CN115394052B - 基于机器学习获得地质灾害预警关键参数预测值的方法 - Google Patents
基于机器学习获得地质灾害预警关键参数预测值的方法 Download PDFInfo
- Publication number
- CN115394052B CN115394052B CN202211049546.7A CN202211049546A CN115394052B CN 115394052 B CN115394052 B CN 115394052B CN 202211049546 A CN202211049546 A CN 202211049546A CN 115394052 B CN115394052 B CN 115394052B
- Authority
- CN
- China
- Prior art keywords
- type
- machine learning
- data
- monitoring
- monitoring parameters
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/16—Security signalling or alarm systems, e.g. redundant systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及地质灾害预测技术领域,具体涉及一种基于机器学习获得地质灾害预警关键参数预测值的方法,包括:S1、梳理地质灾害预警系统中目标地质灾害隐患点的监测参数;S2、获取目标地质灾害隐患点监测参数的历史数据;S3、把所有监测参数分成第一类监测参数与第二类监测参数;S4、基于目标地质灾害隐患点监测参数的历史数据创建用于机器学习的数据集,将第一类监测参数的历史数据或实时数据作为输入,将第二类监测参数的实时数据作为输出,通过机器学习算法进行训练和预测,得到地质灾害预警关键参数预测值。本发明解决了难以降低地质灾害预警系统的故障率的技术问题。
Description
技术领域
本发明涉及地质灾害预测技术领域,具体涉及一种基于机器学习获得地质灾害预警关键参数预测值的方法。
背景技术
世界上地质灾害多、危害严重的地区,各类地质灾害每年造成的伤亡达数千人,经济损失高达百亿元,建设可靠的地质灾害预警系统可以有效提升地质灾害预防能力,最大限度地减少地质灾害所造成的损失。地质灾害预警一般包含数据采集、数据传输、分析预测、发布预警与应急响应五个环节,任何一个环节发生故障均会导致整个地质灾害预警过程失效,从而造成严重损失。因此,降低地质灾害预警系统故障率,增强预警系统可靠性具有非常重要的意义。
目前,降低地质灾害预警系统故障率的手段主要是为系统关键环节增加备份,比如说增加传感器数量以保证数据采集环节的可靠性,使用多种传输手段以保证数据传输环节的可靠性,使用多种阈值保证分析预测环节的可靠性等,这种增加系统冗余以降低地质灾害预警系统故障率的方式,在一定程度上能够提升地质灾害预警系统的可靠性。然而,这种方式也存在明显的弊端:一方面,为地质灾害预警系统每个环节增加冗余会造成地质灾害预警成本的大幅提升;另一方面,如果遇到极端事件或恶劣的环境条件,由于电力缺失、断网等因素,这种关键环节增加备份的方式也不能保证地质灾害预警系统的可靠性。综上,现有技术难以降低地质灾害预警系统的故障率。
发明内容
本发明提供一种基于机器学习获得地质灾害预警关键参数预测值的方法,解决了现有技术难以降低地质灾害预警系统故障率的技术问题。
本发明提供的基础方案为:基于机器学习获得地质灾害预警关键参数预测值的方法,包括:
S1、梳理地质灾害预警系统中目标地质灾害隐患点的监测参数;
S2、获取目标地质灾害隐患点监测参数的历史数据;
S3、把所有监测参数分成第一类监测参数与第二类监测参数,所述第一类监测参数为地质灾害发生的诱发因素,所述第二类监测参数为表征目标地质灾害隐患点稳定状态的关键因素;
S4、基于目标地质灾害隐患点监测参数的历史数据创建用于机器学习的数据集,将第一类监测参数的历史数据或实时数据作为输入,将第二类监测参数的实时数据作为输出,通过机器学习算法进行训练和预测,得到地质灾害预警关键参数预测值。
本发明的工作原理及优点在于:首先,把所有监测参数分成第一类监测参数与第二类监测参数,其中,第一类监测参数为地质灾害发生的诱发因素,第二类监测参数为表征目标地质灾害隐患点稳定状态的关键因素,以第一类监测参数的历史数据或实时数据作为输入、将第二类监测参数的实时数据作为输出,通过机器学习算法进行训练和预测得到地质灾害预警关键参数预测值,在极端事件或恶劣环境条件下,例如电力缺失、断网等因素,即使数据采集与数据传输环节失效,由于仍然可以通过预测得到地质灾害预警关键参数预测值,可以防止地质灾害预警系统发生故障,从而降低地质灾害预警系统故障率,提升地质灾害预警系统的可靠性。
本发明在极端事件或恶劣环境条件下,即使数据采集与数据传输环节失效,仍然可以通过预测得到地质灾害预警关键参数预测值,防止地质灾害预警系统发生故障,解决了现有技术难以降低地质灾害预警系统的故障率的技术问题。
进一步,S4中,所述第一类监测参数用Ei表示,Ei表示第i个独立监测参数,所述第二类监测参数用Oj表示,Oj表示第j个关键参数,通过机器学习算法对Ei和Oj的相关性进行分析和校验,并选择与Oj具有较强相关性的Ei作为机器学习算法中的输入数据。
有益效果在于:以与Oj具有较强相关性的Ei作为机器学习算法中的输入数据,能够提高机器学习算法分析和校验Ei和Oj的相关性的精确度与效率。
进一步,S4中,所述通过机器学习算法对Ei和Oj的相关性进行分析和校验,并选择与Oj有较强相关性的Ei作为机器学习算法中的输入数据,具体包括:
A1、对于某一个第二类监测参数O,根据地质学基础理论与工程经验判断可能对第二类监测参数O有影响的第一类监测参数Ei;
A2、根据地质学基础理论与工程经验,选取一个或多个第一类监测参数Ei与第二类监测参数O构建k个数据组合,表示为Gk{Ei,O},k表示第k个数据组合;
A3、对于任意一个数据组合Gk{Ei,O},将Ei作为自变量,O作为因变量,建立线性或非线性回归模型,并计算回归模型的相关系数和残差平方和;
A4、对比k个数据组合Gk{Ei,O}回归模型的相关系数和残差平方和,选取相关系数最大且残差平方和最小的数据组合Go{Ei,O}作为最优数据组合,最优数据组合中的Ei即为与第二类监测参数O相关性最强的一个或多个独立监测参数,将Ei作为机器学习算法中第二类监测参数O的作为输出数据时的输入数据;
A5、对于第j个第二类监测参数Oj,重复A1~A4,得到第二类监测参数Oj的最优数据组合Goj{Ei,O}。
有益效果在于:由于最优数据组合中的Ei是从相关系数最大且残差平方和最小的数据组合Go{Ei,O}中选取的,能够确保最优数据组合中的Ei与Oj具有较强相关性。
进一步,S4中,所述通过机器学习算法进行训练,包括:
B1、对于某一个特定的第二类监测参数O,以最优数据组合Go{Ei,O}中的第一类监测参数Ei作为机器学习算法输入数据,第二类监测参数O作为输出数据,构建机器学习模型Mo对数据进行训练;
B2、优化机器学习模型Mo中的参数;
B3、得到训练好的机器学习模型Mo;
B4、对于第j个第二类监测参数Oj,重复B1~B3,得到第二类监测参数Oj的机器学习模型Moj。
有益效果在于:优化机器学习模型Mo中的参数,并以优化后的机器学习模型Mo进行训练,能够提高训练的精确度。
进一步,所述S4中,所述通过机器学习算法进行预测,具体为,利用已经训练好的机器学习模型对第二类监测参数Oj的实时数据Ojrt进行预测,包括:
C1、对某一特定的第二类监测参数O,基于获得的最优数据组合Go{Ei,O}创建用于预测第二类关键参数O实时数据的输入数据集合{Eirt},Eirt表示第i个用于预测第二监测参数O实时数据的独立监测参数;
C2、将数据集合{Eirt}输入训练好的机器学习模型Mo;
C3、返回第二监测参数O的实时预测结果Ort;
C4、对于第j个第二监测参数Oj,重复C1~C3,得到第二关键参数Oj的实时预测结果Ojrt。
有益效果在于:这样得到的二关键参数Oj的实时预测结果Ojrt,在数据采集环节或数据传输环节失效时进行采用,能够降低地质灾害预警系统故障率。
进一步,S4中,所述地质灾害预警关键参数预测值用于地质灾害预警系统数据采集环节或数据传输环节失效时,分析预测地质灾害隐患点稳定状态。
有益效果在于:当地质灾害预警系统数据采集环节或数据传输环节没有失效时,可不采用地质灾害预警关键参数预测值,仅在数据采集环节或数据传输环节失效时才采用,这样能够在保证降低地质灾害预警系统故障率的同时简化数据传输流程。
进一步,S4中,所述机器学习算法是决策树、支持向量机、神经网络中的一种。
有益效果在于:也就是说,包括但不限于决策树、支持向量机或者神经网络,这些算法成熟,故障率低,也便于实现。
进一步,S2中,获取目标地质灾害隐患点的监测参数的历史数据之后,对监测参数的历史数据进行预处理。
有益效果在于:比如去除数据噪声、删除异常数据等,以提高监测参数的历史数据的准确性与精确性。
附图说明
图1为本发明基于机器学习获得地质灾害预警关键参数预测值的方法实施例的流程图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例1
实施例基本如附图1所示,包括:
S1、梳理地质灾害预警系统中目标地质灾害隐患点的监测参数;比如说降雨量、温度、库水位高程、位移、裂缝宽度、孔隙水压力、地下水位、应力等。
S2、获取目标地质灾害隐患点监测参数的历史数据;获取目标地质灾害隐患点的监测参数的历史数据之后,对监测参数的历史数据进行预处理,包括去除数据噪声、删除异常数据等,以提高监测参数的历史数据的准确性与精确性。
S3、把所有监测参数分成第一类监测参数与第二类监测参数,所述第一类监测参数为地质灾害发生的诱发因素,比如说降雨量、库水位、温度等,该类数据是对目标地质灾害隐患点环境条件的直接观测,不能直接用于识别地质灾害隐患点的稳定状态,而且有多种获取途径;所述第二类监测参数为表征目标地质灾害隐患点稳定状态的关键因素,比如说位移、孔隙水压力、地下水位、应力、裂缝宽度等,该类数据一般作为地质灾害预警系统中预警模型中的关键参数,该类数据的缺失将导致预警系统的失效。
S4、基于目标地质灾害隐患点监测参数的历史数据创建用于机器学习的数据集,将第一类监测参数的历史数据或实时数据作为输入,将第二类监测参数的实时数据作为输出,通过机器学习算法进行训练和预测,得到地质灾害预警关键参数预测值。
在本实施例中,所述机器学习算法可以采用决策树、支持向量机或者神经网络中的一种,也就是说,包括但不限于决策树、支持向量机或者神经网络,这些算法成熟,故障率低,也便于实现,具体的算法综合考虑目标地质灾害隐患点的监测内容、数据质量等实际情况进行选择。
作为方案的优选之一:S4中,所述第一类监测参数用Ei表示,Ei表示第i个独立监测参数,Ei可以为第一类监测参数的实时数据,比如说实时的降雨量、降雨强度、温度、库水位高程等,也可以为第一类监测数据的历史数据或第一类监测数据在某一段时间的累计量,比如前1天的日降雨量、前5天的日降雨量、前5天的累计降雨量等;所述第二类监测参数用Oj表示,Oj表示第j个关键参数,比如位移、孔隙水压力、地下水位等;通过机器学习算法对Ei和Oj的相关性进行分析和校验,并选择与Oj具有较强相关性的Ei作为机器学习算法中的输入数据;以与Oj具有较强相关性的Ei作为机器学习算法中的输入数据,能够提高机器学习算法分析和校验Ei和Oj的相关性的精确度与效率。
作为方案的优选之一:S4中,所述通过机器学习算法对Ei和Oj的相关性进行分析和校验,并选择与Oj有较强相关性的Ei作为机器学习算法中的输入数据,具体包括:
A1、对于某一个第二类监测参数O,根据地质学基础理论与工程经验判断可能对第二类监测参数O有影响的第一类监测参数Ei;
A2、根据地质学基础理论与工程经验,选取一个或多个第一类监测参数Ei与第二类监测参数O构建k个数据组合,表示为Gk{Ei,O},k表示第k个数据组合;
A3、对于任意一个数据组合Gk{Ei,O},将Ei作为自变量,O作为因变量,建立线性或非线性回归模型,并计算回归模型的相关系数和残差平方和;
A4、对比k个数据组合Gk{Ei,O}回归模型的相关系数和残差平方和,选取相关系数最大且残差平方和最小的数据组合Go{Ei,O}作为最优数据组合,最优数据组合中的Ei即为与第二类监测参数O相关性最强的一个或多个独立监测参数,将Ei作为机器学习算法中第二类监测参数O的作为输出数据时的输入数据;
A5、对于第j个第二类监测参数Oj,重复A1~A4,得到第二类监测参数Oj的最优数据组合Goj{Ei,O}。
作为方案的优选之三:S4中,所述通过机器学习算法进行训练,包括:
B1、对于某一个特定的第二类监测参数O,以最优数据组合Go{Ei,O}中的第一类监测参数Ei作为机器学习算法输入数据,第二类监测参数O作为输出数据,构建机器学习模型Mo对数据进行训练;
B2、优化机器学习模型Mo中的参数;
B3、得到训练好的机器学习模型Mo;
B4、对于第j个第二类监测参数Oj,重复B1~B3,得到第二类监测参数Oj的机器学习模型Moj。
作为方案的优选之四:所述S4中,所述通过机器学习算法进行预测,具体为,利用已经训练好的机器学习模型对第二类监测参数Oj的实时数据Ojrt进行预测,包括:
C1、对某一特定的第二类监测参数O,基于获得的最优数据组合Go{Ei,O}创建用于预测第二类关键参数O实时数据的输入数据集合{Eirt},Eirt表示第i个用于预测第二监测参数O实时数据的独立监测参数;
C2、将数据集合{Eirt}输入训练好的机器学习模型Mo;
C3、返回第二监测参数O的实时预测结果Ort;
C4、对于第j个第二监测参数Oj,重复C1~C3,得到第二关键参数Oj的实时预测结果Ojrt。
在本实施例中,首先,把所有监测参数分成第一类监测参数与第二类监测参数,其中,第一类监测参数为地质灾害发生的诱发因素,第二类监测参数为表征目标地质灾害隐患点稳定状态的关键因素,以第一类监测参数的历史数据或实时数据作为输入、将第二类监测参数的实时数据作为输出,通过机器学习算法进行训练和预测得到地质灾害预警关键参数预测值,在极端事件或恶劣环境条件下,例如电力缺失、断网等因素,即使数据采集与数据传输环节失效,由于仍然可以通过预测得到地质灾害预警关键参数预测值,可以防止地质灾害预警系统发生故障,从而降低地质灾害预警系统故障率,提升地质灾害预警系统的可靠性。
实施例2
与实施例1不同之处仅在于,S4中,所述地质灾害预警关键参数预测值用于地质灾害预警系统数据采集环节或数据传输环节失效时,分析预测地质灾害隐患点稳定状态。当地质灾害预警系统数据采集环节或数据传输环节没有失效时,可不采用地质灾害预警关键参数预测值,仅在数据采集环节或数据传输环节失效时才采用,这样能够在保证降低地质灾害预警系统故障率的同时简化数据传输流程。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (3)
1.基于机器学习获得地质灾害预警关键参数预测值的方法,其特征在于,包括:
S1、梳理地质灾害预警系统中目标地质灾害隐患点的监测参数;
S2、获取目标地质灾害隐患点监测参数的历史数据;
S3、把所有监测参数分成第一类监测参数与第二类监测参数,所述第一类监测参数为地质灾害发生的诱发因素,所述第二类监测参数为表征目标地质灾害隐患点稳定状态的关键因素;
S4、基于目标地质灾害隐患点监测参数的历史数据创建用于机器学习的数据集,将第一类监测参数的历史数据或实时数据作为输入,将第二类监测参数的实时数据作为输出,通过机器学习算法进行训练和预测,得到地质灾害预警关键参数预测值;
S4中,所述第一类监测参数用Ei表示,Ei表示第i个独立监测参数,所述第二类监测参数用Oj表示,Oj表示第j个关键参数,通过机器学习算法对Ei和Oj的相关性进行分析和校验,并选择与Oj具有较强相关性的Ei作为机器学习算法中的输入数据;
S4中,所述通过机器学习算法对Ei和Oj的相关性进行分析和校验,并选择与Oj有较强相关性的Ei作为机器学习算法中的输入数据,具体包括:
A1、对于某一个第二类监测参数O,根据地质学基础理论与工程经验判断可能对第二类监测参数O有影响的第一类监测参数Ei;
A2、根据地质学基础理论与工程经验,选取一个或多个第一类监测参数Ei与第二类监测参数O构建k个数据组合,表示为Gk{Ei,O},k表示第k个数据组合;
A3、对于任意一个数据组合Gk{Ei,O},将Ei作为自变量,O作为因变量,建立线性或非线性回归模型,并计算回归模型的相关系数和残差平方和;
A4、对比k个数据组合Gk{Ei,O}回归模型的相关系数和残差平方和,选取相关系数最大且残差平方和最小的数据组合Go{Ei,O}作为最优数据组合,最优数据组合中的Ei即为与第二类监测参数O相关性最强的一个或多个独立监测参数,将Ei作为机器学习算法中第二类监测参数O的作为输出数据时的输入数据;
A5、对于第j个第二类监测参数Oj,重复A1~A4,得到第二类监测参数Oj的最优数据组合Goj{Ei,O};
S4中,所述通过机器学习算法进行训练,包括:
B1、对于某一个特定的第二类监测参数O,以最优数据组合Go{Ei,O}中的第一类监测参数Ei作为机器学习算法输入数据,第二类监测参数O作为输出数据,构建机器学习模型Mo对数据进行训练;
B2、优化机器学习模型Mo中的参数;
B3、得到训练好的机器学习模型Mo;
B4、对于第j个第二类监测参数Oj,重复B1~B3,得到第二类监测参数Oj的机器学习模型Moj;
所述S4中,所述通过机器学习算法进行预测,具体为,利用已经训练好的机器学习模型对第二类监测参数Oj的实时数据Ojrt进行预测,包括:
C1、对某一特定的第二类监测参数O,基于获得的最优数据组合Go{Ei,O}创建用于预测第二类关键参数O实时数据的输入数据集合{Eirt},Eirt表示第i个用于预测第二监测参数O实时数据的独立监测参数;
C2、将数据集合{Eirt}输入训练好的机器学习模型Mo;
C3、返回第二监测参数O的实时预测结果Ort;
C4、对于第j个第二监测参数Oj,重复C1~C3,得到第二关键参数Oj的实时预测结果Ojrt。
2.如权利要求1所述的基于机器学习获得地质灾害预警关键参数预测值的方法,其特征在于,S4中,所述机器学习算法是决策树、支持向量机、神经网络中的一种。
3.如权利要求2所述的基于机器学习获得地质灾害预警关键参数预测值的方法,其特征在于,S2中,获取目标地质灾害隐患点的监测参数的历史数据之后,对监测参数的历史数据进行预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211049546.7A CN115394052B (zh) | 2022-08-30 | 2022-08-30 | 基于机器学习获得地质灾害预警关键参数预测值的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211049546.7A CN115394052B (zh) | 2022-08-30 | 2022-08-30 | 基于机器学习获得地质灾害预警关键参数预测值的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115394052A CN115394052A (zh) | 2022-11-25 |
CN115394052B true CN115394052B (zh) | 2023-06-27 |
Family
ID=84123751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211049546.7A Active CN115394052B (zh) | 2022-08-30 | 2022-08-30 | 基于机器学习获得地质灾害预警关键参数预测值的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115394052B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117037432B (zh) * | 2023-10-08 | 2023-12-19 | 四川省公路规划勘察设计研究院有限公司 | 基于多方法协同的风险评价地质灾害预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011069613A1 (de) * | 2009-12-11 | 2011-06-16 | Deutsches Zentrum Für Luft- Und Raumfahrt E.V. (Dlr E.V.) | Vorrichtung und verfahren zur risikobasierten zuweisung von warnstufen |
CN112735094A (zh) * | 2020-12-17 | 2021-04-30 | 中国地质环境监测院 | 基于机器学习的地质灾害预测方法、装置和电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710887B (zh) * | 2018-11-07 | 2023-03-14 | 中国海洋石油集团有限公司 | 一种基于回归分析的地化录井烃类损失校正方法 |
CN111950854B (zh) * | 2020-07-14 | 2022-04-19 | 包头钢铁(集团)有限责任公司 | 一种基于多层神经网络的焦炭质量指标预测方法 |
CN112991688A (zh) * | 2021-03-03 | 2021-06-18 | 中山大学 | 一种基于pul算法的地质灾害时空联合预警方法及系统 |
AU2021104849A4 (en) * | 2021-08-03 | 2022-06-09 | Arjariya, Tripti DR | A Computer implemented method and system for detecting human touch using body mounted camera to minimize covid spread using machine learning |
-
2022
- 2022-08-30 CN CN202211049546.7A patent/CN115394052B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011069613A1 (de) * | 2009-12-11 | 2011-06-16 | Deutsches Zentrum Für Luft- Und Raumfahrt E.V. (Dlr E.V.) | Vorrichtung und verfahren zur risikobasierten zuweisung von warnstufen |
CN112735094A (zh) * | 2020-12-17 | 2021-04-30 | 中国地质环境监测院 | 基于机器学习的地质灾害预测方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
考虑活动状态与破坏概率的岸坡动态危险性评价;龙奎;灾害学;第35卷(第4期);66-71 * |
Also Published As
Publication number | Publication date |
---|---|
CN115394052A (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108008332B (zh) | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 | |
CN106125714B (zh) | 结合bp神经网络与二参数威布尔分布的故障率预测方法 | |
CN115394052B (zh) | 基于机器学习获得地质灾害预警关键参数预测值的方法 | |
CN105450448B (zh) | 基于电力通信网的故障分析方法及装置 | |
CN105139585A (zh) | 一种土质边坡险情智能预警预报方法 | |
CN113497726B (zh) | 告警监控方法、系统、计算机可读存储介质及电子设备 | |
CN108491860B (zh) | 页岩气压裂装备全生命周期实时可靠性动态评估方法及装置 | |
CN115331394B (zh) | 基于关键参数预测值降低地质灾害预警系统故障率的方法 | |
CN110766192A (zh) | 基于深度学习的钻井井漏预测系统及方法 | |
CN111563524A (zh) | 一种多站融合系统运行态势异常监测和告警合并方法 | |
Fan et al. | Group maintenance optimization of subsea Xmas trees with stochastic dependency | |
CN112834211A (zh) | 一种风电机组传动系统故障预警方法 | |
CN201898519U (zh) | 带有风险控制的设备维修预警装置 | |
AU2020102863A4 (en) | Digital-twin-driven fault prognosis method and system for subsea production system of offshore oil | |
CN111008363A (zh) | 多变量因果驱动的复杂机电系统服役安全态势评估方法 | |
CN113687972B (zh) | 业务系统异常数据的处理方法、装置、设备及存储介质 | |
CN109728939A (zh) | 一种网络流量检测方法及装置 | |
CN112906957A (zh) | 基于遗传算法优化的bp神经网络输煤故障预测方法 | |
CN111861215A (zh) | 基于物联网的小区智能设备自主维护派单系统及派单方法 | |
CN116882756B (zh) | 基于区块链的电力安全管控方法 | |
CN117669888A (zh) | 一种二次供水远程监控系统 | |
Pazouki et al. | Condition based maintenance optimization of wind turbine system using degradation prediction | |
CN115577934B (zh) | 一种基于多智能体强化学习的应急方案更新方法及装置 | |
JP7062505B2 (ja) | 設備管理支援システム | |
EP4243347A1 (en) | Method for detecting anomalies in time series data produced by devices of an infrastructure in a network |
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 |