装置通信连接,所述方法包括:基于智慧数据中心对历史道路事故进行数据划分,构建应急检测模型库;根据所述数据采集装置对实时突发事件进行数据采集,获得突发事件数据集;根据所述突发事件数据集,获得第一事故要素;根据所述第一事故要素,获得第一事故类型标签;根据所述第一事故类型标签从所述应急检测模型库中调用模型,获得第一匹配数据模型,其中,所述第一匹配数据模型为突发事件匹配的应急等级评估模型;将所述突发事件数据集输入所述第一匹配数据模型中,根据所述第一匹配数据模型,获得第一输出信息,其中,所述第一输出信息为第一评估等级;根据所述第一评估等级,生成第一应急预案。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
如图1所示,本申请实施例提供了一种基于智慧数据中心的营运道路应急检测方法,其中,所述方法应用于一种基于智慧数据中心的营运道路应急检测系统,所述系统与一数据采集装置通信连接,所述方法包括:
步骤S100:基于智慧数据中心对历史道路事故进行数据划分,构建应急检测模型库;
具体而言,所述智慧数据中心为搭建的数据平台,其中,所述智慧中心中存储有各类营运道路的突发事件信息,通过对历史各类突发事件信息进行具体数据分析,从而生成对应的统计数据,进一步的,各类突发事件包括营运道路上中的车撞桥、船撞桥、滑坡、火烧、爆炸、地震等突发事件对路桥等结构造成损伤的数据,比如损失规模、经济损失、事件类型、事件时间、事件地点等数据信息,从而根据其事件发生的类型和时间发生的地点作为数据划分的基础对各类营运道路突发事件进行分析,并根据每一类的突发事件的所有数据构建对应的数据模型,比如,针对于车撞桥的多个事件,根据其采集的不同类型的数据集将车辆类型、桥体结构、损伤结构电脑等对应的采集数据作为基础数据,以及该类事件对应的应急检测内容和方法作为对应数据进行模型训练,其中,训练后的数据模型是以神经网络模型为基础的数学模型,用于对同标签事件类型进行应急检测,再将所有的数学模型存储至模型库中,生成所述应急检测模型库,从而根据模型库实现之后的模型匹配调用。
步骤S200:根据所述数据采集装置对实时突发事件进行数据采集,获得突发事件数据集;
具体而言,所述数据采集装置中包括数据传输单元,数据处理单元以及数据识别单元,根据所述数据识别单元对实时突发事件的信息进行采集,从而获得所述突发事件数据集,所述数据处理单元用于对视频中识别的数据进行针对化处理,便于之后数据的进一步分析,所述数据传输单元用于对采集好的数据进行端口传输。比如,在车撞桥的突发事件中,通过调取该路段的视频,以及相关人员采集的视频的从而识别视频中的主要事件点,以及车辆信息和桥体损伤信息,进一步的,还可以根据其定位,获得突发事件的定位信息,从而与目前应急检测机构所处位置进行分析,有利于之后应急检测工作的展开。
步骤S300:根据所述突发事件数据集,获得第一事故要素;
步骤S400:根据所述第一事故要素,获得第一事故类型标签;
具体而言,所述第一事故要素为表征所述突发事件主要类型的主要素,所述第一事故类型标签为基于表征所述突发事件主要类型进行字段的标记生成的标签。由于接收到的突发事件数据集中包括有多个主要识别要素,进一步的,通过对所述突发事件数据事故要素提取和识别,获得所述第一事故要素,举例来说,在车撞桥的事件中,识别出突发事件数据集中的所有要素,桥体损伤结构、桥体损伤位置、涉及车辆、路况、事件波及范围等要素,从而将桥体信息和车辆信息作为所述第一事故要素进行事故类型的识别和标记,从而实现突发事件的标签标记。
步骤S500:根据所述第一事故类型标签从所述应急检测模型库中调用模型,获得第一匹配数据模型,其中,所述第一匹配数据模型为突发事件匹配的应急等级评估模型;
具体而言,由于所述应急检测模型库中包括有多种类别突发事件的模型,且每种类别的模型都是通过多个同类型事件数据训练获得的,为了保证实时突发事件的进行应急检测的高效、及时性,通过实时调取匹配的模型实现之后的应急检测评估。进一步的,所述应急检测模型库中的模型按照其不同事件类别存储分区中,且每个存储分区包括模型的主要类型标签,再根据所述第一事故类型标签在所有的存储分区标签中进行匹配,从而获得所述第一匹配数据模型,因此,根据实时突发事件的所述第一事故类型标签从所有的应急检测模型库中调用模型,降低因为实时构建模型花费的时间,达到了提高检测效率,减少不必要的检测手段,确保检测及时性的技术效果。
步骤S600:将所述突发事件数据集输入所述第一匹配数据模型中,根据所述第一匹配数据模型,获得第一输出信息,其中,所述第一输出信息为第一评估等级;
步骤S700:根据所述第一评估等级,生成第一应急预案。
进一步的,本申请实施例步骤S600还包括:
步骤S610:所述突发事件数据集包括结构损伤数据集、人员涉及数据集和事件属性数据集;
步骤S620:将所述结构损伤数据集、人员涉及数据集和事件属性数据集输入所述应急等级评估模型中,根据所述应急等级评估模型,获得第一受损等级、第一紧急等级和第一影响等级;
步骤S630:根据所述第一受损等级、所述第一紧急等级和所述第一影响等级进行加权评估,获得所述第一评估等级。
具体而言,由于所述第一匹配数据模型为应急等级评估模型,且所述第一匹配数据模型是以神经网络为基础构建的机器学习模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,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。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks,ANN),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据的训练,所述训练数据通过多组训练数据训练至收敛获得,所述多组数据包括所述结构损伤数据集、人员涉及数据集和事件属性数据集和标识所述第一评估等级的标识数据。
更进一步而言,所述训练的过程实质为监督学习的过程,将所述突发事件数据集输入所述第一匹配数据模型中,所述神经网络模型进行不断的自我修正、调整,直至获得的第一训练结果与所述标识信息一致,结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的监督学习,使得所述神经网络模型处理所述输入信息更加准确,且输出的所述第一受损等级、第一紧急等级和第一影响等级也更加准确,进一步的通过加权计算使得输出的所述第一评估等级更加准确,获得所述第一应急预案。达到了通过建立完善的应急检测体系,能快速、有序的开展应急检测工作,提高检测效率,减少不必要的检测手段,快速提供检测评估结果,从而有效降低突发事件经济损失的技术效果。
进一步的,如图2所示,所述基于智慧数据中心对历史道路事故进行数据划分,构建应急检测模型库,本申请实施例步骤S100还包括:
步骤S110:获得历史道路事故数据集;
步骤S120:通过对所述历史道路事故数据集中进行数据集特征性分析,获得事故模型训练集;
步骤S130:通过对所述事故模型训练集进行标签聚类,生成多组标签训练集;
步骤S140:根据所述多组标签训练集进行模型训练,获得多个应急等级评估模型;
步骤S150:根据所述多个应急等级评估模型,构建所述应急检测模型库。
具体而言,所述事故模型训练集是用于进行模型训练的数据,因此,对于其数据的完整性和有效性具有一定的要求,为了保证模型在训练的过程中训练数据特征性强,从而能够增加模型的应用性和准确性,因此,从所述历史道路事故数据集中选取特征性较强的对应数据作为模型的训练数据,降低了模型训练数据量,从而能够降低模型的训练时长和计算复杂度,举例来说,比如,所述事故模型训练集中的数据采集不够完整、或数据不够准确等问题,造成数据的可实用性不强,进而对于特征性强的数据做出筛选,优化数据模型训练的性能,进而使得训练出的模型更加准确。进一步的,实现实数模型训练集的标签聚类,将所有类型的数据筛选后,按照其特征性强弱实现聚类,从而能够保证每一类别的模型都具有较大性能,从而保证所有类别的突发事故集合生成的所述应急检测模型库具有较大的泛化能力。
进一步的,如图3所示,其中,本申请实施例步骤S130还包括:
步骤S131:通过对所述历史道路事故数据集中进行数据集特征性分析,基于特征强度进行排序,获得第一特征序列;
步骤S132:根据所述一特征序列选取N个事故数据集;
步骤S133:将所述N个事故数据集作为聚类中心进行K-均值聚类分析,获得第一聚类结果;
步骤S134:根据所述第一聚类结果,生成所述多组标签训练集。
具体而言,所述第一特征序列为按照特征的强度,将所述历史道路事故数据集从大到小进行顺序排列,形成的以突发事件为单位的序列。进一步的,对所述事故模型数据集进行标签聚类,首先,需要确定特征性最强的事件数据作为聚类中心,从而根据所述第一特征序列进行差异度计算后,获得对应的特征性较强的N个事故数据集,进而实现K-均值聚类,进一步的,所述N个事故数据集中N为正整数,且N为实现K-均值聚类的K值大小,因此,通过对聚类结果进行聚类,且N的大小可以通过遗传算法进行寻优搜索确定,进一步的强化了模型训练数据集的质量,并根据对应的聚类结果,将每一聚类的数据集作为训练一个模型的数据,根据聚类的多组结果,生成所述多组标签训练集,达到了优化所述应急检测模型库质量,进而提高检测准确性和检测效率的技术效果。
进一步的,本申请实施例步骤S133还包括:
步骤S1331:通过对所述第一特征序列进行特征差异性计算,获得第一差异性指数;
步骤S1332:根据所述第一差异性指数,构建聚类中心选取规则;
步骤S1333:基于所述聚类中心选取规则从所述第一特征序列中选取所述N个事故数据集;
步骤S1334:以所述N个事故数据集作为聚类中心对所述历史道路事故数据集进行欧式距离计算,获得所述第一聚类结果。
具体而言,由于所述第一特征序列是对历史道路事故数据集进行特征强度分析后获得的序列,且序列顺序是按照由大到小进行排序的,因此,通过计算序列之间的差异性,从而能够判断其主要的差异性程度,从而获得所述第一差异性指数。比如,当所述第一差异性指数大于某个差异性阈值时,表示该类型事件与前一数据为不同类型,从而能够获得特征性强的N个事故数据集,再以所述N个事故数据集作为聚类中心,假设所述事故数据集的总数量为M,从而将剩余的M-N个事故数据集作为输入数据进行欧式距离计算,从而获得所述第一聚类结果,通过差异性指数计算的过程使得聚类实现的过程具有较强的数学逻辑性和准确性,进而提高检测评估结果准确性。
进一步的,如图4所示,所述通过对所述历史道路事故数据集中进行数据集特征性分析,获得事故模型训练集,本申请实施例步骤S120还包括:
步骤S121:通过对所述历史道路事故数据集进行数据预处理,并根据预处理后的所述历史道路事故数据集进行数据质量评分,获得第一评分结果;
步骤S122:通过对所述历史道路事故数据集的应急措施完成度进行评分,获得第二评分结果;
步骤S123:根据所述第一评分结果和所述第二评分结果对所述历史道路事故数据集进行比例划分,获得第一比例系数;
步骤S124:根据所述第一比例系数,生成所述事故模型训练集。
具体而言,通过对所述历史道路事故数据集进行数据预处理,即进行数据的预清洗过程,查看数据集的质量是否满足完整性和准确性,防止出现缺失数据造成评估结果的偏差,因此,通过数据预处理实现数据的质量检测,从而获得所述第一评分结果,进一步的,通过对所述历史道路事故数据集对应的应急措施和应急预案进行信息录入,以及其措施最终的经济损失、影响程度和结构维护等进行数据采集,实现应急措施完成度的评估,进而获得所述第二评分结果。进一步的,将所述第一评分结果与所述第二评分结果建立映射关系,从而对于综合评分结果满足预设要求的数据进行较大比例的数据提取,从而实现对所述事故模型训练集的比例划分,增加模型的准确性以及评估结果准确性的技术效果。
进一步的,如图5所示,其中,所述根据所述数据采集装置对实时突发事件进行数据采集,获得突发事件数据集,本申请实施例步骤S200还包括:
步骤S210:判断所述实时突发事件是否为混合突发事件;
步骤S220:若所述实时突发事件为混合突发事件,获得关联突发事件数据集;
步骤S230:根据第一类比指令,将所述关联突发事件数据集进行类比,获得第二评估等级;
步骤S240:根据所述第二评估等级,获得第二应急预案。
具体而言,所述混合突发事件为某一突发事件发生时,由于其影响较大,从而关联产生的突发事件,进而形成影响较大的混合事件,举例来说,当车撞桥的突发事件产生时,基于桥体结构的不同和实时情况的不通过,会产生桥体结构损伤的结果,但对于不同的车辆类型和交通情况,也可能会产生车撞桥与桥体火灾结合的混合情况,进一步的,通过判断所述实时突发事件是否为混合突发事件,若所述实时突发事件为混合突发事件,获得其对应的关联突发事件数据集,按照类比指令基于主要突发事件的处理流程对关联突发事件数据集进行类比,进而获得第二评估等级,再根据所述第二评估等级,获得所述第二应急预案,通过针对性的突发事件分析,能快速、有序的开展应急检测工作,快速提供准确检测评估结果。
与现有技术相比,本发明具有如下的有益效果:
1、由于采用了通过将历史道路事故上传或存储至智慧数据中心,从而根据历史道路事故进行数据划分,进而构建出应急检测模型库,并根据数据采集装置对实时突发事件进行数据采集,进而获得对应的突发事件数据集,进一步的根据其突发事件的类型调用应急检测模型库中匹配的评估模型,再将所述突发事件数据集输入应急等级评估模型中,根据所述应急等级评估模型,获得第一评估等级,进而根据所述第一评估等级,生成第一应急预案的方式。达到了通过建立完善的应急检测体系,能快速、有序的开展应急检测工作,提高检测效率,减少不必要的检测手段,快速提供检测评估结果,从而有效降低突发事件经济损失的技术效果。
2、由于采用了对于综合评分结果满足预设要求的数据进行较大比例的数据提取的方式,从而实现对所述事故模型训练集的比例划分,增加模型的准确性以及评估结果准确性的技术效果。
3、由于采用了通过差异性指数计算的过程使得聚类实现的过程具有较强的数学逻辑性和准确性的方式,进而达到提高检测准确性的技术效果。
实施例二
基于与前述实施例中一种基于智慧数据中心的营运道路应急检测方法同样发明构思,本发明还提供了一种基于智慧数据中心的营运道路应急检测系统,如图6所示,所述系统包括:
第一构建单元11:所述第一构建单元11用于基于智慧数据中心对历史道路事故进行数据划分,构建应急检测模型库;
第一获得单元12:所述第一获得单元12用于根据数据采集装置对实时突发事件进行数据采集,获得突发事件数据集;
第二获得单元13:所述第二获得单元13用于根据所述突发事件数据集,获得第一事故要素;
第三获得单元14:所述第三获得单元14用于根据所述第一事故要素,获得第一事故类型标签;
第一调用单元15:所述第一调用单元15用于根据所述第一事故类型标签从所述应急检测模型库中调用模型,获得第一匹配数据模型,其中,所述第一匹配数据模型为突发事件匹配的应急等级评估模型;
第一输入单元16:所述第一输入单元16用于将所述突发事件数据集输入所述第一匹配数据模型中,根据所述第一匹配数据模型,获得第一输出信息,其中,所述第一输出信息为第一评估等级;
第一生成单元17:所述第一生成单元17用于根据所述第一评估等级,生成第一应急预案。
进一步的,所述系统还包括:
第四获得单元:所述第四获得单元用于获得历史道路事故数据集;
第五获得单元:所述第五获得单元用于通过对所述历史道路事故数据集中进行数据集特征性分析,获得事故模型训练集;
第二生成单元:所述第二生成单元用于通过对所述事故模型训练集进行标签聚类,生成多组标签训练集;
第六获得单元:所述第六获得单元用于根据所述多组标签训练集进行模型训练,获得多个应急等级评估模型;
第二构建单元:所述第二构建单元用于根据所述多个应急等级评估模型,构建所述应急检测模型库。
进一步的,所述系统还包括:
第一判断单元:所述第一判断单元用于判断所述第一新建任务是否处于常见任务列表;
第七获得单元:所述第七获得单元用于通过对所述历史道路事故数据集中进行数据集特征性分析,基于特征强度进行排序,获得第一特征序列;
第一筛选单元:所述第一筛选单元用于根据所述一特征序列选取N个事故数据集;
第八获得单元:所述第八获得单元用于将所述N个事故数据集作为聚类中心进行K-均值聚类分析,获得第一聚类结果;
第三生成单元:所述第三生成单元用于根据所述第一聚类结果,生成所述多组标签训练集。
进一步的,所述系统还包括:
第九获得单元:所述第九获得单元用于通过对所述第一特征序列进行特征差异性计算,获得第一差异性指数;
第三构建单元,所述第三构建单元用于根据所述第一差异性指数,构建聚类中心选取规则;
第二筛选单元:所述第二筛选单元用于基于所述聚类中心选取规则从所述第一特征序列中选取所述N个事故数据集;
第十获得单元:所述第十获得单元用于以所述N个事故数据集作为聚类中心对所述历史道路事故数据集进行欧式距离计算,获得所述第一聚类结果。
进一步的,所述系统还包括:
第十一获得单元:所述第十一获得单元用于通过对所述历史道路事故数据集进行数据预处理,并根据预处理后的所述历史道路事故数据集进行数据质量评分,获得第一评分结果;
第十二获得单元:所述第十二获得单元用于通过对所述历史道路事故数据集的应急措施完成度进行评分,获得第二评分结果;
第十三获得单元:所述第十三获得单元用于根据所述第一评分结果和所述第二评分结果对所述历史道路事故数据集进行比例划分,获得第一比例系数;
第三生成单元,所述第三生成单元用于根据所述第一比例系数,生成所述事故模型训练集。
进一步的,所述系统还包括:
第一存储单元,所述第一存储单元用于所述突发事件数据集包括结构损伤数据集、人员涉及数据集和事件属性数据集;
第二输入单元,所述第二输入单元用于将所述结构损伤数据集、人员涉及数据集和事件属性数据集输入所述应急等级评估模型中,根据所述应急等级评估模型,获得第一受损等级、第一紧急等级和第一影响等级;
第十四获得单元,所述第十四获得单元用于根据所述第一受损等级、所述第一紧急等级和所述第一影响等级进行加权评估,获得所述第一评估等级。
进一步的,所述系统还包括:
第一判断单元,所述第一判断单元用于判断所述实时突发事件是否为混合突发事件;
第十五获得单元,所述第十五获得单元用于若所述实时突发事件为混合突发事件,获得关联突发事件数据集;
第十六获得单元,所述第十六获得单元用于根据第一类比指令,将所述关联突发事件数据集进行类比,获得第二评估等级;
第十七获得单元,所述第十七获得单元用于根据所述第二评估等级,获得第二应急预案。
前述图1实施例一中的一种基于智慧数据中心的营运道路应急检测方法的各种变化方式和具体实例同样适用于本实施例的一种基于智慧数据中心的营运道路应急检测系统,通过前述对一种基于智慧数据中心的营运道路应急检测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于智慧数据中心的营运道路应急检测系统的实施方法,所以为了说明书的简洁,在此不再详述。
实施例三
下面参考图7来描述本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实例施中一种基于智慧数据中心的营运道路应急检测方法的发明构思,本发明还提供一种基于智慧数据中心的营运道路应急检测系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于智慧数据中心的营运道路应急检测系统的任一方法的步骤。
其中,在图7中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例提供一种基于智慧数据中心的营运道路应急检测方法,其中,所述方法应用于一种基于智慧数据中心的营运道路应急检测系统,所述系统与一数据采集装置通信连接,所述方法包括:基于智慧数据中心对历史道路事故进行数据划分,构建应急检测模型库;根据所述数据采集装置对实时突发事件进行数据采集,获得突发事件数据集;根据所述突发事件数据集,获得第一事故要素;根据所述第一事故要素,获得第一事故类型标签;根据所述第一事故类型标签从所述应急检测模型库中调用模型,获得第一匹配数据模型,其中,所述第一匹配数据模型为突发事件匹配的应急等级评估模型;将所述突发事件数据集输入所述第一匹配数据模型中,根据所述第一匹配数据模型,获得第一输出信息,其中,所述第一输出信息为第一评估等级;根据所述第一评估等级,生成第一应急预案。解决了现有技术中没有对于营运道路突发事件建立起线上标准化和完善的流程,且应急检测不够及时,准确的技术问题。达到了通过建立完善的应急检测体系,能快速、有序的开展应急检测工作,提高检测效率,减少不必要的检测手段,快速提供检测评估结果,从而有效降低突发事件经济损失的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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系统。
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系统的制造品,该指令系统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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例进行另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于智慧数据中心的营运道路应急检测方法,其中,所述方法应用于一种基于智慧数据中心的营运道路应急检测系统,所述系统与一数据采集装置通信连接,所述方法包括:
基于智慧数据中心对历史道路事故进行数据划分,构建应急检测模型库;
根据所述数据采集装置对实时突发事件进行数据采集,获得突发事件数据集;
根据所述突发事件数据集,获得第一事故要素;
根据所述第一事故要素,获得第一事故类型标签;
根据所述第一事故类型标签从所述应急检测模型库中调用模型,获得第一匹配数据模型,其中,所述第一匹配数据模型为突发事件匹配的应急等级评估模型;
将所述突发事件数据集输入所述第一匹配数据模型中,根据所述第一匹配数据模型,获得第一输出信息,其中,所述第一输出信息为第一评估等级;
根据所述第一评估等级,生成第一应急预案;
其中,所述基于智慧数据中心对历史道路事故进行数据划分,构建应急检测模型库,所述方法还包括:
获得历史道路事故数据集;
通过对所述历史道路事故数据集中进行数据集特征性分析,获得事故模型训练集;
通过对所述事故模型训练集进行标签聚类,生成多组标签训练集;
根据所述多组标签训练集进行模型训练,获得多个应急等级评估模型;
根据所述多个应急等级评估模型,构建所述应急检测模型库;
其中,所述通过对所述历史道路事故数据集中进行数据集特征性分析,获得事故模型训练集,所述方法还包括:
通过对所述历史道路事故数据集进行数据预处理,并根据预处理后的所述历史道路事故数据集进行数据质量评分,获得第一评分结果;
通过对所述历史道路事故数据集的应急措施完成度进行评分,获得第二评分结果;
根据所述第一评分结果和所述第二评分结果对所述历史道路事故数据集进行比例划分,获得第一比例系数;
根据所述第一比例系数,生成所述事故模型训练集;
所述方法还包括:
所述突发事件数据集包括结构损伤数据集、人员涉及数据集和事件属性数据集;
将所述结构损伤数据集、人员涉及数据集和事件属性数据集输入所述应急等级评估模型中,根据所述应急等级评估模型,获得第一受损等级、第一紧急等级和第一影响等级;
根据所述第一受损等级、所述第一紧急等级和所述第一影响等级进行加权评估,获得所述第一评估等级;
其中,所述第一匹配数据模型是以神经网络为基础构建的机器学习模型,通过大量训练数据的训练,所述训练数据通过多组训练数据训练至收敛获得,所述多组训练数据中的每组数据包括所述结构损伤数据集、人员涉及数据集和事件属性数据集和标识所述第一评估等级的标识数据。
2.如权利要求1所述的方法,其中,所述方法还包括:
通过对所述历史道路事故数据集中进行数据集特征性分析,基于特征强度进行排序,获得第一特征序列;
根据所述一特征序列选取N个事故数据集;
将所述N个事故数据集作为聚类中心进行K-均值聚类分析,获得第一聚类结果;
根据所述第一聚类结果,生成所述多组标签训练集。
3.如权利要求2所述的方法,其中,所述方法还包括:
通过对所述第一特征序列进行特征差异性计算,获得第一差异性指数;
根据所述第一差异性指数,构建聚类中心选取规则;
基于所述聚类中心选取规则从所述第一特征序列中选取所述N个事故数据集;
以所述N个事故数据集作为聚类中心对所述历史道路事故数据集进行欧式距离计算,获得所述第一聚类结果。
4.如权利要求1所述的方法,其中,所述根据所述数据采集装置对实时突发事件进行数据采集,获得突发事件数据集,所述方法还包括:
判断所述实时突发事件是否为混合突发事件;
若所述实时突发事件为混合突发事件,获得关联突发事件数据集;
根据第一类比指令,将所述关联突发事件数据集进行类比,获得第二评估等级;
根据所述第二评估等级,获得第二应急预案。
5.一种基于智慧数据中心的营运道路应急检测系统,其中,所述系统包括:
第一构建单元:所述第一构建单元用于基于智慧数据中心对历史道路事故进行数据划分,构建应急检测模型库;
第一获得单元:所述第一获得单元用于根据数据采集装置对实时突发事件进行数据采集,获得突发事件数据集;
第二获得单元:所述第二获得单元用于根据所述突发事件数据集,获得第一事故要素;
第三获得单元:所述第三获得单元用于根据所述第一事故要素,获得第一事故类型标签;
第一调用单元:所述第一调用单元用于根据所述第一事故类型标签从所述应急检测模型库中调用模型,获得第一匹配数据模型,其中,所述第一匹配数据模型为突发事件匹配的应急等级评估模型;
第一输入单元:所述第一输入单元用于将所述突发事件数据集输入所述第一匹配数据模型中,根据所述第一匹配数据模型,获得第一输出信息,其中,所述第一输出信息为第一评估等级;
第一生成单元:所述第一生成单元用于根据所述第一评估等级,生成第一应急预案;
第四获得单元:所述第四获得单元用于获得历史道路事故数据集;
第五获得单元:所述第五获得单元用于通过对所述历史道路事故数据集中进行数据集特征性分析,获得事故模型训练集;
第二生成单元:所述第二生成单元用于通过对所述事故模型训练集进行标签聚类,生成多组标签训练集;
第六获得单元:所述第六获得单元用于根据所述多组标签训练集进行模型训练,获得多个应急等级评估模型;
第二构建单元:所述第二构建单元用于根据所述多个应急等级评估模型,构建所述应急检测模型库;
第十一获得单元:所述第十一获得单元用于通过对所述历史道路事故数据集进行数据预处理,并根据预处理后的所述历史道路事故数据集进行数据质量评分,获得第一评分结果;
第十二获得单元:所述第十二获得单元用于通过对所述历史道路事故数据集的应急措施完成度进行评分,获得第二评分结果;
第十三获得单元:所述第十三获得单元用于根据所述第一评分结果和所述第二评分结果对所述历史道路事故数据集进行比例划分,获得第一比例系数;
第三生成单元,所述第三生成单元用于根据所述第一比例系数,生成所述事故模型训练集;
第一存储单元,所述第一存储单元用于所述突发事件数据集包括结构损伤数据集、人员涉及数据集和事件属性数据集;
第二输入单元,所述第二输入单元用于将所述结构损伤数据集、人员涉及数据集和事件属性数据集输入所述应急等级评估模型中,根据所述应急等级评估模型,获得第一受损等级、第一紧急等级和第一影响等级;
第十四获得单元,所述第十四获得单元用于根据所述第一受损等级、所述第一紧急等级和所述第一影响等级进行加权评估,获得所述第一评估等级;
其中,所述第一匹配数据模型是以神经网络为基础构建的机器学习模型,通过大量训练数据的训练,所述训练数据通过多组训练数据训练至收敛获得,所述多组训练数据中的每组数据包括所述结构损伤数据集、人员涉及数据集和事件属性数据集和标识所述第一评估等级的标识数据。
6.一种基于智慧数据中心的营运道路应急检测系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111399109.3A CN114066288B (zh) | 2021-11-24 | 2021-11-24 | 一种基于智慧数据中心的营运道路应急检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111399109.3A CN114066288B (zh) | 2021-11-24 | 2021-11-24 | 一种基于智慧数据中心的营运道路应急检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114066288A CN114066288A (zh) | 2022-02-18 |
CN114066288B true CN114066288B (zh) | 2022-07-29 |
Family
ID=80275980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111399109.3A Active CN114066288B (zh) | 2021-11-24 | 2021-11-24 | 一种基于智慧数据中心的营运道路应急检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066288B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619609B (zh) * | 2022-09-27 | 2024-02-27 | 无锡布塔信息科技有限公司 | 一种基于三维可视化数据的消防警示方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346538A (zh) * | 2014-11-26 | 2015-02-11 | 中国测绘科学研究院 | 基于三种灾情因子控制的地震灾害评估方法 |
CN111859384A (zh) * | 2020-07-23 | 2020-10-30 | 平安证券股份有限公司 | 异常事件监控方法、装置、计算机设备及存储介质 |
CN113177737A (zh) * | 2021-05-26 | 2021-07-27 | 南京恩瑞特实业有限公司 | 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及系统 |
CN113656451A (zh) * | 2021-07-21 | 2021-11-16 | 浙江大华技术股份有限公司 | 数据挖掘方法、电子设备和计算机可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145170B (zh) * | 2018-06-27 | 2022-12-20 | 公安部道路交通安全研究中心 | 一种道路交通事故数据挖掘服务器、方法和系统 |
CN112258367A (zh) * | 2020-11-13 | 2021-01-22 | 珠海大横琴科技发展有限公司 | 一种监控处理方法和装置 |
CN112488584A (zh) * | 2020-12-18 | 2021-03-12 | 国网山东省电力公司临沂供电公司 | 一种危化品事故电力应急处置安全预警方法 |
CN112950024A (zh) * | 2021-03-02 | 2021-06-11 | 国能大渡河枕头坝发电有限公司 | 基于水电站应急指挥的决策方法、存储介质及电子设备 |
CN113379267B (zh) * | 2021-06-21 | 2023-06-16 | 重庆大学 | 一种基于风险分级预测的城市火灾事件处理方法、系统及存储介质 |
-
2021
- 2021-11-24 CN CN202111399109.3A patent/CN114066288B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346538A (zh) * | 2014-11-26 | 2015-02-11 | 中国测绘科学研究院 | 基于三种灾情因子控制的地震灾害评估方法 |
CN111859384A (zh) * | 2020-07-23 | 2020-10-30 | 平安证券股份有限公司 | 异常事件监控方法、装置、计算机设备及存储介质 |
CN113177737A (zh) * | 2021-05-26 | 2021-07-27 | 南京恩瑞特实业有限公司 | 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及系统 |
CN113656451A (zh) * | 2021-07-21 | 2021-11-16 | 浙江大华技术股份有限公司 | 数据挖掘方法、电子设备和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于快速检索的高速公路建设期安全事故应急响应;刘妍 等;《中国安全科学学报》;20110630;第160-167页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114066288A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647539B (zh) | 一种用于车辆故障的预测方法和系统 | |
CN110796859A (zh) | 基于交通流的实时交通状态辨识及事故风险预警方法 | |
CN111680745A (zh) | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 | |
CN107766636A (zh) | 一种基于极值理论与微观仿真的城市交叉口安全评价方法 | |
CN112669594A (zh) | 交通路况预测的方法、装置、设备及存储介质 | |
CN110619482A (zh) | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN112929613A (zh) | 一种基于图像识别进行设备运维的巡检方法及系统 | |
CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
CN113033840A (zh) | 一种公路养护的判断方法和装置 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN113269042A (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
CN115273480A (zh) | 一种基于大数据分析的交通预警系统及其方法 | |
CN116311541B (zh) | 一种识别工人违规行为的智能巡检方法及系统 | |
CN116862697A (zh) | 一种收费公路收费额仿真预测方法、系统、设备及终端 | |
CN115758561A (zh) | 一种飞机飞行模拟参数数据的生成方法 | |
CN111882135B (zh) | 一种物联网设备入侵检测方法及相关装置 | |
CN114693072A (zh) | 车队结构分析方法、系统及存储介质 | |
CN112489421A (zh) | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 | |
CN110751567A (zh) | 车辆信息处理方法、装置、计算机设备和存储介质 | |
CN117576919B (zh) | 车辆超载识别系统、方法及电子设备 | |
CN117493820B (zh) | 一种数据要素处理方法和装置 | |
CN118297190A (zh) | 模型训练方法、车辆风险等级的确定方法及装置 | |
CN113807703A (zh) | 驾驶行为评分方法、装置、电子设备及介质 |
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 |