CN114912798A - 一种基于随机森林和震害大数据的地震损失评估系统 - Google Patents
一种基于随机森林和震害大数据的地震损失评估系统 Download PDFInfo
- Publication number
- CN114912798A CN114912798A CN202210526492.2A CN202210526492A CN114912798A CN 114912798 A CN114912798 A CN 114912798A CN 202210526492 A CN202210526492 A CN 202210526492A CN 114912798 A CN114912798 A CN 114912798A
- Authority
- CN
- China
- Prior art keywords
- earthquake
- unit
- big data
- damage
- loss
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 85
- 238000011156 evaluation Methods 0.000 title claims abstract description 60
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 34
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000011160 research Methods 0.000 claims abstract description 6
- 238000013500 data storage Methods 0.000 claims abstract description 5
- 238000007726 management method Methods 0.000 claims abstract description 5
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012038 vulnerability analysis Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于随机森林结合震害大数据的地震损失评估系统,包括地震损失大数据采集模块,包括房屋基本信息管理单元、建筑详细破坏信息收集单元、地震信息收集单元和人文环境信息收集单元;地震损失大数据储存模块进行大数据预处理工作;震害大数据分析模块负责结构易损性分析和致灾因子重要性分析;震损评估模块可对地震受灾区域的损失情况做出快速准确的损伤状态评估;本发明相较于现有的地震损失评估系统,实现了地震损失研究与机器学习的深度交叉,经实际震灾数据的验证,提高了其适应范围;本发明通过量化损失各因素间的相对重要性关系,可有效地提高评估效率;本发明通过引入非传统特征的人文环境参数,提高了评估的精确性。
Description
技术领域
本发明涉及自然灾害研究技术领域,具体为一种基于随机森林和震害大数据的地震损失评估系统。
背景技术
现阶段,由于准确预测地震的发生还是一个尚未被解决的科学难题,提高工程的抗震能力是主要的防灾措施,而地震金融保险等最为减灾地震灾害损失的有效经济补偿手段,地震金融保险的开展迫切需要地震巨灾风险的量化分析方法,另一方面,随着韧性城乡工程在全国的展开,地震风险的量化及其减轻措施变得越来越重要,但现有的地震损失评估系统,缺少大量翔实的对震灾资料的验证,且主要集中于某些具体类别的建筑物,评估的适用性有待提高;现有的地震损失评估系统,没有考虑到影响损失各因素之间的重要性关系,开展灾后损失评估时无法区分主次先后,不利于评估的效率;现有的地震损失评估系统,没有考虑到人文环境因素对易损性的影响,导致评估精度较低。
发明内容
本发明的目的在于提供一种基于随机森林和震害大数据的地震损失评估系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于随机森林和震害大数据的地震损失评估系统,包括地震损失大数据采集模块、地震损失大数据储存模块、震害大数据分析模块和地震损失评估模块,所述建筑损伤大数据采集模块的一侧连接有数据库,数据库的一侧连接有震害大数据分析模块,震害大数据分析模块的一侧连接有地震损失评估模块,建筑损伤大数据采集模块包括房屋基本信息管理单元、建筑详细破坏信息收集单元、地震信息收集单元和人文环境信息收集单元。
所述数据库包括Cache数据缓冲单元、大数据预处理单元和特征信息匹配单元建筑损伤大数据采集模块的一侧连接有数据缓冲单元,数据缓冲单元的一侧连接有大数据预处理单元,大数据预处理单元的一侧连接有特征信息匹配单元。
所述大数据预处理单元包括大数据清洗、集成、规约子单元和数据编码子单元,特征信息匹配单元包括衰减地震动匹配子单元和空间位置匹配子单元。
所述震害大数据分析模块包括地震灾害损失模型学习单元、建筑易损性分析单元地震灾害损失模型学习单元包括数据划分单元和已发地震灾害特征训练单元,建筑易损性分析单元包括易损性影响因素相对关系量化单元和迭代提取地震灾害重要特征单元。
所述的地震灾害损失模型学习单元将不同建筑损伤程度分为k级,以此作为随机森林模型的分类标签类别数,并使用h个特征参数进行输入,则所述样本集合D为:
D={(x1,yp),(x2,yp),…,(xn,yp)}
其中,x1、x2…xn为随机森林输入的特征参数,x是1×h的一维向量,n为样本个数,yp为分类标签参数,yp∈{1,2,…,k}。故依据样本集合D,设置弱分类器个数M,其输出结果为f(x),集成强分类器输出结果H(x),其内部训练关系如下:
对于m=1,2…,M:
第m个基学习训练时,从D中有放回的随机抽取n个样本,此时得到包含n个样本的采样集合Dm;
该基学习器将Dm作为数据集进行训练,在训练时每个节点随机选取特征子集计算不纯度,并依据信息增益值选择最优特征进行决策树节点划分,输出结果fm(x);
汇总M个弱分类器的结果f(x),根据投票原则,返回最高预测频率的类别结果作为强分类器的H(x)值,作为地震损失预测结果值。
所述的建筑易损性分析单元利用信息熵理论计算易损性各影响因素重要度指数,所述重要性计算方法采用将平均减少不纯度和置换特征重要性归一化的计算方法:平均减少不纯度,利用Gini指数计算叶子节点的不纯度信息来衡量特征重要性的一种方法,以节点为研究对象,其定义如公式:
其中,p2(k∣t)表示在节点t中使用属性f作为划分属性,估计所属不同类别的概率,y为样本数。通过比较ΔG确定特征重要性大小,其值越大说明结果越确定,那么该属性对于目标输出影响越大,换言之该特征越重要;
置换特征重要性先提前定义模型m为已训练完毕的随机森林分类模型,测试样本集合为D,总特征数为j(D中的每一列);
随后将所述重要度计算结果进行归一化处理,那么最终重要度指数为:
所述地震损失评估模块包括结果评估单元和敏感因素判定单元,结果评估单元的一侧连接有敏感因素判定单元。
所述结果评估单元包括建筑损伤分类权重计算单元和损伤程度评估单元,敏感因素判定单元包括高损伤子单元和低损伤子单元,其目的在于判断不同损伤状态下地震损失对哪一种易损性参数敏感性更强。
所述结果评估单元在训练完毕的随机森林模型中输入新发地震灾害特征数据,在基决策树中计算目标建筑属于不同损伤等级的分类权重;统计基决策树分类权重结果来确定输入的数据对应的分类标签,最终确定新发地震灾害损失程度等级,其中随机森林与各基决策树之间的收敛关系如下:
其中,H(x)为集成多个基决策树的随机森林结果;f(x)为样本x的真实标签;T为基决策树的数量;∈值为个体学习器的泛化误差。
与现有技术相比,本发明的有益效果是:本发明相较于现有的地震损失评估系统,实现了地震损失研究与机器学习的深度交叉,能够对震灾数据进行验证,提高了其适用范围;本发明通过研究影响损失各因素的重要性关系,根据各因素重要性排序,可以有效地提高评估效率;本发明通过研究除地震动、建筑结构特征、场地条件外的人文环境因素对易损性的影响,提高了评估的精确性。
附图说明
图1为本发明的模块框架图。
图中:1、地震损失大数据采集模块;11、房屋基本信息管理单元;12、建筑详细破坏信息收集单元;13、地震信息收集单元;14、人文环境信息收集单元;2、地震损失大数据储存模块;21、Cache数据缓冲单元;22、大数据预处理单元;221、大数据清洗、集成、规约子单元;222、数据编码子单元;23、特征信息匹配单元;231、衰减地震动匹配子单元;232、空间位置匹配子单元;3、震害大数据分析模块;31、地震灾害损失模型学习单元;311、数据划分单元;312、已发地震灾害特征训练单元;32、建筑易损性分析单元;321、易损性影响因素相对关系量化单元;322、迭代提取地震灾害重要特征单元;4、地震损失评估模块元;41、结果评估单元;411、建筑损伤分类权重计算单元;412、损伤程度评估单元;42、敏感因素判定单元;421、高损伤子单元;422、低损伤子单元。
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。
请参阅图1,本发明提供的一种实施例:一种基于随机森林和震害大数据的地震损失评估系统,包括地震损失大数据采集模块1、地震损失大数据储存模块2、震害大数据分析模块3和地震损失评估模块4,建筑损伤大数据采集模块1的一侧连接有数据库2,数据库2的一侧连接有震害大数据分析模块3,震害大数据分析模块3的一侧连接有地震损失评估模块4,建筑损伤大数据采集模块1包括房屋基本信息管理单元11、建筑详细破坏信息收集单元12、地震信息收集单元13和人文环境信息收集单元14。
数据库2包括Cache数据缓冲单元21、大数据预处理单元22和特征信息匹配单元23,建筑损伤大数据采集模块1的一侧连接有数据缓冲单元21,数据缓冲单元21的一侧连接有大数据预处理单元22,大数据预处理单元22的一侧连接有特征信息匹配单元23。
大数据预处理单元22)包括大数据清洗、集成、规约子单元221和数据编码子单元222,特征信息匹配单元23包括衰减地震动匹配子单元231和空间位置匹配子单元232。
震害大数据分析模块3包括地震灾害损失模型学习单元31、建筑易损性分析单元32,地震灾害损失模型学习单元31包括数据划分单元311和已发地震灾害特征训练单元312,建筑易损性分析单元32包括易损性影响因素相对关系量化单元321和迭代提取地震灾害重要特征单元322。
地震灾害损失模型学习单元31将不同建筑损伤程度分为k级,以此作为随机森林模型的分类标签类别数,并使用h个特征参数进行输入,则所述样本集合D为:
D={(x1,yp),(x2,yp),…,(xn,yp)}
其中,x1、x2…xn为随机森林输入的特征参数,x是1×h的一维向量,n为样本个数,yp为分类标签参数,yp∈{1,2,…,k}。故依据样本集合D,设置弱分类器个数M,其输出结果为f(x),集成强分类器输出结果H(x),其内部训练关系如下:
对于m=1,2…,M:
第m个基学习训练时,从D中有放回的随机抽取n个样本,此时得到包含n个样本的采样集合Dm;
该基学习器将Dm作为数据集进行训练,在训练时每个节点随机选取特征子集计算不纯度,并依据信息增益值选择最优特征进行决策树节点划分,输出结果fm(x);
汇总M个弱分类器的结果f(x),根据投票原则,返回最高预测频率的类别结果作为强分类器的H(x)值,作为地震损失预测结果值。
所述的建筑易损性分析单元32利用信息熵理论计算易损性各影响因素重要度指数,所述重要性计算方法采用将平均减少不纯度和置换特征重要性归一化的计算方法:平均减少不纯度,利用Gini指数计算叶子节点的不纯度信息来衡量特征重要性的一种方法。以节点为研究对象,其定义如公式:
其中,p2(k∣t)表示在节点t中使用属性f作为划分属性,估计所属不同类别的概率,y为样本数。通过比较ΔG确定特征重要性大小,其值越大说明结果越确定,那么该属性对于目标输出影响越大,换言之该特征越重要;
置换特征重要性先提前定义模型m为已训练完毕的随机森林分类模型,测试样本集合为D,总特征数为j(D中的每一列);
迭代k次,每次都对样本集合D中的第j列进行随机打乱,将打乱后的数据
随后将所述重要度计算结果进行归一化处理,那么最终重要度指数为:
地震损失评估模块4包括结果评估单元41和敏感因素判定单元42,结果评估单元41的一侧连接有敏感因素判定单元42。
所述结果评估单元41包括建筑损伤分类权重计算单元411和损伤程度评估单元412,敏感因素判定单元42包括高损伤子单元421和低损伤子单元422,其目的在于判断不同损伤状态下地震损失对哪一种易损性参数敏感性更强。
结果评估单元41在训练完毕的随机森林模型中输入新发地震灾害特征数据,在基决策树中计算目标建筑属于不同损伤等级的分类权重;统计基决策树分类权重结果来确定输入的数据对应的分类标签,最终确定新发地震灾害损失程度等级,其中随机森林与各基决策树之间的收敛关系如下:
其中,H(x)为集成多个基决策树的随机森林结果;f(x)为样本x的真实标签;T为基决策树的数量;∈值为个体学习器的泛化误差。
以上详细说明针对本发明的可行实施例之具体说明,惟实施例并非用以限制本发明的专利范围,凡未脱离本发明技艺精神所为之等效实施或变更,均应包含于本发明的保护范围中。
Claims (9)
1.一种基于随机森林和震害大数据的地震损失评估系统,包括地震损失大数据采集模块(1)、地震损失大数据储存模块(2)、震害大数据分析模块(3)和地震损失评估模块(4),其特征在于:所述建筑损伤大数据采集模块(1)的一侧连接有数据库(2),数据库(2)的一侧连接有震害大数据分析模块(3),震害大数据分析模块(3)的一侧连接有地震损失评估模块(4),建筑损伤大数据采集模块(1)包括房屋基本信息管理单元(11)、建筑详细破坏信息收集单元(12)、地震信息收集单元(13)和人文环境信息收集单元(14)。
2.根据权利要求1所述的一种基于随机森林和震害大数据的地震损失评估系统,其特征在于:所述数据库(2)包括Cache数据缓冲单元(21)、大数据预处理单元(22)和特征信息匹配单元(23),建筑损伤大数据采集模块(1)的一侧连接有数据缓冲单元(21),数据缓冲单元(21)的一侧连接有大数据预处理单元(22),大数据预处理单元(22)的一侧连接有特征信息匹配单元(23)。
3.根据权利要求2所述的一种基于随机森林和震害大数据的地震损失评估系统,其特征在于:所述大数据预处理单元(22)包括大数据清洗、集成、规约子单元(221)和数据编码子单元(222),特征信息匹配单元(23)包括衰减地震动匹配子单元(231)和空间位置匹配子单元(232)。
4.根据权利要求1所述的一种基于随机森林和震害大数据的地震损失评估系统,其特征在于:所述震害大数据分析模块(3)包括地震灾害损失模型学习单元(31)、建筑易损性分析单元(32),地震灾害损失模型学习单元(31)包括数据划分单元(311)和已发地震灾害特征训练单元(312),建筑易损性分析单元(32)包括易损性影响因素相对关系量化单元(321)和迭代提取地震灾害重要特征单元(322)。
5.根据权利要求4所述的一种基于随机森林和震害大数据的地震损失评估系统,其特征在于:所述的地震灾害损失模型学习单元(31)将不同建筑损伤程度分为k级,以此作为随机森林模型的分类标签类别数,并使用h个特征参数进行输入,则所述样本集合D为:
D={(x1,yp),(x2,yp),…,(xn,yp)}
其中,x1、x2…xn为随机森林输入的特征参数,x是1×h的一维向量,n为样本个数,yp为分类标签参数,yp∈{1,2,…,k}。故依据样本集合D,设置弱分类器个数M,其输出结果为f(x),集成强分类器输出结果H(x),其内部训练关系如下:
对于m=1,2…,M:
第m个基学习训练时,从D中有放回的随机抽取n个样本,此时得到包含n个样本的采样集合Dm;
该基学习器将Dm作为数据集进行训练,在训练时每个节点随机选取特征子集计算不纯度,并依据信息增益值选择最优特征进行决策树节点划分,输出结果fm(x);
汇总M个弱分类器的结果f(x),根据投票原则,返回最高预测频率的类别结果作为强分类器的H(x)值,作为地震损失预测结果值。
6.根据权利要求4所述的一种基于随机森林和震害大数据的地震损失评估系统,其特征在于:所述的建筑易损性分析单元(32)利用信息熵理论计算易损性各影响因素重要度指数,所述重要性计算方法采用将平均减少不纯度和置换特征重要性归一化的计算方法:平均减少不纯度,利用Gini指数计算叶子节点的不纯度信息来衡量特征重要性的一种方法。以节点为研究对象,其定义如公式(2):
其中,p2(k∣t)表示在节点t中使用属性f作为划分属性,估计所属不同类别的概率,y为样本数。通过比较ΔG确定特征重要性大小,其值越大说明结果越确定,那么该属性对于目标输出影响越大,换言之该特征越重要;
置换特征重要性先提前定义模型m为已训练完毕的随机森林分类模型,测试样本集合为D,总特征数为j(D中的每一列);
随后将所述重要度计算结果进行归一化处理,那么最终重要度指数为:
7.根据权利要求1所述的一种基于随机森林和震害大数据的地震损失评估系统,其特征在于:所述地震损失评估模块(4)包括结果评估单元(41)和敏感因素判定单元(42),结果评估单元(41)的一侧连接有敏感因素判定单元(42)。
8.根据权利要求7所述的一种基于随机森林和震害大数据的地震损失评估系统,其特征在于:所述结果评估单元(41)包括建筑损伤分类权重计算单元(411)和损伤程度评估单元(412),敏感因素判定单元(42)包括高损伤子单元(421)和低损伤子单元(422),其目的在于判断不同损伤状态下地震损失对哪一种易损性参数敏感性更强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210526492.2A CN114912798A (zh) | 2022-05-16 | 2022-05-16 | 一种基于随机森林和震害大数据的地震损失评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210526492.2A CN114912798A (zh) | 2022-05-16 | 2022-05-16 | 一种基于随机森林和震害大数据的地震损失评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114912798A true CN114912798A (zh) | 2022-08-16 |
Family
ID=82766578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210526492.2A Pending CN114912798A (zh) | 2022-05-16 | 2022-05-16 | 一种基于随机森林和震害大数据的地震损失评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114912798A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821642A (zh) * | 2023-06-13 | 2023-09-29 | 北京建筑大学 | 基于数据增广和深度学习的建筑震害快速评估方法及系统 |
CN117077897A (zh) * | 2023-09-21 | 2023-11-17 | 四川省华地建设工程有限责任公司 | 一种地震灾害破坏推演方法及系统 |
-
2022
- 2022-05-16 CN CN202210526492.2A patent/CN114912798A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821642A (zh) * | 2023-06-13 | 2023-09-29 | 北京建筑大学 | 基于数据增广和深度学习的建筑震害快速评估方法及系统 |
CN117077897A (zh) * | 2023-09-21 | 2023-11-17 | 四川省华地建设工程有限责任公司 | 一种地震灾害破坏推演方法及系统 |
CN117077897B (zh) * | 2023-09-21 | 2024-03-19 | 四川省华地建设工程有限责任公司 | 一种地震灾害破坏推演方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114912798A (zh) | 一种基于随机森林和震害大数据的地震损失评估系统 | |
CN113642849B (zh) | 考虑空间分布特征的地质灾害危险性综合评价方法及装置 | |
CN112132233A (zh) | 一种基于有效影响因子的服刑人员危险行为预测方法及系统 | |
CN104636449A (zh) | 基于lsa-gcc的分布式大数据系统风险识别方法 | |
CN108038081B (zh) | 基于特征函数空间滤值的滑坡灾害logistic回归分析方法 | |
CN109657011A (zh) | 一种筛选恐怖袭击事件犯罪团伙的数据挖掘方法及系统 | |
CN110222250B (zh) | 一种面向微博的突发事件触发词识别方法 | |
CN116644184B (zh) | 基于数据聚类的人力资源信息管理系统 | |
CN109255029A (zh) | 一种采用加权优化训练集增强自动Bug报告分配的方法 | |
CN111539450A (zh) | 地震区滑坡易发性评价方法 | |
CN110161480A (zh) | 基于半监督深度概率模型的雷达目标识别方法 | |
CN115063224A (zh) | 基于用户画像的业务审核方法、装置、设备及存储介质 | |
Xin et al. | A new remote sensing image retrieval method based on CNN and YOLO | |
CN114880954A (zh) | 一种基于机器学习的滑坡敏感性的评估方法 | |
CN114202020A (zh) | 直推式支持向量机的落水洞检测方法、系统、终端及介质 | |
CN112506930A (zh) | 一种基于机器学习技术的数据洞察平台 | |
CN110674471A (zh) | 基于GIS与Logistic回归模型的泥石流易发性预测方法 | |
CN117077005B (zh) | 一种城市微更新潜力的优化方法和系统 | |
CN117114105B (zh) | 基于科研大数据信息的目标对象推荐方法和系统 | |
CN116484266B (zh) | 一种精细城市用地类型识别模型训练方法 | |
CN116932487B (zh) | 一种基于数据段落划分的量化式数据分析方法及系统 | |
CN116955648B (zh) | 一种基于非隐私数据关联的知识图谱分析方法 | |
CN115409433B (zh) | 基于深度nlp的社区重点人员画像分析方法及装置 | |
CN113534129B (zh) | 评估地基宽带雷达的高速目标探测性能的方法和系统 | |
Hadi et al. | The Data Analysis of Determining Potential Flood-Prone Areas in DKI Jakarta Using Classification Model Approach |
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 |