CN116629605A - 一种面向木质古建筑的火灾风险预测方法 - Google Patents
一种面向木质古建筑的火灾风险预测方法 Download PDFInfo
- Publication number
- CN116629605A CN116629605A CN202310544842.2A CN202310544842A CN116629605A CN 116629605 A CN116629605 A CN 116629605A CN 202310544842 A CN202310544842 A CN 202310544842A CN 116629605 A CN116629605 A CN 116629605A
- Authority
- CN
- China
- Prior art keywords
- fire risk
- fire
- wooden
- risk
- building
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013058 risk prediction model Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 239000002023 wood Substances 0.000 claims description 2
- 238000013480 data collection Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000003066 decision tree Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000009970 fire resistant effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- 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
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种面向木质古建筑的火灾风险预测方法。本发明中针对木质古建筑真实火灾数据集的稀疏性给其火灾风险等级预测带来的挑战,提出了一种基于历年月度火灾风险特征数据集对木质古建筑火灾风险等级预测的解决方案。首先需要形成一个时间序列的木质古建筑火灾风险数据库,该数据库包括影响木质古建筑火灾风险的因子以及其历年火灾风险等级。通过数据预处理构建火灾风险特征数据集,以历年古建筑的火灾风险等级作为机器学习分类器的训练标签,构建古建筑群火灾风险等级预测模型。计算火灾指标特征的重要性以调整火灾风险特征数据库。本发明能够实现木质古建筑的火灾风险预警,避免冗余的火灾风险数据收集,提高消防保护管理工作的效率。
Description
技术领域
本发明涉及火灾风险预测、风险管理方法领域,具体地说,一种涉及木质古建筑的火灾风险预测方法的流程。
背景技术
古建筑的防火是一个复杂的,涉及多种因素的问题。特别是木质结构的古建筑,受多年的自然侵蚀、耐火等级差,加之大量的开发利用,一旦发生火灾将造成巨大损失(樊镇豪.2019.基于多级可拓法的古建筑火灾风险评价研究[M].大连交通大学)。对木质古建筑进行火灾风险预测,可以为消防管理部门提供预警信息提前调整消防工作计划,尽可能地避免木质古建筑火灾的发生造成不可逆的影响。
随着机器学习的广泛应用,基于历史火灾事件数据的火灾风险预测方法应运而生,相应的文献包括:疏学明,颜峻,胡俊,et al.基于Bayes网络的建筑火灾风险评估模型[J].清华大学学报(自然科学版),2020,60(04):321-327、Liu X,Lu Y,Xia Z,et al.AData Mining Method for Potential Fire Hazard Analysis of Urban Buildingsbased on Bayesian Network[Z].Proceedings of the 2nd International Conferenceon Intelligent Information Processing-IIP′17.2017:1-6.10.1145/3144789.3144811等。木质古建筑火灾发生的原因有很多,但总体上火灾的发生次数很少。基于火灾风险指标的火灾风险预测方法可以解决木质古建筑火灾数据集有许多数据的数值都为空的问题。相应的文献例如:Wei Y-Y,Zhang J-Y,Wang J.Research on Building Fire Risk FastAssessment Method Based on Fuzzy comprehensive evaluation and SVM[J].ProcediaEngineering,2018,211:1141-1150。
在火灾风险预测方面,目前可见专利中相互分离的研究较多,例如王亚明,赵斌,李海洋.一种油气管道泄漏火灾风险的智能预测方法[P].辽宁省:CN115577744A,2023-01-06、郑能欢.基于多因素的林火风险等级预测方法、装置及存储介质[P].广东省:CN114219256A,2022-03-22、魏东,冉义兵,方硕,孔明.一种用于构建商业地区建筑火灾风险预测等级模型的方法[P].北京市:CN112529327A,2021-03-19,而针对木质古建筑的火灾风险等级预测的解决方案极少。本研究针对木质古建筑的特殊性,提出基于火灾风险特征数据集构建木质古建筑的火灾风险等级预测模型的实现方法。这一方法可以为消防部门的消防安全策略提供信息,便于提前部署消防安全规划。
发明内容
本发明的目的是提供一种基于火灾风险特征数据集构建木质古建筑的火灾风险等级预测的方法,能够实现木质古建筑的火灾风险预警,避免冗余的火灾风险数据收集,提高消防保护管理工作的效率。
本发明的思路为:首先需要形成一个时间序列的木质古建筑火灾风险数据库,该数据库包括影响木质古建筑火灾风险的因子以及其历年火灾风险等级。通过数据预处理构建火灾风险特征数据集,以历年古建筑的火灾风险等级作为机器学习分类器的训练标签,构建古建筑群火灾风险等级预测模型。计算火灾指标特征的重要性以调整火灾风险特征。
本发明的技术方案提供了木质古建筑的火灾风险预测的实现方法,其特征在于包括以下的实施步骤:
(1)建立木质古建筑火灾风险数据库:基于木质古建筑火灾风险的影响因子数据以及其历年月度火灾风险等级数据,建立一套时间序列的木质古建筑火灾风险数据库;
(2)构建木质古建筑火灾风险特征数据集:对木质古建筑火灾风险的影响因子数据以及其历年月度火灾风险等级数据进行特征清洗,完成特征的标准化处理,构建木质古建筑火灾风险特征数据集;
(3)分割火灾风险评估的训练集和测试集:将木质古建筑火灾风险特征数据集中的末年特征数据作为机器学习模型输入的测试集,将其余年份的特征数据作为训练集;
(4)构建木质古建筑的火灾风险预测模型:采用典型的梯度增强系列的机器学习分类器GDBT、CatBoost、XGBoost,通过模型参数的初始化和训练,根据精度评价调整参数对模型进行优化;
(5)重新调整火灾风险特征:通过计算火灾风险特征的重要性剔除特征重要性小于0.5%的火灾风险特征,重复步骤(3)、(4)和(5),优选最佳分类器构建的火灾风险预测模型;
(6)进行木质古建筑的火灾风险预测:将预测年的木质古建筑火灾风险特征数据输入火灾风险等级预测模型,获得木质古建筑预测年逐月的火灾风险等级,利用GIS对结果进行可视化。
上述实施步骤的特征在于:
所述的木质古建筑火灾风险数据库,其特征在于,在步骤(1)中,构建一个由具备时间变化的火灾风险影响因子形成的时间序列数据库,这样的影响因子包括温度、降雨量、相对湿度、地表净辐射、游客数量。其他静态影响因子包括固定人员数量,木质构件、火灾荷载、层数、年龄、功能、消防管理等级、安全保护等级、历史灾情统计。
所述的木质古建筑的火灾风险预测模型精度评价方法,其特征在于,在步骤(4)中,构建一个木质古建筑的火灾风险预测模型是看做一个机器学习多分类问题,采用混淆矩阵的精确率,召回率以及F1指标进行精度评价。
本发明与现有技术相比具有如下特点:形成针对木质古建筑的火灾风险特征数据集,解决木质古建筑真实火灾数据集稀疏给火灾风险预测带来的难题。可以实现木质古建筑的火灾风险预警,避免冗余的火灾风险数据收集,提高了未来在木质古建筑火灾风险等级预测方面的效率。
附图说明
图1是木质古建筑火灾风险预测方法实现流程图;
图2是木质古建筑火灾风险预测模型构建流程图;
图3是木质古建筑火灾风险预测结果示例图。
具体实施方式
图1示意了本发明的主要实现思路。图1示意了木质古建筑火灾风险预测模型的构建与方法实现的过程与思路。首先,基于木质古建筑火灾风险的影响因子数据以及其历年月度火灾风险等级数据,建立一套时间序列的木质古建筑火灾风险数据库。影响因子包括气候气象数据(温度、降雨量、相对湿度、地表净辐射)、人员数据(游客数量、固定人员数量),建筑物数据(木质构件、火灾荷载、层数、年龄、功能)与消防安全数据(消防管理等级、安全保护等级、历史灾情统计)。
其次,完成火灾风险特征的标准化处理,构建木质古建筑火灾风险特征数据集。按照火灾风险因子对木质古建筑火灾风险的正向影响(数值越大,火灾风险越高)和负向影响(数值越大,火灾风险越低),将火灾风险影响因子数据分为正向特征与负向特征,如表1所示。
表1火灾风险影响因子特征属性
利用极小极大值法对火灾风险特征数据进行标准化处理,用xij(i=1,2,…,m;j=1,2…,n)表示木质古建筑第i个月的第j个火灾风险特征数据,对于正向特征处理的公式为:
对于负向特征处理的公式为:
图2示意了构建木质古建筑火灾风险等级预测模型的流程。首先完成数据集分割,将木质古建筑火灾风险特征数据集中的末年特征数据作为机器学习模型输入的测试集,将其余年份的特征数据作为训练集。通过机器学习分类器的训练构建木质古建筑火灾风险等级预测模型,采用较为典型的梯度增强系列的机器学习分类器GDBT、CatBoost、XGBoost。GBDT全称Gradient Boosted Decision Trees,是一种由多棵决策树组成的迭代的决策树算法。GBDT先会赋予对于输入的一个木质古建筑火灾风险样本实例一个初值,再遍历每一棵决策树。通过前一个基学习器的学习误差率来调整下一个火灾风险样本训练集的权重分布,每棵树都会对木质古建筑火灾风险等级预测值进行调整修正,最终的火灾风险等级结果是累加每一棵决策树的结果。XGBoost和CatBoost都是基于GBDT分类器优化而来的结果。XGBoost分类器的目标函数公式为:
其中yi代表火灾风险样本实例i的预测值;代表火灾风险样本实例i的真实值,l为损失函数,Ω为正则化项。
CatBoost的优化为了更好地处理GBDT特征中的类别型特征,使用类别型特征对应的标签的平均值来替换,在决策树中,标签平均值将作为节点分裂的标准,该方法被称为贪婪的目标变量统计,用公式表示为:
本发明将木质古建筑的火灾风险等级预测问题转换为机器学习多分类问题,精度评价的指标采用精确率(Precision),召回率(Recall)以及F1得分,计算公式如下:
TP、TN、FP、FN的定义如表2所示:
表2精度评价指标中的混淆矩阵
选择精度评价结果最高的分类器结果作为目标预测模型,进一步的通过计算特征重要性剔除特征重要性小于0.5%的火灾风险特征,利用调整后的火灾风险特征数据集重新进行模型训练测试,形成最佳分类器构建的火灾风险预测模型。
最后,对预测年的木质古建筑火灾风险等级进行预测。将预测年的木质古建筑火灾风险特征数据输入火灾风险等级预测模型,获得木质古建筑预测年逐月的火灾风险等级。通过GIS软件对木质古建筑火灾风险等级结果进行可视化,得到预测年4个季度(12个月)的时间序列木质古建筑火灾风险等级图,如图3所示。
本发明的成果可以实现逐月的木质古建筑的火灾风险等级预测,最终形成的时间序列木质古建筑火灾风险等级结果具有时空特征,可以为消防安全规划提供时间与空间信息。木质古建筑的相关部门可以根据此成果指定每个季度(季节)的对应消防管理计划,定期安排与调整木质古建筑的巡查工作,在最大程度上降低与减少火灾发生的风险。重新调整后的火灾风险特征避免了冗余的火灾风险数据收集,通过梯度增强系列的机器学习分类器构建的木质古建筑火灾风险预测模型,同时保证了未来在木质古建筑火灾风险等级预测方面的效率与准确率。
Claims (3)
1.一种面向木质古建筑的火灾风险预测方法,其特征在于包括以下几个步骤:
(1)建立木质古建筑火灾风险数据库:基于木质古建筑火灾风险的影响因子数据以及其历年月度火灾风险等级数据,建立一套时间序列的木质古建筑火灾风险数据库;
(2)构建木质古建筑火灾风险特征数据集:对木质古建筑火灾风险的影响因子数据以及其历年月度火灾风险等级数据进行特征清洗,完成特征的标准化处理,构建木质古建筑火灾风险特征数据集;
(3)分割火灾风险评估的训练集和测试集:将木质古建筑火灾风险特征数据集中的末年特征数据作为机器学习模型输入的测试集,将其余年份的特征数据作为训练集;
(4)构建木质古建筑的火灾风险预测模型:采用典型的梯度增强系列的机器学习分类器GDBT、CatBoost、XGBoost,通过模型参数的初始化和训练,根据精度评价调整参数对模型进行优化;
(5)重新调整火灾风险特征:通过计算火灾风险特征的重要性剔除特征重要性小于0.5%的火灾风险特征,重复步骤(3)、(4)和(5),优选最佳分类器构建的火灾风险预测模型;
(6)进行木质古建筑的火灾风险预测:将预测年的木质古建筑火灾风险特征数据输入火灾风险等级预测模型,获得木质古建筑预测年逐月的火灾风险等级,利用GIS对结果进行可视化。
2.根据权利要求1所述的木质古建筑火灾风险数据库,其特征在于,在步骤(1)中,构建一个由具备时间变化的火灾风险影响因子形成的时间序列数据库,这样的影响因子包括温度、降雨量、相对湿度、地表净辐射、游客数量。其他静态影响因子包括固定人员数量,木质构件、火灾荷载、层数、年龄、功能、消防管理等级、安全保护等级、历史灾情统计。
3.根据权利要求1所述的木质古建筑的火灾风险预测模型精度评价方法,其特征在于,在步骤(4)中,构建一个木质古建筑的火灾风险预测模型是看做一个机器学习多分类问题,采用混淆矩阵的精确率,召回率以及F1指标进行精度评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310544842.2A CN116629605A (zh) | 2023-05-16 | 2023-05-16 | 一种面向木质古建筑的火灾风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310544842.2A CN116629605A (zh) | 2023-05-16 | 2023-05-16 | 一种面向木质古建筑的火灾风险预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116629605A true CN116629605A (zh) | 2023-08-22 |
Family
ID=87616438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310544842.2A Pending CN116629605A (zh) | 2023-05-16 | 2023-05-16 | 一种面向木质古建筑的火灾风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629605A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725488A (zh) * | 2024-02-06 | 2024-03-19 | 河北元泰建中项目管理有限公司 | 基于机器学习的建筑工程项目安全性能预测方法及系统 |
-
2023
- 2023-05-16 CN CN202310544842.2A patent/CN116629605A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725488A (zh) * | 2024-02-06 | 2024-03-19 | 河北元泰建中项目管理有限公司 | 基于机器学习的建筑工程项目安全性能预测方法及系统 |
CN117725488B (zh) * | 2024-02-06 | 2024-04-30 | 河北元泰建中项目管理有限公司 | 基于机器学习的建筑工程项目安全性能预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统 | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
CN110705873A (zh) | 一种新型的配电网运行状态画像分析方法 | |
CN116108758A (zh) | 滑坡易发性评价方法 | |
CN108364187A (zh) | 一种基于停电敏感特性的停电敏感用户确定方法和系统 | |
CN107067683B (zh) | 一种输电线路山火聚类定量预报方法及系统 | |
CN116629605A (zh) | 一种面向木质古建筑的火灾风险预测方法 | |
CN111178957B (zh) | 一种用电客户电量突增预警的方法 | |
CN109214604A (zh) | 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统 | |
CN113850693A (zh) | 基于多源信息融合的配网停电风险综合评估与预警的方法 | |
CN113191585A (zh) | 一种输电线路的台风致灾风险评估方法 | |
CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
Ripoll-Zarraga et al. | Exploring the reasons for efficiency in Spanish airports | |
CN109299208A (zh) | 一种台风灾害下输电杆塔智能可视化风险评估方法 | |
CN109740798B (zh) | 一种基于路网的警务巡逻盘查路径优化方法 | |
CN107256461A (zh) | 一种充电设施建设地址评价方法及系统 | |
CN108090623B (zh) | 一种电网停电事故的危险性评估方法 | |
CN112149976B (zh) | 一种基于人工智能的电网精准投资项目决策方法 | |
CN113537336A (zh) | 基于XGBoost的短临雷雨大风的预测方法 | |
CN112232689A (zh) | 一种茶叶连片种植区的生态地质脆弱性评价方法 | |
CN107093018A (zh) | 基于健康模型的电信工程项目信息可视化方法及装置 | |
CN113191568B (zh) | 基于气象的城市运行管理大数据分析预测方法和系统 | |
CN114897279A (zh) | 一种智能勘察派工方法 |
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 |