[发明专利]基于机器学习的风险监控方法、装置、存储介质及电子设备

权利要求书

1.一种基于机器学习的风险监控方法，其特征在于，包括：

通过预设在建筑的多个倾斜监控位置的倾斜图像采集设备定期获取所述建筑的倾斜监控图像，并通过预设在所述建筑的多个裂缝监控位置的裂缝图像采集设备定期获取所述建筑的裂缝监控图像；

根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据；

根据每个所述定期倾斜度与每个所述定期倾斜度来源的倾斜监控位置关联的裂缝监控位置的定期裂缝要素数据，生成多个输入数据流；

根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流；

获取所述多个输入数据流中的预定数目个输入数据流组成攻击流，并将所述攻击流与所述基数据流进行合并后得到的被攻击数据流，输入预先训练好的机器学习模型，得到所述建筑的风险值。

2.根据权利要求1所述的方法，其特征在于，所述机器学习模型的训练方法是：

获取被攻击数据流样本集合，其中每个样本事先标定对应的建筑的风险值；

将每个所述样本的数据分别输入机器学习模型，得到所述机器学习模型输出的建筑的风险值；

如果存在有所述样本的数据输入机器学习模型后，得到的建筑的风险值与对所述样本事先标定的建筑的风险值不一致，则调整所述机器学习模型的系数，直到一致；

当所有所述样本的数据输入机器学习模型后，得到的建筑的风险值与对所述数据样本事先标定的建筑的风险值一致，训练结束。

3.根据权利要求1所述的方法，其特征在于，在所述根据所有所述定期倾斜度与所有所述定期裂缝要素数据，生成基数据流之后，所述方法还包括：

获取预定时间段的多个所述基数据流；

将多个所述基数据流一起输入预先训练好的第二机器学习模型，得到所述建筑的寿命预测值。

4.根据权利要求1所述的方法，其特征在于，在所述根据所述倾斜监控图像获取所述多个倾斜监控位置的定期倾斜度，并根据所述裂缝监控图像获取所述多个裂缝监控位置的定期裂缝要素数据之后，所述方法还包括：

当监控到所述多个倾斜监控位置的定期倾斜度中目标倾斜监控位置的定期倾斜度超过预定阈值时，获取与所述目标倾斜监控位置关联的目标裂缝监控位置的定期裂缝要素数据；

基于预设的建筑信息登记表，计算得到所述目标倾斜监控位置在所述建筑上的第一倾斜风险值，及所述目标裂缝监控位置在所述建筑上的第二倾斜风险值；

根据所述目标倾斜监控位置的定期倾斜度、所述目标裂缝监控位置的定期裂缝要素数据、所述第一倾斜风险值及所述第二倾斜风险值，获取所述建筑的风险值。

5.根据权利要求4所述的方法，其特征在于，所述根据所述目标倾斜监控位置的定期倾斜度、所述目标裂缝监控位置的定期裂缝要素数据、所述第一倾斜风险值及所述第二倾斜风险值，获取所述建筑的风险值，包括：

根据公式W＝(X*S+Y*T)^o+p，获取所述建筑的风险值，其中，W为建筑的风险值，X为定期倾斜度对应的权重，S为定期倾斜度，T定期裂缝要素数据中一种属性的数据，Y为定期裂缝要素数据中一种属性的数据对应的权重，O为第一倾斜风险值，P为第二倾斜风险值。

6.根据权利要求4所述的方法，其特征在于，所述基于预设的建筑信息登记表，计算得到所述目标倾斜监控位置在所述建筑上的第一倾斜风险值，及所述目标裂缝监控位置在所述建筑上的第二倾斜风险值，包括：

通过定位所述建筑的地点，获取所述建筑所在地的天气数据；

从预设的建筑信息登记表中，获取所述目标倾斜监控位置的第一倾斜风险数据；

通过所述天气数据及所述第一倾斜风险数据，获取所述第一倾斜风险值；

从预设的建筑信息登记表中，获取所述目标裂缝监控位置的第二倾斜风险数据；

通过所述天气数据及所述第二倾斜风险数据，获取所述第二倾斜风险值。