基于机器学习的城市风险监控学习算法研究的制作方法

[0001]
本发明涉及城市风险监控技术领域，尤其涉及基于机器学习的城市风险监控学习算法研究。


背景技术：

[0002]
随着人工智能的迅速发展，“智慧”一词，不再仅仅用来形容人类，还可以形容一座城市或一个国家。从政府决策与服务，到人们衣食住行的生活方式，再到城市的产业布局和规划，以及城市的运营和管理方式，这些都将在人工智能支撑下走向“智慧化”，智慧城市的风险监控网络，是预防城市风险的重要建设，未来城市将承载越来越多的人口，为保证城市安全，建设城市风险监控网络是重中之重。城市风险事故的发生不是一个孤立的事件，而是一系列事件相继发生的结果。从自然环境、社会环境、人的缺点、人的不安全行为到物的不安全状态、事故、伤害，环环相扣。
[0003]
因此我们提出一种基于机器学习的城市风险监控学习算法研究将机器学习算法运用到城市风险评估中去，可以借助技术手段将不被关注的细节、易忽视的问题及时辨识、及时预警，避免更多的风险，挽回更多的生命。


技术实现要素：

[0004]
本发明的目的是为了解决上述背景技术中提出的问题，而提出的基于机器学习的城市风险监控学习算法研究。
[0005]
为了实现上述目的，本发明采用了如下技术方案：
[0006]
基于机器学习的城市风险监控学习算法研究，包括以下步骤：
[0007]
步骤1，充分搜集和掌握城市现有的风险，并对风险进行分类辨识和检测，根据城市风险综合指数，对各区域的风险进行评级，对各区域的分类风险指标进行分别描述，从而获得区域分类风险的主要特征；
[0008]
步骤2，基于城市网对比风险分析结果和风险分级标准，将类别风险和点位风险等级进行评级，风险评级包括重大风险区、较大风险区、一般风险区和低风险区四类不同的区域；
[0009]
步骤3，汇总风险评估结果，建立类别风险清单和点位风险清单，建立风险分布电子地图，实现点位风险基本情况、影响范围和应急资源等信息实时查询和动态更新；
[0010]
步骤4，采用风险清单分析法、现在调查法、德尔菲法和因果图法，对城市中心区的安全生产风险进行了辨识，对城市最主要的风险进行研究；
[0011]
步骤5，根据城市网格化管理方案，按照网格的功能属性，对步骤2中城市的各个区域进行功能区进行总结；
[0012]
步骤6，基于神经网络对城市风险评估准则进行算法研究；
[0013]
步骤7，基于不同功能区的风险度排序，采用风险动态分析评价模型，实现对各网格区域风险等级的确定，进行风险评估；
[0014]
步骤8，使用推荐算法，针对风险的概率对城市各个功能区的风险做出准确的建议；
[0015]
步骤9，总结各类风险所适用的算法，找出共同点与不同点，对风险评估算法加以融合，得出最终的城市风险评估算法。
[0016]
优选地，所述步骤1中城市风险主要为火灾、踩踏事件、交通、高处坠落、淹溺5个风险。
[0017]
优选地，所述步骤5中将城市主要分为办公类、住宅类、商业类、交通类、文化类等8个功能区。
[0018]
优选地，所述步骤7中风险动态分析评价模型按照单个功能区单项固有风险inherentrisk计算、单位单项动态风险dynamicrisk计算、单位动态综合风险singleunitdynamicrisk计算、网格单项动态风险gridsinglerisk、计算网格综合动态风险sumofsingeunitdynamicrisk计算和区域综合动态风险计算六大步骤，实现对各网格区域风险等级的确定，对风险辨识出的八类风险进行风险评估。
[0019]
有益效果：该基于机器学习的城市风险监控学习算法研究：
[0020]
1.充分搜集和掌握城市现有的风险，并对风险进行分类辨识和检测。
[0021]
2.收集各类城市风险的评价准则。
[0022]
3.找出几种应用较为广泛和成熟的风险评估的算法，比较他们的优势和不足之处。
[0023]
4.研究近年来较为成熟的算法，尤其是深度学习的几类算法，比较他们的优缺点以及各个算法在风险评估上的运用优劣。
[0024]
5.结合城市各类情况的风险，深入选择和研究机器学习算法在各类城市风险评估方面的运用。
[0025]
6.挑选适合各类城市风险的机器学习算法，并加以融合与改进，得出适合各类城市风险监控系统的算法。
[0026]
7.在城市网格化风险管理的基础上，使用城市视频、传感器等科技采集的城市的数据信息进行研究与分析，利用机器学习算法，对城市数据加以分析，找出适合各类风险的机器学习算法，加以理解并融合，得出适合城市风险评估的算法。
附图说明
[0027]
图1为本发明基于机器学习的城市风险监控学习算法研究风险计算的流程图；
[0028]
图2为本发明基于机器学习的城市风险监控学习算法研究风险计算的风险概率函数关系对应表；
[0029]
图3为本发明基于机器学习的城市风险监控学习算法研功能区划分示意图。
具体实施方式
[0030]
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0031]
基于机器学习的城市风险监控学习算法研究，包括以下步骤：
[0032]
步骤1，充分搜集和掌握城市现有的风险，并对风险进行分类辨识和检测，根据城
市风险综合指数，对各区域的风险进行评级，对各区域的分类风险指标进行分别描述，从而获得区域分类风险的主要特征；
[0033]
步骤2，基于城市网对比风险分析结果和风险分级标准，将类别风险和点位风险等级进行评级，风险评级包括重大风险区、较大风险区、一般风险区和低风险区四类不同的区域；
[0034]
步骤3，汇总风险评估结果，建立类别风险清单和点位风险清单，建立风险分布电子地图，实现点位风险基本情况、影响范围和应急资源等信息实时查询和动态更新；
[0035]
步骤4，采用风险清单分析法、现在调查法、德尔菲法和因果图法，对城市中心区的安全生产风险进行了辨识，对城市最主要的风险进行研究；
[0036]
步骤5，根据城市网格化管理方案，按照网格的功能属性，对步骤2中城市的各个区域进行功能区进行总结；
[0037]
步骤6，基于神经网络对城市风险评估准则进行算法研究；
[0038]
步骤7，基于不同功能区的风险度排序，采用风险动态分析评价模型，实现对各网格区域风险等级的确定，进行风险评估；
[0039]
步骤8，使用推荐算法，针对风险的概率对城市各个功能区的风险做出准确的建议；
[0040]
步骤9，总结各类风险所适用的算法，找出共同点与不同点，对风险评估算法加以融合，得出最终的城市风险评估算法。
[0041]
进一步的，步骤1中城市风险主要为火灾、踩踏事件、交通、高处坠落、淹溺5个风险。
[0042]
进一步的，步骤5中将城市主要分为办公类、住宅类、商业类、交通类、文化类等8个功能区，参阅图3。
[0043]
进一步的，步骤7中风险动态分析评价模型按照单个功能区单项固有风险inherentrisk计算、单位单项动态风险dynamicrisk计算、单位动态综合风险singleunitdynamicrisk计算、网格单项动态风险gridsinglerisk、计算网格综合动态风险sumofsingeunitdynamicrisk计算和区域综合动态风险计算六大步骤，实现对各网格区域风险等级的确定，对风险辨识出的八类风险进行风险评估。
[0044]
本实施例中，利用风险清单分析法，现在调查法，德尔菲法和因果图法，对城市中心区的安全生产风险进行了辨识，对城市风险火灾、踩踏事件、交通、高处坠落、淹溺5个风险进行研究，根据城市网格化管理方案，按照网格的功能属性，对城市的各个区域主要分为办公类、住宅类、商业类、交通类、文化类等8个功能区进行总结，对城市风险的评估准则进行学习与评估，基于神经网络对城市风险评估准则进行算法研究；
[0045]
基于不同功能区的风险度排序，采用风险动态分析评价模型参阅图1，按照单个功能区单项固有风险inherent risk计算、单位单项动态风险dynamic risk计算、单位动态综合风险single unit dynamic risk计算、网格单项动态风险grid single risk、计算网格综合动态风险sum of singe unit dynamic risk计算和区域综合动态风险计算六大步骤，实现对各网格区域风险等级的确定，对风险辨识出的八类风险进行风险评估，风险计算流程如下：
[0046]
设某区域内有生产经营单位共m家(i＝1.2....m)，涉及风险共n种(j＝
1.2....n)。在t时刻，其风险计算流程如下：
[0047]
step1:单个单位单项固有风险inherent risk计算lr
ij
，根据生产经营单位的类型、规模、所处区域等进行判断。目前，只考虑所属类型。由行业专家直接根据所属类型设定固有风险值。
[0048]
step2：单位单项动态风险dynamic risk计算dr
ijt
，参阅图2，在t时刻第i个单位的第j项动态计算公式为:dr
tji
＝ir
ij
*m
ijt
；其中m
ijt
为扩减因子，表示在t时刻，第i个单位的第j种风险的扩减因子m
ijt
＝f(s
ijt
)，s
ijt
表示在t时刻得分：s
ijt
＝(∑
k＝126
p
k
w
kj
/∑
k＝126
w
kj
)*100；其中p
k
＝0，检测项合格；p
k
＝1，检查项存在不合格的情况，w
kj
表示第k个检查项对第j种风险的贡献度；
[0049]
step3:单位动态综合风险single unit dynamic risk计算sdr
it
在t时刻，第i个单位的综合动态风险为：sdr
it
＝∑
j＝1n dr
tji
＝∑
j＝1n ir
ij
*m
ijt；
[0050]
step4:网格单项动态风险grid single risk计算dsr
ijt，
dsr
ijt
＝(∑
i＝1m ir
ij
*m
ijt
)**(n
all
/n
checked
)；
[0051]
step5:网格综合动态风险sum of singe unit dynamic risk计算ssdrt，在t时刻，该区域综合动态风险值为：
[0052]
ssdrt＝(∑
i＝1m
sdr
it
)*(n
all
/n
checked
)
[0053]
＝(∑
i＝1m
(∑
j＝1n ir
ij
*m
ijt
))*(n
all
/n
checked
)
[0054]
＝∑
j＝1n
(∑
i＝1m sdr
it
)
[0055]
＝∑
j＝1n
((∑
j＝1n ir
ij
*m
ijt
)*(n
all
/n
checked
))
[0056]
＝(∑
i＝1m
∑
j＝1n ir
ij
*m
ijt
)*(n
all
/n
checked
)
[0057]
＝(n
all
/n
checked
)*∑
i＝1m
∑
j＝1n ir
ij
*m
ijt
[0058]
step6：区域综合动态风险计算。采用风险矩阵法来进行分线分级。
[0059]
使用推荐算法，针对风险的概率对城市各个功能区的风险做出准确的建议，总结各类风险所适用的算法，找出共同点与不同点，对风险评估算法加以融合，得出最终的城市风险评估算法。
[0060]
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。