CN116629600A - 风险评估方法及电子设备 - Google Patents
风险评估方法及电子设备 Download PDFInfo
- Publication number
- CN116629600A CN116629600A CN202310472909.6A CN202310472909A CN116629600A CN 116629600 A CN116629600 A CN 116629600A CN 202310472909 A CN202310472909 A CN 202310472909A CN 116629600 A CN116629600 A CN 116629600A
- Authority
- CN
- China
- Prior art keywords
- risk
- real
- time
- determining
- 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.)
- Pending
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000007717 exclusion Effects 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- 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
- G06Q50/265—Personal security, identity or safety
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种风险评估方法及电子设备，所述方法包括：收集目标区域的历史事故数据，基于所述历史事故数据构建风险指标体系，根据所述风险指标体系采集所述目标区域的实时风险指标数据；基于所述风险指标体系与所述实时风险指标数据，确定所述目标区域的实时风险得分；根据预先确定的多个风险等级对应的多个数值范围，确定所述实时风险得分对应的初始风险等级；确定所述初始风险等级对应的预设可变模糊集算法的隶属度计算规则，基于所述隶属度计算规则确定所述目标区域的目标风险等级。本申请能够辅助进行风险评估，提高对风险评估的准确性。
Description
技术领域
本申请涉及安全技术领域，特别是指一种风险评估方法及电子设备。
背景技术
现有的风险评估方法主要为定性化评估方法，缺乏对风险影响因素的全面调查分析与定量化评估，难以满足复杂综合城市场景下的风险评估对准确性和定量化的高要求。
发明内容
鉴于以上内容，有必要提供一种风险评估方法及电子设备，能够对风险影响因素进行全面调查分析与定量化评估，提高复杂综合城市场景下的风险评估的准确性。
所述风险评估方法包括：收集目标区域的历史事故数据，基于所述历史事故数据构建风险指标体系，根据所述风险指标体系采集所述目标区域的实时风险指标数据；基于所述风险指标体系与所述实时风险指标数据，确定所述目标区域的实时风险得分；根据预先确定的多个风险等级对应的多个数值范围，确定所述实时风险得分对应的初始风险等级；确定所述初始风险等级对应的预设可变模糊集算法的隶属度计算规则，基于所述隶属度计算规则确定所述目标区域的目标风险等级。
在一个实施例中，所述基于所述历史事故数据构建风险指标体系包括：基于所述历史事故数据采集历史风险指标数据，计算所述历史风险指标数据之间的皮尔逊相关系数，其中，所述风险指标体系包括风险发生可能性指标与风险发生后果指标；基于所述皮尔逊相关系数的值对所述历史风险指标数据进行删减，根据删减后的历史风险指标数据构建风险指标体系。
在一个实施例中，基于层次分析法确定所述风险指标体系中的每类风险指标数据的权重；确定所述实时风险指标数据中多项风险指标数据的实时评分；根据所述权重与实时评分计算所述实时风险得分。
在一个实施例中，所述可变模糊集算法的构建包括：将所述多个数值范围中的每个数值范围[a,b]扩张为[,d]，其中，a,b,c,d都表示非负数，并且c≤a<b≤d，根据所述初始风险等级l、所述多个数值范围中的每个数值范围[a,b]、所述风险等级的数量L，计算每个数值范围对应的边界矩阵M，所使用的公式包括：定义uA()为可变模糊集中的吸引集[,M]对应的隶属度函数，定义uAc()为可变模糊集中的排斥集[,a]对应的隶属度函数，则uA(u)+Ac(u)＝1，所述隶属度函数uA()与所述隶属度函数uAc()之间的相对差异函数DA(u)＝A(u)-Ac(u)，并且/>
在一个实施例中，所述可变模糊集算法的构建还包括：构建相对差异函数模型，表示如下：
其中，x表示所述实时风险得分，p为预设数值。
在一个实施例中，所述可变模糊集算法的构建还包括：
基于所述相对差异函数模型确定不同区间对应的隶属度函数，包括：
在一个实施例中，所述确定所述初始风险等级对应的预设可变模糊集算法的隶属度计算规则包括以下任一种规则：
当目标区域i的所述初始风险等级为所有风险等级中的最低风险等级时，所述隶属度计算规则包括：
当目标区域i的所述初始风险等级为所有风险等级中的最高风险等级时，所述隶属度计算规则包括：
当目标区域i的所述初始风险等级不是所有风险等级中的最低风险等级或最高风险等级时，所述隶属度计算规则包括：
在一个实施例中，所述基于所述隶属度计算规则确定所述目标区域的目标风险等级包括：将所述实时风险得分按照所述隶属度规则代入对应的隶属度函数uA(u)i,，确定计算得到的所有隶属度函数值中的最大值对应的等级作为所述目标风险等级。
本申请的实施例提供一种风险评估装置，所述装置包括：收集模块，用于收集目标区域的历史事故数据，基于所述历史事故数据构建风险指标体系，根据所述风险指标体系采集所述目标区域的实时风险指标数据；确定模块，用于基于所述风险指标体系与所述实时风险指标数据，确定所述目标区域的实时风险得分；根据预先确定的多个风险等级对应的多个数值范围，确定所述实时风险得分对应的初始风险等级；确定所述初始风险等级对应的预设可变模糊集算法的隶属度计算规则，基于所述隶属度计算规则确定所述目标区域的目标风险等级。
本申请的实施例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有至少一个指令，所述至少一个指令被处理器执行时实现所述风险评估方法。
本申请的实施例提供一种电子设备，所述电子设备包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个处理器执行时实现所述风险评估方法。
相较于相关技术，本申请实施例提供的风险评估方法，基于地质学原理和统计学原理扩充地面塌陷风险评估模型中的影响因素，运用可变模糊集算法将定性评估结果转化为定量化的概率分布结果，能够有效弥补风险评估模型在当前综合城市场景下地面塌陷风险评估能力的不足。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1是本申请一实施例提供的电子设备的架构图。
图2是本申请一实施例提供的风险评估方法的流程图。
图3是本申请一实施例提供的确定目标区域的实时风险得分的流程图。
图4是本申请一实施例提供的风险评估装置的结构图。
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
在一个实施例中，现有的风险评估方法主要为定性化评估方法，缺乏对风险影响因素的全面调查分析与定量化评估，难以满足复杂综合城市场景下的风险评估对准确性和定量化的高要求。
为了解决上述问题，本申请实施例提供的风险评估方法，基于地质学原理和统计学原理扩充地面塌陷风险评估模型中的影响因素，运用可变模糊集算法将定性评估结果转化为定量化的概率分布结果，能够有效弥补风险评估模型在当前综合城市场景下地面塌陷风险评估能力的不足。
例如图1所示，为本申请实施例提供的电子设备的结构图。本申请实施例提供的风险评估方法由电子设备执行，电子设备可以是计算机、服务器、笔记本电脑、手机等设备。所述电子设备1包括存储器11、至少一个处理器12、至少一条通信总线13及收发器14。
图1示出的电子设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述电子设备1是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备1还可包括其他外部设备，例如，键盘、鼠标、遥控器、显示器、触摸板或声控设备等输入输出设备。
需要说明的是，所述电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
图2是本申请实施例提供的风险评估方法的流程图。所述风险评估方法应用于电子设备中，例如图1中的电子设备1，具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
步骤S21，收集目标区域的历史事故数据，基于所述历史事故数据构建风险指标体系，根据所述风险指标体系采集所述目标区域的实时风险指标数据。
在一个实施例中，所述目标区域表示需要进行风险评估的区域，例如所述目标区域为需要进行地面塌陷风险评估的某省某市某区。
在一个实施例中，电子设备可以接收用户输入的历史事故数据，用户可以通过多种方式收集所述历史事故数据，例如，通过收集地面塌陷事故的相关案例、查看相关新闻及事故分析报告、详细调研相关地质类文献、前往现场实地调研分析等方式。所述历史事故数据包括但不限于：道路塌陷事故发生的位置、时间，以及事故后果、发生原因、风险评估等级。
例如，历史事故数据一：2018年2月7日，A1市B1区发生道路塌陷，造成11人死亡，8人受伤，1人失联，直接经济损失约5323.8万元；历史事故数据二：2019年12月1日，A2市B2区发生道路塌陷，造成3人遇难，直接经济损失约2004.7万元。
在一个实施例中，所述基于所述历史事故数据构建风险指标体系包括：基于所述历史事故数据采集历史风险指标数据，计算所述历史风险指标数据之间的皮尔逊相关系数，其中，所述风险指标体系包括风险发生可能性指标与风险发生后果指标；基于所述皮尔逊相关系数的值对所述历史风险指标数据进行删减，根据删减后的历史风险指标数据构建风险指标体系。
在一个实施例中，将历史风险指标数据划分为风险发生可能性指标以及风险发生后果指标，其中，风险可能性指标包括多种类别的数据，例如，目标区域的地质环境与水文气象、地下病害体、人为地质活动、道路状况、地下管线状况、区域历史信息、人员密度、财产密度以及物质类承灾载体统计结果等；风险发生后果指标包括多种类别的数据，并且每种类别的风险发生后果指标可以与一种风险可能性指标相对应，而且风险后果指标的数值范围也会与风险可能性指标的数值范围有对应关系，例如，风险可能性指标中的人员密度为每平方公里2000人时，人员密度对应的风险发生后果指标为10人伤亡。
在一个实施例中，通过将历史风险指标数据划分为风险发生可能性指标以及风险发生后果指标，可以利用风险矩阵法结合可能性与后果进行风险评估。此外，所述风险指标体系中的数据可以是经过编码(例如编码为数字)后的数据，从而可以计算所述历史风险指标数据间的所述皮尔逊相关系数。
在一个实施例中，所述基于所述皮尔逊相关系数的值对所述历史风险指标数据进行删减包括：当多个历史风险指标数据之间的皮尔逊相关系数大于预设的阈值时，选择所述多个历史风险指标数据之中的任一历史风险指标数据，剔除所述任一历史风险指标数据之外的历史风险指标数据。
具体地，第一类历史风险指标数据A与第二类历史风险指标数据B之间的皮尔逊相关系数＝A与B的协方差/(A的方差与B的方差的乘积)，所述皮尔逊相关系数的取值范围为[-1,1]，并且越接近1表示相关性越强，所述预设的阈值可以设置为0.9。
在一个实施例中，基于所述皮尔逊相关系数的值对所述历史风险指标数据进行删减可以减少风险指标体系中的冗余值，降低风险评估的难度，提高风险评估的准确度。
在一个实施例中，根据所述风险指标体系采集所述目标区域的实时风险指标数据时，用户可以根据实地考察采集实时风险指标数据中的风险发生可能性指标，将实时的风险发生可能性指标输入电子设备，电子设备根据风险发生可能性指标与风险发生后果指标的对应关系，获得实时风险指标数据中的风险发生后果指标。
步骤S22，基于所述风险指标体系与所述实时风险指标数据，确定所述目标区域的实时风险得分。
在一个实施例中，确定所述实时风险得分时首先要确定每类实时风险指标数据的实时评分，再根据每类风险指标数据的权重，计算所有类别的实时风险指标数据的实时评分的加权和作为所述实时风险得分。
在一个实施例中，如图3所示，为本申请实施例提供的确定目标区域的实时风险得分的流程图，具体包括如下步骤：
步骤S31，基于层次分析法确定所述风险指标体系中的每类风险指标数据的权重。
在一个实施例中，所述基于层次分析法确定所述风险指标体系中的每类风险指标数据的权重(取值范围为[0,1])，包括：(1)建立风险指标数据的层次结构模型，包括：将所有风险指标数据划分为多个层次，其中同一层的风险指标数据从属于上一层的风险指标数据或对上层风险指标数据有影响，同时又支配下一层的风险指标数据或受到下层风险指标数据的作用；(2)构造风险指标数据的重要性比较矩阵，包括：基于层次结构模型中的风险指标数据的层次关系，接收风险评估专家对每两类风险指标数据之间的相对重要性进行的打分，基于打分构建的重要性比较矩阵；(3)对重要性比较矩阵做一致性检验并计算重要性比较矩阵的权向量，将重要性比较矩阵的权向量中的数值作为对应的风险指标数据的权重，包括：利用一致性指标、随机一致性指标和一致性比率对重要性比较矩阵做一致性检验，当一致性检验通过时，计算重要性比较矩阵的最大特征根及最大特征根对应的特征向量，将归一化后的最大特征根对应的特征向量作为权向量：当一致性检验通过时，重新构造重要性比较矩阵。
在一个实施例中，层次分析法适用于复杂的决策问题，能够以合乎逻辑的方式确定每类风险指标数据的相对重要性。
步骤S32，确定所述实时风险指标数据中多项风险指标数据的实时评分。
在一个实施例中，确定所述实时风险指标数据中多项风险指标数据的实时评分，包括：确定针对每类风险指标数据构建的评分规则，根据所述评分规则计算所述实时评分。实时评分的取值范围可以为[0,100]。
电子设备可以接收风险评估专家针对每类风险指标数据构建的评分规则，例如，如下表1所示，为本申请实施例提供的针对降雨情况的评分规则，其中，每个降雨量x所属的范围(C,D](单位毫米/天)对应一个风险评分的范围(A,B]。
表1
| 降雨量(C,D] | 评分(A,B] |
| >200mm/d(不存在D) | 90～100 |
| 100～200mm/d | 70～90 |
| 50～100mm/d | 30～70 |
| (C为0)<50mm/d | 0～30 |
在一个实施例中，例如表1所示，由于评分规则中仅给出了每类风险指标数据的量化值的数值范围与对应的评分范围，为了解决类风险指标数据分值定性转定量化确定的问题，设计了如下公式的指标分值确定算法：
其中，score表示最终确定的实时评分，x表示风险指标数据的量化值，x对应的评分范围为(A,B]，x所属的数值范围为(C,D]，(Ci,Di]表示(C,D]之外的数值范围，并且Ci不等于0。
在一个实施例中，当x对应的C不为0且D存在时，使用式一计算实时评分，例如结合表1，当降雨量x的范围在50～100mm/d或100～200mm/d时，使用式一计算x对应的实时评分。
当x对应的D不存在时，使用式二计算更新的D，并且令大于更新的d的x对应的实时评分为满分，例如结合表1，当降雨量x为260时(>200mm/d)，先使用式二计算更新的D(＝实时评分为100时对应的x)：令score＝100，C＝200，A＝90，B＝100，从而计算得到更新的D＝x＝400，因此可以将表1更新为如下的表2：
表2
| 降雨量(C,D] | 评分(A,B] |
| 200～400mm/d | 90～100 |
| 100～200mm/d | 70～90 |
| 50～100mm/d | 30～70 |
| (C为0)<50mm/d | 0～30 |
当x为260(<400)时，直接代入式二计算实时评分得到score＝91；当x为400以上的数值时，直接可以确认x对应的实时评分为100。
当x对应的C为0时，使用式三计算更新的C，并且令小于更新的c的x对应的实时评分为零分，例如结合表2，当降雨量x为30时(<50mm/d)，先使用式三计算更新的C(＝实时评分为0时对应的x)：令score＝0，D＝50，A＝0，B＝30，从而计算得到更新的C＝x＝25，因此可以将表2更新为如下的表3：
表3
| 降雨量(C,D] | 评分(A,B] |
| 200～400mm/d | 90～100 |
| 100～200mm/d | 70～90 |
| 50～100mm/d | 30～70 |
| 25～50mm/d | 0～30 |
当x为30(>25)时，直接代入式三计算实时评分得到score＝6；当x为25以下的数值时，直接可以确认x对应的实时评分为0。
步骤S33，根据所述权重与实时评分计算所述实时风险得分。
在一个实施例中，可以直接令所述实时风险得分＝∑每类风险指标数据的实时评分×每类风险指标数据对应的权重。实时风险得分的取值范围可以为[0,100]。
例如，共有三个风险指标数据，风险指标数据一的实时风险得分为70，对应的权重为0.1；风险指标数据二的实时风险得分为50，对应的权重为0.2；风险指标数据三的实时风险得分为40，对应权重为0.7；那么实时风险得分＝0.1×70+0.2×50+0.7×40＝45。
在一个实施例中，上述计算实时风险得分的方法结合了层次分析法与基于指数函数的分值确定算法，使得实时风险得分数值更符合评估需求。
步骤S23，根据预先确定的多个风险等级对应的多个数值范围，确定所述实时风险得分对应的初始风险等级。
在一个实施例中，可以将风险等级划分为五个等级，每个等级对应一个数值范围，例如，数值范围[0-20]对应的风险等级为一级，数值范围[20-40]对应的风险等级为二级，数值范围[40-60]对应的风险等级为三级，数值范围[60-80]对应的风险等级为四级，数值范围[80-100]对应的风险等级为五级，等级越小风险越小。那么步骤实时风险得分为计算结果为45时，对应的初始风险等级为三级风险。
步骤S24，确定所述初始风险等级对应的预设可变模糊集算法的隶属度计算规则，基于所述隶属度计算规则确定所述目标区域的目标风险等级。
在一个实施例中，所述可变模糊集算法的构建包括：将所述多个数值范围中的每个数值范围[a,b]扩张为[c,d]，其中，a,b,c,d都表示非负数，并且c≤a<b≤d，根据所述初始风险等级l、所述多个数值范围中的每个数值范围[a,b]、所述风险等级的数量L，计算每个数值范围对应的边界矩阵M(更新的边界值)，所使用的公式包括：定义uA(u)为可变模糊集中的吸引集[a,M]对应的隶属度函数，定义uAc(u)为可变模糊集中的排斥集[c,a]对应的隶属度函数，则uA(u)+uAc(u)＝1，所述隶属度函数uA(u)与所述隶属度函数uAc(u)之间的相对差异函数DA(u)＝uA(u)-uAc(u)，并且/>
在一个实施例中，计算每个数值范围对应的边界矩阵M时，例如l＝2，对应的数值范围为[20，40]，总共有L＝5个风险等级，那么对应的M＝25。
在一个实施例中，将数值范围[a,b]扩张为[c,d]后，可以使得每相邻的两个风险等级对应的数值范围之间有交集。例如，一级风险对应的扩张后的数值范围为[0，40]，二级风险对应的扩张后的数值范围为[0，60]，三级风险对应的扩张后的数值范围为[20，80]，四级风险对应的扩张后的数值范围为[40-100]，五级风险对应的扩张后的数值范围为[60，100]。
在一个实施例中，所述可变模糊集算法的构建还包括：构建相对差异函数模型，表示如下：
其中，x表示所述实时风险得分，p为预设数值(例如0.6)。
在一个实施例中，所述可变模糊集算法的构建还包括：基于所述相对差异函数模型确定不同区间对应的隶属度函数，包括：
在一个实施例中，所述确定所述初始风险等级对应的预设可变模糊集算法的隶属度计算规则包括以下任一种规则：
当目标区域i(例如佛山)的所述初始风险等级为所有风险等级中的最低风险等级(例如一级)时，所述隶属度计算规则包括(规则一)：
当目标区域i的所述初始风险等级为所有风险等级中的最高风险等级(例如五级)时，所述隶属度计算规则包括(规则二)：
当目标区域i的所述初始风险等级不是所有风险等级中的最低风险等级或最高风险等级时，所述隶属度计算规则包括(规则三)：
例如，实时风险得分为45分，初始风险等级为三级风险，对应的数值包括：a＝40，b＝60，c＝20，d＝80，M＝50。对于三级风险而言，位于三级风险的[a，M]即[40-50]区间内，根据规则三对应的隶属度计算公式可以计算出实时风险得分45分属于三级风险的隶属度(或称为三级模糊集概率值)为uA(u)i,＝0.8299；而除此之外实时风险得分45分实际上还落在了四级风险的[c，a]区间中，因为在四级风险区间[60-80]区间中，a＝60，b＝80，c＝40，d＝100，45落于[c-a]即[40-60]中，根据规则三对应的隶属度计算公式可以计算出实时风险得分45分属于四级风险的隶属度值为uA(u)i,＝0.0792；此外，根据规则三对应的隶属度计算公式可以计算出实时风险得分45分属于二级风险的隶属度为uA(u)i,＝0.5-0.0792＝0.4208。
在一个实施例中，所述基于所述隶属度计算规则确定所述目标区域的目标风险等级包括：将所述实时风险得分按照所述隶属度规则代入对应的隶属度函数uA(u)i,，m表示整数，确定计算得到的所有隶属度函数值中的最大值对应的等级作为所述目标风险等级。
例如，实施风险得分45分对应的三级风险的隶属度为0.8299、四级风险的隶属度值为0.0792、二级风险的隶属度为0.4208，其中，三级风险的隶属度数值最大，那么实时风险得分45分对应的目标风险等级为三级。
在一个实施例中，经过可变模糊集算法处理后，原本定性的风险等级结果转变为了实时风险得分属于各个风险区间的概率值，从而实现了动态的地面塌陷风险评估。
在一个实施例中，由于风险指标体系包括风险发生可能性指标与风险发生后果指标，所以还可以分别计算风险发生可能性指标对应的实时风险可能性得分以及风险发生后果指标对应的实时风险后果得分，从而将实时风险得分拆分为实时风险可能性得分与实时风险后果得分。之后，利用上述可变模糊集算法确定实时风险可能性得分对应的目标第一等级，利用上述可变模糊集算法确定实时风险后果得分对应的目标第二等级，利用风险矩阵发根据目标第一等级与目标第二等级确定所述目标风险等级。例如，目标第一等级为一级，目标第二等级为三级，那么可以令目标风险等级＝1×3＝三级。
在一个实施例中，如表4示所示，为本申请实施例提供的风险发生可能性指标的模拟风险评估结果示例表。
表4
在一个实施例中，如表5示所示，为本申请实施例提供的风险发生后果指标的模拟风险评估结果示例表。
表5
在一个实施例中，风险矩阵法能够结合风险发生可能性与风险发生后果的对应关系，结合两者的隶属度计算结果确定目标风险等级。风险矩阵法的基本原理包括：使得最终确定的风险的严重性等于可能性严重性与后果严重性的乘积。
在一个实施例中，还可以基于风险矩阵法生成多个区域的风险等级图，包括：在地图中使用不同的颜色表示出所处区域的目标风险等级。例如，使用更深的颜色表示目标风险等级更高的区域。
本申请提供的风险评估方法，基于地质学原理和统计学原理扩充地面塌陷风险评估模型中的影响因素，运用可变模糊集算法将定性评估结果转化为定量化的概率分布结果，能够有效弥补风险评估模型在当前综合城市场景下地面塌陷风险评估能力的不足。
在一个实施例中，本申请提供的风险评估方法除了可以应用于对道路塌陷的风险进行评估，还可以适用于其他灾害风险评估，例如洪水灾害等。
图4是本申请实施例提供的风险评估装置的结构图。
在一些实施例中，所述风险评估装置40可以包括多个由计算机程序段所组成的功能模块。所述风险评估装置40中的各个程序段的计算机程序可以存储于电子设备的存储器中，并由至少一个处理器所执行，以执行(详见图2描述)风险评估的功能。
本实施例中，所述风险评估装置40根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：收集模块401、确定模块402。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于所述风险评估装置40的中各个模块的功能实现方式可以参见上文对风险评估方法的限定，在此不再重复描述。
所述收集模块401，用于收集目标区域的历史事故数据，基于所述历史事故数据构建风险指标体系，根据所述风险指标体系采集所述目标区域的实时风险指标数据。
所述确定模块402，用于基于所述风险指标体系与所述实时风险指标数据，确定所述目标区域的实时风险得分；根据预先确定的多个风险等级对应的多个数值范围，确定所述实时风险得分对应的初始风险等级；确定所述初始风险等级对应的预设可变模糊集算法的隶属度计算规则，基于所述隶属度计算规则确定所述目标区域的目标风险等级。
接续上文对图1的介绍，所述存储器11中存储有计算机程序，所述计算机程序被所述至少一个处理器12执行时实现如所述的风险评估方法中的全部或者部分步骤。所述存储器11包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本申请一实施例中，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器12执行时实现如图2所示的流程。
在一些实施例中，所述至少一个处理器12是所述电子设备1的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。例如，所述至少一个处理器12执行所述存储器中存储的计算机程序时实现本申请实施例中所述的风险评估方法的全部或者部分步骤；或者实现风险评估装置的全部或者部分功能。所述至少一个处理器12可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中，所述至少一条通信总线13被设置为实现所述存储器11以及所述至少一个处理器12等之间的连接通信。
尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器12逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块、摄像装置等，在此不再赘述。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种风险评估方法，其特征在于，所述方法包括：
收集目标区域的历史事故数据，基于所述历史事故数据构建风险指标体系，根据所述风险指标体系采集所述目标区域的实时风险指标数据；
基于所述风险指标体系与所述实时风险指标数据，确定所述目标区域的实时风险得分；
根据预先确定的多个风险等级对应的多个数值范围，确定所述实时风险得分对应的初始风险等级；
确定所述初始风险等级对应的预设可变模糊集算法的隶属度计算规则，基于所述隶属度计算规则确定所述目标区域的目标风险等级。
2.根据权利要求1所述的风险评估方法，其特征在于，所述基于所述历史事故数据构建风险指标体系包括：
基于所述历史事故数据采集历史风险指标数据，计算所述历史风险指标数据之间的皮尔逊相关系数，其中，所述风险指标体系包括风险发生可能性指标与风险发生后果指标；
基于所述皮尔逊相关系数的值对所述历史风险指标数据进行删减，根据删减后的历史风险指标数据构建风险指标体系。
3.根据权利要求2所述的风险评估方法，其特征在于，所述基于所述皮尔逊相关系数的值对所述历史风险指标数据进行删减包括：
当多个历史风险指标数据之间的皮尔逊相关系数大于预设的阈值时，选择所述多个历史风险指标数据之中的任一历史风险指标数据，剔除所述任一历史风险指标数据之外的历史风险指标数据。
4.根据权利要求1所述的风险评估方法，其特征在于，所述基于所述风险指标体系与所述实时风险指标数据，确定所述目标区域的实时风险得分包括：
基于层次分析法确定所述风险指标体系中的每类风险指标数据的权重；
确定所述实时风险指标数据中多项风险指标数据的实时评分；
根据所述权重与实时评分计算所述实时风险得分。
5.根据权利要求1所述的风险评估方法，其特征在于，所述可变模糊集算法的构建包括：
将所述多个数值范围中的每个数值范围[a,b]扩张为[,d]，其中，a,b,c,d都表示非负数，并且c≤a<b≤d，
根据所述初始风险等级l、所述多个数值范围中的每个数值范围[a,b]、所述风险等级的数量L，计算每个数值范围对应的边界矩阵M，所使用的公式包括：
定义uA()为可变模糊集中的吸引集[,M]对应的隶属度函数，定义uAc()为可变模糊集中的排斥集[,a]对应的隶属度函数，则uA(u)+Ac(u)＝1，所述隶属度函数uA()与所述隶属度函数uAc()之间的相对差异函数DA(u)＝A(u)-Ac(u)，并且
6.根据权利要求5所述的风险评估方法，其特征在于，所述可变模糊集算法的构建还包括：
构建相对差异函数模型，表示如下：
其中，x表示所述实时风险得分，p为预设数值。
7.根据权利要求6所述的风险评估方法，其特征在于，所述可变模糊集算法的构建还包括：
基于所述相对差异函数模型确定不同区间对应的隶属度函数，包括：
8.根据权利要求7所述的风险评估方法，其特征在于，所述确定所述初始风险等级对应的预设可变模糊集算法的隶属度计算规则包括以下任一种规则：
当目标区域i的所述初始风险等级为所有风险等级中的最低风险等级时，所述隶属度计算规则包括：
当目标区域i的所述初始风险等级为所有风险等级中的最高风险等级时，所述隶属度计算规则包括：
当目标区域i的所述初始风险等级不是所有风险等级中的最低风险等级或最高风险等级时，所述隶属度计算规则包括：
9.根据权利要求8所述的风险评估方法，其特征在于，所述基于所述隶属度计算规则确定所述目标区域的目标风险等级包括：
将所述实时风险得分按照所述隶属度规则代入对应的隶属度函数uA(u)i,，确定计算得到的所有隶属度函数值中的最大值对应的等级作为所述目标风险等级。
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至9中任意一项所述的风险评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310472909.6A CN116629600A (zh) | 2023-04-26 | 2023-04-26 | 风险评估方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310472909.6A CN116629600A (zh) | 2023-04-26 | 2023-04-26 | 风险评估方法及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116629600A true CN116629600A (zh) | 2023-08-22 |
Family
ID=87591074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310472909.6A Pending CN116629600A (zh) | 2023-04-26 | 2023-04-26 | 风险评估方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629600A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705795A (zh) * | 2019-10-09 | 2020-01-17 | 中铁隧道局集团有限公司 | 基于综合超前地质预报技术的隧道涌突风险等级模糊预测方法 |
| CN112801450A (zh) * | 2020-12-28 | 2021-05-14 | 西安理工大学 | 一种基于改进可变模糊集理论的溃坝环境影响评价方法 |
| CN114021915A (zh) * | 2021-10-25 | 2022-02-08 | 国网湖北省电力有限公司电力科学研究院 | 基于改进均衡权重和可变模糊集的电气火灾风险评估方法 |
| CN115829206A (zh) * | 2022-12-05 | 2023-03-21 | 合肥泽众城市智能科技有限公司 | 一种供排水管道引发地面塌陷的风险评估方法 |
-
2023
- 2023-04-26 CN CN202310472909.6A patent/CN116629600A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705795A (zh) * | 2019-10-09 | 2020-01-17 | 中铁隧道局集团有限公司 | 基于综合超前地质预报技术的隧道涌突风险等级模糊预测方法 |
| CN112801450A (zh) * | 2020-12-28 | 2021-05-14 | 西安理工大学 | 一种基于改进可变模糊集理论的溃坝环境影响评价方法 |
| CN114021915A (zh) * | 2021-10-25 | 2022-02-08 | 国网湖北省电力有限公司电力科学研究院 | 基于改进均衡权重和可变模糊集的电气火灾风险评估方法 |
| CN115829206A (zh) * | 2022-12-05 | 2023-03-21 | 合肥泽众城市智能科技有限公司 | 一种供排水管道引发地面塌陷的风险评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sheu | Dynamic relief-demand management for emergency logistics operations under large-scale disasters | |
| CN109523061B (zh) | 一种基于情景分析的突发事件应急决策方法 | |
| Mishra et al. | Current trends in disaster management simulation modelling research | |
| CN107886235A (zh) | 一种耦合确定性与不确定分析的火灾风险评估方法 | |
| CN105825342A (zh) | 一种管道失效可能性评价方法及系统 | |
| CN113379267B (zh) | 一种基于风险分级预测的城市火灾事件处理方法、系统及存储介质 | |
| CN106970986B (zh) | 基于深度学习的城市内涝影响程度挖掘方法及系统 | |
| CN112734154B (zh) | 一种基于模糊数相似度的多因素舆情风险评估方法 | |
| CN111950792A (zh) | 垃圾总量预测方法、装置、设备及存储介质 | |
| KR102379472B1 (ko) | 시공간 피해특성을 고려한 다종 데이터 융합 분석방법 | |
| CN111126868B (zh) | 一种道路交通事故发生风险确定方法及系统 | |
| CN113191582B (zh) | 一种基于gis与机器学习的道路山洪易损性评价方法 | |
| CN109583782B (zh) | 支持多数据源的汽车金融风控方法 | |
| CN116720728A (zh) | 风险评估方法、电子设备及存储介质 | |
| Lyu et al. | MCDM-based flood risk assessment of metro systems in smart city development: A review | |
| CN107145995A (zh) | 生产环境安全性预测方法、装置和系统 | |
| Zhang et al. | Evaluation of emergency evacuation capacity of urban metro stations based on combined weights and TOPSIS-GRA method in intuitive fuzzy environment | |
| Xu et al. | A multi-object decision-making method for location model of manufacturing industry under uncertain environment | |
| CN115018291A (zh) | 一种大型桥梁工程风险评估方法 | |
| CN112767126A (zh) | 基于大数据的抵押物评级方法和装置 | |
| CN116629600A (zh) | 风险评估方法及电子设备 | |
| CN117252305A (zh) | 一种房屋风险评估方法、装置、设备及介质 | |
| CN115829209A (zh) | 基于碳路径的绿色智能仓库环保质量分析方法及装置 | |
| CN110414047A (zh) | 一种用于通信传输设备健康状态评价的方法 | |
| CN115907719A (zh) | 充电站分级运维管理方法及装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231026 Address after: 510010 No. 204 Huanshi West Road, Yuexiu District, Guangzhou City, Guangdong Province Applicant after: GUANGZHOU METRO DESIGN & RESEARCH INSTITUTE Co.,Ltd. Address before: 510010 No. 204 Huanshi West Road, Yuexiu District, Guangzhou City, Guangdong Province Applicant before: GUANGZHOU METRO DESIGN & RESEARCH INSTITUTE Co.,Ltd. Applicant before: Shenzhen International Graduate School of Tsinghua University |
|
| TA01 | Transfer of patent application right |