【技术实现步骤摘要】
本专利技术涉及暴雪灾害损失预估的，具体而言，涉及一种暴雪灾害损失预估模型训练方法、预估方法和系统。
技术介绍
1、现有的，针对暴雪灾害损失评估技术通常采用基于指标体系损失评价方法，例如通过构建危险性、脆弱性、孕灾环境等指标，然后利用赋权方法确定各个指标的重要性权重，再通过数理统计法、层次分析法、因子分析法、模糊数学等方法进行综合评分，以此来衡量灾害的损失水平及规律。这种方法具有操作简便、易于实施等优点。然而，这种方法并未充分考虑到致灾因子与承灾体之间的复杂关系，尤其是非线性的相互影响，导致在某些情况下，评估结果并不准确。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种暴雪灾害损失预估模型训练方法、预估方法和系统，以提高损失评估的效率和精确度。
2、为了实现上述目的，本专利技术采用的技术方案如下：
3、第一方面，本专利技术提供了一种暴雪灾害损失预估模型训练方法，包括：
4、构建样本集和暴雪灾害损失预估模型；
5、其中，构建样本集包括：
6、基于历史暴雪灾害事件数据、气象站点观测数据、陆表再分析数据、历史暴雪灾情数据、承灾体和孕灾环境数据，构建样本集；
7、对样本集进行消空处理和无量纲处理，得到暴雪灾害及损失样本集；
8、构建暴雪灾害损失预估模型包括：
9、以暴雪灾害及损失样本集为输入，以暴雪灾害损失等级为输出的神经网络模型，并设置神经网络模型的优化器类型、损失函数、评估指标、迭代
10、可选地，构建暴雪灾害损失预估模型之后，还包括：通过如下优化方法，对神经网络模型的权重和阈值进行优化：
11、设置参数，参数包括种群规模、搜索范围、搜索维数、缩放因子范围、最大迭代次数和交叉概率；
12、基于初始化参数通过变异选择操作进行初始化，计算个体的目标函数值，并选出最优个体；
13、计算其他个体与最优个体距离并更新位置；
14、更新参数初始化参数，对个体位置进行交叉惭怍，选择产生新个体并计算目标函数值；
15、更新最优个体的位置，直到达到最大迭代次数，输出最优解。
16、可选地，对暴雪灾害损失预估模型的权重和阈值进行优化之后，还包括：
17、基于历史暴雪灾情数据，构建训练集数据；
18、基于训练集数据，执行迭代训练，直到达到迭代次数为止，迭代训练为将训练集数据输入至神经网络模型中，并通过优化方法，对神经网络模型进行优化。
19、可选地，对暴雪灾害损失预估模型的权重和阈值进行优化，还包括：
20、构建测试集数据，测试集数据包括：历史暴雪灾害事件数据、气象站点观测数据、陆表再分析数据、承灾体和孕灾环境数据；
21、将测试集数据输入至暴雪灾害损失模型中，得到预测数据；
22、将预测数据与真实数据进行对比，得到神经网络模型的精度；
23、基于神经网络模型的精度，确定神经网络模型的质量达到预设目标。
24、第二方面，本专利技术提供了一种暴雪灾害损失预估方法，包括：
25、获取目标地区的暴雪灾害损失的基本参数数据，基本参数数据包括暴雪灾害事件数据、气象站点观测数据、陆表再分析数据、暴雪灾情数据、承灾体数据和孕灾环境数据；
26、基于基本参数数据，确定目标地区的特征量数据；
27、将目标地区的特征量数据输入至暴雪灾害损失预估模型中，得到目标地区的暴雪灾害损失等级，其中，暴雪灾害损失预估模型采用如上述暴雪灾害损失预估模型训练方法进行训练获得。
28、可选地，基于基本参数数据，确定目标地区的特征量数据，还包括：
29、基于暴雪灾情数据，得到暴雪灾情所对应的行政区；
30、基于行政区、气象站点观测数据和暴雪灾害事件数据，得到行政区所对应的直接经济损失。
31、可选地，基于基本参数数据，确定目标地区的特征量数据，还包括：
32、对承灾体数据进行时空匹配，得到承灾体数据的栅格数据；
33、对孕灾环境数据进行时空匹配，得到孕灾环境数据的栅格数据；
34、将承灾体数据的栅格数据和孕灾环境数据的栅格数据进行整合，得到承灾体与孕灾环境的特征量数据。
35、第三方面，本专利技术提供了一种暴雪灾害损失预估系统，包括：
36、获取模块，用于获取目标地区的暴雪灾害损失的基本参数数据，基本参数数据包括暴雪灾害事件数据、气象站点观测数据、陆表再分析数据、暴雪灾情数据、承灾体数据和孕灾环境数据；
37、处理模块，用于基于基本参数数据，确定目标地区的特征量数据；
38、预估模块，用于将目标地区的特征量数据输入至暴雪灾害损失预估模型中，得到目标地区的暴雪灾害损失等级，其中，暴雪灾害损失预估模型采用上述暴雪灾害损失预估模型训练方法进行训练获得。
39、第四方面，本专利技术还提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器可执行机器可执行指令以实现上述暴雪灾害损失预估方法。
40、第五方面，本专利技术还提供了一种计算机可读存储介质，计算机可读存储介质存储有机器可运行指令，机器可运行指令在被处理器调用和运行时，机器可运行指令促使处理器运行上述暴雪灾害损失预估方法。
41、本专利技术提供的一种暴雪灾害损失预估模型训练方法、预估方法和系统，通过获取目标地区的暴雪灾害损失的基本参数数据，基本参数数据包括暴雪灾害事件数据、气象站点观测数据、陆表再分析数据、暴雪灾情数据、承灾体数据和孕灾环境数据；基于基本参数数据，确定目标地区的特征量数据；将目标地区的特征量数据输入至暴雪灾害损失预估模型中，得到目标地区的暴雪灾害损失等级，从而可以准确预测未来的暴雪灾害情况，以及实现了通用性。
42、为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种暴雪灾害损失预估模型训练方法，其特征在于，包括：
2.根据权利要求1所述的暴雪灾害损失预估模型训练方法，其特征在于，所述构建暴雪灾害损失预估模型之后，还包括：通过如下优化方法，对暴雪灾害损失预估模型的权重和阈值进行优化：
3.根据权利要求2所述的暴雪灾害损失预估模型训练方法，其特征在于，所述对暴雪灾害损失预估模型的权重和阈值进行优化之后，还包括：
4.根据权利要求3所述的暴雪灾害损失预估模型训练方法其特征在于，所述对暴雪灾害损失预估模型的权重和阈值进行优化，还包括：
5.一种暴雪灾害损失预估方法，其特征在于，包括：
6.根据权利要求5所述的暴雪灾害损失预估方法，其特征在于，基于所述基本参数数据，确定所述目标地区的特征量数据，还包括：
7.根据权利要求5所述的暴雪灾害损失预估方法，其特征在于，基于所述基本参数数据，确定所述目标地区的特征量数据，还包括：
8.一种暴雪灾害损失预估系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述权利要求5至7中任一项所述的方法。
...【技术特征摘要】
1.一种暴雪灾害损失预估模型训练方法，其特征在于，包括：
2.根据权利要求1所述的暴雪灾害损失预估模型训练方法，其特征在于，所述构建暴雪灾害损失预估模型之后，还包括：通过如下优化方法，对暴雪灾害损失预估模型的权重和阈值进行优化：
3.根据权利要求2所述的暴雪灾害损失预估模型训练方法，其特征在于，所述对暴雪灾害损失预估模型的权重和阈值进行优化之后，还包括：
4.根据权利要求3所述的暴雪灾害损失预估模型训练方法其特征在于，所述对暴雪灾害损失预估模型的权重和阈值进行优化，还包括：
5.一种暴雪灾害损失预估方法，其特征在于，包括：
6.根据权利要求5所述的暴雪灾害损失预估方法，其特征在于，基于所...
【专利技术属性】
技术研发人员：王胜国，许丽人，李静，黄静，孙海洋，张硕，
申请(专利权)人：中国人民解放军六一五四零部队，
类型：发明
国别省市：
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。