(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202211183157.3
(22)申请日 2022.09.27
(71)申请人 广东师大维智信息科技有限公司
地址 511500 广东省清远市清远高新 技术
产业开发区创兴大道18号 天安智谷科
技产业园产业大厦T0218层0 6-07号
申请人 华南师大 (清远) 科技创新研究院有
限公司
(72)发明人 杨孝锐 蔡文蒨 李卫红
(74)专利代理 机构 深圳市广诺专利代理事务所
(普通合伙) 44611
专利代理师 居振浩
(51)Int.Cl.
G06F 16/36(2019.01)
G06Q 50/26(2012.01)
(54)发明名称
一种基于知识图谱的多次应急处理的仿真
动态验证方法
(57)摘要
本发明提供了一种基于知识图谱的多次应
急处理的仿真动态验证方法, 包括: 构建场馆应
急知识图谱; 根据意外事件的强度分析结果生成
预案; 分析历史场馆意外事件预案处理效果; 预
案处理过程中, 监测并反馈意外事件现场的情
况, 所述预案处理过程中, 监测 并反馈意外事件
现场的情况, 具体包括: 实时监测意外事件现场,
反馈意外事件处理的数据; 预测预案的处理效
果; 分析预案调配的资源; 结合预案的处理效果
与预案调配的资源, 推进再次预案; 对再次预案
进行仿真验证 。
权利要求书4页 说明书10页 附图2页
CN 115544267 A
2022.12.30
CN 115544267 A
1.一种基于知识图谱的多次应急处理的仿真动态验证方法, 其特征在于, 所述方法包
括:
构建场馆应急知识图谱; 根据场馆应急知识图谱, 分析场馆发生意外事件的强度, 具体
包括: 判断意外事 件的类别, 分析意外事 件的影响程度, 预测意外事 件的影响时间;
所述判断意外事 件的类别, 还 包括:
从互联网获取历史意外事件类别; 根据关联关系作为第一样本数据, 然后 基于K‑means
算法建立意外事件类别聚类模型, 过程如下: 首先根据关联关系选择多个一类质心; 然后计
算各个第一样本到一类质心的欧氏距离, 将各个第一样本 分别归类到距离最近的一类质心
作为第一类别; 然后将每个第一类别的第一样本数据取平均值, 求出每个第一类别的新一
类质心; 最后迭代进 行第一样本归类和求新一类质心, 直到聚类收敛, 新旧一类质心不再变
化为止; 将所述关联关系和所述历史意外事件类别作为参数输入到意外事件类别聚类模
型, 并归类到与所述关联关系最相似的第一类型, 该第一类型所对应的所述历史意外事件
类别即为 意外事件的类别;
所述分析意外事 件的影响程度, 还 包括:
从场馆管理后台获取场馆预备数据; 根据所述场馆预备数据, 获得意外事件的影响时
间; 根据所述影响时间, 分析意外事件的影响程度; 在所述影响时间处于预设影响时间范围
内时, 所述意外事件的影响程度为中; 在所述影响时间小于或等于所述预设影响时间范围
的下限值时, 所述意外事件的影响程度为低; 在所述影响时间大于所述预设影响时间范围
的上限值时, 所述 意外事件的影响程度为高;
所述预测意外事 件的影响时间, 还 包括:
根据所述场馆预备数据, 获得意外事件的影响时间; 从互联网获取历史意外事件的影
响时间; 所述影响时间是指意外事件处理完成的事件结束时刻与意外事件开始发生的事件
开始时刻的差值; 所述场馆预备数据是指场馆地形的复杂性, 应急人员数量; 根据所述场馆
预备数据作为第二样 本数据, 然后基于K ‑means算法建立意外事件的影响时间聚类模 型, 过
程如下: 首先根据所述场馆预备数据选择多个二类质心; 然后计算各个第二样本到二类质
心的欧氏距离, 将各个第二样本分别归类到距离最近的二类质心作为第二类别; 然后将每
个第二类别的第二样本数据取平均值, 求出每个第二类别的新二类质心; 最后迭代进行第
二样本归类和求新二类质心, 直到聚类收敛, 新旧二类质心 不再变化为止; 将所述场馆预备
数据和所述历史意外事件的影响时间作为参数输入到意外事件的影响时间聚类模型, 并归
类到与所述场馆预备数据最相似的第二类型, 该第二类型所对应的所述历史意外事件的影
响时间即为 意外事件的影响时间;
根据意外事件的强度分析结果生成预案; 分析历史场馆意外事件预案处理效果; 预案
处理过程中, 监测并反馈意外事件现场的情况, 所述预案处理过程中, 监测并反馈意外事件
现场的情况, 具体包括: 实时监测意外事件现场, 反馈意外事件处理的数据; 预测预案的处
理效果; 分析预案调配的资源; 结合预案的处理效果与预案调配的资源, 推进再次预案; 对
再次预案进行仿真验证。
2.根据权利要求1所述的方法, 其中, 所述构建场馆应急知识图谱, 包括:
从互联网获取历史意外事件数据中的各场馆应急关键词以及所述各场馆应急关键词
之间的关联关系; 根据所述关联关系, 计算出所述各场馆应急关键词之间的关联强度; 所述权 利 要 求 书 1/4 页
2
CN 115544267 A
2关联强度, 是指所述各场馆应急关键词之间在数据库中相互出现的频率; 对所述关联强度
超过第一预设阈值的所述各场馆应急关键词进行 连接, 构建场馆应急知识图谱。
3.根据权利要求1所述的方法, 其中, 所述根据场馆应急知识图谱, 分析场馆发生意外
事件的强度, 还 包括:
根据场馆应急知识图谱, 对意外事件的强度进行分析; 根据历史意外事件类别以及所
述各场馆应急关键词, 确定场馆应急知识图谱中的所述意外事件; 所述强度包括意外事件
的类别和意外事件的影响程度; 构建意外事件强度模型, 即P=T*E d; 其中, P表示意外事件
的强度; P值越大, 说明意外事件的强度越大, 意外事件后果越严重; T表示意外事件的大类
别指数; 通过意外事件类别聚类模型判断出的意外事件大类别预设指定的所述大类别指
数; Ed表示意外事件的影响程度指数; 通过意外事件的影响程度预测结果预设指定的影响
程度指数。
4.根据权利要求1所述的方法, 其中, 所述根据意外事件的强度分析结果生成预案, 包
括:
基于深度 学习方法建立预案生成模型, 对意外事件的强度对于预案的生成结果进行预
测; 首先, 根据所述意外事件的类别和所述意外事件的影响程度, 从互联网上收集大量的历
史对应所述意外事件的类别和所述意外事件的影响程度的意外事件的已有 预案; 将所述已
有预案作为训练集和测试集; 对训练集进行特征提取; 所述特征提取是指提取所述已有预
案的特征数据; 所述特征数据包括意外事件的类别和意外事件的影响程度; 然后, 将所述特
征数据进 行预处理; 所述预 处理是指根据场馆应急知识图谱, 对预案数据进行标注; 所述预
案数据包括: 预案的依据, 职责分工, 处理内容; 然后将所述预案数据作为标签来训练所述
预案生成模型, 分析预案生成结果与所述意外事件的强度的关系, 并且将分析结果按照预
设格式记录; 最后利用测试集的数据来 不断调整模型的参数, 提高预案生成模型的准确性。
5.根据权利要求1所述的方法, 其中, 所述分析历史场馆意外事 件预案处 理效果, 包括:
历史场馆意外事件预案处理效果包括: 历史场馆意外事件的应急处理时间, 历史场馆
意外事件的人员伤亡数量, 历史场馆意外事件的财产损失; 所述历史场馆意外事件的应急
处理时间是指历史场馆意外事件的应急工作全部完成后的时刻与历史场馆意外事件的应
急工作开始实施的时刻的差值; 通过消防系统后台获取所述历史场馆意外事件的应急处理
时间; 通过保险系统后台获取所述历史场馆意外事件的人员伤亡数量和所述历史场馆意外
事件的财产损失; 建立历 史场馆意外事件预案处理效果评价体系, 即Ey=Tyj*W1+Pyj*W2+
Cyj*W3; 其中, Ey表示历史场馆意外事件预案处理效果评价值; Tyj为历 史场馆意外事件的
应急处理 时间评价值, 若 所述历史场馆意外事件的应急处理 时间超过第二预设阈值, 则Tyj
=0, 否则Tyj=1; Pyj为历史场馆意外事件的人员伤亡数量评价值, 若所述历史场馆意外事
件的人员伤亡数量超过第三预设阈值, 则Pyj=0, 否则Pyj=1; Cyj为历 史场馆意外事件的
财产损失评价值, 若 所述历史场馆意外事件的财产损失超过第四预设阈值, 则C yj=0, 否则
Cyj=1; W1,W2,W3分别为对应的预设权值, 且W1+W2+W3=1; 根据所述历史场馆意外事件预
案处理效果评价体系计算所述历史场馆意外事件预案处理效果评价值, 对历史场馆意外事
件预案处 理效果进行评价分析。
6.根据权利要求1所述的方法, 其中, 所述预案处理过程中, 监测并反馈意外事件现场
的情况, 包括:权 利 要 求 书 2/4 页
3
CN 115544267 A
3
专利 一种基于知识图谱的多次应急处理的仿真动态验证方法
安全报告 >
其他 >
文档预览
中文文档
17 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共17页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-17 23:39:01上传分享