CN114419869B - 一种基于时序多维预测的城市灾害预警方法及系统 - Google Patents

一种基于时序多维预测的城市灾害预警方法及系统 Download PDF

Info

Publication number
CN114419869B
CN114419869B CN202210320934.8A CN202210320934A CN114419869B CN 114419869 B CN114419869 B CN 114419869B CN 202210320934 A CN202210320934 A CN 202210320934A CN 114419869 B CN114419869 B CN 114419869B
Authority
CN
China
Prior art keywords
dimensional
disaster
characterizer
data
loss function
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
Application number
CN202210320934.8A
Other languages
English (en)
Other versions
CN114419869A (zh
Inventor
宋博
王轶
赵辉
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.)
Beijing Qixing Technology Co ltd
Original Assignee
Beijing Qixing Technology Co ltd
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 Beijing Qixing Technology Co ltd filed Critical Beijing Qixing Technology Co ltd
Priority to CN202210320934.8A priority Critical patent/CN114419869B/zh
Publication of CN114419869A publication Critical patent/CN114419869A/zh
Application granted granted Critical
Publication of CN114419869B publication Critical patent/CN114419869B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Alarm Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于时序多维预测的城市灾害预警方法及系统，涉及灾害预警领域，所述方法，包括：获取目标城市当前的灾害相关数据；灾害相关数据为与灾害事件相关的多个因素构成的多维数据；一个因素对应一个单维数据；每一个单维数据对应一个时间序列；将当前的灾害相关数据输入城市灾害预警模型中，得到目标城市的未来灾害可能性指数；未来灾害可能性指数用于对目标城市进行灾害预警；其中，城市灾害预警模型是采用历史灾害相关数据对第一单维表征器、第二单维表征器和多维表征器进行并行训练得到的。本发明能对灾害事件进行预测，使得管理人员可以缩短施救时间甚至遏制灾害的发生，极大限度的减小城市灾害造成的人力、财力损失。

Description

一种基于时序多维预测的城市灾害预警方法及系统
技术领域
本发明涉及灾害预警领域，特别是涉及一种基于时序多维预测的城市灾害预警方法及系统。
背景技术
城市灾害时有发生，在城市中心构建应急大脑系统有助于灾害防范。管理人员可以通过应急大脑实时掌控各数据管道情况，监控城市运作系统，当灾害发生时，及时做好施救措施，现有的应急大脑系统无法对灾害事件提前感知。而如果能在灾害发生前就能做到提前感知，事前感知对提前采取行动进行灾害防范，遏制灾害不发生或者缩短施救时间，可以极大的减小城市损失。如何建立城市灾害预警系统，对灾害事件提前感知，一直是业界亟待解决的问题。
发明内容
基于此，本发明实施例提供一种基于时序多维预测的城市灾害预警方法及系统，以对灾害事件进行预测，使得管理人员可以缩短施救时间甚至遏制灾害的发生，极大限度的减小城市灾害造成的人力、财力损失。
为实现上述目的，本发明提供了如下方案：
一种基于时序多维预测的城市灾害预警方法，包括：
获取目标城市当前的灾害相关数据；所述灾害相关数据为与灾害事件相关的多个因素构成的多维数据；一个因素对应一个单维数据；每一个单维数据对应一个时间序列；
将当前的灾害相关数据输入城市灾害预警模型中，得到所述目标城市的未来灾害可能性指数；所述未来灾害可能性指数用于对所述目标城市进行灾害预警；
其中，所述城市灾害预警模型的确定方法为：
将所述目标城市的历史灾害相关数据中的每两个单维数据和对应的两个单维数据之间的灾害性概率分布真值输入第一单维表征器，将所述目标城市的历史灾害相关数据中的每两个单维数据对应的两个单维掩膜数据和对应的两个单维掩膜数据之间的灾害性概率分布真值输入第二单维表征器，将所述目标城市的历史灾害相关数据和灾害性事件的灾害性概率真值输入多维表征器，以联合损失函数最小为目标进行并行训练，得到训练好的第一单维表征器、训练好的第二单维表征器和训练好的多维表征器；
所述城市灾害预警模型包括所述训练好的第一单维表征器、所述训练好第二单维表征器和所述训练好的多维表征器；所述训练好的第一单维表征器输出的灾害性概率分布预测值、所述训练好的第二单维表征器输出的灾害性概率分布预测值和所述训练好的多维表征器输出的灾害性概率预测值之和为未来灾害可能性指数的预测值。
可选地，所述将所述目标城市的历史灾害相关数据中的每两个单维数据和对应的两个单维数据之间的灾害性概率分布真值输入第一单维表征器，将所述目标城市的历史灾害相关数据中的每两个单维数据对应的两个单维掩膜数据和对应的两个单维掩膜数据之间的灾害性概率分布真值输入第二单维表征器，将所述目标城市的历史灾害相关数据和灾害性事件的灾害性概率真值输入多维表征器，以联合损失函数最小为目标进行并行训练，得到训练好的第一单维表征器、训练好的第二单维表征器和训练好的多维表征器，具体包括：
构建第一单维表征器；所述第一单维表征器用于将输入的两个单维数据分别进行高维映射、计算高维映射后的两个单维数据之间的空间距离以及根据高维映射后的两个单维数据之间的空间距离计算灾害性概率分布预测值并输出；
根据所述第一单维表征器输出的灾害性概率分布预测值与对应的两个单维数据之间的灾害性概率分布真值构建第一模型损失函数；
构建第二单维表征器；所述第二单维表征器用于将输入的两个单维掩膜数据分别进行高维映射、计算高维映射后的两个单维掩膜数据之间的空间距离以及根据高维映射后的两个单维掩膜数据之间的空间距离计算灾害性概率分布预测值并输出；
根据所述第二单维表征器输出的灾害性概率分布预测值与对应的两个单维掩膜数据之间的灾害性概率分布真值构建第二模型损失函数；
构建多维表征器；所述多维表征器用于对输入的历史灾害相关数据进行多层感知映射，得到灾害性事件的灾害性概率预测值并输出；
根据所述多维表征器输出的灾害性事件的灾害性概率预测值与灾害性事件的灾害性概率真值构建第三模型损失函数；
由所述第一模型损失函数、所述第二模型损失函数和所述第三模型损失函数构建联合损失函数；
对于第P次训练过程，判断第P次训练对应的联合损失函数是否小于设定阈值；若是，则将第P次训练后的第一单维表征器确定为训练好的第一单维表征器，将第P次训练后的第二单维表征器确定为训练好的第二单维表征器，将第P次训练后的多维表征器确定为训练好的多维表征器；若否，则进行下一次迭代训练。
可选地，所述联合损失函数，具体为：
L i =αloss 1+βloss 2+γloss 3；
其中，L i 表示第i个灾害事件对应的联合损失函数；loss 1表示第一模型损失函数；loss 2表示第二模型损失函数；loss 3表示第三模型损失函数；α表示第一模型损失函数的权重值；β表示第二模型损失函数的权重值；γ表示第三模型损失函数的权重值。
可选地，所述对所述目标城市进行灾害预警，具体包括：
由所述未来灾害可能性指数计算所述目标城市的健康指数；
判断所述健康指数是否小于设定指数值；
若所述健康指数小于设定指数值，则发出灾害警惕信号。
本发明还提供了一种基于时序多维预测的城市灾害预警系统，包括：
数据获取模块，用于获取目标城市当前的灾害相关数据；所述灾害相关数据为与灾害事件相关的多个因素构成的多维数据；一个因素对应一个单维数据；每一个单维数据对应一个时间序列；
预警模块，用于将当前的灾害相关数据输入城市灾害预警模型中，得到所述目标城市的未来灾害可能性指数；所述未来灾害可能性指数用于对所述目标城市进行灾害预警；
预警模型确定模块，用于确定所述城市灾害预警模型；
所述预警模型确定模块，具体包括：
模型训练子模块，用于将所述目标城市的历史灾害相关数据中的每两个单维数据和对应的两个单维数据之间的灾害性概率分布真值输入第一单维表征器，将所述目标城市的历史灾害相关数据中的每两个单维数据对应的两个单维掩膜数据和对应的两个单维掩膜数据之间的灾害性概率分布真值输入第二单维表征器，将所述目标城市的历史灾害相关数据和灾害性事件的灾害性概率真值输入多维表征器，以联合损失函数最小为目标进行并行训练，得到训练好的第一单维表征器、训练好的第二单维表征器和训练好的多维表征器；
所述城市灾害预警模型包括所述训练好的第一单维表征器、所述训练好第二单维表征器和所述训练好的多维表征器；所述训练好的第一单维表征器输出的灾害性概率分布预测值、所述训练好的第二单维表征器输出的灾害性概率分布预测值和所述训练好的多维表征器输出的灾害性概率预测值之和为未来灾害可能性指数的预测值。
可选地，所述模型训练子模块，具体包括：
第一表征器构建单元，用于构建第一单维表征器；所述第一单维表征器用于将输入的两个单维数据分别进行高维映射、计算高维映射后的两个单维数据之间的空间距离以及根据高维映射后的两个单维数据之间的空间距离计算灾害性概率分布预测值并输出；
第一模型损失函数构建单元，用于根据所述第一单维表征器输出的灾害性概率分布预测值与对应的两个单维数据之间的灾害性概率分布真值构建第一模型损失函数；
第二表征器构建单元，用于构建第二单维表征器；所述第二单维表征器用于将输入的两个单维掩膜数据分别进行高维映射、计算高维映射后的两个单维掩膜数据之间的空间距离以及根据高维映射后的两个单维掩膜数据之间的空间距离计算灾害性概率分布预测值并输出；
第二模型损失函数构建单元，用于根据所述第二单维表征器输出的灾害性概率分布预测值与对应的两个单维掩膜数据之间的灾害性概率分布真值构建第二模型损失函数；
第三表征器构建单元，用于构建多维表征器；所述多维表征器用于对输入的历史灾害相关数据进行多层感知映射，得到灾害性事件的灾害性概率预测值并输出；
第三模型损失函数构建单元，用于根据所述多维表征器输出的灾害性事件的灾害性概率预测值与灾害性事件的灾害性概率真值构建第三模型损失函数；
联合损失函数确定子单元，用于由所述第一模型损失函数、所述第二模型损失函数和所述第三模型损失函数构建联合损失函数；
训练子单元，用于对于第P次训练过程，判断第P次训练对应的联合损失函数是否小于设定阈值；若是，则将第P次训练后的第一单维表征器确定为训练好的第一单维表征器，将第P次训练后的第二单维表征器确定为训练好的第二单维表征器，将第P次训练后的多维表征器确定为训练好的多维表征器；若否，则进行下一次迭代训练。
可选地，所述联合损失函数确定子单元中的所述联合损失函数，具体为：
L i =αloss 1+βloss 2+γloss 3；
其中，L i 表示第i个灾害事件对应的联合损失函数；loss 1表示第一模型损失函数；loss 2表示第二模型损失函数；loss 3表示第三模型损失函数；α表示第一模型损失函数的权重值；β表示第二模型损失函数的权重值；γ表示第三模型损失函数的权重值。
可选地，所述预警模块中的对所述目标城市进行灾害预警，具体包括：
由所述未来灾害可能性指数计算所述目标城市的健康指数；
判断所述健康指数是否小于设定指数值；
若所述健康指数小于设定指数值，则发出灾害警惕信号。
与现有技术相比，本发明的有益效果是：
本发明实施例提出了一种基于时序多维预测的城市灾害预警方法及系统，采用城市灾害预警模型，根据实时获取的当前的灾害相关数据，实现对未来是否会发生灾害事件进行预测，其中，城市灾害预警模型是采用历史灾害相关数据对第一单维表征器、第二单维表征器和多维表征器进行并行训练得到的，城市灾害预警模型考虑多个因素，其是基于多个因素构成的多维数据构建的。本发明不仅能对灾害事件进行预测，使得管理人员可以缩短施救时间甚至遏制灾害的发生，极大限度的减小城市灾害造成的人力、财力损失，而且相比只考虑单维因素对灾害事件进行预测的方式，能提高灾害事件预测的准确性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于时序多维预测的城市灾害预警方法的流程图；
图2为本发明实施例提供的基于时序多维预测的城市灾害预警系统的结构图。
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做出创造性劳动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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的基于时序多维预测的城市灾害预警方法的流程图。参见图1，本实施例的基于时序多维预测的城市灾害预警方法，包括：
步骤101：获取目标城市当前的灾害相关数据；所述灾害相关数据为与灾害事件相关的多个因素构成的多维数据；一个因素对应一个单维数据；每一个单维数据对应一个时间序列。
具体的，与灾害事件相关的因素包括但不限于火灾时踩踏对应人群密度、火灾对应的温度、火灾对应的烟雾浓度、水灾对应的积水量等。一个因素对应一个单维数据，每一个单维数据对应一个时间序列，例如，若因素为火灾对应的温度，其对应的时间序列为每间隔设定时间t（如1分钟）的温度值构成的序列；若因素为火灾对应的烟雾浓度，其对应的时间序列为每间隔设定时间t（如1分钟）的烟雾浓度值构成的序列；火灾时踩踏对应人群密度、水灾对应的积水量同理可得到相应的时间序列。
步骤102：将当前的灾害相关数据输入城市灾害预警模型中，得到所述目标城市的未来灾害可能性指数；所述未来灾害可能性指数用于对所述目标城市进行灾害预警。其中，所述城市灾害预警模型的确定方法为：
将所述目标城市的历史灾害相关数据中的每两个单维数据和对应的两个单维数据之间的灾害性概率分布真值输入第一单维表征器，将所述目标城市的历史灾害相关数据中的每两个单维数据对应的两个单维掩膜数据和对应的两个单维掩膜数据之间的灾害性概率分布真值输入第二单维表征器，将所述目标城市的历史灾害相关数据和灾害性事件的灾害性概率真值输入多维表征器，以联合损失函数最小为目标进行并行训练，得到训练好的第一单维表征器、训练好的第二单维表征器和训练好的多维表征器。
所述城市灾害预警模型包括所述训练好的第一单维表征器、所述训练好第二单维表征器和所述训练好的多维表征器；所述训练好的第一单维表征器输出的灾害性概率分布预测值、所述训练好的第二单维表征器输出的灾害性概率分布预测值和所述训练好的多维表征器输出的灾害性概率预测值之和为未来灾害可能性指数的预测值。
所述城市灾害预警模型的确定方法中的训练过程具体为：
1）构建第一单维表征器；所述第一单维表征器用于将输入的两个单维数据分别进行高维映射、计算高维映射后的两个单维数据之间的空间距离以及根据高维映射后的两个单维数据之间的空间距离计算灾害性概率分布预测值并输出。根据所述第一单维表征器输出的灾害性概率分布预测值与对应的两个单维数据之间的灾害性概率分布真值构建第一模型损失函数。
2）构建第二单维表征器；所述第二单维表征器用于将输入的两个单维掩膜数据分别进行高维映射、计算高维映射后的两个单维掩膜数据之间的空间距离以及根据高维映射后的两个单维掩膜数据之间的空间距离计算灾害性概率分布预测值并输出。根据所述第二单维表征器输出的灾害性概率分布预测值与对应的两个单维掩膜数据之间的灾害性概率分布真值构建第二模型损失函数。
3）构建多维表征器；所述多维表征器用于对输入的历史灾害相关数据进行多层感知映射，得到灾害性事件的灾害性概率预测值并输出。根据所述多维表征器输出的灾害性事件的灾害性概率预测值与灾害性事件的灾害性概率真值构建第三模型损失函数。
4）由所述第一模型损失函数、所述第二模型损失函数和所述第三模型损失函数构建联合损失函数。所述联合损失函数，具体为：
L i =αloss 1+βloss 2+γloss 3；
其中，L i 表示第i个灾害事件对应的联合损失函数；loss 1表示第一模型损失函数；loss 2表示第二模型损失函数；loss 3表示第三模型损失函数；α表示第一模型损失函数的权重值；β表示第二模型损失函数的权重值；γ表示第三模型损失函数的权重值。
5）对于第P次训练过程，判断第P次训练对应的联合损失函数是否小于设定阈值；若是，则将第P次训练后的第一单维表征器确定为训练好的第一单维表征器，将第P次训练后的第二单维表征器确定为训练好的第二单维表征器，将第P次训练后的多维表征器确定为训练好的多维表征器；若否，则进行下一次迭代训练。
其中，所述步骤102中对所述目标城市进行灾害预警，具体包括：
由所述未来灾害可能性指数计算所述目标城市的健康指数；判断所述健康指数是否小于设定指数值；若所述健康指数小于设定指数值，则发出灾害警惕信号。进一步的，若所述健康指数小于设定指数值，确定会发生灾害事件的灾害类型，针对灾害类型生成遏制灾害措施或施救措施。
在实际应用中，上述基于时序多维预测的城市灾害预警方法的一个更为具体的实现方式如下：
1、首先构建对灾害事件S i 相关的多维表征器E i （R i 1|R i 2|...|R i n-1|R i n ）、第一单维表征器集群和第二单维表征器集群，第一单维表征器集群和第二单维表征器集群均表示为
Figure DEST_PATH_IMAGE001
，其中，n为灾害事件相关的数据维度。其中，多维表征器是对每个单维数据的跨维度融合。其中，表征器的选取方法一般为时序神经网络，网络初始化方法为选取网络的预训练权重值。具体的，本示例中灾害事件S i 表示火灾，n=3，R i 1表示火灾时踩踏对应人群密度对应的单维表征器，R i 2表示火灾对应的温度对应的单维表征器；R i 3表示火灾对应的烟雾浓度对应的单维表征器。
2、针对灾害事件S i 的第n维对应的第一单维表征器R i n 下的单维数据的时间序列输入为
Figure 851528DEST_PATH_IMAGE002
，其中m为单维数据的时间序列维度，经过Embedding后，得到高维空间向量Er in =Embedding（r in ）。例如，对于火灾对应的烟雾浓度对应的单维表征器R i 3，其时间序列r i3为每间隔1分钟的烟雾浓度值构成的序列，该时间序列中包含10个元素，m=10。
3、训练第n维对应的第一单维表征器R i n ，使得在单个维度下的数据r in 能够被更好地表示。利用距离函数计算R i n (Er in )与R i j (Er ij )之间的距离，其中n≠j。距离函数为f =g n (R i n (Er in ))•g j (R i j (Er ij ))。其中g为映射函数，将单个维度下的数据映射到高阶维度。Er ij 表示第j维对应的第一单维表征器R i j 的时间序列的高维空间向量；R i n (Er in )表示输入为Er in 的R i n 的输出，R i j (Er ij )表示输入为Er ij 的R i j 的输出；f表示R i n (Er in )与R i j (Er ij )之间的距离；g n 表示R i n 对应映射函数；g j 表示R i j 对应映射函数。
4、数据r in 到数据r ij 的空间距离表示为f (n|j)=g’ n (R i n (Er in ))•g j (R i j (Er ij ))，其中g’ n 表示R i n 对应的映射归一化函数，即n数据到j数据的时序分布统一。同理，数据r ij 到数据r in 的空间距离表示为f (j|n)=g’ j (R i j (Er ij ))•g n (R i n (Er in ))，g’ j 表示R i j 对应的映射归一化函数。
5、灾害事件S i 下的多维数据中的每两维维数据之间的灾害性概率分布为：
Figure DEST_PATH_IMAGE003
和
Figure 34248DEST_PATH_IMAGE004
，则训练第一单维表征器下的模型损失函数（即第一模型损失函数）表示为：
Figure DEST_PATH_IMAGE005
；
其中，k i nj 表示灾害事件S i 下的高维映射后的第n维数据到高维映射后的第j维数据的灾害性概率分布（在训练过程中即为第一单维表征器输出的灾害性概率分布预测值）；f (n|j a )表示r in 经高维映射后的数据到r ij a 经高维映射后的数据之间的空间距离，r ij a 表示r ij 经高维映射后的数据中的第a个元素；k i jn 表示灾害事件S i 下的高维映射后的第j维数据到高维映射后的第n维数据的灾害性概率分布（在训练过程中即为第一单维表征器输出的灾害性概率分布预测值）；f (j|n a )表示数据r ij 经高维映射后的数据到据r in a 经高维映射后的数据之间的空间距离，r in a 表示r in 经高维映射后的数据中的第a个元素；loss 1表示第一模型损失函数；CE表示交叉熵损失函数；y为灾害真值的独热向量，y nj 表示高维映射后的第n维数据到高维映射后的第j维数据的之间的灾害性概率分布真值；y jn 表示高维映射后的第j维数据到高维映射后的第n维数据的之间的灾害性概率分布真值。
6、除了用距离函数衡量灾害事件的多维数据之间的灾害关联度之外，用掩模方式进一步衡量灾害事件的多维数据之间的灾害关联度。具体方法为：以一定概率值随机用向量M代替一个单一维度下的数据r in 中的元素，如r in 中的元素被M掩盖掉部分元素值后，变为
Figure 486089DEST_PATH_IMAGE006
，即单维数据r in 对应的单维掩膜数据。r M in 作为第二单维表征器的输入。
7、以r M in 作为第二单维表征器的输入对第二单维表征器进行训练，则训练第二单维表征器下的模型损失函数（即第二模型损失函数）表示为：
loss 2=CE(k Mi jn , y M jn )+CE(k Mi nj , y M nj )。
其中，loss 2表示第二模型损失函数；k Mi jn 表示高维映射后的第j维掩膜数据到高维映射后的第n维掩膜数据的灾害性概率分布（在训练过程中即为第二单维表征器输出的灾害性概率分布预测值）；k Mi nj 表示高维映射后的第n维掩膜数据到高维映射后的第j维掩膜数据的灾害性概率分布（在训练过程中即为第二单维表征器输出的灾害性概率分布预测值）。y M nj 表示高维映射后的第n维掩膜数据到高维映射后的第j维掩膜数据的之间的灾害性概率分布真值；
y M jn 表示高维映射后的第j维掩膜数据到高维映射后的第n维掩膜数据的之间的灾害性概率分布真值。k Mi jn 和k Mi nj 的计算方式与步骤5中的计算方式类似，在此不再赘述。
8、多维表征器E i 将灾害S i 下的多种维度特征的数据进行综合，充分挖掘多维数据之间的相互作用以及内在关联，将多维数据共同进行表征E i （R i 1|R i 2|...|R i n-1|R i n ），并将多维数据表征器进行多层感知器映射为灾害事件S i 的灾害性概率值k Ei =MLP（E i ）。
9、记事件是否为灾害的真值独热为y E ，则由多维表征器E i 形成多维数据共同表征学习的目标为最小化第三模型损失函数：loss 3=CE（k Ei , y E ）。y E 为灾害S i 的灾害性概率真值。
10、三种学习网络结构为并行网络，根据实时多维时序数据的输入进行并行处理计算，组成城市应急大脑预警框架中的单一灾害事件S i 网络net i 。
11、三种学习方式的损失函数组合在一起形成单个灾害事件S i 下的时序多维训练目标，即最小化联合损失函数L i =αloss 1+βloss 2+γloss 3，其中α+β+γ=1。
12、针对城市应急大脑中定义的多类灾害事件{S 1, S 2, ..., S q-1, S q}，对应多个网络集合{net 1, net 2, ...,net q-1, net q}，根据实时多维时序数据的输入进行并行处理计算，并行组成城市应急大脑预警框架CityBrainNet={net 1 |net 2|...|net q-1| net q}。
13、针对城市应急大脑中定义的多类灾害事件{S 1, S 2, ..., S q-1, S q}，对一个城市的所有可能性的灾害事件对应的多维灾害性概率分布预测值进行求和，即得到该城市的未来灾害可能性指数的预测值Q，具体计算公式为：
Figure DEST_PATH_IMAGE007
。
其中，q为灾害事件类型个数。
14、CityBrainNet根据一个城市的各种灾害性事件的多维数据并行实时处理预测，得到这个城市的未来灾害可能性指数Q，记1-Q值代表城市健康指数，Q值越高，健康指数就越低，灾害性发生可能性越高，需要警惕，并加强防范，并根据灾害类型S i 采取有针对性的遏制或施救措施。
本实施例相比现有技术，具有如下优点：
灾害形成往往是多种因素共同作用造成的结果，若只考虑单维因素（单维数据），会存在无法精准预测灾害形成时间的问题；若对应急大脑只做数据监控，通过采集物联网各传感器数据进行分析，只有当灾害发生时，才做出相应施救措施与预警，无法提前感知灾害形成。本实施例通过构建城市灾害预警模型，学习多维数据的时序演变规律，分析灾害形成时的多维数据规律，在城市灾害形成前期进行提前预警，有效缩短了施救时间甚至遏制了灾害的形成，对城市安全防范具有极大的社会效益。
本发明还提供了一种基于时序多维预测的城市灾害预警系统，图2为本发明实施例提供的基于时序多维预测的城市灾害预警系统的结构图。参见图2，所述系统，包括：
数据获取模块201，用于获取目标城市当前的灾害相关数据；所述灾害相关数据为与灾害事件相关的多个因素构成的多维数据；一个因素对应一个单维数据；每一个单维数据对应一个时间序列。
预警模型确定模块202，用于确定所述城市灾害预警模型。
预警模块203，用于将当前的灾害相关数据输入城市灾害预警模型中，得到所述目标城市的未来灾害可能性指数；所述未来灾害可能性指数用于对所述目标城市进行灾害预警。
其中，所述预警模型确定模块202，具体包括：
模型训练子模块，用于将所述目标城市的历史灾害相关数据中的每两个单维数据和对应的两个单维数据之间的灾害性概率分布真值输入第一单维表征器，将所述目标城市的历史灾害相关数据中的每两个单维数据对应的两个单维掩膜数据和对应的两个单维掩膜数据之间的灾害性概率分布真值输入第二单维表征器，将所述目标城市的历史灾害相关数据和灾害性事件的灾害性概率真值输入多维表征器，以联合损失函数最小为目标进行并行训练，得到训练好的第一单维表征器、训练好的第二单维表征器和训练好的多维表征器。
所述城市灾害预警模型包括所述训练好的第一单维表征器、所述训练好第二单维表征器和所述训练好的多维表征器；所述训练好的第一单维表征器输出的灾害性概率分布预测值、所述训练好的第二单维表征器输出的灾害性概率分布预测值和所述训练好的多维表征器输出的灾害性概率预测值之和为未来灾害可能性指数的预测值。
在一个示例中，所述模型训练子模块，具体包括：
第一表征器构建单元，用于构建第一单维表征器；所述第一单维表征器用于将输入的两个单维数据分别进行高维映射、计算高维映射后的两个单维数据之间的空间距离以及根据高维映射后的两个单维数据之间的空间距离计算灾害性概率分布预测值并输出。
第一模型损失函数构建单元，用于根据所述第一单维表征器输出的灾害性概率分布预测值与对应的两个单维数据之间的灾害性概率分布真值构建第一模型损失函数。
第二表征器构建单元，用于构建第二单维表征器；所述第二单维表征器用于将输入的两个单维掩膜数据分别进行高维映射、计算高维映射后的两个单维掩膜数据之间的空间距离以及根据高维映射后的两个单维掩膜数据之间的空间距离计算灾害性概率分布预测值并输出。
第二模型损失函数构建单元，用于根据所述第二单维表征器输出的灾害性概率分布预测值与对应的两个单维掩膜数据之间的灾害性概率分布真值构建第二模型损失函数。
第三表征器构建单元，用于构建多维表征器；所述多维表征器用于对输入的历史灾害相关数据进行多层感知映射，得到灾害性事件的灾害性概率预测值并输出。
第三模型损失函数构建单元，用于根据所述多维表征器输出的灾害性事件的灾害性概率预测值与灾害性事件的灾害性概率真值构建第三模型损失函数。
联合损失函数确定子单元，用于由所述第一模型损失函数、所述第二模型损失函数和所述第三模型损失函数构建联合损失函数。
训练子单元，用于对于第P次训练过程，判断第P次训练对应的联合损失函数是否小于设定阈值；若是，则将第P次训练后的第一单维表征器确定为训练好的第一单维表征器，将第P次训练后的第二单维表征器确定为训练好的第二单维表征器，将第P次训练后的多维表征器确定为训练好的多维表征器；若否，则进行下一次迭代训练。
在一个示例中，所述联合损失函数确定子单元中的所述联合损失函数，具体为：
L i =αloss 1+βloss 2+γloss 3；
其中，L i 表示第i个灾害事件对应的联合损失函数；loss 1表示第一模型损失函数；loss 2表示第二模型损失函数；loss 3表示第三模型损失函数；α表示第一模型损失函数的权重值；β表示第二模型损失函数的权重值；γ表示第三模型损失函数的权重值。
在一个示例中，所述预警模块中的对所述目标城市进行灾害预警，具体包括：
由所述未来灾害可能性指数计算所述目标城市的健康指数；判断所述健康指数是否小于设定指数值；若所述健康指数小于设定指数值，则发出灾害警惕信号。
本实施例中的基于时序多维预测的城市灾害预警系统，城市灾害预警模型根据灾害在时序维度上的演变规律，分析多维数据，对灾害数据的时间演变提前预测，为城市应急大脑预警，使得管理人员可以缩短施救时间甚至遏制灾害的发生，极大限度减小了城市灾害造成的人力、财力损失。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于时序多维预测的城市灾害预警方法，其特征在于，包括：
获取目标城市当前的灾害相关数据；所述灾害相关数据为与灾害事件相关的多个因素构成的多维数据；一个因素对应一个单维数据；每一个单维数据对应一个时间序列；
将当前的灾害相关数据输入城市灾害预警模型中，得到所述目标城市的未来灾害可能性指数；所述未来灾害可能性指数用于对所述目标城市进行灾害预警；
其中，所述城市灾害预警模型的确定方法为：
将所述目标城市的历史灾害相关数据中的每两个单维数据和对应的两个单维数据之间的灾害性概率分布真值输入第一单维表征器，将所述目标城市的历史灾害相关数据中的每两个单维数据对应的两个单维掩膜数据和对应的两个单维掩膜数据之间的灾害性概率分布真值输入第二单维表征器，将所述目标城市的历史灾害相关数据和灾害性事件的灾害性概率真值输入多维表征器，以联合损失函数最小为目标进行并行训练，得到训练好的第一单维表征器、训练好的第二单维表征器和训练好的多维表征器；
所述城市灾害预警模型包括所述训练好的第一单维表征器、所述训练好第二单维表征器和所述训练好的多维表征器；所述训练好的第一单维表征器输出的灾害性概率分布预测值、所述训练好的第二单维表征器输出的灾害性概率分布预测值和所述训练好的多维表征器输出的灾害性概率预测值之和为未来灾害可能性指数的预测值。
2.根据权利要求1所述的一种基于时序多维预测的城市灾害预警方法，其特征在于，所述将所述目标城市的历史灾害相关数据中的每两个单维数据和对应的两个单维数据之间的灾害性概率分布真值输入第一单维表征器，将所述目标城市的历史灾害相关数据中的每两个单维数据对应的两个单维掩膜数据和对应的两个单维掩膜数据之间的灾害性概率分布真值输入第二单维表征器，将所述目标城市的历史灾害相关数据和灾害性事件的灾害性概率真值输入多维表征器，以联合损失函数最小为目标进行并行训练，得到训练好的第一单维表征器、训练好的第二单维表征器和训练好的多维表征器，具体包括：
构建第一单维表征器；所述第一单维表征器用于将输入的两个单维数据分别进行高维映射、计算高维映射后的两个单维数据之间的空间距离以及根据高维映射后的两个单维数据之间的空间距离计算灾害性概率分布预测值并输出；
根据所述第一单维表征器输出的灾害性概率分布预测值与对应的两个单维数据之间的灾害性概率分布真值构建第一模型损失函数；
构建第二单维表征器；所述第二单维表征器用于将输入的两个单维掩膜数据分别进行高维映射、计算高维映射后的两个单维掩膜数据之间的空间距离以及根据高维映射后的两个单维掩膜数据之间的空间距离计算灾害性概率分布预测值并输出；
根据所述第二单维表征器输出的灾害性概率分布预测值与对应的两个单维掩膜数据之间的灾害性概率分布真值构建第二模型损失函数；
构建多维表征器；所述多维表征器用于对输入的历史灾害相关数据进行多层感知映射，得到灾害性事件的灾害性概率预测值并输出；
根据所述多维表征器输出的灾害性事件的灾害性概率预测值与灾害性事件的灾害性概率真值构建第三模型损失函数；
由所述第一模型损失函数、所述第二模型损失函数和所述第三模型损失函数构建联合损失函数；
对于第P次训练过程，判断第P次训练对应的联合损失函数是否小于设定阈值；若是，则将第P次训练后的第一单维表征器确定为训练好的第一单维表征器，将第P次训练后的第二单维表征器确定为训练好的第二单维表征器，将第P次训练后的多维表征器确定为训练好的多维表征器；若否，则进行下一次迭代训练。
3.根据权利要求2所述的一种基于时序多维预测的城市灾害预警方法，其特征在于，所述联合损失函数，具体为：
L i =αloss 1+βloss 2+γloss 3；
其中，L i 表示第i个灾害事件对应的联合损失函数；loss 1表示第一模型损失函数；loss 2表示第二模型损失函数；loss 3表示第三模型损失函数；α表示第一模型损失函数的权重值；β表示第二模型损失函数的权重值；γ表示第三模型损失函数的权重值。
4.根据权利要求1所述的一种基于时序多维预测的城市灾害预警方法，其特征在于，所述对所述目标城市进行灾害预警，具体包括：
由所述未来灾害可能性指数计算所述目标城市的健康指数；
判断所述健康指数是否小于设定指数值；
若所述健康指数小于设定指数值，则发出灾害警惕信号。
5.一种基于时序多维预测的城市灾害预警系统，其特征在于，包括：
数据获取模块，用于获取目标城市当前的灾害相关数据；所述灾害相关数据为与灾害事件相关的多个因素构成的多维数据；一个因素对应一个单维数据；每一个单维数据对应一个时间序列；
预警模块，用于将当前的灾害相关数据输入城市灾害预警模型中，得到所述目标城市的未来灾害可能性指数；所述未来灾害可能性指数用于对所述目标城市进行灾害预警；
预警模型确定模块，用于确定所述城市灾害预警模型；
所述预警模型确定模块，具体包括：
模型训练子模块，用于将所述目标城市的历史灾害相关数据中的每两个单维数据和对应的两个单维数据之间的灾害性概率分布真值输入第一单维表征器，将所述目标城市的历史灾害相关数据中的每两个单维数据对应的两个单维掩膜数据和对应的两个单维掩膜数据之间的灾害性概率分布真值输入第二单维表征器，将所述目标城市的历史灾害相关数据和灾害性事件的灾害性概率真值输入多维表征器，以联合损失函数最小为目标进行并行训练，得到训练好的第一单维表征器、训练好的第二单维表征器和训练好的多维表征器；
所述城市灾害预警模型包括所述训练好的第一单维表征器、所述训练好第二单维表征器和所述训练好的多维表征器；所述训练好的第一单维表征器输出的灾害性概率分布预测值、所述训练好的第二单维表征器输出的灾害性概率分布预测值和所述训练好的多维表征器输出的灾害性概率预测值之和为未来灾害可能性指数的预测值。
6.根据权利要求5所述的一种基于时序多维预测的城市灾害预警系统，其特征在于，所述模型训练子模块，具体包括：
第一表征器构建单元，用于构建第一单维表征器；所述第一单维表征器用于将输入的两个单维数据分别进行高维映射、计算高维映射后的两个单维数据之间的空间距离以及根据高维映射后的两个单维数据之间的空间距离计算灾害性概率分布预测值并输出；
第一模型损失函数构建单元，用于根据所述第一单维表征器输出的灾害性概率分布预测值与对应的两个单维数据之间的灾害性概率分布真值构建第一模型损失函数；
第二表征器构建单元，用于构建第二单维表征器；所述第二单维表征器用于将输入的两个单维掩膜数据分别进行高维映射、计算高维映射后的两个单维掩膜数据之间的空间距离以及根据高维映射后的两个单维掩膜数据之间的空间距离计算灾害性概率分布预测值并输出；
第二模型损失函数构建单元，用于根据所述第二单维表征器输出的灾害性概率分布预测值与对应的两个单维掩膜数据之间的灾害性概率分布真值构建第二模型损失函数；
第三表征器构建单元，用于构建多维表征器；所述多维表征器用于对输入的历史灾害相关数据进行多层感知映射，得到灾害性事件的灾害性概率预测值并输出；
第三模型损失函数构建单元，用于根据所述多维表征器输出的灾害性事件的灾害性概率预测值与灾害性事件的灾害性概率真值构建第三模型损失函数；
联合损失函数确定子单元，用于由所述第一模型损失函数、所述第二模型损失函数和所述第三模型损失函数构建联合损失函数；
训练子单元，用于对于第P次训练过程，判断第P次训练对应的联合损失函数是否小于设定阈值；若是，则将第P次训练后的第一单维表征器确定为训练好的第一单维表征器，将第P次训练后的第二单维表征器确定为训练好的第二单维表征器，将第P次训练后的多维表征器确定为训练好的多维表征器；若否，则进行下一次迭代训练。
7.根据权利要求6所述的一种基于时序多维预测的城市灾害预警系统，其特征在于，所述联合损失函数确定子单元中的所述联合损失函数，具体为：
L i =αloss 1+βloss 2+γloss 3；
其中，L i 表示第i个灾害事件对应的联合损失函数；loss 1表示第一模型损失函数；loss 2表示第二模型损失函数；loss 3表示第三模型损失函数；α表示第一模型损失函数的权重值；β表示第二模型损失函数的权重值；γ表示第三模型损失函数的权重值。
8.根据权利要求5所述的一种基于时序多维预测的城市灾害预警系统，其特征在于，所述预警模块中的对所述目标城市进行灾害预警，具体包括：
由所述未来灾害可能性指数计算所述目标城市的健康指数；
判断所述健康指数是否小于设定指数值；
若所述健康指数小于设定指数值，则发出灾害警惕信号。
CN202210320934.8A 2022-03-30 2022-03-30 一种基于时序多维预测的城市灾害预警方法及系统 Active CN114419869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210320934.8A CN114419869B (zh) 2022-03-30 2022-03-30 一种基于时序多维预测的城市灾害预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210320934.8A CN114419869B (zh) 2022-03-30 2022-03-30 一种基于时序多维预测的城市灾害预警方法及系统

Publications (2)

Publication Number Publication Date
CN114419869A CN114419869A (zh) 2022-04-29
CN114419869B true CN114419869B (zh) 2022-07-26

Family

ID=81263090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210320934.8A Active CN114419869B (zh) 2022-03-30 2022-03-30 一种基于时序多维预测的城市灾害预警方法及系统

Country Status (1)

Country Link
CN (1) CN114419869B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240060B (zh) * 2022-09-22 2023-04-07 海南浙江大学研究院 一种海星灾害预警方法及系统
CN116128323B (zh) * 2023-04-07 2023-07-21 阿里巴巴达摩院(杭州)科技有限公司 电力交易决策处理方法、存储介质和电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147882A (zh) * 2018-09-03 2019-08-20 腾讯科技（深圳）有限公司 神经网络模型的训练方法、人群扩散方法、装置及设备
CN110335314A (zh) * 2019-06-24 2019-10-15 华中科技大学 基于目标物体的二维图像预测目标物体实时位姿的方法
CN110991046A (zh) * 2019-12-04 2020-04-10 浙江大学 一种基于响应面函数的排水系统内涝风险快速预警方法
CN111353009A (zh) * 2020-02-03 2020-06-30 百度在线网络技术（北京）有限公司 建立路线耗时预估模型、预估路线耗时的方法及对应装置
CN112561973A (zh) * 2020-12-23 2021-03-26 维沃移动通信有限公司 训练图像配准模型的方法、装置和电子设备
EP3830819A1 (en) * 2019-10-10 2021-06-09 Google LLC Targeted voice separation by speaker for speech recognition

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147882A (zh) * 2018-09-03 2019-08-20 腾讯科技（深圳）有限公司 神经网络模型的训练方法、人群扩散方法、装置及设备
CN110335314A (zh) * 2019-06-24 2019-10-15 华中科技大学 基于目标物体的二维图像预测目标物体实时位姿的方法
EP3830819A1 (en) * 2019-10-10 2021-06-09 Google LLC Targeted voice separation by speaker for speech recognition
CN110991046A (zh) * 2019-12-04 2020-04-10 浙江大学 一种基于响应面函数的排水系统内涝风险快速预警方法
CN111353009A (zh) * 2020-02-03 2020-06-30 百度在线网络技术（北京）有限公司 建立路线耗时预估模型、预估路线耗时的方法及对应装置
CN112561973A (zh) * 2020-12-23 2021-03-26 维沃移动通信有限公司 训练图像配准模型的方法、装置和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
监控视频实时多人姿态估计算法研究与应用;许忠雄;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190630;全文 *

Also Published As

Publication number Publication date
CN114419869A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN114419869B (zh) 一种基于时序多维预测的城市灾害预警方法及系统
TWI776310B (zh) 定義距離量度的方法以及訓練一循環人工神經網路的方法
CN110881037A (zh) 网络入侵检测方法及其模型的训练方法、装置和服务器
Kolomvatsos et al. Data fusion and type-2 fuzzy inference in contextual data stream monitoring
CN111223027A (zh) 一种城市地震灾害风险评估方法及系统
Allen et al. Interpretable machine learning for discovery: Statistical challenges and opportunities
CN113379053A (zh) 应急响应决策方法、装置及电子设备
Ahooyi et al. Maximum‐likelihood maximum‐entropy constrained probability density function estimation for prediction of rare events
Kumar et al. A survey on event detection approaches for sensor based IoT
Saad et al. Detecting dependencies in sparse, multivariate databases using probabilistic programming and non-parametric Bayes
KR102559307B1 (ko) 재난 현장에서 생성한 이미지 및 영상 데이터 처리 및 활용 방법, 장치 및 시스템
CN113962164A (zh) 考虑不确定性推理的有机气体泄漏扩散实时智能预警方法
CN108805427A (zh) 一种基于大数据的配电网运行状态风险预警系统
CN113242213A (zh) 一种电力通信骨干网节点脆弱性诊断方法
KR102502922B1 (ko) 비상 상황 알람 및 모니터링 방법, 장치 시스템
WO2015039693A1 (en) Method and system for data quality assessment
Edwin Singh et al. WOA-DNN for Intelligent Intrusion Detection and Classification in MANET Services.
Bahrepour et al. Fire data analysis and feature reduction using computational intelligence methods
CN115758337A (zh) 基于时序图卷积网络的后门实时监测方法、电子设备、介质
CN114358186A (zh) 一种数据处理方法、装置及计算机可读存储介质
CN115278757A (zh) 一种检测异常数据的方法、装置及电子设备
Manocha et al. Digital Twin-assisted Fuzzy Logic-inspired Intelligent Approach for Flood Prediction
CN113744033A (zh) 订单预估方法及装置
US11227162B1 (en) Multilayer information dynamics for activity and behavior detection
Feng et al. Multiscale network based on feature fusion for fire disaster detection in complex scenes

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