城市和社区不确定性风险的预测方法、装置、设备及介质制造方法及图纸

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。确定性风险预测。确定性风险预测。

【技术实现步骤摘要】
城市和社区不确定性风险的预测方法、装置、设备及介质


[0001]本公开涉及城市和社区不确定性风险的预测
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]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。
[0006]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：
[0007]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；
[0008]对所述计算模型结合城市和社区情景获取计算数据；
[0009]利用所述计算数据进行神经网络训练得到训练数据；
[0010]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；
[0011]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。
[0012]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：
[0013]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；
[0014]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。
[0015]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：
[0016]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。
[0017]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：
[0018]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。
[0019]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：
[0020]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；
[0021]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；
[0022]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；
[0023]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；
[0024]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。
[0025]进一步，所述模型构建模块具体用于：
[0026]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；
[0027]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。
[0028]进一步，所述数据获取模块具体用于：
[0029]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。
[0030]进一步，还包括：
[0031]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。
[0032]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。
[0033]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。
[0034]本公开的有益效果为：
[0035]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
[0036]图1示出了本公开的实施例1的方法的流程示意图；
[0037]图2示出了本公开的实施例1的平面波示意图；
[0038]图3示出了本公开的实施例2的装置的结构示意图；
[0039]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
[0040]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。
[0041]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、位置关系仅是示本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：陈永强，孙芳玲，刘奕，
申请(专利权)人：北京大学，
类型：发明
国别省市：