CN114943488B - 一种气象灾害预警信号效能评估方法 - Google Patents

一种气象灾害预警信号效能评估方法 Download PDF

Info

Publication number
CN114943488B
CN114943488B CN202210856416.8A CN202210856416A CN114943488B CN 114943488 B CN114943488 B CN 114943488B CN 202210856416 A CN202210856416 A CN 202210856416A CN 114943488 B CN114943488 B CN 114943488B
Authority
CN
China
Prior art keywords
disaster
early warning
evaluation
index
causing
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
CN202210856416.8A
Other languages
English (en)
Other versions
CN114943488A (zh
Inventor
郭杰
赵晶晶
刘丽媛
赵建明
朴明威
付铁强
曹之玉
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.)
Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center
Original Assignee
Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center
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 Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center filed Critical Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center
Priority to CN202210856416.8A priority Critical patent/CN114943488B/zh
Publication of CN114943488A publication Critical patent/CN114943488A/zh
Application granted granted Critical
Publication of CN114943488B publication Critical patent/CN114943488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Algebra (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本公开提供了一种气象灾害预警信号效能评估方法，涉及数据处理技术领域。气象灾害预警信号效能评估方法包括：收集气象灾害的预警信号以及对预警信号的历史考评结果；基于气象灾害的预警信号的预警质量、致灾影响和对灾害的可御性配置多个评价指标，评价指标用于评价不同类型气象灾害的致灾因子；基于历史考评结果获取评价指标的指标值；基于不同类型的致灾因子以及评价指标的指标值构建指标矩阵；基于灰色关联计算模型对指标矩阵进行效能计算，生成每类致灾因子的防灾效能。通过本公开的技术方案，能够实现对预警信号的质量以及基于预警信号得到的灾害治理效果的综合评估，从而评估出不同的致灾因子发出的预警信号在防灾中所起作用的防灾效能。

Description

一种气象灾害预警信号效能评估方法
技术领域
本公开涉及数据处理技术领域，尤其涉及一种气象灾害预警信号效能评估方法。
背景技术
气象灾害的预警信号是气象发挥防灾减灾第一道防线作用的重要手段，但是由于存在过度依赖预警信号导致被称为“大水漫灌式”的过度服务问题，为确保预警信号的权威性，需要对预警信号进行更科学、更客观的评价，以便实现“滴灌式”防灾减灾服务。
相关技术中，对预警信号质量评价主要针对的是预警信号与天气实况的对比分析，包括信号准确性涉及到的正确率、命中率、漏报率、空报率和信号时效性等，虽然对预警信号的准确性和时效性进行了评估，但是对灾害相关的指数未综合评估，导致对预警信号的防灾效能指数不能准确描述。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种气象灾害预警信号效能评估方法、气象灾害预警信号效能评估装置、电子设备和计算机可读存储介质，至少在一定程度上能够改善相关技术中的评估结果对预警信号的防灾效能不能准确描述的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种气象灾害预警信号效能评估方法，包括：收集气象灾害的预警信号以及对所述预警信号的历史考评结果；基于所述预警信号的预警质量、致灾影响和对灾害的可御性配置多个评价指标，所述评价指标用于评价不同类型的致灾因子，所述致灾因子用于表征所述气象灾害的类型；基于所述历史考评结果获取所述评价指标的指标值；基于不同类型的所述致灾因子以及所述评价指标的指标值构建指标矩阵；基于灰色关联计算模型对所述指标矩阵进行效能计算，生成每类致灾因子的防灾效能，所述防灾效能用于评估所述致灾因子的预警信号造成的致灾影响。
在一个实施例中，所述致灾因子包括暴雨洪涝、台风、低温冷害、冰雹和雷电中的 至少一种；所述基于所述预警信号的预警质量、致灾影响和对灾害的可御性配置多个评价 指标包括：基于所述预警质量配置命中率、空报率和时效性，基于所述致灾影响配置灾害次 数和致灾强度，以及基于所述可御性配置人畜转移率、车船避让率和工农止损率，作为所述 多个评价指标；基于不同类型的所述致灾因子以及所述评价指标的指标值构建指标矩阵包 括：构建指标矩阵D，其中，
Figure 100002_DEST_PATH_IMAGE001
，m为暴雨洪涝、台风、低温冷害、冰雹和雷电中至少一 种的数量，n为所述评价指标的数量，
Figure DEST_PATH_IMAGE002
为针对第i项致灾因子采用第j个评价指标进行评 价得到的指标值，i∈[1，m]，j∈[1，n]。
在一个实施例中，所述基于灰色关联计算模型对所述指标矩阵进行效能计算，生成每类致灾因子的防灾效能包括：对所述指标矩阵执行标准化处理，得到标准化矩阵；基于所述灰色关联计算模型计算所述标准化矩阵中每个指标值的信息熵值； 基于所述信息熵值确定每个所述指标值的评价权重；基于所述评价权重生成所述每类致灾因子的防灾效能。
在一个实施例中，所述基于所述灰色关联计算模型计算所述标准化矩阵中每个指 标值的信息熵值包括：基于所述灰色关联计算模型中的熵值公式计算第j项评价指标的所 述信息熵值，其中，所述熵值公式为
Figure 100002_DEST_PATH_IMAGE003
，
Figure DEST_PATH_IMAGE004
为所述信息 熵值，k为所述指标值的相关常数，
Figure 100002_DEST_PATH_IMAGE005
为第j项评价指标的第i个指标值的样本权重，所述样 本权重基于公式
Figure DEST_PATH_IMAGE006
确定，
Figure 100002_DEST_PATH_IMAGE007
为标准化处理后的所述指标值。
在一个实施例中，所述基于所述信息熵值确定每个所述指标值的评价权重包括： 基于所述信息熵值和1之间的差值确定差异性系数，所述差异性系数用于表征所述评价指 标对所述致灾因子的重要性；将所述差异性系数输入所述灰色关联计算模型中的评价权重 公式，以输出所述评价权重，其中，所述评价权重公式为
Figure DEST_PATH_IMAGE008
，
Figure 100002_DEST_PATH_IMAGE009
为所述差异性系 数，
Figure DEST_PATH_IMAGE010
。
在一个实施例中，所述基于所述评价权重生成所述每类致灾因子的防灾效能包 括：将所述评价权重输入所述灰色关联计算模型中的防灾效能计算公式，以输出所述防灾 效能，其中，所述防灾效能的计算公式为
Figure 100002_DEST_PATH_IMAGE011
。
在一个实施例中，其特征在于，所述基于灰色关联计算模型对所述指标矩阵进行效能计算，生成每类致灾因子的防灾效能，还包括：获取保险公司针对每类所述致灾因子生成的理赔信息；基于所述理赔信息配置所述致灾因子的致灾指数；基于所述致灾指数和所述防灾效能之间的关系对所述防灾效能执行修正操作。
在一个实施例中，所述基于所述理赔信息配置所述致灾因子的致灾指数包括：所述理赔信息包括每类所述致灾因子导致的理赔金额和理赔案件数量，基于所述理赔金额和所述理赔案件数量配置所述致灾因子在所有气象灾害理赔中的理赔占比，以将所述理赔占比确定为所述致灾指数。
在一个实施例中，所述基于所述致灾指数和所述防灾效能之间的关系对所述防灾效能执行修正操作包括：基于所述致灾指数和所述防灾效能之间的关系生成修正因子；基于所述修正因子对所述防灾效能执行修正操作。
在一个实施例中，还包括：预设多个效能区间；响应于获取到的待处理预警信号，基于所述待处理预警信号的致灾因子获取对应的所述防灾效能；确定对应的所述防灾效能所属的所述效能区间；确定与所属的所述效能区间对应的气象灾害服务策略。
在一个实施例中，所述确定与所属的所述效能区间对应的气象灾害服务策略包括：所述效能区间包括第一效能区间、第二效能区间和第三效能区间；所属的所述效能区间为所述第一效能区间，所述服务策略包括向应急责任邮箱发送预警邮件；所属的所述效能区间为所述第二效能区间，所述服务策略包括向所述应急责任端发送短信；所属的所述效能区间为所述第三效能区间，所述服务策略包括向所述应急责任端发起实时呼叫。
根据本公开的另一个方面，提供一种气象灾害预警信号效能评估装置，包括：收集模块，用于收集气象灾害的预警信号以及对所述预警信号的历史考评结果；配置模块，用于基于所述预警信号的预警质量、致灾影响和对灾害的可御性配置多个评价指标，所述评价指标用于评价不同类型的致灾因子，所述致灾因子用于表征所述气象灾害的类型；获取模块，用于基于所述历史考评结果获取所述评价指标的指标值；构建模块，用于基于不同类型的所述致灾因子以及所述评价指标的指标值构建指标矩阵；计算模块，用于基于灰色关联计算模型对所述指标矩阵进行效能计算，生成每类致灾因子的防灾效能，所述防灾效能用于评估所述致灾因子的预警信号造成的致灾影响。
根据本公开的又一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的气象灾害预警信号效能评估方法。
根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一项的气象灾害预警信号效能评估方法。
本公开的实施例所提供的气象灾害预警信号效能评估方案，通过从对气象灾害的历史预警信号的考评结果得到不同致灾因子的不同评价指标的指标值，进而基于指标值生成指标矩阵，通过预设灰色关联计算模型，采用灰色关联计算模型对指标矩阵的分析和计算，即可得到不同致灾因子的防灾效能，能够实现对预警信号的质量以及基于预警信号得到的灾害治理效果的综合评估，进而针对不同的致灾因子，得到评价对该致灾因子发出的预警信号在防灾中所起作用的防灾效能，进一步地，基于得到的准确的防灾效能，可以对预警叫应的服务工作机制进行优化，从而能够提升气象灾害预警信号发布和传播的工作效率和科学性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开实施例中一种气象灾害预警信号效能评估系统结构的示意图；
图2示出本公开实施例中一种气象灾害预警信号效能评估方法的流程图；
图3示出本公开实施例中气象灾害预警信号效能评估方案的评价指标配置的示意图；
图4示出本公开实施例中另一种气象灾害预警信号效能评估方法的流程图；
图5示出本公开实施例中再一种气象灾害预警信号效能评估方法的流程图；
图6示出本公开实施例中又一种气象灾害预警信号效能评估方法的流程图；
图7示出本公开实施例中又一种气象灾害预警信号效能评估方法的流程图；
图8示出本公开实施例中一种气象灾害预警信号效能评估装置的示意图；
图9示出本公开实施例中一种电子设备的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本申请提供的方案，通过从对气象灾害的历史预警信号的考评结果得到不同致灾因子的不同评价指标的指标值，进而基于指标值生成指标矩阵，通过预设灰色关联计算模型，采用灰色关联计算模型对指标矩阵的分析和计算，即可得到不同致灾因子的防灾效能，能够实现对预警信号的质量以及基于预警信号得到的灾害治理效果的综合评估，进而针对不同的致灾因子，得到评价对该致灾因子发出的预警信号在防灾中所起作用的防灾效能，进一步地，基于得到的准确的防灾效能，可以对预警叫应的服务工作机制进行优化，从而能够提升气象灾害预警信号发布和传播的工作效率和科学性。
为了便于理解，下面首先对本申请涉及到的几个名词进行解释。
灰色关联：对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即灰色关联度
信息熵：信息熵（information entropy）是信息论的基本概念。描述信息源各可能事件发生的不确定性。
图1示出本公开实施例中一种气象灾害预警信号效能评估系统的结构示意图，包括多个终端120和服务器集群140。
终端120可以是手机、游戏主机、平板电脑、电子书阅读器、智能眼镜、MP4(MovingPicture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、智能家居设备、AR（Augmented Reality，增强现实）设备、VR（Virtual Reality，虚拟现实）设备等移动终端，或者，终端120也可以是个人计算机(Personal Computer，PC)，比如膝上型便携计算机和台式计算机等等。
其中，终端120中可以安装有用于提供的气象灾害预警信号效能评估的应用程序。
终端120与服务器集群140之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
服务器集群140是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心。服务器集群140用于为提供气象灾害预警信号效能评估应用程序提供后台服务。可选地，服务器集群140承担主要计算工作，终端120承担次要计算工作；或者，服务器集群140承担次要计算工作，终端120承担主要计算工作；或者，终端120和服务器集群140之间采用分布式计算架构进行协同计算。
在一些可选的实施例中，服务器集群140用于存储气象灾害预警信号效能评估模型等。
可选地，不同的终端120中安装的应用程序的客户端是相同的，或两个终端120上安装的应用程序的客户端是不同控制系统平台的同一类型应用程序的客户端。基于终端平台的不同，该应用程序的客户端的具体形态也可以不同，比如，该应用程序客户端可以是手机客户端、PC客户端或者全球广域网(World Wide Web，Web)客户端等。
本领域技术人员可以知晓，上述终端120的数量可以更多或更少。比如上述终端可以仅为一个，或者上述终端为几十个或几百个，或者更多数量。本申请实施例对终端的数量和设备类型不加以限定。
可选的，该系统还可以包括管理设备(图1未示出)，该管理设备与服务器集群140之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(ExtensibleMarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(InternetProtocolSecurity，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
下面，将结合附图及实施例对本示例实施方式中的气象灾害预警信号效能评估方法和装置进行更详细的说明。
如图2所示，根据本公开的一个实施例的气象灾害预警信号效能评估方法，包括：
步骤S202，收集气象灾害的预警信号以及对预警信号的历史考评结果。
其中，预警信号用于对可能产生的气象灾害进行预警。
历史考评结果为在指定区域内，比如在某一省内，在指定时段内统计出的每类致灾因子致灾的评价结果，评价结果具体为下述的多个评价指标的指标值。
步骤S204，基于气象灾害的预警信号的预警质量、致灾影响和对灾害的可御性配置多个评价指标，评价指标用于评价不同类型的致灾因子，致灾因子用于表征气象灾害的类型。
具体地，相关技术中，针对预警信号的质量评价主要针对的是预警信号与实际天气实况的对比分析，得到用于对信号准确性进行评价的正确率、命中率、漏报率、空报率和信号时效性等，但是这些评价指标并不能用于全面地评价预警信号在防灾中的效能。
其中，致灾因子包括暴雨洪涝、台风、低温冷害、冰雹和雷电中的至少一种。
除了利用预警信号的准确性和时效性之外，同时需要考虑气象灾害致灾因子的综合致灾强度、灾害的可御度、灾情数量等因素加以综合评估，以更加客观、准确地描述预警信号的防灾效能。
基于多个评价指标，则可以分别评价暴雨洪涝、台风、低温冷害、冰雹和雷电等的预警信号的防灾效能，从而能够进一步基于防灾效能确定哪个致灾因子的预警信号需要更加重视，以及采用更可靠的应对手段等。
步骤S206，基于历史考评结果获取评价指标的指标值。
其中，历史预警信号指已经向各地区发出的预警信息，考评结果包括对预警信号进行准确性和时效性等性能的评估结果，以及针对预警信号执行的相应服务策略的反馈结果等，以基于评估结果和反馈结果等，得到对不同的致灾因子的评价指标的评价结果。
步骤S208，基于不同类型的致灾因子以及评价指标的指标值构建指标矩阵。
其中，将针对不同的致灾因子的同一评价指标的指标值作为列向量，将同一致灾因子的不同评价指标的指标值作为行向量，构建出指标矩阵。
步骤S210，基于灰色关联计算模型对指标矩阵进行效能计算，生成每类致灾因子的防灾效能，防灾效能用于评估致灾因子的预警信号造成的致灾影响。
其中，灰色关联计算模型能够评估多个评价指标的相关度，具体可以包括多个计算模块，通过多个计算模块，基于指标值，得到每一类致灾因子的防灾效能。
具体地，防灾效能用于描述在某一地区，某种致灾因子的预警信号与实际由该致灾因子引发的灾害以及相应的应急减灾措施之间的关系，防灾效能越高，表明该地区需要对某一致灾因子的预警信号越重视，对应也需要采取更高级别的应对措施。
在该实施例中，通过从对气象灾害的历史预警信号的考评结果得到不同致灾因子的不同评价指标的指标值，进而基于指标值生成指标矩阵，通过预设灰色关联计算模型，采用灰色关联计算模型对指标矩阵的分析和计算，即可得到不同致灾因子的防灾效能，能够实现对预警信号的质量以及基于预警信号得到的灾害治理效果的综合评估，进而针对不同的致灾因子，得到评价对该致灾因子发出的预警信号在防灾中所起作用的防灾效能，进一步地，基于得到的准确的防灾效能，可以对预警叫应的服务工作机制进行优化，从而能够提升气象灾害预警信号发布和传播的工作效率和科学性。
在一个实施例中，基于气象灾害的预警信号的预警质量、致灾影响和对灾害的可御性配置多个评价指标包括：基于预警质量配置命中率、空报率和时效性，基于致灾影响配置灾害次数和致灾强度，以及基于可御性配置人畜转移率、车船避让率和工农止损率，作为多个评价指标。
在该实施例中，通过在关注预警信号本身的质量外，进一步关注预警信号在发挥防灾作用上的效能，从而能够通过获取发布的预警信号对灾害发生过程中引起的人员避险、设施加固以及减灾指令下达等应急处置措施在防灾中发挥的效能，即基于可御性确定的人畜转移率、车船避让率和工农止损率等，从而能够进一步基于预警信号质量、致灾影响和灾害可御度等方面确定评价指标，以保证对防灾效能评价的准确性。
具体地，通过分析预警信号在灾害防御中的作用可知，某种致灾因子在某一地区的致灾影响是预警信号重要的效能影响因素之一，其中，综合致灾强度指数是对某种致灾因子所能引起的灾害的严重程度的综合评价，主要反映的是该致灾因子一旦引发灾情，会对当地造成的损失大小的客观描述，致灾强度指数值越高，可能造成的损失越大，反之指数值越低，可能造成的损失越小，灾情次数则反映的是某种致灾因子引发的灾害频率，如果某种致灾因子在某一地区的频率高发，则得到的预警信号就会被防灾工作引起重视，其产生的防灾效能也会高，相反引发灾情数量较少的致灾因子，同样发布了预警信号，但其得不到防灾者足够的重视，能起到的效能就低。
另外，预警信号的质量同样是影响预警信号效能的重要因子，预警信号要产生作用，最基本的条件就是需要预警信号本身保持正确，这其中命中发生的灾害事件则是最直接关系到效能的因素，空报率则直接拉低了预警信号的可信度，多次空报的出现，则会动摇预警信号本身的根基；漏报率对于评价预警发布责任单位的预警能力强弱作用明显，但对于预警信号本身影响防灾效能的作用基本可以忽略不计。
预警信号发挥作用还要基于致灾因子的可御度，灾害发生时，通过尽量减小受灾者的暴露度，具体到能否在应急响应的时间内，也就是预警信号的提前量内，执行人畜转移、车船避让、工业和农业防护等有效措施，避免和减轻造成人员和财产的损失。
基于上述分析，影响预警信号效能的评价因子为预警信号质量、致灾影响、致灾因子可御度，得到的评价指标如图3所示，即包括基于预警质量确定的命中率、空报率和时效性，基于致灾影响确定的灾害次数和致灾强度，以及基于可御性确定的人畜转移率、车船避让率和工农止损率。
进一步地，基于不同类型的致灾因子以及多项评价指标构建指标矩阵包括：构建指标矩阵D。
其中，
Figure 470669DEST_PATH_IMAGE001
，m为暴雨洪涝、台风、低温冷害、冰雹和雷电中至少一种致灾因 子的数量，n为评价指标的数量，
Figure 591072DEST_PATH_IMAGE002
为针对第i项致灾因子采用第j个评价指标进行评价得 到的指标值，i可以理解为指标矩阵的行，j为指标矩阵的列，i∈[1，m]，j∈[1，n]。
具体地，采用m行、n列指标值构造出指标矩阵D。
在该实施例中，通过分别将命中率、空报率、时效性、灾害次数、致灾强度、人畜转移率、车船避让率和工农止损率确定为评价指标，并基于历史预警信号的考评结果得到不同的致灾因子的指标值，并基于指标值得到指标矩阵D，从而能够通过对指标矩阵的分析与处理，得到不同致灾因子的防灾效能。
如图4所示，在一个实施例中，基于灰色关联计算模型对指标矩阵进行效能计算，生成每类致灾因子的防灾效能包括：
步骤S402，对指标矩阵执行标准化处理，得到标准化矩阵。
其中，标准化处理指通过标准化处理，将各指标进行同度量化，具体地，可以先求出每个指标的均值，再用该指标中的每个元素都除以其均值。
步骤S404，基于灰色关联计算模型计算标准化矩阵中每个指标值的信息熵值。
其中，事件发生的概率越大则越有序，有序程度越高，则信息熵越大，信息熵越大则权重越小，反之则权重越大，通过分别确定每项评价指标的信息熵值，即可进一步确定每个评价指标的评价权重。
步骤S406，基于信息熵值确定每个指标值的评价权重。
在该实施例中，通过对指标矩阵进行运算，即可针对不同的致灾因子中相同的评价指标得到不同的评价权重，从而能够基于评价权重进一步得到致灾因子的防灾效能。
步骤S408，基于评价权重生成每类致灾因子的防灾效能。
在一个实施例中，基于灰色关联计算模型计算标准化矩阵中每个指标值的信息熵值包括：
基于灰色关联计算模型中的熵值公式计算第j项评价指标的信息熵值。
其中，熵值公式为：
Figure 964284DEST_PATH_IMAGE003
（1）
Figure 687390DEST_PATH_IMAGE004
为信息熵值，k为指标值的相关常数，
Figure 970603DEST_PATH_IMAGE005
为第j项评价指标的第i个指标值的样本 权重，样本权重基于公式
Figure 120962DEST_PATH_IMAGE006
确定，
Figure 715891DEST_PATH_IMAGE007
为标准化处理后的指标值。
在一个实施例中，基于信息熵值确定每个指标值的评价权重包括：基于信息熵值和1之间的差值确定差异性系数，差异性系数用于表征评价指标对致灾因子的重要性；将差异性系数输入灰色关联计算模型中的评价权重公式，以输出评价权重，其中，评价权重公式为：
Figure 383633DEST_PATH_IMAGE008
（2）
Figure 645987DEST_PATH_IMAGE009
为差异性系数，
Figure 842613DEST_PATH_IMAGE010
。
具体地，当序列有序度为0时，其熵值最大，即e = 1。当序列的有序度为 0 时，=1/m，则指标的熵值为 e = k×ln( m) ，可以得出 k = 1/ln(m) 。
当ln
Figure 924839DEST_PATH_IMAGE005
=0时，
Figure 255326DEST_PATH_IMAGE005
ln
Figure 981974DEST_PATH_IMAGE005
= 0，则第j个评价指标的熵权
Figure 100002_DEST_PATH_IMAGE012
为：
Figure DEST_PATH_IMAGE013
（3）
其中，
Figure 802031DEST_PATH_IMAGE004
为信息熵值，
Figure DEST_PATH_IMAGE014
。
在该实施例中，当信息熵完全无序时， e = 1，对评价目标的效用也为0，因此某项 指标的效用值取决于信息熵
Figure 840394DEST_PATH_IMAGE004
与1的差值
Figure 443414DEST_PATH_IMAGE009
，某影响因素信息效用值越大，则其对因果分析 结果的重要性就越大，即其在多因素因果分析中所占的权重也越大，所以信息效用值与权 重的概念是一致的。将信息效用值标准化，即可得到各个指标的权重。
在一个实施例中，基于评价权重生成每类致灾因子的防灾效能包括：将评价权重输入灰色关联计算模型中的防灾效能计算公式，以输出防灾效能，其中，防灾效能的计算公式为：
Figure 680360DEST_PATH_IMAGE011
（4）
在该实施例中，基于得到的每个评价指标的评价权重，结合规范化后的每个评价值，即可得到每个致灾因子的多个效能值，将多个效能值进行累加，即可得到每个致灾因子的防灾效能，通过得到防灾效能，使不同致灾因子的预警信号能够准确反映出部分预警信号（如雷电预警信号）的防灾作用的高低，以能够针对目前的防灾不足之处进行进一步的改进。
下面以福建省为例，选取2016—2020年内，暴雨洪涝、台风、低温冷害、冰雹和雷电等致灾因子为研究对象，灾害数据以气象灾害直报系统中数据作为研究样本，对同一次灾害多次的上报数据仅以最后一次报告为准，其余均做去重处理。对应的预警信号质量以福建省内市、县两级发布的预警信号考评结果为样本，如表1所示。
表1
Figure DEST_PATH_IMAGE015
如图5所示，根据本公开的另一个实施例的气象灾害预警信号效能评估方法，包括：
步骤S502，利用灰色关联法将获取到的指定区域的暴雨洪涝、台风、低温冷害、冰雹和雷电等致灾因子以及评价指标的指标值配置出指标矩阵D。
Figure DEST_PATH_IMAGE016
步骤S504，对指标矩阵进行规范化处理，得到规范化矩阵S。
Figure DEST_PATH_IMAGE017
步骤S506，利用熵权法对规范化处理进行求解，求出指标矩阵中每个指标值的评价权重。
Figure DEST_PATH_IMAGE018
步骤S508，基于评价权重计算每个致灾因子的预警信号的效能值。
其中，多个致灾因子的预警信号的效能值组成E。
Figure DEST_PATH_IMAGE019
其中，
Figure DEST_PATH_IMAGE020
指暴雨洪涝的致灾效能，
Figure DEST_PATH_IMAGE021
指台风的致灾效能，
Figure DEST_PATH_IMAGE022
指低温冷害的致灾效 能，
Figure DEST_PATH_IMAGE023
指冰雹的致灾效能，
Figure DEST_PATH_IMAGE024
指雷电的致灾效能。
Figure 451745DEST_PATH_IMAGE011
（4）
得到的多个致灾因子的致灾效能序列，包括：
Figure DEST_PATH_IMAGE025
如图6所示，在一个实施例中，其特征在于，基于灰色关联计算模型对指标矩阵进行效能计算，生成每类致灾因子的防灾效能，还包括：
步骤S602，获取保险公司针对每类致灾因子生成的理赔信息。
以及，基于理赔信息配置致灾因子的致灾指数。
具体地，基于理赔信息配置致灾因子的致灾指数的一种实现方式为根据理赔次数配置致灾因子，理赔次数越多，表明该致灾因子造成的灾害越大，对应的防灾效能的值也应该越大，以引起防灾部门进一步的重视。
另外，基于理赔信息配置致灾因子的致灾指数的另一种实现方式，包括：
步骤S604，理赔信息包括每类致灾因子导致的理赔金额和理赔案件数量，基于理赔金额和理赔案件数量配置致灾因子在所有气象灾害理赔中的理赔占比，以将理赔占比确定为致灾指数。
具体地，通过统计每类致灾因子，比如分别统计暴雨洪涝、台风、低温冷害、冰雹和雷电导致的理赔事件的数量和理赔的金额，基于每个类别的金额在总金额中的占比，得到致灾指数。
基于致灾指数和防灾效能之间的关系对防灾效能执行修正操作，作为一种实现方式，包括：
步骤S606，基于致灾指数和防灾效能之间的关系生成修正因子。
步骤S608，基于修正因子对防灾效能执行修正操作。
在该实施例中，计算致灾指数和防灾效能之间的差值，以基于差值的大小确定防灾效能的准确性，如果差值较大，则表明准确性较差，此时需要对防灾效能进行修正，修正方式为基于差值大小生成对用的修正因子作为修正系数，分别对每个防灾效能进行修正，以使防灾效能反映的预警信号所发挥得防灾作用能够尽量接近实际工况，从而保证防灾效能的可靠性，进而使基于防灾效能制定的气象灾害服务策略的有效性。
如图7所示，在一个实施例中，还包括：
步骤S702，预设多个效能区间。
步骤S704，响应于获取到的待处理预警信号，基于待处理预警信号的致灾因子获取对应的防灾效能。
步骤S706，确定对应的防灾效能所属的效能区间。
步骤S708，确定与所属的效能区间对应的气象灾害服务策略。
在该实施例中，通过预设多个效能区间以及与每个效能区间对应的气象灾害服务策略，在得到每个防灾因子的预警信号的防灾效能后，确定该防灾效能所属的效能区间，基于效能区间与服务策略的对应关系，确定该防灾因子的气象灾害服务策略，在对服务策略进行细化的基础上，基于细化的服务策略应对预警信号，在提高预警信号的处理效率和处理准确性，也能够减少业务人员的工作量。
在一个实施例中，确定与所属的效能区间对应的气象灾害服务策略包括：效能区间包括第一效能区间、第二效能区间和第三效能区间；所属的效能区间为第一效能区间，服务策略包括向应急责任邮箱发送预警邮件；所属的效能区间为第二效能区间，服务策略包括向应急责任端发送短信；所属的效能区间为第三效能区间，服务策略包括向应急责任端发起实时呼叫。
具体地，在现行预警发布系统中，各级预警发布机构服务的应急责任人共计120万人，各级预警信息对应急责任人的服务策略，基本是由人工设置完成的，不同发布机构对责任范围内的责任人针对不同类型的预警信息，通过预警发布系统发布给不同的应急责任人群组，应急责任人群组管理策略则是由业务人员进行手工编制，这就给业务人员带来了大量的工作，而且哪种预警发给哪些人，虽然可以由责任人订制，但这个过程存在着预警较随意、预警提醒作用不强、预警发布机构负担较大等问题。
通过得到的防灾效能，能够建立新的预警信息面向应急责任人服务策略，根据预警信号效能指数，对服务策略进行细化，服务分级处理，可以即保障服务的开展，又提高其高效性。
以致灾效能为依据，将效能区间划分为第一效能区间、第二效能区间和第三效能区间，相应地，将服务策略按照邮件（传真）、短信、电话等等叫应分为三级方式，进一步，将责任人按业务人员，业务主管，行政主管三级设置，预警信息按其自身等级分级，建立对应关系，得到的气象灾害服务策略如表2所示。
表2
Figure DEST_PATH_IMAGE026
具体地，针对防灾效能较低的预警信号，匹配低级别的服务方式，仅用邮件（传真），随着防灾效能级别的增长，逐级增加服务方式。高级的预警信号，采用最高级别的服务方式——电话叫应，针对不同预警等级的信号，叫应的层级逐渐升级。
在该实施例中，在预警发布系统中，建立预警发布与服务手段和服务群组的策略，以预警信号效能与信号级别建立叫应服务矩阵，系统即可实现对相应预警信号针对应急责任人的自动识别、获取、配置服务方式，将各服务方式集成为任务单，调用相应的传播手段模，即可完成相应的传播任务，这种方法同样适用于电话自动外呼系统，大大提高服务的效率和机制的合理性。
需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式（包括固件、微代码等），或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本发明的这种实施方式的气象灾害预警信号效能评估装置800。图8所示的气象灾害预警信号效能评估装置800仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
气象灾害预警信号效能评估装置800以硬件模块的形式表现。气象灾害预警信号效能评估装置800的组件可以包括但不限于：收集模块802，用于收集气象灾害的预警信号以及对预警信号的历史考评结果；配置模块804，用于基于气象灾害的预警信号的预警质量、致灾影响和对灾害的可御性配置多个评价指标，评价指标用于评价不同类型的致灾因子，致灾因子用于表征气象灾害的类型；获取模块806，用于基于历史考评结果获取评价指标的指标值；构建模块808，用于基于不同类型的致灾因子以及评价指标的指标值构建指标矩阵；计算模块810，用于基于灰色关联计算模型对指标矩阵进行效能计算，生成每类致灾因子的防灾效能，防灾效能用于评估致灾因子的预警信号造成的致灾影响。
下面参照图9来描述根据本发明的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件（包括存储单元920和处理单元910）的总线930。
其中，存储单元存储有程序代码，程序代码可以被处理单元910执行，使得处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元910可以执行如图2中所示的步骤S202至步骤S208，以及本公开的气象灾害预警信号效能评估方法中限定的其他步骤。
存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元（ROM）9203。
存储单元920还可以包括具有一组（至少一个）程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备960（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口950进行。并且，电子设备900还可以通过网络适配器950与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器950通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、终端装置、或者网络设备等）执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、移动终端、或者网络设备等）执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (8)

1.一种气象灾害预警信号效能评估方法，其特征在于，包括：
收集气象灾害的预警信号以及对所述预警信号的历史考评结果，所述历史考评结果包括对所述预警信号的准确性和时效性的评估结果，以及针对所述预警信号执行的响应服务策略的反馈结果；
基于所述预警信号的预警质量、致灾影响和对灾害的可御性配置多个评价指标，所述评价指标用于评价不同类型的致灾因子，所述致灾因子用于表征所述气象灾害的类型；
基于所述历史考评结果获取所述评价指标的指标值；
基于不同类型的所述致灾因子以及所述评价指标的指标值构建指标矩阵，具体包括：
将针对不同的所述致灾因子的同一评价指标的指标值作为列向量，将同一所述致灾因子的不同评价指标的指标值作为行向量，构建出所述指标矩阵；
基于灰色关联计算模型对所述指标矩阵进行效能计算，生成每类致灾因子的防灾效能，所述防灾效能用于评估所述致灾因子的预警信号造成的致灾影响，其中，所述防灾效能越高，表明需要对所述致灾因子的预警信号越重视；以及
获取保险公司针对每类所述致灾因子生成的理赔信息；
基于所述理赔信息配置所述致灾因子的致灾指数，具体包括：
理赔信息包括每类致灾因子导致的理赔金额和理赔案件数量，基于理赔金额和理赔案件数量配置致灾因子在所有气象灾害理赔中的理赔占比，以将所述理赔占比确定为所述致灾指数；
基于所述致灾指数和所述防灾效能之间的关系对所述防灾效能执行修正操作，具体包括：
基于所述致灾指数和所述防灾效能之间的关系生成修正因子；
基于所述修正因子对所述防灾效能执行修正操作。
2.根据权利要求1所述的气象灾害预警信号效能评估方法，其特征在于，所述致灾因子包括暴雨洪涝、台风、低温冷害、冰雹和雷电中的至少一种；
所述基于所述预警信号的预警质量、致灾影响和对灾害的可御性配置多个评价指标包括：
基于所述预警质量配置命中率、空报率和时效性，基于所述致灾影响配置灾害次数和致灾强度，以及基于所述可御性配置人畜转移率、车船避让率和工农止损率，作为所述多个评价指标；
基于不同类型的所述致灾因子以及所述评价指标的指标值构建指标矩阵包括：
构建指标矩阵D，
其中，
Figure DEST_PATH_IMAGE001
，m为暴雨洪涝、台风、低温冷害、冰雹和雷电中至少一种的数量，n为所 述评价指标的数量，
Figure 460171DEST_PATH_IMAGE002
为针对第i项致灾因子采用第j个评价指标进行评价得到的指标值， i∈[1，m]，j∈[1，n]。
3.根据权利要求2所述的气象灾害预警信号效能评估方法，其特征在于，所述基于灰色关联计算模型对所述指标矩阵进行效能计算，生成每类致灾因子的防灾效能包括：
对所述指标矩阵执行标准化处理，得到标准化矩阵；
基于所述灰色关联计算模型计算所述标准化矩阵中每个指标值的信息熵值；
基于所述信息熵值确定每个所述指标值的评价权重；
基于所述评价权重生成所述每类致灾因子的防灾效能。
4.根据权利要求3所述的气象灾害预警信号效能评估方法，其特征在于，所述基于所述灰色关联计算模型计算所述标准化矩阵中每个指标值的信息熵值包括：
基于所述灰色关联计算模型中的熵值公式计算第j项评价指标的所述信息熵值，
其中，所述熵值公式为
Figure DEST_PATH_IMAGE003
，
Figure 236366DEST_PATH_IMAGE004
为所述信息熵值，k为 所述指标值的相关常数，
Figure DEST_PATH_IMAGE005
为第j项评价指标的第i个指标值的样本权重，所述样本权重基 于公式
Figure 671895DEST_PATH_IMAGE006
确定，
Figure DEST_PATH_IMAGE007
为标准化处理后的所述指标值。
5.根据权利要求3所述的气象灾害预警信号效能评估方法，其特征在于，所述基于所述信息熵值确定每个所述指标值的评价权重包括：
基于所述信息熵值和1之间的差值确定差异性系数，所述差异性系数用于表征所述评价指标对所述致灾因子的重要性；
将所述差异性系数输入所述灰色关联计算模型中的评价权重公式，以输出所述评价权重，
其中，所述评价权重公式为
Figure 988476DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
为所述差异性系数，
Figure DEST_PATH_IMAGE011
。
6.根据权利要求5所述的气象灾害预警信号效能评估方法，其特征在于，所述基于所述评价权重生成所述每类致灾因子的防灾效能包括：
将所述评价权重输入所述灰色关联计算模型中的防灾效能计算公式，以输出所述防灾效能，
其中，所述防灾效能的计算公式为
Figure DEST_PATH_IMAGE012
。
7.根据权利要求1至6中任一项所述的气象灾害预警信号效能评估方法，其特征在于，还包括：
预设多个效能区间；
响应于获取到的待处理预警信号，基于所述待处理预警信号的致灾因子获取对应的所述防灾效能；
确定对应的所述防灾效能所属的所述效能区间；
确定与所属的所述效能区间对应的气象灾害服务策略。
8.根据权利要求7所述的气象灾害预警信号效能评估方法，其特征在于，所述确定与所属的所述效能区间对应的气象灾害服务策略包括：
所述效能区间包括第一效能区间、第二效能区间和第三效能区间；
所属的所述效能区间为所述第一效能区间，所述服务策略包括向应急责任邮箱发送预警邮件；
所属的所述效能区间为所述第二效能区间，所述服务策略包括向所述应急责任端发送短信；
所属的所述效能区间为所述第三效能区间，所述服务策略包括向所述应急责任端发起实时呼叫。
CN202210856416.8A 2022-07-21 2022-07-21 一种气象灾害预警信号效能评估方法 Active CN114943488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210856416.8A CN114943488B (zh) 2022-07-21 2022-07-21 一种气象灾害预警信号效能评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210856416.8A CN114943488B (zh) 2022-07-21 2022-07-21 一种气象灾害预警信号效能评估方法

Publications (2)

Publication Number Publication Date
CN114943488A CN114943488A (zh) 2022-08-26
CN114943488B true CN114943488B (zh) 2022-11-22

Family

ID=82911587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210856416.8A Active CN114943488B (zh) 2022-07-21 2022-07-21 一种气象灾害预警信号效能评估方法

Country Status (1)

Country Link
CN (1) CN114943488B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468154B (zh) * 2023-03-24 2024-06-21 广东省气象服务中心(广东气象影视宣传中心) 基于5g的港口生产作业综合气象风险智能预警系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132371A (zh) * 2019-06-25 2020-12-25 天津大学 一种耦合熵权-模糊聚类算法的城市洪涝风险评估方法
CN113191644A (zh) * 2021-05-06 2021-07-30 天津大学 一种基于自发-引发风险评价模型城市内涝风险评价方法
CN113191646A (zh) * 2021-05-07 2021-07-30 中国气象局公共气象服务中心(国家预警信息发布中心) 多灾种预警信息发布优先级的确定方法
CN113988655A (zh) * 2021-10-30 2022-01-28 国网河南省电力公司电力科学研究院 一种计及多气象因素的输电线路运行状态评估方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040236676A1 (en) * 2003-03-14 2004-11-25 Kabushiki Kaisha Toshiba Disaster risk assessment system, disaster risk assessment support method, disaster risk assessment service providing system, disaster risk assessment method, and disaster risk assessment service providing method
WO2016082263A1 (zh) * 2014-11-28 2016-06-02 东莞中国科学院云计算产业技术创新与育成中心 一种基于预案的多目标辅助决策平台及其实施方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132371A (zh) * 2019-06-25 2020-12-25 天津大学 一种耦合熵权-模糊聚类算法的城市洪涝风险评估方法
CN113191644A (zh) * 2021-05-06 2021-07-30 天津大学 一种基于自发-引发风险评价模型城市内涝风险评价方法
CN113191646A (zh) * 2021-05-07 2021-07-30 中国气象局公共气象服务中心(国家预警信息发布中心) 多灾种预警信息发布优先级的确定方法
CN113988655A (zh) * 2021-10-30 2022-01-28 国网河南省电力公司电力科学研究院 一种计及多气象因素的输电线路运行状态评估方法

Also Published As

Publication number Publication date
CN114943488A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
US12008483B2 (en) System to monitor and process water-related data
US8214232B2 (en) Healthcare insurance claim fraud detection using datasets derived from multiple insurers
US20170300824A1 (en) Performance estimation system utilizing a data analytics predictive model
CN113157545A (zh) 业务日志的处理方法、装置、设备及存储介质
KR101422562B1 (ko) 지능형 징수 관리 시스템
CN110782129A (zh) 一种业务进度监控方法、装置、系统及计算机可读存储介质
US9330160B2 (en) Software application complexity analysis
CN114943488B (zh) 一种气象灾害预警信号效能评估方法
CN112070564B (zh) 广告拉取方法、装置、系统与电子设备
US11818801B2 (en) System to monitor and process risk relationship sensor data
US9948099B1 (en) Identifying and mitigating risk associated with weather conditions
CN110473077A (zh) 固定资产异常数据的监测和提醒方法、装置及电子设备
JP2017511559A (ja) フレキシブルなリスク移転構造に基づく適応連結システムおよび該システムに対応する方法
US20140136424A1 (en) System and method for creating a customer profile based on history of service
US20150347949A1 (en) Measuring proficiency and efficiency of a security operations center
CN110363640B (zh) 监控系统业务运行方法、装置及存储介质、服务器
CN116757469A (zh) 一种针对灵活用工平台的即时风控管理系统
US10235716B2 (en) System for generating historical hail evaluation data
CN115187364A (zh) 银行分布式场景下保证金风险监控的方法及装置
CN114819721A (zh) 一种营业网点的评估方法、装置、电子设备及存储介质
CN110458743B (zh) 基于大数据分析的社区治理方法、装置、设备及存储介质
CN113129127A (zh) 预警方法和装置
CN110706091A (zh) 对预定位置的异常行为的预警方法及相关装置
CN114740549B (zh) 一种短临降水天气预测方法、装置、电子设备及可读介质
US20230066706A1 (en) System and method for machine learning architecture with a memory management module

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