[發(fā)明專利]應(yīng)急預(yù)案內(nèi)容優(yōu)化方法和計算機設(shè)備

有效

• 申請?zhí)枺?/td>: 202010088012.X
• 申請日: 2020-02-12
• 公開（公告）號: CN111324657B
• 公開（公告）日: 2023-09-08
• 發(fā)明（設(shè)計）人: 陳順清;彭進雙;包世泰;林時君;鄧明亮;江千騰;曹兵;魏琴;龍杰;柴理想
• 申請（專利權(quán)）人: 奧格科技股份有限公司
• 主分類號: G06F16/26
• 分類號: G06F16/26;G06F18/214;G06F18/2431
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 林梅繁

1.應(yīng)急預(yù)案內(nèi)容優(yōu)化方法，其特征在于，包括以下步驟：

S1、采集數(shù)據(jù)，建立歷史安全應(yīng)急預(yù)案數(shù)據(jù)庫；

S2、對采集到的數(shù)據(jù)進行加工整理，形成適合數(shù)據(jù)分析的樣式；

S3、數(shù)據(jù)挖掘分析，通過建立合適的算法模型，將訓(xùn)練集數(shù)據(jù)放入算法模型中進行訓(xùn)練，通過不斷優(yōu)化算法模型，最終得到與實際結(jié)果誤差最小的計算結(jié)果值，實現(xiàn)應(yīng)急預(yù)案內(nèi)容的優(yōu)化；

步驟S3包括基于隨機森林算法優(yōu)化安全應(yīng)急預(yù)案的屬性參數(shù)：

分析歷史應(yīng)急指揮案例數(shù)據(jù)，對歷史應(yīng)急指揮案例數(shù)據(jù)做預(yù)處理，提取安全應(yīng)急預(yù)案的屬性參數(shù)影響特征，將屬性參數(shù)分為用于定性分析應(yīng)急預(yù)案的類別屬性參數(shù)和用于定量確定應(yīng)急預(yù)案的處置方式的數(shù)值屬性參數(shù)；

選擇隨機森林算法建立回歸模型和分類模型，預(yù)測屬性參數(shù)值，根據(jù)屬性參數(shù)值的預(yù)測結(jié)果與實際案例參數(shù)值之間的誤差，不斷優(yōu)化回歸模型和分類模型，最終使得根據(jù)回歸模型和分類模型預(yù)測的類別屬性參數(shù)值、數(shù)值屬性參數(shù)值能夠更加接近實際案例參數(shù)值，實現(xiàn)智能化安全應(yīng)急預(yù)案屬性參數(shù)的設(shè)置；

步驟S3包括基于關(guān)聯(lián)算法優(yōu)化安全應(yīng)急預(yù)案的屬性結(jié)構(gòu)：

分析安全應(yīng)急預(yù)案屬性結(jié)構(gòu)，建立安全應(yīng)急預(yù)案內(nèi)容與屬性的關(guān)聯(lián)項集表，從中發(fā)現(xiàn)安全應(yīng)急預(yù)案內(nèi)容與屬性的頻繁項集，根據(jù)設(shè)置的支持度與置信度，發(fā)現(xiàn)應(yīng)急預(yù)案內(nèi)容與屬性的強關(guān)聯(lián)規(guī)則；結(jié)合發(fā)現(xiàn)的強關(guān)聯(lián)規(guī)則，將對應(yīng)的屬性添加到安全應(yīng)急預(yù)案模型中，不斷優(yōu)化安全應(yīng)急預(yù)案模型的屬性結(jié)構(gòu)，使得安全應(yīng)急預(yù)案內(nèi)容屬性設(shè)置能夠更加符合實際案例情況；

其中，屬性參數(shù)分為分類屬性參數(shù)和數(shù)值屬性參數(shù)，分類屬性參數(shù)用于定性分析應(yīng)急預(yù)案，數(shù)值屬性參數(shù)用于定量確定應(yīng)急預(yù)案的處置方式。

2.根據(jù)權(quán)利要求1所述的應(yīng)急預(yù)案內(nèi)容優(yōu)化方法，其特征在于，步驟S1通過分析文本形式應(yīng)急預(yù)案，提取文本形式應(yīng)急預(yù)案的內(nèi)容結(jié)構(gòu)與屬性參數(shù)，形成歷史安全應(yīng)急預(yù)案數(shù)據(jù)庫；當(dāng)實際突發(fā)事件類型與安全應(yīng)急預(yù)案類型相同時，則根據(jù)安全應(yīng)急預(yù)案模型設(shè)計的應(yīng)急預(yù)案進行自動化應(yīng)急智能指揮，同時將突發(fā)事件內(nèi)容添加入歷史安全應(yīng)急預(yù)案數(shù)據(jù)庫；如果實際突發(fā)事件類型與安全應(yīng)急預(yù)案類型不同，則將實際突發(fā)事件的各部分內(nèi)容添加入歷史安全應(yīng)急預(yù)案數(shù)據(jù)庫。

3.根據(jù)權(quán)利要求1所述的應(yīng)急預(yù)案內(nèi)容優(yōu)化方法，其特征在于，分類屬性參數(shù)包括應(yīng)急事件受影響對象和應(yīng)急調(diào)度資源類別；數(shù)值屬性參數(shù)包括影響范圍、應(yīng)急調(diào)度資源數(shù)量及疏散范圍。

4.根據(jù)權(quán)利要求1所述的應(yīng)急預(yù)案內(nèi)容優(yōu)化方法，其特征在于，步驟S3利用隨機森林算法，從原始訓(xùn)練樣本集N中有放回地重復(fù)隨機抽取k個樣本生成新的訓(xùn)練樣本集，然后根據(jù)新的訓(xùn)練樣本集生成k個決策樹組成隨機森林，待測試樣本的預(yù)測結(jié)果通過k個決策樹預(yù)測值的平均值而定。

5.根據(jù)權(quán)利要求1所述的應(yīng)急預(yù)案內(nèi)容優(yōu)化方法，其特征在于，步驟S3基于隨機森林算法預(yù)測屬性參數(shù)值的過程包括：

S31、獲取歷史安全應(yīng)急預(yù)案數(shù)據(jù)庫中的突發(fā)事件案例數(shù)據(jù)，構(gòu)建初始樣本數(shù)據(jù)集；

S32、對安全應(yīng)急預(yù)案的數(shù)據(jù)進行處理；

S33、對突發(fā)事件數(shù)據(jù)的特征進行處理，篩選相關(guān)性大于設(shè)定閾值的特征，合并相關(guān)性強的特征；

S34、提取突發(fā)事件數(shù)據(jù)的特征，為每一個訓(xùn)練集對應(yīng)從i個特征中隨機選擇j個特征，其中ji，用這隨機選取的j個特征構(gòu)建單棵決策樹；

S35、遍歷每個訓(xùn)練集中的每個特征及其對應(yīng)的特征值，選擇最優(yōu)特征對訓(xùn)練集進行切分，將每個訓(xùn)練集切分為數(shù)據(jù)空間R1和數(shù)據(jù)空間R2；

S36、對所切分的兩個數(shù)據(jù)空間R1和R2遞歸調(diào)用步驟S35，直到?jīng)]有最優(yōu)特征可以用于切分訓(xùn)練集或者到達樹的最深深度則停止，從而生成單棵決策樹；

S37、分別用n個訓(xùn)練集重復(fù)步驟S35和步驟S36構(gòu)建單棵決策樹，最終構(gòu)建由n棵決策樹構(gòu)成的隨機森林；

S38、利用隨機森林進行屬性參數(shù)值的預(yù)測。