CN117689213A - 基于人工智能的泥石流风险评估方法及系统 - Google Patents
基于人工智能的泥石流风险评估方法及系统 Download PDFInfo
- Publication number
- CN117689213A CN117689213A CN202410129366.2A CN202410129366A CN117689213A CN 117689213 A CN117689213 A CN 117689213A CN 202410129366 A CN202410129366 A CN 202410129366A CN 117689213 A CN117689213 A CN 117689213A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- hidden danger
- character
- characters
- debris flow
- 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.)
- Granted
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 239000011435 rock Substances 0.000 title description 3
- 238000000605 extraction Methods 0.000 claims abstract description 75
- 230000006698 induction Effects 0.000 claims description 123
- 239000013598 vector Substances 0.000 claims description 87
- 239000002243 precursor Substances 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 49
- 238000010606 normalization Methods 0.000 claims description 43
- 230000006835 compression Effects 0.000 claims description 23
- 238000007906 compression Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 230000001939 inductive effect Effects 0.000 description 6
- 238000003491 array Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000005413 snowmelt Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的基于人工智能的泥石流风险评估方法及系统,得到各个隐患知识字符对应的第一影响因素得分之后,先根据第一影响因素得分在所有隐患知识字符中确定若干个第一重要隐患知识字符,然后根据若干个第一重要隐患知识字符进行风险评估得到风险评估结果;通过第一影响因素得分,可以在所有隐患知识字符中确定出能够更好地对山体数据进行表达的若干个第一重要隐患知识字符,达到提高对山体数据的知识字符抽取效果的目的,从而可以使得在根据这些第一重要隐患知识字符进行风险评估时,能够提高风险评估的精确性和可靠性。
Description
技术领域
本申请涉及风险评估技术领域,具体而言,涉及基于人工智能的泥石流风险评估方法及系统。
背景技术
在山区沟谷中,由暴雨、大量冰雪融水或江湖、水库溃决后的急速地表径流激发的含有大量泥砂、石块等固体碎屑物质,并具有强大冲击力和破坏作用的特殊洪流造成的灾害。
泥石流一直是对人们的生命安全和财产安全是一个比较大的威胁,每年都需要花很多的财力和人力对泥石流隐患地方进行排查,尽可能的降低泥石流造成的损失,但是,泥石流的发生需要考虑到各种因素进行判断,如何对泥石流的风险进行评估是现目前难以解决的一个问题。
发明内容
为改善相关技术中存在的技术问题,本申请提供了基于人工智能的泥石流风险评估方法及系统。
第一方面,提供一种基于人工智能的泥石流风险评估方法,包括:
获取山体数据,将所述山体数据划分成若干个互不重合的泥石流诱发因素数据;
对若干个所述泥石流诱发因素数据进行隐患知识字符抽取得到若干个隐患知识字符;
对于每一个所述隐患知识字符,获取所述隐患知识字符所对应的所述泥石流诱发因素数据相对于所述隐患知识字符的靠近隐患知识字符所对应的所述泥石流诱发因素数据之间的第一关联关系数据,依据所述隐患知识字符和所述第一关联关系数据,计算得到所述隐患知识字符对应的部分关灾害前兆知识字符,将所述部分关灾害前兆知识字符投影到影响因素评分层面,得到所述隐患知识字符对应的影响因素评分知识字符,并依据所述影响因素评分知识字符和所述第一关联关系数据,计算得到所述隐患知识字符对应的第一影响因素得分;
依据所述第一影响因素得分,在所有所述隐患知识字符中确定若干个第一重要隐患知识字符;
根据若干个所述第一重要隐患知识字符进行风险评估,得到风险评估结果。
在本申请中,所述靠近隐患知识字符的数目为若干个;所述依据所述影响因素评分知识字符和所述第一关联关系数据,计算得到所述隐患知识字符对应的第一影响因素得分,包括:依据所述影响因素评分知识字符和若干个所述靠近隐患知识字符对应的所述第一关联关系数据进行函数处理,得到所述隐患知识字符对应的第一影响因素得分。
在本申请中,所述依据所述隐患知识字符和所述第一关联关系数据,计算得到所述隐患知识字符对应的部分关灾害前兆知识字符,包括:
依据所述隐患知识字符和所述第一关联关系数据进行部分softmax归一化计算,得到所述隐患知识字符对应的部分softmax归一化系数;
依据所述隐患知识字符和所述部分softmax归一化系数,计算得到所述隐患知识字符对应的部分关灾害前兆知识字符。
在本申请中,所述依据所述隐患知识字符和所述第一关联关系数据进行部分softmax归一化计算,得到所述隐患知识字符对应的部分softmax归一化系数,包括:
依据所述隐患知识字符计算得到所述隐患知识字符对应的稳定性知识字符和灾害前兆知识字符;
依据所述稳定性知识字符、所述灾害前兆知识字符和所述第一关联关系数据,计算得到所述隐患知识字符对应的部分softmax归一化系数。
在本申请中,所述依据所述隐患知识字符和所述部分softmax归一化系数,计算得到所述隐患知识字符对应的部分关灾害前兆知识字符,包括:依据所述部分softmax归一化系数对所述隐患知识字符进行量化处理,得到所述隐患知识字符对应的部分关灾害前兆知识字符。
在本申请中,所述获取所述隐患知识字符所对应的所述泥石流诱发因素数据相对于所述隐患知识字符的靠近隐患知识字符所对应的所述泥石流诱发因素数据之间的第一关联关系数据,包括:
获取所述隐患知识字符所对应的所述泥石流诱发因素数据在所述山体数据对应的第一AI向量空间,以及所述隐患知识字符的靠近隐患知识字符所对应的所述泥石流诱发因素数据在所述山体数据中的第二AI向量空间;
依据所述第一AI向量空间和所述第二AI向量空间,计算得到所述隐患知识字符对应的定位压缩向量;
将所述定位压缩向量确定为所述隐患知识字符所对应的所述泥石流诱发因素数据相对于所述隐患知识字符的靠近隐患知识字符所对应的所述泥石流诱发因素数据之间的第一关联关系数据。
在本申请中,所述依据所述第一AI向量空间和所述第二AI向量空间,计算得到所述隐患知识字符对应的定位压缩向量,包括:
计算所述第一AI向量空间和所述第二AI向量空间之间的AI向量空间差异向量;
对所述AI向量空间差异向量进行分析处理,得到所述隐患知识字符对应的定位压缩向量。
在本申请中,所述根据若干个所述第一重要隐患知识字符进行风险评估,得到风险评估结果,包括:
根据若干个所述第一重要隐患知识字符进行多次迭代的重要知识字符抽取处理,获取每一次进行所述重要知识字符抽取处理时得到的若干个第二重要隐患知识字符;
将所述第一重要隐患知识字符和所有所述第二重要隐患知识字符进行知识字符拼接,得到隐患知识字符拼接结果;
依据所述隐患知识字符拼接结果进行风险评估,得到风险评估结果。
在本申请中,每一次进行的所述重要知识字符抽取处理,包括:
获取若干个目标泥石流风险知识字符,其中,所述目标泥石流风险知识字符为所述第一重要隐患知识字符,或者为上一次进行所述重要知识字符抽取处理时得到的第二重要隐患知识字符;
对于每一个所述目标泥石流风险知识字符,获取所述目标泥石流风险知识字符所对应的所述泥石流诱发因素数据相对于所述目标泥石流风险知识字符的靠近泥石流风险知识字符所对应的所述泥石流诱发因素数据之间的第二关联关系数据,并依据所述目标泥石流风险知识字符和所述第二关联关系数据,计算得到所述目标泥石流风险知识字符对应的第二影响因素得分;
依据所述第二影响因素得分,在所有所述目标泥石流风险知识字符中确定若干个第二重要隐患知识字符。
第二方面,提供一种基于人工智能的泥石流风险评估系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
本申请实施例所提供的基于人工智能的泥石流风险评估方法及系统,在获取到山体数据之后,先将山体数据划分成若干个互不重合的泥石流诱发因素数据,并对若干个泥石流诱发因素数据进行隐患知识字符抽取得到若干个隐患知识字符;通过对山体数据进行若干个互不重合的泥石流诱发因素数据的划分,可以将整个手掌的大范围纹路区域划分成若干个小范围的隐患区域,从而使得在对这些泥石流诱发因素数据进行隐患知识字符抽取时,可以提高对这些泥石流诱发因素数据的隐患知识字符的抽取效率;另外,由隐患组成,而划分得到的若干个泥石流诱发因素数据的泥石流风险内容能够以隐患为主,因此在对这些泥石流诱发因素数据进行隐患知识字符抽取时,还可以提高对这些泥石流诱发因素数据的隐患知识字符的抽取精确性。在得到若干个隐患知识字符之后,对于每一个隐患知识字符,先获取隐患知识字符所对应的泥石流诱发因素数据相对于隐患知识字符的靠近隐患知识字符所对应的泥石流诱发因素数据之间的第一关联关系数据,然后根据隐患知识字符和第一关联关系数据,计算得到隐患知识字符对应的第一影响因素得分;由于第一关联关系数据是隐患知识字符所对应的泥石流诱发因素数据和靠近隐患知识字符所对应的泥石流诱发因素数据之间的关联关系数据,因此第一关联关系数据能够表征隐患知识字符和靠近隐患知识字符之间的匹配数据,所以,在根据隐患知识字符和第一关联关系数据计算隐患知识字符对应的第一影响因素得分时,能够将隐患知识字符与其对应的匹配数据进行结合,使得计算得到的第一影响因素得分能够更加准确地表达隐患知识字符较之于靠近隐患知识字符的softmax归一化。在计算得到各个隐患知识字符对应的第一影响因素得分之后,先根据第一影响因素得分在所有隐患知识字符中确定若干个第一重要隐患知识字符,然后根据若干个第一重要隐患知识字符进行风险评估得到风险评估结果;通过第一影响因素得分,可以在所有隐患知识字符中确定出能够更好地对山体数据进行表达的若干个第一重要隐患知识字符,达到提高对山体数据的知识字符抽取效果的目的,从而可以使得在根据这些第一重要隐患知识字符进行风险评估时,能够提高风险评估的精确性和可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种基于人工智能的泥石流风险评估方法的流程图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种基于人工智能的泥石流风险评估方法,该方法可以包括以下步骤310步骤-350所描述的技术方案。
步骤310:获取山体数据,将山体数据划分成若干个互不重合的泥石流诱发因素数据。
示例性的,山体数据包括:地形数据、水源数据以及物源数据等数据。
在一些可能实施的实施例中,当泥石流风险数据采集端采集到山体数据时,可以直接将山体数据划分成若干个互不重合的泥石流诱发因素数据;当泥石流风险数据采集端采集到泥石流风险时,在接收到泥石流风险之后,可以先在泥石流风险中抽取出山体数据,然后将抽取出的山体数据划分成若干个互不重合的泥石流诱发因素数据。可以降低其他泥石流风险内容对隐患的知识字符抽取的影响,不仅可以提高对这些泥石流诱发因素数据的隐患知识字符的抽取效率,还能够提高对这些泥石流诱发因素数据的隐患知识字符的抽取精确性。
在一些可能实施的实施例中,划分得到的若干个互不重合的泥石流诱发因素数据,可以采用泥石流风险队列的形式表示,因此,在将山体数据进行划分之后,可以得到由若干个互不重合的泥石流诱发因素数据组成的泥石流诱发因素数据队列,以便于这些泥石流诱发因素数据能够与后续步骤得到的隐患知识字符队列对应一致,从而有利于进行后续的知识字符处理。
在一些可能实施的实施例中,在将山体数据划分成若干个互不重合的泥石流诱发因素数据时,可以先确定划分的泥石流诱发因素数据的数目,然后根据泥石流诱发因素数据的数目和山体数据的边长确定泥石流诱发因素数据的边长,接着根据泥石流诱发因素数据的边长对山体数据进行划分,得到若干个互不重合的泥石流诱发因素数据。
步骤320:对若干个泥石流诱发因素数据进行隐患知识字符抽取得到若干个隐患知识字符。
示例性的,知识字符可以理解为特征。
其中,隐患知识字符可以理解为泥石流隐患特征,比如:突然降大雨等。
在一些可能实施的实施例中,在划分得到若干个互不重合的泥石流诱发因素数据之后,可以对这若干个泥石流诱发因素数据进行隐患知识字符抽取得到若干个隐患知识字符,也就是说,可以对各个泥石流诱发因素数据进行隐患知识字符抽取,得到各个泥石流诱发因素数据的隐患知识字符,由隐患组成的,而划分得到的若干个泥石流诱发因素数据的泥石流风险内容能够以隐患为主,因此在对这些泥石流诱发因素数据进行隐患知识字符抽取时,可以降低山体数据中其他泥石流风险内容对隐患的知识字符抽取的影响,从而可以提高对这些泥石流诱发因素数据的隐患知识字符的抽取精确性。
在一些可能实施的实施例中,对若干个泥石流诱发因素数据进行隐患知识字符抽取而得到的若干个隐患知识字符,可以采用知识字符队列的形式表示,因此,在对若干个泥石流诱发因素数据进行隐患知识字符抽取之后,可以得到由若干个隐患知识字符组成的隐患知识字符队列,以便于这些隐患知识字符能够与前面步骤得到的泥石流诱发因素数据队列对应一致,从而有利于后续步骤以知识字符队列的方式对隐患知识字符进行处理。
步骤330:对于每一个隐患知识字符,获取隐患知识字符所对应的泥石流诱发因素数据相对于隐患知识字符的靠近隐患知识字符所对应的泥石流诱发因素数据之间的第一关联关系数据,并根据隐患知识字符和第一关联关系数据,计算得到隐患知识字符对应的第一影响因素得分。
在一些可能实施的实施例中,在抽取得到各个泥石流诱发因素数据的隐患知识字符之后,对于每一个隐患知识字符,可以获取其所对应的泥石流诱发因素数据相对于其靠近隐患知识字符所对应的泥石流诱发因素数据之间的第一关联关系数据,由于第一关联关系数据是隐患知识字符所对应的泥石流诱发因素数据和靠近隐患知识字符所对应的泥石流诱发因素数据之间的关联关系数据,因此第一关联关系数据能够表征隐患知识字符和靠近隐患知识字符之间的匹配数据,所以,在根据隐患知识字符和第一关联关系数据计算隐患知识字符对应的第一影响因素得分时,能够将隐患知识字符与其对应的匹配数据进行结合,使得计算得到的第一影响因素得分能够更加准确地表达隐患知识字符较之于靠近隐患知识字符的softmax归一化,其中,softmax归一化可以理解为注意力。
在一些可能实施的实施例中,在获取隐患知识字符所对应的泥石流诱发因素数据相对于隐患知识字符的靠近隐患知识字符所对应的泥石流诱发因素数据之间的第一关联关系数据的过程中,可以先获取隐患知识字符所对应的泥石流诱发因素数据在山体数据对应的第一AI向量空间,以及隐患知识字符的靠近隐患知识字符所对应的泥石流诱发因素数据在山体数据中的第二AI向量空间,然后根据第一AI向量空间和第二AI向量空间计算得到隐患知识字符对应的定位压缩向量,接着将定位压缩向量确定为隐患知识字符所对应的泥石流诱发因素数据相对于隐患知识字符的靠近隐患知识字符所对应的泥石流诱发因素数据之间的第一关联关系数据。由于第一关联关系数据能够表征隐患知识字符和靠近隐患知识字符之间的匹配数据,根据第一AI向量空间和第二AI向量空间计算得到的定位压缩向量能够表征泥石流诱发因素数据和靠近泥石流诱发因素数据之间的匹配数据,而隐患知识字符是与泥石流诱发因素数据一一对应的,因此隐患知识字符所对应的定位压缩向量,能够采用其所对应的泥石流诱发因素数据的定位压缩向量来表示,所以,可以将隐患知识字符对应的定位压缩向量确定为隐患知识字符所对应的泥石流诱发因素数据相对于隐患知识字符的靠近隐患知识字符所对应的泥石流诱发因素数据之间的第一关联关系数据。此外,通过先获取隐患知识字符所对应的泥石流诱发因素数据在山体数据对应的第一AI向量空间以及靠近隐患知识字符所对应的泥石流诱发因素数据在山体数据中的第二AI向量空间,然后根据第一AI向量空间和第二AI向量空间计算得到用于确定为第一关联关系数据的定位压缩向量,因此可以将针对隐患知识字符的定位的计算处理转换成针对泥石流诱发因素数据的定位的计算处理,从而可以有效降低对隐患知识字符所对应的定位压缩向量的计算难度,使得对隐患知识字符所对应的定位压缩向量的计算能够更加方便地执行。
在一些可能实施的实施例中,在根据第一AI向量空间和第二AI向量空间计算隐患知识字符对应的定位压缩向量的过程中,可以先计算第一AI向量空间和第二AI向量空间之间的AI向量空间差异向量,然后对AI向量空间差异向量进行分析处理,得到隐患知识字符对应的定位压缩向量。其中,在对AI向量空间差异向量进行分析处理时,可以先确定进行分析处理的投影权重,然后根据投影权重对AI向量空间差异向量进行分析处理。
在一些可能实施的实施例中,在根据隐患知识字符和第一关联关系数据计算隐患知识字符对应的第一影响因素得分的过程中,可以先根据隐患知识字符和第一关联关系数据,计算得到隐患知识字符对应的部分关灾害前兆知识字符,然后根据部分关灾害前兆知识字符和第一关联关系数据,计算得到隐患知识字符对应的第一影响因素得分。由于第一关联关系数据能够表征隐患知识字符和靠近隐患知识字符之间的匹配数据,而根据隐患知识字符和第一关联关系数据计算得到的隐患知识字符对应的部分关灾害前兆知识字符,能够突出隐患知识字符较之于靠近隐患知识字符的softmax归一化,因此,根据部分关灾害前兆知识字符和第一关联关系数据计算得到的隐患知识字符对应的第一影响因素得分,能够更好地表达各个隐患知识字符在所有隐患知识字符中的softmax归一化,有利于后续步骤可以根据第一影响因素得分在所有隐患知识字符中确定更为重要的、更能对知识字符进行表达的若干个第一重要隐患知识字符,从而有利于提高后续进行的风险评估的精确性。
在一些可能实施的实施例中,在根据隐患知识字符和第一关联关系数据计算隐患知识字符对应的部分关灾害前兆知识字符的过程中,可以采用计算隐患知识字符的部分softmax归一化的方式,先根据隐患知识字符和第一关联关系数据进行部分softmax归一化计算,得到隐患知识字符对应的部分softmax归一化系数,然后根据隐患知识字符和部分softmax归一化系数,计算得到隐患知识字符对应的部分关灾害前兆知识字符。通过根据隐患知识字符和第一关联关系数据计算得到隐患知识字符对应的部分softmax归一化系数,可以使得部分softmax归一化系数能够表达隐患知识字符的重要性程度,从而可以使得根据隐患知识字符和部分softmax归一化系数计算得到的部分关灾害前兆知识字符能够对隐患知识字符进行增强,以便于增强后续步骤对隐患知识字符的识别效果。
在一些可能实施的实施例中,在根据隐患知识字符和第一关联关系数据进行部分softmax归一化计算以得到隐患知识字符对应的部分softmax归一化系数的过程中,可以先根据隐患知识字符计算得到隐患知识字符对应的稳定性知识字符和灾害前兆知识字符,然后根据稳定性知识字符、灾害前兆知识字符和第一关联关系数据,计算得到隐患知识字符对应的部分softmax归一化系数。其中,在根据隐患知识字符计算隐患知识字符对应的稳定性知识字符和灾害前兆知识字符时,可以对隐患知识字符进行两种不同的线性变换,得到隐患知识字符对应的稳定性知识字符和灾害前兆知识字符。
在一些可能实施的实施例中,在根据隐患知识字符和部分softmax归一化系数计算隐患知识字符对应的部分关灾害前兆知识字符的过程中,可以根据部分softmax归一化系数对隐患知识字符进行量化处理,得到隐患知识字符对应的部分关灾害前兆知识字符。
在一些可能实施的实施例中,在根据部分关灾害前兆知识字符和第一关联关系数据计算隐患知识字符对应的第一影响因素得分的过程中,可以先将部分关灾害前兆知识字符投影到影响因素评分层面,得到隐患知识字符对应的影响因素评分知识字符,然后根据影响因素评分知识字符和第一关联关系数据,计算得到隐患知识字符对应的第一影响因素得分。其中,在将部分关灾害前兆知识字符投影到影响因素评分层面时,可以采用一个全连接层将部分关灾害前兆知识字符投影到影响因素评分层面。另外,在靠近隐患知识字符的数目为若干个的情况下,在根据影响因素评分知识字符和第一关联关系数据计算隐患知识字符对应的第一影响因素得分的过程中,可以根据影响因素评分知识字符和若干个靠近隐患知识字符对应的第一关联关系数据进行函数处理,得到隐患知识字符对应的第一影响因素得分。
步骤340:根据第一影响因素得分,在所有隐患知识字符中确定若干个第一重要隐患知识字符。
在一些可能实施的实施例中,在根据第一影响因素得分在所有隐患知识字符中确定若干个第一重要隐患知识字符的过程中,可以先在所有第一影响因素得分中确定符合事先设定要求的若干个目标分数,然后在所有隐患知识字符中,将若干个目标分数所对应的若干个隐患知识字符确定为若干个第一重要隐患知识字符。虽然第一影响因素得分能够表达隐患知识字符的softmax归一化,但仍然需要一个分数指定值或者比例指定值以划分出能够表达第一重要隐患知识字符的第一影响因素得分,所以,可以预先设定一个分数指定值或者比例指定值,并将数值大于该分数指定值的情况,或者将排序比例大于该比例指定值的情况,确定为事先设定要求,从所有第一影响因素得分中确定符合该事先设定要求的若干个目标分数,此时,即可在所有隐患知识字符中,将这些目标分数所对应的隐患知识字符确定为第一重要隐患知识字符。其中,当事先设定要求为数值大于分数指定值时,可以直接将各个第一影响因素得分与分数指定值进行大小比较,从而确定符合事先设定要求的若干个目标分数;当事先设定要求为排序比例大于比例指定值时,则可以先将所有第一影响因素得分按照数值从大到小进行排序,然后将排序比例大于比例指定值的第一影响因素得分确定为目标分数。
步骤350:根据若干个第一重要隐患知识字符进行风险评估,得到风险评估结果。
在一些可能实施的实施例中,在得到若干个第一重要隐患知识字符之后,可以根据若干个第一重要隐患知识字符进行风险评估,得到风险评估结果。其中,在根据若干个第一重要隐患知识字符进行风险评估以得到风险评估结果的过程中,可以先对若干个第一重要隐患知识字符进行向量化,得到以队列形式表示的重要隐患知识字符向量,然后调用风险评估线程对重要隐患知识字符向量进行风险评估,得到风险评估结果。
在一些可能实施的实施例中,在调用风险评估线程对重要隐患知识字符向量进行风险评估之前,可以预先对风险评估线程进行配置,例如,可以采用前面实施例描述中的方法,得到配置示例中的若干个第一重要隐患知识字符,并对配置示例的这些第一重要隐患知识字符进行向量化,得到配置示例的重要隐患知识字符向量,然后将配置示例的重要隐患知识字符向量输入至风险评估线程进行风险评估,得到识别结果,接着根据识别结果和示例标签计算得到识别测评指标结果,并根据识别测评指标结果在风险评估线程中进行调试,修正风险评估线程的线程系数,实现对风险评估线程的配置。
本实施例中,通过包括前面步骤310至步骤350的基于人工智能的泥石流风险评估方法,在获取到山体数据之后,先将山体数据划分成若干个互不重合的泥石流诱发因素数据,并对若干个泥石流诱发因素数据进行隐患知识字符抽取得到若干个隐患知识字符;通过对山体数据进行若干个互不重合的泥石流诱发因素数据的划分,可以将整个手掌的大范围纹路区域划分成若干个小范围的隐患区域,从而使得在对这些泥石流诱发因素数据进行隐患知识字符抽取时,可以提高对这些泥石流诱发因素数据的隐患知识字符的抽取效率;另外,由隐患组成,而划分得到的若干个泥石流诱发因素数据的泥石流风险内容能够以隐患为主,因此在对这些泥石流诱发因素数据进行隐患知识字符抽取时,还可以提高对这些泥石流诱发因素数据的隐患知识字符的抽取精确性。在得到若干个隐患知识字符之后,对于每一个隐患知识字符,先获取隐患知识字符所对应的泥石流诱发因素数据相对于隐患知识字符的靠近隐患知识字符所对应的泥石流诱发因素数据之间的第一关联关系数据,然后根据隐患知识字符和第一关联关系数据,计算得到隐患知识字符对应的第一影响因素得分;由于第一关联关系数据是隐患知识字符所对应的泥石流诱发因素数据和靠近隐患知识字符所对应的泥石流诱发因素数据之间的关联关系数据,因此第一关联关系数据能够表征隐患知识字符和靠近隐患知识字符之间的匹配数据,所以,在根据隐患知识字符和第一关联关系数据计算隐患知识字符对应的第一影响因素得分时,能够将隐患知识字符与其对应的匹配数据进行结合,使得计算得到的第一影响因素得分能够更加准确地表达隐患知识字符较之于靠近隐患知识字符的softmax归一化。在计算得到各个隐患知识字符对应的第一影响因素得分之后,先根据第一影响因素得分在所有隐患知识字符中确定若干个第一重要隐患知识字符,然后根据若干个第一重要隐患知识字符进行风险评估得到风险评估结果;通过第一影响因素得分,可以在所有隐患知识字符中确定出能够更好地对山体数据进行表达的若干个第一重要隐患知识字符,达到提高对山体数据的知识字符抽取效果的目的,从而可以使得在根据这些第一重要隐患知识字符进行风险评估时,能够提高风险评估的精确性和可靠性。
在一些可能实施的实施例中,在根据若干个第一重要隐患知识字符进行风险评估以得到风险评估结果的过程中,可以先根据若干个第一重要隐患知识字符进行多次迭代的重要知识字符抽取处理,获取每一次进行重要知识字符抽取处理时得到的若干个第二重要隐患知识字符,然后将第一重要隐患知识字符和所有第二重要隐患知识字符进行知识字符拼接,得到隐患知识字符拼接结果,接着根据隐患知识字符拼接结果进行风险评估,得到风险评估结果。在本实施例中,根据隐患知识字符拼接结果进行风险评估的过程,可以参考前面步骤350的相关描述,此处不再赘述。
在一些可能实施的实施例中,在得到若干个第一重要隐患知识字符之后,可以将这些第一重要隐患知识字符确定为基础进行多次迭代的重要知识字符抽取处理,然后获取每一次进行重要知识字符抽取处理时得到的若干个第二重要隐患知识字符。其中,将这些第一重要隐患知识字符确定为基础进行多次迭代的重要知识字符抽取处理,是指先对这些第一重要隐患知识字符进行第一次重要知识字符抽取处理,得到该第一次重要知识字符抽取处理输出的若干个第二重要隐患知识字符,然后对这些第一次重要知识字符抽取处理输出的第二重要隐患知识字符进行第二次重要知识字符抽取处理,得到该第二次重要知识字符抽取处理输出的若干个第二重要隐患知识字符,接着对这些第二次重要知识字符抽取处理输出的第二重要隐患知识字符进行第三次重要知识字符抽取处理,得到该第三次重要知识字符抽取处理输出的若干个第二重要隐患知识字符,如此不断迭代,直到进行的重要知识字符抽取处理的次数达到事先设定次数。
在一些可能实施的实施例中,每一次进行的重要知识字符抽取处理,均可以包括以下步骤:获取若干个目标泥石流风险知识字符,其中,目标泥石流风险知识字符为第一重要隐患知识字符,或者为上一次进行重要知识字符抽取处理时得到的第二重要隐患知识字符;对于每一个目标泥石流风险知识字符,获取目标泥石流风险知识字符所对应的泥石流诱发因素数据相对于目标泥石流风险知识字符的靠近泥石流风险知识字符所对应的泥石流诱发因素数据之间的第二关联关系数据,并根据目标泥石流风险知识字符和第二关联关系数据,计算得到目标泥石流风险知识字符对应的第二影响因素得分;根据第二影响因素得分,在所有目标泥石流风险知识字符中确定若干个第二重要隐患知识字符。
其中,在进行第一次重要知识字符抽取处理时,获取若干个目标泥石流风险知识字符,是指获取若干个第一重要隐患知识字符;在进行非第一次重要知识字符抽取处理时,获取若干个目标泥石流风险知识字符,是指获取上一次进行重要知识字符抽取处理时得到的若干个第二重要隐患知识字符。另外,根据重要知识字符抽取处理所包含的步骤可知,前面所描述的步骤330至步骤340,实际上就是重要知识字符抽取处理的内容,因此,获取目标泥石流风险知识字符所对应的泥石流诱发因素数据相对于目标泥石流风险知识字符的靠近泥石流风险知识字符所对应的泥石流诱发因素数据之间的第二关联关系数据的过程、根据目标泥石流风险知识字符和第二关联关系数据计算得到目标泥石流风险知识字符对应的第二影响因素得分的过程、根据第二影响因素得分在所有目标泥石流风险知识字符中确定若干个第二重要隐患知识字符的过程,均可以参考前面实施例的相关描述,此处不再赘述。
在一些可能实施的实施例中,在获取到每一次进行重要知识字符抽取处理时得到的若干个第二重要隐患知识字符之后,可以将这些第二重要隐患知识字符进行拼接,得到重要隐患知识字符队列,然后将该重要隐患知识字符队列确定为下一次进行重要知识字符抽取处理的输入系数。其中,在将这些第二重要隐患知识字符进行拼接以得到重要隐患知识字符队列时,可以按照知识字符定位的先后顺序将这些第二重要隐患知识字符进行拼接,也可以将这些第二重要隐患知识字符进行随机拼接,此处不作具体限定。
在一些可能实施的实施例中,在获取到每一次进行重要知识字符抽取处理时得到的若干个第二重要隐患知识字符之后,可以将这些第二重要隐患知识字符和第一重要隐患知识字符进行知识字符拼接,得到隐患知识字符拼接结果,从而可以通过隐患知识字符拼接结果提高对山体数据的知识字符的表达精确性,进而可以提高对山体数据的识别精确性,改善风险评估的识别效果。
在一些可能实施的实施例中,在将第一重要隐患知识字符和所有第二重要隐患知识字符进行知识字符拼接以得到隐患知识字符拼接结果时,可以将第一重要隐患知识字符和每一次进行重要知识字符抽取处理时得到的第二重要隐患知识字符进行拼接,从而得到隐患知识字符拼接结果。其中,为了保证第一重要隐患知识字符和各次进行重要知识字符抽取处理所得到的第二重要隐患知识字符的顺序数据,可以按照进行重要知识字符抽取处理的先后顺序,将第一重要隐患知识字符和各次进行重要知识字符抽取处理时得到的第二重要隐患知识字符进行拼接。
在一些可能实施的实施例中,在调用识别线程对山体数据进行知识字符抽取得到知识字符向量的过程中,可以基于山体数据进行三次迭代的重要知识字符抽取处理。具体地,在调用识别线程对山体数据进行知识字符抽取时,可以先将山体数据划分成若干个互不重合的泥石流诱发因素数据,并对这些泥石流诱发因素数据进行隐患知识字符抽取得到若干个隐患知识字符,然后,对这些隐患知识字符进行第一次重要知识字符抽取处理,在对这些隐患知识字符进行第一次重要知识字符抽取处理时,先计算各个隐患知识字符的部分softmax归一化系数,并根据各个隐患知识字符的部分softmax归一化系数,对各个隐患知识字符进行知识字符调整,得到各个隐患知识字符的部分关灾害前兆知识字符,然后计算各个部分关灾害前兆知识字符对应的影响因素得分,并将数值从大到小排列靠前的X(X大于或等于1)个影响因素得分所对应的部分关灾害前兆知识字符,确定为进行第一次重要知识字符抽取处理时所得到的若干个重要隐患知识字符;接着,对得到的这些重要隐患知识字符进行拼接,并对拼接后的这些重要隐患知识字符进行第二次重要知识字符抽取处理,在对这些重要隐患知识字符进行第二次重要知识字符抽取处理时,先计算各个重要隐患知识字符的部分softmax归一化系数,并根据各个重要隐患知识字符的部分softmax归一化系数,对各个重要隐患知识字符进行知识字符调整,得到各个重要隐患知识字符的部分关灾害前兆知识字符,然后计算各个部分关灾害前兆知识字符对应的影响因素得分,并将数值从大到小排列靠前的X(X大于或等于1)个影响因素得分所对应的部分关灾害前兆知识字符,确定为进行第二次重要知识字符抽取处理时所得到的若干个重要隐患知识字符;此时,对得到的这些重要隐患知识字符进行拼接,并对拼接后的这些重要隐患知识字符进行第三次重要知识字符抽取处理,在对这些重要隐患知识字符进行第三次重要知识字符抽取处理时,先计算各个重要隐患知识字符的部分softmax归一化系数,并根据各个重要隐患知识字符的部分softmax归一化系数,对各个重要隐患知识字符进行知识字符调整,得到各个重要隐患知识字符的部分关灾害前兆知识字符,然后计算各个部分关灾害前兆知识字符对应的影响因素得分,并将数值从大到小排列靠前的X(X大于或等于1)个影响因素得分所对应的部分关灾害前兆知识字符,确定为进行第三次重要知识字符抽取处理时所得到的若干个重要隐患知识字符;在得到每一次进行重要知识字符抽取处理时得到的若干个重要隐患知识字符之后,将每一次进行重要知识字符抽取处理时得到的若干个重要隐患知识字符进行知识字符拼接,得到隐患知识字符拼接结果,然后调用风险评估线程中的知识字符向量化线程对隐患知识字符拼接结果进行知识字符向量化,得到知识字符向量,接着将知识字符向量输入到风险评估线程中的知识字符识别线程,使得风险评估线程中的知识字符识别线程能够计算知识字符向量与样本知识字符向量之间的知识字符相似度,从而能够根据知识字符相似度得到风险评估结果。
提供的基于人工智能的泥石流风险评估方法的具体流程图。该基于人工智能的泥石流风险评估方法可以包括以下步骤1201至步骤1216。
步骤1201:获取山体数据,将山体数据划分成若干个互不重合的泥石流诱发因素数据。
在一些可能实施的实施例中,在将山体数据划分成若干个互不重合的泥石流诱发因素数据时,可以先对山体数据进行尺寸调整,再将尺寸调整后的山体数据划分成若干个互不重合的泥石流诱发因素数据。
步骤1202:对若干个泥石流诱发因素数据进行隐患知识字符抽取得到若干个隐患知识字符。
步骤1203:获取若干个目标泥石流风险知识字符。
需要说明的是,当第一次执行步骤1203时,目标泥石流风险知识字符为步骤1202中得到的隐患知识字符;当并非是第一次执行步骤1203时,目标泥石流风险知识字符为步骤1214中得到的重要隐患知识字符。
步骤1204:获取各个目标泥石流风险知识字符所对应的泥石流诱发因素数据的第一AI向量空间,以及各个目标泥石流风险知识字符的靠近泥石流风险知识字符所对应的泥石流诱发因素数据的第二AI向量空间。
需要说明的是,靠近泥石流风险知识字符即是前面实施例中所描述的靠近隐患知识字符。
步骤1205:计算各个目标泥石流风险知识字符所对应的第一AI向量空间和第二AI向量空间之间的AI向量空间差异向量。
步骤1206:对各个目标泥石流风险知识字符所对应的AI向量空间差异向量进行分析处理,得到各个目标泥石流风险知识字符对应的定位压缩向量。
步骤1207:计算各个目标泥石流风险知识字符对应的稳定性知识字符和灾害前兆知识字符。
步骤1208:根据各个目标泥石流风险知识字符对应的稳定性知识字符、灾害前兆知识字符和定位压缩向量,计算得到各个目标泥石流风险知识字符的部分softmax归一化系数。
步骤1209:根据各个目标泥石流风险知识字符的部分softmax归一化系数,对各个目标泥石流风险知识字符进行量化处理,得到各个目标泥石流风险知识字符的部分关灾害前兆知识字符。
步骤1210:确定各个部分关灾害前兆知识字符所对应的定位压缩向量。
步骤1211:将各个部分关灾害前兆知识字符投影到影响因素评分层面,得到各个部分关灾害前兆知识字符对应的影响因素评分知识字符。
步骤1212:根据各个部分关灾害前兆知识字符对应的影响因素评分知识字符和定位压缩向量,计算得到各个部分关灾害前兆知识字符对应的影响因素得分。
步骤1213:在所有影响因素得分中,确定符合事先设定要求的若干个目标分数。
步骤1214:在所有部分关灾害前兆知识字符中,将若干个目标分数所对应的若干个部分关灾害前兆知识字符,确定为若干个重要隐患知识字符,然后执行步骤1203,直到执行步骤1214的次数达到事先设定次数指定值。
步骤1215:将所有重要隐患知识字符进行知识字符拼接,得到隐患知识字符拼接结果。
步骤1216:根据隐患知识字符拼接结果进行风险评估,得到风险评估结果。
本实施例中,通过上述步骤1201至步骤1216的基于人工智能的泥石流风险评估方法,在获取到山体数据之后,先将山体数据划分成若干个互不重合的泥石流诱发因素数据,并对若干个泥石流诱发因素数据进行隐患知识字符抽取得到若干个隐患知识字符,通过对山体数据进行若干个互不重合的泥石流诱发因素数据的划分,可以将整个手掌的大范围纹路区域划分成若干个小范围的隐患区域,从而在对这些泥石流诱发因素数据进行隐患知识字符抽取时,可以提高对这些泥石流诱发因素数据的隐患知识字符的抽取效率;另外,由隐患组成,而划分得到的若干个泥石流诱发因素数据的泥石流风险内容能够以隐患为主,因此在对这些泥石流诱发因素数据进行隐患知识字符抽取时,还可以提高对这些泥石流诱发因素数据的隐患知识字符的抽取精确性。在得到若干个隐患知识字符之后,根据这些隐患知识字符进行多次迭代的重要知识字符抽取处理,并获取每一次进行重要知识字符抽取处理时得到的若干个重要隐患知识字符,通过根据这些隐患知识字符进行多次迭代的重要知识字符抽取处理,可以在这些隐患知识字符的基础上进行更为准确的重要隐患知识字符的抽取,不仅可以使得得到的重要隐患知识字符能够与知识字符具有更好的适配度,并且可以使得得到的重要隐患知识字符能够更为准确地对知识字符进行表达,从而能够改善对知识字符的抽取效果。在得到每一次进行重要知识字符抽取处理时得到的若干个重要隐患知识字符之后,将所有重要隐患知识字符进行知识字符拼接得到隐患知识字符拼接结果,然后根据隐患知识字符拼接结果进行风险评估得到风险评估结果,通过对所有重要隐患知识字符进行知识字符拼接得到隐患知识字符拼接结果,可以进一步提高隐患知识字符拼接结果对知识字符的表达精确性,因此在根据隐患知识字符拼接结果进行风险评估时,能够提高风险评估的精确性,从而能够改善风险评估的识别效果。
在上述基础上,提供了一种基于人工智能的泥石流风险评估装置,所述装置包括:
数据获取模块,用于获取山体数据,将所述山体数据划分成若干个互不重合的泥石流诱发因素数据;
知识字符得到模块,用于对若干个所述泥石流诱发因素数据进行隐患知识字符抽取得到若干个隐患知识字符;
得分得到模块,用于对于每一个所述隐患知识字符,获取所述隐患知识字符所对应的所述泥石流诱发因素数据相对于所述隐患知识字符的靠近隐患知识字符所对应的所述泥石流诱发因素数据之间的第一关联关系数据,依据所述隐患知识字符和所述第一关联关系数据,计算得到所述隐患知识字符对应的部分关灾害前兆知识字符,将所述部分关灾害前兆知识字符投影到影响因素评分层面,得到所述隐患知识字符对应的影响因素评分知识字符,并依据所述影响因素评分知识字符和所述第一关联关系数据,计算得到所述隐患知识字符对应的第一影响因素得分;
第一知识字符确定模块,用于依据所述第一影响因素得分,在所有所述隐患知识字符中确定若干个第一重要隐患知识字符;
风险评估模块,用于根据若干个所述第一重要隐患知识字符进行风险评估,得到风险评估结果。
在上述基础上,示出了一种基于人工智能的泥石流风险评估系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,在获取到山体数据之后,先将山体数据划分成若干个互不重合的泥石流诱发因素数据,并对若干个泥石流诱发因素数据进行隐患知识字符抽取得到若干个隐患知识字符;通过对山体数据进行若干个互不重合的泥石流诱发因素数据的划分,可以将整个手掌的大范围纹路区域划分成若干个小范围的隐患区域,从而使得在对这些泥石流诱发因素数据进行隐患知识字符抽取时,可以提高对这些泥石流诱发因素数据的隐患知识字符的抽取效率;另外,由隐患组成,而划分得到的若干个泥石流诱发因素数据的泥石流风险内容能够以隐患为主,因此在对这些泥石流诱发因素数据进行隐患知识字符抽取时,还可以提高对这些泥石流诱发因素数据的隐患知识字符的抽取精确性。在得到若干个隐患知识字符之后,对于每一个隐患知识字符,先获取隐患知识字符所对应的泥石流诱发因素数据相对于隐患知识字符的靠近隐患知识字符所对应的泥石流诱发因素数据之间的第一关联关系数据,然后根据隐患知识字符和第一关联关系数据,计算得到隐患知识字符对应的第一影响因素得分;由于第一关联关系数据是隐患知识字符所对应的泥石流诱发因素数据和靠近隐患知识字符所对应的泥石流诱发因素数据之间的关联关系数据,因此第一关联关系数据能够表征隐患知识字符和靠近隐患知识字符之间的匹配数据,所以,在根据隐患知识字符和第一关联关系数据计算隐患知识字符对应的第一影响因素得分时,能够将隐患知识字符与其对应的匹配数据进行结合,使得计算得到的第一影响因素得分能够更加准确地表达隐患知识字符较之于靠近隐患知识字符的softmax归一化。在计算得到各个隐患知识字符对应的第一影响因素得分之后,先根据第一影响因素得分在所有隐患知识字符中确定若干个第一重要隐患知识字符,然后根据若干个第一重要隐患知识字符进行风险评估得到风险评估结果;通过第一影响因素得分,可以在所有隐患知识字符中确定出能够更好地对山体数据进行表达的若干个第一重要隐患知识字符,达到提高对山体数据的知识字符抽取效果的目的,从而可以使得在根据这些第一重要隐患知识字符进行风险评估时,能够提高风险评估的精确性和可靠性。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
Claims (10)
1.一种基于人工智能的泥石流风险评估方法,其特征在于,所述方法包括:
获取山体数据,将所述山体数据划分成若干个互不重合的泥石流诱发因素数据;
对若干个所述泥石流诱发因素数据进行隐患知识字符抽取得到若干个隐患知识字符;
对于每一个所述隐患知识字符,获取所述隐患知识字符所对应的所述泥石流诱发因素数据相对于所述隐患知识字符的靠近隐患知识字符所对应的所述泥石流诱发因素数据之间的第一关联关系数据,依据所述隐患知识字符和所述第一关联关系数据,计算得到所述隐患知识字符对应的部分关灾害前兆知识字符,将所述部分关灾害前兆知识字符投影到影响因素评分层面,得到所述隐患知识字符对应的影响因素评分知识字符,并依据所述影响因素评分知识字符和所述第一关联关系数据,计算得到所述隐患知识字符对应的第一影响因素得分;
依据所述第一影响因素得分,在所有所述隐患知识字符中确定若干个第一重要隐患知识字符;
根据若干个所述第一重要隐患知识字符进行风险评估,得到风险评估结果。
2.根据权利要求1所述的方法,其特征在于,所述靠近隐患知识字符的数目为若干个;所述依据所述影响因素评分知识字符和所述第一关联关系数据,计算得到所述隐患知识字符对应的第一影响因素得分,包括:依据所述影响因素评分知识字符和若干个所述靠近隐患知识字符对应的所述第一关联关系数据进行函数处理,得到所述隐患知识字符对应的第一影响因素得分。
3.根据权利要求1所述的方法,其特征在于,所述依据所述隐患知识字符和所述第一关联关系数据,计算得到所述隐患知识字符对应的部分关灾害前兆知识字符,包括:
依据所述隐患知识字符和所述第一关联关系数据进行部分softmax归一化计算,得到所述隐患知识字符对应的部分softmax归一化系数;
依据所述隐患知识字符和所述部分softmax归一化系数,计算得到所述隐患知识字符对应的部分关灾害前兆知识字符。
4.根据权利要求3所述的方法,其特征在于,所述依据所述隐患知识字符和所述第一关联关系数据进行部分softmax归一化计算,得到所述隐患知识字符对应的部分softmax归一化系数,包括:
依据所述隐患知识字符计算得到所述隐患知识字符对应的稳定性知识字符和灾害前兆知识字符;
依据所述稳定性知识字符、所述灾害前兆知识字符和所述第一关联关系数据,计算得到所述隐患知识字符对应的部分softmax归一化系数。
5.根据权利要求3所述的方法,其特征在于,所述依据所述隐患知识字符和所述部分softmax归一化系数,计算得到所述隐患知识字符对应的部分关灾害前兆知识字符,包括:依据所述部分softmax归一化系数对所述隐患知识字符进行量化处理,得到所述隐患知识字符对应的部分关灾害前兆知识字符。
6.根据权利要求5所述的方法,其特征在于,所述获取所述隐患知识字符所对应的所述泥石流诱发因素数据相对于所述隐患知识字符的靠近隐患知识字符所对应的所述泥石流诱发因素数据之间的第一关联关系数据,包括:
获取所述隐患知识字符所对应的所述泥石流诱发因素数据在所述山体数据对应的第一AI向量空间,以及所述隐患知识字符的靠近隐患知识字符所对应的所述泥石流诱发因素数据在所述山体数据中的第二AI向量空间;
依据所述第一AI向量空间和所述第二AI向量空间,计算得到所述隐患知识字符对应的定位压缩向量;
将所述定位压缩向量确定为所述隐患知识字符所对应的所述泥石流诱发因素数据相对于所述隐患知识字符的靠近隐患知识字符所对应的所述泥石流诱发因素数据之间的第一关联关系数据。
7.根据权利要求6所述的方法,其特征在于,所述依据所述第一AI向量空间和所述第二AI向量空间,计算得到所述隐患知识字符对应的定位压缩向量,包括:
计算所述第一AI向量空间和所述第二AI向量空间之间的AI向量空间差异向量;
对所述AI向量空间差异向量进行分析处理,得到所述隐患知识字符对应的定位压缩向量。
8.根据权利要求1所述的方法,其特征在于,所述根据若干个所述第一重要隐患知识字符进行风险评估,得到风险评估结果,包括:
根据若干个所述第一重要隐患知识字符进行多次迭代的重要知识字符抽取处理,获取每一次进行所述重要知识字符抽取处理时得到的若干个第二重要隐患知识字符;
将所述第一重要隐患知识字符和所有所述第二重要隐患知识字符进行知识字符拼接,得到隐患知识字符拼接结果;
依据所述隐患知识字符拼接结果进行风险评估,得到风险评估结果。
9.根据权利要求8所述的方法,其特征在于,每一次进行的所述重要知识字符抽取处理,包括:
获取若干个目标泥石流风险知识字符,其中,所述目标泥石流风险知识字符为所述第一重要隐患知识字符,或者为上一次进行所述重要知识字符抽取处理时得到的第二重要隐患知识字符;
对于每一个所述目标泥石流风险知识字符,获取所述目标泥石流风险知识字符所对应的所述泥石流诱发因素数据相对于所述目标泥石流风险知识字符的靠近泥石流风险知识字符所对应的所述泥石流诱发因素数据之间的第二关联关系数据,并依据所述目标泥石流风险知识字符和所述第二关联关系数据,计算得到所述目标泥石流风险知识字符对应的第二影响因素得分;
依据所述第二影响因素得分,在所有所述目标泥石流风险知识字符中确定若干个第二重要隐患知识字符。
10.一种基于人工智能的泥石流风险评估系统,其特征在于,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410129366.2A CN117689213B (zh) | 2024-01-31 | 2024-01-31 | 基于人工智能的泥石流风险评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410129366.2A CN117689213B (zh) | 2024-01-31 | 2024-01-31 | 基于人工智能的泥石流风险评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117689213A true CN117689213A (zh) | 2024-03-12 |
CN117689213B CN117689213B (zh) | 2024-04-05 |
Family
ID=90139311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410129366.2A Active CN117689213B (zh) | 2024-01-31 | 2024-01-31 | 基于人工智能的泥石流风险评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689213B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933578A (zh) * | 2024-03-22 | 2024-04-26 | 四川省地质调查研究院 | 一种泥石流的安全隐患评估方法及系统 |
CN117936001A (zh) * | 2024-03-25 | 2024-04-26 | 四川鸿霖科技有限公司 | 一种实验数据建模评测方法及系统 |
CN118171087A (zh) * | 2024-05-14 | 2024-06-11 | 四川省华地建设工程有限责任公司 | 一种适用于较陡沟谷型泥石流沟的监测方法及系统 |
CN118194056A (zh) * | 2024-05-15 | 2024-06-14 | 四川省华地建设工程有限责任公司 | 一种坡面型泥石流监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942739A (zh) * | 2014-05-05 | 2014-07-23 | 上海建科工程咨询有限公司 | 建筑项目风险知识库的构建方法 |
CN106339704A (zh) * | 2015-07-14 | 2017-01-18 | 富士通株式会社 | 字符识别方法和字符识别设备 |
CN110941664A (zh) * | 2019-12-11 | 2020-03-31 | 北京百度网讯科技有限公司 | 知识图谱的构建方法、检测方法、装置、设备及存储介质 |
US20230401274A1 (en) * | 2020-03-04 | 2023-12-14 | Karl Louis Denninghoff | Relative fuzziness for fast reduction of false positives and false negatives in computational text searches |
-
2024
- 2024-01-31 CN CN202410129366.2A patent/CN117689213B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942739A (zh) * | 2014-05-05 | 2014-07-23 | 上海建科工程咨询有限公司 | 建筑项目风险知识库的构建方法 |
CN106339704A (zh) * | 2015-07-14 | 2017-01-18 | 富士通株式会社 | 字符识别方法和字符识别设备 |
CN110941664A (zh) * | 2019-12-11 | 2020-03-31 | 北京百度网讯科技有限公司 | 知识图谱的构建方法、检测方法、装置、设备及存储介质 |
US20230401274A1 (en) * | 2020-03-04 | 2023-12-14 | Karl Louis Denninghoff | Relative fuzziness for fast reduction of false positives and false negatives in computational text searches |
Non-Patent Citations (2)
Title |
---|
YUZHENG WANG等: ""Assessment of Debris Flow Risk Factors Based on Meta-Analysis-Cases Study of Northwest and Southwest China"", 《SUSTAINABILITY》, 23 August 2020 (2020-08-23), pages 1 - 7 * |
李蕾: ""网络空间中威胁情报可信度多维度分析模型研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 November 2018 (2018-11-15), pages 139 - 73 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933578A (zh) * | 2024-03-22 | 2024-04-26 | 四川省地质调查研究院 | 一种泥石流的安全隐患评估方法及系统 |
CN117933578B (zh) * | 2024-03-22 | 2024-06-07 | 四川省地质调查研究院 | 一种泥石流的安全隐患评估方法及系统 |
CN117936001A (zh) * | 2024-03-25 | 2024-04-26 | 四川鸿霖科技有限公司 | 一种实验数据建模评测方法及系统 |
CN118171087A (zh) * | 2024-05-14 | 2024-06-11 | 四川省华地建设工程有限责任公司 | 一种适用于较陡沟谷型泥石流沟的监测方法及系统 |
CN118194056A (zh) * | 2024-05-15 | 2024-06-14 | 四川省华地建设工程有限责任公司 | 一种坡面型泥石流监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117689213B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117689213B (zh) | 基于人工智能的泥石流风险评估方法及系统 | |
Hoskere et al. | Vision-based structural inspection using multiscale deep convolutional neural networks | |
CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
Naiemi et al. | A novel pipeline framework for multi oriented scene text image detection and recognition | |
US9449259B1 (en) | Opportunistic cascade and cascade training, evaluation, and execution for vision-based object detection | |
CN105469123A (zh) | 一种基于k平面回归的缺失数据补全方法 | |
CN115343676B (zh) | 密封电子设备内部多余物定位技术的特征优化方法 | |
CN111444807A (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
CN117079048A (zh) | 基于clip模型的地质灾害图像识别方法及系统 | |
Abdullayeva | Malware detection in cloud computing using an image visualization technique | |
CN110197213B (zh) | 基于神经网络的图像匹配方法、装置和设备 | |
CN108197660A (zh) | 多模型特征融合方法/系统、计算机可读存储介质及设备 | |
CN118013428A (zh) | 基于人工智能的地质灾害风险评估方法及系统 | |
Mangalraj et al. | Post-earthquake building damage detection using deep learning | |
CN116486269A (zh) | 基于图像分析的桥梁裂缝识别方法及系统 | |
KR102399673B1 (ko) | 어휘 트리에 기반하여 객체를 인식하는 방법 및 장치 | |
CN113836297B (zh) | 文本情感分析模型的训练方法及装置 | |
CN115373982A (zh) | 基于人工智能的测试报告分析方法、装置、设备及介质 | |
US20220222341A1 (en) | Embedded malware detection using spatial voting and machine learning | |
Livi et al. | Inexact Graph Matching through Graph Coverage. | |
CN113963271A (zh) | 用于从遥感图像中识别不透水面的模型及训练模型的方法 | |
Yebasse et al. | Coffee Disease Visualization and Classification. Plants 2021, 10, 1257 | |
CN118467977B (zh) | 基于人工智能的地裂缝隐患评估方法及系统 | |
CN113139187B (zh) | 一种预训练语言模型的生成、检测方法及装置 | |
YAMANE et al. | EXTRACTING TEXTUAL INFORMATION FROM BRIDGE INSPECTION RECORDS USING DEEP LEARNING |
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 |