CN110544013B - 灾害风险预警方法、装置、计算机设备及存储介质 - Google Patents
灾害风险预警方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110544013B CN110544013B CN201910702054.5A CN201910702054A CN110544013B CN 110544013 B CN110544013 B CN 110544013B CN 201910702054 A CN201910702054 A CN 201910702054A CN 110544013 B CN110544013 B CN 110544013B
- Authority
- CN
- China
- Prior art keywords
- risk
- event
- information
- early warning
- preset
- 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 59
- 238000004364 calculation method Methods 0.000 claims abstract description 85
- 230000008521 reorganization Effects 0.000 claims abstract description 37
- 230000009193 crawling Effects 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006798 recombination Effects 0.000 claims description 10
- 238000005215 recombination Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 description 56
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000006424 Flood reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Emergency Management (AREA)
- Computer Security & Cryptography (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了灾害风险预警方法、装置、计算机设备及存储介质。方法包括:对预置网络地址所对应网页中与预置风险关键字相匹配的信息进行爬取以得到包含多个风险事件的事件信息,根据时间因子对风险事件进行归并重组得到风险事件重组信息,获取风险事件重组信息中与风险预警请求相匹配的目标风险事件,根据预置风险系数计算模型对目标风险事件进行计算得到风险系数,获取与风险系数及风险预警请求对应的预警提示信息。本发明基于大数据处理技术,可对任意时间发生风险事件的风险进行预警,并在预警过程中综合了地理位置信息、时间信息等因素,提高了对发生风险事件的风险进行预警的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种灾害风险预警方法、装置、计算机设备及存储介质。
背景技术
为避免因极端天气等潜在风险对人员或物资造成损伤,可通过现有信息对未来发生风险事件的风险进行预警。由于风险事件的发生概率与上一次发生风险事件所间隔的时间存在关联,现有技术均是通过计算模型对发生风险事件的风险进行预警,然而由于计算模型中并未纳入时间这一参考因子,导致在对风险事件的风险进行预警时准确性不足,且仅能对当前发生风险事件的风险进行预警而无法对将来某一时间发生风险事件的风险进行预警。因而,现有的预警方法存在无法对发生风险事件的风险进行准确预警的问题。
发明内容
本发明实施例提供了一种灾害风险预警方法、装置、计算机设备及存储介质,旨在解决现有技术方法中的灾害风险预警方法在进行风险预警时存在较大偏差的问题。
第一方面,本发明实施例提供了一种灾害风险预警方法,其包括:
对预置网络地址所对应网页中与预置风险关键字相匹配的信息进行爬取以得到包含多个风险事件的事件信息;
根据预置事件因子对所述事件信息中所包含的风险事件进行归并重组以得到风险事件重组信息,其中,所述事件因子包括名称、时间、地点、风险类型、程度;
若接收到用户所输入的风险预警请求,获取所述风险事件重组信息中与所述风险预警请求相匹配的目标风险事件,其中,所述风险预警请求包括地理位置信息、风险类型信息、时间信息;
判断所述风险预警请求的风险类型信息中是否包含多个风险类型以得到判断结果;
根据预置风险系数计算模型及所述判断结果对所述目标风险事件进行计算以获取与所述风险预警请求对应的风险系数;
根据预置预警提示模型及所述风险系数生成与所述风险预警请求对应的预警提示信息。
第二方面,本发明实施例提供了一种灾害风险预警装置,其包括:
事件信息获取单元,用于对预置网络地址所对应网页中与预置风险关键字相匹配的信息进行爬取以得到包含多个风险事件的事件信息;
事件信息归并重组单元,用于根据预置事件因子对所述事件信息中所包含的风险事件进行归并重组以得到风险事件重组信息,其中,所述事件因子包括名称、时间、地点、风险类型、程度;
目标风险事件获取单元,用于若接收到用户所输入的风险预警请求,获取所述风险事件重组信息中与所述风险预警请求相匹配的目标风险事件,其中,所述风险预警请求包括地理位置信息、风险类型信息、时间信息;
风险类型信息判断单元,用于判断所述风险预警请求的风险类型信息中是否包含多个风险类型;
风险系数计算单元,用于根据预置风险系数计算模型及所述判断结果对所述目标风险事件进行计算以获取与所述风险预警请求对应的风险系数;
预警提示信息生成单元,用于根据预置预警提示模型及所述风险系数生成与所述风险预警请求对应的预警提示信息。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的灾害风险预警方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的灾害风险预警方法。
本发明实施例提供了一种灾害风险预警方法、装置、计算机设备及存储介质。执行信息爬取程序获取风险事件,根据时间因子对风险事件进行归并重组得到风险事件重组信息,获取风险事件重组信息中与风险预警请求相匹配的目标风险事件,根据预置风险系数计算模型对目标风险事件进行计算得到风险系数,并获取与风险系数及风险预警请求对应的预警提示信息。通过上述方法,可对任意时间发生风险事件的风险进行预警,并在预警过程中综合了地理位置信息、时间信息等因素,提高了对发生风险事件的风险进行预警的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的灾害风险预警方法的流程示意图;
图2为本发明实施例提供的灾害风险预警方法的子流程示意图;
图3为本发明实施例提供的灾害风险预警方法的子流程示意图;
图4为本发明实施例提供的灾害风险预警方法的另一子流程示意图;
图5为本发明实施例提供的灾害风险预警方法的另一子流程示意图;
图6为本发明实施例提供的灾害风险预警装置的示意性框图;
图7为本发明实施例提供的灾害风险预警装置的子单元示意性框图;
图8为本发明实施例提供的灾害风险预警装置的另一子单元示意性框图;
图9为本发明实施例提供的灾害风险预警装置的另一子单元示意性框图;
图10为本发明实施例提供的灾害风险预警装置的另一子单元示意性框图;
图11为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1是本发明实施例提供的灾害风险预警方法的流程示意图。该灾害风险预警方法应用于用户终端中,该方法通过安装于用户终端中的应用软件进行执行,用户终端即是用于执行灾害风险预警方法以对灾害发生的风险进行预警的终端设备,例如台式电脑、笔记本电脑、平板电脑或手机等。
如图1所示,该方法包括步骤S110~S160。
S110、对预置网络地址所对应网页中与预置风险关键字相匹配的信息进行爬取以得到包含多个风险事件的事件信息。
对预置网络地址所对应网页中与预置风险关键字相匹配的信息进行爬取以得到包含多个风险事件的事件信息,其中,所述事件信息包括事件基本信息及事件描述信息,基本信息即是风险事件的种类及名称等信息,事件描述信息即是对事件进行具体描述的详细信息。执行已配置参数值的信息爬取程序,参数值包括预置网络地址及预置风险关键字,对网络地址所对应网页中与风险关键字相匹配的信息进行爬取即可得到包含多个风险事件的事件信息。具体的,为对某一地区发生风险事件的可能性进行计算分析,需从互联网中爬取该地区所发生的历史风险事件,信息爬取程序中的参数值可由用户预先进行配置。具体的,预置的网络地址可以是气象台网站、地震台网站及新闻媒体网站的网络地址;预置风险关键字可以是与台风、地震、洪水、山火等相关的关键字。所获取到的事件信息中包含多个风险事件,风险事件也即是某一地点所发生的台风、地震、洪水、山火等自然灾害的具体信息。
例如,某一风险事件为:超强台风“风险事件A”,2018年9月16日过境深圳,中心附近最大风力14级。超强台风“风险事件A”为该风险事件的基本信息,其余部分为该风险事件的描述信息。
S120、根据预置事件因子对所述事件信息中所包含的风险事件进行归并重组以得到风险事件重组信息。
根据预置事件因子对所述事件信息中所包含的风险事件进行归并重组以得到风险事件重组信息。由于不同网站可能均会对同一风险进行记录,同一风险事件也可能会在某一网站中被多次记录,因此需通过事件因子对事件信息中针对某一风险事件对应的多个重复记录进行归并重组,也即是仅保留一个风险事件对应的多个重复记录中的第一个记录以得到风险事件重组信息。具体的,需先根据事件因子从每一风险事件中获取对应的事件关键信息,并基于事件关键信息对风险事件进行归并重组,其中,事件因子包括名称、时间、地点、风险类型、程度。
在一实施例中,如图2所示,步骤S120包括子步骤S121和S122。
S121、根据所述事件因子从所述事件信息中提取得到每一风险事件对应的事件关键信息。
根据预置事件因子从所述事件信息中提取得到每一风险事件对应的事件关键信息。事件因子包括名称、时间、地点、风险类型、程度,根据事件因子分别获取某一风险事件中对应包含的名称信息、时间信息、地点信息、类型信息及程度信息即可得到该风险事件对应的事件关键信息,通过上述方法即可获取得到每一风险事件对应的事件关键信息。
例如,根据事件因子从上述示例中获取得到该风险事件的事件关键信息如表1所示。
名称 | 时间 | 地点 | 风险类型 | 程度 |
风险事件A | 2018年9月16日 | 深圳 | 台风 | 14级 |
表1
S122、根据所述事件关键信息对所述风险事件进行归并重组以得到风险事件重组信息。
根据所述事件关键信息对所述风险事件进行归并重组以得到风险事件重组信息。具体的,根据事件关键信息对同一风险事件是否存在多个重复记录进行判断,若两个风险事件的名称信息、时间信息、地点信息、类型信息均相同,则表明上述两个风险事件为某一风险事件所对应的两个重复记录,否则上述两个风险事件为两个相互独立的风险事件分别对应的记录。若某一风险事件不存在多个重复记录,则无需对该风险事件进行归并重组;若某一风险事件存在多个重复记录,则需对该风险事件进行归并重组,也即是仅保留该风险事件对应的多个重复记录中的第一个记录,根据上述方法对所有风险事件进行归并重组以得到风险事件重组信息。
S130、若接收到用户所输入的风险预警请求,获取所述风险事件重组信息中与所述风险预警请求相匹配的目标风险事件。
若接收到用户所输入的风险预警请求,获取所述风险事件重组信息中与所述风险预警请求相匹配的目标风险事件,其中,所述风险预警请求包括地理位置信息、风险类型信息、时间信息。风险预警请求即是用户所输入的对某一时间出现风险事件的威胁性发出相应预警提示信息的请求信息,风险预警请求中包括地理位置信息,也即是所需进行风险预警的具体地点;风险预警请求中还包括风险类型信息,风险类型信息中可以仅包含一种风险类型,也即是可以对某一种风险类型对应风险事件的威胁性发出相应的预警提示信息,风险类型信息中还可以包含多种不同的风险类型,也即是针对多种风险类型对应风险事件的整体威胁性发出相应的预警提示信息;风险预警请求中还包括时间信息,时间信息可以是当前时间或未来某一时间点。
S140、判断所述风险预警请求的风险类型信息中是否包含多个风险类型以得到判断结果。
对所述风险预警请求的风险类型信息中是否包含多个风险类型进行判断以得到判断结果,由于具体应用过程中,风险类型信息中可以仅包含一种风险类型,也可以包含多种不同的风险类型,针对风险预警请求中所包含风险类型的数量为一个或多个,需采用不同方法获取对应的风险系数,因此在获取风险预警请求的风险系数之前,需先对风险预警请求的风险类型信息中是否包含多个风险类型进行判断。
S150、根据预置风险系数计算模型及所述判断结果对所述目标风险事件进行计算以获取与所述风险预警请求对应的风险系数。
根据预置风险系数计算模型及所述判断结果对所述目标风险事件进行计算以获取与所述风险预警请求对应的风险系数。
在一实施例中,如图3所示,步骤S150包括子步骤S151和S152。
S151、若所述判断结果为所述风险类型信息中不包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算以获取与所述风险预警请求中风险类型对应的风险系数。
若所述判断结果为所述风险类型信息中不包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算以获取与所述风险预警请求中风险类型对应的风险系数,其中,所述风险系数计算模型包括风险距离评分规则、人口密度评分规则、风险事件分级规则及风险系数计算公式。风险系数计算模型即是用于对风险预警请求对应的风险系数进行计算的模型,具体的,风险系数计算模型包括风险距离评分规则、人口密度评分规则、风险事件分级规则及风险系数计算公式,风险距离评分规则即可用于获取风险预警请求对应的风险距离评分;人口密度评分规则即可用于获取风险预警请求对应的人口密度评分;风险事件分级规则即是用于对风险事件的具体等级进行分级的规则,将不同风险类型的风险事件进行分级后,可对不同风险类型的风险事件进行量化分析;风险系数计算公式即是用于对风险系数进行计算的公式。
在一实施例中,如图4所示,步骤S151包括子步骤S1511、S1512、S1513、S1514、S1515、S1516和S1517。
S1511、根据所述风险距离评分规则获取与所述风险预警请求对应的风险距离评分E。
根据所述风险距离评分规则获取与所述风险预警请求对应的风险距离评分E,其中,所述风险距离评分规则中包括风险区域信息及风险距离评分映射信息。风险区域信息中包含每一种风险类型对应的风险区域,也即是风险事件根据其类型可与相应的风险区域相对应;风险距离评分映射信息即是用于对风险预警请求中的地理位置信息与相应目标风险区域之间的距离进行评分的映射信息,不同地理位置信息与目标风险区域之间的距离不同,发生灾害风险的几率也不相同,因此可通过风险距离评分映射信息获取与风险预警请求对应的风险距离评分。
在一实施例中,步骤S1511包括子步骤S1511a、S1511b和S1511c。
S1511a、根据所述风险预警请求中的风险类型获取所述风险区域信息中与所述风险类型相匹配的目标风险区域。风险区域信息中包含每一种风险类型对应的风险区域,根据风险预警请求中的风险类型即可获取与该风险类型相匹配的风险区域作为目标风险区域。
例如,“洪水”这一风险类型对应的目标风险区域是河流、湖泊,“地震”这一风险类型对应的目标风险区域是地震带,“台风”这一风险类型对应的目标风险区域是海岸,“山火”这一风险类型对应的目标风险区域是山区。
S1511b、根据所述风险预警请求中的地理位置信息获取所述目标风险区域与所述地理位置信息之间的风险距离信息。若风险预警请求中的地理位置信息处于风险区域中,则目标风险区域与地理位置信息之间的风险距离信息为“0”;若风险预警请求中的地理位置信息不处于风险区域中,则目标风险区域与地理位置信息之间的风险距离信息为地理位置信息与该目标风险区域边缘的实际距离。
S1511c、根据所述风险距离评分映射信息对所述风险距离信息进行映射以获取与所述风险预警请求对应的风险距离评分E。风险距离评分映射信息包含多个映射区间,每一映射区间对应一个评分值,可根据风险距离信息获取与该风险距离信息相匹配的一个映射区间对应的评分值,所得到的评分值即为风险距离评分E。
例如,风险距离评分映射信息如表2所示。
表2
某一风险距离信息为63Km,根据表2中的风险距离评分映射信息对应得到风险距离评分E为6。
S1512、根据所述人口密度评分规则获取与所述风险预警请求对应的人口密度评分P。
根据所述人口密度评分规则获取与所述风险预警请求对应的人口密度评分P,其中,所述人口密度评分规则中包括人口密度信息及人口密度评分映射信息。人口密度信息中包含每一地理位置信息对应的人口密度值,人口密度评分映射信息即是用于对风险预警请求中的地理位置信息对应人口密度值进行评分的映射信息,不同人口密度值的地区,发生相同灾害风险的危害性也不相同,因此可通过人口密度评分映射信息获取与风险预警请求对应的人口密度评分。
在一实施例中,步骤S1512包括子步骤S1512a和S1512b。
S1512a、根据所述风险预警请求中的地理位置信息获取人口密度信息中与所述地理位置信息对应的人口密度值。
人口密度信息中包含每一地理位置信息对应的人口密度值,根据风险预警请求中的地理位置信息即可获取与该地理位置信息相对应的人口密度值。
S1512b、根据所述人口密度评分映射信息对所述人口密度值进行映射以获取与所述风险预警请求对应的人口密度评分P。
根据所述人口密度评分映射信息对所述人口密度值进行映射以获取与所述风险预警请求对应的人口密度评分P。人口密度评分映射信息包含多个映射区间,每一映射区间对应一个评分值,可根据人口密度值获取与该人口密度值相匹配的一个映射区间对应的评分值,所得到的评分值即为人口密度评分P。
例如,人口密度评分映射信息如表3所示。
表3
某一人口密度值为1.55万人/km2,根据表3中的人口密度评分映射信息对应得到人口密度评分P为4.5。
S1513、根据所述风险事件分级规则对所述目标风险事件进行分级以得到包含每一级目标风险事件数量的事件数量信息。
根据所述风险事件分级规则对所述目标风险事件进行分级以得到包含每一级目标风险事件数量的事件数量信息。其中,每一级目标风险事件对应一个分级值,风险事件分级规则即是用于对目标风险事件进行分级的规则,风险事件分级规则中包含对每一种风险类型的风险事件进行分级的具体规则,对所有目标风险事件进行分级后,即可得到包含每一级目标风险事件数量的事件数量信息。
例如,目标风险事件的风险类型为“台风”,与该风险类型相对应的分级规则如表4所示。
程度(级) | 15及以上 | 14 | 13 | 12 | 11 | 10 | 9 | 8 | 7 | 6 |
分级值 | 10 | 9 | 8 | 7 | 6 | 5 | 4 | 3 | 2 | 1 |
表4
对所有目标风险事件进行分级后得到的事件数量信息如表5所示。
分级值 | 数量 |
10 | 1 |
9 | 1 |
8 | 4 |
7 | 3 |
6 | 6 |
5 | 8 |
4 | 3 |
3 | 1 |
2 | 3 |
1 | 0 |
表5
S1514、获取所述事件数量信息中与所述时间信息月份相同的最高一级目标风险事件的分级值Dmax。
例如,表5的事件数量信息中分级值为“10”的目标风险事件与时间信息月份不相同,分级值为“9”的目标风险事件与时间信息月份相同,获取得到与该时间信息月份相同的最高一级目标风险事件的分级值Dmax为9。
S1515、获取所述事件数量信息中与所述时间信息月份相同且分级值大于第一预设数值的目标风险事件数量N。
例如,第一预设数值为5,对表5的事件数量信息中与时间信息月份相同且分级值大于5的目标风险事件数量为4。
S1516、获取所述事件数量信息中分级值大于第二预设数值的目标风险事件最近一次的发生时间与所述时间信息之间间隔的年份F,其中,所述第二预设数值大于第一预设数值。
获取所述事件数量信息中分级值大于第二预设数值的目标风险事件最近一次的发生时间,并获取该发生时间与时间信息之间间隔的年份F,其中,第二预设数值大于第一预设数值。
例如,第二预设数值为7,获取表5的事件数量信息中分级值大于7的目标风险事件最近一次的发生时间,并获取该发生时间与时间信息之间间隔的年份F为3。
S1517、根据所述风险系数计算公式Dv=w1×E+w2×Dmax+w3×N+w4×F+w5×P确定与所述风险预警请求对应的风险系数Dv,其中,w1、w2、w3、w4、w5均为权重值。
根据所述风险系数计算公式Dv=w1×E+w2×Dmax+w3×N+w4×F+w5×P确定与所述风险预警请求对应的风险系数Dv,其中,w1、w2、w3、w4、w5均为权重值。具体的,在使用风险系数计算公式之前,还将对风险系数计算公式进行训练以对公式中所包含的权重值进行调整。根据上述方法即可计算得到与风险预警请求对应的风险系数,风险系数的数值越大,则表明在风险预警请求中对应地点及对应时间发生风险事件的风险越大。
例如,经训练后所得到的风险系数计算公式为Dv=0.12×E+0.16×Dmax+0.41×N+0.33×F+0.20×P,根据上述信息计算得到对应的风险系数Dv=0.12×6+0.16×9+0.41×4+0.33×3+0.20×4.5=5.69。
S152、若所述判断结果为所述风险类型信息中包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算所得的平均值作为与所述风险预警请求对应的风险系数。
若所述判断结果为所述风险类型信息中包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算所得的平均值作为与所述风险预警请求对应的风险系数。若风险类型信息中包含多个风险类型,则可根据上述方法对多种风险类型的总体风险系数进行计算,具体的,可通过风险系数计算模型对每一种风险类型对应的目标风险事件分别进行计算,并将计算所得到的所有风险类型对应计算结果的平均值作为该风险预警请求对应的风险系数。
在一实施例中,步骤S152包括子步骤S1521、S1522、S1523和S1524。
S1521、根据所述风险距离评分规则获取与所述风险预警请求中每一风险类型对应的风险距离评分以得到风险距离评分信息。
根据所述风险距离评分规则获取与所述风险预警请求中每一风险类型对应的风险距离评分以得到风险距离评分信息,其中,所述风险距离评分规则中包括风险区域信息及风险距离评分映射信息。
S1522、根据所述人口密度评分规则获取与所述风险预警请求对应的人口密度评分。
根据所述人口密度评分规则获取与所述风险预警请求对应的人口密度评分,其中,所述人口密度评分规则中包括人口密度信息及人口密度评分映射信息。
S1523、根据所述风险事件分级规则对每一风险类型对应的目标风险事件进行分级以得到包含每一风险类型的事件分级数量信息。
根据所述风险事件分级规则对每一风险类型对应的目标风险事件进行分级以得到包含每一风险类型的事件分级数量信息。
S1524、将所述风险预警请求中的时间信息、所述风险距离评分信息及所述事件分级数量信息输入所述风险系数计算公式,以获取与所述风险预警请求中多个风险类型对应的平均值以得到风险系数。
将所述风险预警请求中的时间信息、所述风险距离评分信息及所述事件分级数量信息输入所述风险系数计算公式,以获取与所述风险预警请求中多个风险类型对应的平均值以得到风险系数。
S160、根据预置预警提示模型及所述风险系数生成与所述风险预警请求对应的预警提示信息。
根据预置预警提示模型及所述风险系数生成与所述风险预警请求对应的预警提示信息。可通过预置的预警提示模型获取与风险预警请求对应的预警提示信息,具体的,预警提示模型中包含多个提示等级,每一提示等级对应一个风险系数区间,根据预警提示模型即可获取与风险系数对应的提示等级,并生成包含提示等级的预警提示信息,所生成的预警提示信息即可增强对用户进行提示的作用。
在一实施例中,如图5所示,步骤S160包括子步骤S161和S162。
S161、获取所述预警提示模型中与所述风险系数对应的提示等级信息。
获取所述预警提示模型中与所述风险系数对应的提示等级信息。预警提示模型中包含多个提示等级,每一提示等级对应一个风险系数区间,将风险系数与多个风险系数区间进行匹配,即可获取该风险系数所落入的某一风险系数区间,获取该风险系数区间对应的提示等级即可得到对应的提示等级信息。
具体的,预警提示模型中可通过不用提示颜色、不同提示文字、不同提示频率对多个提示等级进行区分。例如,可将提示等级对应的显示颜色采用绿色、蓝色、黄色及红色四种颜色进行区分。
S162、根据所述风险预警请求即所述预警等级信息生成对应的预警提示信息。
根据所述风险预警请求即所述预警等级信息生成对应的预警提示信息。风险预警请求包括地理位置信息、风险类型信息,可根据其中所包含的地理位置信息、风险类型信息及预警等级信息生成对应的预警提示信息,用户收到预警提示信息后即可明确其中所包含的地理位置信息、风险类型信息及发生相应风险事件的威胁性。
在本发明实施例所提供的灾害风险预警方法中,执行信息爬取程序获取风险事件,根据时间因子对风险事件进行归并重组得到风险事件重组信息,获取风险事件重组信息中与风险预警请求相匹配的目标风险事件,根据预置风险系数计算模型对目标风险事件进行计算得到风险系数,并获取与风险系数及风险预警请求对应的预警提示信息。通过上述方法,可对任意时间发生风险事件的风险进行预警,并在预警过程中综合了地理位置信息、时间信息等因素,提高了对发生风险事件的风险进行预警的准确性。
本发明实施例还提供一种灾害风险预警装置,该灾害风险预警装置用于执行前述灾害风险预警方法的任一实施例。具体地,请参阅图6,图6是本发明实施例提供的灾害风险预警装置的示意性框图。该灾害风险预警装置可以配置于用户终端中。
如图6所示,灾害风险预警装置100包括事件信息获取单元110、事件信息归并重组单元120、目标风险事件获取单元130、风险类型信息判断单元140、风险系数计算单元150和预警提示信息生成单元160。
事件信息获取单元110,用于对预置网络地址所对应网页中与预置风险关键字相匹配的信息进行爬取以得到包含多个风险事件的事件信息。
对预置网络地址所对应网页中与预置风险关键字相匹配的信息进行爬取以得到包含多个风险事件的事件信息,其中,所述事件信息包括事件基本信息及事件描述信息,基本信息即是风险事件的种类及名称等信息,事件描述信息即是对事件进行具体描述的详细信息。执行已配置参数值的信息爬取程序,参数值包括预置网络地址及预置风险关键字,对网络地址所对应网页中与风险关键字相匹配的信息进行爬取即可得到包含多个风险事件的事件信息。具体的,为对某一地区发生风险事件的可能性进行计算分析,需从互联网中爬取该地区所发生的历史风险事件,信息爬取程序中的参数值可由用户预先进行配置。具体的,预置的网络地址可以是气象台网站、地震台网站及新闻媒体网站的网络地址;预置风险关键字可以是与台风、地震、洪水、山火等相关的关键字。所获取到的事件信息中包含多个风险事件,风险事件也即是某一地点所发生的台风、地震、洪水、山火等自然灾害的具体信息。
事件信息归并重组单元120,用于根据预置事件因子对所述事件信息中所包含的风险事件进行归并重组以得到风险事件重组信息。
根据预置事件因子对所述事件信息中所包含的风险事件进行归并重组以得到风险事件重组信息。由于不同网站可能均会对同一风险进行记录,同一风险事件也可能会在某一网站中被多次记录,因此需通过事件因子对事件信息中针对某一风险事件对应的多个重复记录进行归并重组,也即是仅保留一个风险事件对应的多个重复记录中的第一个记录以得到风险事件重组信息。具体的,需先根据事件因子从每一风险事件中获取对应的事件关键信息,并基于事件关键信息对风险事件进行归并重组,其中,事件因子包括名称、时间、地点、风险类型、程度。
其他发明实施例中,如图7所示,所述事件信息归并重组单元120包括子单元:事件关键信息提取单元121和事件重组信息获取单元122。
事件关键信息提取单元121,用于根据所述事件因子从所述事件信息中提取得到每一风险事件对应的事件关键信息。
根据预置事件因子从所述事件信息中提取得到每一风险事件对应的事件关键信息。事件因子包括名称、时间、地点、风险类型、程度,根据事件因子分别获取某一风险事件中对应包含的名称信息、时间信息、地点信息、类型信息及程度信息即可得到该风险事件对应的事件关键信息,通过上述方法即可获取得到每一风险事件对应的事件关键信息。
事件重组信息获取单元122,用于根据所述事件关键信息对所述风险事件进行归并重组以得到风险事件重组信息。
根据所述事件关键信息对所述风险事件进行归并重组以得到风险事件重组信息。具体的,根据事件关键信息对同一风险事件是否存在多个重复记录进行判断,若两个风险事件的名称信息、时间信息、地点信息、类型信息均相同,则表明上述两个风险事件为某一风险事件所对应的两个重复记录,否则上述两个风险事件为两个相互独立的风险事件分别对应的记录。若某一风险事件不存在多个重复记录,则无需对该风险事件进行归并重组;若某一风险事件存在多个重复记录,则需对该风险事件进行归并重组,也即是仅保留该风险事件对应的多个重复记录中的第一个记录,根据上述方法对所有风险事件进行归并重组以得到风险事件重组信息。
目标风险事件获取单元130,用于若接收到用户所输入的风险预警请求,获取所述风险事件重组信息中与所述风险预警请求相匹配的目标风险事件。
若接收到用户所输入的风险预警请求,获取所述风险事件重组信息中与所述风险预警请求相匹配的目标风险事件,其中,所述风险预警请求包括地理位置信息、风险类型信息、时间信息。风险预警请求即是用户所输入的对某一时间出现风险事件的威胁性发出相应预警提示信息的请求信息,风险预警请求中包括地理位置信息,也即是所需进行风险预警的具体地点;风险预警请求中还包括风险类型信息,风险类型信息中可以仅包含一种风险类型,也即是可以对某一种风险类型对应风险事件的威胁性发出相应的预警提示信息,风险类型信息中还可以包含多种不同的风险类型,也即是针对多种风险类型对应风险事件的整体威胁性发出相应的预警提示信息;风险预警请求中还包括时间信息,时间信息可以是当前时间或未来某一时间点。
风险类型信息判断单元140,用于判断所述风险预警请求的风险类型信息中是否包含多个风险类型以得到判断结果。
对所述风险预警请求的风险类型信息中是否包含多个风险类型进行判断以得到判断结果,由于具体应用过程中,风险类型信息中可以仅包含一种风险类型,也可以包含多种不同的风险类型,针对风险预警请求中所包含风险类型的数量为一个或多个,需采用不同方法获取对应的风险系数,因此在获取风险预警请求的风险系数之前,需先对风险预警请求的风险类型信息中是否包含多个风险类型进行判断。
风险系数计算单元150,用于根据预置风险系数计算模型及所述判断结果对所述目标风险事件进行计算以获取与所述风险预警请求对应的风险系数。
根据预置风险系数计算模型及所述判断结果对所述目标风险事件进行计算以获取与所述风险预警请求对应的风险系数。
其他发明实施例中,如图8所示,所述风险系数计算单元150包括子单元:第一风险系数计算单元151和第二风险系数计算单元152。
第一风险系数计算单元151,用于若所述判断结果为所述风险类型信息中不包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算以获取与所述风险预警请求中风险类型对应的风险系数。
若所述判断结果为所述风险类型信息中不包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算以获取与所述风险预警请求中风险类型对应的风险系数,其中,所述风险系数计算模型包括风险距离评分规则、人口密度评分规则、风险事件分级规则及风险系数计算公式。风险系数计算模型即是用于对风险预警请求对应的风险系数进行计算的模型,具体的,风险系数计算模型包括风险距离评分规则、人口密度评分规则、风险事件分级规则及风险系数计算公式,风险距离评分规则即可用于获取风险预警请求对应的风险距离评分;人口密度评分规则即可用于获取风险预警请求对应的人口密度评分;风险事件分级规则即是用于对风险事件的具体等级进行分级的规则,将不同风险类型的风险事件进行分级后,可对不同风险类型的风险事件进行量化分析;风险系数计算公式即是用于对风险系数进行计算的公式。
其他发明实施例中,如图8所示,所述第一风险系数计算单元151包括子单元:风险距离评分获取单元1511、人口密度评分获取单元1512、事件数量信息获取单元1513、最大分级值获取单元1514、事件数量统计单元1515、年份信息获取单元1516和风险系数计算单元1517。
风险距离评分获取单元1511,用于根据所述风险距离评分规则获取与所述风险预警请求对应的风险距离评分E。
根据所述风险距离评分规则获取与所述风险预警请求对应的风险距离评分E,其中,所述风险距离评分规则中包括风险区域信息及风险距离评分映射信息。风险区域信息中包含每一种风险类型对应的风险区域,也即是风险事件根据其类型可与相应的风险区域相对应;风险距离评分映射信息即是用于对风险预警请求中的地理位置信息与相应目标风险区域之间的距离进行评分的映射信息,不同地理位置信息与目标风险区域之间的距离不同,发生灾害风险的几率也不相同,因此可通过风险距离评分映射信息获取与风险预警请求对应的风险距离评分。
其他发明实施例中,所述风险距离评分获取单元1511包括子单元:目标风险区域匹配单元1511a、风险距离信息获取单元1511b和风险距离信息映射单元1511c。
目标风险区域匹配单元1511a,用于根据所述风险预警请求中的风险类型获取所述风险区域信息中与所述风险类型相匹配的目标风险区域。
根据所述风险预警请求中的风险类型获取所述风险区域信息中与所述风险类型相匹配的目标风险区域。风险区域信息中包含每一种风险类型对应的风险区域,根据风险预警请求中的风险类型即可获取与该风险类型相匹配的风险区域作为目标风险区域。
风险距离信息获取单元1511b,用于根据所述风险预警请求中的地理位置信息获取所述目标风险区域与所述地理位置信息之间的风险距离信息。
根据所述风险预警请求中的地理位置信息获取所述目标风险区域与所述地理位置信息之间的风险距离信息。若风险预警请求中的地理位置信息处于风险区域中,则目标风险区域与地理位置信息之间的风险距离信息为“0”;若风险预警请求中的地理位置信息不处于风险区域中,则目标风险区域与地理位置信息之间的风险距离信息为地理位置信息与该目标风险区域边缘的实际距离。
风险距离信息映射单元1511c,用于根据所述风险距离评分映射信息对所述风险距离信息进行映射以获取与所述风险预警请求对应的风险距离评分E。
根据所述风险距离评分映射信息对所述风险距离信息进行映射以获取与所述风险预警请求对应的风险距离评分E。风险距离评分映射信息包含多个映射区间,每一映射区间对应一个评分值,可根据风险距离信息获取与该风险距离信息相匹配的一个映射区间对应的评分值,所得到的评分值即为风险距离评分E。
人口密度评分获取单元1512,用于根据所述人口密度评分规则获取与所述风险预警请求对应的人口密度评分P。
根据所述人口密度评分规则获取与所述风险预警请求对应的人口密度评分P,其中,所述人口密度评分规则中包括人口密度信息及人口密度评分映射信息。人口密度信息中包含每一地理位置信息对应的人口密度值,人口密度评分映射信息即是用于对风险预警请求中的地理位置信息对应人口密度值进行评分的映射信息,不同人口密度值的地区,发生相同灾害风险的危害性也不相同,因此可通过人口密度评分映射信息获取与风险预警请求对应的人口密度评分。
其他发明实施例中,所述人口密度评分获取单元1512包括子单元:人口密度值获取单元1512a和人口密度值映射单元1512b。
人口密度值获取单元1512a,用于根据所述风险预警请求中的地理位置信息获取人口密度信息中与所述地理位置信息对应的人口密度值。
人口密度信息中包含每一地理位置信息对应的人口密度值,根据风险预警请求中的地理位置信息即可获取与该地理位置信息相对应的人口密度值。
人口密度值映射单元1512b,用于根据所述人口密度评分映射信息对所述人口密度值进行映射以获取与所述风险预警请求对应的人口密度评分P。
根据所述人口密度评分映射信息对所述人口密度值进行映射以获取与所述风险预警请求对应的人口密度评分P。人口密度评分映射信息包含多个映射区间,每一映射区间对应一个评分值,可根据人口密度值获取与该人口密度值相匹配的一个映射区间对应的评分值,所得到的评分值即为人口密度评分P。
事件数量信息获取单元1513,用于根据所述风险事件分级规则对所述目标风险事件进行分级以得到包含每一级目标风险事件数量的事件数量信息。
根据所述风险事件分级规则对所述目标风险事件进行分级以得到包含每一级目标风险事件数量的事件数量信息。其中,每一级目标风险事件对应一个分级值,风险事件分级规则即是用于对目标风险事件进行分级的规则,风险事件分级规则中包含对每一种风险类型的风险事件进行分级的具体规则,对所有目标风险事件进行分级后,即可得到包含每一级目标风险事件数量的事件数量信息。
最大分级值获取单元1514,用于获取所述事件数量信息中与所述时间信息月份相同的最高一级目标风险事件的分级值Dmax。
事件数量统计单元1515,用于获取所述事件数量信息中与所述时间信息月份相同且分级值大于第一预设数值的目标风险事件数量N。
年份信息获取单元1516,用于获取所述事件数量信息中分级值大于第二预设数值的目标风险事件最近一次的发生时间与所述时间信息之间间隔的年份F,其中,所述第二预设数值大于第一预设数值。
获取所述事件数量信息中分级值大于第二预设数值的目标风险事件最近一次的发生时间,并获取该发生时间与时间信息之间间隔的年份F,其中,第二预设数值大于第一预设数值。
风险系数计算单元1517,用于根据所述风险系数计算公式Dv=w1×E+w2×Dmax+w3×N+w4×F+w5×P确定与所述风险预警请求对应的风险系数Dv,其中,w1、w2、w3、w4、w5均为权重值。
根据所述风险系数计算公式Dv=w1×E+w2×Dmax+w3×N+w4×F+w5×P确定与所述风险预警请求对应的风险系数Dv,其中,w1、w2、w3、w4、w5均为权重值。具体的,在使用风险系数计算公式之前,还将对风险系数计算公式进行训练以对公式中所包含的权重值进行调整。根据上述方法即可计算得到与风险预警请求对应的风险系数,风险系数的数值越大,则表明在风险预警请求中对应地点及对应时间发生风险事件的风险越大。
第二风险系数计算单元152,用于若所述判断结果为所述风险类型信息中包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算所得的平均值作为与所述风险预警请求对应的风险系数。
若所述判断结果为所述风险类型信息中包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算所得的平均值作为与所述风险预警请求对应的风险系数。若风险类型信息中包含多个风险类型,则可根据上述方法对多种风险类型的总体风险系数进行计算,具体的,可通过风险系数计算模型对每一种风险类型对应的目标风险事件分别进行计算,并将计算所得到的所有风险类型对应计算结果的平均值作为该风险预警请求对应的风险系数。
其他发明实施例中,所述第二风险系数计算单元152包括子单元:风险距离评分信息获取单元1521、人口密度评分获取单元1522、事件分级数量信息获取单元1523和风险系数平均值计算单元1524。
风险距离评分信息获取单元1521,用于根据所述风险距离评分规则获取与所述风险预警请求中每一风险类型对应的风险距离评分以得到风险距离评分信息。
根据所述风险距离评分规则获取与所述风险预警请求中每一风险类型对应的风险距离评分以得到风险距离评分信息,其中,所述风险距离评分规则中包括风险区域信息及风险距离评分映射信息。
人口密度评分获取单元1522,用于根据所述人口密度评分规则获取与所述风险预警请求对应的人口密度评分。
根据所述人口密度评分规则获取与所述风险预警请求对应的人口密度评分,其中,所述人口密度评分规则中包括人口密度信息及人口密度评分映射信息。
事件分级数量信息获取单元1523,用于根据所述风险事件分级规则对每一风险类型对应的目标风险事件进行分级以得到包含每一风险类型的事件分级数量信息。
根据所述风险事件分级规则对每一风险类型对应的目标风险事件进行分级以得到包含每一风险类型的事件分级数量信息。
风险系数平均值计算单元1524,用于将所述风险预警请求中的时间信息、所述风险距离评分信息及所述事件分级数量信息输入所述风险系数计算公式,以获取与所述风险预警请求中多个风险类型对应的平均值以得到风险系数。
将所述风险预警请求中的时间信息、所述风险距离评分信息及所述事件分级数量信息输入所述风险系数计算公式,以获取与所述风险预警请求中多个风险类型对应的平均值以得到风险系数。
预警提示信息生成单元160,用于根据预置预警提示模型及所述风险系数生成与所述风险预警请求对应的预警提示信息。
根据预置预警提示模型及所述风险系数生成与所述风险预警请求对应的预警提示信息。可通过预置的预警提示模型获取与风险预警请求对应的预警提示信息,具体的,预警提示模型中包含多个提示等级,每一提示等级对应一个风险系数区间,根据预警提示模型即可获取与风险系数对应的提示等级,并生成包含提示等级的预警提示信息,所生成的预警提示信息即可增强对用户进行提示的作用。
其他发明实施例中,如图10所示,所述预警提示信息生成单元160包括子单元:提示等级信息获取单元161和提示信息生成单元162。
提示等级信息获取单元161,用于获取所述预警提示模型中与所述风险系数对应的提示等级信息。
获取所述预警提示模型中与所述风险系数对应的提示等级信息。预警提示模型中包含多个提示等级,每一提示等级对应一个风险系数区间,将风险系数与多个风险系数区间进行匹配,即可获取该风险系数所落入的某一风险系数区间,获取该风险系数区间对应的提示等级即可得到对应的提示等级信息。
提示信息生成单元162,用于根据所述风险预警请求即所述预警等级信息生成对应的预警提示信息。
根据所述风险预警请求即所述预警等级信息生成对应的预警提示信息。风险预警请求包括地理位置信息、风险类型信息,可根据其中所包含的地理位置信息、风险类型信息及预警等级信息生成对应的预警提示信息,用户收到预警提示信息后即可明确其中所包含的地理位置信息、风险类型信息及发生相应风险事件的威胁性。
在本发明实施例所提供的灾害风险预警装置用于执行上述灾害风险预警方法,执行信息爬取程序获取风险事件,根据时间因子对风险事件进行归并重组得到风险事件重组信息,获取风险事件重组信息中与风险预警请求相匹配的目标风险事件,根据预置风险系数计算模型对目标风险事件进行计算得到风险系数,并获取与风险系数及风险预警请求对应的预警提示信息。通过上述方法,可对任意时间发生风险事件的风险进行预警,并在预警过程中综合了地理位置信息、时间信息等因素,提高了对发生风险事件的风险进行预警的准确性。
上述灾害风险预警装置可以实现为计算机程序的形式,该计算机程序可以在如图11所示的计算机设备上运行。
请参阅图11,图11是本发明实施例提供的计算机设备的示意性框图。
参阅图11,该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行灾害风险预警方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行灾害风险预警方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图11中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下功能:对预置网络地址所对应网页中与预置风险关键字相匹配的信息进行爬取以得到包含多个风险事件的事件信息;根据预置事件因子对所述事件信息中所包含的风险事件进行归并重组以得到风险事件重组信息,其中,所述事件因子包括名称、时间、地点、风险类型、程度;若接收到用户所输入的风险预警请求,获取所述风险事件重组信息中与所述风险预警请求相匹配的目标风险事件,其中,所述风险预警请求包括地理位置信息、风险类型信息、时间信息;判断所述风险预警请求的风险类型信息中是否包含多个风险类型以得到判断结果;根据预置风险系数计算模型及所述判断结果对所述目标风险事件进行计算以获取与所述风险预警请求对应的风险系数;根据预置预警提示模型及所述风险系数生成与所述风险预警请求对应的预警提示信息。
在一实施例中,处理器502在执行根据预置事件因子对所述事件信息中所包含的风险事件进行归并重组以得到风险事件重组信息的步骤时,执行如下操作:根据所述事件因子从所述事件信息中提取得到每一风险事件对应的事件关键信息;根据所述事件关键信息对所述风险事件进行归并重组以得到风险事件重组信息。
在一实施例中,处理器502在执行根据预置风险系数计算模型及所述判断结果对所述目标风险事件进行计算以获取与所述风险预警请求对应的风险系数的步骤时,执行如下操作:若所述判断结果为所述风险类型信息中不包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算以获取与所述风险预警请求中风险类型对应的风险系数;若所述判断结果为所述风险类型信息中包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算所得的平均值作为与所述风险预警请求对应的风险系数。
在一实施例中,处理器502在执行根据预置风险系数计算模型对所述目标风险事件进行计算以获取与所述风险预警请求中风险类型对应的风险系数的步骤时,执行如下操作:根据所述风险距离评分规则获取与所述风险预警请求对应的风险距离评分E;根据所述人口密度评分规则获取与所述风险预警请求对应的人口密度评分P;根据所述风险事件分级规则对所述目标风险事件进行分级以得到包含每一级目标风险事件数量的事件数量信息,其中,每一级目标风险事件对应一个分级值;获取所述事件数量信息中与所述时间信息月份相同的最高一级目标风险事件的分级值Dmax;获取所述事件数量信息中与所述时间信息月份相同且分级值大于第一预设数值的目标风险事件数量N;获取所述事件数量信息中分级值大于第二预设数值的目标风险事件最近一次的发生时间与所述时间信息之间间隔的年份F,其中,所述第二预设数值大于第一预设数值;根据所述风险系数计算公式Dv=w1×E+w2×Dmax+w3×N+w4×F+w5×P确定与所述风险预警请求对应的风险系数Dv,其中,w1、w2、w3、w4、w5均为权重值。
在一实施例中,处理器502在执行根据预置预警提示模型及所述风险系数生成与所述风险预警请求对应的预警提示信息的步骤时,执行如下操作:获取所述预警提示模型中与所述风险系数对应的预警等级信息;根据所述风险预警请求即所述预警等级信息生成对应的预警提示信息。
本领域技术人员可以理解,图11中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图11所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现以下步骤:对预置网络地址所对应网页中与预置风险关键字相匹配的信息进行爬取以得到包含多个风险事件的事件信息;根据预置事件因子对所述事件信息中所包含的风险事件进行归并重组以得到风险事件重组信息,其中,所述事件因子包括名称、时间、地点、风险类型、程度;若接收到用户所输入的风险预警请求,获取所述风险事件重组信息中与所述风险预警请求相匹配的目标风险事件,其中,所述风险预警请求包括地理位置信息、风险类型信息、时间信息;判断所述风险预警请求的风险类型信息中是否包含多个风险类型以得到判断结果;根据预置风险系数计算模型及所述判断结果对所述目标风险事件进行计算以获取与所述风险预警请求对应的风险系数;根据预置预警提示模型及所述风险系数生成与所述风险预警请求对应的预警提示信息。
在一实施例中,所述根据预置事件因子对所述事件信息中所包含的风险事件进行归并重组以得到风险事件重组信息的步骤,包括:根据所述事件因子从所述事件信息中提取得到每一风险事件对应的事件关键信息;根据所述事件关键信息对所述风险事件进行归并重组以得到风险事件重组信息。
在一实施例中,所述根据预置风险系数计算模型及所述判断结果对所述目标风险事件进行计算以获取与所述风险预警请求对应的风险系数的步骤,包括:若所述判断结果为所述风险类型信息中不包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算以获取与所述风险预警请求中风险类型对应的风险系数;若所述判断结果为所述风险类型信息中包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算所得的平均值作为与所述风险预警请求对应的风险系数。
在一实施例中,所述根据预置风险系数计算模型对所述目标风险事件进行计算以获取与所述风险预警请求中风险类型对应的风险系数的步骤,包括:根据所述风险距离评分规则获取与所述风险预警请求对应的风险距离评分E;根据所述人口密度评分规则获取与所述风险预警请求对应的人口密度评分P;根据所述风险事件分级规则对所述目标风险事件进行分级以得到包含每一级目标风险事件数量的事件数量信息,其中,每一级目标风险事件对应一个分级值;获取所述事件数量信息中与所述时间信息月份相同的最高一级目标风险事件的分级值Dmax;获取所述事件数量信息中与所述时间信息月份相同且分级值大于第一预设数值的目标风险事件数量N;获取所述事件数量信息中分级值大于第二预设数值的目标风险事件最近一次的发生时间与所述时间信息之间间隔的年份F,其中,所述第二预设数值大于第一预设数值;根据所述风险系数计算公式Dv=w1×E+w2×Dmax+w3×N+w4×F+w5×P确定与所述风险预警请求对应的风险系数Dv,其中,w1、w2、w3、w4、w5均为权重值。
在一实施例中,所述根据预置预警提示模型及所述风险系数生成与所述风险预警请求对应的预警提示信息的步骤,包括:获取所述预警提示模型中与所述风险系数对应的预警等级信息;根据所述风险预警请求即所述预警等级信息生成对应的预警提示信息。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、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,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,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单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元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,也可以是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,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个计算机可读存储介质中,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,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种灾害风险预警方法,其特征在于,包括:
对预置网络地址所对应网页中与预置风险关键字相匹配的信息进行爬取以得到包含多个风险事件的事件信息;
根据预置事件因子对所述事件信息中所包含的风险事件进行归并重组以得到风险事件重组信息,其中,所述事件因子包括名称、时间、地点、风险类型、程度;
若接收到用户所输入的风险预警请求,获取所述风险事件重组信息中与所述风险预警请求相匹配的目标风险事件,其中,所述风险预警请求包括地理位置信息、风险类型信息、时间信息;
判断所述风险预警请求的风险类型信息中是否包含多个风险类型以得到判断结果;
根据预置风险系数计算模型及所述判断结果对所述目标风险事件进行计算以获取与所述风险预警请求对应的风险系数;
根据预置预警提示模型及所述风险系数生成与所述风险预警请求对应的预警提示信息;
所述根据预置风险系数计算模型及所述判断结果对所述目标风险事件进行计算以获取与所述风险预警请求对应的风险系数,包括:
若所述判断结果为所述风险类型信息中不包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算以获取与所述风险预警请求中风险类型对应的风险系数;
若所述判断结果为所述风险类型信息中包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算所得的平均值作为与所述风险预警请求对应的风险系数;
所述风险系数计算模型包括风险距离评分规则、人口密度评分规则、风险事件分级规则及风险系数计算公式,所述根据预置风险系数计算模型对所述目标风险事件进行计算以获取与所述风险预警请求中风险类型对应的风险系数,包括:
根据所述风险距离评分规则获取与所述风险预警请求对应的风险距离评分E;
根据所述人口密度评分规则获取与所述风险预警请求对应的人口密度评分P;
根据所述风险事件分级规则对所述目标风险事件进行分级以得到包含每一级目标风险事件数量的事件数量信息,其中,每一级目标风险事件对应一个分级值;
获取所述事件数量信息中与所述时间信息月份相同的最高一级目标风险事件的分级值Dmax;
获取所述事件数量信息中与所述时间信息月份相同且分级值大于第一预设数值的目标风险事件数量N;
获取所述事件数量信息中分级值大于第二预设数值的目标风险事件最近一次的发生时间与所述时间信息之间间隔的年份F,其中,所述第二预设数值大于第一预设数值;
根据所述风险系数计算公式Dv=w1×E+w2×Dmax+w3×N+w4×F+w5×P确定与所述风险预警请求对应的风险系数Dv,其中,w1、w2、w3、w4、w5均为权重值。
2.根据权利要求1所述的灾害风险预警方法,其特征在于,所述根据预置事件因子对所述事件信息中所包含的风险事件进行归并重组以得到风险事件重组信息,包括:
根据所述事件因子从所述事件信息中提取得到每一风险事件对应的事件关键信息;
根据所述事件关键信息对所述风险事件进行归并重组以得到风险事件重组信息。
3.根据权利要求1所述的灾害风险预警方法,其特征在于,所述根据预置预警提示模型及所述风险系数生成与所述风险预警请求对应的预警提示信息,包括:
获取所述预警提示模型中与所述风险系数对应的预警等级信息;
根据所述风险预警请求即所述预警等级信息生成对应的预警提示信息。
4.一种灾害风险预警装置,其特征在于,包括:
事件信息获取单元,用于对预置网络地址所对应网页中与预置风险关键字相匹配的信息进行爬取以得到包含多个风险事件的事件信息;
事件信息归并重组单元,用于根据预置事件因子对所述事件信息中所包含的风险事件进行归并重组以得到风险事件重组信息,其中,所述事件因子包括名称、时间、地点、风险类型、程度;
目标风险事件获取单元,用于若接收到用户所输入的风险预警请求,获取所述风险事件重组信息中与所述风险预警请求相匹配的目标风险事件,其中,所述风险预警请求包括地理位置信息、风险类型信息、时间信息;
风险类型信息判断单元,用于判断所述风险预警请求的风险类型信息中是否包含多个风险类型以得到判断结果;
风险系数计算单元,用于根据预置风险系数计算模型及所述判断结果对所述目标风险事件进行计算以获取与所述风险预警请求对应的风险系数;
预警提示信息生成单元,用于根据预置预警提示模型及所述风险系数生成与所述风险预警请求对应的预警提示信息;
所述风险系数计算单元,包括:
第一风险系数计算单元,用于若所述判断结果为所述风险类型信息中不包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算以获取与所述风险预警请求中风险类型对应的风险系数;
第二风险系数计算单元,用于若所述判断结果为所述风险类型信息中包含多个风险类型,根据预置风险系数计算模型对所述目标风险事件进行计算所得的平均值作为与所述风险预警请求对应的风险系数;
所述风险系数计算模型包括风险距离评分规则、人口密度评分规则、风险事件分级规则及风险系数计算公式;
第一风险系数计算单元包括子单元:
风险距离评分获取单元,用于根据所述风险距离评分规则获取与所述风险预警请求对应的风险距离评分E;人口密度评分获取单元,用于根据所述人口密度评分规则获取与所述风险预警请求对应的人口密度评分P;事件数量信息获取单元,用于根据所述风险事件分级规则对所述目标风险事件进行分级以得到包含每一级目标风险事件数量的事件数量信息;最大分级值获取单元,用于获取所述事件数量信息中与所述时间信息月份相同的最高一级目标风险事件的分级值Dmax;事件数量统计单元,用于获取所述事件数量信息中与所述时间信息月份相同且分级值大于第一预设数值的目标风险事件数量N;年份信息获取单元,用于获取所述事件数量信息中分级值大于第二预设数值的目标风险事件最近一次的发生时间与所述时间信息之间间隔的年份F,其中,所述第二预设数值大于第一预设数值;风险系数计算单元,用于根据所述风险系数计算公式Dv=w1×E+w2×Dmax+w3×N+w4×F+w5×P确定与所述风险预警请求对应的风险系数Dv,其中,w1、w2、w3、w4、w5均为权重值。
5.根据权利要求4所述的灾害风险预警装置,其特征在于,所述事件信息归并重组单元,包括:
事件关键信息提取单元,用于根据所述事件因子从所述事件信息中提取得到每一风险事件对应的事件关键信息;
事件重组信息获取单元,用于根据所述事件关键信息对所述风险事件进行归并重组以得到风险事件重组信息。
6.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的灾害风险预警方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至3任一项所述的灾害风险预警方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702054.5A CN110544013B (zh) | 2019-07-31 | 2019-07-31 | 灾害风险预警方法、装置、计算机设备及存储介质 |
PCT/CN2020/093166 WO2021017607A1 (zh) | 2019-07-31 | 2020-05-29 | 灾害风险预警方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702054.5A CN110544013B (zh) | 2019-07-31 | 2019-07-31 | 灾害风险预警方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110544013A CN110544013A (zh) | 2019-12-06 |
CN110544013B true CN110544013B (zh) | 2024-03-05 |
Family
ID=68709947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910702054.5A Active CN110544013B (zh) | 2019-07-31 | 2019-07-31 | 灾害风险预警方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110544013B (zh) |
WO (1) | WO2021017607A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544013B (zh) * | 2019-07-31 | 2024-03-05 | 平安科技(深圳)有限公司 | 灾害风险预警方法、装置、计算机设备及存储介质 |
CN111815105A (zh) * | 2020-05-18 | 2020-10-23 | 深圳市第一反应信息科技有限公司 | 一种用于提供风险评估地图信息的方法与设备 |
CN114023049B (zh) * | 2021-11-25 | 2022-08-16 | 西安理工大学 | 一种山洪灾害预警指标检验复核方法及*** |
CN114814888B (zh) * | 2022-06-30 | 2022-09-13 | 南京源兴智达信息科技有限公司 | 一种基于北斗三号的手持终端设备 |
CN115311355B (zh) * | 2022-09-20 | 2023-07-07 | 中国铁建电气化局集团有限公司 | 接触网异物风险预警方法、装置、设备及存储介质 |
CN117035406B (zh) * | 2023-07-31 | 2024-06-18 | 北京华夏电通科技股份有限公司 | 审判流程智能管控方法、装置和设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012098820A (ja) * | 2010-10-29 | 2012-05-24 | Techno Management Solutions:Kk | プロセスリスクアセスメント支援装置 |
CN103854064A (zh) * | 2012-11-29 | 2014-06-11 | 中国科学院计算机网络信息中心 | 一种面向特定区域的事件发生风险预测并预警方法 |
CN108304580A (zh) * | 2018-03-05 | 2018-07-20 | 上海思贤信息技术股份有限公司 | 一种面向城市网格化管理的重大事件预警方法和*** |
CN108876600A (zh) * | 2018-08-20 | 2018-11-23 | 平安科技(深圳)有限公司 | 预警信息推送方法、装置、计算机设备和介质 |
WO2018220439A2 (en) * | 2017-05-30 | 2018-12-06 | Nauto Global Limited | Systems and methods for safe route determination |
CN109064052A (zh) * | 2018-08-20 | 2018-12-21 | 国家海洋信息中心 | 海洋灾害风险事件分类方法及装置 |
CN109711656A (zh) * | 2018-08-20 | 2019-05-03 | 平安普惠企业管理有限公司 | 多***关联预警方法、装置、设备及计算机可读存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050071217A1 (en) * | 2003-09-30 | 2005-03-31 | General Electric Company | Method, system and computer product for analyzing business risk using event information extracted from natural language sources |
JP5650757B2 (ja) * | 2010-01-19 | 2015-01-07 | スイス リインシュランス カンパニー リミテッド | 自動化された位置依存型の自然災害予測のための方法およびシステム |
JP6333755B2 (ja) * | 2015-02-23 | 2018-05-30 | リズム時計工業株式会社 | 緊急災害情報受信機 |
CN107169598A (zh) * | 2017-05-05 | 2017-09-15 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的天气预测方法及*** |
CN107316163A (zh) * | 2017-07-18 | 2017-11-03 | 海南师范大学 | 一种区域灾害风险评估方法 |
CN109086935B (zh) * | 2018-08-07 | 2021-03-30 | 中国地质环境监测院 | 一种区域地质灾害趋势预测方法 |
CN110544013B (zh) * | 2019-07-31 | 2024-03-05 | 平安科技(深圳)有限公司 | 灾害风险预警方法、装置、计算机设备及存储介质 |
-
2019
- 2019-07-31 CN CN201910702054.5A patent/CN110544013B/zh active Active
-
2020
- 2020-05-29 WO PCT/CN2020/093166 patent/WO2021017607A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012098820A (ja) * | 2010-10-29 | 2012-05-24 | Techno Management Solutions:Kk | プロセスリスクアセスメント支援装置 |
CN103854064A (zh) * | 2012-11-29 | 2014-06-11 | 中国科学院计算机网络信息中心 | 一种面向特定区域的事件发生风险预测并预警方法 |
WO2018220439A2 (en) * | 2017-05-30 | 2018-12-06 | Nauto Global Limited | Systems and methods for safe route determination |
CN108304580A (zh) * | 2018-03-05 | 2018-07-20 | 上海思贤信息技术股份有限公司 | 一种面向城市网格化管理的重大事件预警方法和*** |
CN108876600A (zh) * | 2018-08-20 | 2018-11-23 | 平安科技(深圳)有限公司 | 预警信息推送方法、装置、计算机设备和介质 |
CN109064052A (zh) * | 2018-08-20 | 2018-12-21 | 国家海洋信息中心 | 海洋灾害风险事件分类方法及装置 |
CN109711656A (zh) * | 2018-08-20 | 2019-05-03 | 平安普惠企业管理有限公司 | 多***关联预警方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110544013A (zh) | 2019-12-06 |
WO2021017607A1 (zh) | 2021-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544013B (zh) | 灾害风险预警方法、装置、计算机设备及存储介质 | |
Zou et al. | Social and geographical disparities in Twitter use during Hurricane Harvey | |
US10909647B2 (en) | Damage data propagation in predictor of structural damage | |
McDonald et al. | Range‐wide population size of the lesser prairie‐chicken: 2012 and 2013 | |
WO2021174944A1 (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
US10109023B2 (en) | Social media events detection and verification | |
Kryvasheyeu et al. | Performance of social network sensors during Hurricane Sandy | |
US11122009B2 (en) | Systems and methods for identifying geographic locations of social media content collected over social networks | |
US8250008B1 (en) | Decision tree refinement | |
Crandall et al. | Inferring social ties from geographic coincidences | |
US20220101203A1 (en) | Training data quality for spam classification | |
US20130297694A1 (en) | Systems and methods for interactive presentation and analysis of social media content collection over social networks | |
Shao et al. | The spread of misinformation by social bots | |
Avvenuti et al. | Pulling information from social media in the aftermath of unpredictable disasters | |
AU2011202431A1 (en) | Methods, Apparatus, and Articles of Manufacture to Rank Users in an Online Social Network | |
Strader et al. | A Monte Carlo model for estimating tornado impacts | |
US11568008B2 (en) | Apparatus, method and article to identify discrepancies between clients and in response prompt clients in a networked environment | |
US9866454B2 (en) | Generating anonymous data from web data | |
Cuite et al. | Improving coastal storm evacuation messages | |
US20200089723A1 (en) | Method and system for detecting graph based event in social networks | |
Zhang et al. | Confidence intervals for ranks of age‐adjusted rates across states or counties | |
Young et al. | Social sensing of flood impacts in India: A case study of Kerala 2018 | |
Zellner et al. | Variable selection in logistic regression models | |
CN109376287B (zh) | 房产图谱构建方法、装置、计算机设备及存储介质 | |
Patten et al. | Biogeographical boundaries and Monmonier’s algorithm: a case study in the northern Neotropics |
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 |