本发明涉及计算机领域,尤其涉及一种燃气管网防第三方施工破坏风险预警的方法及装置。
背景技术:
北京燃气是目前全国最大的城市燃气企业,年用气量、燃气用户数、管网规模、年销售收入均位列全国第一。截止到2017年底,北京燃气天然气购入量已达到154亿立方米,销售气量达到146亿立米,天然气用户达到602万户,北京燃气运行的天然气管线达2万余公里,供应区域覆盖北京各城区和郊区县。天然气在能源消费结构占比达到32%,超过世界平均水平。
天然气的普遍应用和迅猛发展在提高人们生活水平的同时,也改善了传统的能源结构,为保护环境做出了贡献。但是,随着城市燃气工程建设的速度和规模日益扩大,随之而来的燃气管道的安全养护和防范工作对燃气公司来说就显得尤为重要。城市建设步伐不断加快,越来越多的建设工程的施工都对城市燃气管理安全提出了考验,特别是第三方建设施工单位由于对燃气管网的重视程度不够,在施工中容易造成对管网的破坏而引发燃气管道泄漏事故。对近10年来发生的重大油气管道泄漏事故进行统计发现,因第三方施工引起的油气管道事故约占事故总数的36%。城镇燃气管道一旦受到第三方施工破坏,特别是城镇高压燃气管道及重要的中压干管(如门站应急气源站出站中压干管等),不仅影响事故区域附近燃气用户的正常用气,还可能引发燃气爆炸事故或其它次生灾害,给人民生命财产和企业、社会都带来巨大损失。
燃气管网的运行风险主要分为泄漏风险、工况风险、应急风险和外力风险四大类。其中,泄漏风险、工况风险和应急风险均主要通过强化企业内部管理实现对风险的管控。但由于第三方施工的主动权不在燃气管理单位,且存在大量外部影响因素,使得外力破坏成为燃气管网运营可控度最低的风险。单纯依靠企业内部管理进行外力风险控制消耗较大,且效果不明显。
技术实现要素:
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的燃气管网防第三方施工破坏风险预警的方法及装置。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明的一个方面提供了一种燃气管网防第三方施工破坏风险预警的方法,包括:确定影响施工的因素,并将影响施工的因素进行标准化,得到第一数据集和第二数据集,其中,第一数据集至少包括:短期施工历史、城市区域网格、管道情况和天气情况,第二数据集至少包括:城市区域网格、施工数据、管道情况和天气情况,施工数据包括:施工配合数据与施工破坏数据;将第一数据集分割成第一训练集和第一测试集,将第二数据集分割成第训练集和第二测试集;构建施工高发区域预测模型,施工高发区域预测模型采用5层深度神经网络,包括4个隐含层和一个输出层;利用第一训练集和第一测试集对施工高发区域预测模型进行训练,第一训练集以区域为单位,包括所有感兴趣的区域,经过施工高发区域预测模型的输出为感兴趣的区域的施工概率;构建第三方施工破坏风险预测模型,其中,第三方施工破坏风险预测模型采用5层深度神经网络,包括4个隐含层和一个输出层;采用梯度下降法利用第二训练集和第二测试集对第三方施工破坏风险预测模型进行训练,经过第三方施工破坏风险预测模型的原始输出为施工破坏的概率,将第三方施工破坏风险预测模型的输出经过分级转换,得到四个危险程度等级,作为第三方施工破坏风险预测模型的输出;获取训训练好的施工高发区域预测模型以及训练好的第三方施工破坏风险预测模型;按照预设规则利用训练好的施工高发区域预测模型对感兴趣的区域进行预测,得到施工概率预测结果;获取待预测数据,利用训练好的第三方施工破坏风险预测模型对待预测数据进行预测,得到第三方施工破坏风险预测结果。
其中,在利用训练好的施工高发区域预测模型对感兴趣的区域进行预测,得到施工概率预测结果之后,方法还包括:根据施工概率预测结果进行巡检,巡检过程中发现新的施工,将施工配合数据加入到待预测数据中,执行利用训练好的第三方施工破坏风险预测模型对待预测数据进行预测,得到第三方施工破坏风险预测结果的步骤。
其中,构建第三方施工破坏风险预测模型包括:中间层采用全连接层、非线性激励函数使用relu、损失函数使用均方误差以及使用dropout防止过学习。
其中,预设规则包括:预测感兴趣的区域第二天的施工概率。
本发明另一方面提供了一种燃气管网防第三方施工破坏风险预警的装置,包括:确定模块,用于确定影响施工的因素,并将影响施工的因素进行标准化,得到第一数据集和第二数据集,其中,第一数据集至少包括:短期施工历史、城市区域网格、管道情况和天气情况,第二数据集至少包括:城市区域网格、施工数据、管道情况和天气情况,施工数据包括:施工配合数据与施工破坏数据;分割模块,用于将第一数据集分割成第一训练集和第一测试集,将第二数据集分割成第训练集和第二测试集;第一构建模块,用于构建施工高发区域预测模型,施工高发区域预测模型采用5层深度神经网络,包括4个隐含层和一个输出层;利用第一训练集和第一测试集对施工高发区域预测模型进行训练,第一训练集以区域为单位,包括所有感兴趣的区域,经过施工高发区域预测模型的输出为感兴趣的区域的施工概率;第二构建模块,用于构建第三方施工破坏风险预测模型,其中,第三方施工破坏风险预测模型采用5层深度神经网络,包括4个隐含层和一个输出层;采用梯度下降法利用第二训练集和第二测试集对第三方施工破坏风险预测模型进行训练,经过第三方施工破坏风险预测模型的原始输出为施工破坏的概率,将第三方施工破坏风险预测模型的输出经过分级转换,得到四个危险程度等级,作为第三方施工破坏风险预测模型的输出;获取模块,用于获取训训练好的施工高发区域预测模型以及训练好的第三方施工破坏风险预测模型;第一预测模块,用于按照预设规则利用训练好的施工高发区域预测模型对感兴趣的区域进行预测,得到施工概率预测结果;第二预测模块,用于获取待预测数据,利用训练好的第三方施工破坏风险预测模型对待预测数据进行预测,得到第三方施工破坏风险预测结果。
其中,第二预测模块,还用于在第一预测模块利用训练好的施工高发区域预测模型对感兴趣的区域进行预测,得到施工概率预测结果之后,根据施工概率预测结果进行巡检,巡检过程中发现新的施工,将施工配合数据加入到待预测数据中,执行利用训练好的第三方施工破坏风险预测模型对待预测数据进行预测,得到第三方施工破坏风险预测结果的步骤。
其中,第一构建模块通过如下方式构建第三方施工破坏风险预测模型:第一构建模块中间层采用全连接层、非线性激励函数使用relu、损失函数使用均方误差以及使用dropout防止过学习。
其中,预设规则包括:预测感兴趣的区域第二天的施工概率。
由此可见,通过本发明提供的燃气管网防第三方施工破坏风险预警的方法及装置,利用施工配合数据和施工破坏事件样本数据,辅以一定的外部大数据,对第三方施工的特点规律和施工破坏的特点规律进行多维度统计分析,对施工破坏的关键影响因素进行挖掘辨识,对施工破坏的失效后果进行分类评估,并对各关键影响因素与失效后果的关联性进行研究,从而构建第三方施工破坏风险预测模型、施工高发区域预测模型;在模型的指导下,结合我国目前的燃气管道管理和运行体制及相关法律法规,针对性提出内外部风险防范及应急措施建议,以减少燃气管线的第三方施工破坏,降低事故发生几率,提高现役管道运行的安全性和经济性,提升企业风险控制能力,维护人民生命财产安全。
附图说明
为了更清楚地说明本发明实施例的技术方案,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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例提供的燃气管网防第三方施工破坏风险预警的方法的流程图;
图2为本发明实施例提供的深度神经网络模型结构示意图;
图3为本发明实施例提供的燃气管网防第三方施工破坏风险预警的装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的燃气管网防第三方施工破坏风险预警的方法的流程图,参见图1,本发明实施例提供的燃气管网防第三方施工破坏风险预警的方法,包括:
s1,确定影响施工的因素,并将影响施工的因素进行标准化,得到第一数据集和第二数据集,其中,第一数据集至少包括:短期施工历史、城市区域网格、管道情况和天气情况,第二数据集至少包括:城市区域网格、施工数据、管道情况和天气情况,施工数据包括:施工配合数据与施工破坏数据。
具体地,本发明实质上需要从数据中提取有意义的规律,完成对未知输入的预测。那么对数据的最基本要求是数据包含能够支持预测的信息。也就是说,在缺少必要数据的情况下,任何模型都无法得到有意义的结果。由此,在数据准备阶段,需要注意:
根据任务目标,整理所有相关的数据。一般来说,数据可以有冗余,可以非结构化,但是尽量不要有缺失。对于难以量化的因素,仅是粗略分级也很有帮助。若使用残缺数据训练模型,往往会得到似是而非的结果,误导作用很强。
尽可能标准化数据。虽然人工智能模型在处理图像、语音等非结构化数据上非常成功,但是其代价非常大,包括大量人力物力以及计算资源投入。所以,尽可能标准化数据,除非不知道如何标准化。
数据量尽可能充足。一个常见的误区是数据体积大就是充足,就是大数据。其实充足或者充分是相对而言的,由一个问题所牵涉因素的多少和规律的复杂程度决定。最基本地,所采集的数据应当覆盖到所有因素,每一个因素都有多个样本对应。
拟采用的数据:围绕任务目标并综合实际情况,本发明可以确定出影响施工的4大类数据:城市区域网格、施工数据(施工配合与施工破坏)、管道情况和天气情况。每一类数据,又包含如下字段:
城市区域网格:区域坐标、是否包含交通要道、是否包含大型商场、是否包含公园、是否包含学校、是否包含居民区、是否包含工作场所、是否包含政府机构、是否独特区域、区域主要特点、区域次要特点、人口密度等级、早期建筑年代、平均建筑年代、与市中心的距离。维度17。
施工数据:班组名称、工程类型、施工方式、建设单位、工期、是否管线移改、是否制定保护方案、是否已外露、是否夜间施工、施工时间、施工时间是否为法定节假日、施工期间是否有重大活动。维度12。
管道情况:压力等级、材质、管径、有无交叉点、深度、铺设年代、用途、土壤湿度、土壤酸碱度。维度9。
天气情况:是否下雨、是否下雪、是否雾霾、最高温度、最低温度、是否有大风。维度6。
其中,城市区域的划分以1平方千米为单位,划分为正方形网格。该划分方式虽不能真实反映区域轮廓,但是每个区域的形状一样,特征向量对等,有利于模型训练。另一方面,若要考虑区域轮廓,则必须充分利用空间信息才有意义,否则只会单纯则加模型复杂度,收益微弱。然而,引入足量空间信息对数据的需求量过大,现阶段的数据积累还不足以支撑。
其中:所谓特征不对等的意思是:假定两个区域各包含一个家普通超市,若一个区域大一个区域小,显然对于小区域,超市的影响力大,更能反映区域特性。所以在考虑区域有无超市这一特征时,两个区域在该特征上其实是不对等的。
对影响施工的因素可以包括城市区域的基本情况、施工情况、管道情况与天气情况四大类。其中施工情况包括正常施工与施工事故数据,两类数据要求格式保持一致。整理影响施工的因素时,注意以下几点:
1、对于文字类字段,要求每一个实体只对应一个名称。例如不要出现“联想”和“联想集团”两种不同的称呼。
2、对于不易获取的字段或者未知的字段,能估计则估计;若无法估计则不填。
3、如果本文档里列出的某一个字段,能够提供该字段值的记录占比不足80%,可以放弃该字段。
以下,具体对各类数据进行详细说明:
城市区域网格:网格划分如不采用标准正方形网格,使用实际工作中明确的管理维护网格。考虑到管理网格不规则,可能需要对其进行进一步分割。对每一个管理网格,确定一个包含它的最小矩形,并采集以下数据:
施工数据:施工数据包含施工配合数据和施工事故数据,统一按照如下格式进行整理:
备注:工程类型与施工方式划分较细。可以根据情况进行合并,减少数据采集压力。
管道情况:本部分数据包括管道参数与部署环境:
天气数据:天气数据主要包括:
s2,将第一数据集分割成第一训练集和第一测试集,将第二数据集分割成第训练集和第二测试集。
具体地,将数据集进行训练集和测试集的划分,以便后续对模型进行训练。
s3,构建施工高发区域预测模型,施工高发区域预测模型采用5层深度神经网络,包括4个隐含层和一个输出层;利用第一训练集和第一测试集对施工高发区域预测模型进行训练,第一训练集以区域为单位,包括所有感兴趣的区域,经过施工高发区域预测模型的输出为感兴趣的区域的施工概率
s4,构建第三方施工破坏风险预测模型,其中,第三方施工破坏风险预测模型采用5层深度神经网络,包括4个隐含层和一个输出层;采用梯度下降法利用第二训练集和第二测试集对第三方施工破坏风险预测模型进行训练,经过第三方施工破坏风险预测模型的原始输出为施工破坏的概率,将第三方施工破坏风险预测模型的输出经过分级转换,得到四个危险程度等级,作为第三方施工破坏风险预测模型的输出;
作为本发明实施例的一个可选实施方式,构建第三方施工破坏风险预测模型包括:中间层采用全连接层、非线性激励函数使用relu、损失函数使用均方误差以及使用dropout防止过学习。
具体地,本发明基于深度学习理论,构建如图2所示深度神经网络模型。模型最左侧为输入层,节点数目与特征向量x的维度一致;中间多个红色的层称为隐含层;最后的蓝色单节点构成输出层。每一层神经元的输入权值和阈值是该网络的参数。
本发明构建模型的理论基础如下:
在数学上,神经网络是一个复杂的函数或概率分布,可以简单表示为:
y=f(x;w,b)
特征向量x是模型输入,w是模型中所有权值参数构成的集合,b是模型中所有阈值(也称作bias)构成的集合,y是模型输出,表示函数值或者条件概率。神经网络能够完成的任务取决于最终输出的含义,通过定义合适的误差函数,不断训练(调整参数w和b)网络,网络将逐渐具备胜任该工作的能力。
神经网络训练的目的是学习隐含在数据中的规律,而不是为了拟合数据本身。所以神经网络训练的目标是通过拟合训练集,从而在测试集上取得良好效果。在训练网络时,首先要将现有数据集划分为训练集与测试集。每一个样本包含两部分:(x,y),x是模型输入,常称作特征向量,y是模型的期望输出,常称作标签或者教师信号。模型训练时使用训练集,(x,y)均为已知量。样本的特征x被依次送入神经网络,获得实际输y'。通过计算y与y'的误差,采用误差逆传播与梯度下降更新网络参数。在测试阶段,测试集中特征向量x被输入模型,通过与期望输出y比较来评判网络性能,但是不更新网络参数。在实际使用阶段,只能获取到特征向量x,期望输出未知。将特征向量输入模型后,模型给出预测值,作为后续决策的参考。
神经网络的训练基于误差逆传播与梯度下降,本质上是一种迭代非凸优化技术。基于项目需求,考虑到经典均方误差作在理论上比较完备,故采用其作为误差函数:
在训练时,将训练集分成多个子集,对每一个子集x(也即batch),将其中的样本送入网络,计算误差l(x;w,b),即样本子集x对应的均方误差。然后利用微分不变性构建误差逆传播机制,计算误差函数l(x;w,b)关于网络参数w,b的梯度,沿着梯度的反方向更新网络参数:
其中,参数μ是学习率,始终大于零。
因此,模型具体构建时,可以通过如下步骤实现:
模型的编码实现基于pytorch框架。实际部署时,要求宿主操作系统安装python与pytorch框架,windows和linux均可。pytorch底层是c++,并支持gpu加速,运行效率有保证,在业内应用广泛。
以下,对本发明构建的两种模型分别进行说明:
施工高发区域预测模型:
本模型采用5层深度神经网络,包括4个隐含层和一个输出层。采用5层网络的理由同上。网络输入维度是特征向量x,输出y为标量,表示发生施工的概率。训练数据以区域为单位,包括所有感兴趣的区域,每一个样本包括特征向量x与期望输出y。特征向量x包括短期施工历史、城市区域网格、管道情况和天气情况4类信息;施工配合数据与施工破坏数据均表示有施工发生,故作为短期施工历史与标签(期望输出)。若发生施工,期望输出y是1;否则期望输出y是0。
施工预测具有一定的时空特性。针对一个区域,特征向量x需要包含该区域近期内的信息以及其周边区域或者相似区域的信息。相应地,输入维度有所扩大,其结构如下:
目标区域网格信息,假定短期内不变,维度17;
目标区域管道情况,假定短期内不变,维度9;
短期天气情况,考虑7天,维度是42;
短期施工历史:考虑7天,且仅考虑有无施工,维度是7;
短期内相似区域的施工数目:考虑7天,统计每天相似区域的施工数目总和。维度是7。
第三方施工破坏风险预测模型:
本模型采用5层深度神经网络,包括4个隐含层和一个输出层。网络输入维度是特征向量x,输出y为标量,表示施工出现破坏的概率。训练数据包括所有施工数据和施工破坏数据,每一个样本包括特征向量x与期望输出y。特征向量x的维度是44,包括城市区域网格、施工数据(施工配合与施工破坏)、管道情况和天气情况4类信息;对于正常施工的样本,期望输出y是0;对施工破坏样本,期望输出y是1。
采用5层网络主要是考虑到输入的维度较大。在理论上,现已证明3层神经网络能够无错区别任意分布的两类有限维度样本(完美的训练集拟合能力)。但是,对于高输入维度,若欲实现无错分类,网络必须进行十分复杂的非线性变换。网络层数越少,该变换就越难以通过梯度下降获得。反之增加网络层数,以级联的方式“接力”完成变换,则更加容易达到目的。然而增加层数也会带来网络参数的增加,对数据量的要求也会提升。综合考虑,采用5层网络。
模型的训练采用标准的梯度下降法,边训练边测试,当测试误差达到最低终止训练。在实际使用时,模型的原始输出,即出现施工破坏的概率,再经过分级转换为4个危险程度等级,作为模型的最终输出。
注意,模型最基本的输入是施工配合数据与施工破坏数据,它们构成训练集与测试集中的正负样本。缺一不可。正负样本的特征向量必须一致,包括字段数目与每个字段对应的取值范围。除了施工配合与施工破坏数据,城市环境、管道情况以及天气情况都对施工能否顺利完成产生影响,所以从逻辑关系上,城市区域网格、管道情况和天气情况这3类数据不应该被忽略。若忽略,对于神经网络而言,这些参数为随机噪声,导致模型效果下降。
s5,获取训训练好的施工高发区域预测模型以及训练好的第三方施工破坏风险预测模型;
s6,按照预设规则利用训练好的施工高发区域预测模型对感兴趣的区域进行预测,得到施工概率预测结果;
s7,获取待预测数据,利用训练好的第三方施工破坏风险预测模型对待预测数据进行预测,得到第三方施工破坏风险预测结果。
具体地,可以根据训练好的施工高发区域预测模型对感兴趣的区域进行预测,得到感兴趣的区域的施工概率。作为本发明实施例的一个可选实施方式,预设规则包括:预测感兴趣的区域第二天的施工概率。由此可以根据训练好的施工高发区域预测模型对感兴趣的区域进行第二天是否施工的预测,在发现可能存在施工的情况下,指导人工进行巡检等。
利用第三方施工破坏风险预测模型可以对待预测数据进行预测,得到预测结果。
作为本发明实施例的一个可选实施方式,在利用训练好的施工高发区域预测模型对感兴趣的区域进行预测,得到施工概率预测结果之后,本发明提供的燃气管网防第三方施工破坏风险预警的方法还包括:根据施工概率预测结果进行巡检,巡检过程中发现新的施工,将施工配合数据加入到待预测数据中,执行利用训练好的第三方施工破坏风险预测模型对待预测数据进行预测,得到第三方施工破坏风险预测结果的步骤。即,施工高发区域预测模型的输出又可以作为第三方施工破坏风险预测模型的输入参考,当某个区域有较大施工风险时,通过主动巡视,发现未知的施工行为,并对本次的施工行为进行预测,以降低施工破坏发生的风险,保护燃气管线不被破坏。具体地,在利用通过施工高发区域预测模型预测后,得到可能施工的地点,对该地点进行巡检等操作时,如果发生了施工,则可以获取巡检数据,将巡检数据输入至训练好的第三方施工破坏风险预测模型进行破坏风险预测,提高了风险预测的广泛性。
由此可见,通过本发明提供的燃气管网防第三方施工破坏风险预警的方法,利用施工配合数据和施工破坏事件样本数据,辅以一定的外部大数据,对第三方施工的特点规律和施工破坏的特点规律进行多维度统计分析,对施工破坏的关键影响因素进行挖掘辨识,对施工破坏的失效后果进行分类评估,并对各关键影响因素与失效后果的关联性进行研究,从而构建第三方施工破坏风险预测模型、施工高发区域预测模型;在模型的指导下,结合我国目前的燃气管道管理和运行体制及相关法律法规,针对性提出内外部风险防范及应急措施建议,以减少燃气管线的第三方施工破坏,降低事故发生几率,提高现役管道运行的安全性和经济性,提升企业风险控制能力,维护人民生命财产安全。
图3示出了本发明实施例提供的燃气管网防第三方施工破坏风险预警的装置的结构示意图,该燃气管网防第三方施工破坏风险预警的装置应用上述方法,以下仅对燃气管网防第三方施工破坏风险预警的装置的结构进行简单说明,其他未尽事宜,请参照上述燃气管网防第三方施工破坏风险预警的方法中的相关描述,参见图3,本发明实施例提供的燃气管网防第三方施工破坏风险预警的装置,包括:
确定模块,用于确定影响施工的因素,并将影响施工的因素进行标准化,得到第一数据集和第二数据集,其中,第一数据集至少包括:短期施工历史、城市区域网格、管道情况和天气情况,第二数据集至少包括:城市区域网格、施工数据、管道情况和天气情况,施工数据包括:施工配合数据与施工破坏数据;
分割模块,用于将第一数据集分割成第一训练集和第一测试集,将第二数据集分割成第训练集和第二测试集;
第一构建模块,用于构建施工高发区域预测模型,施工高发区域预测模型采用5层深度神经网络,包括4个隐含层和一个输出层;利用第一训练集和第一测试集对施工高发区域预测模型进行训练,第一训练集以区域为单位,包括所有感兴趣的区域,经过施工高发区域预测模型的输出为感兴趣的区域的施工概率;
第二构建模块,用于构建第三方施工破坏风险预测模型,其中,第三方施工破坏风险预测模型采用5层深度神经网络,包括4个隐含层和一个输出层;采用梯度下降法利用第二训练集和第二测试集对第三方施工破坏风险预测模型进行训练,经过第三方施工破坏风险预测模型的原始输出为施工破坏的概率,将第三方施工破坏风险预测模型的输出经过分级转换,得到四个危险程度等级,作为第三方施工破坏风险预测模型的输出;
获取模块,用于获取训训练好的施工高发区域预测模型以及训练好的第三方施工破坏风险预测模型;
第一预测模块,用于按照预设规则利用训练好的施工高发区域预测模型对感兴趣的区域进行预测,得到施工概率预测结果;
第二预测模块,用于获取待预测数据,利用训练好的第三方施工破坏风险预测模型对待预测数据进行预测,得到第三方施工破坏风险预测结果。
作为本发明实施例的一个可选实施方式,第二预测模块,还用于在第一预测模块利用训练好的施工高发区域预测模型对感兴趣的区域进行预测,得到施工概率预测结果之后,根据施工概率预测结果进行巡检,巡检过程中发现新的施工,将施工配合数据加入到待预测数据中,执行利用训练好的第三方施工破坏风险预测模型对待预测数据进行预测,得到第三方施工破坏风险预测结果的步骤。
作为本发明实施例的一个可选实施方式,第一构建模块通过如下方式构建第三方施工破坏风险预测模型:第一构建模块中间层采用全连接层、非线性激励函数使用relu、损失函数使用均方误差以及使用dropout防止过学习。
作为本发明实施例的一个可选实施方式,预设规则包括:预测感兴趣的区域第二天的施工概率。
由此可见,通过本发明提供的燃气管网防第三方施工破坏风险预警的装置,利用施工配合数据和施工破坏事件样本数据,辅以一定的外部大数据,对第三方施工的特点规律和施工破坏的特点规律进行多维度统计分析,对施工破坏的关键影响因素进行挖掘辨识,对施工破坏的失效后果进行分类评估,并对各关键影响因素与失效后果的关联性进行研究,从而构建第三方施工破坏风险预测模型、施工高发区域预测模型;在模型的指导下,结合我国目前的燃气管道管理和运行体制及相关法律法规,针对性提出内外部风险防范及应急措施建议,以减少燃气管线的第三方施工破坏,降低事故发生几率,提高现役管道运行的安全性和经济性,提升企业风险控制能力,维护人民生命财产安全。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(ram)和/或非易失性内存等形式,如只读存储器(rom)或闪存(flashram)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。