危化品风险区域识别方法、装置、计算机设备及存储介质与流程

1.本公开实施例涉及智能城市技术领域，尤其涉及市域治理技术领域，具体涉及一种危化品风险区域识别方法、装置、计算机设备及存储介质。


背景技术：

2.当前针对危险化学品的监管，需要对没有生产资格但是进行危险化学品生产的小型化工厂以及危险化学品不合法囤积的仓库等危化品风险区域进行识别。
3.相关技术中，通常是对待识别区域的用电数据进行分析以对异常区域进行挖掘，而后采用人工抽查的方式进行危化品风险区域的识别
4.这种方式下，仅分析用电数据得到的数据特征较为单一，无法对危化品风险区域进行准确的识别，依赖较多的人工排查，导致危化品风险区域识别效率较低。


技术实现要素：

5.本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
6.为此，本公开的目的在于提出一种危化品风险区域识别方法、装置、计算机设备及存储介质，能够分析与待识别区域对应的跨域时空属性特征，实现对不同数据域时空数据的有效利用，并实现利用跨域时空属性特征对待识别区域是否是危化品风险区域进行有效判断，从而可以有效提升危化品风险区域识别的识别效率，有效提升危化品风险区域的识别准确度。
7.本公开第一方面实施例提出的危化品风险区域识别方法，包括：确定待识别区域的区域信息；获取与所述区域信息对应的跨域时空属性特征，其中，所述跨域时空属性特征，表征所述待识别区域的第一时空数据和第二时空数据之间的属性关联特征，所述第一时空数据对应第一数据域，所述第二时空数据对应第二数据域，所述第一数据域和所述第二数据域不相同；以及根据所述跨域时空属性特征，确定所述待识别区域是否是危化品风险区域。
8.本公开第一方面实施例提出的危化品风险区域识别方法，通过确定待识别区域的区域信息，获取与区域信息对应的跨域时空属性特征，其中，跨域时空属性特征，表征待识别区域的第一时空数据和第二时空数据之间的属性关联特征，第一时空数据对应第一数据域，第二时空数据对应第二数据域，第一数据域和第二数据域不相同，以及根据跨域时空属性特征，确定待识别区域是否是危化品风险区域，能够分析与待识别区域对应的跨域时空属性特征，实现对不同数据域时空数据的有效利用，并实现利用跨域时空属性特征对待识别区域是否是危化品风险区域进行有效判断，从而可以有效提升危化品风险区域识别的识别效率，有效提升危化品风险区域的识别准确度。
9.本公开第二方面实施例提出的危化品风险区域识别装置，包括：第一确定模块，用于确定待识别区域的区域信息；获取模块，用于获取与所述区域信息对应的跨域时空属性特征，其中，所述跨域时空属性特征，表征所述待识别区域的第一时空数据和第二时空数据
之间的属性关联特征，所述第一时空数据对应第一数据域，所述第二时空数据对应第二数据域，所述第一数据域和所述第二数据域不相同；以及第二确定模块，用于根据所述跨域时空属性特征，确定所述待识别区域是否是危化品风险区域。
10.本公开第二方面实施例提出的危化品风险区域识别装置，通过确定待识别区域的区域信息，获取与区域信息对应的跨域时空属性特征，其中，跨域时空属性特征，表征待识别区域的第一时空数据和第二时空数据之间的属性关联特征，第一时空数据对应第一数据域，第二时空数据对应第二数据域，第一数据域和第二数据域不相同，以及根据跨域时空属性特征，确定待识别区域是否是危化品风险区域，能够分析与待识别区域对应的跨域时空属性特征，实现对不同数据域时空数据的有效利用，并实现利用跨域时空属性特征对待识别区域是否是危化品风险区域进行有效判断，从而可以有效提升危化品风险区域识别的识别效率，有效提升危化品风险区域的识别准确度。
11.本公开第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本公开第一方面实施例提出的危化品风险区域识别方法。
12.本公开第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开第一方面实施例提出的危化品风险区域识别方法。
13.本公开第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行如本公开第一方面实施例提出的危化品风险区域识别方法。
14.本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
15.本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
16.图1是本公开一实施例提出的危化品风险区域识别方法的流程示意图；
17.图2是本公开另一实施例提出的危化品风险区域识别方法的流程示意图；
18.图3是本公开实施例中的危化品风险区域识别流程示意图；
19.图4是本公开实施例中的区域特征挖掘数据流转示意图；
20.图5是本公开另一实施例提出的危化品风险区域识别方法的流程示意图；
21.图6是本公开另一实施例提出的危化品风险区域识别方法的流程示意图；
22.图7是本公开实施例中的危化品风险区域识别流程示意图；
23.图8是本公开一实施例提出的危化品风险区域识别装置的结构示意图；
24.图9是本公开另一实施例提出的危化品风险区域识别装置的结构示意图；
25.图10示出了适于用来实现本公开实施方式的示例性计算机设备的框图。
具体实施方式
26.下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附
图描述的实施例是示例性的，仅用于解释本公开，而不能理解为对本公开的限制。相反，本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
27.图1是本公开一实施例提出的危化品风险区域识别方法的流程示意图。
28.其中，需要说明的是，本实施例的危化品风险区域识别方法的执行主体为危化品风险区域识别装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在计算机设备中，计算机设备可以包括但不限于终端、服务器端等。
29.需要说明的是，本公开技术方案中对信息的获取、采集、存储、使用、处理等，其过程均符合相关法律、法规的规定，且不违背公序良俗。
30.如图1所示，该危化品风险区域识别方法，包括：
31.s101：确定待识别区域的区域信息。
32.其中，待对其进行危化品风险区域识别的区域可以被称为待识别区域。
33.其中，区域信息，是指与待识别区域相关的时空数据信息，该时空数据信息例如具体可以为待识别区域的危化品运输车辆轨迹数据信息、兴趣点(point of interest，poi)数据信息以及危化品运输公司在待识别区域的订单数据信息等时空数据信息。
34.本公开实施例中，在确定待识别区域的区域信息时，可以首先确定可以标识待识别区域的身份信息，该待识别区域的身份信息例如可以包括待识别区域的坐标位置信息以及区域面积信息，而后根据待识别区域的坐标位置信息和区域面积信息对待识别区域进行定位处理。
35.本公开实施例在上述确定待识别区域的坐标位置信息以及区域面积信息之后，可以根据待识别区域的坐标位置信息和区域面积信息对待识别区域进行定位处理，而后可以确定定位处理后的待识别区域的时空数据分布情况，确定待识别区域的时空数据所位于的数据域，而后根据待识别区域的身份信息从对应的数据域中确定待识别区域的危化品运输车辆轨迹数据信息、兴趣点数据信息以及危化品运输公司在待识别区域的订单数据信息等时空数据信息，以实现确定待识别区域的区域信息，或者也可以采用其他任意可能的方式确定待识别区域的区域信息，对此不做限制。
36.s102：获取与区域信息对应的跨域时空属性特征，其中，跨域时空属性特征，表征待识别区域的第一时空数据和第二时空数据之间的属性关联特征，第一时空数据对应第一数据域，第二时空数据对应第二数据域，第一数据域和第二数据域不相同。
37.其中，时空数据，是指待识别区域的具有时间属性或者空间属性的数据以及同时包含时间属性和空间属性的数据，第一时空数据是指存储于第一数据域的时空数据，第二时空数据是指存储于第二数据域的时空数据。
38.举例而言，待识别区域的兴趣点数据信息具有空间属性，待识别区域的订单数据具有时间属性，待识别区域的危化品运输车辆轨迹数据同时具有时间属性和空间属性，第一时空数据和第二时空数据可以为待识别区域的兴趣点数据、车辆轨迹数据以及危化品运输公司在待识别区域的订单数据等。
39.其中，数据域是指时空数据存储的源数据库所在的位置区域，第一数据域是指存储第一时空数据的数据域，第二数据域是指存储第二时空数据的数据域，第一数据域和第二数据域不相同，相应的，第一数据域存储的第一时空数据与第二数据域存储的第二时空
数据不相同。
40.其中，跨域时空属性特征，是指用于表征待识别区域的第一时空数据和第二时空数据之间的属性关联的特征。
41.本公开实施例中，在获取与区域信息对应的跨域时空属性特征时，可以训练一个时空联邦机器学习模型，该时空联邦机器学习模型具有特征提取的功能，可以执行对时空数据进行时空特征提取的任务，而后可以将该时空联邦机器学习模型分别部署于第一数据域和第二数据域，利用时空联邦机器学习模型分别对第一数据域的第一时空数据和第二数据域的第二时空数据进行特征提取，以得到第一时空数据和第二时空数据对应的跨域时空属性特征。
42.本公开实施例在分别对第一时空数据和第二时空数据对应的时空特征进行提取之后，可以利用部署于中心服务器的时空联邦机器学习模型对第一时空数据和第二时空数据的时空特征进行跨域联合学习，以得到时空联邦机器学习模型输出的时空特征，并将中心服务器的时空联邦机器学习模型输出的时空特征作为跨域时空属性特征。
43.s103：根据跨域时空属性特征，确定待识别区域是否是危化品风险区域。
44.其中，危化品风险区域是指在危险化学品工作流程中易发生危险的区域，危化品风险区域相比普通场所或者正规危化品生产场所较容易发生危险事件，危化品风险区域例如具体可以为无相关危化品生产或存储资质，违法进行存储的场所。
45.举例而言，危化品风险区域可以为没有生产资格但是进行危险化学品生产的小型化工厂以及危险化学品不合法囤积的仓库，相比普通场所或者正规危化品生产存储区域，危化品风险区域多位于位置相对偏远、危化品运输车辆聚集的区域以及危化品运输路线上。
46.本公开实施例在上述确定待识别区域的区域信息，并获取与区域信息对应的跨域时空属性特征之后，可以根据跨域时空属性特征，确定待识别区域是否是危化品风险区域。
47.本公开实施例中，在根据跨域时空属性特征，确定待识别区域是否是危化品风险区域时，可以基于用于时空特征提取的时空特征联邦机器学习模型构建危化品风险区域识别模型，并基于有标签的样本数据训练该危化品风险区域识别模型，迭代更新模型参数，直至模型收敛，以得到收敛后的危化品风险区域识别模型，该收敛的危化品风险区域识别模型可以执行根据跨域时空属性特征对待识别区域是否是危化品风险区域进行判断的任务，而后可以将待识别区域的跨域时空属性特征输入至危化品风险区域识别模型中，利用危化品风险区域识别模型对跨域时空属性特征进行处理，以得到危化品风险区域识别模型的分类层输出的判断结果，以确定待识别区域是否是危化品风险区域。
48.本公开实施例在基于有标签的样本数据训练该危化品风险区域识别模型时，可以获取业务人员历史抽查的辖区内的危化品风险区域样本数据，该危化品风险区域样本数据可以为非法危化品工厂和合法危化品工厂的名单数据，该名单中将样本区域划分为非法区域、合法区域和不确定区域，非法区域可以被理解为该区域是危化品风险区域，合法区域可以被理解为该区域不是危化品风险区域，其他不能根据已有数据进行划分的区域定义为不确定区域，利用该有标签的样本数据对危化品风险区域识别模型中的分类模型进行训练，直至分类模型收敛，以得到收敛的危化品风险区域识别模型用于根据跨域时空属性特征，确定待识别区域是否是危化品风险区域。
49.另一些实施例中，可以构建包含数据处理层、特征提取层、全连接层以及分类层的识别处理模型，输入历史样本危化品运输车辆轨迹数据信息、企业危化品订单信息以及有标签的区域名单数据进行识别处理模型的训练，迭代更新模型参数，直至模型收敛，而后将跨域时空属性特征输入至识别处理模型中，将识别处理模型的输出结果作为待识别区域是否是危化品风险区域的判断结果，以实现根据跨域时空属性特征，确定待识别区域是否是危化品风险区域，或者也可以采用其他任意可能的方式根据跨域时空属性特征，确定待识别区域是否是危化品风险区域，对此不做限制。
50.本实施例中，通过确定待识别区域的区域信息，获取与区域信息对应的跨域时空属性特征，其中，跨域时空属性特征，表征待识别区域的第一时空数据和第二时空数据之间的属性关联特征，第一时空数据对应第一数据域，第二时空数据对应第二数据域，第一数据域和第二数据域不相同，以及根据跨域时空属性特征，确定待识别区域是否是危化品风险区域，能够分析与待识别区域对应的跨域时空属性特征，实现对不同数据域时空数据的有效利用，并实现利用跨域时空属性特征对待识别区域是否是危化品风险区域进行有效判断，从而可以有效提升危化品风险区域识别的识别效率，有效提升危化品风险区域的识别准确度。
51.图2是本公开另一实施例提出的危化品风险区域识别方法的流程示意图。
52.如图2所示，该危化品风险区域识别方法，包括：
53.s201：构建初始的联邦机器学习模型。
54.其中，联邦机器学习模型，是指可以在多方数据数的数据不出库的情况下采用联邦学习方法对数据进行学习的机器学习模型，初始的联邦机器学习模型是指未利用样本数据进行训练的联邦机器学习模型。
55.本公开实施例中，在构建初始的联邦机器学习模型时，可以分别构建包含数据处理层、特征提取层、全连接层以及分类层的机器学习模型，并将得到的机器学习模型作为构建的初始的联邦机器学习模型。
56.s202：采用联邦机器学习方法，结合多个联邦对比子模型分别输出的多个样本时空属性特征，与多个联邦对比子模型分别对应的多个损失代价值训练初始的联邦机器学习模型，直至联邦机器学习模型收敛，将训练得到的联邦机器学习模型作为跨域时空属性识别模型。
57.其中，联邦对比子模型，是在相应数据域本地训练得到的，用于处理相应数据域提供的样本时空数据，以得到与样本时空数据对应的样本时空属性特征。
58.其中，样本时空数据，是指业务人员历史抽查的辖区内的样本区域的时空数据，该样本时空数据对应的样本区域可以包括非法危化品工厂和合法危化品工厂，可以将样本区域划分为非法区域、合法区域和不确定区域，其中，将合法企业周围50m内的区域定义为合法区域，也即是说，合法企业周围50m内的区域不是危化品风险区域，将非法危化品工厂50m范围内的区域定义为危化品风险区域，其他不能根据已有数据进行划分的区域定义为不确定区域。
59.其中，样本时空属性特征，是指可以用于表征样本时空数据的时空属性的特征值。
60.其中，损失代价值，是指在数据域本地训练各个联邦对比子模型过程中产生的参数值，在多个数据域本地对联邦对比子模型进行训练，生成多个损失代价值。
61.其中，跨域时空属性识别模型可以用于对待识别区域多个数据域的跨域时空属性特征进行提取。
62.本公开实施例在上述构建初始的联邦机器学习模型之后，可以采用联邦机器学习方法，结合多个联邦对比子模型分别输出的多个样本时空属性特征，与多个联邦对比子模型分别对应的多个损失代价值训练初始的联邦机器学习模型。
63.本公开实施例中，在采用联邦机器学习方法，训练初始的联邦机器学习模型时，可以在各个数据域的本地预先训练对应的多个联邦对比子模型，以得到与多个联邦对比子模型分别对应的多个损失代价值，将多个数据域提供的样本时空数据分别输入至对应多个数据域本地的联邦对比子模型中，利用联邦对比子模型对样本时空数据进行特征提取，以得到联邦对比子模型输出的对应的样本时空属性特征。
64.本公开实施例在利用联邦对比子模型处理相应数据域提供的样本时空数据，以得到与样本时空数据对应的样本时空属性特征之后，可以采用联邦学习方法，在多个数据域的时空数据不出库的情况下，结合多个联邦对比子模型分别输出的多个样本时空属性特征，与多个联邦对比子模型分别对应的多个损失代价值训练初始的联邦机器学习模型，迭代更新联邦机器学习模型参数，直至联邦机器学习模型收敛，并将训练至收敛的联邦机器学习模型作为跨域时空属性识别模型。
65.本实施例中，通过构建初始的联邦机器学习模型，采用联邦机器学习方法，结合多个联邦对比子模型分别输出的多个样本时空属性特征，与多个联邦对比子模型分别对应的多个损失代价值训练初始的联邦机器学习模型，直至联邦机器学习模型收敛，将训练得到的联邦机器学习模型作为跨域时空属性识别模型，从而可以保证在各个数据域的时空数据不出库的情况下，实现对跨域时空属性识别模型的训练，有效保证了各个数据域的时空数据的隐私性。
66.s203：确定待识别区域中的多个驻留点。
67.其中，驻留点，是指危化品运输车辆轨迹的聚集区域的中心点。
68.本公开实施例中，在确定待识别区域中的多个驻留点时，可以获取危化品运输车辆的全球定位系统(global positioning system，gps)的车辆轨迹数据，该车辆轨迹数据的数据字段主要包括：车辆车牌号、数据采样时间以及数据采样经纬度，并结合业务相关背景，对车辆轨迹数据进行轨迹消噪处理，可以对因定位系统采集位置偏移导致的异常轨迹点进行去除，以得到轨迹消噪处理后的车辆轨迹数据，而后可以设置危化品运输车辆在直径为r米的圆形区域内驻留m秒以上，则确认危化品运输车辆在此段时间内的报点区域的聚类中心驻留，采用增量计算的方式计算得到待识别区域的多个驻留点。
69.另一些实施例中，对于跨天的长时间驻留点被分割为两个至多个驻留点情况，可以在计算待识别区域的驻留点时，将时间窗口左端点向前增加m-1秒，以对跨天的驻留点进行合并，实现确定待识别区域中的多个驻留点，或者也可以采用其他任意可能的方式实现确定待识别区域中的多个驻留点，对此不做限制。
70.s204：根据多个驻留点，从待识别区域中识别出驻留区域信息。
71.其中，驻留区域信息，是指对待识别区域的驻留点进行聚类处理后得到的危化品运输车辆的驻留区域位置等相关信息。
72.本公开实施例在上述确定待识别区域中的多个驻留点之后，可以根据多个驻留
点，从待识别区域中识别出驻留区域信息。
73.本公开实施例中，在根据多个驻留点，从待识别区域中识别出驻留区域信息时，可以对多个驻留点进行聚类处理，可以使用空间聚类算法(density-based spatial clustering of applications with noise，dbscan)对驻留点进行聚类处理，以驻留点的经度信息、纬度信息、以及危化品运输车辆运输的危化品类别作为特征，并重新定义距离函数，通过肘点法在地图上可视化观察轨迹点的聚类，调节超参数聚类半径和邻域内点数量阈值以得到驻留区域。
74.本公开实施例在对多个驻留点进行聚类处理以得到驻留区域之后，可以将驻留区域将企业的危化品订单信息以及兴趣点数据信息进行关联处理，以得到关联处理后的驻留区域向量(驻留区域向量包含驻留区域身份信息、驻留时间、车辆轨迹、运输的危化品的品类信息、运输量、出发地以及目的地)，其中，驻留区域身份信息为驻留区域中心位置的地理坐标编码格子经纬度坐标，并将关联处理后得到的驻留区域向量作为从待识别区域中识别出的驻留区域信息。
75.举例而言，如图3所示，图3是本公开实施例中的危化品风险区域识别流程示意图，首先可以获取危化品运输车辆轨迹数据，并对因定位系统采集位置偏移导致的异常轨迹点进行去除，以实现对车辆轨迹数据的消噪处理，而后可以对消噪处理的车辆轨迹数据进行驻留点提取，而后可以对提取到的驻留点进行聚类处理以根据多个驻留点，从待识别区域中识别出驻留区域信息，并将识别出的驻留区域信息作为待识别区域的区域信息。
76.s205：将驻留区域信息作为区域信息。
77.本公开实施例在上述根据多个驻留点，从待识别区域中识别出驻留区域信息之后，可以将驻留区域信息作为待识别区域的区域信息。
78.本公开实施例在将驻留区域信息作为区域信息时，可以获取与区域信息对应的跨域时空属性特征，具体可见后续实施例。
79.本实施例中，通过确定待识别区域中的多个驻留点，根据多个驻留点，从待识别区域中识别出驻留区域信息，将驻留区域信息作为区域信息，从而可以确定驻留点以识别出驻留区域信息作为区域信息，实现获取较为准确的区域信息由于采取增量的方式进行，从而可以减少数据计算量与存储硬件的压力，辅助提升危化品风险区域的识别处理效率。
80.s206：将区域信息输入至跨域时空属性识别模型之中，以获得跨域时空属性识别模型输出的与区域信息对应的跨域时空属性特征，其中，跨域时空属性识别模型，是采用联邦机器学习方法训练得到的。
81.本公开实施例在上述构建初始的联邦机器学习模型，采用联邦机器学习方法，结合多个联邦对比子模型分别输出的多个样本时空属性特征，与多个联邦对比子模型分别对应的多个损失代价值训练初始的联邦机器学习模型，直至联邦机器学习模型收敛，以得到跨域时空属性识别模型，并识别出驻留区域信息作为区域信息之后，可以将区域信息输入至跨域时空属性识别处理模型中，利用跨域时空属性识别处理模型对区域信息进行数据分析和特征提取处理，以得到跨域时空属性识别模型的输出结果，并将跨域时空属性识别模型的输出结果作为与区域信息对应的跨域时空属性特征。
82.举例而言，如图4所示，图4是本公开实施例中的区域特征挖掘数据流转示意图，危化品风险区域处会有较多危化品运输车辆驻留进行装载和卸货，可以根据车辆轨迹数据确
定待识别区域的多个驻留点，而后可以对多个驻留点进行聚类处理，以根据多个驻留点，从待识别区域中识别出驻留区域信息，而后对驻留区域信息中区域身份信息进行对齐处理，并将对齐处理后的驻留区域信息输入至编码模块中进行编码处理，而后可以将编码处理后的区域信息输入至跨域时空属性识别模型之中，以获得跨域时空属性识别模型输出的与区域信息对应的跨域时空属性特征。
83.s207：根据跨域时空属性特征，确定待识别区域是否是危化品风险区域。
84.s207的描述说明可以示例参见上述实施例，在此不再赘述。
85.本实施例中，通过确定待识别区域的区域信息，获取与区域信息对应的跨域时空属性特征，其中，跨域时空属性特征，表征待识别区域的第一时空数据和第二时空数据之间的属性关联特征，第一时空数据对应第一数据域，第二时空数据对应第二数据域，第一数据域和第二数据域不相同，以及根据跨域时空属性特征，确定待识别区域是否是危化品风险区域，能够分析与待识别区域对应的跨域时空属性特征，实现对不同数据域时空数据的有效利用，并实现利用跨域时空属性特征对待识别区域是否是危化品风险区域进行有效判断，从而可以有效提升危化品风险区域识别的识别效率，有效提升危化品风险区域的识别准确度，通过构建初始的联邦机器学习模型，采用联邦机器学习方法，结合多个联邦对比子模型分别输出的多个样本时空属性特征，与多个联邦对比子模型分别对应的多个损失代价值训练初始的联邦机器学习模型，直至联邦机器学习模型收敛，将训练得到的联邦机器学习模型作为跨域时空属性识别模型，从而可以保证在各个数据域的时空数据不出库的情况下，实现对跨域时空属性识别模型的训练，有效保证了各个数据域的时空数据的隐私性，通过确定待识别区域中的多个驻留点，根据多个驻留点，从待识别区域中识别出驻留区域信息，将驻留区域信息作为区域信息，从而可以确定驻留点以识别出驻留区域信息作为区域信息，实现获取较为准确的区域信息由于采取增量的方式进行，从而可以减少数据计算量与存储硬件的压力，辅助提升危化品风险区域的识别处理效率。
86.图5是本公开另一实施例提出的危化品风险区域识别方法的流程示意图。
87.如图5所示，该危化品风险区域识别方法，包括：
88.s501：构建初始的联邦机器学习模型。
89.s501的描述说明可以示例参见上述实施例，在此不再赘述。
90.s502：将多个样本时空属性特征分别输入至初始的联邦机器学习模型之中，以得到联邦机器学习模型输出的样本特征表征信息。
91.其中，样本特征表征信息，是指可以用于对样本时空属性特征进行特征表征处理的数据信息。
92.本公开实施例在上述构建初始的联邦机器学习模型之后，可以将多个样本时空属性特征分别输入至初始的联邦机器学习模型之中，利用初始的联邦机器学习模型对多个样本时空属性特征进行分析和特征表征处理，以得到联邦机器学习模型输出的样本特征表征信息。
93.可选地，一些实施例中，在将多个样本时空属性特征分别输入至初始的联邦机器学习模型之中，以得到联邦机器学习模型输出的样本特征表征信息时，可以处理多个样本时空属性特征，得到正样本时空属性特征对，其中，正样本时空属性特征对包括：与属于相同驻留区域的轨迹向量对应的样本时空属性特征，处理多个样本时空属性特征，得到负样
本时空属性特征对，其中，负样本时空属性特征对包括：与属于不同驻留区域的轨迹向量对应的样本时空属性特征，将正样本时空属性特征对和负样本时空属性特征对输入至初始的联邦机器学习模型之中，以得到联邦机器学习模型输出的正样本时空属性特征对之间的正样本特征表征距离，和负样本时空属性特征对之间的负样本特征表征距离，将正样本特征表征距离和负样本特征表征距离作为样本特征表征信息，从而可以将样本时空属性特征划分为样本对并输入至初始的联邦机器学习模型进行分析处理，使得正样本时空属性特征对的正样本特征表征距离尽可能接近，负样本时空属性特征对的负样本特征表征距离尽可能远离，以得到较为准确的特征表征距离作为样本特征表征信息，由于样本特征表征信息可以用于获取联邦机器学习模型的待处理损失值，从而可以获取较为准确的待处理损失值，保证联邦机器学习模型的训练效果。
94.其中，驻留区域的轨迹向量包含驻留区域身份信息、驻留时间、车辆轨迹、运输的危化品的品类信息、运输量、出发地以及目的地信息。
95.其中，正样本时空属性特征对，是指与属于相同驻留区域的样本时空数据对应的时空属性特征组成的时空属性特征对，该正样本时空属性特征对包括：与属于相同驻留区域的轨迹向量对应的样本时空属性特征。
96.其中，负样本时空属性特征对，是指与属于不同驻留区域的样本时空数据对应的时空属性特征组成的时空属性特征对，该负样本时空属性特征对包括：与属于不同驻留区域的轨迹向量对应的样本时空属性特征。
97.本公开实施例在对多个样本时空属性特征进行处理以得到正样本时空属性特征对时，可以对多个样本时空属性特征进行划分处理，将与属于相同驻留区域的轨迹向量对应的样本时空属性特征划分为正样本时空属性特征对，在对多个样本时空属性特征进行处理以得到负样本时空属性特征对时，可以对多个样本时空属性特征进行划分处理，将与属于不同驻留区域的轨迹向量对应的样本时空属性特征划分为负样本时空属性特征对。
98.本公开实施例在处理多个样本时空属性特征，得到正样本时空属性特征对和负样本时空属性特征对之后，可以将正样本时空属性特征对和负样本时空属性特征对输入至初始的联邦机器学习模型之中，利用初始的联邦机器学习模型对将正样本时空属性特征对和负样本时空属性特征进行特征表征距离计算，使得正样本时空属性特征对的正样本特征表征距离尽可能接近，负样本时空属性特征对的负样本特征表征距离尽可能远离，以得到初始的联邦机器学习模型输出的正样本时空属性特征对之间的正样本特征表征距离，和负样本时空属性特征对之间的负样本特征表征距离，并将获取到的正样本特征表征距离和负样本特征表征距离作为样本特征表征信息。
99.s503：根据样本特征表征信息确定待处理损失值，并根据待处理损失值和多个损失代价值确定目标损失值。
100.其中，待处理损失值，是指可以对样本特征表征信息中的样本特征表征距离的远近进行表征的损失值。
101.其中，目标损失值，是指可以用于对联邦机器学习模型是否训练至收敛进行判断的损失值。
102.本公开实施例中，在根据样本特征表征信息确定待处理损失值时，可以利用损失
函数对待处理损失值进行计算，其中，1[k≠i]取值范围为{0，1}，当[
·
]为真取函数式为1，当[
·
]为假取函数式为0，x为样本特征表征距离，τ为常数，将样本特征表征距离输入至损失函数值中进行计算，以得到损失函数的计算结果，并将损失函数的计算结果作为待处理损失值。
[0103]
本公开实施例在根据样本特征表征信息确定待处理损失值之后，可以根据待处理损失值和多个损失代价值确定目标损失值，可以将待处理损失值和多个损失代价值输入至损失值分析处理模型中，利用损失值分析处理模型对待处理损失值和多个损失代价值进行分析处理，以得到损失值分析处理模型输出的损失值，并将输出得到的损失值作为目标损失值。
[0104]
s504：如果目标损失值满足损失条件，则将训练得到的联邦机器学习模型作为跨域时空属性识别模型。
[0105]
其中，损失条件，是指预先针对目标损失值设置的判断条件，如果目标损失值满足损失条件，则可以将训练得到的联邦机器学习模型作为跨域时空属性识别模型。
[0106]
本公开实施例在上述根据样本特征表征信息确定待处理损失值，并根据待处理损失值和多个损失代价值确定目标损失值之后，可以对目标损失值是否满足损失条件进行判断，如果目标损失值满足损失条件，则将训练得到的联邦机器学习模型作为跨域时空属性识别模型。
[0107]
本实施例中，通过将多个样本时空属性特征分别输入至初始的联邦机器学习模型之中，以得到联邦机器学习模型输出的样本特征表征信息，根据样本特征表征信息确定待处理损失值，并根据待处理损失值和多个损失代价值确定目标损失值，如果目标损失值满足损失条件，则将训练得到的联邦机器学习模型作为跨域时空属性识别模型，从而可以计算目标损失值并根据目标损失值对联邦机器学习模型的训练收敛度进行判断，以提升训练得到的跨域时空属性识别模型的特征提取效果，根据跨域时空属性特征，确定待识别区域是否是危化品风险区域，从而可以有效提升危化品风险区域识别效果。
[0108]
s505：确定待识别区域的区域信息。
[0109]
s506：将区域信息输入至跨域时空属性识别模型之中，以获得跨域时空属性识别模型输出的与区域信息对应的跨域时空属性特征。
[0110]
s507：根据跨域时空属性特征，确定待识别区域是否是危化品风险区域。
[0111]
s505-s507的描述说明可以示例参见上述实施例，在此不再赘述。
[0112]
本实施例中，通过确定待识别区域的区域信息，获取与区域信息对应的跨域时空属性特征，其中，跨域时空属性特征，表征待识别区域的第一时空数据和第二时空数据之间的属性关联特征，第一时空数据对应第一数据域，第二时空数据对应第二数据域，第一数据域和第二数据域不相同，以及根据跨域时空属性特征，确定待识别区域是否是危化品风险区域，能够分析与待识别区域对应的跨域时空属性特征，实现对不同数据域时空数据的有效利用，并实现利用跨域时空属性特征对待识别区域是否是危化品风险区域进行有效判断，从而可以有效提升危化品风险区域识别的识别效率，有效提升危化品风险区域的识别
准确度，通过将多个样本时空属性特征分别输入至初始的联邦机器学习模型之中，以得到联邦机器学习模型输出的样本特征表征信息，根据样本特征表征信息确定待处理损失值，并根据待处理损失值和多个损失代价值确定目标损失值，如果目标损失值满足损失条件，则将训练得到的联邦机器学习模型作为跨域时空属性识别模型，从而可以计算目标损失值并根据目标损失值对联邦机器学习模型的训练收敛度进行判断，以提升训练得到的跨域时空属性识别模型的特征提取效果，根据跨域时空属性特征，确定待识别区域是否是危化品风险区域，从而可以有效提升危化品风险区域识别效果。
[0113]
图6是本公开另一实施例提出的危化品风险区域识别方法的流程示意图。
[0114]
如图6所示，该危化品风险区域识别方法，包括：
[0115]
s601：构建初始的联邦机器学习模型。
[0116]
s601的描述说明可以示例参见上述实施例，在此不再赘述。
[0117]
s602：获取多个联邦对比子模型分别输出的多个样本驻留区域信息。
[0118]
其中，样本驻留区域信息，是指对样本时空数据进行处理后得到的对应的驻留区域信息。
[0119]
本公开实施例中，在获取多个联邦对比子模型分别输出的多个样本驻留区域信息时，可以将样本时空数据输入至联邦对比子模型中，利用联邦对比子模型对样本时空数据进行分析处理，对样本时空数据中的车辆轨迹数据进行计算处理以提取样本时空数据中的样本驻留点，而后可以根据样本驻留点识别出样本驻留区域信息，以获取多个联邦对比子模型分别输出的多个样本驻留区域信息。
[0120]
s603：根据样本驻留区域信息，对多个样本时空属性特征进行对齐处理。
[0121]
本公开实施例在处理多个样本时空属性特征，得到正样本时空属性特征对之前，可以获取多个联邦对比子模型分别输出的多个样本驻留区域信息，根据样本驻留区域信息，对多个样本时空属性特征进行对齐处理。
[0122]
本公开实施例中，在根据样本驻留区域信息，对多个样本时空属性特征进行对齐处理时，可以基于联邦隐私保护集合交集(private set intersection，psi)，根据样本驻留区域信息中的区域身份信息对多个样本时空属性特征进行对齐处理，以得到对齐处理后的样本时空属性特征。
[0123]
s604：处理多个样本时空属性特征，得到正样本时空属性特征对，其中，正样本时空属性特征对包括：与属于相同驻留区域的轨迹向量对应的样本时空属性特征。
[0124]
s605：处理多个样本时空属性特征，得到负样本时空属性特征对，其中，负样本时空属性特征对包括：与属于不同驻留区域的轨迹向量对应的样本时空属性特征。
[0125]
s606：将正样本时空属性特征对和负样本时空属性特征对输入至初始的联邦机器学习模型之中，以得到联邦机器学习模型输出的正样本时空属性特征对之间的正样本特征表征距离，和负样本时空属性特征对之间的负样本特征表征距离。
[0126]
s607：将正样本特征表征距离和负样本特征表征距离作为样本特征表征信息。
[0127]
s608：根据样本特征表征信息确定待处理损失值，并根据待处理损失值和多个损失代价值确定目标损失值。
[0128]
s609：如果目标损失值满足损失条件，则将训练得到的联邦机器学习模型作为跨域时空属性识别模型。
[0129]
s604-s609的描述说明可以示例参见上述实施例，在此不再赘述。
[0130]
可选地，一些实施例中，在采用联邦机器学习方法，结合与多个联邦对比子模型分别输出的多个时空属性特征，与多个联邦对比子模型分别对应的多个损失代价值训练初始的联邦机器学习模型之后，可以确定与多个样本驻留区域信息分别对应的多个风险区域标注，确定依据样本驻留区域信息所对齐的多个样本时空属性特征，根据所对齐的多个样本时空属性特征、多个风险区域标注训练初始的人工智能模型，直至人工智能模型收敛，将训练得到的人工智能模型作为风险区域识别模型，从而可以根据样本时空属性特征与风险区域标注训练人工智能模型以得到风险区域识别模型，有效保证风险区域识别模型的识别处理效果，利用训练至收敛的风险区域识别模型根据跨域时空属性特征对待识别区域是否是危化品风险区域进行判断，从而可以有效提升危化品风险区域识别的准确性。
[0131]
其中，风险区域标注，是指对样本时空数据对应的风险区域进行标注后得到的风险区域标记。
[0132]
其中，初始的人工智能模型，是指构建的具有特征分析处理功能的未经训练的人工智能模型。
[0133]
本公开实施例中，在确定与多个样本驻留区域信息分别对应的多个风险区域标注时，可以根据业务人员的抽查结果对样本驻留区域信息对应的多个区域是否是风险区域进行标注，将对应的多个驻留区域划分为风险区域和非风险区域，并对风险区域和非风险区域进行相应的标注，以确定与多个样本驻留区域信息分别对应的多个风险区域标注。
[0134]
本公开实施例在上述确定与多个样本驻留区域信息分别对应的多个风险区域标注之后，可以确定依据样本驻留区域信息所对齐的多个样本时空属性特征，而后可以构建初始的人工智能模型，而后将可以根据所对齐的多个样本时空属性特征、多个风险区域标注训练初始的人工智能模型，可以将对齐的多个样本时空属性特征、多个风险区域标注输入至构建的初始的人工智能模型中，对人工智能模型进行训练，迭代更新模型参数，直至人工智能模型收敛，将训练至收敛的人工智能模型作为风险区域识别模型。
[0135]
可选地，一些实施例中，初始的人工智能模型包括：跨域时空属性识别模型、与跨域时空属性识别模型相连接的全连接层、与全连接层相连接的分类层，从而可以基于跨域时空属性识别模型构建初始的人工智能模型，由于跨域时空属性识别模型已经训练至收敛，从而可以降低人工智能模型的训练成本，提升将人工智能模型训练至收敛以得到风险区域识别模型的训练效率，辅助提升危化品风险区域识别处理效率。
[0136]
本公开实施例中，在构建初始的人工智能模型时，可以分别获取跨域时空属性识别模型、与跨域时空属性识别模型相连接的全连接层、与全连接层相连接的分类层，并将跨域时空属性识别模型、与跨域时空属性识别模型相连接的全连接层、与全连接层相连接的分类层构建为初始的人工智能模型，而后可以根据所对齐的多个样本时空属性特征、多个风险区域标注训练初始的人工智能模型，直至人工智能模型收敛，将训练得到的人工智能模型作为风险区域识别模型。
[0137]
s610：确定待识别区域的区域信息。
[0138]
s611：将区域信息输入至跨域时空属性识别模型之中，以获得跨域时空属性识别模型输出的与区域信息对应的跨域时空属性特征。
[0139]
s610-s611的描述说明可以示例参见上述实施例，在此不再赘述。
[0140]
s612：将跨域时空属性特征输入至预先训练的风险区域识别模型中，以基于风险区域识别模型的输出确定待识别区域是否是危化品风险区域。
[0141]
本公开实施例在将训练至收敛的人工智能模型作为风险区域识别模型之后，可以将跨域时空属性特征输入至预先训练的风险区域识别模型中，基于风险区域识别模型对待识别区域的跨域时空属性特征进行识别处理，以得到风险区域识别模型的输出结果，而后可以基于风险区域识别模型的输出结果确定待识别区域是否是危化品风险区域。
[0142]
举例而言，如图7所示，图7是本公开实施例中的危化品风险区域识别流程示意图，可以构建包含跨域时空属性识别模型、与跨域时空属性识别模型相连接的全连接层、与全连接层相连接的分类层的初始的人工智能模型，并将初始的人工智能模型训练至收敛，以得到风险区域识别模型，将区域信息进行编码处理后得到跨域时空属性特征，而后将跨域时空属性特征输入至预先训练的风险区域识别模型中，以基于风险区域识别模型的输出确定待识别区域是否是危化品风险区域。
[0143]
本实施例中，通过确定待识别区域的区域信息，获取与区域信息对应的跨域时空属性特征，其中，跨域时空属性特征，表征待识别区域的第一时空数据和第二时空数据之间的属性关联特征，第一时空数据对应第一数据域，第二时空数据对应第二数据域，第一数据域和第二数据域不相同，以及根据跨域时空属性特征，确定待识别区域是否是危化品风险区域，能够分析与待识别区域对应的跨域时空属性特征，实现对不同数据域时空数据的有效利用，并实现利用跨域时空属性特征对待识别区域是否是危化品风险区域进行有效判断，从而可以有效提升危化品风险区域识别的识别效率，有效提升危化品风险区域的识别准确度，根据样本时空属性特征与风险区域标注训练人工智能模型以得到风险区域识别模型，有效保证风险区域识别模型的识别处理效果，利用训练至收敛的风险区域识别模型根据跨域时空属性特征对待识别区域是否是危化品风险区域进行判断，从而可以有效提升危化品风险区域识别的准确性，基于跨域时空属性识别模型构建初始的人工智能模型，由于跨域时空属性识别模型已经训练至收敛，从而可以降低人工智能模型的训练成本，提升将人工智能模型训练至收敛以得到风险区域识别模型的训练效率，辅助提升危化品风险区域识别处理效率。
[0144]
图8是本公开一实施例提出的危化品风险区域识别装置的结构示意图。
[0145]
如图8所示，该危化品风险区域识别装置80，包括：
[0146]
第一确定模块801，用于确定待识别区域的区域信息；
[0147]
获取模块802，用于获取与区域信息对应的跨域时空属性特征，其中，跨域时空属性特征，表征待识别区域的第一时空数据和第二时空数据之间的属性关联特征，第一时空数据对应第一数据域，第二时空数据对应第二数据域，第一数据域和第二数据域不相同；以及
[0148]
第二确定模块803，用于根据跨域时空属性特征，确定待识别区域是否是危化品风险区域。
[0149]
在本公开的一些实施例中，其中，获取模块802，具体用于：
[0150]
将区域信息输入至跨域时空属性识别模型之中，以获得跨域时空属性识别模型输出的与区域信息对应的跨域时空属性特征，其中，跨域时空属性识别模型，是采用联邦机器学习方法训练得到的。
[0151]
在本公开的一些实施例中，如图9所示，图9是本公开另一实施例提出的危化品风险区域识别装置的结构示意图，还包括：
[0152]
第三确定模块804，用于在将区域信息输入至跨域时空属性识别模型之中，以获得跨域时空属性识别模型输出的与区域信息对应的跨域时空属性特征之前，确定待识别区域中的多个驻留点；
[0153]
识别模块805，用于根据多个驻留点，从待识别区域中识别出驻留区域信息；
[0154]
处理模块806，用于将驻留区域信息作为区域信息。
[0155]
在本公开的一些实施例中，还包括：
[0156]
构建模块807，用于在确定待识别区域的区域信息前，构建初始的联邦机器学习模型；
[0157]
训练模块808，用于采用联邦机器学习方法，结合多个联邦对比子模型分别输出的多个样本时空属性特征，与多个联邦对比子模型分别对应的多个损失代价值训练初始的联邦机器学习模型，直至联邦机器学习模型收敛，将训练得到的联邦机器学习模型作为跨域时空属性识别模型；
[0158]
其中，联邦对比子模型，是在相应数据域本地训练得到的，用于处理相应数据域提供的样本时空数据，以得到与样本时空数据对应的样本时空属性特征。
[0159]
在本公开的一些实施例中，其中，训练模块808，具体用于：
[0160]
将多个样本时空属性特征分别输入至初始的联邦机器学习模型之中，以得到联邦机器学习模型输出的样本特征表征信息；
[0161]
根据样本特征表征信息确定待处理损失值，并根据待处理损失值和多个损失代价值确定目标损失值；
[0162]
如果目标损失值满足损失条件，则将训练得到的联邦机器学习模型作为跨域时空属性识别模型。
[0163]
在本公开的一些实施例中，其中，训练模块808，还用于：
[0164]
处理多个样本时空属性特征，得到正样本时空属性特征对，其中，正样本时空属性特征对包括：与属于相同驻留区域的轨迹向量对应的样本时空属性特征；
[0165]
处理多个样本时空属性特征，得到负样本时空属性特征对，其中，负样本时空属性特征对包括：与属于不同驻留区域的轨迹向量对应的样本时空属性特征；
[0166]
将正样本时空属性特征对和负样本时空属性特征对输入至初始的联邦机器学习模型之中，以得到联邦机器学习模型输出的正样本时空属性特征对之间的正样本特征表征距离，和负样本时空属性特征对之间的负样本特征表征距离；
[0167]
将正样本特征表征距离和负样本特征表征距离作为样本特征表征信息。
[0168]
在本公开的一些实施例中，其中，训练模块808，还用于：
[0169]
在处理多个样本时空属性特征，得到正样本时空属性特征对之前，获取多个联邦对比子模型分别输出的多个样本驻留区域信息；
[0170]
根据样本驻留区域信息，对多个样本时空属性特征进行对齐处理。
[0171]
在本公开的一些实施例中，其中，第二确定模块803，具体用于：
[0172]
将跨域时空属性特征输入至预先训练的风险区域识别模型中，以基于风险区域识别模型的输出确定待识别区域是否是危化品风险区域。
[0173]
在本公开的一些实施例中，其中，训练模块808，还用于：
[0174]
在采用联邦机器学习方法，结合与多个联邦对比子模型分别输出的多个时空属性特征，与多个联邦对比子模型分别对应的多个损失代价值训练初始的联邦机器学习模型之后，确定与多个样本驻留区域信息分别对应的多个风险区域标注；
[0175]
确定依据样本驻留区域信息所对齐的多个样本时空属性特征；
[0176]
根据所对齐的多个样本时空属性特征、多个风险区域标注训练初始的人工智能模型，直至人工智能模型收敛，将训练得到的人工智能模型作为风险区域识别模型。
[0177]
在本公开的一些实施例中，其中，初始的人工智能模型包括：跨域时空属性识别模型、与跨域时空属性识别模型相连接的全连接层、与全连接层相连接的分类层。
[0178]
与上述图1至图7实施例提供的危化品风险区域识别方法相对应，本公开还提供一种危化品风险区域识别装置，由于本公开实施例提供的危化品风险区域识别装置与上述图1至图7实施例提供的危化品风险区域识别方法相对应，因此在危化品风险区域识别方法的实施方式也适用于本公开实施例提供的危化品风险区域识别装置，在本公开实施例中不再详细描述。
[0179]
本实施例中，通过确定待识别区域的区域信息，获取与区域信息对应的跨域时空属性特征，其中，跨域时空属性特征，表征待识别区域的第一时空数据和第二时空数据之间的属性关联特征，第一时空数据对应第一数据域，第二时空数据对应第二数据域，第一数据域和第二数据域不相同，以及根据跨域时空属性特征，确定待识别区域是否是危化品风险区域，能够分析与待识别区域对应的跨域时空属性特征，实现对不同数据域时空数据的有效利用，并实现利用跨域时空属性特征对待识别区域是否是危化品风险区域进行有效判断，从而可以有效提升危化品风险区域识别的识别效率，有效提升危化品风险区域的识别准确度。
[0180]
为了实现上述实施例，本公开还提出一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如本公开前述实施例提出的危化品风险区域识别方法。
[0181]
为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开前述实施例提出的危化品风险区域识别方法。
[0182]
为了实现上述实施例，本公开还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本公开前述实施例提出的危化品风险区域识别方法。
[0183]
图10示出了适于用来实现本公开实施方式的示例性计算机设备的框图。图10显示的计算机设备12仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0184]
如图10所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
[0185]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industry standard architecture；以下简称：isa)总线，微通道体系结构(micro channel architecture；以下
简称：mac)总线，增强型isa总线、视频电子标准协会(video electronics standards association；以下简称：vesa)局域总线以及外围组件互连(peripheral component interconnection；以下简称：pci)总线。
[0186]
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0187]
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(random access memory；以下简称：ram)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图10未显示，通常称为“硬盘驱动器”)。
[0188]
尽管图10中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(compact disc read only memory；以下简称：cd-rom)、数字多功能只读光盘(digital video disc read only memory；以下简称：dvd-rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。
[0189]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
[0190]
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(local area network；以下简称：lan)，广域网(wide area network；以下简称：wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0191]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的危化品风险区域识别方法。
[0192]
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0193]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
[0194]
需要说明的是，在本公开的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0195]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
[0196]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0197]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0198]
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0199]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0200]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0201]
尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。