【技术实现步骤摘要】
本专利技术涉及数据处理分析，尤其涉及一种基于lstm-sa的突发事件发生时间预测方法及系统。
技术介绍
1、普通公民对未来发生的意外突发事件的关注主要集中在″下一次突发事件″上。时间，是尚未发生的灾难突发事件最为关键的风险特征之一，预知下一次突发事件的发生时间将极有益于提前排查隐患并且分析为何那时会发生异常，因而对时间的预测在公共安全领域一直受到极大的关注。而在灾难突发事件的预测问题上，预知突发事件的发生时间也是至关重要的。
2、突发事件的时空传播特征对于突发事件发生时间预测具有重要影响。在时空传播作用下，先前突发事件对后续产生刺激，使得突发事件的发生并不独立。突发事件部分研究虽然对突发事件级别的风险进行了预测，但主要是对突发事件尚未发现的省份、月份和目标类型等风险特征进行预测，对于精确到″日″的时间预测研究较为少见。此外，现有研究缺乏考虑突发事件的长序列依赖特征，主要仍采用单次突发事件信息进行预测。因此，迫切需要一种考虑长序列依赖特征的突发事件发生时间预测方法。
技术实现思路
1、本专利技术的目的是提供一种基于lstm-sa的突发事件发生时间预测方法及系统，以解决如何提高突发事件发生时间预测准确率的技术问题。
2、本专利技术是采用以下技术方案实现的：一种基于lstm-sa的突发事件发生时间预测方法，包括如下步骤：
3、采用长序列依赖的变长序列生成及序列补齐的方法，刻画突发事件时空传播特征；
4、对预测输入的指标进行选取，并获取突发事
5、采用lstm-sa突发事件发生时间预测模型，学习长序列依赖的时空传播特征并预测突发事件的发生时间。
6、进一步的，采用长序列依赖的变长序列生成及序列补齐的方法包括如下步骤：
7、以监督学习的方式对单步预测下的突发事件发生时间输入-输出映射关系进行表达，表达式为：输入集输出集其中，n表示突发事件总数，m表示输入指标维度，outdim表示预测输出维度；
8、以每一个输入向量xi为基点累计预设时间内的全部突发事件数据，将原始的二维输入数据转化为变长序列的形式，表达式为：vi表示每一个输入向量xi之前预设时间内突发事件的次数；
9、对变长序列进行补齐，将转化为得到输入集合和输出集合其中，表示变长序列中最大长度。
10、进一步的，所述对预测输入的指标进行选取包括：选取多项指标分别代表影响突发事件的长期根源因素和短期触发因素，所述长期根源因素包括人员损失、gdp增长率、人口增长率和失业率；所述短期触发因素包括事发年、月、日信息。
11、进一步的，所述获取突发事件发生时间预测数据包括：从数据库中获取突发事件历史数据，剔除异常值并将事件按日期顺序排列，将筛选出的数据拆分为长期根源因素和短期触发因素，并采用harltc方法进行缺失值补齐，得到突发事件发生时间预测数据。
12、进一步的，所述获取突发事件发生时间预测数据还包括：归一化处理步骤，对包括输入和输出在内的数据均进行线性放缩，归一化公式为：其中，max为对应指标在输入中的数据最大值，min为该指标当前输入中的最小值，为输入向量xi归一化之后的结果。
13、进一步的，lstm-sa突发事件发生时间预测模型包括第一lstm层、sa层和第二lstm层，所述第一lstm层、sa层和第二lstm层依次连接。
14、进一步的，所述第一lstm层作为输入层，与sa层相连接，将第一lstm层输出结果输入sa层的同时，采用残差连接的方式将第一lstm层的输出与sa层的输出进行相加后，输出至第二lstm层，第二lstm层之后采用全连接层作为输出层，所述输出层增加有dropout机制。
15、一种基于lstm-sa的突发事件发生时间预测系统，包括特征获取模块和预测模块，所述特征获取模块用以采用长序列依赖的变长序列生成及序列补齐的方法，刻画突发事件时空传播特征；所述预测模块用以采用lstm-sa突发事件发生时间预测模型，学习长序列依赖的时空传播特征并预测突发事件风险。
16、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上述所述的方法。
17、一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如上述所述的方法。
18、本专利技术的有益效果在于：本专利技术能较为准确地预测未来多次突发事件发生的具体时间，有助于相关人员进一步理解与研判突发事件策略。同时，本专利技术将突发事件时空传播特征与关键风险影响因素进行了综合，将预测时间精度提高到了″日″级别。本专利技术证明了以lstm模块为主的神经网络对于突发事件风险预测问题的适用性，为后续的突发事件时空风险预测研究提供了关键方法支撑。
本文档来自技高网...【技术保护点】
1.一种基于LSTM-SA的突发事件发生时间预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于LSTM-SA的突发事件发生时间预测方法，其特征在于，采用长序列依赖的变长序列生成及序列补齐的方法包括如下步骤：以监督学习的方式对单步预测下的突发事件发生时间输入v输出映射关系进行表达，表达式为：输入集输出集其中，n表示突发事件总数，m表示输入指标维度，outdim表示预测输出维度；
3.如权利要求2所述的一种基于LSTM-SA的突发事件发生时间预测方法，其特征在于，所述对预测输入的指标进行选取包括：选取多项指标分别代表影响突发事件的长期根源因素和短期触发因素，所述长期根源因素包括人员损失、GDP增长率、人口增长率和失业率；所述短期触发因素包括事发年、月、日信息。
4.如权利要求3所述的一种基于LSTM-SA的突发事件发生时间预测方法，其特征在于，所述获取突发事件发生时间预测数据包括：从数据库中获取突发事件历史数据，剔除异常值并将事件按日期顺序排列，将筛选出的数据拆分为长期根源因素和短期触发因素，并采用HaRLTC方法进行缺失值补齐，
5.如权利要求4所述的一种基于LSTM-SA的突发事件发生时间预测方法，其特征在于，所述获取突发事件发生时间预测数据还包括：归一化处理步骤，对包括输入和输出在内的数据均进行线性放缩，归一化公式为：
6.如权利要求1所述的一种基于LSTM-SA的突发事件发生时间预测方法，其特征在于，LSTM-SA突发事件发生时间预测模型包括第一LSTM层、SA层和第二LSTM层，所述第一LSTM层、SA层和第二LSTM层依次连接。
7.如权利要求6所述的一种基于LSTM-SA的突发事件发生时间预测方法，其特征在于，所述第一LSTM层作为输入层，与SA层相连接，将第一LSTM层输出结果输入SA层的同时，采用残差连接的方式将第一LSTM层的输出与SA层的输出进行相加后，输出至第二LSTM层，第二LSTM层之后采用全连接层作为输出层，所述输出层增加有Dropout机制。
8.一种基于LSTM-SA的突发事件发生时间预测系统，用以实现权利要求1～7任意一项所述的一种基于LSTM-SA的突发事件发生时间预测方法，其特征在于，包括特征获取模块和预测模块，所述特征获取模块用以采用长序列依赖的变长序列生成及序列补齐的方法，刻画突发事件时空传播特征；所述预测模块用以采用LSTM-SA突发事件发生时间预测模型，学习长序列依赖的时空传播特征并预测突发事件风险。
9.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1～7任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1～7任一项所述的方法。
...【技术特征摘要】
1.一种基于lstm-sa的突发事件发生时间预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于lstm-sa的突发事件发生时间预测方法，其特征在于，采用长序列依赖的变长序列生成及序列补齐的方法包括如下步骤：以监督学习的方式对单步预测下的突发事件发生时间输入v输出映射关系进行表达，表达式为：输入集输出集其中，n表示突发事件总数，m表示输入指标维度，outdim表示预测输出维度；
3.如权利要求2所述的一种基于lstm-sa的突发事件发生时间预测方法，其特征在于，所述对预测输入的指标进行选取包括：选取多项指标分别代表影响突发事件的长期根源因素和短期触发因素，所述长期根源因素包括人员损失、gdp增长率、人口增长率和失业率；所述短期触发因素包括事发年、月、日信息。
4.如权利要求3所述的一种基于lstm-sa的突发事件发生时间预测方法，其特征在于，所述获取突发事件发生时间预测数据包括：从数据库中获取突发事件历史数据，剔除异常值并将事件按日期顺序排列，将筛选出的数据拆分为长期根源因素和短期触发因素，并采用harltc方法进行缺失值补齐，得到突发事件发生时间预测数据。
5.如权利要求4所述的一种基于lstm-sa的突发事件发生时间预测方法，其特征在于，所述获取突发事件发生时间预测数据还包括：归一化处理步骤，对包括输入和输出在内的数据均进行线性放缩，归一化公式为：
6...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。