[发明专利]城市和社区不确定性风险的预测方法、装置、设备及介质

说明书

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。

技术领域

本公开涉及城市和社区不确定性风险的预测技术领域，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。

背景技术

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。

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。

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。

发明内容

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。

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：

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。

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：

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。

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：

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。

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：

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。