CN114548751B - 一种监管场景下的突发事件智能推演方法、系统、设备及存储介质 - Google Patents
一种监管场景下的突发事件智能推演方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114548751B CN114548751B CN202210154787.1A CN202210154787A CN114548751B CN 114548751 B CN114548751 B CN 114548751B CN 202210154787 A CN202210154787 A CN 202210154787A CN 114548751 B CN114548751 B CN 114548751B
- Authority
- CN
- China
- Prior art keywords
- scene
- data
- risk
- knowledge base
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 13
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000288105 Grus Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种监管场景下的突发事件智能推演方法、系统、设备及存储介质,推演方法包括:采集不同区域的场景数据,并针对场景的风险值进行评分;进行数据预处理;将处理后的数据输入到风险预警模型中进行训练,得到训练好的风险预警模型;构建风险处置知识库;采用训练好的风险预警模型中,得到下一时刻场景的风险预测值;风险处置知识库输出该案例对应的处置预案;或通过智能场景推演模型中进行迭代训练,最终得到满足风险阈值且训练过程中风险值最小时所对应的处置预案数据项作为最终的处置预案;采用了模型学习和处置知识库相结合的方式进行场景风险的预警和推演,提升了结果的科学性和合理性。
Description
技术领域
本发明涉及一种监管场景下的突发事件智能推演方法、系统、设备及存储介质,属于人工智能技术领域。
背景技术
随着各种各样的机器学习和深度学习算法的不断发展优化,引起了各行各业从业人员的重视,互联网思维成为了各行各业乃至时代发展的不可或缺的拼图板块,像“智慧城市”、“智慧司法”等“智慧”概念也渐渐进入了我们的视线。近年来,“智慧司法”概念蓬勃发展,但在监管场景下的应用却是凤毛麟角,这主要是由于监管场所的特殊性和局限性,在数据的收集和整理方面存在一定的难度,可公开供研究使用的数据也是少之又少,导致采用的方法没有充足的支持而达不到好的结果。
如今,推演系统已经较为广泛地应用在了各个领域,对于监管场所来说,完善的风险推演系统可以帮助管理人员在突发事件处置上做出重要参考,提升处理突发事件的效率。
在以往的数据分析方法中,大量方法使用了历史数据信息,也有一部分使用空间信息,但将历史信息与空间信息相结合的应用方法却是不常见的。仅仅使用历史数据而不结合空间信息忽略了不同空间位置之间的相互影响,而仅仅使用空间位置信息则忽略了事件发生都有一定时间规律这一基本情况。
监管场所的突发事件智能推演是指通过对当前时刻以及过去一段时间内的监管场所场景信息的变化来判断在未来时刻是否会发生突发事件,并对已经或即将发生的突发事件干预前后的变化趋势的分析,通过分析得到合理的风险解决方案来避免或消除突发事件产生的不良影响。智慧监管场所是人工智能领域的一个新的重要应用,在智慧监管场所的模式下,监管场所整合监管改造信息资源和社会信息资源,将大数据、物联网、人工智能等现代科技与监管场所各项业务相融合,对监管安全风险进行监控和处置,提高监管场所监管安全方面的防范能力,促进特殊人员改造质量的提高,推进监管场所治理体系的创新。通过监管场所下的突发事件智能推演方法,可以提高监管场所在风险防范和风险处置方面实时性和精准度。
发明内容
针对现有技术的不足,本发明提供了一种监管场景下的突发事件智能推演方法,充分利用监管场所采集的场景数据及突发事件处置预案的基础上,利用图神经网络、循环神经网络结合风险处置知识库,提高监管场所在风险预知和风险处置的及时性和精准性。
同时,本发明提供了一种监管场景下的突发事件智能推演系统、设备及存储介质。
术语解释:
1.GNN,图神经网络,通过对输入的二维数据进行构图来学习不同输入维度的数据之间的关联关系的算法。
2.GRU,(Gate Recurrent Unit,循环门单元)是循环神经网络(Recurrent NeuralNetwork,RNN)的一种。和LSTM(Long-Short Term Memory)一样,也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。它较LSTM网络的结构更加简单,而且效果也很好,因此也是当前非常流形的一种网络。
3.LSTM,全称长短时记忆网络(Long short-term memory,LSTM)是一种特殊的RNN,主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题,是一个用于解决包含时间维度数据的深度学习模型。
本发明的技术方案为:
一种监管场景下的突发事件智能推演方法,该方法包括:
步骤1,获取不同区域的场景数据,并针对场景的风险值进行评分;
步骤2,进行数据预处理;
步骤3,将处理后的数据输入到风险预警模型中进行训练,得到训练好的风险预警模型;
步骤4,构建风险处置知识库;风险处置知识库是将监管场所发生风险后的历史处置方法数据加之通过场景智能推演模块生成的处置预案所构成的知识库,用于发生风险预警后的处置预案的推荐。
步骤5,获取不同区域的场景数据,然后进行数据预处理,再将处理后的场景数据输入到训练好的风险预警模型中,得到下一时刻场景的风险预测值;
步骤6,将步骤5得到的风险预测值与阈值进行比较,当风险预测值超过阈值时,则将场景数据与风险处置知识库中的场景数据进行对比,
若风险处置知识库中存在与输入的场景数据完全相同的案例时,则风险处置知识库输出该案例对应的处置预案;
若风险处置知识库中不存在与输入的场景数据完全相同的案例时,则将风险预测值超过阈值时的场景数据以及风险处置知识库中与步骤5采集到的场景数据相似度最高场景的处置预案输入到智能场景推演模型中进行迭代训练,最终得到满足风险阈值且训练过程中风险值最小时所对应的处置预案数据项作为最终的处置预案;
步骤7,智能场景推演模型得到的最终的处置预案和对应的场景信息存入风险处置知识库。以提高以后出现风险预警时预案生成的反应速度。
根据本发明优选的,步骤1中,获取不同区域的场景数据,并针对场景的风险值进行评分;具体过程包括:
1-1,采集不同区域的场景数据,所述场景数据包括区域高风险人员数、区域被监管人员总数、区域管理人员数量、区域外来车辆数量、区域外来人员数量、区域监控报警情况、区域AB门故障数量、区域内黑白名单号码通话量、区域高压电网故障数量、区域气温、区域天气情况数据;每半小时采集一次场景数据;监管场所包括N个区域,在整个方法中,我们主要考虑的是监管场所中的工厂车间、宿舍、活动室及会见室这几类区域,工厂车间为被监管人员劳动、吃饭的区域,宿舍为被监管人员生活区域。
1-2,对采集的场景数据进行打分,作为场景数据的标签值y,标签值y用于评判该时刻下的场景风险;将风险等级分为四级,分别为:高风险、中风险、中低风险、低风险,分别对应1,2,3,4分;针对每一个场景进行打分。
根据本发明优选的,步骤2中,进行数据预处理,具体过程包括:
2-1,对场景数据进行数据清洗,将空白数据,离群场景数据删除;
2-2,对场景数据进行数据归一化操作,具体为:x*表示归一化后的场景数据,x表示未进行归一化的场景数据,min表示场景数据的最小值,max表示场景数据的最大值;从而得到要输入风险预警模型的输入数据[X,Y],场景数据/>表示在第t时刻,第n个区域第i个特征的归一化值,步骤1-1中采集的每一项场景数据均作为一个特征;Y={ynt}表示对应第t时刻,第n个区域下的标签值的集合;
2-3,构建场景数据X以及监管场所中N个区域之间无向图G所对应的N×N邻接矩阵Xadj,无向图G中N个节点对应N个区域,若无向图G中节点vi和节点vj之间存在边或存在弧,则/>否则/>且i,j=1,2,3……N。
邻接矩阵存储结构就每个节点用一个一维数组存储边的信息,这样所有点合起来就是用矩阵表示图中各节点之间的邻接关系。
根据本发明优选的,步骤3中,风险预警模型为STPN网络,STPN网络包括一个图神经网络GNN和一个循环神经网络GRU,图神经网络GNN作为空间模块,循环神经网络GRU作为时间模块;图神经网络GNN用来获取输入的场景数据中不同区域间的关联关系,并进行拟合,然后输入到循环神经网络GRU中;
循环神经网络GRU包括更新门和重置门,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大说明前一时刻的状态信息带入越多;重置门用于控制前一状态的信息被写入到当前的候选集ht上的比例,重置门越小,前一状态的信息被写入的越少。
风险预警模型输入信息为场景数据X、标签值的集合Y及邻接矩阵Xadj,输出下一时刻场景的风险预测值。
STPN是一种由GNN和GRU构成的时空风险预测网络。
根据本发明优选的,风险预警模型的训练的过程为:
3-1,将经过预处理的数据[X,Y]及邻接矩阵Xadj输入到GNN中;无向图G中每个节点v的特征Xv与已标记的标签yv相关联;yv为节点v对应的标签值集合;给定部分标记的无向图G,目标是利用这些标记的节点及邻接矩阵来计算不同节点的关联关系,通过学习得到每个节点的N维向量状态hv,同时包含节点v相邻节点的信息,具体为:
hv=f(Xv,XCO[v],hne[v],Xne[v]) (I),
式(I)中,XCo[v]表示连接节点v的边的特征,hne[v]表示节点v的邻居节点的嵌入表示,Xne[v]表示节点v的邻居节点特征,f表示将输入投影到N维空间的转移函数,此处采用的转移函数为maxpooling(最大值池化方法);
3-2,应用Banach不动点理论重写式(I)进行迭代更新,求出hv的唯一解,如式(II)所示:
Ht+1=F(Ht,X) (II),
式(II)中,H表示所有hv之间的连接,X表示所有Xv之间的连接,Ht的上角标t表示第t次迭代,Ht+1的上角标t+1表示第t次迭代,F(·)表示全连接前馈神经网络;
3-3,通过将状态hv以及特征Xv传递给输出函数g来计算GNN的输出Ov,如式(III)所示:
Ov=g(hv,Xv) (III),
式(III)中,g表示全连接前馈神经网络;
L1损失函数如式(IV)所示:
式(IV)中,loss是损失函数,p是节点数,Ov表示第v个节点的输出;
从而得到包含位置信息的数据表示GNN在参数训练好后的输出, 是一个中间参量,是对空间位置信息学习后的数据;
3-4,将GNN输出的输入到GRU中去获取时间维度的信息,且/>
GRU组合了遗忘门和输入门到一个单独的更新门当中,也合并了细胞状态C和隐藏状态h,并且还做了一些其他的改变,使得其模型比标准LSTM模型更简单,
GRU模型中,重置门的计算过程为:zt=σ(Wz·[ht-1,xt]) (V);
式(V)中,zt表示更新门,xt表示输入的数据,ht-1表示隐藏状态,Wz表示GRU模型的参数;σ表示GRU模型的函数;
更新门的计算过程为:rt=σ(Wr·[ht-1,xt]) (VI);
式(VI)中,rt表示重置门,Wr表示GRU模型的参数;
候选隐藏层状态的计算过程:
式(VII)中,⊙表示卷积;W表示GRU模型的参数;表示候选隐藏层状态;tanh表示双曲正切函数;
隐藏层状态的计算过程为:
通过训练确定参数Wr、W、Wz。
根据本发明优选的,风险处置知识库包括若干个风险场景案例,每个风险场景案例包括风险场景的信息和处置预案,处置预案包括数据指标的差值数据Δ=[Δ1,…,Δi,…,Δm],Δi表示处置预案中第i维数据指标的差值数据;i表示数据维度,m为场景数据中数据的种类总数,为场景信息的第i维数据,/>为无风险场景的第i维理想数据;
当风险预警模型预测的风险预测值超过阈值时,风险预警模型向风险处置知识库传输场景数据,风险处置知识库将传入的场景数据与风险处置知识库中已有的数据进行对比,若有相同场景,则输出处置预案;若无相同场景,则搜索相似度最高场景将其处置预案传给智能场景推演模型,智能场景推演模型并将生成的处置预案存入风险处置知识库中。以此来不断实时更新风险处置知识库。
风险场景案例包括风险处置预案、已发生的历史事件以及根据专家经验构建的案例;监管场所中的风险处置知识库需要对已发生的历史风险事件的处置方式我们要予以记录,并且对于即将可能会发生的风险的处置方式要提出合理性的建议,并在风险消除后对该处置方法以及风险程度进行记录,成为知识库中的历史风险事件。
根据本发明优选的,智能场景推演模型采用若干个STPN网络进行迭代,迭代就是多次预测,通过输入不同的输入数据,得到不同的结果,最后取风险值最低的结果;STPN网络包括一个图神经网络GNN和一个循环神经网络GRU;
输入信息包括历史时刻的场景信息、当前时刻的场景信息、未来时刻的场景信息,所述未来时刻的场景信息通过当前时刻场景信息和处置预案计算得到,即x′i=xi-Δi,x′i为未来时刻的场景信息,未来时刻的场景信息为处置预案处置后期望得到的场景信息;xi为场景信息的第i维数据;Δi表示处置预案中第i维数据指标的差值数据;
智能场景推演模型输出风险预测值及处置预案中数据指标的差值数据Δ。
根据本发明优选的,步骤6中,若风险处置知识库中不存在与输入的场景数据完全相同的案例时,则将风险预测值超过阈值时的场景数据以及风险处置知识库中与步骤5采集到的场景数据相似度最高场景的处置预案输入到智能场景推演模型中进行迭代训练,最终得到满足风险阈值且训练过程中风险值最小时所对应的处置预案数据项作为最终的处置预案;具体过程为:
6-1,风险处置知识库将风险预测值超过阈值时的场景数据X=[x1,…,xi,…,xm],i=1、2、…、m,xi为第i种场景数据,m为场景数据中数据的种类总数,以及与步骤5采集到的场景数据相似度最高场景的处置预案Δ输入到智能场景推演模型,智能场景推演模型从风险预警模型使用的STPN网络的输入中获取X对应的过去一周内的数据,即Xt-24*7到Xt-1,Xt-24*7表示t时刻之前第7天的0时的数据,Xt-1表示t时刻前一个小时的数据;由于监管场所的生活的周期性,采用过去一周的数据来对未来一天的数据进行预测;X作为当前时刻的场景信息,X对应的过去一周内的数据作为历史时刻的场景信息,然后将风险处置知识库传入的X作为Xt加入到输入STPN网络中进行训练,则表示STPN网络训练的整个过程,Yt+1,…Yt+24表示t时刻之后第1、2、3……24时的风险预测值;
6-2,判断Yt+1,…Yt+24是否均小于阈值β,
若Yt+1,…Yt+24中存在若干个大于等于阈值β,则对处置预案中数据指标的差值数据Δ进行调整,每次调整的步长为得到Δ* i,Δ* i表示调整后处置预案中数据指标的差值数据;并对风险处置知识库传入的数据或上次训练时传入的数据[x1,…,xi,…,xm],进行迭代,得到X′t=[x’1,…,x’i,…,x’m],且x’i=xi-Δ* i,x’i为迭代后的第i种场景数据,然后将X′t输入STPN网络中进行再次训练;直至满足所有的Yt+1,…Yt+24均小于阈值β,则结束训练,然后输出及Δ*,Δ*满足Δ*=[Δ* 1,…,Δ* i,…,Δ* m];
若所有的Yt+1,…Yt+24均小于阈值β,则结束训练,并输出Δ。
一种监管场景下的突发事件智能推演系统,用于实现上述一种监管场景下的突发事件智能推演方法,包括数据采集模块、数据融合模块、突发事件预警模块、风险处置知识库和场景智能推演模块,
数据采集模块,用于执行步骤1,采集不同区域的场景数据;
数据融合模块,用于执行步骤2,对数据采集模块采集的场景数据进行预处理;
突发事件预警模块,用于执行步骤5,预测下一时刻场景的风险预测值;
风险处置知识库,用于根据采集到的场景信息输出处置预案,或得到与采集到的场景信息相似度最高场景的处置预案;
场景智能推演模块,用于执行步骤6,得到下一时刻场景的处置预案。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述监管场景下的突发事件智能推演方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述监管场景下的突发事件智能推演方法的步骤。
本发明的有益效果为:
1.本发明采用了模型学习和处置知识库相结合的方式进行场景风险的预警和推演,利用STPN网络及智能场景推演模型进行监管场所下的场景数据进行了预警和推演分析,充分利用了历史数据、专家经验,也结合了模型的学习,提升了结果的科学性和合理性。
2.本发明提供的风险预警模型,采用了时空结合的方法对场景的风险进行预警,STPN网络采用图神经网络GNN作为空间模块,循环神经网络GRU作为时间模块;将时间信息和空间信息充分的结合,在这种数据极度稀有的应用领域,可以更加充分地利用每一项有效数据。
3.采用了不断迭代的智能场景推演模型,在STPN网络预测可能有风险发生后,将场景信息在风险处置知识库中经过对比,在风险处置知识库没有相同的场景的情况下,并不会简单的将相似度最高的场景所对应的处置预案直接输出,而是会送入智能场景推演模型进行迭代训练,将智能场景推演模型训练出的最优解作为推演结果输出,不仅可以增加知识库的储备量还可以提升推演结果的准确率。
4.本发明对于监管场所下的场景数据进行了预警和推演分析。由于监管场所的特殊性,风险预警和风险推演在监所场景下的应用却是凤毛麟角,本发明提出了一种相对完善的方法,对监管场所的场景进行了分析和风险处置方式的推荐。
附图说明
图1是突发事件智能推演方法总体模型图;
图2是GRU算法的流程图;
图3是监管场景下突发事件智能推演方法构建流程图;
图4是智能场景推演模型的工作方法示意图。
具体实施方式
下面结合实施例和说明书附图对本发明做进一步说明,但不限于此。
实施例1
一种监管场景下的突发事件智能推演方法,如图1和图3所示,该方法包括:
步骤1,获取不同区域的场景数据,并针对场景的风险值进行评分;
步骤2,进行数据预处理;
步骤3,将处理后的数据输入到风险预警模型中进行训练,得到训练好的风险预警模型;
步骤4,构建风险处置知识库;风险处置知识库是将监管场所发生风险后的历史处置方法数据加之通过场景智能推演模块生成的处置预案所构成的知识库,用于发生风险预警后的处置预案的推荐。
步骤5,获取不同区域的场景数据,然后进行数据预处理,再将处理后的场景数据输入到训练好的风险预警模型中,得到下一时刻场景的风险预测值;
步骤6,将步骤5得到的风险预测值与阈值进行比较,当风险预测值超过阈值时,则将场景数据与风险处置知识库中的场景数据进行对比,
若风险处置知识库中存在与输入的场景数据完全相同的案例时,则风险处置知识库输出该案例对应的处置预案;
若风险处置知识库中不存在与输入的场景数据完全相同的案例时,则将风险预测值超过阈值时的场景数据以及风险处置知识库中与步骤5采集到的场景数据相似度最高场景的处置预案输入到智能场景推演模型中进行迭代训练,最终得到满足风险阈值且训练过程中风险值最小时所对应的处置预案数据项作为最终的处置预案;
步骤7,智能场景推演模型得到的最终的处置预案和对应的场景信息存入风险处置知识库。以提高以后出现风险预警时预案生成的反应速度。
实施例2
根据实施例1提供的一种监管场景下的突发事件智能推演方法,区别之处在于:
步骤1中,获取不同区域的场景数据,并针对场景的风险值进行评分;具体过程包括:
1-1,采集不同区域的场景数据,所述场景数据包括区域高风险人员数、区域被监管人员总数、区域管理人员数量、区域外来车辆数量、区域外来人员数量、区域监控报警情况、区域AB门故障数量、区域内黑白名单号码通话量、区域高压电网故障数量、区域气温、区域天气情况数据;每半小时采集一次场景数据;监管场所包括N个区域,在整个方法中,我们主要考虑的是监管场所中的工厂车间、宿舍、活动室及会见室这几类区域,工厂车间为被监管人员劳动、吃饭的区域,宿舍为被监管人员生活区域。
1-2,对采集的场景数据进行打分,作为场景数据的标签值y,标签值y用于评判该时刻下的场景风险;将风险等级分为四级,分别为:高风险、中风险、中低风险、低风险,分别对应1,2,3,4分;针对每一个场景进行打分。
步骤2中,进行数据预处理,具体过程包括:
2-1,对场景数据进行数据清洗,将空白数据,离群场景数据删除;
2-2,对场景数据进行数据归一化操作,具体为:x*表示归一化后的场景数据,x表示未进行归一化的场景数据,min表示场景数据的最小值,max表示场景数据的最大值;从而得到要输入风险预警模型的输入数据[X,Y],场景数据/>表示在第t时刻,第n个区域第i个特征的归一化值,步骤1-1中采集的每一项场景数据均作为一个特征;Y={ynt}表示对应第t时刻,第n个区域下的标签值的集合;
2-3,构建场景数据X以及监管场所中N个区域之间无向图G所对应的N×N邻接矩阵Xadj,无向图G中N个节点对应N个区域,若无向图G中节点vi和节点vj之间存在边或存在弧,则/>否则/>且i,j=1,2,3……N。
在本实施例中,采用了包括车间、工厂、会见室、活动室等共17个顶点,即N=17,邻接矩阵为17×17的对称阵,即
邻接矩阵存储结构就每个节点用一个一维数组存储边的信息,这样所有点合起来就是用矩阵表示图中各节点之间的邻接关系。
步骤3中,风险预警模型为STPN网络,STPN网络包括一个图神经网络GNN和一个循环神经网络GRU,图神经网络GNN作为空间模块,循环神经网络GRU作为时间模块;图神经网络GNN用来获取输入的场景数据中不同区域间的关联关系,并进行拟合,然后输入到循环神经网络GRU中;
循环神经网络GRU包括更新门和重置门,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大说明前一时刻的状态信息带入越多;重置门用于控制前一状态的信息被写入到当前的候选集ht上的比例,重置门越小,前一状态的信息被写入的越少。
风险预警模型输入信息为场景数据X、标签值的集合Y及邻接矩阵Xadj,输出下一时刻场景的风险预测值。
STPN是一种由GNN和GRU构成的时空风险预测网络。
风险预警模型的训练的过程为:
3-1,将经过预处理的数据[X,Y]及邻接矩阵Xadj输入到GNN中;无向图G中每个节点v的特征Xv与已标记的标签yv相关联;yv为节点v对应的标签值集合;给定部分标记的无向图G,目标是利用这些标记的节点及邻接矩阵来计算不同节点的关联关系,通过学习得到每个节点的N维向量状态hv,同时包含节点v相邻节点的信息,具体为:
hv=f(Xv,XCO[v],hne[v],Xne[v]) (I),
式(I)中,XCO[v]表示连接节点v的边的特征,hne[v]表示节点v的邻居节点的嵌入表示,Xne[v]表示节点v的邻居节点特征,f表示将输入投影到N维空间的转移函数,此处采用的转移函数为maxpooling(最大值池化方法);
3-2,应用Banach不动点理论重写式(I)进行迭代更新,求出hv的唯一解,如式(II)所示:
Ht+1=F(Ht,X) (II),
式(II)中,H表示所有hv之间的连接,X表示所有Xv之间的连接,Ht的上角标t表示第t次迭代,Ht+1的上角标t+1表示第t次迭代,F(·)表示全连接前馈神经网络;
3-3,通过将状态hv以及特征Xv传递给输出函数g来计算GNN的输出Ov,如式(III)所示:
Ov=g(hv,Xv) (III),
式(III)中,g表示全连接前馈神经网络;
L1损失函数如式(IV)所示:
式(IV)中,loss是损失函数,p是节点数,Ov表示第v个节点的输出;
从而得到包含位置信息的数据表示GNN在参数训练好后的输出, 是一个中间参量,是对空间位置信息学习后的数据;
3-4,将GNN输出的输入到GRU中去获取时间维度的信息,且/>
GRU组合了遗忘门和输入门到一个单独的更新门当中,也合并了细胞状态C和隐藏状态h,并且还做了一些其他的改变,使得其模型比标准LSTM模型更简单,
GRU模型中,重置门的计算过程为:zt=σ(Wz·[ht-1,xt]) (V);
式(V)中,zt表示更新门,xt表示输入的数据,ht-1表示隐藏状态,Wz表示GRU模型的参数;σ表示GRU模型的函数;
更新门的计算过程为:rt=σ(Wr·[ht-1,xt]) (VI);
式(VI)中,rt表示重置门,Wr表示GRU模型的参数;
候选隐藏层状态的计算过程:
式(VII)中,⊙表示卷积;W表示GRU模型的参数;表示候选隐藏层状态;tanh表示双曲正切函数;
隐藏层状态的计算过程为:
通过训练确定参数Wr、W、Wz。
风险处置知识库包括若干个风险场景案例,每个风险场景案例包括风险场景的信息和处置预案,处置预案包括数据指标的差值数据Δ=[Δ1,…,Δi,…,Δm],Δi表示处置预案中第i维数据指标的差值数据;i表示数据维度,m为场景数据中数据的种类总数,xi为场景信息的第i维数据,/>为无风险场景的第i维理想数据;
当风险预警模型预测的风险预测值超过阈值时,风险预警模型向风险处置知识库传输场景数据,风险处置知识库将传入的场景数据与风险处置知识库中已有的数据进行对比,若有相同场景,则输出处置预案;若无相同场景,则搜索相似度最高场景将其处置预案传给智能场景推演模型,智能场景推演模型并将生成的处置预案存入风险处置知识库中。以此来不断实时更新风险处置知识库。
风险场景案例包括风险处置预案、已发生的历史事件以及根据专家经验构建的案例;监管场所中的风险处置知识库需要对已发生的历史风险事件的处置方式我们要予以记录,并且对于即将可能会发生的风险的处置方式要提出合理性的建议,并在风险消除后对该处置方法以及风险程度进行记录,成为知识库中的历史风险事件。
智能场景推演模型采用若干个STPN网络进行迭代,迭代就是多次预测,通过输入不同的输入数据,得到不同的结果,最后取风险值最低的结果;STPN网络包括一个图神经网络GNN和一个循环神经网络GRU;
输入信息包括历史时刻的场景信息、当前时刻的场景信息、未来时刻的场景信息,所述未来时刻的场景信息通过当前时刻场景信息和处置预案计算得到,即x’i=xi-Δi,x’i为未来时刻的场景信息,未来时刻的场景信息为处置预案处置后期望得到的场景信息;xi为场景信息的第i维数据;Δi表示处置预案中第i维数据指标的差值数据;
智能场景推演模型输出风险预测值及处置预案中数据指标的差值数据Δ。
步骤6中,若风险处置知识库中不存在与输入的场景数据完全相同的案例时,则将风险预测值超过阈值时的场景数据以及风险处置知识库中与步骤5采集到的场景数据相似度最高场景的处置预案输入到智能场景推演模型中进行迭代训练,最终得到满足风险阈值且训练过程中风险值最小时所对应的处置预案数据项作为最终的处置预案;其中,通过待预测场景数据与风险处置知识库中处置预案数据项的差值的大小来判断相似度;
如图4所示,具体过程为:
6-1,风险处置知识库将风险预测值超过阈值时的场景数据X=[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11]输入到智能场景推演模型后,智能场景推演模型从风险预警模型使用的STPN网络的输入中获取X对应的过去一周内的数据Xt-24*7到Xt-1,Xt-24*7表示t时刻之前第7天的0时的数据,Xt-1表示t时刻前一个小时的数据;由于监管场所的生活的周期性,采用过去一周的数据来对未来一天的数据进行预测;然后将风险处置知识库传入的X作为Xt加入到输入STPN网络中进行训练,则Yt+1,…Yt+24=表示STPN网络训练的过程,Yt+1,…Yt+24表示t时刻之后第1、2、3……24时的预测风险值;
6-2,判断Yt+1,…Yt+24是否均小于阈值β,
若Yt+1,…Yt+24中存在若干个大于等于阈值β,则对Δ进行调整,每次调整的步长为得到Δ* i,Δ* i表示调整后的Δi;并对风险处置知识库传入的数据或上次训练时传入的数据X=[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11]进行迭代,得到X′t=[x’1,x’2,x’3,x’4,x’5,x’6,x’7,x’8,x’9,x’10,x’11],且x’i=xi-Δ* i,x’i为迭代后的第i种场景数据,然后将X′t输入STPN网络中进行再次训练;
直至满足所有的Yt+1,…Yt+24均小于阈值β,则结束训练,然后输出Δ*,Δ*满足Δ*=[Δ* 1,…,Δ* i,…,Δ* m]。
若所有的Yt+1,…Yt+24均小于阈值β,则结束训练,并返回Yt+1,…Yt+24及Δ;
实施例3
一种监管场景下的突发事件智能推演系统,用于实现实施例1或2提供的一种监管场景下的突发事件智能推演方法,包括数据采集模块、数据融合模块、突发事件预警模块、风险处置知识库和场景智能推演模块,
数据采集模块,用于执行步骤1,采集不同区域的场景数据;
数据融合模块,用于执行步骤2,对数据采集模块采集的场景数据进行预处理;
突发事件预警模块,用于执行步骤5,预测下一时刻场景的风险预测值;
风险处置知识库,用于根据采集到的场景信息输出处置预案,或得到与采集到的场景信息相似度最高场景的处置预案;
场景智能推演模块,用于执行步骤6,得到下一时刻场景的处置预案。
实施例4
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现实施例1或2提供的所述监管场景下的突发事件智能推演方法的步骤。
实施例5
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现实施例1或2提供的所述监管场景下的突发事件智能推演方法的步骤。
Claims (6)
1.一种监管场景下的突发事件智能推演方法,其特征在于,该方法包括:
步骤1,获取不同区域的场景数据,并针对场景的风险值进行评分;
步骤2,进行数据预处理;
步骤3,将处理后的数据输入到风险预警模型中进行训练,得到训练好的风险预警模型;风险预警模型为STPN网络,STPN网络包括一个图神经网络GNN和一个循环神经网络GRU,图神经网络GNN用来获取输入的场景数据中不同区域间的关联关系,并进行拟合,然后输入到循环神经网络GRU中;
循环神经网络GRU包括更新门和重置门,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度;重置门用于控制前一状态的信息被写入到当前的候选集ht上的比例;
风险预警模型输入信息为场景数据X、标签值的集合Y及邻接矩阵Xadj,输出下一时刻场景的风险预测值;
步骤4,构建风险处置知识库;风险处置知识库包括若干个风险场景案例,每个风险场景案例包括风险场景的信息和处置预案,处置预案包括数据指标的差值数据Δ=[Δ1,…,Δi,…,Δm],Δi表示处置预案中第i维数据指标的差值数据;i表示数据维度,m为场景数据中数据的种类总数,为场景信息的第i维数据,/>为无风险场景的第i维理想数据;
当风险预警模型预测的风险预测值超过阈值时,风险预警模型向风险处置知识库传输场景数据,风险处置知识库将传入的场景数据与风险处置知识库中已有的数据进行对比,若有相同场景,则输出处置预案;若无相同场景,则搜索相似度最高场景将其处置预案传给智能场景推演模型,智能场景推演模型并将生成的处置预案存入风险处置知识库中;
智能场景推演模型采用若干个STPN网络进行迭代,STPN网络包括一个图神经网络GNN和一个循环神经网络GRU;
输入信息包括历史时刻的场景信息、当前时刻的场景信息、未来时刻的场景信息,所述未来时刻的场景信息通过当前时刻场景信息和处置预案计算得到,即x’i=xi-Δi,x’i为未来时刻的场景信息,xi为场景信息的第i维数据;Δi表示处置预案中第i维数据指标的差值数据;
智能场景推演模型输出风险预测值及处置预案中数据指标的差值数据Δ;
步骤5,获取不同区域的场景数据,然后进行数据预处理,再将处理后的场景数据输入到训练好的风险预警模型中,得到下一时刻场景的风险预测值;
步骤6,将步骤5得到的风险预测值与阈值进行比较,当风险预测值超过阈值时,则将场景数据与风险处置知识库中的场景数据进行对比,
若风险处置知识库中存在与输入的场景数据完全相同的案例时,则风险处置知识库输出该案例对应的处置预案;
若风险处置知识库中不存在与输入的场景数据完全相同的案例时,则将风险预测值超过阈值时的场景数据以及风险处置知识库中与步骤5采集到的场景数据相似度最高场景的处置预案输入到智能场景推演模型中进行迭代训练,最终得到满足风险阈值且训练过程中风险值最小时所对应的处置预案数据项作为最终的处置预案;具体过程为:
6-1,风险处置知识库将风险预测值超过阈值时的场景数据X=[x1,…,xi,…,xm],i=1、2、…、m,xi为第i种场景数据,m为场景数据中数据的种类总数,以及与步骤5采集到的场景数据相似度最高场景的处置预案Δ输入到智能场景推演模型,智能场景推演模型从风险预警模型使用的STPN网络的输入中获取X对应的过去一周内的数据,即Xt-24*7到Xt-1,Xt-24*7表示t时刻之前第7天的0时的数据,Xt-1表示t时刻前一个小时的数据;然后将风险处置知识库传入的X作为Xt加入到输入STPN网络中进行训练,则 表示STPN网络训练的整个过程,Yt+1,…Yt+24表示t时刻之后第1、2、3……24时的风险预测值;
6-2,判断Yt+1,…Yt+24是否均小于阈值β,
若Yt+1,…Yt+24中存在若干个大于等于阈值β,则对处置预案中数据指标的差值数据Δ进行调整,每次调整的步长为得到Δ* i,Δ* i表示调整后处置预案中数据指标的差值数据;并对风险处置知识库传入的数据或上次训练时传入的数据[x1,…,xi,…,xm],进行迭代,得到X't=[x’1,…,x’i,…,x’m],且x’i=xi-Δ* i,x’i为迭代后的第i种场景数据,然后将X't输入STPN网络中进行再次训练;直至满足所有的Yt+1,…Yt+24均小于阈值β,则结束训练,然后输出及Δ*,Δ*满足Δ*=[Δ* 1,…,Δ* i,…,Δ* m];
若所有的Yt+1,…Yt+24均小于阈值β,则结束训练,并输出Δ;
步骤7,智能场景推演模型得到的最终的处置预案和对应的场景信息存入风险处置知识库。
2.根据权利要求1所述的一种监管场景下的突发事件智能推演方法,其特征在于,步骤1中,获取不同区域的场景数据,并针对场景的风险值进行评分;具体过程包括:
1-1,采集不同区域的场景数据,所述场景数据包括区域高风险人员数、区域被监管人员总数、区域管理人员数量、区域外来车辆数量、区域外来人员数量、区域监控报警情况、区域AB门故障数量、区域内黑白名单号码通话量、区域高压电网故障数量、区域气温、区域天气情况数据;每半小时采集一次场景数据;监管场所包括N个区域;
1-2,对采集的场景数据进行打分,作为场景数据的标签值y,标签值y用于评判该时刻下的场景风险。
3.根据权利要求1所述的一种监管场景下的突发事件智能推演方法,其特征在于,步骤2中,进行数据预处理,具体过程包括:
2-1,对场景数据进行数据清洗,将空白数据,离群场景数据删除;
2-2,对场景数据进行数据归一化操作,具体为:x*表示归一化后的场景数据,x表示未进行归一化的场景数据,min表示场景数据的最小值,max表示场景数据的最大值;从而得到要输入风险预警模型的输入数据[X,Y],场景数据/>表示在第t时刻,第n个区域第i个特征的归一化值,步骤1-1中采集的每一项场景数据均作为一个特征;Y={ynt}表示对应第t时刻,第n个区域下的标签值的集合;
2-3,构建场景数据X以及监管场所中N个区域之间无向图G所对应的N×N邻接矩阵Xadj,无向图G中N个节点对应N个区域,若无向图G中节点vi和节点vj之间存在边或存在弧,则/>否则/>且i,j=1,2,3……N。
4.根据权利要求1所述的一种监管场景下的突发事件智能推演方法,其特征在于,风险预警模型的训练的过程为:
3-1,将经过预处理的数据[X,Y]及邻接矩阵Xadj输入到GNN中;无向图G中每个节点v的特征Xv与已标记的标签yv相关联;yv为节点v对应的标签值集合;给定部分标记的无向图G,通过学习得到每个节点的N维向量状态hv,同时包含节点v相邻节点的信息,具体为:
hv=f(Xv,XCO[v],hne[v],Xne[v]) (I),
式(I)中,XCO[v]表示连接节点v的边的特征,hne[v]表示节点v的邻居节点的嵌入表示,Xne[v]表示节点v的邻居节点特征,f表示将输入投影到N维空间的转移函数,此处采用的转移函数为maxpooling;
3-2,应用Banach不动点理论重写式(I)进行迭代更新,求出hv的唯一解,如式(II)所示:
Ht+1=F(Ht,X) (II),
式(II)中,H表示所有hv之间的连接,X表示所有Xv之间的连接,Ht的上角标t表示第t次迭代,Ht+1的上角标t+1表示第t次迭代,F(·)表示全连接前馈神经网络;
3-3,通过将状态hv以及特征Xv传递给输出函数g来计算GNN的输出Ov,如式(III)所示:
Ov=g(hv,Xv) (III),
式(III)中,g表示全连接前馈神经网络;
L1损失函数如式(IV)所示:
式(IV)中,loss是损失函数,p是节点数,Ov表示第v个节点的输出;
从而得到包含位置信息的数据表示GNN在参数训练好后的输出,
3-4,将GNN输出的输入到GRU中去获取时间维度的信息,且/>
GRU模型中,重置门的计算过程为:zt=σ(Wz·[ht-1,xt]) (V);
式(V)中,zt表示更新门,xt表示输入的数据,ht-1表示隐藏状态,Wz表示GRU模型的参数;σ表示GRU模型的函数;
更新门的计算过程为:rt=σ(Wr·[ht-1,xt]) (VI);
式(VI)中,rt表示重置门,Wr表示GRU模型的参数;
候选隐藏层状态的计算过程:
式(VII)中,⊙表示卷积;W表示GRU模型的参数;表示候选隐藏层状态;tanh表示双曲正切函数;
隐藏层状态的计算过程为:
通过训练确定参数Wr、W、Wz。
5.一种监管场景下的突发事件智能推演系统,其特征在于,用于实现权利要求1-4任一所述的一种监管场景下的突发事件智能推演方法,包括数据采集模块、数据融合模块、突发事件预警模块、风险处置知识库和场景智能推演模块,
数据采集模块,用于执行步骤1,采集不同区域的场景数据;
数据融合模块,用于执行步骤2,对数据采集模块采集的场景数据进行预处理;
突发事件预警模块,用于执行步骤5,预测下一时刻场景的风险预测值;
风险处置知识库,用于根据采集到的场景信息输出处置预案,或得到与采集到的场景信息相似度最高场景的处置预案;
场景智能推演模块,用于执行步骤6,得到下一时刻场景的处置预案。
6.一种计算机设备,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,所述处理器执行所述计算机程序时实现权利要求1-4任一项所述的一种监管场景下的突发事件智能推演方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210154787.1A CN114548751B (zh) | 2022-02-21 | 2022-02-21 | 一种监管场景下的突发事件智能推演方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210154787.1A CN114548751B (zh) | 2022-02-21 | 2022-02-21 | 一种监管场景下的突发事件智能推演方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114548751A CN114548751A (zh) | 2022-05-27 |
CN114548751B true CN114548751B (zh) | 2024-05-31 |
Family
ID=81676287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210154787.1A Active CN114548751B (zh) | 2022-02-21 | 2022-02-21 | 一种监管场景下的突发事件智能推演方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548751B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117319451B (zh) * | 2023-11-28 | 2024-02-27 | 爱瑞克(大连)安全技术集团有限公司 | 基于多模态大数据的城市级消防物联网监管系统及其方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942202A (zh) * | 2019-12-02 | 2020-03-31 | 大连伟岸纵横科技股份有限公司 | 应急演练推演方法、计算机存储介质及电子设备 |
CN112543471A (zh) * | 2020-11-16 | 2021-03-23 | 南京邮电大学 | 一种面向复杂环境的机动5g混合接入链路中断预测方法 |
CN112966856A (zh) * | 2021-02-10 | 2021-06-15 | 四川水利职业技术学院 | 一种山洪风险预测方法及预测系统 |
CN113112789A (zh) * | 2021-03-08 | 2021-07-13 | 张晔婷 | 城市快速路突发事件的影响预测及管控方法 |
CN113222361A (zh) * | 2021-04-25 | 2021-08-06 | 北京中交华安科技有限公司 | 一种突发事件应急救援方案的生成方法 |
CN113496310A (zh) * | 2021-06-16 | 2021-10-12 | 国家超级计算深圳中心(深圳云计算中心) | 基于深度学习模型的大气污染物预测方法和系统 |
CN113919944A (zh) * | 2021-09-07 | 2022-01-11 | 暨南大学 | 基于强化学习算法与时间序列模型的股票交易方法及系统 |
-
2022
- 2022-02-21 CN CN202210154787.1A patent/CN114548751B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942202A (zh) * | 2019-12-02 | 2020-03-31 | 大连伟岸纵横科技股份有限公司 | 应急演练推演方法、计算机存储介质及电子设备 |
CN112543471A (zh) * | 2020-11-16 | 2021-03-23 | 南京邮电大学 | 一种面向复杂环境的机动5g混合接入链路中断预测方法 |
CN112966856A (zh) * | 2021-02-10 | 2021-06-15 | 四川水利职业技术学院 | 一种山洪风险预测方法及预测系统 |
CN113112789A (zh) * | 2021-03-08 | 2021-07-13 | 张晔婷 | 城市快速路突发事件的影响预测及管控方法 |
CN113222361A (zh) * | 2021-04-25 | 2021-08-06 | 北京中交华安科技有限公司 | 一种突发事件应急救援方案的生成方法 |
CN113496310A (zh) * | 2021-06-16 | 2021-10-12 | 国家超级计算深圳中心(深圳云计算中心) | 基于深度学习模型的大气污染物预测方法和系统 |
CN113919944A (zh) * | 2021-09-07 | 2022-01-11 | 暨南大学 | 基于强化学习算法与时间序列模型的股票交易方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于多源时空数据的PM2.5浓度预测;闫增祥;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20210815(第8期);全文 * |
完善监狱突发事件应急管理平台的思考;华桦等;《司法警官职业教育研究》;20210415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114548751A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Spatial-temporal residential short-term load forecasting via graph neural networks | |
Chen et al. | TAIEX forecasting based on fuzzy time series, particle swarm optimization techniques and support vector machines | |
CN102289569B (zh) | 一种电力系统突发事件应急处理方法 | |
Pranolo et al. | Robust LSTM With tuned-PSO and bifold-attention mechanism for analyzing multivariate time-series | |
Palau et al. | Recurrent neural networks for real-time distributed collaborative prognostics | |
CN114548751B (zh) | 一种监管场景下的突发事件智能推演方法、系统、设备及存储介质 | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
Shaikh et al. | A new approach to seasonal energy consumption forecasting using temporal convolutional networks | |
CN115630709A (zh) | 一种数据中心ai能耗阈值动态分析及优化的方法 | |
CN116258573A (zh) | 一种农产品供应链信用风险识别与演化预测方法 | |
CN114186799A (zh) | 基于异构图神经网络的企业估值方法及系统 | |
Alali et al. | Deep reinforcement learning sensor scheduling for effective monitoring of dynamical systems | |
CN112183918B (zh) | 一种输电线路在线巡检作业计划的智能生成方法 | |
CN112330044A (zh) | 一种基于迭代聚集网格搜索算法的支持向量回归模型 | |
Boulmaiz et al. | Optimizing occupant actions to enhance his comfort while reducing energy demand in buildings | |
CN111931798B (zh) | 进行冷头状态分类检测和寿命预测的方法 | |
Yazdani et al. | A lion optimization algorithm for an integrating maintenance planning and production scheduling problem with a total absolute deviation of completion times objective | |
Shen et al. | Long-term multivariate time series forecasting in data centers based on multi-factor separation evolutionary spatial–temporal graph neural networks | |
CN112633607A (zh) | 一种动态时空事件预测方法及系统 | |
Martynova et al. | Application of fuzzy TOPSIS method in group decision-making for ranking political parties | |
Wang et al. | Distributed Optimal Energy Dispatch for Networked Microgrids with Federated Reinforcement Learning | |
KR20200112495A (ko) | 상권 분석 서비스 제공 서버 및 그 방법 | |
KR102679381B1 (ko) | 수요예측 기반의 지능형 생산 및 물류 관리 방법 및 시스템 | |
Vychuzhanin et al. | Data Mining Information System for Complex Technical Systems Failure Risk Evaluation. |
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 |