CN115147024B - 一种地理加权回归的网格化险情处理方法和系统 - Google Patents
一种地理加权回归的网格化险情处理方法和系统 Download PDFInfo
- Publication number
- CN115147024B CN115147024B CN202211077729.XA CN202211077729A CN115147024B CN 115147024 B CN115147024 B CN 115147024B CN 202211077729 A CN202211077729 A CN 202211077729A CN 115147024 B CN115147024 B CN 115147024B
- Authority
- CN
- China
- Prior art keywords
- risk
- factor data
- areas
- points
- data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 88
- 230000003068 static effect Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000013210 evaluation model Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 238000001556 precipitation Methods 0.000 claims description 8
- 239000012634 fragment Substances 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 3
- 238000000926 separation method Methods 0.000 claims 1
- 239000000463 material Substances 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种地理加权回归的网格化险情处理方法和系统，所述方法包括：获取采样点地理数据的动态因子数据和静态因子数据，对所述动态因子数据和静态因子数据进行权重赋值；采用地理加权回归算法分别对动态因子数据和静态因子数据进行加权回归，得到风险等级评估模型；根据所述风险等级评估模型得到的不同风险等级设置风险点、风险区域和风险片区；根据风险片区数目、风险等级和当前风险片区所处的地域执行网格化地域管理的聚类，根据聚类结果执行风险片区对应的网格的资源调度。
Description
技术领域
本发明涉及险情处理技术领域，特别涉及一种地理加权回归的网格化险情处理方法和系统
背景技术
目前传统基层治理险情应急方案存在多套系统并行的情况，尤其是防汛防台，向上级各部门报送大量信息表单，任务繁重，多头报、重复报等情况突出，险情预警不精准，基层人员应急反应滞后，资源调度不均衡，增加了基层人员工作量，现有的险情处理方法的技术缺陷包括：1.基层力量分配不均，需要完善网格聚类、分散划分机制，实现网格事务快速处理2.以户数作为网格划分的标准较为单一，不足以满足应急复杂多变的事务处理需求，本方案通过聚类多态网格化，根据风险研判聚类重要网格事项，分散常态网格事项3.网格力量与基层事务事项不匹配，处理事务的综合能力不，4.网格险情研判分析不充分。
发明内容
本发明其中一个发明目的在于提供一种地理加权回归的网格化险情处理方法和系统基于地理加权回归方法建立风险等级评价模型，在建立地域的网格化管理方案基础上，基于风险等级评价结果执行动态的网格化聚类，从而实现险情调度更加合理和精准。
本发明另一个发明目的在于提供一种地理加权回归的网格化险情处理方法和系统建立的风险等级评价体系包括了动态因子和静态因子，并且在风险等级评价模型中分别赋予不同权重，从而使得所述风险等级评价模型更加准确。
本发明另一个发明目的在于提供一种地理加权回归的网格化险情处理方法和系统同时考虑风险点和风险片区的空间距离，以及动态因子和静态因子，所述动态因子和静态因子根据当前风险时段的不同而分别采用，从而使得本发明险情处理更适应不同的险情时段。
为了实现至少一个上述发明目的，本发明进一步提供一种地理加权回归的网格化险情处理方法，所述方法包括：
获取采样点地理数据的动态因子数据和静态因子数据，对所述动态因子数据和静态因子数据进行权重赋值；
采用地理加权回归算法分别对动态因子数据和静态因子数据进行加权回归，得到风险等级评估模型；
根据所述风险等级评估模型得到的不同风险等级设置风险点、风险区域和风险片区；
根据风险片区数目、风险等级和当前风险片区所处的地域执行网格化地域管理的聚类，根据聚类结果执行风险片区对应的网格的资源调度。
根据本发明其中一个较佳实施例，所述风险等级评估模型构建方法包括：获取所述静态因子数据，其中所述静态因子数据包括地形坡度、建筑物缓冲区域的危险交互范围和河流缓冲区域范围，将所述静态因子数据作为第一层数据进行权重赋值，将所述静态因子数据下的所述地形坡度、建筑物缓冲区域的危险交互范围和河流缓冲区域范围作为第二层数据进行权重赋值，第一层数据权重赋值用于风险时段选择输出，第二层数据权重赋值用于判定同一因子数据下的风险重要程度。
根据本发明另一个较佳实施例，所述风险等级评估模型构建方法还包括：
获取所述动态因子数据，所述动态因子数据包括内涝点密度、地址灾害点密度和山塘水库汛期降水量，将所述动态因子数据作为第一层数据进行权重赋值，将所述动态因子数据下的所述内涝点密度、地址灾害点密度和山塘水库汛期降水量作为第二层数据分别进行权重赋值。
根据本发明另一个较佳实施例，所述风险点、风险区域和风险片区的构建方法包括：预先设置风险等级，每一风险等级设置影响范围，在采样点采集数据并根据风险等级评估模型判断当前采样点是否为风险点，并根据风险点类型以当前风险点为半径设置风险面，在采集到多个风险点后构建多个风险点的风险面，将多个风险点对应半径构成包含重叠区域的并集作为风险片区。
根据本发明另一个较佳实施例，所述风险等级评估模型计算方法包括：获取采样点的静态因子数据和动态因子数据后，将所述静态因子数据和动态因子数据归一化：
其中ZBi表示各个指标归一化值，ZBi中的i分别表示动态因子数据和静态因子数据下不同指标，并且Ximax和Ximin分别表示不同的指标的最大值和最小值；
将所述归一化后的不同指标值输入到地理回归加权算法中计算得到当前采样点的风险等级yi:
yi＝β0(μi，γi)+(β1(μi，γi)ZB1*W1
+β2(μi，γi)*ZB2*W2
+β3(μi，γi)*ZB3*W3)*WJTYZ
+(β4(μi，γi)*ZB4*W4
+β5(μi，γi)*ZB5*W5
+β6(μi，γi)*ZB6*W6)*WDTYZ+εi
其中yi中的下标i表示当前不同的采样点，yi中的下标i的取值范围为1-n中的整数，β1-β6为对应采样点i上的回归参数，所述回归参数为预设的权值，(μi，γi)为采样点i的空间坐标，εi为采样点i的残差，W1-W6为不同因子数据权重值，WJTYZ为静态因子权重值，WDTYZ为动态因子权重值。
根据本发明另一个较佳实施例，将多个风险点采样后，进一步根据不同所述风险点采样的数据输入到所述风险等级评估模型输出对应的风险等级，根据不同风险等级和对应风险采样点当前的地理位置进行风险面的划分，将具有重叠区域的风险面合并为风险片区，并设置不同风险片区的间隔距离。
根据本发明另一个较佳实施例，当根据不同采样点和风险等级所影响的范围构建风险面后，取具有重叠区域并集的风险面为风险片区，进一步根据风险片区的覆盖范围构建四至矩形，根据所述四至矩形计算相邻风险片区的距离。
根据本发明另一个较佳实施例，所述网格化地域管理的聚类方法包括：若当前检测点和周围采样点只构成一个风险点，则当前和周围采样点对应的网格不再进行聚类化；若当前采样点和周围检测点存在至少2个风险面构成一个片区，但当前风险片区不满足风险等级，则当前采样点周围采样点风险片区对应的网格不再聚类化；若当前和周围采样点风险面构成满足聚类化风险等级的风险片区，则当前风险片区对应的网格执行聚类化操作；若当前当前和周围采样点风险面构成至少两个满足风险等级的风险片区，且当前风险片区之间的距离小于预设距离阈值，且所述至少两个满足风险等级的风险片区不跨越同一管辖区域，则将当前至少两个风险片区所对应的网格聚类化。
为了实现至少一个上述发明目的，本发明进一步提供一种地理加权回归的网格化险情处理系统，所述系统执行上述一种地理加权回归的网格化险情处理方法。
本发明进一步提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序可被处理器执行上述一种地理加权回归的网格化险情处理方法。
附图说明
图1显示的是本发明一种地理加权回归的网格化险情处理方法的流程示意图。
图2显示的是本发明中风险等级评估模型的结构示意图。
图3显示的是风险片区之间距离结构示意图。
图4显示的是风险片区四至矩形和网格划分结构示意图。
图5是基层多个风险片区划分以及网格划分结构示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
请结合图1-图3，本发明提供了一种地理加权回归的网格化险情处理方法和系统，所述方法主要包括：首先根据每个行政区域的管理范围构建正常的网格化险情管理，每一网格所在的区域内都分配有自身的管理人员，管理人员自身执行日常采样管理和风险时段的采样管理。进一步构建基于地理加权回归算法的风险等级评估模型，网格内的管理人员在采样点进行采样，采样获取到的静态因子数据和动态因子数据输入到所述风险等级模型中进行当前采样点的风险评估，配置不同风险等级的影响范围，根据所述采样点的风险等级构建风险面，并将多个采样点构成的风险面根据叠加后的并集得到风险片区，并根据风险片区的最高风险等级和风险片区数目执行对应网格区域的聚类化，将聚类化后的网格执行对应的资源调度操作。
具体而言，所述采样点一般为当前地域的地质灾害点，在所述采样点采集的静态因子数据包括：地形坡度，以洪涝灾害为例，洪涝灾害的发生与地形有紧密的关系，地形坡度越大，洪涝灾害发生的可能性越小；地形坡度越小，洪涝灾害发生的可能性越大。本方案选择用地形坡度举例来表达地形对洪涝灾害危险性的影响程度。在另一类型的自然灾害中，比如泥石流灾害，所述泥石流可能性将随着所述地形坡度越大而增大。因此，本发明中的静态因子将随着自然灾害类型不同而设置不同。
其中所述地形坡度可以根据等高线密集度计算获取，每个采集点的等高线根据历史地图采样数据获取。其中地形坡度在本实施例中作为一个静态因子数据进行权重赋值，所述地形坡度的权重赋值结果为W1，标记为DXQFD，其中由于静态因子在不同的风险时段所起到的效果不同，因此本实施例需要对整体静态因子数据进行权重赋值，对所述整体静态因子权值赋值结果为WJTYZ。其中所述静态因子数据还包括：河流缓冲区范围：以湖或河流边界为第一缓冲区，依次建立100、200、500m的缓冲区，将所述第一缓冲区整体进行权重赋值，所述第一缓冲区的权重赋值结果为W2，第一缓冲区的范围不同，设置的风险分值不同，距离河流或湖泊越近，则风险分值越高。针对当前采样点存在的建筑物依次建立600m的缓冲区，将建筑物缓冲区和相交形成危险交互区，标记为WXJHQ，对所述危险交互去进行权重赋值，权重赋值结果为W3。
其中在所述采样点采集的数据还包括动态因子数据，其中所述动态因子数据包括：
内涝点密度：单位面积内内涝点的数量，标记为NLD，对所述内涝点密度的权重赋值结果为W4
地质灾害点密度：单位面积内地质灾害点的数量，标记为DZZHD，对所述地质灾害点密度的权重赋值结果为W5
山塘水库汛期降水量：气象站点汛期月平均降水量数据，标记为STSK，对所述山塘水库汛期降水量权重赋值结果为W6。
需要说明的是上述动态因子数据为存在暴雨等风险时段统计的当前采样数据，因此所述动态因子数据很好的反应了当前采样点的在风险时段下采样点的风险点、风险面等动态数据，从而可以保证所述风险等级模型预测的准确性。
其中根据所述采样点构建风险面的方法包括：以当前采样点为原点，以当前采样点所采集的风险数据并根据所述风险等级评估模型输出的风险等级，并根据对应风险等级设置的影响范围为半径画圆，该圆覆盖的范围为当前采样点的风险面。值得一提的是所述风险等级对应的半径分别为：极高风险：R＝200米；高风险：R＝150米，中风险：R＝80米；低风险：R＝30米。当采样点之间距离小于预设值时，比如100米时，不同采样点所形成的风险面可能存在重叠，本实施例进一步将不同风险面中的重叠风险面的并集作为风险片区。由于同一风险片区中可能是不同风险等级的风险面合并而来，本发明对该风险片区的风险等级以当前风险片区中的最高风险等级进行定义，比如当前风险片区包括第一采样点覆盖的半径200米范围的极高风险面，和第二采样点覆盖的半径为150米范围的高风险面，此时该两个风险面之间存在交集，将所述极高风险面和高风险面进行合并成极高风险片区，并以所述极高风险片区的预设险情调度方案执行网格化动态资源调度。
值得一提的是，在完成采样点的风险数据采集后，进一步对所述采样点采集的风险数据进行归一化处理，其中归一化处理方法包括：
其中其中ZBi表示各个指标归一化值，ZBi中的i分别表示动态因子数据和静态因子数据下不同指标，并且Ximax和Ximin分别表示不同的指标的最大值和最小值；比如ZB1表示静态因子数据下的地形坡度指标；ZB2表示静态因子数据下的河流缓冲区范围指标；ZB3表示静态因子数据下的危险交互区范围指标；ZB4表示内涝点密度指标；ZB5表示地质灾害点密度；ZB6表示山塘水库汛期降水量指标。在完成每个因子数据下指标的归一化后，将所述归一化后数据输入都地理加权的回归算法中计算采样点当前的风险等级yi：
yi＝β0(μi，γi)+(β1(μi，γi)ZB1*W1
+β2(μi，γi)*ZB2*W2
+β3(μi,γi)*ZB3*W3)*WJTYZ
+(β4(μi,γi)*ZB4*W4
+β5(μi，γi)*ZB5*W5
+β6(μi，γi)*ZB6*W6)*WDTYZ+εi；
其中yi中的下标i表示当前不同的采样点，yi中的下标i的取值范围为1-n中的整数，β0-6为对应采样点i上的回归参数，所述回归参数为预设的权值，(μi，γi)为采样点i的空间坐标，εi为采样点i的残差，W1-6为不同因子数据权重值，WJTYZ为静态因子权重值，WDTYZ为动态因子权重值。本实施例中，所述风险片区由于采样点和所述采样点对应风险等级不同而不同，因此可能存在不重叠风险面构成的不同的风险片区。本发明中需要对不同风险片区进行区分，并根据不同风险片区的空间位置、风险等级等执行区域网格动态聚类化处理。
值得一提的是，在获取风险片区后，进一步计算风险片区的坐标值(该坐标值为平面坐标，预先建立的X轴和Y轴平面坐标系下的坐标值)，根据所述平面坐标值划定每个风险片区的四至矩形，其中所述四至矩形的划定方法包括：分别计算当前风险片区的X轴方向和Y轴方向上的最大值，根据所述最大值构建所述四至矩形的四个顶点：比如第一风险片区A的四个顶点分别为：A1(Xamin，Yamin)、A2(Xamin，Yamax)、A3(Xamax，Yamin)和A4(Xamax，Yamax)；其中Xamin表示X方向上A风险片区的最小值，Yamin表示Y方向上A风险片区的最小值，Xamax表示X方向上A风险片区的最大值，Yamax表示Y方向上A风险片区的最大值。第二风险片区B的四个顶点分别为：B1(Xbmin，Ybmin)、B2(Xbmin，Ybmax)、B3(Xbmax，Ybmin)和B4(Xbmax，Ybmax)；第二风险片区B顶点下标的含义和A相同，本发明对此不再赘述。在完成不同风险片区的四至矩形划分计算后，进一步计算风险片区的四至矩形最短距离L的计算，其中L＝min(
其中x1,y1表示第一风险片区A的四至矩形顶点坐标；x2,y2表示第二风险片区B四至矩形的顶点坐标。本发明中计算所述不同风险片区的最短距离用于判断相邻的两个风险片区之间是否可以进行网格聚类化操作的一种参数指标。
在完成所述四至矩形的划分后，所述网格采用多态聚类方法执行网格聚类：
若当前采样点以及周围采样点只构成一个风险点，风险面之间不构成风险片区的，此时该风险点所对应的网格不再进行聚类化操作。并且该风险点对应的风险等级低于预设等级(比如高风险等级)，当前网格区域对应的网格长在非风险时段根据对应的风险等级增加对单一风险面的巡查，对应的风险时段可能因为存在动态因子数据的介入而导致该风险面对应的风险等级升高，从而进一步让当前风险区域对应的网格长执行对应风险等级的人力和物资资源的投入。
进一步举例而言，请参考图4，图4中的A0表示村庄范围，该举例以圆形结构说明，实际上可以是其他任意图形。A0的四至矩形ABCD，其中A(x1min，y1max)B(x2min，y2max)C(x3min，y3max)D(x4min，y4max)；现有灾害点C1(xc1，yc1)，影响范围半径为R1现有灾害点C2(xc2，yc2)，影响范围半径为R2；根据灾害点C1、C2生成最小外接矩形A＇B＇C＇D＇，求得坐标：A＇(xc1-R1，yc1+R1)，C’(xc2+R2，yc2-R1)求最小外接矩形A＇B＇C＇D＇的中心点O＇，O＇[(xc1-R1+xc2+R2)/2，(yc1+R1+yc2-R1)/2]判断O＇的空间位置，若是偏上，以C＇D＇为线段划分动态网格；若是偏下，以A＇B＇为线段划分动态网格；若是偏左，以B＇C＇为线段划分动态网格；若是偏右，以A＇D＇为线段划分动态网格判断规则为：MO＇/MN＝k1；PO＇/PG＝k2，|若k1-0.5|>|k2-0.5|则是上下分，若k1<0.5,用下线划分，若k1>0.5,用上线划分；|k1-0.5|<|k2-0.5|则是左右下，若k1<0.5,用右线划分，若k1>0.5,用左线划分。也就是说在本发明图4所举的一个较佳实施例中，可以设置风险面之间相隔距离阈值，若相邻风险面之间小于所述相隔距离阈值，则针对多个风险面构建四至矩阵，该多个风险面构建的四至矩形定义为风险片区。
若当前采样点以及周围采样点至构成多个风险面，且风险面形成单一的风险片区，此时该风险片区对应的网格不再进行聚类化操作，且且该风险片区对应的最高风险等级低于预设等级(比如高风险等级)，当前网格区域对应的网格长在非风险时段根据对应的风险等级增加对单一风险片区的巡查；以及当对应的风险时段可能因为存在动态因子数据的介入而导致该单一风险片区对应的最高风险等级升高，从而进一步让当前风险区域对应的网格长执行对应风险等级的人力和物资资源的投入。
若当前采样点以及周围采样点构成多个风险面，且不同风险面之间构成至少2个风险片区且不大于4个风险片区，其中不同的风险片区均满足聚类要求的风险等级阈值(比如高风险等级)，此时多个风险片区之间不超出行政管辖范围(如行政村或镇)，并且相邻两个风险片区构成的四至矩形最短距离L小于预设的距离阈值。则此时需要对所述多个风险片区对应的网格进行聚类化处理，将不同风险片区之间所覆盖的网格进行聚类化操作，形成统一聚类的人力和物质资源调度。当聚类后的网格在非风险时段(平时)，此时风险等级较低，可以动态网格抽调组织力量，有专人专员，巡查或上报风险片区的情况，以及发现潜在的风险点位信息上报。多个风险片区处于风险时段时，进一步根据风险变量动态变化风险片区的风险等级进行力量分配处置，其中风险等级包括极高、高、中和低等四个等级，根据所述风险等级组织人力资源按照1:(20～100居民)进行动态分配；不够的借调本村社其他组织力量共同维护。
若当前采样点以及周围采样点构成多个风险面，且不同风险面之间构成至少2个风险片区且不大于4个风险片区，且不同风险片区跨越行政管辖区域(如行政村或镇)，但多个风险片区之间构成的相邻四至矩形之间最短距离小于预设距离阈值，则需要将当前的多个风险片区覆盖的网格区域进行聚类化处理，当聚类后的网格在非风险时段(平时)，此时风险等级较低，可以动态网格抽调组织力量，有专人专员，巡查或上报风险片区的情况，以及发现潜在的风险点位信息上报。多个风险片区处于风险时段时，进一步根据风险变量动态变化风险片区的风险等级进行力量分配处置，其中风险等级包括极高、高、中和低等四个等级，根据所述风险等级组织人力资源按照1:(20～100居民)进行动态分配；不够的借调本村社其他组织力量共同维护。
本发明进一步提供风险等级和网格聚类结果进行物资分配，所述物资分配方法举例来说：
物资供应处有2个来源，各村社物质存放量为1个单位，共有村社区m个，街道办物资存放为n个单位，总数为n+1*m个单位。
若当前采样点和周围采样点只生成一个风险面，不生成风险片区，此时不再进行网格聚类化操作，在风险时段时物资由该片区的网格长调配物资至该风险点位，风险等级按照四个等级，依次调配本村社物资1/2个单位、1/3个单位、1/4个单位、1/5个单位。
若当前采样点和周围采样点只生成一个风险片区，且此时该风险片区不再进行网格聚类化操作，在风险时段时物资由该片区的网格长重点安排指挥力量管理该风险片区，风险等级按照四个等级，依次调配本村社物资1个单位、1/2个单位、1/3个单位、1/4个单位。
若当前采样点和周围采样点生成至少2个风险片区，不大于4个风险片区，并且所有风险片区均不跨行政村，此时需要对所有风险片区的网格进行聚类化处理，聚类化处理后在风险时段的的物资根据风险变量动态变化风险片区的风险等级(极高、高、中、低)进行物资调配处置，物资配置按照1个单位:(20～50居民)进行聚类分配，优先从该村社区调配，其他从街道办进行调配；若聚类范围内居民有S户，则物资调配量：
若当前采样点和周围采样点生成至少2个风险片区，不大于4个风险片区，并且存在风险片区跨行政村，相邻风险片区的四至矩形最短距离小于预设的聚类距离阈值(比如距离小于500米，汽车平均行驶时间不超过30分钟)，此时需要对所有风险片区的网格进行聚类化处理，聚类化处理后在风险时段的的物资根据风险变量动态变化风险片区的风险等级(极高、高、中、低)进行物资调配处置，物资配置按照1个单位:(20～50居民)进行聚类分配，优先从新聚类的村社区调配，不足的其他部分从街道办进行调配；若聚类范围内居民有S户，则物资调配量：
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线段、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线段的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机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。而在本申请中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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：无线段、电线段、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明，本发明的目的已经完整并有效地实现，本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
Claims (9)
1.一种地理加权回归的网格化险情处理方法，其特征在于，所述方法包括：
获取采样点地理数据的动态因子数据和静态因子数据，对所述动态因子数据和静态因子数据进行权重赋值；
采用地理加权回归算法分别对动态因子数据和静态因子数据进行加权回归，得到风险等级评估模型；
根据所述风险等级评估模型得到的不同风险等级设置风险点、风险区域和风险片区；
根据风险片区数目、风险等级和当前风险片区所处的地域执行网格化地域管理的聚类，根据聚类结果执行风险片区对应的网格的资源调度；
所述风险等级评估模型计算方法包括：获取采样点的静态因子数据和动态因子数据后，将所述静态因子数据和动态因子数据归一化：
其中ZBi表示各个指标归一化值，ZBi中的i分别表示动态因子数据和静态因子数据下不同指标，并且Ximax和Ximin分别表示不同的指标的最大值和最小值；
将所述归一化后的不同指标值输入到地理回归加权算法中计算得到当前采样点的风险等级y i :
+ 
（
）*
*W2
+ 
（
）*
*W3)*WJTYZ
+ （
（
）*
*W4
+ 
（
）*
*W5
+ 
（
）*
*W6)*WDTYZ +
其中y i 中的下标i表示当前不同的采样点， y i 中的下标i的取值范围为1-n中的整数，β1-β6为对应采样点i上的回归参数，所述回归参数为预设的权值，（
）为采样点i的空间坐标，
为采样点i的残差，W 1- W 6 为不同因子数据权重值，WJTYZ为静态因子权重值，WDTYZ为动态因子权重值。
2.根据权利要求1所述的一种地理加权回归的网格化险情处理方法，其特征在于，所述风险等级评估模型构建方法包括：获取所述静态因子数据，其中所述静态因子数据包括地形坡度、建筑物缓冲区域的危险交互范围和河流缓冲区域范围，将所述静态因子数据作为第一层数据进行权重赋值，将所述静态因子数据下的所述地形坡度、建筑物缓冲区域的危险交互范围和河流缓冲区域范围作为第二层数据进行权重赋值，第一层数据权重赋值用于风险时段选择输出，第二层数据权重赋值用于判定同一因子数据下的风险重要程度。
3.根据权利要求1所述的一种地理加权回归的网格化险情处理方法，其特征在于，所述风险等级评估模型构建方法还包括：
获取所述动态因子数据，所述动态因子数据包括内涝点密度、地址灾害点密度和山塘水库汛期降水量，将所述动态因子数据作为第一层数据进行权重赋值，将所述动态因子数据下的所述内涝点密度、地址灾害点密度和山塘水库汛期降水量作为第二层数据分别进行权重赋值。
4.根据权利要求1所述的一种地理加权回归的网格化险情处理方法，其特征在于，所述风险点、风险区域和风险片区的构建方法包括：预先设置风险等级，每一风险等级设置影响范围，在采样点采集数据并根据风险等级评估模型判断当前采样点是否为风险点，并根据风险点类型以当前风险点为半径设置风险面，在采集到多个风险点后构建多个风险点的风险面，将多个风险点对应半径构成包含重叠区域的并集作为风险片区。
5.根据权利要求1所述的一种地理加权回归的网格化险情处理方法，其特征在于，将多个风险点采样后，进一步根据不同所述风险点采样的数据输入到所述风险等级评估模型输出对应的风险等级，根据不同风险等级和对应风险采样点当前的地理位置进行风险面的划分，将具有重叠区域的风险面合并为风险片区，并设置不同风险片区的间隔距离。
6.根据权利要求1所述的一种地理加权回归的网格化险情处理方法，其特征在于，当根据不同采样点和风险等级所影响的范围构建风险面后，取具有重叠区域并集的风险面为风险片区，进一步根据风险片区的覆盖范围构建四至矩形，根据所述四至矩形计算相邻风险片区的距离。
7.根据权利要求1所述的一种地理加权回归的网格化险情处理方法，其特征在于，所述网格化地域管理的聚类方法包括：若当前采样点和周围采样点只构成一个风险点，则当前采样点和周围采样点对应的网格不再进行聚类化；若当前采样点和周围采样点存在至少2个风险面构成一个片区，但当前风险片区不满足风险等级，则当前采样点和周围采样点风险片区对应的网格不再聚类化；若当前采样点和周围采样点风险面构成满足聚类化风险等级的风险片区，则当前风险片区对应的网格执行聚类化操作；若当前采样点和周围采样点风险面构成至少两个满足风险等级的风险片区，且当前风险片区之间的距离小于预设距离阈值，且所述至少两个满足风险等级的风险片区不跨越同一管辖区域，则将当前至少两个风险片区所对应的网格聚类化。
8.一种地理加权回归的网格化险情处理系统，其特征在于，所述系统执行权利要求1-7中任意一项所述的一种地理加权回归的网格化险情处理方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，所述计算机程序可被处理器执行权利要求1-7中任意一项所述的一种地理加权回归的网格化险情处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211077729.XA CN115147024B (zh) | 2022-09-05 | 2022-09-05 | 一种地理加权回归的网格化险情处理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211077729.XA CN115147024B (zh) | 2022-09-05 | 2022-09-05 | 一种地理加权回归的网格化险情处理方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115147024A CN115147024A (zh) | 2022-10-04 |
| CN115147024B true CN115147024B (zh) | 2022-12-13 |
Family
ID=83415629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211077729.XA Active CN115147024B (zh) | 2022-09-05 | 2022-09-05 | 一种地理加权回归的网格化险情处理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115147024B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307709B (zh) * | 2023-03-13 | 2024-06-11 | 国网河南省电力公司电力科学研究院 | 基于信息增益融合的变电站防汛能力综合评估方法、系统 |
| CN117435790A (zh) * | 2023-11-09 | 2024-01-23 | 上海铁路房地产开发经营有限公司 | 一种可视化数据分析方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858647A (zh) * | 2018-12-21 | 2019-06-07 | 河海大学 | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 |
| CN112308292A (zh) * | 2020-10-10 | 2021-02-02 | 广东工业大学 | 一种火灾风险等级分布图的绘制方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2393859B1 (es) * | 2010-12-17 | 2013-09-03 | Martin Jose Carlos Perez | Método de accionamiento de dispositivos de seguridad en una edificación. |
| CN104899437B (zh) * | 2015-05-29 | 2019-04-02 | 杭州辰青和业科技有限公司 | 强降雨型滑坡灾害预警方法 |
| CN110502843A (zh) * | 2019-08-26 | 2019-11-26 | 同济大学 | 一种基于地理加权回归的台风路径随机模拟方法及系统 |
| CN113191644B (zh) * | 2021-05-06 | 2022-12-06 | 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 |
| CN113610309B (zh) * | 2021-08-13 | 2022-06-03 | 清华大学 | 基于大数据和人工智能的消防站选址方法及装置 |
| CN113902168B (zh) * | 2021-09-08 | 2022-11-01 | 长江信达软件技术（武汉）有限责任公司 | 一种基于实时人群数据融合的洪灾应急疏散方法 |
-
2022
- 2022-09-05 CN CN202211077729.XA patent/CN115147024B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858647A (zh) * | 2018-12-21 | 2019-06-07 | 河海大学 | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 |
| CN112308292A (zh) * | 2020-10-10 | 2021-02-02 | 广东工业大学 | 一种火灾风险等级分布图的绘制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115147024A (zh) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115147024B (zh) | 一种地理加权回归的网格化险情处理方法和系统 | |
| CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
| Yeprintsev et al. | Technologies for creating geographic information resources for monitoring the socio-ecological conditions of cities | |
| CN111598314B (zh) | 一种基于绩效单元的公园绿地规划布局方法 | |
| CN109767042A (zh) | 基于用地评估的人防专业队工程选址方法 | |
| CN113191644B (zh) | 一种基于自发-引发风险评价模型城市内涝风险评价方法 | |
| CN104217368A (zh) | 一种地理区位特征表征方法 | |
| Antos et al. | The morphology of African cities | |
| Gustafsson et al. | Quantification of population exposure to NO2, PM2. 5 and PM10 and estimated health impacts | |
| CN108875290A (zh) | 资源环境承载力预警方法 | |
| Drejza et al. | Quantifying road vulnerability to coastal hazards: Development of a synthetic index | |
| CN113988688A (zh) | 一种耕地生态可持续性评价方法和系统 | |
| CN110298577A (zh) | 一种基于dpsir模型的沿河村落山洪灾害风险评价方法及系统 | |
| Sémécurbe et al. | Applying two fractal methods to characterise the local and global deviations from scale invariance of built patterns throughout mainland France | |
| Yang et al. | Characteristics of land surface temperature clusters: Case study of the central urban area of Guangzhou | |
| Stats | Urban accessibility–methodology and classification | |
| CN106960263A (zh) | 一种地质灾害监测预警的方法和装置 | |
| CN116911507A (zh) | 基于空间投影寻踪的城市街区活力评价方法及存储介质 | |
| Suwanno et al. | GIS-based identification and analysis of suitable evacuation areas and routes in flood-prone zones of Nakhon Si Thammarat municipality | |
| CN107608938A (zh) | 基于增强回归树算法的面向二值分类的因子筛选方法 | |
| CN113128811A (zh) | 一种基于强降水的电网系统地质灾害风险评估方法及系统 | |
| Dražić et al. | Evaluation of Morphometric Terrain Parameters and Their Influence on Determining Optimal Density of Primary Forest Road Network | |
| CN115759883A (zh) | 基于网络群组特征的生态管理分区方法 | |
| Fadavi et al. | Evaluation of AERMOD for distribution modeling of particulate matters (Case study: Ardestan Cement Factory) | |
| Zhu et al. | Divergent trends of ecosystem status and services in the Hexi Corridor |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Gridded Hazard Handling Method and System for Geographically Weighted Regression Effective date of registration: 20230410 Granted publication date: 20221213 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: Hangzhou Yuansheng Pixel Technology Co.,Ltd. Registration number: Y2023330000719 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |