一种应急处置预案方法和系统

文档序号:7728 发布日期:2021-09-17 浏览:27次 英文

一种应急处置预案方法和系统

技术领域

本发明涉及基于知识图谱的数据融合技术以及基于事理图谱的辅助决策支持技术,特别涉及一种应急处置预案方法和系统。

背景技术

应对人员的突发异常状况,如何制定高效,可行的应急处置方案是指挥中心的一项重要任务。

目前应急处置预案的相关研究仍然在起步状态,并无成熟的研究体系与完善的理论基础。随着与人员有关的突发事件情况的日益复杂,从已有应急预案库中匹配得到的单一固定方案无法通过动态注入数据为不同的异常情景制定智能化应急处置预案,难以满足应急决策所需。传统的工作模式需花费作业人员大量的时间与精力,极易造成应急预案的使用瓶颈并延误行动进程。虽然近些年人工智能领域得到飞速发展,但目前尚没有利用日益发达的计算机技术及网络通讯技术实现快速地、科学地以及智能地处置突发异常事件的技术方法。

发明内容

本发明针对目前面向应急预案生成方法难以满足应急决策所需、极易造成使用瓶颈并延误行动进程、难以实现应急快速联动响应等问题,提供了面向应急处置预案动态的融合技术。提出了一种应急处置预案方法和系统,包括如下步骤:

步骤a、生成多项异常事件的应急预案模板;

步骤b、构建知识图谱,包括人物画像图谱、机构图谱、案件图谱三个子图谱;

步骤c、构建事理图谱;

步骤d、根据人员异常行为类型调出步骤a对应的应急预案模板;

步骤e、从步骤b构建的人物画像图谱中获取该基本信息;

步骤f、从步骤b构建的人物画像图谱中获取人员当前所在区域,并通过机构图谱获取该地区所有机构的基本信息;

步骤g、将异常行为与步骤b构建的案件图谱中的案例进行匹配,得到相似案件的处理方案;

步骤h、将异常行为与步骤c构建的事理图谱中的事件进行匹配,得到相应的事件逻辑,获取行为意图;

步骤i、将步骤f获取到的具体区域的机构注入步骤d调取的预案模板中;

步骤j、将步骤g获取的相似案件的处理方案作为生成步骤d应急预案模板中的处理步骤的参考;

步骤k、针对步骤h得到的人员行为意图生成对应的应急处置计划,注入预案流程节点;

步骤l、将步骤i、步骤j动态注入数据后的应急预案模板与步骤k生成的智能预案流程节点进行动态融合,生成应急处置预案;

步骤m、应急预案生成完毕。

进一步,步骤b的领域知识图谱的生成包括以下步骤:

a)构建人物画像图谱,将人员基本信息、日常表现、监控数据等多源异构数据以“属性-值”的形式存储在知识图谱中,具体步骤如下:

i.整理档案卷宗,谈话记录音频、行动轨迹图像等多源异构数据;

ii.将音频、图像等多源异构数据转化成文本、像素矩阵等可处理的数据格式;

iii.将步骤ii处理后的数据通过知识抽取技术形成高质量的知识库;

iv.在步骤iii形成的知识库的基础上,运用知识推理进一步挖掘隐含的知识,进而丰富、扩展知识库;

v.通过本体构建形成人物画像图谱。

进一步,构建机构图谱,建立管辖区域机构关系网,将错综复杂的机构

以知识图谱的形式清晰地展现出来,具体步骤如下:

i.获取管辖范围内,包括多个系统各级各部门的基本信息;

ii.通过信息抽取技术,从机构的基本信息中抽取地点、负责人、联系电话等信息,以及机构间的关系;

iii.通过知识融合技术消除指称项与事实对象间的歧义;

iv.将各个机构看作实体,步骤ii抽取的属性作为实体的属性、机构间的上下级关系作为实体间的关系,构建管辖区域的机构图谱。

进一步,构建案例图谱,存储案件的发生时间、判处依据等基本信息的案件知识库。具体步骤如下:

i.通过整理案件卷宗、网络爬虫等方法获取信息;

ii.通过信息抽取得到案件的发生时间、定性等属性信息;

iii.将步骤ii得到的属性信息以“属性-值”的方式存储在知识图谱中,构建案件图谱。

b)将步骤a)、b)、c)构建的人物画像图谱、机构图谱、案件图谱三个子图谱通过属性动态相连,构建领域知识图谱。人物画像图谱监测到的异常行为与案件图谱中相似的案例相关联、人物画像图谱中人员当前所在位置与机构图谱中区域动态相连。

进一步,步骤c的事理图谱的构建包括以下步骤:

a)分词:采用jieba分词工具包进行中文分词,运用word2vec训练词向量;

b)实体命名识别:采用基于字符和词混合的Lattice LSTM方法识别出人名、地名、时间、财物、货币金额这5类命名实体,对步骤a)的原始分词结果进行纠正;

c)句法依存分析:采用LTP库抽取出主谓宾、定状补等句法元素;

d)词语相似度计算:融合word2vec词向量、《近义词词林》和HowNet中的义原信息进行词语的相似度计算;

e)短语相似度计算:在步骤d)词语相似度计算的基础上结合词语的tf-idf值进行加权处理;

f)聚类:通过层次聚类算法对原始文本中每个案情描述的所有事件进行聚类,并根据聚类结果对各个事件聚类进行抽象,人工归纳出事件类型的集合,并将抽取出的事件与事件类型进行映射;

g)频繁序列模式挖掘:通过PrefixSpan算法抽取出频繁事件类型序列,进而分析出事件间的顺承、因果、条件等关系,最终构建事理图谱。

本发明的优点与积极效果在于:

1)通过构建人物画像图谱,建立人员特征库,全方面存储个人数据,解决多源异构数据的易丢失、易篡改、难更新、难获取等缺点、实现静态数据的安全存储、动态数据的实施更新以及有效信息的快速提取。

2)通过建立管辖区域机构关系网构建机构图谱,快速调取多区域机构信息。

3)通过构建庞大的案例知识库建立案件图谱,自动获取相似案例作为参考。

4)根据特定情境,运用事理图谱的事件逻辑推理技术预测行为意图,将动态数据智能注入预案流程节点,为应急处置预案提供辅助决策支持。

5)结合基于知识图谱的多源异构数据的融合技术与基于事理图谱的辅助决策支持技术,通过应急处置预案动态融合模型自动加载相应的信息资源,快速制定出符合实际情况的应急处置方案,提高了教育改造工作质量,节约人员管理成本,为的应急处置提供技术支持,维护长治久安。

附图说明

图1是预案动态融合模型;

图2是人员发生异常情况预案模板;

图3是人物画像图谱;

图4是机构图谱;

图5是案件图谱;

图6是知识图谱;

图7是事理图谱技术路线;

图8是事理图谱;

图9是本方法的实例;

具体实施方式

利用本发明的步骤a-m,

本实施例中,包括如下步骤:

步骤a、生成多项异常事件的应急预案模板;

步骤b、构建知识图谱,包括人物画像图谱、机构图谱、案件图谱三个子图谱;

步骤c、构建事理图谱;

步骤d、根据人员异常行为类型调出步骤a对应的应急预案模板;

步骤e、从步骤b构建的人物画像图谱中获取该基本信息;

步骤f、从步骤b构建的人物画像图谱中获取人员当前所在区域,并通过机构图谱获取该地区所有机构的基本信息;

步骤g、将异常行为与步骤b构建的案件图谱中的案例进行匹配,得到相似案件的处理方案;

步骤h、将异常行为与步骤c构建的事理图谱中的事件进行匹配,得到相应的事件逻辑,获取行为意图;

步骤i、将步骤f获取到的具体区域的机构注入步骤d调取的预案模板中;

步骤j、将步骤g获取的相似案件的处理方案作为生成步骤d应急预案模板中的处理步骤的参考;

步骤k、针对步骤h得到的人员行为意图生成对应的应急处置计划,注入预案流程节点;

步骤l、将步骤i、步骤j动态注入数据后的应急预案模板与步骤k生成的智能预案流程节点进行动态融合,生成应急处置预案;

步骤m、应急预案生成完毕。

本实施例中,步骤b的领域知识图谱的生成包括以下步骤:

c)构建人物画像图谱,将人员基本信息、日常表现、监控数据等多源异构数据以“属性-值”的形式存储在知识图谱中,具体步骤如下:

vi.整理档案卷宗,谈话记录音频、行动轨迹图像等多源异构数据;

vii.将音频、图像等多源异构数据转化成文本、像素矩阵等可处理的数据格式;

viii.将步骤ii处理后的数据通过知识抽取技术形成高质量的知识库;

ix.在步骤iii形成的知识库的基础上,运用知识推理进一步挖掘隐含的知识,进而丰富、扩展知识库;

x.通过本体构建形成人物画像图谱。

本实施例中,构建机构图谱,建立管辖区域机构关系网,将错综复杂的机构以知识图谱的形式清晰地展现出来,具体步骤如下:

v.获取管辖范围内,包括多个系统各级各部门的基本信息;

vi.通过信息抽取技术,从机构的基本信息中抽取地点、负责人、联系电话等信息,以及机构间的关系;

vii.通过知识融合技术消除指称项与事实对象间的歧义;

viii.将各个机构看作实体,步骤ii抽取的属性作为实体的属性、机构间的上下级关系作为实体间的关系,构建管辖区域的机构图谱。

本实施例中,构建案例图谱,存储案件的发生时间、判处依据等基本信息的案件知识库。具体步骤如下:

iv.通过整理案件卷宗、网络爬虫等方法获取信息;

v.通过信息抽取得到案件的发生时间、定性等属性信息;

vi.将步骤ii得到的属性信息以“属性-值”的方式存储在知识图谱中,构建案件图谱。

d)将步骤a)、b)、c)构建的人物画像图谱、机构图谱、案件图谱三个子图谱通过属性动态相连,构建领域知识图谱。人物画像图谱监测到的异常行为与案件图谱中相似的案例相关联、人物画像图谱中人员当前所在位置与机构图谱中区域动态相连。

本实施例中,步骤c的事理图谱的构建包括以下步骤:

h)分词:采用jieba分词工具包进行中文分词,运用word2vec训练词向量;

i)实体命名识别:采用基于字符和词混合的Lattice LSTM方法识别出人名、地名、时间、财物、货币金额这5类命名实体,对步骤a)的原始分词结果进行纠正;

j)句法依存分析:采用LTP库抽取出主谓宾、定状补等句法元素;

k)词语相似度计算:融合word2vec词向量、《近义词词林》和HowNet中的义原信息进行词语的相似度计算;

l)短语相似度计算:在步骤d)词语相似度计算的基础上结合词语的 tf-idf值进行加权处理;

m)聚类:通过层次聚类算法对原始文本中每个案情描述的所有事件进行聚类,并根据聚类结果对各个事件聚类进行抽象,人工归纳出事件类型的集合,并将抽取出的事件与事件类型进行映射;

n)频繁序列模式挖掘:通过PrefixSpan算法抽取出频繁事件类型序列,进而分析出事件间的顺承、因果、条件等关系,最终构建事理图谱。

完整详细技术资料下载
上一篇:石墨接头机器人自动装卡簧、装栓机
下一篇:基于法律知识图谱的定性量纪推荐方法及相关设备

网友询问留言

已有0条留言

还没有人留言评论。精彩留言会获得点赞!

精彩留言,会给你点赞!