CN116151488B - 一种污染数据分析方法、系统及设备 - Google Patents
一种污染数据分析方法、系统及设备 Download PDFInfo
- Publication number
- CN116151488B CN116151488B CN202310416960.5A CN202310416960A CN116151488B CN 116151488 B CN116151488 B CN 116151488B CN 202310416960 A CN202310416960 A CN 202310416960A CN 116151488 B CN116151488 B CN 116151488B
- Authority
- CN
- China
- Prior art keywords
- migration
- pollution
- route
- determining
- target area
- 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 55
- 238000007405 data analysis Methods 0.000 title claims abstract description 21
- 238000013508 migration Methods 0.000 claims abstract description 159
- 230000005012 migration Effects 0.000 claims abstract description 159
- 230000007613 environmental effect Effects 0.000 claims abstract description 46
- 230000036541 health Effects 0.000 claims abstract description 34
- 238000012502 risk assessment Methods 0.000 claims abstract description 21
- 238000007621 cluster analysis Methods 0.000 claims abstract description 9
- 230000006378 damage Effects 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 99
- 238000000605 extraction Methods 0.000 claims description 41
- 210000002569 neuron Anatomy 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 32
- 238000012937 correction Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011109 contamination Methods 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 241000135164 Timea Species 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 229910001385 heavy metal Inorganic materials 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种污染数据分析方法、系统及设备,包括基于目标区域中预设的环境传感器获取所述目标区域的环境传感信息,并对所述环境传感信息进行聚类分析,确定所述环境传感信息对应的污染特征信息;基于所述污染特征信息根据预先构建的污染溯源模型,确定所述目标区域中污染源的迁移路线,其中,所述污染溯源模型基于组合神经网络模型构建,用于提取输入信息的特征,并根据所提取的特征进行预测;根据所述污染源的迁移路线以及污染源的属性信息,通过预先构建的风险评估模型确定所述目标区域的健康风险,所述风险评估模型用于评估所述目标区域的污染源对人体健康的危害风险。本公开的方法能够有效评估目标区域的污染源对人体健康的危害风险。
Description
技术领域
本公开涉及污染数据分析技术领域,尤其涉及一种污染数据分析方法、系统及设备。
背景技术
随着经济的可持续及快速发展,许多城市都在调整产业结构,城市的重工业污染,迫使一些企业面临关闭和搬迁,造成大量的遗留和废弃的工业场地。这些场地大多处于高污染、高风险状态,不仅会破坏水土环境以及空气环境,且在重新开发利用时还会对人体健康造成危害。为了调查明确污染场地状况,有必要进行污染场地风险评估和实地调查。近年来,土壤及地下水重金属污染因其来源广泛、形态多样、迁移转化复杂、恢复治理难度大等特征越来越受人们的重视。解决重金属污染问题的首要任务是摸清其污染现状和特征,确定其污染源,进而从源头上加以控制。
然而现有技术往往只是单纯地分析目标区域中污染物的占比、类别等信息,但是并不进一步确定污染源的路线迁移情况,难以从源头分析污染造成的原因以及其传播路线。此外,单纯地从污染的角度分析,难以反映到污染对居住环境或者人体的健康危害程度,应用场景不够广泛。
发明内容
本公开实施例提供一种污染数据分析方法、系统及设备,能够至少解决现有技术中部分问题,也即,解决现有技术对污染分析角度单一、难以解决污染迁移的情况以及无法评估其对人体健康的危害情况。
本公开实施例的第一方面,
提供一种污染数据分析方法,包括:
基于目标区域中预设的环境传感器获取所述目标区域的环境传感信息,并对所述环境传感信息进行聚类分析,确定所述环境传感信息对应的污染特征信息;
基于所述污染特征信息根据预先构建的污染溯源模型,确定所述目标区域中污染源的迁移路线,其中,所述污染溯源模型基于组合神经网络模型构建,用于提取输入信息的特征,并根据所提取的特征进行预测;
根据所述污染源的迁移路线以及污染源的属性信息,通过预先构建的风险评估模型确定所述目标区域的健康风险,其中,所述风险评估模型用于评估所述目标区域的污染源对人体健康的危害风险。
在一种可选的实施方式中,
所述污染溯源模型包括特征提取模型和预测模型,
所述基于所述污染特征信息根据预先构建的污染溯源模型,确定所述目标区域中污染源的迁移路线之前,所述方法还包括训练污染溯源模型:
基于预先获取的训练样本输入所述特征提取模型,确定所述训练样本经过所述特征提取模型中每一层网络对应的概率分布值;
迭代更新所述特征提取模型的模型参数,以使所述特征提取模型的能量函数的能量函数值最小,确保所述概率分布值与预先确定的边缘概率分布值的差值处于预设阈值范围,其中,所述边缘概率分布值用于指示所述特征提取模型中相邻网络层之间的条件概率值;
通过迭代更新完成的特征提取模型提取训练样本的训练特征信息,并输入所述预测模型中,根据所述预测模型的输出数据与所述训练样本中的验证数据的预测误差构建预测损失函数,对所述预测损失函数进行残差映射并通过反向传播算法将所述预测误差迭代传递至所述预测模型的每一层网络中,直至所述预测误差小于或者等于基本预设精度要求对应的误差阈值。
在一种可选的实施方式中,
所述特征提取模型包括通过全连接方式连接的隐藏层和卷积层,
所述特征提取模型的能量函数如下公式所示:其中,E表示能量函数值,N、M分别表示隐藏层的神经元数量和卷积层的神经元数量,a i 、b j 分别表示隐藏层的第i个偏置参数和卷积层的第j个偏置参数,v i 、h j 分别表示隐藏层的第i个神经元和卷积层的第j个神经元,w ij 表示隐藏层的第i个神经元与卷积层的第j个神经元的连接权重;
所述预测模型的损失函数如下公式所示:其中,K表示迭代次数,Y k 、O k 分别表示第k次迭代预测模型的输出数据和第k次迭代训练样本中的验证数据,F(Y k -O k )表示对预测误差(Y k -O k )进行残差映射,R k 、R k-1 分别表示第k次迭代和第k-1次迭代的残差权重,g表示学习率。
在一种可选的实施方式中,
所述确定所述目标区域中污染源的迁移路线的方法包括:
根据所述污染特征信息随机生成所述目标区域中污染源的随机迁移路线,构建初始迁移变量集合;
基于预设的路线修正函数对所述初始迁移变量集合进行路线修正,确定所述初始迁移变量集合上一时刻对应的第一后验迁移变量集合;
按照预设的路线预测函数根据所述第一后验迁移变量集合进行迁移路线预测,确定当前时刻的第一先验迁移变量集合;
通过所述路线修正函数与所述路线预测函数,对多个所述第一后验迁移变量集合以及多个所述第一先验迁移变量集合进行迭代更新直至最后时刻,确定最后时刻对应的预测迁移变量集合;
将所述预测迁移变量集合作为初始搜索位置,并初始化目标搜索函数的搜索参数,根据所述目标搜索函数确定所述初始搜索位置对应的最优位置概率,并将所述最优位置概率与位置切换概率进行比较,根据比较结果迭代更新搜索位置,直至满足迭代条件,输出目标区域中污染源的迁移路线,其中,所述位置切换概率根据所述最优位置概率动态调整。
在一种可选的实施方式中,
所述基于预设的路线修正函数对所述初始迁移变量集合进行路线修正包括:
按照如下公式进行路线修正:其中,X t-1,u 表示第一后验迁移变量集合,X 0,u 表示初始时刻初始迁移变量集合,K t 表示t时刻对应的卡尔曼增益矩阵,Z t,u 表示t时刻初始后验迁移变量集合的第u个迁移变量,e t,u 表示t时刻初始后验迁移变量集合第u个迁移变量的随机误差值,R t 表示t时刻的随机误差协方差矩阵,H (X 0,u )表示对初始时刻初始迁移变量集合的映射函数;
所述按照预设的路线预测函数根据所述第一后验迁移变量集合进行迁移路线预测包括:
在一种可选的实施方式中,
所述根据所述目标搜索函数确定所述初始搜索位置对应的最优位置概率包括:
按照如下公式所示的方法确定最优位置概率:其中,Q 0 表示初始搜索位置对应的最优位置概率,I max 表示最大迭代次数,F(.)表示目标搜索函数,NF 0 表示初始种群规模,c i 表示第i次迭代的感知形态值,/>表示第i次迭代幂指数为s的刺激强度,X T,U 表示预测迁移变量集合;
所述方法还包括按照如下公式确定位置切换概率:其中,Q i 表示第i次迭代时的位置切换概率,Q max 、Q min 分别表示位置切换概率的最大值和最小值,I max 表示最大迭代次数,F max,i 、F min,i 分别表示在第i次迭代时目标搜索函数的最大值和目标搜索函数的最小值,F i 表示第i次迭代时目标搜索函数的值。
在一种可选的实施方式中,
所述根据所述污染源的迁移路线以及污染源的属性信息,通过预先构建的风险评估模型确定所述目标区域的健康风险包括:
根据所述污染源的迁移路线,将所述目标区域进行网格划分,确定每一网格中污染源的占比;
基于所述每一网格中污染源的占比,以及所述污染源的属性信息,确定所述每一网格中污染源的环境风险因子;
通过预先构建的风险评估模型,结合所述污染源的迁移路线、所述污染源的属性信息,以及所述每一网格中污染源的环境风险因子,确定所述目标区域的健康风险。
在一种可选的实施方式中,
所述确定所述目标区域的健康风险包括:
按照如下公式确定所述健康风险:其中,RISK表示健康风险,X T,U 表示预测迁移变量集合,m、n分别表示污染源的种类以及网格的数量,C ij 表示第i种污染源对第j个网格的环境风险因子,con ij 表示第i种污染源对第j个网格的污染贡献度,T R 表示污染源对目标区域的环境危害系数的均值,RI ij 表示第i种污染源在第j个网格中不确定值,E r 表示偏差值。
本公开实施例的第二方面,
提供一种污染数据分析系统,包括:
第一单元,用于基于目标区域中预设的环境传感器获取所述目标区域的环境传感信息,并对所述环境传感信息进行聚类分析,确定所述环境传感信息对应的污染特征信息;
第二单元,用于基于所述污染特征信息根据预先构建的污染溯源模型,确定所述目标区域中污染源的迁移路线,其中,所述污染溯源模型基于组合神经网络模型构建,用于提取输入信息的特征,并根据所提取的特征进行预测;
第三单元,用于根据所述污染源的迁移路线以及污染源的属性信息,通过预先构建的风险评估模型确定所述目标区域的健康风险,其中,所述风险评估模型用于评估所述目标区域的污染源对人体健康的危害风险;
还包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行所述污染数据分析方法。
本公开实施例的第三方面,
提供一种污染数据分析设备,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本申请的污染数据分析方法在各待识别变量的取值区间内进行快速地粗略搜素,以粗选出一组初步的待识别变量辨识结果,作为后续搜索过程的起步条件,为优化方法快速地提供一个更好的初始点;在此基础上,再采用优化方法进行精细化搜索,以优选出最终的待识别变量辦识结果;
在组合搜索方法中,一方面,利用集合卡尔曼滤波方法为优化方法快速地提供一个更好的初始点:另一方面,又可以利用优化方法弥补集合卡尔曼滤波方法处理强非线性反问题时精细化搜索能力弱的短板,二者的有效融合将会进一步提高辨识精度和成效。
对预测损失函数进行残差映射,在参数更新过程中, 每一层都可以通过跃层映射直接传播到高层,一定程度上解决了网络退化问题;在反向传播过程中,其误差不仅可以沿着网络的主干路进行逐层的反向传播, 而且还可以通过残差映射的短路连接路径,直接跳过中间层传至低层,实现更为高效地反向传播,从而提高了参数的更新效率,这也一定程度上解决了由于网络层数加深而带来的梯度消失问题。
附图说明
图1为本公开实施例污染数据分析方法的流程示意图;
图2为本公开实施例污染数据分析系统的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本公开实施例污染数据分析方法的流程示意图,如图1所示,所述方法包括:
S101. 基于目标区域中预设的环境传感器获取所述目标区域的环境传感信息,并对所述环境传感信息进行聚类分析,确定所述环境传感信息对应的污染特征信息;
示例性地,可以在目标区域中设置多个环境传感器用于获取目标区域中环境传感信息,其中,环境传感信息可以包括:地下土壤重金属含量、水质等用于表征当前环境的信息,通过对环境传感信息进行聚类分析,能够确定环境传感信息对应的污染特征信息,其中,聚类分析的方法可以包括k-means聚类算法,本申请实施例对此并不进行限定。
S102. 基于所述污染特征信息根据预先构建的污染溯源模型,确定所述目标区域中污染源的迁移路线;
示例性地,本申请的污染溯源模型可以包括特征提取模型和预测模型,其中,特征提取模型用于将污染特征信息中重要的特征进行进一步提取,用于后续污染源的迁移路线分析,降低数据处理量;预测模型用于结合特征提取模型所提取的特征进行污染源的迁移路线预测,用于从源头或者从迁移路线中隔绝污染。
在一种可选的实施方式中,
所述污染溯源模型包括特征提取模型和预测模型,
所述基于所述污染特征信息根据预先构建的污染溯源模型,确定所述目标区域中污染源的迁移路线之前,所述方法还包括训练污染溯源模型:
基于预先获取的训练样本输入所述特征提取模型,确定所述训练样本经过所述特征提取模型中每一层网络对应的概率分布值;
迭代更新所述特征提取模型的模型参数,以使所述特征提取模型的能量函数的能量函数值最小,确保所述概率分布值与预先确定的边缘概率分布值的差值处于预设阈值范围,其中,所述边缘概率分布值用于指示所述特征提取模型中相邻网络层之间的条件概率值;
通过迭代更新完成的特征提取模型提取训练样本的训练特征信息,并输入所述预测模型中,根据所述预测模型的输出数据与所述训练样本中的验证数据的预测误差构建预测损失函数,对所述预测损失函数进行残差映射并通过反向传播算法将所述预测误差迭代传递至所述预测模型的每一层网络中,直至所述预测误差小于或者等于基本预设精度要求对应的误差阈值(即此时认定满足基本预设精度要求)。
示例性地,本申请的污染溯源模型可以基于深度神经网络构建,具体地,污染溯源模型可以包括特征提取模型和预测模型,其中,特征提取模型用于提取输入污染溯源模型的输入信息的特征,预测模型根据特征提取模型所提取的特征预测污染源的迁移路线。
其中,本申请污染溯源模型的特征提取模型可以包括隐藏层和卷积层,隐藏层对应的神经元可以表示为V=[v 1 ,v 2 ,…,v n ],卷积层对应的神经元可以表示为H=[h 1 ,h 2 ,…, h m ],其中,确定所述训练样本经过所述特征提取模型中每一层网络对应的概率分布值可以包括隐藏层对应的第一概率分布值和卷积层对应的第二概率分布值;具体地,确定第一概率分布值和第二概率分布值的方法可以如下公式所示:其中,P(V)表示第一概率分布值,/>表示对网络参数/>进行归一化,/> w、a、b分别表示隐藏层与卷积层的连接权重、隐藏层的偏置参数、卷积层的偏置参数;N、M分别表示隐藏层的神经元数量和卷积层的神经元数量,v i 表示隐藏层的第i个神经元,r i 表示隐藏层的第i个神经元对应的容忍度,w ij 表示隐藏层的第i个神经元与卷积层的第j个神经元的连接权重;/>其中,P(H)表示第二概率分布值,N、M分别表示隐藏层的神经元数量和卷积层的神经元数量,h j 表示卷积层的第j个神经元,w ij 表示隐藏层的第i个神经元与卷积层的第j个神经元的连接权重, r j 表示卷积层的第j个神经元对应的容忍度。
本申请的能量函数能够用于指示特征提取模型所提取到的特征值与输入信息实际的特征信息的逼近程度,能量函数的能量函数值越小,特征提取模型所提取到的特征值与输入信息实际的特征信息越逼近。具体地,本申请的能量函数如下公式所示:其中,E表示能量函数值,N、M分别表示隐藏层的神经元数量和卷积层的神经元数量,a i 、b j 分别表示隐藏层的第i个偏置参数和卷积层的第j个偏置参数,v i 、h j 分别表示隐藏层的第i个神经元和卷积层的第j个神经元,w ij 表示隐藏层的第i个神经元与卷积层的第j个神经元的连接权重。
迭代更新所述特征提取模型的模型参数,以使所述特征提取模型的能量函数的能量函数值最小,确保所述概率分布值与预先确定的边缘概率分布值的差值处于预设阈值范围,其中,预先确定的边缘概率分布值可以根据用户实际需要或者网络的参数设定,本申请对此并不进行限定。
通过上述迭代更新所述特征提取模型的模型参数,能够保证特征提取模型中每个参数处于最优状态,但是无法保证污染溯源模型的参数都是最优的,还需要进一步训练预测模型,其中,训练预测模型的方法可以包括:
根据所述预测模型的输出数据与所述训练样本中的验证数据的预测误差构建预测损失函数,对所述预测损失函数进行残差映射并通过反向传播算法将所述预测误差迭代传递至所述预测模型的每一层网络中,直至所述预测误差小于或者等于基本预设精度要求对应的误差阈值。
具体地,可以将特征提取模型提取训练样本的训练特征信息输入预测模型中,确定预测模型的输出数据与所述训练样本中的验证数据的预测误差,并通过反向传播算法将所述预测误差迭代传递至所述预测模型的每一层网络中。但是实际应用中,神经网络的层数越多,容量越大,其非线性表达能力应越强,预测精度越高,如果仅是对神经网络层进行简单的堆叠,深度到了一定程度之后,其性能并不会一直提高,预测精度可能会下降,有时还会出现梯度消失的现象;针对上述问题,对预测损失函数进行残差映射,在参数更新过程中, 每一层都可以通过跃层映射直接传播到高层,一定程度上解决了网络退化问题;在反向传播过程中,其误差不仅可以沿着网络的主干路进行逐层的反向传播, 而且还可以通过残差映射的短路连接路径,直接跳过中间层传至低层,实现更为高效地反向传播,从而提高了参数的更新效率,这也一定程度上解决了由于网络层数加深而带来的梯度消失问题。
其中,损失函数如下公式所示:其中,K表示迭代次数,Y k 、O k 分别表示第k次迭代预测模型的输出数据和第k次迭代训练样本中的验证数据,F(Y k -O k )表示对预测误差(Y k -O k )进行残差映射,R k 、R k-1 分别表示第k次迭代和第k-1次迭代的残差权重,g表示学习率。
示例性地,本申请的训练样本可以包括400组训练数据和60组检验样本,对污染溯源模型加以训练及检验,最终完成污染溯源模型的构建。本申请的污染溯源模型共设置为8层,包括1个输入层,3个隐藏层、3个卷积层和1个输出层。其中,隐藏层和卷积层的神经元个数依次设置为150和100。 此外,污染溯源模型的初始学习率设置为0.005,权重衰减系数设置为0.0008。上述参数只是示例性设置,本申请实施例对污染溯源模型的具体参数值并不进行限定。
S103. 根据所述污染源的迁移路线以及污染源的属性信息,通过预先构建的风险评估模型确定所述目标区域的健康风险。
示例性地,污染源的属性信息可以包括污染源的种类、污染源的衰减值、污染源的扩散值中至少一种,污染源的属性信息能够用于表征其对环境或者人体健康的危害程度。本申请的风险评估模型能够根据污染源的迁移路线以及污染源的属性信息,确定目标区域的健康风险,根据健康风险规划目标区域的用途。
在一种可选的实施方式中,
所述确定所述目标区域中污染源的迁移路线的方法包括:
根据所述污染特征信息随机生成所述目标区域中污染源的随机迁移路线,构建初始迁移变量集合;
基于预设的路线修正函数对所述初始迁移变量集合进行路线修正,确定所述初始迁移变量集合上一时刻对应的第一后验迁移变量集合;
按照预设的路线预测函数根据所述第一后验迁移变量集合进行迁移路线预测,确定当前时刻的第一先验迁移变量集合;
通过所述路线修正函数与所述路线预测函数,对多个所述第一后验迁移变量集合以及多个所述第一先验迁移变量集合进行迭代更新直至最后时刻,确定最后时刻对应的预测迁移变量集合;
将所述预测迁移变量集合作为初始搜索位置,并初始化目标搜索函数的搜索参数,根据所述目标搜索函数确定所述初始搜索位置对应的最优位置概率,并将所述最优位置概率与位置切换概率进行比较,根据比较结果迭代更新搜索位置,直至满足迭代条件,输出目标区域中污染源的迁移路线,其中,所述位置切换概率根据所述最优位置概率动态调整。
示例性地,可以根据所述污染特征信息随机生成所述目标区域中污染源的随机迁移路线,构建初始迁移变量集合;
基于预设的路线修正函数对所述初始迁移变量集合进行路线修正,其中,路线修正函数用于路线修正,使得最后得到的迁移路线符合实际迁移情况,并且将初始迁移变量集合每个迁移变量修正为趋近于目标值。具体地,路线修正函数如下公式所示:其中,X t-1,u 表示第一后验迁移变量集合,X 0,u 表示初始时刻初始迁移变量集合,K t 表示t时刻对应的卡尔曼增益矩阵,Z t,u 表示t时刻初始后验迁移变量集合的第u个迁移变量,e t,u 表示t时刻初始后验迁移变量集合第u个迁移变量的随机误差值,R t 表示t时刻的随机误差协方差矩阵,H(X 0,u )表示对初始时刻初始迁移变量集合的映射函数。
接着按照预设的路线预测函数进行迁移路线预测,确定当前时刻的第一先验迁移变量集合,其中,路线预测函数如下公式所示:其中,Y(X t-1,u )表示根据第一后验迁移变量集合进行迁移路线预测,X t,u 表示当前时刻的第一先验迁移变量集合。
通过所述路线修正函数与所述路线预测函数,对多个所述第一后验迁移变量集合以及多个所述第一先验迁移变量集合进行迭代更新直至最后时刻,确定最后时刻对应的预测迁移变量集合X T,U =[x 0,1 ,x 0,2 ,…,x t,u ],x t,u 表示最后T时刻预测迁移变量集合中第U个迁移变量,其中,最后时刻可以是根据实际需求所选定的,本申请对此并不进行限定。
本申请通过位置寻优算法进行全局搜索,并且引入动态调整位置切换概率,一定程度上避免搜索过程陷入局部最优,提高求解精度。示例性地,本申请的位置寻优算法可以包括启发式算法,例如遗传算法、蚁群优化算法、粒子群优化算法等,本申请对此并不进行限定。具体地,可以将预测迁移变量集合作为初始搜索位置,并初始化目标搜索函数的搜索参数,其中,目标搜索函数的搜索参数可以包括初始种群大小、最大迭代次数、切换概率,感知形态和幂指数等,通过目标搜索函数确定所述初始搜索位置对应的最优位置概率,其中,确定初始搜索位置对应的最优位置概率如下公式所示:其中,Q 0 表示初始搜索位置对应的最优位置概率,I max 表示最大迭代次数,F(.)表示目标搜索函数,NF 0 表示初始种群规模,c i 表示第i次迭代的感知形态值,/>表示第i次迭代幂指数为s的刺激强度,X T,U 表示预测迁移变量集合。
本申请确定位置切换概率的方法如下公式所示:其中,Q i 表示第i次迭代时的位置切换概率,Q max 、Q min 分别表示位置切换概率的最大值和最小值,I max 表示最大迭代次数,F max,i 、F min,i 分别表示在第i次迭代时目标搜索函数的最大值和目标搜索函数的最小值,F i 表示第i次迭代时目标搜索函数的值。
将最优位置概率与位置切换概率进行比较,其中,本申请的位置切换概率根据所述最优位置概率动态调整,位置切换概率可以在全局搜索与局部搜索之间进行切换,位置切换概率越大,进行全局搜索的概率越大;反之,位置切换概率越小,进行局部搜索的概率越大。现有技术往往是将位置切换概率设置为一个定值,然而,如果位置切换概率的设置不恰当,很容易导致算法陷入局部最优,很难快速搜索到全局最优解。
本申请的位置切换概率随着迭代的进行自适应地减小,在迭代前期,位置切换概率较大,算法将以较大概率进行全局搜索,提高搜索的遍历性;在迷代后期,位置切换概率较小,算法将以较大概率进行局部搜索,一定程度上避免搜索过程陷入局部最优,提高求解精度。
根据比较结果迭代更新搜索位置,直至满足迭代条件,输出目标区域中污染源的迁移路线可以包括:
若所述最优位置概率小于所述位置切换概率,则执行全局搜索,并按照如下公式更新位置:其中,POS i,k+1 表示第i次迭代时第k+1个位置,I max 表示最大迭代次数,POS i,k 表示第i次迭代时第k个位置,F i 表示第i次迭代时目标搜索函数的值,random表示随机数,POS i,best 表示第i次迭代时最优位置;
若所述最优位置概率大于所述位置切换概率,则执行局部搜索,并按照如下公式更新位置:其中,POS i,k+1 表示第i次迭代时第k+1个位置,I max 表示最大迭代次数,POS i,k 表示第i次迭代时第k个位置,F i 表示第i次迭代时目标搜索函数的值,POS i,k 表示第i次迭代时第k个位置,POS i,random 表示第i次迭代时随机位置。
在一种可选的实施方式中,
所述根据所述污染源的迁移路线以及污染源的种类,通过预先构建的风险评估模型确定所述目标区域的健康风险包括:
根据所述污染源的迁移路线,将所述目标区域进行网格划分,确定每一网格中污染源的占比;
基于所述每一网格中污染源的占比,以及所述污染源的属性信息,确定所述每一网格中污染源的环境风险因子;
通过预先构建的风险评估模型,结合所述污染源的迁移路线、所述污染源的属性信息,以及所述每一网格中污染源的环境风险因子,确定所述目标区域的健康风险。
示例性地,可以根据污染源的迁移路线,将目标区域进行网格划分,确定每一网格中污染源的占比,实际应用中,不同网格的污染源的占比不同,其中,污染源迁移所流经的网格污染源占比更高,对此可以分配对应的环境风险因子,其中,环境风险因子可以由污染源的占比以及污染源的属性信息共同确定,具体地,占比越高,且污染源的属性信息中扩散值越高且衰减值越小的环境风险因子越高,环境风险因子与污染源的属性信息以及污染源占比成正比关系。
在一种可选的实施方式中,
所述确定所述目标区域的健康风险包括:
按照如下公式确定所述健康风险:其中,RISK表示健康风险,X T,U 表示预测迁移变量集合,m、n分别表示污染源的种类以及网格的数量,C ij 表示第i种污染源对第j个网格的环境风险因子,con ij 表示第i种污染源对第j个网格的污染贡献度,T R 表示污染源对目标区域的环境危害系数的均值,RI ij 表示第i种污染源在第j个网格中不确定值,E r 表示偏差值。
本公开实施例的第二方面,
提供一种污染数据分析系统,图2为本公开实施例污染数据分析系统的结构示意图,包括:
第一单元,用于基于目标区域中预设的环境传感器获取所述目标区域的环境传感信息,并对所述环境传感信息进行聚类分析,确定所述环境传感信息对应的污染特征信息;
第二单元,用于基于所述污染特征信息根据预先构建的污染溯源模型,确定所述目标区域中污染源的迁移路线,其中,所述污染溯源模型基于组合神经网络模型构建,用于提取输入信息的特征,并根据所提取的特征进行预测;
第三单元,用于根据所述污染源的迁移路线以及污染源的属性信息,通过预先构建的风险评估模型确定所述目标区域的健康风险,其中,所述风险评估模型用于评估所述目标区域的污染源对人体健康的危害风险;
还包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行所述污染数据分析方法。
本公开实施例的第三方面,
提供一种污染数据分析设备,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (8)
1.一种污染数据分析方法,其特征在于,包括:
基于目标区域中预设的环境传感器获取所述目标区域的环境传感信息,并对所述环境传感信息进行聚类分析,确定所述环境传感信息对应的污染特征信息;
基于所述污染特征信息根据预先构建的污染溯源模型,确定所述目标区域中污染源的迁移路线,其中,所述污染溯源模型基于组合神经网络模型构建,用于提取输入信息的特征,并根据所提取的特征进行预测;
所述确定所述目标区域中污染源的迁移路线的方法包括:
根据所述污染特征信息随机生成所述目标区域中污染源的随机迁移路线,构建初始迁移变量集合;
基于预设的路线修正函数对所述初始迁移变量集合进行路线修正,确定所述初始迁移变量集合上一时刻对应的第一后验迁移变量集合;
按照预设的路线预测函数根据所述第一后验迁移变量集合进行迁移路线预测,确定当前时刻的第一先验迁移变量集合;
通过所述路线修正函数与所述路线预测函数,对多个所述第一后验迁移变量集合以及多个所述第一先验迁移变量集合进行迭代更新直至最后时刻,确定最后时刻对应的预测迁移变量集合;
将所述预测迁移变量集合作为初始搜索位置,并初始化目标搜索函数的搜索参数,根据所述目标搜索函数确定所述初始搜索位置对应的最优位置概率,并将所述最优位置概率与位置切换概率进行比较,根据比较结果迭代更新搜索位置,直至满足迭代条件,输出目标区域中污染源的迁移路线,其中,所述位置切换概率根据所述最优位置概率动态调整;
所述基于预设的路线修正函数对所述初始迁移变量集合进行路线修正包括:
按照如下公式进行路线修正:其中,X t-1,u 表示第一后验迁移变量集合,X 0,u 表示初始时刻初始迁移变量集合,K t 表示t时刻对应的卡尔曼增益矩阵,Z t,u 表示t时刻初始后验迁移变量集合的第u个迁移变量,e t,u 表示t时刻初始后验迁移变量集合第u个迁移变量的随机误差值,R t 表示t时刻的随机误差协方差矩阵,H (X 0,u )表示对初始时刻初始迁移变量集合的映射函数;
所述按照预设的路线预测函数根据所述第一后验迁移变量集合进行迁移路线预测包括:
根据所述污染源的迁移路线以及污染源的属性信息,通过预先构建的风险评估模型确定所述目标区域的健康风险,其中,所述风险评估模型用于评估所述目标区域的污染源对人体健康的危害风险。
2.根据权利要求1所述的方法,其特征在于,所述污染溯源模型包括特征提取模型和预测模型,
所述基于所述污染特征信息根据预先构建的污染溯源模型,确定所述目标区域中污染源的迁移路线之前,所述方法还包括训练污染溯源模型:
基于预先获取的训练样本输入所述特征提取模型,确定所述训练样本经过所述特征提取模型中每一层网络对应的概率分布值;
迭代更新所述特征提取模型的模型参数,以使所述特征提取模型的能量函数的能量函数值最小,确保所述概率分布值与预先确定的边缘概率分布值的差值处于预设阈值范围,其中,所述边缘概率分布值用于指示所述特征提取模型中相邻网络层之间的条件概率值;
通过迭代更新完成的特征提取模型提取训练样本的训练特征信息,并输入所述预测模型中,根据所述预测模型的输出数据与所述训练样本中的验证数据的预测误差构建预测损失函数,对所述预测损失函数进行残差映射并通过反向传播算法将所述预测误差迭代传递至所述预测模型的每一层网络中,直至所述预测误差小于或者等于基本预设精度要求对应的误差阈值。
3.根据权利要求2所述的方法,其特征在于,所述特征提取模型包括通过全连接方式连接的隐藏层和卷积层,
所述特征提取模型的能量函数如下公式所示:其中,E表示能量函数值,N、M分别表示隐藏层的神经元数量和卷积层的神经元数量,a i 、b j 分别表示隐藏层的第i个偏置参数和卷积层的第j个偏置参数,v i 、h j 分别表示隐藏层的第i个神经元和卷积层的第j个神经元,w ij 表示隐藏层的第i个神经元与卷积层的第j个神经元的连接权重;
4.根据权利要求1所述的方法,其特征在于,
所述根据所述目标搜索函数确定所述初始搜索位置对应的最优位置概率包括:
按照如下公式所示的方法确定最优位置概率:其中,Q 0 表示初始搜索位置对应的最优位置概率,I max 表示最大迭代次数,F(.)表示目标搜索函数,NF 0 表示初始种群规模,c i 表示第i次迭代的感知形态值,/>表示第i次迭代幂指数为s的刺激强度,X T,U 表示预测迁移变量集合;
5.据权利要求1所述的方法,其特征在于,所述根据所述污染源的迁移路线以及污染源的属性信息,通过预先构建的风险评估模型确定所述目标区域的健康风险包括:
根据所述污染源的迁移路线,将所述目标区域进行网格划分,确定每一网格中污染源的占比;
基于所述每一网格中污染源的占比,以及所述污染源的属性信息,确定所述每一网格中污染源的环境风险因子;
通过预先构建的风险评估模型,结合所述污染源的迁移路线、所述污染源的属性信息,以及所述每一网格中污染源的环境风险因子,确定所述目标区域的健康风险。
7.一种污染数据分析系统,其特征在于,包括:
第一单元,用于基于目标区域中预设的环境传感器获取所述目标区域的环境传感信息,并对所述环境传感信息进行聚类分析,确定所述环境传感信息对应的污染特征信息;
第二单元,用于基于所述污染特征信息根据预先构建的污染溯源模型,确定所述目标区域中污染源的迁移路线,其中,所述污染溯源模型基于组合神经网络模型构建,用于提取输入信息的特征,并根据所提取的特征进行预测;
所述第二单元还用于:
根据所述污染特征信息随机生成所述目标区域中污染源的随机迁移路线,构建初始迁移变量集合;
基于预设的路线修正函数对所述初始迁移变量集合进行路线修正,确定所述初始迁移变量集合上一时刻对应的第一后验迁移变量集合;
按照预设的路线预测函数根据所述第一后验迁移变量集合进行迁移路线预测,确定当前时刻的第一先验迁移变量集合;
通过所述路线修正函数与所述路线预测函数,对多个所述第一后验迁移变量集合以及多个所述第一先验迁移变量集合进行迭代更新直至最后时刻,确定最后时刻对应的预测迁移变量集合;
将所述预测迁移变量集合作为初始搜索位置,并初始化目标搜索函数的搜索参数,根据所述目标搜索函数确定所述初始搜索位置对应的最优位置概率,并将所述最优位置概率与位置切换概率进行比较,根据比较结果迭代更新搜索位置,直至满足迭代条件,输出目标区域中污染源的迁移路线,其中,所述位置切换概率根据所述最优位置概率动态调整;
所述第二单元还用于:
按照如下公式进行路线修正:其中,X t-1,u 表示第一后验迁移变量集合,X 0,u 表示初始时刻初始迁移变量集合,K t 表示t时刻对应的卡尔曼增益矩阵,Z t,u 表示t时刻初始后验迁移变量集合的第u个迁移变量,e t,u 表示t时刻初始后验迁移变量集合第u个迁移变量的随机误差值,R t 表示t时刻的随机误差协方差矩阵,H(X 0,u )表示对初始时刻初始迁移变量集合的映射函数;
所述按照预设的路线预测函数根据所述第一后验迁移变量集合进行迁移路线预测包括:
第三单元,用于根据所述污染源的迁移路线以及污染源的属性信息,通过预先构建的风险评估模型确定所述目标区域的健康风险,其中,所述风险评估模型用于评估所述目标区域的污染源对人体健康的危害风险;
还包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至6中任意一项所述的方法。
8.一种污染数据分析设备,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310416960.5A CN116151488B (zh) | 2023-04-19 | 2023-04-19 | 一种污染数据分析方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310416960.5A CN116151488B (zh) | 2023-04-19 | 2023-04-19 | 一种污染数据分析方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116151488A CN116151488A (zh) | 2023-05-23 |
CN116151488B true CN116151488B (zh) | 2023-07-04 |
Family
ID=86350984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310416960.5A Active CN116151488B (zh) | 2023-04-19 | 2023-04-19 | 一种污染数据分析方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151488B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362569B (zh) * | 2023-06-02 | 2023-08-01 | 北京建工环境修复股份有限公司 | 一种场地污染的多维度评估方法及系统 |
CN116773781B (zh) * | 2023-08-18 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种用于土壤中全氟化合物的污染分析方法、系统及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010064002A (ja) * | 2008-09-10 | 2010-03-25 | Kokusai Environmental Solutions Co Ltd | 地下水汚染発生リスクの推定方法 |
CN108932978B (zh) * | 2018-07-10 | 2022-06-07 | 南京大学 | 基于过程模拟及不确定性分析的污染物健康风险评价方法 |
CN109765337A (zh) * | 2018-12-28 | 2019-05-17 | 北京英视睿达科技有限公司 | 一种污染源识别方法及其系统 |
CN112304813B (zh) * | 2020-10-16 | 2023-09-01 | 南开大学 | 一种大气颗粒物健康风险来向源解析方法 |
CN115906626A (zh) * | 2022-11-14 | 2023-04-04 | 吉林建筑大学 | 一种基于人工智能的地下水有机污染互馈反演溯源方法 |
-
2023
- 2023-04-19 CN CN202310416960.5A patent/CN116151488B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116151488A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116151488B (zh) | 一种污染数据分析方法、系统及设备 | |
Asadi et al. | A new hybrid artificial neural networks for rainfall–runoff process modeling | |
CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
CN112581263A (zh) | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
CN112884130A (zh) | 一种基于SeqGAN的深度强化学习数据增强防御方法和装置 | |
CN111598213B (zh) | 网络训练方法、数据识别方法、装置、设备和介质 | |
CN110232444B (zh) | 地质监测bp神经网络的优化方法、装置、设备及存储介质 | |
White et al. | Exploring the loss landscape in neural architecture search | |
CN110991568A (zh) | 目标识别方法、装置、设备和存储介质 | |
CN112699941B (zh) | 植物病害严重程度图像分类方法、装置、设备和存储介质 | |
CN114821204B (zh) | 一种基于元学习嵌入半监督学习图像分类方法与系统 | |
CN110858805A (zh) | 小区网络流量预测方法及装置 | |
Hysen et al. | Background sampling for multi-scale ensemble habitat selection modeling: Does the number of points matter? | |
CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
Pandit et al. | Prediction of earthquake magnitude using soft computing techniques: ANN and ANFIS | |
Sánchez et al. | Obtaining transparent models of chaotic systems with multi-objective simulated annealing algorithms | |
CN111957053A (zh) | 游戏玩家匹配方法、装置、存储介质与电子设备 | |
CN115345303A (zh) | 卷积神经网络权重调优方法、装置、存储介质和电子设备 | |
CN111062477B (zh) | 一种数据处理方法、装置及存储介质 | |
JP2022088341A (ja) | 機器学習装置及び方法 | |
Luong et al. | Lightweight multi-objective evolutionary neural architecture search with low-cost proxy metrics | |
CN113376160A (zh) | 一种扫地机器人针对动物排泄物的识别及处理方法和装置 | |
CN112348656A (zh) | 一种基于ba-wnn的个人贷款信用评分方法 | |
CN114238428B (zh) | 一种城市动态地理画像生成方法以及装置 |
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 |