CN109558966A - 智能判证预测事件发生的处理系统 - Google Patents

Abstract

本发明公开的一种智能判证预测事件发生的处理系统，旨在提供一种处理速度效率高、预测准确性高，实时性强的处理系统。本发明通过下述技术方案予以实现：数据采集汇聚终端利用各类采集设备对相关数据进行采集，在关键词搜索的基础上结合知识库关联内容进行关联搜索，将多渠道数据送入服务器集群汇聚和传输，通过自定义的数据接口汇集到阿里云平台进行信息智能处理，利用预测算法模块、资源智能配置模块、证据元攻防算法模块和模型训练算法模块，经多功能线程支撑事件的预测、证据闭环、模型训练和资源配置等处理。将分析结果通过数据接口送到可视化展示平台进行处理，采用B/S架构以及控制输入终端实现功能算法的可视化展现和人机交互命令输入。

Description

智能判证预测事件发生的处理系统

技术领域

本发明涉及一种智能判证预测事件发生的处理系统,尤其是智能判证预测事件发生的预防系统。

背景技术

预测(Forecasting)是预计未来事件的一门艺术，一门科学。它包含采集历史数据并用数学模型来外推与将来。它也可以是对未来的主观或直觉的预期。它还可以是上述的综合，即经由经理良好判断调整的数学模型。事件预测(EventForecasting)归属于宏观意义上的预测，是指对某一具体事件的预测。人们用自己的经验、技术等有效信息对未来某一事件发生的可能性进行判断，比如天气预测、地震预测、经济预测、体育赛事预测、政治预测等等都是人们生活中常见的事件预测，各种各样的事件预测融入在人类社会发展中的每一个角落，也成为人们生活中必不可缺的一项活动。传统的体育竞猜行业往往存在着不公开，不透明的问题，这样的预测结果对于参与用户来说是绝对不公平的，而事件预测可以从不同的维度，多元化的对事件进行预测，避免了以往不公开、不透明的问题。所有一切可能发生的事情都可以发起事件预测，正是这种多维度、多元化的事件预测,值得关注和研究。随着社会经济的发展和人们对公共事件的关注，特别是近年来如SARS、禽流感等公共卫生事件频发，造成了生命和财产的极大损失，给人们及各相关管理部门敲响警钟的同时，也对安全事件的控制预防工作提出了更高的要求。以往的控制预防工作往往是针对已发事件采取隔离、紧急治疗等措施，这种事后处理的方法已经赶不上时代的发展，如何利用多方数据预防事件的发生，综合分析进行信息增值，提前储备资源，合理进行资源配置等问题已成为目前工作亟待解决的难题。对事件的预防其中一个内容就是事件预测，目前市场上最基础的预测系统就是天气预报，而当今人们生活水平的提高，需要在更多方面进行安全防控，并能够适应繁杂的差异性和变化。特别是针对公共安全事件进行合理预测，起到提前预测、预警，争取更大的反应时间，加快处理速度，并保证一定的正确率，这是用户目前最迫切的需求。针对公共安全类别等事件，以防为主，提前防控是关键。

大数据时代的到来，使得信息数据全面爆发，传统通过人工搜集、人工统计的处理方法耗时耗力，且容易遗漏关键，很难找到一些信息的关联，靠人工和经验已经不能完全满足要求，因此需要综合多方数据，全局统筹，并且引入人工智能处理方法，挖掘深层规律，提供信息增值。以往受到地域限制，各地区都成立了多个公共安全相关部门，全局统筹较少，往往各部门仅根据自身业务进行开发和演进，政府公职各部门之间相对独立，数据利用率较低，各类系统层出不穷，架构不统一，难以协同，如何联合统筹规划也成为一大难题。当政府部门在考虑风险防控、技术开发规划、资源配置、想要达到某种目的时候，如何最大化地利用有限的资源、进行防控决策等考虑时，需要有一款系统能够综合各方信息，智能搜集并处理，挖掘深层规律，预测走势并能够进行资源动态规划。

目前市场上已经出现多种多样预测系统，较为有名的是百度和google的疾病预测系统，利用各大医疗数据和来自搜索引擎和数据分析机构的数据进行疾病预测。但是正如google预测曾经很准，但是在2013年后一直对于疾病的情况高估了超过50％，从而导致预测的错误率增高，而不再适用。类似的现象也同样发生在其它同类产品身上，说明大数据综合处理的方法虽然能够起到一定的作用，但是现有的预测评估体系还不够完善，缺乏一定的证伪机制，可靠性无法保证。同时一尘不变的技术架构也不能永远适用，通过人工调整维护的成本也相当高且周期长，需要开发一种能够根据新出现的信息对历史预测进行自动判证，并能够自动智能训练调整模型，矫正预测模型的新系统。另外当面对预测类产品，如何判断是否可靠，如何去伪存真，除了利用直接结果进行判证，还应该考虑是否有其它方式能够辅助判断，提前决断调整。又比如安防系统，传统安防系统的构成一般以硬件设备为主体(如前端的摄像机、入侵探测器及中心控制与显示设备等)，是一种信息单向传输的系统，处于被动地接收与感知的状态。对于防范区域内某部位随机发生的警情事件，传统安防系统几乎完全依靠入侵探测器的报警触发或人工监视摄像机摄取的监控画面来了解和关注警情的发展，智能化程度较低，很难进行有效的警情预测与跟踪，以及将有关信息加以处理并反馈到前端必要的部门加以控制与处理。尽管一些系统中加入了诸如电子地图显示、多媒体操作平台等带有软件功能的内容，但仅仅实现了系统的简单管理与操作，难以满足防范区域大、系统构成复杂、防范目标多或无人值守等情况。

发明内容

本发明的目的是针对现有市场存在的不足之处，提供一种处理速度效率高、预测准确性高，实时性强，能够有效减少人工参与提高处理速度的智能判证预测事件发生的处理系统。

为了解决上述技术问题，本发明采用如下技术方案：一种智能判证预测事件发生的处理系统，包括：数据采集汇聚终端、综合处理算法平台或阿里云平台-云服务器和可视化交互平台，其特征在于：数据搜集汇聚阶段，数据采集汇聚终端利用各类采集设备及其工具对自定义事件和历史数据的相关数据进行采集，针对事件关联元素利用神经网络训练后建立知识库，在关键词搜索的基础上结合知识库关联内容进行关联搜索，获得更多、更全面的数据，对关注信息进行自动采集汇总；调用阿里云平台中构建的模型知识库中的关联知识进行扩展关联数据搜索采集，将多渠道搜集到的数据送入服务器集群进行数据汇聚和传输，通过自定义的数据接口汇集到阿里云平台进行后续处理；综合处理阶段，对汇集到综合处理算法平台中进行自动文本分析和数据清洗、筛选、合并去重、对信息去伪存真处理；然后利用证据链循环证明各要素之间的互证和互斥关系，根据各要素的正确权重调用人工神经网络训练程序，提取出要素特征项及各要素权重值，支撑事件的预测，并对事件的发生概率、发展趋势作出判断和部分证据证明；经线程处理流程进行处理后，将分析结果及部分中间结果通过数据接口送到可视化展示平台进行处理。展示阶段中，可视化展示平台中嵌入式系统采用B/S架构结合VGA显示终端以及控制输入终端实现功能算法的可视化展现和人机交互命令输入，并采用图片切换插件iView、图表插件EChart完成可视化呈现展示。B/S架构中的后端服务模块利用java语言编写的spring BOOT框架、MyBatis数据库框架，Redis存储系统以及RabbitMQ消息队列系统形成业务逻辑，实现数据的获取、分析、处理等后台处理功能，并采用JSON数据交换格式字符串以HTTP协议(超文本传输协议)的方式与前端框架模块进行交互，前端框架模块利用VSCODE代码编辑软件开发工具，采用超文本标记语言HTML、浏览器客户端脚本语言Javascrip、层叠样式表CSS语言来搭建一个构建用户界面的渐进式框架Vue.js，Vue.js框架采用创建快速动态网页的异步JavaScript和XML的Ajax，利用HTML语言编写网页显示界面，数据驱动web界面传输异步数据，获取需要可视化展示的数据。

本发明相比于现有技术具有如下有益效果：

处理速度效率高。本发明所采用的数据采集汇聚终端利用了爬虫等技术，对关注信息进行自动采集汇总，并且在数据搜集汇聚阶段结合自行开发的语义关联技术，即通过历史数据针对事件关联元素利用神经网络训练后建立知识库，从而在关键词搜索的基础上结合知识库关联内容进行关联搜索，获得更多、更全面的数据，利用计算机人工智能技术编程实现相关处理，使得后期的信号数据清洗、筛选、自动文本分析、模型自动训练、攻防模拟和模型自动优化等过程及算法都能够让机器在程序的驱使下自动进行，大大加快了处理，实现智能处理，减少关键信息的遗漏，有效发现信息关联，寻找到更多深层次的规律，提高信息处理速度，从而减少了人工参与和人力投入。同时本发明作为样例开发所采用的阿里云平台数据吞吐量达到3000数据包/秒，瞬间数据响应速度≤10秒，数据存储规模达到10000Tb，能够大大提高信息处理速度，其它类似平台也拥有不俗的处理效率。因此相比传统的人工搜集、人工处理的方法效率高。利用大数据搜索汇集及关联搜索功能，解决了以往受到地域限制，数据业务相对独立，发展不均衡、数据利用率低的问题。

预测准确性高。本发明致力于统筹架构，协同规划。对文本智能处理后的信息进行数据挖掘，提取内涵信息，增加信息量；提供信息增值，提高数据利用率，根据各要素的正确权重调用人工神经网络训练程序，对预测模型进行自调整，通过不断迭代积累，提前预测，智能分析调整提高信息利用率，增加处理时间，能够有效提高结果预测的准确性。并且可以引入时域、空域、动态等关联方法，合并去重，采用这些方法完成要素的互补和去重，提供信息增值，从而可以提供增值服务功能或实现几大功能线程，如事件预测等，提高有效数据的利用率。后续的证据元进行冲突检测模拟攻防，对信息去伪存真，证据元攻防验证提高结果预测的准确性。后续针对预测结果，将提取到的要素标签项模拟网络攻防，以假设正确与否的方式利用证据链循环证明各要素之间的互证和互斥关系，完成冲突检测，去伪存真，再利用准确权重较高的信息对模型进行调整，从而验证历史预测结果并动态优化调整预测结果。

实时性强。本发明利用人工神经网络算法实现模型自动训练，提取出要素特征项及各要素权重值，支撑事件的预测，对事件的发生概率、发展趋势作出判断和部分证据证明，预测事件发生及发展趋势，提供预测功能，自动训练权重模型有效支撑能力评估及资源配置，能够有效评估现有资源能力、采用优化算法进行资源动态配置，并且引入证据链攻防概念的智能判证优化的事件，控制预防系统，结合资源智能配置功能，对事件进行防控，增加反应时间，能够实现对事件的防控，为相关行业增加反应和处理时间。通过对大量数据的汇集和智能处理，在一定范围内达到控制和把控的作用。可以结合动态规划算法、伏格尔法等实现能力评估和智能资源调配功能，形成防控方案。高度自由的界面设计、多图层、多面板，可设定隐藏或显示；手动拖放或自动排列；界面风格可更换。查询检索更强大；详尽的事件日志处理功能，采用向导式设置，引导用户快速上手；人性化的提示及操作，简化客户操作，引入优先级及冲突检测机制，动态语言菜单，可自定义编辑导入导出，灵活的显示模式，直观易搜索的逻辑分组和目录树显示，简单拖放完成服务端连接和显示视频图像，支持本地和远程多个不同地理位置的站点同时监控，浏览和录像，多种窗口显示模式及实时视、音频连接，多屏显示支持，个人化的窗口布局和连接状态，自动保存为默认参数，视频图像局部电子放大，调用预置点或花式扫描，每个图像显示停留时间自定义,在网络不同节点的多个授权用户能同时浏览。

本发明适用疾病防控、火灾防控等公共事件预测、关联关系挖掘、资源分布查看、能力评估、自动资源配置等应用场景。

附图说明

为了更清楚地理解本发明，现将通过本发明的具体实施方式，同时参照附图，来描述本发明，其中：

图1是本发明智能判证预测事件发生的处理系统的示意图。

图2是图1中综合处理算法平台的功能线程示意图。

下面结合附图对本发明作进一步说明。

具体实施方式

参阅图1。在以下描述的实施例中，一种智能判证预测事件发生的处理系统，包括：数据采集汇聚终端、综合处理算法平台和可视化交互平台这三部分组成。数据采集汇聚终端主要由各类采集设备工具以及服务器集群组成。各类采集设备工具包含了网络爬虫工具、音频视频采集设备、虚拟网络节点和信息通报渠道，其中，网络爬虫工具可以是含有HTML，Javascript脚本分析，网络抓包，正则表达式匹配、翻页，瀑布流、Ajax脚本异步加载数据等全自动采集数据的采集器，比如八爪鱼采集器。网络爬虫工具采用爬虫软件配置采集规则模板，以强大的自定义模式和简易采集模式进行数据整合、数据采集、清洗、分析及挖掘，通过自定义模式选择要采集的数据，自动生成可视化的采集流，将采集任务随机分配到很多台不同IP的云采集服务器上去，还可以使用Chrome浏览器插件Web Scraper实现网页数据的爬取，用开源库如HttpClient抓取目标网页，开源库解析，提取出来关键信息。虚拟网络节点可以是对网络延迟，网络包丢失和不同网络上发生的抖动的负面影响进行模拟，在本地设备中建立自定义虚拟的网络拓扑结构，它可以通过下载Tor服务器节点的信息，并将现实中的服务器节点数据导入到模拟器中，可以根据现实Tor服务器节点信息设置地理位置等其它硬件属性，生成自定义网络拓扑和修改Tor网络拓扑、节点配置，解析和绘制虚拟网络的通信数据(例如，网络吞吐量，客户端执行的下载统计数据等等)，同时每个节点都会被分配到上下传的带宽，与其它节点的通信延迟，包丢失率和抖动率。虚拟网络节点在引入了实际的节点数据后，可以极大的保证实验的准确性。极大的减少对实际硬件的需求，降低了实验成本。

服务器集群是将很多服务器集中起来一起进行同一种服务，利用多个计算机进行并行计算，从而获得很高的计算速度，含有用来在服务器上安装群集软件和创建新群集的群集安装实用工具。它可以确定群集名称并创建群集数据库和初始的群集成员列表来定义新群集；将带有一个节点、本地数据存储设备以及群集共用资源创建新群集，群集中的第一个节点将包括群集配置数据库。每当有新节点加入群集时，新节点都会在本地获得并保持群集配置数据库的副本。当节点加入或形成群集时，群集服务会更新该节点私有的配置数据库副本。集群实现的功能是保障用户的应用程序持久、不间断地提供服务。集群致力于提供单个计算机所不能提供的强大计算能力，包括数值计算和数据处理，并且倾向于追求综合性能。

各类采集设备工具对自定义事件的相关数据种类进行采集，并调用综合处理算法平台中构建的模型知识库中涵盖文本、音频、图像、知识、资料等多种样式数据种类的关联知识进行关联数据搜索采集。将多渠道搜集到的数据由对应的服务器集群进行数据汇聚和传输，最后通过自定义的数据接口汇集到阿里云平台并进行后续处理。

综合处理算法平台采用的是阿里云平台(也可替换为其它类似处理平台)。阿里云平台中主要包含由软件编程实现的数据接口，连接数据接口的用来处理各类数据的信息智能处理模块和模型知识库，连接信息智能处理模块的各类功能算法模块。各类功能算法模块包含了预测算法模块、资源智能配置模块、证据元攻防算法模块和模型训练算法模块。阿里云平台结合预测算法模块、资源智能配置模块、证据元攻防算法模块、模型训练算法模块这四个功能线程处理流程进行处理后，将分析结果及部分中间结果通过数据接口送到可视化展示平台进行展示。

可视化展示平台主要由嵌入式系统、VGA显示终端以及控制输入终端组成。嵌入式系统中采用成熟的浏览器和服务器架构模式B/S架构，包含由软件编程实现的数据接口、前端框架模块和后端服务模块。后端服务模块主要包含使用Intelli JIDEA开发工具，并利用java语言编写的spring BOOT框架、MyBatis数据库框架，结合开源的Redis存储系统以及RabbitMQ消息队列系统。这四部分配合形成业务逻辑，实现数据的获取、分析、处理等后台处理功能，并采用JSON格式(avaScriptObjectNotation,JS对象简谱)字符串以超文本传输协议HTTP协议的方式与前端框架模块进行交互。前端框架模块主要是利用Visual StudioCode开发工具，采用超文本标记语言HTML语言、Javascrip脚本语言、层叠样式表CSS语言来搭建Vue.js框架(一个构建数据驱动的web界面的渐进式框架)。Vue.js框架采用Ajax(异步JavaScript和XML)技术实现异步数据传输，从而获取需要可视化展示的数据，再利用HTML语言编写网页显示界面，采用iView、EChart插件等完成最终的可视化呈现。

参阅图2。综合数据处理算法平台主要包含由软件编程实现的数据接口、信息智能处理模块以及模型知识库，通过多功能线程接收处理数据的模型训练算法模块、预测算法模块、证据元攻防算法模块和资源智能配置模块。多源数据通过数据接口接入后，经过信息智能处理模块进行统一的处理，按处理流程首先是对汇聚的各类数据进行标准格式转换，输出为较为统一的数据模式方便后续处理；然后对统一标准后的数据进行标准化数据转换、数据清洗，进行野值剔除、数据质量分析、误差校正等处理后进行智能文本处理，利用最优匹配法、双向匹配法等实现分词后利用决策树进行分类，完成词性标注，对关键要素项进行提取，然后利用KNN算法、决策机等方法进行关联挖掘，并对挖掘关联后的信息进行补充和融合重构。信息智能处理模块在进行了信息智能处理后，根据人机交互输入的不同的任务需求，实现不同的功能线程，并按4个多功能线程传输数据，第1功能线程数据通过模型训练算法模块，将信息智能处理后的信息数据等，根据不同的事件选取要素项首先构建特征群，结合是否有证据元攻防线程的反馈信息的情况及反馈信息，应用神经网络算法形成模型要素节点及节点权重，对各模型要素权重值进行计算，实现指标量化，根据量化指标建立对应的模型，实现将建立的模型存入模型知识库。第2功能线程经预测算法模块：将信息智能处理后的信息数据等根据不同的事件进行要素特征项提取，调用模型知识库中的事件模型，结合贝叶斯预测、竞争性预测等预测算法进行事件预测，预测包含事件发生概率、扩散范围、防控效果预测的最终数据预测结果，向可视化交互平台输出预测结果。第3功能线程通过证据元攻防算法模块，针对某一预测事件进行证据元攻防验证及反馈调整。首先根据信息智能处理后的信息数据预测事件进行证据元提取，对假设证据元要素项正确与否的方式进行证据逻辑对抗，利用证据链循环证明各要素之间的互证和互斥关系，对冲突证据进行复查自证，去伪存真后对证据群进行修正及部分合并处理，证据修正合成并提取有效证据群，然后根据逻辑对抗结果对提取的证据元进行信度分配和对历史预测事件进行验证，将修改后的证据群及信度分配情况反馈至模型训练线程，从而实现模型的调整优化并影响后续的事件预测。第4功能线程通过资源智能配置模块，对信息智能处理后的事件信息数据进行要素提取，结合地理分布、资源种类、数量等完成资源分布计算，同时调用模型知识库中的数据，完成防控节点能力评估，并引入人机交互所输入的外部防控需求，利用动态规划算法得出资源智能配置功能的防控方案。其中，动态规划算法包括实现资源动态分配的遗传算法、多次迭代寻找最优策略以及伏格尔发法设备规则。

以上结合附图对本发明进行了详细描述，但需要指出的是，上述实例所描述的是仅为本发明的优选实例而已，并不用于限制本发明，本发明可以有各种更改和变化，比如采集设备工具不局限于本发明中所列举的，可以是实例外的任意满足要求的其它设备。对于综合处理算法平台的选用中，不局限本实例采用的阿里云平台，可以采用实例以外的满足数据处理、存储、业务调度的其它处理平台，如华为云平台或自行设计的大数据处理平台等。可视化交互平台的实现架构选用中，不局限于本实例采用的B/S架构即浏览器和服务器架构模式,也可以选用Client/Server架构，即客户端/服务器架构等成熟可视化方式。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种智能判证预测事件发生的处理系统，包括：数据采集汇聚终端、综合处理算法平台或阿里云平台-云服务器和可视化交互平台，其特征在于：数据搜集汇聚阶段，数据采集汇聚终端利用各类采集设备及其工具对自定义事件和历史数据的相关数据进行采集，针对事件关联元素利用神经网络训练后建立知识库，在关键词搜索的基础上结合知识库关联内容进行关联搜索，获得更多、更全面的数据，对关注信息进行自动采集汇总；调用阿里云平台中构建的模型知识库中的关联知识进行扩展关联数据搜索采集，将多渠道搜集到的数据送入服务器集群进行数据汇聚和传输，通过自定义的数据接口汇集到阿里云平台进行后续处理；综合处理阶段，对汇集到综合处理算法平台中进行自动文本分析和数据清洗、筛选、合并去重、对信息去伪存真处理；然后利用证据链循环证明各要素之间的互证和互斥关系，根据各要素的正确权重调用人工神经网络训练程序，提取出要素特征项及各要素权重值，支撑事件的预测，并对事件的发生概率、发展趋势作出判断和部分证据证明；经线程处理流程进行处理后，将分析结果及部分中间结果通过数据接口送到可视化展示平台进行处理。

2.如权利要求1所述的智能判证预测事件发生的处理系统，其特征在于：展示阶段中，可视化展示平台中的嵌入式系统采用B/S架构，结合VGA显示终端以及控制输入终端实现功能算法的可视化展现和人机交互命令输入，并采用图片切换插件iView、图表插件EChart完成可视化呈现展示。

3.如权利要求2所述的智能判证预测事件发生的处理系统，其特征在于：B/S架构中的后端服务模块利用java语言编写的spring BOOT框架、MyBatis数据库框架，Redis存储系统以及RabbitMQ消息队列系统形成业务逻辑，实现数据的获取、分析、处理的后台处理功能，并采用JSON数据交换格式字符串以超文本传输协议HTTP的协议方式与前端框架模块进行交互，前端框架模块利用VSCODE代码编辑软件开发工具，采用超文本标记语言HTML、浏览器客户端脚本语言Javascrip、层叠样式表CSS语言来搭建一个构建用户界面的渐进式框架Vue.js，Vue.js框架采用创建快速动态网页的异步JavaScript和XML的Ajax，利用HTML语言编写网页显示界面，数据驱动web界面传输异步数据，获取需要可视化展示的数据。

4.如权利要求1所述的智能判证预测事件发生的处理系统，其特征在于：数据采集汇聚终端主要由各类采集设备工具以及服务器集群组成，其中，各类采集设备工具包含了网络爬虫工具、音频视频采集设备、虚拟网络节点和信息通报渠道。

5.如权利要求4所述的智能判证预测事件发生的处理系统，其特征在于：各类采集设备工具对自定义事件的相关数据种类进行采集，并调用综合处理算法平台中构建的模型知识库中涵盖文本、音频、图像、知识、资料等多种样式数据种类的关联知识进行关联数据搜索采集；将多渠道搜集到的数据由对应的服务器集群进行数据汇聚和传输，最后通过自定义的数据接口汇集到阿里云平台并进行后续处理。

6.如权利要求1所述的智能判证预测事件发生的处理系统，其特征在于：阿里云平台中主要包含由软件编程实现的数据接口，连接数据接口用来处理各类数据的信息智能处理模块和模型知识库，连接信息智能处理模块的各类功能算法模块。

7.如权利要求6所述的智能判证预测事件发生的处理系统，其特征在于：各类功能算法模块包含了预测算法模块、资源智能配置模块、证据元攻防算法模块和模型训练算法模块；阿里云平台结合预测算法模块、资源智能配置模块、证据元攻防算法模块、模型训练算法模块这四个功能线程处理流程进行处理后，将分析结果及部分中间结果通过数据接口送到可视化展示平台进行展示。

8.如权利要求1所述的智能判证预测事件发生的处理系统，其特征在于：综合数据处理算法平台包含了由软件编程实现的数据接口、信息智能处理模块以及模型知识库，通过多功能线程接收处理数据的模型训练算法模块、预测算法模块、证据元攻防算法模块和资源智能配置模块。

9.如权利要求1所述的智能判证预测事件发生的处理系统，其特征在于：多源数据通过数据接口接入后，经过信息智能处理模块进行统一的处理，按处理流程，首先是对汇聚的各类数据进行标准格式转换，输出为较为统一的数据模式方便后续处理；然后对统一标准后的数据进行标准化数据转换、数据清洗，进行野值剔除、数据质量分析、误差校正处理后进行智能文本处理，利用最优匹配法、双向匹配法实现分词后利用决策树进行分类，完成词性标注，对关键要素项进行提取，然后利用KNN算法、决策机进行关联挖掘，并对挖掘关联后的信息进行补充和融合重构。

10.如权利要求1所述的智能判证预测事件发生的处理系统，其特征在于：信息智能处理模块在进行了信息智能处理后，根据人机交互输入的不同的任务需求，实现不同的功能线程，并按4个多功能线程传输数据，第1功能线程数据通过模型训练算法模块，将信息智能处理后的信息数据，根据不同的事件选取要素项首先构建特征群，结合是否有证据元攻防线程的反馈信息的情况及反馈信息，应用神经网络算法形成模型要素节点及节点权重，对各模型要素权重值进行计算，实现指标量化，根据量化指标建立对应的模型，实现将建立的模型存入模型知识库；第2功能线程经预测算法模块将信息智能处理后的信息数据，根据不同的事件进行要素特征项提取，调用模型知识库中的事件模型，结合贝叶斯预测、竞争性预测等预测算法进行事件预测，预测包含事件发生概率、扩散范围、防控效果预测的最终数据预测结果，向可视化交互平台输出预测结果；第3功能线程通过证据元攻防算法模块，针对某一预测事件进行证据元攻防验证及反馈调整；首先根据信息智能处理后的信息数据预测事件进行证据元提取，对假设证据元要素项正确与否的方式进行证据逻辑对抗，利用证据链循环证明各要素之间的互证和互斥关系，对冲突证据进行复查自证，去伪存真后对证据群进行修正及部分合并处理，证据修正合成并提取有效证据群，然后根据逻辑对抗结果对提取的证据元进行信度分配和对历史预测事件进行验证，将修改后的证据群及信度分配情况反馈至模型训练线程，从而实现模型的调整优化并影响后续的事件预测；第4功能线程通过资源智能配置模块，对信息智能处理后的事件信息数据进行要素提取，结合地理分布、资源种类和数量完成资源分布计算，同时调用模型知识库中的数据，完成防控节点能力评估，并引入人机交互所输入的外部防控需求，利用动态规划算法得出资源智能配置功能的防控方案，其中，动态规划算法包括实现资源动态分配的遗传算法、多次迭代寻找最优策略以及伏格尔发法设备规则。