CN113516368A - 城市和社区不确定性风险的预测方法、装置、设备及介质 - Google Patents
城市和社区不确定性风险的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113516368A CN113516368A CN202110654648.0A CN202110654648A CN113516368A CN 113516368 A CN113516368 A CN 113516368A CN 202110654648 A CN202110654648 A CN 202110654648A CN 113516368 A CN113516368 A CN 113516368A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- calculation
- communities
- cities
- 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 36
- 238000004364 calculation method Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000011160 research Methods 0.000 claims abstract description 25
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 38
- 238000005516 engineering process Methods 0.000 claims description 24
- 238000004088 simulation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 8
- 230000008846 dynamic interplay Effects 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims description 5
- 238000012950 reanalysis Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005669 field effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 231100000817 safety factor Toxicity 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种城市和社区不确定性风险的预测方法,所述方法包括:根据城市和社区中不确定性风险的研究对象建立不少于一个基础模型,对所述基础模型进行组合得到组合后得计算模型;对所述计算模型结合城市和社区情景获取计算数据;利用所述计算数据进行神经网络训练得到训练数据;对城市和社区中不确定性风险的研究对象的历史数据与所述训练数据进行比较对所述计算模型进行参数修正得到修正后的模型;利用所述修正后的模型进行城市和社区不确定性风险预测。
Description
技术领域
本公开涉及城市和社区不确定性风险的预测技术领域,更为具体来说,本公开涉及城市和社区不确定性风险的预测方法、装置、设备及介质。
背景技术
模型驱动是通过建立数学模型的方式给出问题的解答,它对事物做出一种抽象化的建模。这种抽象化的背后是对问题进行一系列假设后的简化,以线性模型为例,描述问题的自变量和因变量之间有明确的数学物理含义,易于被理解和接受。但是,这种方式是有局限性的,并且很多问题是难以被模型化的,例如不确定性的风险,包括地震、火灾等。这些不确定性风险具有突发性强,动态性大的特点。通常情况下,常规的模型驱动很难有效地预测这些不确定现象,尤其是对发生条件和结果都具有不确定性的风险。
在数据驱动中,只要有足够多代表性的样本(数据),就可以运用数学找到一个或者一组模型的组合使得它和真实的情况非常接近。注意这个方法的前提是具有足够代表性的数据。数据驱动方法的意义在于,当一个问题暂时不能用简单而准确的方法解决时,可以根据以往的历史数据,构造出近似的模型来逼近真实情况,这实际上是用计算量和数据量来换取研究时间。得到的模型虽然和真实情况有偏差但是足以指导实践。而且数据驱动方法有一个特别大的优势,就是能够最大程度的得益于计算机技术的进步。
对城市和社区中不确定性风险的有效预测是风险合理决策的前提,但是对于对发生条件和结果都具有不确定性的风险只使用模型驱动,很难给出准确的风险预测。随着计算机技术的发展,大数据机器学习技术针对不确定性风险又给出一种分析方案。以模型计算和机器学习为技术背景,发展数据-模型混合驱动技术,以期对不确定性风险做出合理预测。
发明内容
为解决现有技术的分类模型不能满足用户对于自适应盲检的实际需求的技术问题。
为实现上述技术目的,本公开提供了一种城市和社区不确定性风险的预测方法,包括:
根据城市和社区中不确定性风险的研究对象建立不少于一个基础模型,对所述基础模型进行组合得到组合后得计算模型;
对所述计算模型结合城市和社区情景获取计算数据;
利用所述计算数据进行神经网络训练得到训练数据;
对城市和社区中不确定性风险的研究对象的历史数据与所述训练数据进行比较对所述计算模型进行参数修正得到修正后的模型;
利用所述修正后的模型进行城市和社区不确定性风险预测。
进一步,所述根据城市和社区中不确定性风险的研究对象建立不少于一个基础模型,对所述基础模型进行组合得到组合后得计算模型具体包括:
对城市和社区中不确定性风险的研究对象的不少于一个建筑分别建立土-结构动力相互作用计算模型作为所述基础模型;
对所述基础模型进行有限元模拟分析并进行模型组合得到所述计算模型。
进一步,所述对所述计算模型结合城市和社区情景获取计算数据具体包括:
对所述计算模型结合城市和社区情景通过数据分析、数据建模和预测预警得到所述计算数据。
进一步,所述对所述计算模型结合城市和社区情景获取计算数据之后,还包括:
运用重启动、重分析技术及大规模计算技术和代理模型技术加速计算数据的生成速度和规模。
为实现上述技术目的,本公开还能够提供一种城市和社区不确定性风险的预测装置,包括:
模型构建模块,用于根据城市和社区中不确定性风险的研究对象建立不少于一个基础模型,对所述基础模型进行组合得到组合后得计算模型;
数据获取模块,用于对所述计算模型结合城市和社区情景获取计算数据;
数据训练模块,用于利用所述计算数据进行神经网络训练得到训练数据;
模型修正模块,用于对城市和社区中不确定性风险的研究对象的历史数据与所述训练数据进行比较对所述计算模型进行参数修正得到修正后的模型;
风险预测模块,用于利用所述修正后的模型进行城市和社区不确定性风险预测。
进一步,所述模型构建模块具体用于:
对城市和社区中不确定性风险的研究对象的不少于一个建筑分别建立土-结构动力相互作用计算模型作为所述基础模型;
对所述基础模型进行有限元模拟分析并进行模型组合得到所述计算模型。
进一步,所述数据获取模块具体用于:
对所述计算模型结合城市和社区情景通过数据分析、数据建模和预测预警得到所述计算数据。
进一步,还包括:
计算加速模块,用于运用重启动、重分析技术及大规模计算技术和代理模型技术加速计算数据的生成速度和规模。
为实现上述技术目的,本公开还能够提供一种计算机存储介质,其上存储有计算机程序,计算机程序被处理器执行时用于实现上述的城市和社区不确定性风险的预测方法的步骤。
为实现上述技术目的,本公开还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的城市和社区不确定性风险的预测方法的步骤。
本公开的有益效果为:
本公开从模型驱动和数据驱动两个方面出发提出了基于数据-模型混合驱动的不确定性风险分析理论。在此理论基础上,通过情景计算、机器学习和数据分析等技术并结合动力学求解方法,发展了一套适用于城市和社区不确定风险分析的新型求解方案。在超级计算机的支持下,运用动力学快速模拟方法进行大量的地震风险情景计算,从而获取大量的数据,进而利用机器学习技术对数据进行挖掘分析建立大数据统计模型,实现安全因素和安全指标的统计拟合关联。实现数据-模型的混合驱动,以期对于城市和社区中不确定性风险能够给出尽可能及时和合理的预测。
附图说明
图1示出了本公开的实施例1的方法的流程示意图;
图2示出了本公开的实施例1的平面波示意图;
图3示出了本公开的实施例2的装置的结构示意图;
图4示出了本公开的实施例4的结构示意图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在附图中示出了根据本公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
实施例一:
如图1所示:
本公开提供了一种城市和社区不确定性风险的预测方法,包括:
S101:根据城市和社区中不确定性风险的研究对象建立不少于一个基础模型,对所述基础模型进行组合得到组合后得计算模型;
不考虑建筑的毁坏与共振等情况,将其简化为刚体,忽略土壤的复杂物性简化为无粘介质,研究地震波中的一部分,即压缩波的场地效应。简化后的问题如图2所示,空间中有一列波数为k的平面波传播,建筑物个数n,建筑物间距d,建筑物宽度a的刚性建筑物散射,建筑物排列方向与平面波传播方向相同,欲求第一个建筑物处波场压强。使用ANSYS作为有限元模拟的软件,建立一个建筑物的计算模型,然后根据实际需要将其扩展为n个计算模型的组合,得到最终的n个建筑物的计算模型。
S102:对所述计算模型结合城市和社区情景获取计算数据;
S103:利用所述计算数据进行神经网络训练得到训练数据;
从计算数据中提取感兴趣的数据建立作为数据集,例如,数据集的输入向量就是模拟的参数(描述波大小的参数k,建筑物个数n,建筑物间距d,建筑物宽度a),数据集的输出向量第一个建筑物处波场压强p。使用APDL编写命令流从有限元模拟波场结果数据库中自动批量提取第一个建筑物处波场压强p建立数据集。
从数据集中随机选取百分之70的数据作为训练集,剩余百分之30的数据作为验证集。神经网络使用3个隐藏层,每层10个单元。从可视化数据中可以注意到问题存在一定的周期性,因此激活函数选择使用同样具有周期性的sinx函数帮助神经网络的训练趋于收敛。设定参数a被始终固定不变,输入向量退化为(k,n,d),输出向量为p。
学习率设为1e-4,使用minibatch批训练,batch size设为128进行训练。使用Adam优化器,最小化L2损失函数,即:
训练完成后,在训练集上的均方误差在0.013左右。
S104:对城市和社区中不确定性风险的研究对象的历史数据与所述训练数据进行比较对所述计算模型进行参数修正得到修正后的模型;
S105:利用所述修正后的模型进行城市和社区不确定性风险预测。
对于简化的城市中一排建筑物的场地效应问题,即平面波受刚性方柱障碍物散射问题,任意给定平面波和障碍物的参数,使用神经网络替代模拟方法,可以在一秒内得出结果,实现了高速预测。并且神经网络的存储文件小于1MB,空间存储占用极低。
进一步,所述根据城市和社区中不确定性风险的研究对象建立不少于一个基础模型,对所述基础模型进行组合得到组合后得计算模型具体包括:
对城市和社区中不确定性风险的研究对象的不少于一个建筑分别建立土-结构动力相互作用计算模型作为所述基础模型;
对所述基础模型进行有限元模拟分析并进行模型组合得到所述计算模型。
进一步,所述对所述计算模型结合城市和社区情景获取计算数据具体包括:
对所述计算模型结合城市和社区情景通过数据分析、数据建模和预测预警得到所述计算数据。
进一步,所述对所述计算模型结合城市和社区情景获取计算数据之后,还包括:
运用重启动、重分析技术及大规模计算技术和代理模型技术加速计算数据的生成速度和规模。
下面结合地震模型详解本公开的实施例1的技术方案:
计算模型,由于城市和社区中不确定性风险的突发性强和动态性大,常规的建模方式无法准确描述风险的演化历程。因此,为了适应风险的变化,首先建立多个不完美但是简单的模型,然后将其组合起来近似的替代完美的模型。例如,在地震波作用下,以社区中的建筑群体为研究对象,研究建筑群的场地效应,先建立简化的计算模型,如图2所示,建模模拟这一步骤通过有限元模拟完成。
数据驱动,在计算模型的基础上,可以合理的设计情景进行大量情景计算。进而从中获取大量的数据,用于数据分析、数据建模和预测预警。例如,进行多种灾害情形同时或先后发生的多情景下复杂建筑结构多点破坏的快速重启动、重分析数值模拟,生成大量破坏数据。在大数据普及的今天,可以通过大量的数据和计算技术来预测不确定性风险的结果,虽然结果不完美但是足够指导实践。以建筑群的场地效应为例,保持简化后建筑物的大小a(图2)不变,改变建筑物的个数N、建筑物间的距离d,以及平面波的波速,进行大量有限元模拟,得到大量地面场地效应数据,训练BP神经网络,进而实现仅需极低空间存储的高速预测建筑场地效应。
数据-模型混合驱动,对于城市社区中已经发生的不确定性灾害,以地震灾害为例,用已经发生的地震灾害的历史数据与机器学习数据作比较,将结果数据用于模型驱动分析,修正或加速模拟驱动计算,包括模型类型修正,模型参数修正,结合实际灾害的监测数据进行数据匹配修正。建立数据和模型的交互式自学习能力,从而提高城市和社区不确定性风险预测的可靠性。
实施例二:
如图3所示,
本公开还能够提供一种城市和社区不确定性风险的预测装置,包括:
模型构建模块201,用于根据城市和社区中不确定性风险的研究对象建立不少于一个基础模型,对所述基础模型进行组合得到组合后得计算模型;
数据获取模块202,用于对所述计算模型结合城市和社区情景获取计算数据;
数据训练模块203,用于利用所述计算数据进行神经网络训练得到训练数据;
模型修正模块204,用于对城市和社区中不确定性风险的研究对象的历史数据与所述训练数据进行比较对所述计算模型进行参数修正得到修正后的模型;
风险预测模块205,用于利用所述修正后的模型进行城市和社区不确定性风险预测。
其中,所述模型构建模块201依次与所述数据获取模块202、所述数据训练模块203、所述模型修正模块204以及所述风险预测模块205相连接。
进一步,所述模型构建模块具体用于:
对城市和社区中不确定性风险的研究对象的不少于一个建筑分别建立土-结构动力相互作用计算模型作为所述基础模型;
对所述基础模型进行有限元模拟分析并进行模型组合得到所述计算模型。
进一步,所述数据获取模块具体用于:
对所述计算模型结合城市和社区情景通过数据分析、数据建模和预测预警得到所述计算数据。
进一步,还包括:
计算加速模块,用于运用重启动、重分析技术及大规模计算技术和代理模型技术加速计算数据的生成速度和规模。
实施例三:
本公开还能够提供一种计算机存储介质,其上存储有计算机程序,计算机程序被处理器执行时用于实现上述的城市和社区不确定性风险的预测方法的步骤。
本公开的计算机存储介质可以采用半导体存储器、磁芯存储器、磁鼓存储器或磁盘存储器实现。
半导体存储器,主要用于计算机的半导体存储元件主要有Mos和双极型两种。Mos元件集成度高、工艺简单但速度较慢。双极型元件工艺复杂、功耗大、集成度低但速度快。NMos和CMos问世后,使Mos存储器在半导体存储器中开始占主要地位。NMos速度快,如英特尔公司的1K位静态随机存储器的存取时间为45ns。而CMos耗电省,4K位的CMos静态存储器存取时间为300ns。上述半导体存储器都是随机存取存储器(RAM),即在工作过程中可随机进行读出和写入新内容。而半导体只读存储器(ROM)在工作过程中可随机读出但不能写入,它用来存放已固化好的程序和数据。ROM又分为不可改写的熔断丝式只读存储器──PROM和可改写的只读存储器EPROM两种。
磁芯存储器,具有成本低,可靠性高的特点,且有20多年的实际使用经验。70年代中期以前广泛使用磁芯存储器作为主存储器。其存储容量可达10位以上,存取时间最快为300ns。国际上典型的磁芯存储器容量为4MS~8MB,存取周期为1.0~1.5μs。在半导体存储快速发展取代磁芯存储器作为主存储器的位置之后,磁芯存储器仍然可以作为大容量扩充存储器而得到应用。
磁鼓存储器,一种磁记录的外存储器。由于其信息存取速度快,工作稳定可靠,虽然其容量较小,正逐渐被磁盘存储器所取代,但仍被用作实时过程控制计算机和中、大型计算机的外存储器。为了适应小型和微型计算机的需要,出现了超小型磁鼓,其体积小、重量轻、可靠性高、使用方便。
磁盘存储器,一种磁记录的外存储器。它兼有磁鼓和磁带存储器的优点,即其存储容量较磁鼓容量大,而存取速度则较磁带存储器快,又可脱机贮存,因此在各种计算机***中磁盘被广泛用作大容量的外存储器。磁盘一般分为硬磁盘和软磁盘存储器两大类。
硬磁盘存储器的品种很多。从结构上,分可换式和固定式两种。可换式磁盘盘片可调换,固定式磁盘盘片是固定的。可换式和固定式磁盘都有多片组合和单片结构两种,又都可分为固定磁头型和活动磁头型。固定磁头型磁盘的容量较小,记录密度低存取速度高,但造价高。活动磁头型磁盘记录密度高(可达1000~6250位/英寸),因而容量大,但存取速度相对固定磁头磁盘低。磁盘产品的存储容量可达几百兆字节,位密度为每英寸6 250位,道密度为每英寸475道。其中多片可换磁盘存储器由于盘组可以更换,具有很大的脱体容量,而且容量大,速度高,可存储大容量情报资料,在联机情报检索***、数据库管理***中得到广泛应用。
实施例四:
本公开还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的城市和社区不确定性风险的预测方法的步骤。
图4为一个实施例中电子设备的内部结构示意图。如图4所示,该电子设备包括通过***总线连接的处理器、存储介质、存储器和网络接口。其中,该计算机设备的存储介质存储有操作***、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种城市和社区不确定性风险的预测方法。该电设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种城市和社区不确定性风险的预测方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备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。
该电子设备包括但不限于智能电话、计算机、平板电脑、可穿戴智能设备、人工智能设备、移动电源等。
所述处理器在一些实施例中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。所述处理器是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器内的程序或者模块(例如执行远端数据读写程序等),以及调用存储在所述存储器内的数据,以执行电子设备的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
图4仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图4示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器逻辑相连,从而通过电源管理装置实现充电管理、放电管理、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。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,该电子设备还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
进一步地,所述计算机可用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***、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,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模块来实现本实施例方案的目的。
另外,在本发明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。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。本公开的范围由所附权利要求及其等价物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种城市和社区不确定性风险的预测方法,其特征在于,包括:
根据城市和社区中不确定性风险的研究对象建立不少于一个基础模型,对所述基础模型进行组合得到组合后得计算模型;
对所述计算模型结合城市和社区情景获取计算数据;
利用所述计算数据进行神经网络训练得到训练数据;
对城市和社区中不确定性风险的研究对象的历史数据与所述训练数据进行比较对所述计算模型进行参数修正得到修正后的模型;
利用所述修正后的模型进行城市和社区不确定性风险预测。
2.根据权利要求1所述的方法,其特征在于,所述根据城市和社区中不确定性风险的研究对象建立不少于一个基础模型,对所述基础模型进行组合得到组合后得计算模型具体包括:
对城市和社区中不确定性风险的研究对象的不少于一个建筑分别建立土-结构动力相互作用计算模型作为所述基础模型;
对所述基础模型进行有限元模拟分析并进行模型组合得到所述计算模型。
3.根据权利要求2所述的方法,其特征在于,所述对所述计算模型结合城市和社区情景获取计算数据具体包括:
对所述计算模型结合城市和社区情景通过数据分析、数据建模和预测预警得到所述计算数据。
4.根据权利要求1~3任一项中所述的方法,其特征在于,所述对所述计算模型结合城市和社区情景获取计算数据之后,还包括:
运用重启动、重分析技术及大规模计算技术和代理模型技术加速计算数据的生成速度和规模。
5.一种城市和社区不确定性风险的预测装置,其特征在于,包括:
模型构建模块,用于根据城市和社区中不确定性风险的研究对象建立不少于一个基础模型,对所述基础模型进行组合得到组合后得计算模型;
数据获取模块,用于对所述计算模型结合城市和社区情景获取计算数据;
数据训练模块,用于利用所述计算数据进行神经网络训练得到训练数据;
模型修正模块,用于对城市和社区中不确定性风险的研究对象的历史数据与所述训练数据进行比较对所述计算模型进行参数修正得到修正后的模型;
风险预测模块,用于利用所述修正后的模型进行城市和社区不确定性风险预测。
6.根据权利要求5所述的装置,其特征在于,所述模型构建模块具体用于:
对城市和社区中不确定性风险的研究对象的不少于一个建筑分别建立土-结构动力相互作用计算模型作为所述基础模型;
对所述基础模型进行有限元模拟分析并进行模型组合得到所述计算模型。
7.根据权利要求6所述的装置,其特征在于,所述数据获取模块具体用于:
对所述计算模型结合城市和社区情景通过数据分析、数据建模和预测预警得到所述计算数据。
8.根据权利要求5~7任一项中所述的装置,其特征在于,还包括:
计算加速模块,用于运用重启动、重分析技术及大规模计算技术和代理模型技术加速计算数据的生成速度和规模。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现权利要求1~4任一项中所述的城市和社区不确定性风险的预测方法对应的步骤。
10.一种计算机存储介质,其上存储有计算机程序指令,其特征在于,所述程序指令被处理器执行时用于实现权利要求1~4任一项中所述的城市和社区不确定性风险的预测方法对应的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654648.0A CN113516368A (zh) | 2021-06-11 | 2021-06-11 | 城市和社区不确定性风险的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654648.0A CN113516368A (zh) | 2021-06-11 | 2021-06-11 | 城市和社区不确定性风险的预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516368A true CN113516368A (zh) | 2021-10-19 |
Family
ID=78065673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110654648.0A Pending CN113516368A (zh) | 2021-06-11 | 2021-06-11 | 城市和社区不确定性风险的预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516368A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766181A (zh) * | 2022-11-09 | 2023-03-07 | 哈尔滨工业大学 | 基于区块链的空间环境地面模拟装置数据共享架构及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060085083A1 (en) * | 2004-09-02 | 2006-04-20 | Robert Congel | Methods and system for conducting research and development on an urban scale |
CN106909727A (zh) * | 2017-02-20 | 2017-06-30 | 武汉理工大学 | 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法 |
CN108829987A (zh) * | 2018-06-22 | 2018-11-16 | 中国核动力研究设计院 | 一种数据驱动型概率评估方法 |
CN111666630A (zh) * | 2020-05-26 | 2020-09-15 | 煤炭科学研究总院 | 一种煤矿井下无人机结构的多目标智能优化设计方法 |
CN111695276A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 基于生成对抗学习的有限元模型代理建模方法 |
-
2021
- 2021-06-11 CN CN202110654648.0A patent/CN113516368A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060085083A1 (en) * | 2004-09-02 | 2006-04-20 | Robert Congel | Methods and system for conducting research and development on an urban scale |
CN106909727A (zh) * | 2017-02-20 | 2017-06-30 | 武汉理工大学 | 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法 |
CN108829987A (zh) * | 2018-06-22 | 2018-11-16 | 中国核动力研究设计院 | 一种数据驱动型概率评估方法 |
CN111695276A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 基于生成对抗学习的有限元模型代理建模方法 |
CN111666630A (zh) * | 2020-05-26 | 2020-09-15 | 煤炭科学研究总院 | 一种煤矿井下无人机结构的多目标智能优化设计方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766181A (zh) * | 2022-11-09 | 2023-03-07 | 哈尔滨工业大学 | 基于区块链的空间环境地面模拟装置数据共享架构及方法 |
CN115766181B (zh) * | 2022-11-09 | 2024-05-03 | 哈尔滨工业大学 | 基于区块链的空间环境地面模拟装置数据共享架构及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018214388A1 (zh) | 多平台航空电子大数据***及方法 | |
CN111914569A (zh) | 基于融合图谱的预测方法、装置、电子设备及存储介质 | |
CN111883262B (zh) | 疫情趋势预测方法、装置、电子设备及存储介质 | |
CN104850913A (zh) | 一种空气质量pm2.5预测方法及*** | |
CN112308313B (zh) | 一种学校连续点选址方法、装置、介质及计算机设备 | |
CN113219341B (zh) | 一种模型生成及电池劣化推测装置、方法、介质及设备 | |
CN111340240A (zh) | 实现自动机器学习的方法及装置 | |
WO2018214387A1 (zh) | 面向航空电子数据的分布式挖掘***及方法 | |
CN116431878A (zh) | 向量检索服务方法、装置、设备及其存储介质 | |
CN113516368A (zh) | 城市和社区不确定性风险的预测方法、装置、设备及介质 | |
CN113255682B (zh) | 一种目标检测***、方法、装置、设备及介质 | |
EP3398137A1 (en) | Strategic improvisation design for adaptive resilience | |
CN107133072A (zh) | 一种操作执行方法和装置 | |
CN106528565A (zh) | 监测***的数据处理方法和装置 | |
CN111797175A (zh) | 数据存储方法、装置、存储介质及电子设备 | |
CN114564567A (zh) | 基于用户行为的人工智能体的设计方法及*** | |
CN113901077A (zh) | 实体对象标签生产方法、***、存储介质及电子设备 | |
CN112232115B (zh) | 一种计算因子植入方法、介质及设备 | |
CN113806539A (zh) | 一种文本数据增强***、方法、设备及介质 | |
CN107807938A (zh) | 一种数据表的处理方法及装置 | |
CN114896422A (zh) | 一种知识图谱补全方法、装置、设备及介质 | |
CN115424042A (zh) | 基于层间特征相似性网络稀疏化方法、装置、介质及设备 | |
Sudha et al. | The Future of Sustainable Green Smart Cities | |
CN115393392A (zh) | 一种视觉跟踪***、方法、介质及电子设备 | |
CN105956707A (zh) | 一种油藏监测***的优化方法 |
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 |