CN114118628A - 一种基于循环神经网络模型的灾害预警方法及相关设备 - Google Patents
一种基于循环神经网络模型的灾害预警方法及相关设备 Download PDFInfo
- Publication number
- CN114118628A CN114118628A CN202111534649.8A CN202111534649A CN114118628A CN 114118628 A CN114118628 A CN 114118628A CN 202111534649 A CN202111534649 A CN 202111534649A CN 114118628 A CN114118628 A CN 114118628A
- Authority
- CN
- China
- Prior art keywords
- information
- detected
- neural network
- disaster
- network 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.)
- Pending
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 156
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims description 96
- 230000006870 function Effects 0.000 claims description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 26
- 125000004122 cyclic group Chemical group 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例应用于人工智能领域,公开了一种基于循环神经网络模型的灾害预警方法及相关设备,包括:按照预设划分规则将待测受灾地区划分为多个待测区域;根据获取的目标待测区域的历史环境数据和实时环境数据确定待测特征集合;将待测特征集合输入至预训练的循环神经网络模型,得到循环神经网络模型预测的目标待测区域的受损等级;提取目标待测区域的保险信息中的终端设备信息,根据目标待测区域的受损等级以及保险信息生成预警信息,向终端设备信息指示的终端设备发送用于提示目标待测区域满足预设灾害条件预警提示信息。采用本申请实施例,可以提高对灾害预测的准确性,适用地区广泛。本申请涉及区块链技术,上述信息可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于循环神经网络模型的灾害预警方法及相关设备。
背景技术
据统计显示,我国是世界上自然灾害最为严重的国家之一,其因为风险承担的主体较多,影响程度较大,而受到广泛的关注。其中,自然灾害中洪水灾害是对人类的影响和危害较大的一种,在不同地区,由于当地的气候原因,在多雨或者降雨量增加的情况,容易导致洪水发生。若该地区还包括山体,在降雨量增加的时候还可能发生泥石流的情况,从而对人们的生命安全以及财产安全造成危害。目前,预测洪水灾害的方式主要是根据当地的地形地貌特征以及往年同期的降雨量或者最近几天内的降雨量进行推算,推算出今年或者每年这个时间段的降雨量,从而对是否会发生洪水灾害进行预测,采用这种方式进行推算预测效率低,不可泛化,适用地区较少,适用范围较小。
发明内容
本申请实施例提供一种基于循环神经网络模型的灾害预警方法及相关设备,一方面,可以将待测受灾区域划分为多个区域以具体对每个划分的待测区域进行分析,从而可以对待测区域内的标的物的投保人进行灾害预警;另一方面,通过循环神经网络模型对目标待测区域的受损等级进行预测,够提高预测的准确性,也提高适用性;又一方面,通过保险信息中的终端设备信息向投保人进行预警,可以提前对受灾情况进行了解和防范,降低灾害带来的损失。
第一方面,本申请实施例提供了一种基于循环神经网络模型的灾害预警方法,包括:
获取待测受灾地区的地图信息,按照预设划分规则将上述待测受灾地区划分为多个待测区域;
获取目标待测区域的历史环境数据和实时环境数据,根据上述历史环境数据和上述实时环境数据确定上述目标待测地区的待测特征集合,上述目标待测区域为上述待测受灾地区中的任一待测区域;
将上述待测特征集合输入至预训练的循环神经网络模型中,得到上述循环神经网络模型预测的上述目标待测区域的受损等级;
获取上述目标待测区域的第一保险信息,提取上述第一保险信息中的终端设备信息,根据上述目标待测区域的受损等级以及上述第一保险信息生成预警信息,并向上述终端设备信息指示的终端设备发送预警信息,上述预警信息用于提示上述目标待测区域满足预设灾害条件。
进一步地,上述将上述待测特征集合输入至预训练的循环神经网络模型中,得到上述循环神经网络模型输出的上述目标待测区域的受损等级之前,上述方法还包括:
获取训练样本集,上述训练样本集包括至少一个第一训练样本;
将上述第一训练样本集输入至初始循环神经网络模型中,得到上述初始循环神经网络模型输出的上述第一训练样本的分类结果,上述分类结果用于指示上述第一训练样本属于各个类别的分类概率;
根据上述训练样本集中上述至少一个第一训练样本属于各个类别的分类概率确定上述初始循环神经网络模型的损失函数值;
根据上述损失函数值、上述训练样本集对上述初始循环神经网络模型进行迭代训练,在上述损失函数值满足训练结束条件的情况下,确定上述损失函数值满足训练结束条件时的初始循环神经网络模型为上述循环神经网络模型。
进一步地,上述获取目标待测区域的历史环境数据和实时环境数据之前,上述方法还包括:
获取第二保险信息,上述第二保险信息包括至少一个标的物的位置信息;
根据上述至少一个标的物的位置信息从上述第二保险信息中提取在上述目标待测区域内的第一标的物集合;
获取上述第一标的物集合中至少一个参考标的物对应的易损等级;
上述将上述待测特征集合输入至预训练的循环神经网络模型中,得到上述循环神经网络模型预测的上述目标待测区域的受损等级,包括:
将上述待测特征集合、上述至少一个参考标的物的位置信息、上述至少一个参考标的物的易损等级输入至上述循环神经网络模型中,得到上述循环神经网络模型预测的上述目标待测区域内上述至少一个参考标的物的受损等级。
进一步地,上述第二保险信息还包括至少一个标的物的种类,上述获取上述目标待测区域的第一保险信息,包括:
获取在预设时间段内的投保数据,上述投保数据包括多个标的物的位置信息以及各个标的物的位置信息对应的终端设备信息;
根据上述各个标的物的位置信息和上述至少一个参考标的物的位置信息从上述投保数据中提取上述至少一个参考标的物对应的终端设备信息;
根据上述第二保险信息和上述至少一个参考标的物对应的终端设备信息生成上述目标待测区域的第一保险信息;
上述根据上述目标待测区域的受损等级以及上述第一保险信息生成预警信息,包括:
根据上述至少一个参考标的物的受损等级、上述至少一个参考标的物的位置信息和上述至少一个标的物的种类生成上述预警信息。
进一步地,上述向上述终端设备信息指示的终端设备发送预警信息之后,上述方法还包括:
获取第一参考标的物的受损等级对应的赔付等级,上述赔付等级用于指示上述第一参考标的物对应的赔付金额,上述第一参考标的物为上述至少一个参考标中任一参考标的物;
根据上述赔付等级,确定上述第一参考标的物的赔付金额;
确定第一终端设备信息对应的第二标的物集合,上述第二标的物集合包括一个或多个参考标的物,上述第一终端设备信息为上述第一保险信息中任一终端设备信息;
确定上述第一终端设备信息的赔付总金额,上述赔付总金额为上述第二标的物集合中所有参考标的物的赔付金额之和;
根据上述第一保险信息中各个第一终端设备信息的赔付总金额生成提示信息,并将上述提示信息发送至预设保险终端设备。
进一步地,上述获取上述第一标的物集合中至少一个参考标的物对应的易损等级,包括:
根据标的物的种类与预设种类权重的对应关系确定第二参考标的物的第一权重,上述第二参考标的物为上述至少一个参考标的物中任一参考标的物;
根据上述第二参考标的物的位置信息获取历史灾害信息,并根据预设灾害等级评估规则确定上述历史灾害信息的灾害等级;
根据灾害等级与预设权重的对应关系确定上述灾害等级对应的第二权重;
获取上述地图信息中水系信息,上述水系信息包括水系的位置信息,根据上述第二参考标的物的位置信息和上述水系的位置信息确定距离上述第二参考标的物的位置信息的最近的水系的距离;
根据上述距离确定上述第二参考标的物的第三权重,并根据预设易损规则、上述第一权重、上述第二权重以及上述第三权重确定上述第二参考标的物对应的易损等级,将上述第一标的物集合中各个第二参考标的物对应的易损等级作为上述第一标的物集合中至少一个参考标的物对应的易损等级。
进一步地,上述将上述待测特征集合输入至预训练的循环神经网络模型中,得到上述循环神经网络模型预测的上述目标待测区域的受损等级之后,上述方法还包括:
获取上述待测区域中受损等级大于预设受损等级阈值的参考标的物,得到第三标的物集合;
根据上述第三标的物集合中各个参考标的物的位置信息获取与上述第三标的物中的参考标的物的位置信息距离小于预设距离阈值的目标对象;
获取上述目标对象对应的易损等级,并将上述待测特征集合、上述目标对象的位置信息、上述目标对象对应的易损等级输入至上述循环神经网络模型中,得到上述循环神经网络模型预测的上述目标对象的受损等级;
在确定上述目标对象的受损等级大于预设受损等级阈值的情况下,获取上述目标对象的可投保险信息,并向预设销售终端发送业务提示信息,上述业务提示信息包括上述目标对象的位置信息以及上述目标对象的可投保险信息。
第二方面,本申请实施例提供了一种基于循环神经网络模型的灾害预警装置,包括:
获取单元,用于获取待测受灾地区的地图信息,按照预设划分规则将上述待测受灾地区划分为多个待测区域;
上述获取单元,还用于获取目标待测区域的历史环境数据和实时环境数据,根据上述历史环境数据和上述实时环境数据确定上述目标待测地区的待测特征集合,上述目标待测区域为上述待测受灾地区中的任一待测区域;
输入单元,用于将上述待测特征集合输入至预训练的循环神经网络模型中,得到上述循环神经网络模型预测的上述目标待测区域的受损等级;
上述获取单元,还用于获取上述目标待测区域的第一保险信息,提取上述第一保险信息中的终端设备信息,根据上述目标待测区域的受损等级以及上述第一保险信息生成预警信息,并向上述终端设备信息指示的终端设备发送预警信息,上述预警信息用于提示上述目标待测区域满足预设灾害条件。
另外,该方面中,该基于循环神经网络模型的灾害预警装置其他可选的实施方式可参阅上述第一方面的相关内容,此处不再详述。
第三方面,本申请实施例提供一种计算机设备,该计算机设备包括存储器和处理器、收发器;上述处理器分别与上述存储器和上述收发器相连,其中,上述存储器存储有计算机程序代码,上述处理器和上述收发器用于调用上述程序代码,执行上述第一方面和/或第一方面任一种可能的实现方式提供的方法。
第四方面,实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,当该计算机程序被计算机设备运行时,实现如第一方面的任一种可能的实现方式所公开的基于循环神经网络模型的灾害预警方法。
在本申请实施例中,通过获取待测受灾地区的地图信息,按照预设划分规则将待测受灾地区划分为多个待测区域。将待受灾地区进行划分,可以具体分析每一个小的待测区域的受损情况。通过将获取的待测区域的历史环境数据和实时环境数据确定待测特征集合,并将待测特征集合输入至预训练的循环神经网络模型中,得到该目标待测区域的受损等级。使用循环神经网络模型对目标待测区域的受损等级进行分类,模型参数较少,构建模型周期相短,时效性较好,也能够提高预测的准确性,使用范围较大,提高预测概率以及适用性。进而获取目标待测区域的保险信息并从保险信息中提取终端设备信息,根据目标待测区域的受损等级和保险信息生成预警信息,并向终端设备信息指示的终端设备发送该预警信息,该预警信息用于提示该目标待测区域满足预设灾害条件。通过保险信息中的终端设备信息向投保人的终端设备进行预警该目标待测区域即将受到灾害影响,从而可以使投保人提前对受灾情况进行了解和防范,降低灾害带来的损失。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种基于循环神经网络模型的灾害预警系统的结构示意图;
图2是本申请实施例提供的一种基于循环神经网络模型的灾害预警方法的流程示意图;
图3是本申请实施例提供的一种基于循环神经网络模型的灾害预警方法的另一流程示意图;
图4是本申请实施例提供的一种基于循环神经网络模型的灾害预警装置的结构示意图;
图5是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面结合附图1-附图3对本申请实施例提供的一种基于循环神经网络模型的灾害预警方法进行示意性说明。
本申请实施例提供的一种基于循环神经网络模型的灾害预警方法可以应用于一种灾害预警平台中,该灾害预警平台可以承载于基于循环神经网络模型的灾害预警系统中或者应用程序中。在某些实施例中,上述灾害预警平台指具有向用户的终端设备发送预警信息的功能的平台,该灾害预警平台可以获取待测区域的待测特征集合,并预测该待测区域的受损等级,进而可以获取该待测区域的保险信息,提取保险信息中用户的终端设备信息,以向用户的终端设备发送包括该受损等级的预警信息,从而提前对待测区域的受损情况进行预测,并提前预警购买保险的用户,以提醒用户提前对受灾情况进行了解和防范,在一定程度上降低灾害带来的损失。其中,用户可以是为在待测区域内的对象投保的用户,也可以是该灾害预警平台的使用者。用户也可以从灾害预警平台和/或保险信息平台获取待测区域的灾害预测信息,该保险信息平台可以为用户购买保险的平台。在某些实施例中,灾害预警平台可以与用户的终端设备建立通信连接,灾害预警平台也可以与保险信息平台建立通信连接。在某些实施例中,上述通信连接的方式可以包括但不限于无线通信技术(Wireless Fidelity,WIFI)、蓝牙、近场通信(Near Field Communication,NFC)等。
具体的,灾害预警平台可以获取受灾地区的地图信息,按照预设划分规则将待测受灾地区划分为多个待测区域,并获取目标待测区域的历史环境数据和实时环境数据,根据历史环境数据和实时环境数据确定待测特征集合。灾害预警平台可以将待测特征集合输入至预训练的循环神经网络模型中,得到该循环神经网络模型预测的受损等级。进而灾害预警平台可以获取保险信息,提取保险信息中的终端设备信息,根据受损等级和保险信息生成预警信息,并向该终端设备的设备信息所指示的终端设备发送预警信息,该预警信息用于提示该目标待测区域满足预设灾害条件。一方面,可以将待测受灾区域划分为多个区域以具体对每个划分的待测区域进行分析,从而可以对待测区域内的标的物的投保人进行灾害预警;另一方面,通过循环神经网络模型对目标待测区域的受损等级进行预测,够提高预测的准确性,也提高适用性;又一方面,通过保险信息中的终端设备信息向投保人进行预警,可以提前对受灾情况进行了解和防范,降低灾害带来的损失。
本申请实施例提出的基于循环神经网络模型的灾害预警方法涉及人工智能、机器学习等技术,其中:人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。机器学习是一门多学科交叉专业,涵盖概率论知识,统计学知识,近似理论知识和复杂算法知识,使用计算机作为工具并致力于真实实时的模拟人类学习方式,并将现有内容进行知识结构划分来有效提高学习效率。
基于上述描述,下面结合附图1对本申请实施例提供的一种基于循环神经网络模型的灾害预警系统进行示意性说明。
请参阅图1,图1是本申请实施例提供的一种基于循环神经网络模型的灾害预警系统的结构示意图,如图1所示,上述基于循环神经网络模型的灾害预警系统包括灾害预警平台101、一个或多个终端设备(终端设备A102、终端设备B103)、训练设备104以及保险信息平台105。其中,灾害预警平台101可以与一个或多个终端设备(终端设备A102、终端设备B103)通过有线或无线的方式进行直接或间接的连接;灾害预警平台101还可以与保险信息平台105通过有线或无线的方式进行直接或间接的连接。可选地,该基于循环神经网络模型的灾害预警系统还可以包括训练设备104,该灾害预警平台101可以与该训练设备104通过有线或无线的方式进行直接或间接的连接。
需要说明的是图1所示的设备数量和形态用于举例,并不构成对本申请实施例的限定,实际应用中该基于循环神经网络模型的灾害预警系统还可以包括一个以上灾害预警平台、一个以上保险信息平台、两个以上终端设备,或者一个以上训练设备。其中,该灾害预警平台101可以用于训练模型,即该灾害预警平台101可以与训练设备104为同一设备。本申请实施例以一个灾害预警平台101、两个终端设备(终端设备A102、终端设备B103)、一个保险信息平台105,以及灾害预警平台101与训练设备104为同一设备为例进行讲解。
其中,该灾害预警平台101可以从保险信息平台105获取保险信息,保险信息中包括待测地区的终端设备信息,该终端设备信息可以指示终端设备A102和终端设备B103,该灾害预警平台101还可以获取该待测区域历史环境数据和实时环境数据,并根据历史环境数据和实时环境数据确定待测地区的待测特征集合,并将待测特征集合输入至预训练的循环神经网络模型中,得到该待测地区的受损等级,并根据保险信息以及受损等级生成预警信息,并将预警信息发送至终端设备信息指示的终端设备A102和终端设备B103。可选地,用户可以在该灾害预警平台注册账号,获取该待测地区的受损情况,也可以在保险信息平台注册账号,购买保险,该保险所投保的标的物为该待测地区内的标的物,以及获取该待测地区的受损情况,从而该保险信息平台可以获取该用户的终端设备信息。
具体的,该灾害预测平台101可以获取待受灾地区的地图信息,按照预设划分规则将该待受灾地区划分为多个待测区域,并获取多个待测区域中的目标待测区域的历史环境数据和实时环境数据,根据历史环境数据和实时环境数据确定待测特征集合。进而,该灾害预警平台101可以将该待测特征集合输入至预训练的循环神经网络模型中,得到该循环神经网络模型预测的该目标待测区域的受损等级。进而,该灾害预警平台101可以从保险信息平台105获取该目标待测区域的保险信息,提取该保险信息中的终端设备信息,该终端设备信息用于指示终端设备A102和终端设备B103,该灾害预警平台可以根据该保险信息和受损等级生成预警信息,并向终端设备A102和终端设备B103发送该预警信息。其中,上述循环神经网络模型是由训练设备104训练得到的。
上述灾害预警平台101、终端设备(终端设备A102、终端设备B103)、训练设备104以及保险信息平台105均可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等等;上述灾害预警平台101、训练设备104以及上述保险信息平台105还可以是服务器,例如可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器,本申请对此不做限定。
下面对本申请实施例提供的一种基于循环神经网络模型的灾害预警方法进一步进行详细描述,请参阅图2,图2是本申请实施例提供的一种基于循环神经网络模型的灾害预警方法的流程示意图。其中,如图2所示,该基于循环神经网络模型的灾害预警方法可以包括:
201、获取待测受灾地区的地图信息,按照预设划分规则将所述待测受灾地区划分为多个待测区域。
在本申请实施例中,为了更好的让购买了保险的用户提前获知投保的标的物所在的区域是否受损,以及受损情况,对于标的物的受损情况。灾害预警平台可以预测某个地区是否即将发生灾害进行预测,其中,可以对该地区进行划分,划分为多个待测区域,对每个待测区域进行预测,即将待测区域的待测特征集合输入至循环神经网络模型中,通过该循环神经网络模型得到待测区域的受损等级,并向用户的终端设备发送包括该受损等级的预警信息,该用户的终端设备可以是灾害预警平台从保险信息平台获取的,该用户是为该待测区域内的对象投保的用户。通过向用户预警的方式,在一定程度上,可以提前对受灾情况进行了解和防范,降低灾害带来的损失。
在一种可能的实现方式中,待受灾地区可以是某一个之前发生过灾害(如洪灾、洪涝等)的地区,也可以是保险公司筛选出的某一个包含标的物较多的地区,即投保较多的地区,还可以是其他方式筛选的待受灾地区,本申请对此不做限定。其中,自然灾害包括多种不同的灾害,本申请以洪灾预警为例进行讲解。其中,待受灾地区的地图信息可以包括以下两类信息:(1)自然地图信息:包括自然地理信息(如水系、植被、交通等)的地图信息。(2)社会经济地图信息:包括如行政区等实体的地理信息,例如,已有的建筑物信息等。还可以包括如反映城市中不同时间段人口密度的分布信息等。
在一种可能的实现方式中,灾害预警平台可以将待受灾地区根据上述地图信息按照预设划分规则划分为多个待测区域,进而对每个待测区域进行具体分析。可选地,划分的网格可以是正方形网格,也可以是六边形网格,本申请对此不做限定。具体的,预设划分规则可以是按照城市和郊区以及预设网格大小进行划分的,城市和郊区的划分可以是以上述地图信息中人口密度程度进行划分的,也可以是由业务人员手动划分的,本申请对此不做限定。示例性的,若该待测受灾区域为城市区域,则可以按照1千米(KM)*1KM的范围进行划分,若该待测受灾区域为郊区区域,则可以按照5KM*5KM的范围进行划分等。也可以按照保险公司保险标的物的密度进行划分,若该待受灾地区的保险标的物密度大于预设密度阈值,则按照1KM*1KM的范围进行划分,若小于预设密度阈值,则可以按照5KM*5KM的范围进行划分等,本申请对此不做限定。将划分的后的每个网格作为一个待测区域,进而对待测区域进行分析。
202、获取目标待测区域的历史环境数据和实时环境数据,根据所述历史环境数据和所述实时环境数据确定所述目标待测地区的待测特征集合。
在一种可能的实现方式中,目标待测区域为上述划分为的多个待测区域中的任一待测区域。以一个待测区域进行分析,可以具体分析一个待测区域内的已经投保的标的物的受损情况,进而对已经投保的标的物的受损情况进行预警。其中,该目标待测区域的历史环境数据可以包括目标待测区域的历史洪涝数据、历史水淹数据、历史降雨数据、历史地质灾害数据;该历史环境数据还可以包括地形地势数据等等。该历史环境数据用于指示该目标待测区域的历史灾害情况,历史环境数据可以是从预设的数据库中获取的。该预设的数据库中可以存储该待测受灾地区的历史受灾信息。其中,该目标待测区域的实时环境数据还可以包括实时气象数据,例如,降雨量数据。该降雨量数据可以是在当前时刻的预设时间段内的降雨量数据,也可以是供应商预测的在当前时刻的未来一段时间内的降雨量数据等。该降雨量数据可以是从气象数据供应商的数据库中获取的。
进一步地,灾害预警平台可以根据历史环境数据和所述实时环境数据确定所述待测地区的待测特征集合。灾害预警平台可以将待测区域的历史环境数据以及实时环境数据从原始数据格式转换为输入预训练的循环神经网络模型的输入数据,具体地,灾害预警平台可以是将上述历史环境数据以及实时环境数据转换为预设文件以及预设格式的数据,例如,可以转换为定义的数组的格式(如jason数据格式),从而得到目标待测区域的待测特征集合。
可选地,上述历史环境数据和实时环境数据可以是多维数据,为了降低循环神经网络模型的计算量,还可以对得到的待测特征集合进行降维处理,得到降维后的待测特征集合作为循环神经网络模型的输入数据。
203、将所述待测特征集合输入至预训练的循环神经网络模型中,得到所述循环神经网络模型预测的所述目标待测区域的受损等级。
在一种可能的实现方式中,除了将上述待测特征集合输入至循环神经网络模型中,还可以输入在该待测区域内的标的物的位置信息以及易损等级,具体的,灾害预警平台可以从保险信息平台获取第二保险信息,该第二保险信息包括至少一个标的物的位置信息,进而灾害预警平台可以根据至少一个标的物的位置信息从第二保险信息中提取在目标待测区域内的第一标的物集合,即将标的物的位置信息在目标待测区域的网格内的标的物提取出来,并获取该第一标的物集合中各个参考标的物对应的易损等级。在将待测特征集合输入与预训练的循环神经网络模型时,可以一并将参考标的物的位置信息以及参考标的物的易损等级输入至循环神经网络模型中,得到该循环神经网络模型预测的在目标待测区域内参考标的物的受损程度(类别),得到受损等级。
在一种可能的实现方式中,第二保险信息可以为保险信息平台内存储的投保人的投保数据。具体的,灾害预警平台获取第一标的物集合中各个参考标的物对应的易损等级,所谓易损等级用于表示参考标的物容易受损的程度。可以理解的是,不同标的物容易受损的程度不同。灾害预警平台根据标的物的种类和预设种类权重的对应关系确定第二参考标的物的第一权重,该第二参考标的物为第一标的物集合中任一参考标的物。灾害预警平台可以获取该第二参考标的物的位置信息的历史灾害信息,并根据预设灾害等级评估规则确定该历史灾害信息的灾害等级,进而根据灾害等级与预设权重的对应关系确定该第二参考标的物的灾害等级对应的第二权重。进而获取该地图信息中水系信息,该水系信息包括水系的位置信息,根据该第二参考标的物的位置信息和水系的位置信息确定距离该第二参考标的物的位置信息最近的水系的距离,并根据该距离确定第二参考标的物的第三权重。以及根据第一权重、第二权重以及第三权重确定第二参考标的物对应的易损等级,得到该第一标的物集合中各个参考标的物对应的易损等级。
具体的,对于第一权重来说,表示该种类的标的物是否容易受损。示例性的,标的物的种类可以包括:车辆、人、机器设备、厂房、建筑物、货物,在建工程,工程材料等。灾害预测和预警以及估损主要是针对,厂房、设备、建筑物,工程等固定财产,不同标的物的种类在遭遇同等程度的灾害时,受损程度可能不同,因此对应不同的权重,得到第一权重。
具体的,对于第二权重来说,历史灾害信息可以包括历史灾害的程度,例如水淹灾害程度、洪涝灾害程度等等。不同的历史灾害程度表示过往灾害发生的程度,因此可以对应不同的权重,得到第二权重。其中,灾害等级可以与历史该位置信息所发生的灾害的种类(例如洪涝灾害、水淹灾害、泥石流灾害等)以及发生的程度有关,具体可以由业务人员设定,本申请对此不做限定。
具体的,对于第三权重来说,若该第二参考标的物的位置信息与水系之间的距离较近,则在降雨量较大的情况下,发生洪水相关的灾害的可能性较大,则易损程度也较大。所谓水系是指流域内所有河流、湖泊等各种水体组成的水网系统,具体可以指某一个河流、湖泊等。则可以根据地图信息获取该第二参考标的物的位置信息与最近的水系的之间的距离,则可以确定第三权重。其中,具体根据距离确定第三权重的方式可以是确定该距离所在的距离区间,以及该距离区间所对应的权重得到第三权重,还可以是根据其他方式确定第三权重,本申请对此不做限定。
进而,预设易损规则可以是将第一权重、第二权重以及第三权重相加或者相乘得到该第二参考标的物的权重,根据该标的物的权重所在的区间对应的预设易损等级,确定该第二参考标的物的易损等级,从而得到第一标的物集合中各个第二参考标的物的易损等级,即得到该待测区域内标的物的易损等级。
进而,灾害预警平台将待测特征集合、至少一个参考标的物的位置信息以及参考标的物的易损等级输入至循环神经网络模型中,得到该循环神经网络模型预测的该目标待测区域内参考标的物的受损等级,进而灾害预警平台可以根据该目标待测区域内参考标的物的受损等级生成预警信息并进行预警。
204、获取所述目标待测区域的第一保险信息,提取所述第一保险信息中的终端设备信息,根据所述目标待测区域的受损等级以及所述第一保险信息生成预警信息,并向所述终端设备信息指示的终端设备发送预警信息。
在一种可能的实现方式中,第一保险信息可以是灾害预警平台获取在预设时间段内的投保数据,该投保数据包括多个标的物的位置信息以及各个标的物的位置信息对应的终端设备信息。其中,该终端设备信息可以是终端设备的电话号码、设备标识等等。并根据投保数据中各个标的物的位置信息和至少一个参考标的物的位置信息提取的至少一个参考标的物对应的终端信息。进而,灾害预警平台可以根据第二保险信息和至少一个参考标的物对应的终端设备信息生成该目标待测区域的第一保险信息。其中,该第一保险信息可以是该待测区域内各个标的物的投保人的联系方式,从而灾害预警平台可以生成预警信息发送到对应的终端设备。
在一种可能的实现方式中,预警信息的发送方式可以但不限于通过灾害预警应用程序进行推送,向终端设备发送短信以及向终端设备拨打(Artificial Intelligence,AI)电话等,本申请对此不作限定。第一保险信息的获取方式可以是从保险公司的保险信息平台在预设时间段内的投保数据中提取的,进而,根据参考标的物的受损等级、位置信息以及种类生成预警信息。预警信息可以包括参考标的物的位置、受损等级对应可能受损的情况,以及参考标的物的类别对应的提前部署措施等。
在一种可能的实现方式中,在向各个投保人的终端设备发送预警信息之后,灾害预警平台还可以获取第一参考标的受损等级对应的赔付等级,该赔付等级用于指示该第一参考标的物在该受损等级下的赔付金额,该第一参考标的物为第一标的物集合中的任一参考标的物,即在该目标待测区域内的标的物。进而灾害预警平台可以根据赔付等级确定该第一参考标的物的赔付金额。具体的,根据受损等级确定赔付金额可以包括预设的赔付计算公式,本申请对此不做限定。灾害预警平台可以确定第一终端设备信息对应的第二标的物集合,即确定每一个投保人所投保的一个或多个参考标的物,进而确定该投保人对应的赔付总金额,该赔付总金额为该投保人所投保的各个标的物的赔付金额之和,从而该灾害预警平台可以根据各个第一终端信息的赔付增金额生成提示信息,并将该提示信息发送至预设保险终端设备,该保险终端设备可以是保险信息平台,也可以是该保险信息平台下的终端设备。
其中,灾害预警平台还可以统计每个终端设备信息(即每个投保人)投保的各个标的物的汇总受损情况,从而将汇总受损情况发送至保险公司的终端设备,即保险信息平台的终端设备中。可选地,该汇总受损情况还可以包括每个标的物的赔付等级以及赔付金额,从而可以计算出每个投保人的赔付总金额,便于保险公司的业务人员提前部署保险和为后续核保和风控做准备。
在一种可能的实现方式中,灾害预警平台在将待测特征集合输入至预训练的循环神经网络模型中,得到循环神经网络模型预测的目标待测区域的受损等级之后,还可以确定受损等级大于预设受损等级阈值的参考标的物,得到第三标的物集合,可以理解的是,该第三标的物集合中的标的物可以是受损等级较高的,可能受损比较严重的标的物。进而,根据该第三标的物集合中各个参考标的物的位置信息获取与该位置信息距离小于预设距离阈值的目标对象,并进一步获取该目标对象的受损等级,并将上述待测特征集合、目标对象的位置信息以及目标对象对应的易损等级输入至上述循环神经网络模型中,得到该目标对象的受损等级,若确定该目标对象的受损等级大于预设受损等级阈值的情况下,获取该目标对象的可投保险信息,并向预设销售终端发送业务提示信息,该业务提示信息包括目标对象的位置信息以及可投保险信息。
其中,在得到该循环神经网络模型的输出结果后,可以筛选出受损等级较高,即预测受损程度较为严重的参考标的物,得到第三标的物集合,并获取第三标的物集合中各个标的物周边的目标对象,即周边的目标对象为未投保的对象,具体可以是从地图信息中获取的。进而,灾害预警平台可以将该目标对象的易损等级、位置信息以及待测特征集合输入至循环神经网络模型中,得到目标对象的受损等级,若受损等级高于预设受损等级阈值,即确定目标对象受损程度较高,则可以向业务人员的销售终端发送业务信息,该业务信息用于指示目标对象可以投保。可选地,可投保信息可以包括目标对象的可投保的保险种类、承包金额等。
在本申请实施例中,通过获取待测受灾地区的地图信息,按照预设划分规则将待测受灾地区划分为多个待测区域。将待受灾地区进行划分,可以具体分析每一个小的待测区域的受损情况。通过将获取的待测区域的历史环境数据和实时环境数据确定待测特征集合,并将待测特征集合输入至预训练的循环神经网络模型中,得到该目标待测区域的受损等级。使用循环神经网络模型对目标待测区域的受损等级进行分类,模型参数较少,构建模型周期相短,时效性较好,也能够提高预测的准确性,使用范围较大,提高预测概率以及适用性。进而获取目标待测区域的保险信息并从保险信息中提取终端设备信息,根据目标待测区域的受损等级和保险信息生成预警信息,并向终端设备信息指示的终端设备发送该预警信息,该预警信息用于提示该目标待测区域满足预设灾害条件。通过保险信息中的终端设备信息向投保人的终端设备进行预警该目标待测区域即将受到灾害影响,从而可以使投保人提前对受灾情况进行了解和防范,降低灾害带来的损失。
请参阅图3,图3是本申请实施例提供的一种基于循环神经网络模型的灾害预警方法的流程示意图。其中,需要说明的是,本申请中各个实施例之间相同或相似的部分可以互相参考。在本申请中各个实施例、以及各实施例中的各个实施方式/实施方法/实现方法中,如果没有特殊说明以及逻辑冲突,不同的实施例之间、以及各实施例中的各个实施方式/实施方法/实现方法之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例、以及各实施例中的各个实施方式/实施方法/实现方法中的技术特征根据其内在的逻辑关系可以组合形成新的实施例、实施方式、实施方法、或实现方法。以上上述的本申请实施方式并不构成对本申请保护范围的限定。如图3所示,该基于循环神经网络模型的灾害预警方法可以包括:
301、获取训练样本集,上述训练样本集包括至少一个第一训练样本。
在一种可能的实现方式中,上述循环神经网络模型可以是循环神经网络(Recurrent Neural Network,RNN),也可以是长短期记忆网络(Long Short-Term Memory,LSTM),还可以是其他循环神经网络模型,本申请对此不做限定。本申请以LSTM为例进行讲解。
这是由于LSTM具有记忆性,多用于处理时序数据,在LSTM模型中存在读个块(block),每个块中可以包括输入层、隐藏层以及输出层,在隐藏层还包括循环层,该循环层包括用于存储每一时刻信息的记忆细胞、将每一时间步(相当于每一时刻)输入该记忆细胞的输入门、从该记忆细胞的输出信息的输出门、以及判断该记忆细胞中是否输出该时间步的信息的遗忘门。对于每一块来说,记忆细胞的接收的输入是输入门的值和当前时刻的输入的值的乘积,以及遗忘门和上一时间步(上一个时刻/上一个块)的记忆细胞输出的值的乘积。经过本次遗忘门的计算,从而输出本时间步的记忆细胞输出结果,进而进入下一个块进行处理。因此,灾害预警平台可以将历史环境数据以及实时环境数据按照时序以预设的格式依次输入至该LSTM中,该LSTM可以用于预测,也可以用于分类,通过LSTM对输入的数据进行处理,从而得到预测或者分类结果。其中,该LSTM还具有参数较少,构建模型周期相短,时效性较好的特点。在本申请实施例中,该LSTM是作为一种分类器。
具体的,训练设备(灾害预警平台)可以获取训练样本集,该训练样本集可以是技术人员从历史的灾害数据中提取的训练数据,该训练数据中可以包括多次历史灾害的数据,则可以将每一个灾害数据作为一个第一训练样本,则得到至少一个第一训练样本。可选地,还可以将该训练数据按照比例分为训练样本集和测试样本集,以便后续对初始循环神经网络模型进行训练后进行测试。
302、将上述第一训练样本集输入至初始循环神经网络模型中,得到上述初始循环神经网络模型输出的上述第一训练样本的分类结果,上述分类结果用于指示上述第一训练样本属于各个类别的分类概率。
在一种可能的实现方式中,由于在本申请实施例中,该LSTM是作为一种分类器,则可以选择交叉熵损失函数作为该LSTM的损失函数。具体的,将该第一训练样本输入至初始LSTM中,得到该LSTM输出的该第一训练样本的分类结果,该分类结果包括该第一训练样本在各个类别下的分类概率。其中,各个类别可以是该参考标的物的受损等级,每个受损等级对应一个类别。
可选地,上述第一训练样本属于各个类别的分类概率可以通过softmax方程来表示,如公式1所示:
在公式1中,CK表示输出的类别,k的值可以是1,2…K,a为LSTM模型的输出向量,k表示某一个类别。进而,该灾害预警平台(训练设备)可以根据该训练样本集中各个第一训练样本的分类结果确定该LSTM模型的损失函数值。
303、根据上述训练样本集中上述至少一个第一训练样本属于各个类别的分类概率确定上述初始循环神经网络模型的损失函数值。
在一种可能的实现方式中,由于在本申请实施例中该LSTM是分类模型,则损失函数可以是交叉熵损失函数,进而可以根据LSTM模型输出的该训练样本集中各个第一训练样本的类别与真实类别之间的差异确定损失函数值。具体的,将上述p(CK|x)定义为yk,则损失函数可以如公式2所示:
在公式2中,L(x,z)表示损失函数,x表示输入LSTM模型的特征集合,zk为实际的标签,即第一训练样本的受损等级标签。lnyk为yk以e为底数的对数,yk=p(Ck|x),其中yk与LSTM模型的权重(即模型的参数)有关。进而,灾害预警平台(训练设备)对该损失函数进行链式求导,从而通过反向传播方式和梯度下降的方法优化LSTM模型中的权重(即模型的参数)。
304、根据上述损失函数值、上述训练样本集对上述初始循环神经网络模型进行迭代训练,在上述损失函数值满足训练结束条件的情况下,确定上述损失函数值满足训练结束条件时的初始循环神经网络模型为上述循环神经网络模型。
在一种可能的实现方式中,训练结束条件可以是上述求出的损失函数值最小,也可以是通过将上述测试样本集中各个测试样本输入至初始循环神经网络模型中,得到该测试样本集中各个测试样本的分类结果,进而根据各个测试样本的分类结果和真实结果计算出针对该测试样本集的分类准确率,则训练结束条件可以是分类准确率阈值。则灾害预警平台(训练设备)可以将损失函数值最小的初始循环神经网络模型确定为训练好的循环神经网络模型,也可以将测试样本集的分类准确率达到分类准确率阈值的初始循环神经网络模型确定为训练好的循环神经网络模型,从而完成训练,则灾害预警平台可以使用该训练好的循环神经网络模型对待测区域的受损情况进行预测。
在本申请实施例中,通过获取待测受灾地区的地图信息,按照预设划分规则将待测受灾地区划分为多个待测区域。将待受灾地区进行划分,可以具体分析每一个小的待测区域的受损情况。通过将获取的待测区域的历史环境数据和实时环境数据确定待测特征集合,并将待测特征集合输入至预训练的循环神经网络模型中,得到该目标待测区域的受损等级。使用循环神经网络模型对目标待测区域的受损等级进行分类,模型参数较少,构建模型周期相短,时效性较好,也能够提高预测的准确性,使用范围较大,提高预测概率以及适用性。进而获取目标待测区域的保险信息并从保险信息中提取终端设备信息,根据目标待测区域的受损等级和保险信息生成预警信息,并向终端设备信息指示的终端设备发送该预警信息,该预警信息用于提示该目标待测区域满足预设灾害条件。通过保险信息中的终端设备信息向投保人的终端设备进行预警该目标待测区域即将受到灾害影响,从而可以使投保人提前对受灾情况进行了解和防范,降低灾害带来的损失。
请参阅图4,图4是本申请实施例提供的一种基于循环神经网络模型的灾害预警装置的结构示意图,上述基于循环神经网络模型的灾害预警装置400包括:
获取单元401,用于获取待测受灾地区的地图信息,按照预设划分规则将上述待测受灾地区划分为多个待测区域;
上述获取单元401,还用于获取目标待测区域的历史环境数据和实时环境数据,根据上述历史环境数据和上述实时环境数据确定上述目标待测地区的待测特征集合,上述目标待测区域为上述待测受灾地区中的任一待测区域;
输入单元402,用于将上述待测特征集合输入至预训练的循环神经网络模型中,得到上述循环神经网络模型预测的上述目标待测区域的受损等级;
上述获取单元401,还用于获取上述目标待测区域的第一保险信息,提取上述第一保险信息中的终端设备信息,根据上述目标待测区域的受损等级以及上述第一保险信息生成预警信息,并向上述终端设备信息指示的终端设备发送预警信息,上述预警信息用于提示上述目标待测区域满足预设灾害条件。
进一步地,上述获取单元401,还用于获取训练样本集,上述训练样本集包括至少一个第一训练样本;
上述输入单元402,还用于将上述第一训练样本集输入至初始循环神经网络模型中,得到上述初始循环神经网络模型输出的上述第一训练样本的分类结果,上述分类结果用于指示上述第一训练样本属于各个类别的分类概率;
确定单元403,用于根据上述训练样本集中上述至少一个第一训练样本属于各个类别的分类概率确定上述初始循环神经网络模型的损失函数值;
训练单元404,用于根据上述损失函数值、上述训练样本集对上述初始循环神经网络模型进行迭代训练,在上述损失函数值满足训练结束条件的情况下,确定上述损失函数值满足训练结束条件时的初始循环神经网络模型为上述循环神经网络模型。
进一步地,上述获取单元401,还用于获取第二保险信息,上述第二保险信息包括至少一个标的物的位置信息;
提取单元405,用于根据上述至少一个标的物的位置信息从上述第二保险信息中提取在上述目标待测区域内的第一标的物集合;
上述获取单元401,还用于获取上述第一标的物集合中至少一个参考标的物对应的易损等级;
上述输入单元402将上述待测特征集合输入至预训练的循环神经网络模型中,得到上述循环神经网络模型预测的上述目标待测区域的受损等级,具体用于:
将上述待测特征集合、上述至少一个参考标的物的位置信息、上述至少一个参考标的物的易损等级输入至上述循环神经网络模型中,得到上述循环神经网络模型预测的上述目标待测区域内上述至少一个参考标的物的受损等级。
进一步地,上述第二保险信息还包括至少一个标的物的种类,上述获取单元401获取上述目标待测区域的第一保险信息,具体用于:
获取在预设时间段内的投保数据,上述投保数据包括多个标的物的位置信息以及各个标的物的位置信息对应的终端设备信息;
根据上述各个标的物的位置信息和上述至少一个参考标的物的位置信息从上述投保数据中提取上述至少一个参考标的物对应的终端设备信息;
根据上述第二保险信息和上述至少一个参考标的物对应的终端设备信息生成上述目标待测区域的第一保险信息;
上述根据上述目标待测区域的受损等级以及上述第一保险信息生成预警信息,包括:
根据上述至少一个参考标的物的受损等级、上述至少一个参考标的物的位置信息和上述至少一个标的物的种类生成上述预警信息。
进一步地,上述获取单元401,还用于获取第一参考标的物的受损等级对应的赔付等级,上述赔付等级用于指示上述第一参考标的物对应的赔付金额,上述第一参考标的物为上述至少一个参考标中任一参考标的物;
上述确定单元403,还用于根据上述赔付等级,确定上述第一参考标的物的赔付金额;
上述确定单元403,还用于确定第一终端设备信息对应的第二标的物集合,上述第二标的物集合包括一个或多个参考标的物,上述第一终端设备信息为上述第一保险信息中任一终端设备信息;
上述确定单元403,还用于确定上述第一终端设备信息的赔付总金额,上述赔付总金额为上述第二标的物集合中所有参考标的物的赔付金额之和;
生成单元406,用于根据上述第一保险信息中各个第一终端设备信息的赔付总金额生成提示信息,并将上述提示信息发送至预设保险终端设备。
进一步地,上述获取单元401获取上述第一标的物集合中至少一个参考标的物对应的易损等级,具体用于:
根据标的物的种类与预设种类权重的对应关系确定第二参考标的物的第一权重,上述第二参考标的物为上述至少一个参考标的物中任一参考标的物;
根据上述第二参考标的物的位置信息获取历史灾害信息,并根据预设灾害等级评估规则确定上述历史灾害信息的灾害等级;
根据灾害等级与预设权重的对应关系确定上述灾害等级对应的第二权重;
获取上述地图信息中水系信息,上述水系信息包括水系的位置信息,根据上述第二参考标的物的位置信息和上述水系的位置信息确定距离上述第二参考标的物的位置信息的最近的水系的距离;
根据上述距离确定上述第二参考标的物的第三权重,并根据预设易损规则、上述第一权重、上述第二权重以及上述第三权重确定上述第二参考标的物对应的易损等级,将上述第一标的物集合中各个第二参考标的物对应的易损等级作为上述第一标的物集合中至少一个参考标的物对应的易损等级。
进一步地,上述获取单元401,还用于:
获取上述待测区域中受损等级大于预设受损等级阈值的参考标的物,得到第三标的物集合;
根据上述第三标的物集合中各个参考标的物的位置信息获取与上述第三标的物中的参考标的物的位置信息距离小于预设距离阈值的目标对象;
获取上述目标对象对应的易损等级,并将上述待测特征集合、上述目标对象的位置信息、上述目标对象对应的易损等级输入至上述循环神经网络模型中,得到上述循环神经网络模型预测的上述目标对象的受损等级;
在确定上述目标对象的受损等级大于预设受损等级阈值的情况下,获取上述目标对象的可投保险信息,并向预设销售终端发送业务提示信息,上述业务提示信息包括上述目标对象的位置信息以及上述目标对象的可投保险信息。
有关上述获取单元401、输入单元402、确定单元403、训练单元404、提取单元405以及生成单元406详细的描述可以直接参考上述图2至图3所示的方法实施例中的相关描述直接得到,这里不加赘述。
在本申请实施例中,通过获取待测受灾地区的地图信息,按照预设划分规则将待测受灾地区划分为多个待测区域。将待受灾地区进行划分,可以具体分析每一个小的待测区域的受损情况。通过将获取的待测区域的历史环境数据和实时环境数据确定待测特征集合,并将待测特征集合输入至预训练的循环神经网络模型中,得到该目标待测区域的受损等级。使用循环神经网络模型对目标待测区域的受损等级进行分类,模型参数较少,构建模型周期相短,时效性较好,也能够提高预测的准确性,使用范围较大,提高预测概率以及适用性。进而获取目标待测区域的保险信息并从保险信息中提取终端设备信息,根据目标待测区域的受损等级和保险信息生成预警信息,并向终端设备信息指示的终端设备发送该预警信息,该预警信息用于提示该目标待测区域满足预设灾害条件。通过保险信息中的终端设备信息向投保人的终端设备进行预警该目标待测区域即将受到灾害影响,从而可以使投保人提前对受灾情况进行了解和防范,降低灾害带来的损失。
请参阅图5,图5是本申请实施例提供的一种计算机设备的结构示意图,如图5所示,本申请实施例中的计算机设备500可以包括:
处理器501,收发器502和存储器505,此外,上述计算机设备500还可以包括:用户接口504,和至少一个通信总线503。其中,通信总线503用于实现这些组件之间的连接通信。其中,用户接口504可以包括显示屏(Display)、键盘(Keyboard),存储器505可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器505可选的还可以是至少一个位于远离前述处理器501和前述收发器502的存储装置。如图5所示,作为一种计算机存储介质的存储器505中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图5所示的计算机设备500中,收发器502可提供网络通讯功能,以使服务器间可进行通信;而用户接口504主要用于为用户提供输入的接口;而处理器501可以用于调用存储器505中存储的设备控制应用程序,执行如下操作:
获取待测受灾地区的地图信息,按照预设划分规则将上述待测受灾地区划分为多个待测区域;
获取目标待测区域的历史环境数据和实时环境数据,根据上述历史环境数据和上述实时环境数据确定上述目标待测地区的待测特征集合,上述目标待测区域为上述待测受灾地区中的任一待测区域;
将上述待测特征集合输入至预训练的循环神经网络模型中,得到上述循环神经网络模型预测的上述目标待测区域的受损等级;
获取上述目标待测区域的第一保险信息,提取上述第一保险信息中的终端设备信息,根据上述目标待测区域的受损等级以及上述第一保险信息生成预警信息,并向上述终端设备信息指示的终端设备发送预警信息,上述预警信息用于提示上述目标待测区域满足预设灾害条件。
在一种可能的实现方式中,上述处理器501将上述待测特征集合输入至预训练的循环神经网络模型中,得到上述循环神经网络模型输出的上述目标待测区域的受损等级之前,上述处理器501还用于执行如下操作:
获取训练样本集,上述训练样本集包括至少一个第一训练样本;
将上述第一训练样本集输入至初始循环神经网络模型中,得到上述初始循环神经网络模型输出的上述第一训练样本的分类结果,上述分类结果用于指示上述第一训练样本属于各个类别的分类概率;
根据上述训练样本集中上述至少一个第一训练样本属于各个类别的分类概率确定上述初始循环神经网络模型的损失函数值;
根据上述损失函数值、上述训练样本集对上述初始循环神经网络模型进行迭代训练,在上述损失函数值满足训练结束条件的情况下,确定上述损失函数值满足训练结束条件时的初始循环神经网络模型为上述循环神经网络模型。
在一种可能的实现方式中,上述处理器501获取目标待测区域的历史环境数据和实时环境数据之前,上述处理器501还用于执行如下操作:
获取第二保险信息,上述第二保险信息包括至少一个标的物的位置信息;
根据上述至少一个标的物的位置信息从上述第二保险信息中提取在上述目标待测区域内的第一标的物集合;
获取上述第一标的物集合中至少一个参考标的物对应的易损等级;
上述处理器501将上述待测特征集合输入至预训练的循环神经网络模型中,得到上述循环神经网络模型预测的上述目标待测区域的受损等级,具体用于执行:
将上述待测特征集合、上述至少一个参考标的物的位置信息、上述至少一个参考标的物的易损等级输入至上述循环神经网络模型中,得到上述循环神经网络模型预测的上述目标待测区域内上述至少一个参考标的物的受损等级。
在一种可能的实现方式中,上述第二保险信息还包括至少一个标的物的种类,上述处理器501获取上述目标待测区域的第一保险信息,具体用于执行:
获取在预设时间段内的投保数据,上述投保数据包括多个标的物的位置信息以及各个标的物的位置信息对应的终端设备信息;
根据上述各个标的物的位置信息和上述至少一个参考标的物的位置信息从上述投保数据中提取上述至少一个参考标的物对应的终端设备信息;
根据上述第二保险信息和上述至少一个参考标的物对应的终端设备信息生成上述目标待测区域的第一保险信息;
上述根据上述目标待测区域的受损等级以及上述第一保险信息生成预警信息,包括:
根据上述至少一个参考标的物的受损等级、上述至少一个参考标的物的位置信息和上述至少一个标的物的种类生成上述预警信息。
在一种可能的实现方式中,上述处理器501向上述终端设备信息指示的终端设备发送预警信息之后,上述处理器501还用于执行如下操作:
获取第一参考标的物的受损等级对应的赔付等级,上述赔付等级用于指示上述第一参考标的物对应的赔付金额,上述第一参考标的物为上述至少一个参考标中任一参考标的物;
根据上述赔付等级,确定上述第一参考标的物的赔付金额;
确定第一终端设备信息对应的第二标的物集合,上述第二标的物集合包括一个或多个参考标的物,上述第一终端设备信息为上述第一保险信息中任一终端设备信息;
确定上述第一终端设备信息的赔付总金额,上述赔付总金额为上述第二标的物集合中所有参考标的物的赔付金额之和;
根据上述第一保险信息中各个第一终端设备信息的赔付总金额生成提示信息,并将上述提示信息发送至预设保险终端设备。
在一种可能的实现方式红,上述处理器501获取上述第一标的物集合中至少一个参考标的物对应的易损等级,具体用于执行:
根据标的物的种类与预设种类权重的对应关系确定第二参考标的物的第一权重,上述第二参考标的物为上述至少一个参考标的物中任一参考标的物;
根据上述第二参考标的物的位置信息获取历史灾害信息,并根据预设灾害等级评估规则确定上述历史灾害信息的灾害等级;
根据灾害等级与预设权重的对应关系确定上述灾害等级对应的第二权重;
获取上述地图信息中水系信息,上述水系信息包括水系的位置信息,根据上述第二参考标的物的位置信息和上述水系的位置信息确定距离上述第二参考标的物的位置信息的最近的水系的距离;
根据上述距离确定上述第二参考标的物的第三权重,并根据预设易损规则、上述第一权重、上述第二权重以及上述第三权重确定上述第二参考标的物对应的易损等级,将上述第一标的物集合中各个第二参考标的物对应的易损等级作为上述第一标的物集合中至少一个参考标的物对应的易损等级。
在一种可能的实现方式中,上述处理器501将上述待测特征集合输入至预训练的循环神经网络模型中,得到上述循环神经网络模型预测的上述目标待测区域的受损等级之后,上述处理器501还用于执行如下操作:
获取上述待测区域中受损等级大于预设受损等级阈值的参考标的物,得到第三标的物集合;
根据上述第三标的物集合中各个参考标的物的位置信息获取与上述第三标的物中的参考标的物的位置信息距离小于预设距离阈值的目标对象;
获取上述目标对象对应的易损等级,并将上述待测特征集合、上述目标对象的位置信息、上述目标对象对应的易损等级输入至上述循环神经网络模型中,得到上述循环神经网络模型预测的上述目标对象的受损等级;
在确定上述目标对象的受损等级大于预设受损等级阈值的情况下,获取上述目标对象的可投保险信息,并向预设销售终端发送业务提示信息,上述业务提示信息包括上述目标对象的位置信息以及上述目标对象的可投保险信息。
应当理解,在一些可行的实施方式中,上述处理器501可以是中央处理单元(central processing unit,CPU),该处理器501还可以是其他通用处理器、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specific integratedcircuit,ASIC)、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器505可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器505的一部分还可以包括非易失性随机存取存储器。
具体实现中,上述计算机设备500可通过其内置的各个功能模块执行如上述图2和图3中各个步骤所提供的实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
在本申请实施例中,通过获取待测受灾地区的地图信息,按照预设划分规则将待测受灾地区划分为多个待测区域。将待受灾地区进行划分,可以具体分析每一个小的待测区域的受损情况。通过将获取的待测区域的历史环境数据和实时环境数据确定待测特征集合,并将待测特征集合输入至预训练的循环神经网络模型中,得到该目标待测区域的受损等级。使用循环神经网络模型对目标待测区域的受损等级进行分类,模型参数较少,构建模型周期相短,时效性较好,也能够提高预测的准确性,使用范围较大,提高预测概率以及适用性。进而获取目标待测区域的保险信息并从保险信息中提取终端设备信息,根据目标待测区域的受损等级和保险信息生成预警信息,并向终端设备信息指示的终端设备发送该预警信息,该预警信息用于提示该目标待测区域满足预设灾害条件。通过保险信息中的终端设备信息向投保人的终端设备进行预警该目标待测区域即将受到灾害影响,从而可以使投保人提前对受灾情况进行了解和防范,降低灾害带来的损失。
此外,这里需要指出的是:本申请实施例还提供了一种计算机可读存储介质,且上述计算机可读存储介质中存储有前文提及的计算机设备所执行的计算机程序,且上述计算机程序包括程序指令,当上述处理器执行上述程序指令时,能够执行前文图2或图3任一个所对应实施例中的对任一方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序指令相关的硬件来完成,上述的程序可存储于一计算机可读存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,上述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random accessmemory,RAM)等。
需要强调的是,为进一步保证上述数据的私密和安全性,上述数据还可以存储于一区块链的节点中。其中,本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种基于循环神经网络模型的灾害预警方法,其特征在于,包括:
获取待测受灾地区的地图信息,按照预设划分规则将所述待测受灾地区划分为多个待测区域;
获取目标待测区域的历史环境数据和实时环境数据,根据所述历史环境数据和所述实时环境数据确定所述目标待测地区的待测特征集合,所述目标待测区域为所述待测受灾地区中的任一待测区域;
将所述待测特征集合输入至预训练的循环神经网络模型中,得到所述循环神经网络模型预测的所述目标待测区域的受损等级;
获取所述目标待测区域的第一保险信息,提取所述第一保险信息中的终端设备信息,根据所述目标待测区域的受损等级以及所述第一保险信息生成预警信息,并向所述终端设备信息指示的终端设备发送预警提示信息,所述预警提示信息用于提示所述目标待测区域满足预设灾害条件。
2.根据权利要求1所述的方法,其特征在于,所述将所述待测特征集合输入至预训练的循环神经网络模型中,得到所述循环神经网络模型输出的所述目标待测区域的受损等级之前,所述方法还包括:
获取训练样本集,所述训练样本集包括至少一个第一训练样本;
将所述第一训练样本集输入至初始循环神经网络模型中,得到所述初始循环神经网络模型输出的所述第一训练样本的分类结果,所述分类结果用于指示所述第一训练样本属于各个类别的分类概率;
根据所述训练样本集中所述至少一个第一训练样本属于各个类别的分类概率确定所述初始循环神经网络模型的损失函数值;
根据所述损失函数值、所述训练样本集对所述初始循环神经网络模型进行迭代训练,在所述损失函数值满足训练结束条件的情况下,确定所述损失函数值满足训练结束条件时的初始循环神经网络模型为所述循环神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述获取目标待测区域的历史环境数据和实时环境数据之前,所述方法还包括:
获取第二保险信息,所述第二保险信息包括至少一个标的物的位置信息;
根据所述至少一个标的物的位置信息从所述第二保险信息中提取在所述目标待测区域内的第一标的物集合;
获取所述第一标的物集合中至少一个参考标的物对应的易损等级;
所述将所述待测特征集合输入至预训练的循环神经网络模型中,得到所述循环神经网络模型预测的所述目标待测区域的受损等级,包括:
将所述待测特征集合、所述至少一个参考标的物的位置信息、所述至少一个参考标的物的易损等级输入至所述循环神经网络模型中,得到所述循环神经网络模型预测的所述目标待测区域内所述至少一个参考标的物的受损等级。
4.根据权利要求3所述的方法,其特征在于,所述第二保险信息还包括至少一个标的物的种类,所述获取所述目标待测区域的第一保险信息,包括:
获取在预设时间段内的投保数据,所述投保数据包括多个标的物的位置信息以及各个标的物的位置信息对应的终端设备信息;
根据所述各个标的物的位置信息和所述至少一个参考标的物的位置信息从所述投保数据中提取所述至少一个参考标的物对应的终端设备信息;
根据所述第二保险信息和所述至少一个参考标的物对应的终端设备信息生成所述目标待测区域的第一保险信息;
所述根据所述目标待测区域的受损等级以及所述第一保险信息生成预警信息,包括:
根据所述至少一个参考标的物的受损等级、所述至少一个参考标的物的位置信息和所述至少一个标的物的种类生成所述预警信息。
5.根据权利要求4所述的方法,其特征在于,所述向所述终端设备信息指示的终端设备发送预警提示信息之后,所述方法还包括:
获取第一参考标的物的受损等级对应的赔付等级,所述赔付等级用于指示所述第一参考标的物对应的赔付金额,所述第一参考标的物为所述至少一个参考标中任一参考标的物;
根据所述赔付等级,确定所述第一参考标的物的赔付金额;
确定第一终端设备信息对应的第二标的物集合,所述第二标的物集合包括一个或多个参考标的物,所述第一终端设备信息为所述第一保险信息中任一终端设备信息;
确定所述第一终端设备信息的赔付总金额,所述赔付总金额为所述第二标的物集合中所有参考标的物的赔付金额之和;
根据所述第一保险信息中各个第一终端设备信息的赔付总金额生成提示信息,并将所述提示信息发送至预设保险终端设备。
6.根据权利要求4所述的方法,其特征在于,所述获取所述第一标的物集合中至少一个参考标的物对应的易损等级,包括:
根据标的物的种类与预设种类权重的对应关系确定第二参考标的物的第一权重,所述第二参考标的物为所述至少一个参考标的物中任一参考标的物;
根据所述第二参考标的物的位置信息获取历史灾害信息,并根据预设灾害等级评估规则确定所述历史灾害信息的灾害等级;
根据灾害等级与预设权重的对应关系确定所述灾害等级对应的第二权重;
获取所述地图信息中水系信息,所述水系信息包括水系的位置信息,根据所述第二参考标的物的位置信息和所述水系的位置信息确定距离所述第二参考标的物的位置信息的最近的水系的距离;
根据所述距离确定所述第二参考标的物的第三权重,并根据预设易损规则、所述第一权重、所述第二权重以及所述第三权重确定所述第二参考标的物对应的易损等级,将所述第一标的物集合中各个第二参考标的物对应的易损等级作为所述第一标的物集合中至少一个参考标的物对应的易损等级。
7.根据权利要求3所述的方法,其特征在于,所述将所述待测特征集合输入至预训练的循环神经网络模型中,得到所述循环神经网络模型预测的所述目标待测区域的受损等级之后,所述方法还包括:
获取所述待测区域中受损等级大于预设受损等级阈值的参考标的物,得到第三标的物集合;
根据所述第三标的物集合中各个参考标的物的位置信息获取与所述第三标的物中的参考标的物的位置信息距离小于预设距离阈值的目标对象;
获取所述目标对象对应的易损等级,并将所述待测特征集合、所述目标对象的位置信息、所述目标对象对应的易损等级输入至所述循环神经网络模型中,得到所述循环神经网络模型预测的所述目标对象的受损等级;
在确定所述目标对象的受损等级大于预设受损等级阈值的情况下,获取所述目标对象的可投保险信息,并向预设销售终端发送业务提示信息,所述业务提示信息包括所述目标对象的位置信息以及所述目标对象的可投保险信息。
8.一种基于循环神经网络模型的灾害预警装置,其特征在于,包括:
获取单元,用于获取待测受灾地区的地图信息,按照预设划分规则将所述待测受灾地区划分为多个待测区域;
所述获取单元,还用于获取目标待测区域的历史环境数据和实时环境数据,根据所述历史环境数据和所述实时环境数据确定所述目标待测地区的待测特征集合,所述目标待测区域为所述待测受灾地区中的任一待测区域;
输入单元,用于将所述待测特征集合输入至预训练的循环神经网络模型中,得到所述循环神经网络模型预测的所述目标待测区域的受损等级;
所述获取单元,还用于获取所述目标待测区域的第一保险信息,提取所述第一保险信息中的终端设备信息,根据所述目标待测区域的受损等级以及所述第一保险信息生成预警信息,并向所述终端设备信息指示的终端设备发送预警提示信息,所述预警提示信息用于提示所述目标待测区域满足预设灾害条件。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111534649.8A CN114118628A (zh) | 2021-12-15 | 2021-12-15 | 一种基于循环神经网络模型的灾害预警方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111534649.8A CN114118628A (zh) | 2021-12-15 | 2021-12-15 | 一种基于循环神经网络模型的灾害预警方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118628A true CN114118628A (zh) | 2022-03-01 |
Family
ID=80365450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111534649.8A Pending CN114118628A (zh) | 2021-12-15 | 2021-12-15 | 一种基于循环神经网络模型的灾害预警方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118628A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456430A (zh) * | 2022-09-20 | 2022-12-09 | 重庆大学 | 一种景区涨潮预警方法及系统 |
-
2021
- 2021-12-15 CN CN202111534649.8A patent/CN114118628A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456430A (zh) * | 2022-09-20 | 2022-12-09 | 重庆大学 | 一种景区涨潮预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shahabi et al. | Landslide susceptibility mapping using GIS-based statistical models and Remote sensing data in tropical environment | |
Shahabi et al. | Remote sensing and GIS-based landslide susceptibility mapping using frequency ratio, logistic regression, and fuzzy logic methods at the central Zab basin, Iran | |
Nong et al. | Urban growth pattern modeling using logistic regression | |
Gaidzik et al. | The importance of input data on landslide susceptibility mapping | |
Cortès et al. | The relationship between precipitation and insurance data for floods in a Mediterranean region (northeast Spain) | |
Pouyan et al. | A multi-hazard map-based flooding, gully erosion, forest fires, and earthquakes in Iran | |
Mesta et al. | Urban growth modelling and social vulnerability assessment for a hazardous Kathmandu Valley | |
KR101856490B1 (ko) | 폭우에 대한 재해취약성 정보 자동처리방법 | |
CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
Li et al. | Using spatial analysis and Bayesian network to model the vulnerability and make insurance pricing of catastrophic risk | |
Sebastian et al. | Hindcast of pluvial, fluvial, and coastal flood damage in Houston, Texas during Hurricane Harvey (2017) using SFINCS | |
CN116151483B (zh) | 一种区域级降雨滑坡概率性预测方法及预测终端 | |
Park et al. | Introduction and application of non-stationary standardized precipitation index considering probability distribution function and return period | |
Matte et al. | Moving beyond the cost–loss ratio: economic assessment of streamflow forecasts for a risk-averse decision maker | |
Mangukiya et al. | Flood risk mapping for the lower Narmada basin in India: A machine learning and IoT-based framework | |
Tavares da Costa et al. | Predictive modeling of envelope flood extents using geomorphic and climatic‐hydrologic catchment characteristics | |
Daksiya et al. | Effect of climate change and urbanisation on flood protection decision‐making | |
Young et al. | Social sensing of flood impacts in India: A case study of Kerala 2018 | |
Aitkenhead et al. | Assessing agricultural drought management strategies in the Northern Murray–Darling Basin | |
US20100036793A1 (en) | Method and System for Geospatial Forecasting of Events Incorporating Data Error and Uncertainty | |
Paulik et al. | Cumulative building exposure to extreme sea level flooding in coastal urban areas | |
Yum et al. | Development of vulnerability curves of buildings to windstorms using insurance data: An empirical study in South Korea | |
Shastry et al. | Using Steady‐State Backwater Analysis to Predict Inundated Area from National Water Model Streamflow Simulations | |
Wouters et al. | Improving flood damage assessments in data scarce areas by retrieval of building characteristics through UAV image segmentation and machine learning–a case study of the 2019 floods in Southern Malawi | |
Qasimi et al. | Landslide susceptibility mapping in Badakhshan province, Afghanistan: A comparative study of machine learning algorithms |
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 |