CN111368095A - 基于水利知识-事理耦合网络的决策支持系统架构与方法 - Google Patents
基于水利知识-事理耦合网络的决策支持系统架构与方法 Download PDFInfo
- Publication number
- CN111368095A CN111368095A CN202010129002.6A CN202010129002A CN111368095A CN 111368095 A CN111368095 A CN 111368095A CN 202010129002 A CN202010129002 A CN 202010129002A CN 111368095 A CN111368095 A CN 111368095A
- Authority
- CN
- China
- Prior art keywords
- rule
- inference
- attribute
- event
- knowledge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于水利知识‑事理耦合网络的决策支持系统架构与方法,所述系统包括推理机制模块,事理图谱模块,规则库模块,水利知识图谱模块。首先构建水利知识图谱模块及相关的监测数据库;构建规则库模块包含推理规则、对象规则和属性规则的规则库;事理图谱模块实现与推理规则库、对象规则库和属性规则库相关联的事理图谱;推理机制模块实现建立运行在由水利知识图谱和事理图谱基于规则库结合形成的耦合网络上的推理框架,并在推理框架上针对推理目标进行推理,最后完成决策支持信息推送;本发明实现实时地针对目标事件进行成因分析和决策支持,可以实现实时的、准确的、高效的推理效果。
Description
技术领域
本发明属于知识图谱的应用,具体的涉及一种基于水利知识-事理耦合网络的决策支持系统架构与方法。
背景技术
水文事件分析与水文要素计算一直是关乎决策的重点问题。当前,决策支持方法一般采用单一的水文模型进行计算,即给定具体的边界条件以及率定相关模型参数,推算目标实体水文要素值以及目标事件状态。此类方法假设理想条件下模型内预设的各种水文相关对象均正常发挥作用,由可变的边界条件决定计算结果。但水文事件具有复杂性和难以控制性,事件的实际演化与水文相关对象密切相关,目前的模型方法难以处理由模型内部对象状态改变导致的水文事件的发生或演化。例如考虑典型的城市内涝模型:首先构建特定地区的静态空间结构与水文拓扑结构,其次输入并对外部水文边界条件进行概化,然后对模型参数进行率定,最后控制外部水文边界条件进行计算并得到输入的外部水文边界条件下的目标事件状态或水文要素值。由此可见当前的模型方法存在两个缺陷,其一,模型内部对象均为静态对象,未能有效利用对象不断演化中的动态知识,即无法评估模型内部对象状态发生变化时的影响,其二,当前方法仅能输出目标对象状态变化,未能凸显对决策支持有重要作用或影响的对象,即决策所关注的受事件影响的关乎民生等方面的对象。
随着知识图谱的概念的提出,知识图谱如雨后春笋般得到巨大发展,知识——包含世界万物和人类智慧的结晶,也被以高效合理的结构存储在知识图谱中。但知识图谱所刻画的知识是静态的非黑即白的一种确定性事实。而以事件为基础单元的事理图谱,其事件间的演化更能反映客观世界的因果规律和动态性。事理图谱是一个事理逻辑知识库,用于描述事件之间的演化规律和模式。事理图谱以有向有环图为结构形式,节点表示抽象、泛化的事件,有向边表示事件之间顺承、因果关系。目前的事理图谱主要应用于事件预测和常识推理。例如哈工大的金融事理图谱,其有向边表示三类关系:抽象因果关系、事件泛化以及上下位关系,抽象因果关系权值由预先确定的事件转移概率决定。这种结构形式的事理图谱仅能展示事件间的发生概率,无法准确描述事件的演化路径以及量化程度,不符合现实中的情况。例如根据已有的知识可以得到区域降雨导致城市内涝,但是已有的事理图谱推理方法无法分析区域降雨影响机理,以及量化程度,因此难以针对城市内涝成因做出决策支持方案。因此,设计一种新的基于水利知识-事理耦合网络的推理方法并应用于决策支持是必然需要的。
发明内容
发明目的:为克服上述现有技术的不足,本发明的第一目的是提供一种基于水利知识-事理耦合网络的决策支持的实现方法。本发明的第二目的是提供一种基于水利知识-事理耦合网络的决策支持系统架构。
技术方案:一种基于水利知识-事理耦合网络的决策支持的实现方法,包括以下步骤:
(1)构建水利知识图谱模块,包括概念层和实例层,实例层融合地理空间知识、领域知识和通用知识,且关联监测数据库、专题数据库和外部数据源的水利知识图谱,概念层关联到规则库模块;
(2)构建规则库模块,包括推理规则、对象规则和属性规则的规则库,以在事理节点中使用规则推理;
(3)构建事理图谱模块,即与推理规则库、对象规则库和属性规则库相关联的事理图谱,以将事理图谱作为推理的基础结构;
(4)构建推理机制模块,建立运行在由水利知识图谱和事理图谱基于规则库结合形成的耦合网络上的推理框架,并在推理框架上针对推理目标进行推理,最后完成决策支持信息推送。
进一步的,步骤(1)构建服务于推理的水利知识图谱包括以下步骤:
(11)构建对象基础属性子图和监测属性子图,并与监测数据库、专题数据库和外部数据源形成关联,对象基础属性子图以RDF方式对静态知识进行组织,监测属性子图以引用形式与监测数据库进行连接,监测数据库对输入的时序数据按对象属性分类存储,专题数据库和外部数据库按对象属性划分与对象基础属性子图或监测属性子图关联;
(12)构建对象间地理空间关系、拓扑关系子图,由地理信息数据转换得到的对象,按空间信息存储至地理空间关系子图中,或以对象间主要拓扑关系存储在拓扑关系子图中,对拓扑关系子图中各个对象建立拓扑关系的边。
更进一步的,步骤(12)包括构建对象区域划分网格图谱并形成矩形网格,将对象与所处网格建立关联,按地理空间和拓扑关系确定相关对象,以适用于大规模图谱的查询推理。
进一步的,步骤(2)中对象规则库、属性规则库和推理规则库通过对象和属性关联方式与水利知识图谱形成关联,具体如下:
所述对象规则为在前提条件的约束下获取对象的规则,具体为在给定目标对象下,以时空约束,按地理空间关系或拓扑关系对象规则,筛选出与目标对象存在关联的对象;
所述属性规则为在前提条件的约束下获取对象属性的规则,具体为给定对象,根据时空约束与属性类别规则,获取符合属性规则的所有属性值;
所述推理规则为在时空前提条件的约束下基于已获取的对象和属性进行推理分析的规则,包含了专家经验形成的规则、历史场景模式匹配规则和模型匹配规则,推理规则以事件状态、对象和属性值作为输入,专家经验形成的规则结构为有限自动机形式,历史场景模式匹配规则和模型匹配规则采用相似性匹配方法。
进一步的,步骤(3)中事理图谱以有向有环图为结构形式,节点表示抽象、泛化的事件主体,包含对象规则、属性规则以及推理规则的引用,与规则库形成关联;有向边表示事件之间顺承、因果等事理逻辑关系集合,进行要素传递和事件状态转移。
进一步的,步骤(4)中,推理框架结合正向推理与反向推理的推理机制,采用反向推理排除不能发生的事件演化路径,采用正向推理基于输入数据对可能的事件演化路径进行定性和定量分析,以获得符合预期目标事实的事件演化路径;建立运行在耦合网络上的推理框架包括以下步骤:
(41)以目标事件为中心点采用受目标事件条件限制的广度遍历方法,遍历特定的边类别,从事理图谱中剪裁出事理子图图谱;
(42)事理子图图谱通过规则库与知识图谱概念层相互关联,在目标事件时空约束条件下,由对象规则、属性规则和推理规则从水利知识图谱实例层中抽取对象、属性和推理所需的经验规则参数、历史场景匹配要素、模型匹配要素作为事理图谱的节点运行时数据,由推理规则基于对象、属性和相关推理数据进行节点推理分析;
(43)根据事理子图图谱的拓扑关系和边关系,将事理子图图谱进行拓扑排序,并将环概化为时间轴演化方向的概化节点,采用结合正向推理与反向推理的推理机制,反向推理用于筛选可能发生的路径,正向推理对所有可能成立的路径进行定量定性分析,基于时间刻度推进完成目标事件的事理演化分析,最终获得事理演化路径。
更进一步的,步骤(43)将环概化为时间轴演化方向的概化节点,分析环所有输入和输出节点,以单位时间为刻度对环上的事理节点进行推理,取得所有在推理目标时间限制前的环输出作为概化节点输出;使用推理框架进行决策支持分析时,根据推理结果涉及的相关对象,基于对象规则库和属性规则库,从水利知识图谱中按照决策重要程度分类获得决策所关心的对象及其属性,以及根据对象属性得到的情势判断,作为决策支持内容。
根据上述方法实现一种基于水利知识-事理耦合网络的决策支持系统架构,包括水利知识图谱模块、规则库模块、事理图谱模块和推理机制模块;所述的水利知识图谱模块用于获取融合地理空间知识、领域知识和通用知识,且关联监测数据库、专题数据库和外部数据源的水利知识图谱;所述的规则库模块用于获取包含推理规则、对象规则和属性规则的规则库,以在事理节点中使用规则推理;所述的事理图谱模块用于构建与推理规则库、对象规则库和属性规则库相关联的事理图谱,以将事理图谱作为推理的基础结构;所述的推理机制模块,用于建立运行在由水利知识图谱和事理图谱基于规则库结合形成的耦合网络上的推理框架。
进一步的,所述的系统架构以用户输入的目标事件作为系统输入,并在推理框架上针对用户输入的目标事件进行推理,根据正向推理、反向推理等推理方式获得推理结果,并推送决策支持信息作为系统输出。
有益效果:与现有技术相比,本发明实现了基于水利知识-事理耦合网络的决策支持系统,根据相关对象的实际状态,实现实时地对目标事件的成因分析;也可以实时推理决策关心的相关对象及其状态(包括成因对象和受影响对象)作为决策支持内容。另外,本发明中,稍显静态的知识图谱与实时性高的数据库相连接,可以实现实时的、准确的、高效的推理效果;同时,外部数据源的接入将提高决策支持内容的参考价值。
附图说明
图1是本发明所述方法的框架示意图;
图2为本发明所实现的系统的功能模块划分和关联的层次化结构示意图。
具体实施方式
为了详细的说明本发明所公开的技术方案,下面结合说明书附图及具体实施例做进一步的阐述。
本发明所提供的一种基于水利知识-事理耦合网络的决策支持系统架构与方法,其整系统架构与实现方法如图1-图2,本实施例以水文领域的城市内涝决策支持系统为例,具体如下:
S1:构建水利知识图谱模块,即融合地理空间知识、领域知识和通用知识,且关联监测数据库、专题数据库和外部数据源的水利知识图谱;
S2:构建规则库模块,即包含推理规则、对象规则和属性规则的规则库;
S3:构建事理图谱模块,即与推理规则库、对象规则库和属性规则库相关联的事理图谱;
S4:构建推理机制模块,即建立运行在由水利知识图谱和事理图谱基于规则库结合形成的耦合网络上的推理框架,并在推理框架上针对推理目标进行推理,根据正向推理、反向推理等推理方式获得推理结果,完成决策支持信息推送;
其中,在S1中,构建服务于推理的水利知识图谱包括以下步骤:
S101:知识图谱存储采用Jena TDB,查询工具采用Jena Fuseki;在水利期刊、论文、水文领域百科、词典作为语料来源而获取的数据,采用实体关系联合抽取方法抽取对象实体和关系,以RDF形式存储在知识图谱的对象基础属性子图中;在水文水资源领域的ARCGIS、DEM等数据集上获得的结构化数据,生成三元组实例并使用SPARQL Endpoint工具作为地理空间知识存储在知识图谱的地理空间关系子图中;在社交网络、搜索引擎、新闻网站上获得的热搜词汇等数据,将作为通用知识以时序形式存储在Oracle数据库中,并在知识图谱中对新知识建立关联;在各个专业获取的权威分析数据,将作为领域知识存储在专题数据库中,在后续步骤中,对于规则类知识,需要按照知识类别处理为规则存储;实时监测的结构化数据,将以监测数据库的形式与知识图谱进行关联;
S102:构建对象间地理空间关系、拓扑关系子图,由地理信息数据转换得到的对象,以经纬度存储在地理空间关系子图中,或以对象间主要拓扑关系(如水流流向、包含关系、位于关系等)存储在拓扑关系子图中;
S103:构建对象区域划分网格图谱,采用合适的网格尺寸(按照推理高精度需求和计算性能衡量,可设为100m)建立矩形网格,将对象与所在网格进行关联,此方法在推理中可按地理空间关系高效地确定相关对象,以适应大规模图谱的查询推理,减少时间代价;
其中,在S2中,构建关联事理图谱和水利知识图谱的规则库以XML格式存储,对于对象规则库、属性规则库和推理规则库,分别由不同的XML Schema模板进行生成指导,包括以下步骤:
S201:构建对象规则库,对象规则为在时空等前提条件的约束下获取对象的规则,即在给定目标对象下,在时空约束下,按对象类型、抽取顺序、地理空间关系或拓扑关系等对象规则,筛选出与目标对象存在关联的对象。如水库抽取,在目标对象为某个排水口的条件下,以目标事件发生时刻为参考,查找拓扑关系为“上游”、拓扑长度不限的全部已建水库;
S202:构建属性规则库,属性规则为在时空等前提条件的约束下获取对象属性的规则,即根据时空约束与属性类别等规则,获取符合属性规则的所有属性值。如水库闸门启闭情况属性值抽取,在对象为某个水库实例的条件下,以目标事件发生时刻为参考,按时间限制和单文本值的属性类别限制,从知识图谱引用的监测数据库中查找在目标事件发生时刻之前的闸门启闭情况;
S203:构建推理规则库,推理规则为在时空等前提条件的约束下基于已获取的对象和属性进行推理分析的规则,包含了专家经验形成的规则、历史场景模式匹配规则和模型匹配规则,推理规则以事件状态、对象和属性值作为输入。专家经验形成的规则结构为有限自动机形式;历史场景模式匹配规则和模型匹配规则采用序列最短距离方法DTW,其中历史的对象属性以带时间标签的属性节点存储在知识图谱中,在匹配时作为输入,模型输入同理。如针对某一场内涝进行历史场景模式匹配,首先获取所有满足内涝事件和空间限制的历史场景发生时间,再从知识图谱中获取在各个历史场景发生时间下的相关对象属性值,最后依次对历史场景进行匹配。对象规则库、属性规则库和推理规则库通过对象和属性关联方式与水利知识图谱形成关联;
其中,在S3中,事理图谱结构形式为有向有环图,构建事理图谱包括以下步骤:
S301:构建事理节点,节点表示抽象、泛化的事件主体,包含了对象规则、属性规则以及推理规则的引用,并与规则库形成关联;
S302:构建有向边,有向边表示事理节点之间顺承、因果等事理逻辑关系集合,进行对象属性值传递和事件状态传递;
其中,在S4中,对于推理路径序列中的环,可将其作为沿时间轴演化的推理单位结构,在有限次迭代中进行演化分析。推理机制模块运行包括以下步骤:
S401:以目标事件为中心点采用受目标事件限制的广度遍历方法,遍历特定的边类别,从事理图谱中剪裁出事理子图图谱。如对于目标节点内涝事件作为头节点,以顺承、因果关系作为边类别,广度遍历所有尾节点,直至剪裁出事理子图图谱;
S402:事理子图图谱通过规则库与知识图谱概念层相互关联,在目标事件时空约束条件下,由对象规则、属性规则和推理规则从水利知识图谱实例层中抽取对象、属性和推理所需的经验规则参数、历史场景匹配要素、模型匹配要素作为事理图谱的节点运行时数据,由推理规则基于对象、属性和相关推理数据进行节点推理分析。如针对内涝事件,对所有前置事件节点(如来水情势、排水情势、下游顶托情况等)根据节点内部规则从知识图谱中获取数据作为节点运行时数据,即将节点实例化(如针对下游顶托情况,由对象规则、属性规则获取水库启闭状态,并获取历史场景匹配要素,包括历史场景下的水库启闭状态、降雨量、下游水位、排水口高程,经过匹配和推理得到水库对下游顶托情况的判别依据);
S403:根据事理子图图谱的拓扑关系和边关系,将事理子图图谱进行拓扑排序,并将环概化为时间轴演化方向的概化节点,分析环所有输入和输出节点,以单位时间为刻度对环上的事理节点进行推理,在推理目标时间限制前若环存在输出,则传递输出状态和要素;对于事理子图图谱拓扑序列,同样以时间刻度依次推理,其中将环看作有限次的周期性的输入;使用推理框架进行决策支持分析时,根据推理结果涉及的相关对象,基于对象规则库和属性规则库,从水利知识图谱中按照决策重要程度分类获得决策所关心的对象及其属性,以及根据对象属性得到的情势判断,作为决策支持内容。比如根据内涝淹没程度取得决策关心的相关对象,根据淹没雨水口和淹没要素(淹没深度、淹没面积、淹没历时等),按地理空间和由近及远的对象规则,选取符合决策关注对象规则的对象(如学校、商场、道路等),再根据对象和淹没要素,根据属性规则获取属性值(如对象预案、历史方案、对象状态、基本信息等)。对于决策所关心的对象及其属性,可以采用将知识图谱关联外部数据源的方式,获取更为实时、详实的知识,以提高决策支持的实时性、详尽性和可信度,例如将实时交通信息接入道路对象,在进行决策支持信息生成时,可将当前路况、车速、拥堵程度等进行实时展示,以作为衡量内涝严重程度的决策参考。
本发明以一种将水利知识图谱与事理图谱基于对象规则库和属性规则库耦合,以结合包含专家经验、历史场景模式匹配、模型匹配的推理规则库为主要事理节点推理驱动的决策支持方法与系统。
Claims (9)
1.一种基于水利知识-事理耦合网络的决策支持的实现方法,其特征在于,包括以下步骤:
(1)构建水利知识图谱模块,包括概念层和实例层,实例层融合地理空间知识、领域知识和通用知识,且关联监测数据库、专题数据库和外部数据源的水利知识图谱,概念层关联到规则库模块;
(2)构建规则库模块,包括推理规则、对象规则和属性规则的规则库,以在事理节点中使用规则推理;
(3)构建事理图谱模块,与推理规则库、对象规则库和属性规则库相关联的事理图谱,以将事理图谱作为推理的基础结构;
(4)构建推理机制模块,建立运行在由水利知识图谱和事理图谱基于规则库结合形成的耦合网络上的推理框架,并在推理框架上针对推理目标进行推理,最后完成决策支持信息推送。
2.根据权利要求1所述的基于水利知识-事理耦合网络的决策支持的实现方法,其特征在于,步骤(1)构建服务于推理的水利知识图谱包括以下步骤:
(11)构建对象基础属性子图和监测属性子图,并与监测数据库、专题数据库和外部数据源形成关联,对象基础属性子图以RDF方式对静态知识进行组织,监测属性子图以引用形式与监测数据库进行连接,监测数据库对输入的时序数据按对象属性分类存储,专题数据库和外部数据库按对象属性划分与对象基础属性子图或监测属性子图关联;
(12)构建对象间地理空间关系、拓扑关系子图,由地理信息数据转换得到的对象,按空间信息存储至地理空间关系子图中,或以对象间主要拓扑关系存储在拓扑关系子图中,对拓扑关系子图中各个对象建立拓扑关系的边。
3.根据权利要求2所述的基于水利知识-事理耦合网络的决策支持的实现方法,其特征在于,步骤(12)包括构建对象区域划分网格图谱并形成矩形网格,将对象与所处网格建立关联,按地理空间和拓扑关系确定相关对象,以适用于大规模图谱的查询推理。
4.根据权利要求1所述的基于水利知识-事理耦合网络的决策支持的实现方法,其特征在于,步骤(2)中对象规则库、属性规则库和推理规则库通过对象和属性关联方式与水利知识图谱形成关联,具体如下:
所述对象规则为在前提条件的约束下获取对象的规则,具体为在给定目标对象下,以时空约束,按地理空间关系或拓扑关系对象规则,筛选出与目标对象存在关联的对象;
所述属性规则为在前提条件的约束下获取对象属性的规则,具体为给定对象,根据时空约束与属性类别规则,获取符合属性规则的所有属性值;
所述推理规则为在时空前提条件的约束下基于已获取的对象和属性进行推理分析的规则,包括专家经验形成的规则、历史场景模式匹配规则和模型匹配规则,推理规则以事件状态、对象和属性值作为输入,专家经验形成的规则结构为有限自动机形式,历史场景模式匹配规则和模型匹配规则采用相似性匹配方法。
5.根据权利要求1所述的基于水利知识-事理耦合网络的决策支持的实现方法,其特征在于,步骤(3)中事理图谱以有向有环图为结构形式,节点表示抽象、泛化的事件主体,包含对象规则、属性规则以及推理规则的引用,与规则库形成关联;有向边表示事件之间顺承、因果在内的事理逻辑关系集合,进行要素传递和事件状态转移。
6.根据权利要求1所述的基于水利知识-事理耦合网络的决策支持的实现方法,其特征在于,步骤(4)中,推理框架结合正向推理与反向推理的推理机制,采用反向推理排除不能发生的事件演化路径,采用正向推理基于输入数据对可能的事件演化路径进行定性和定量分析,以获得符合预期目标事实的事件演化路径;建立运行在耦合网络上的推理框架包括以下步骤:
(41)以目标事件为中心点采用受目标事件条件限制的广度遍历方法,遍历特定的边类别,从事理图谱中剪裁出事理子图图谱;
(42)事理子图图谱通过规则库与知识图谱概念层相互关联,在目标事件时空约束条件下,由对象规则、属性规则和推理规则从水利知识图谱实例层中抽取对象、属性和推理所需的经验规则参数、历史场景匹配要素、模型匹配要素作为事理图谱的节点运行时数据,由推理规则基于对象、属性和相关推理数据进行节点推理分析;
(43)根据事理子图图谱的拓扑关系和边关系,将事理子图图谱进行拓扑排序,并将环概化为时间轴演化方向的概化节点,采用结合正向推理与反向推理的推理机制,反向推理用于筛选可能发生的路径,正向推理对所有可能成立的路径进行定量定性分析,基于时间刻度推进完成目标事件的事理演化分析,最终获得事理演化路径。
7.根据权利要求1所述的基于水利知识-事理耦合网络的决策支持的实现方法,其特征在于,步骤(43)将环概化为时间轴演化方向的概化节点,分析环所有输入和输出节点,以单位时间为刻度对环上的事理节点进行推理,取得所有在推理目标时间限制前的环输出作为概化节点输出;使用推理框架进行决策支持分析时,根据推理结果涉及的相关对象,基于对象规则库和属性规则库,从水利知识图谱中按照决策重要程度分类获得决策所关心的对象及其属性,以及根据对象属性得到的情势判断,作为决策支持内容。
8.实施权利要求1所述方法实现的一种基于水利知识-事理耦合网络的决策支持系统架构,其特征在于:包括水利知识图谱模块、规则库模块、事理图谱模块和推理机制模块;所述的水利知识图谱模块用于获取融合地理空间知识、领域知识和通用知识,且关联监测数据库、专题数据库和外部数据源的水利知识图谱;所述的规则库模块用于获取包含推理规则、对象规则和属性规则的规则库,以在事理节点中使用规则推理;所述的事理图谱模块用于构建与推理规则库、对象规则库和属性规则库相关联的事理图谱,以将事理图谱作为推理的基础结构;所述的推理机制模块,用于建立运行在由水利知识图谱和事理图谱基于规则库结合形成的耦合网络上的推理框架。
9.根据权利要求8所实现的一种基于水利知识-事理耦合网络的决策支持系统架构,其特征在于:所述的系统架构以用户输入的目标事件作为系统输入,并在推理框架上针对用户输入的目标事件进行推理,根据正向推理、反向推理推理方式获得推理结果,并推送决策支持信息作为系统输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129002.6A CN111368095B (zh) | 2020-02-28 | 2020-02-28 | 基于水利知识-事理耦合网络的决策支持系统架构与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129002.6A CN111368095B (zh) | 2020-02-28 | 2020-02-28 | 基于水利知识-事理耦合网络的决策支持系统架构与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368095A true CN111368095A (zh) | 2020-07-03 |
CN111368095B CN111368095B (zh) | 2022-08-26 |
Family
ID=71208243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010129002.6A Active CN111368095B (zh) | 2020-02-28 | 2020-02-28 | 基于水利知识-事理耦合网络的决策支持系统架构与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368095B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680171A (zh) * | 2020-07-08 | 2020-09-18 | 中国水利水电科学研究院 | 一种基于专题知识图谱的河系洪水预报方案构建方法 |
CN112182234A (zh) * | 2020-07-29 | 2021-01-05 | 长江勘测规划设计研究有限责任公司 | 流域防洪规划数据知识图谱构建方法 |
CN112182242A (zh) * | 2020-09-27 | 2021-01-05 | 武汉大学 | 一种面向电力作业全过程的安全管控知识图谱构建方法 |
CN112487208A (zh) * | 2020-12-14 | 2021-03-12 | 杭州安恒信息技术股份有限公司 | 一种网络安全数据关联分析方法、装置、设备及存储介质 |
CN112507691A (zh) * | 2020-12-07 | 2021-03-16 | 数地科技(北京)有限公司 | 一种融合情感、产业链和事理逻辑的可解释性金融标的物生成方法和装置 |
CN112738114A (zh) * | 2020-12-31 | 2021-04-30 | 四川新网银行股份有限公司 | 一种网络安全策略的配置方法 |
CN113255916A (zh) * | 2021-05-31 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 作战知识系统的使用方法、作战决策辅助方法 |
CN113377966A (zh) * | 2021-08-11 | 2021-09-10 | 长江水利委员会水文局 | 一种基于知识图谱的水利工程调度规程推理方法 |
CN113778593A (zh) * | 2021-08-24 | 2021-12-10 | 北京百度网讯科技有限公司 | 云桌面控制方法、装置、电子设备、存储介质及程序产品 |
CN113885398A (zh) * | 2021-10-25 | 2022-01-04 | 天津大学 | 一种基于可微推理的水循环智能感知与监控系统 |
CN114357895A (zh) * | 2022-03-18 | 2022-04-15 | 长江水利委员会水文局 | 一种基于状态机的江湖分蓄洪区容积自适应洪水模拟方法 |
CN114492807A (zh) * | 2022-02-10 | 2022-05-13 | 杭州和利时自动化有限公司 | 一种基于知识图谱的产生式推理实现方法、装置及系统 |
CN114817575A (zh) * | 2022-06-24 | 2022-07-29 | 国网浙江省电力有限公司信息通信分公司 | 基于扩展模型的大规模电力事理图谱处理方法 |
CN116167440A (zh) * | 2023-04-26 | 2023-05-26 | 北京大学 | 基于网格时空知识图谱的时空知识规则判定方法及相关设备 |
CN116702902A (zh) * | 2023-04-14 | 2023-09-05 | 长江水利委员会水文局 | 一种水文数据图谱推理与知识库构建方法 |
CN117035087A (zh) * | 2023-10-09 | 2023-11-10 | 北京壹永科技有限公司 | 用于医疗推理的事理图谱生成方法、装置、设备及介质 |
CN117196354A (zh) * | 2023-11-08 | 2023-12-08 | 国网浙江省电力有限公司 | 一种多模态感知与领域图谱模型的智能决策方法 |
CN117313855A (zh) * | 2023-11-28 | 2023-12-29 | 支付宝(杭州)信息技术有限公司 | 规则决策方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908671A (zh) * | 2017-10-25 | 2018-04-13 | 南京擎盾信息科技有限公司 | 基于法律数据的知识图谱构建方法及系统 |
CN110719217A (zh) * | 2019-10-17 | 2020-01-21 | 杭州涂鸦信息技术有限公司 | 基于事理图谱的控制方法及系统、可读存储介质、计算机 |
-
2020
- 2020-02-28 CN CN202010129002.6A patent/CN111368095B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908671A (zh) * | 2017-10-25 | 2018-04-13 | 南京擎盾信息科技有限公司 | 基于法律数据的知识图谱构建方法及系统 |
CN110719217A (zh) * | 2019-10-17 | 2020-01-21 | 杭州涂鸦信息技术有限公司 | 基于事理图谱的控制方法及系统、可读存储介质、计算机 |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680171B (zh) * | 2020-07-08 | 2021-03-19 | 中国水利水电科学研究院 | 一种基于专题知识图谱的河系洪水预报方案构建方法 |
CN111680171A (zh) * | 2020-07-08 | 2020-09-18 | 中国水利水电科学研究院 | 一种基于专题知识图谱的河系洪水预报方案构建方法 |
CN112182234B (zh) * | 2020-07-29 | 2022-06-28 | 长江勘测规划设计研究有限责任公司 | 流域防洪规划数据知识图谱构建方法 |
CN112182234A (zh) * | 2020-07-29 | 2021-01-05 | 长江勘测规划设计研究有限责任公司 | 流域防洪规划数据知识图谱构建方法 |
CN112182242A (zh) * | 2020-09-27 | 2021-01-05 | 武汉大学 | 一种面向电力作业全过程的安全管控知识图谱构建方法 |
CN112507691A (zh) * | 2020-12-07 | 2021-03-16 | 数地科技(北京)有限公司 | 一种融合情感、产业链和事理逻辑的可解释性金融标的物生成方法和装置 |
CN112487208A (zh) * | 2020-12-14 | 2021-03-12 | 杭州安恒信息技术股份有限公司 | 一种网络安全数据关联分析方法、装置、设备及存储介质 |
CN112487208B (zh) * | 2020-12-14 | 2023-06-30 | 杭州安恒信息技术股份有限公司 | 一种网络安全数据关联分析方法、装置、设备及存储介质 |
CN112738114A (zh) * | 2020-12-31 | 2021-04-30 | 四川新网银行股份有限公司 | 一种网络安全策略的配置方法 |
CN113255916A (zh) * | 2021-05-31 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 作战知识系统的使用方法、作战决策辅助方法 |
CN113377966B (zh) * | 2021-08-11 | 2021-11-19 | 长江水利委员会水文局 | 一种基于知识图谱的水利工程调度规程推理方法 |
CN113377966A (zh) * | 2021-08-11 | 2021-09-10 | 长江水利委员会水文局 | 一种基于知识图谱的水利工程调度规程推理方法 |
CN113778593A (zh) * | 2021-08-24 | 2021-12-10 | 北京百度网讯科技有限公司 | 云桌面控制方法、装置、电子设备、存储介质及程序产品 |
CN113778593B (zh) * | 2021-08-24 | 2023-11-10 | 北京百度网讯科技有限公司 | 云桌面控制方法、装置、电子设备、存储介质及程序产品 |
CN113885398A (zh) * | 2021-10-25 | 2022-01-04 | 天津大学 | 一种基于可微推理的水循环智能感知与监控系统 |
CN113885398B (zh) * | 2021-10-25 | 2022-07-01 | 天津大学 | 一种基于可微推理的水循环智能感知与监控系统 |
CN114492807A (zh) * | 2022-02-10 | 2022-05-13 | 杭州和利时自动化有限公司 | 一种基于知识图谱的产生式推理实现方法、装置及系统 |
CN114357895A (zh) * | 2022-03-18 | 2022-04-15 | 长江水利委员会水文局 | 一种基于状态机的江湖分蓄洪区容积自适应洪水模拟方法 |
CN114817575A (zh) * | 2022-06-24 | 2022-07-29 | 国网浙江省电力有限公司信息通信分公司 | 基于扩展模型的大规模电力事理图谱处理方法 |
CN114817575B (zh) * | 2022-06-24 | 2022-09-02 | 国网浙江省电力有限公司信息通信分公司 | 基于扩展模型的大规模电力事理图谱处理方法 |
CN116702902A (zh) * | 2023-04-14 | 2023-09-05 | 长江水利委员会水文局 | 一种水文数据图谱推理与知识库构建方法 |
CN116167440A (zh) * | 2023-04-26 | 2023-05-26 | 北京大学 | 基于网格时空知识图谱的时空知识规则判定方法及相关设备 |
CN116167440B (zh) * | 2023-04-26 | 2023-09-05 | 北京大学 | 基于网格时空知识图谱的时空知识规则判定方法及相关设备 |
CN117035087A (zh) * | 2023-10-09 | 2023-11-10 | 北京壹永科技有限公司 | 用于医疗推理的事理图谱生成方法、装置、设备及介质 |
CN117035087B (zh) * | 2023-10-09 | 2023-12-26 | 北京壹永科技有限公司 | 用于医疗推理的事理图谱生成方法、装置、设备及介质 |
CN117196354A (zh) * | 2023-11-08 | 2023-12-08 | 国网浙江省电力有限公司 | 一种多模态感知与领域图谱模型的智能决策方法 |
CN117196354B (zh) * | 2023-11-08 | 2024-01-30 | 国网浙江省电力有限公司 | 一种多模态感知与领域图谱模型的智能决策方法 |
CN117313855A (zh) * | 2023-11-28 | 2023-12-29 | 支付宝(杭州)信息技术有限公司 | 规则决策方法和装置 |
CN117313855B (zh) * | 2023-11-28 | 2024-03-15 | 支付宝(杭州)信息技术有限公司 | 规则决策方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111368095B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368095B (zh) | 基于水利知识-事理耦合网络的决策支持系统架构与方法 | |
Tedjopurnomo et al. | A survey on modern deep neural network for traffic prediction: Trends, methods and challenges | |
Wang et al. | Computing urban traffic congestions by incorporating sparse GPS probe data and social media data | |
Ren et al. | Mtrajrec: Map-constrained trajectory recovery via seq2seq multi-task learning | |
Huang et al. | TrajGraph: A graph-based visual analytics approach to studying urban network centralities using taxi trajectory data | |
CN109992672A (zh) | 基于灾害场景的知识图谱构建方法 | |
CN110008355A (zh) | 基于知识图谱的灾害场景信息融合方法及装置 | |
Wang et al. | Estimating urban traffic congestions with multi-sourced data | |
US20210239486A1 (en) | Method and apparatus for predicting destination, electronic device and storage medium | |
Shen et al. | TTPNet: A neural network for travel time prediction based on tensor decomposition and graph embedding | |
Pei et al. | Big geodata mining: Objective, connotations and research issues | |
Wang et al. | Personalized route recommendation with neural network enhanced search algorithm | |
Sun et al. | Congestion pattern prediction for a busy traffic zone based on the Hidden Markov Model | |
Lv et al. | Digital twins based VR simulation for accident prevention of intelligent vehicle | |
James | Citywide estimation of travel time distributions with Bayesian deep graph learning | |
Bermingham et al. | Mining place-matching patterns from spatio-temporal trajectories using complex real-world places | |
Saleh et al. | Traffic accident risk forecasting using contextual vision transformers | |
Li et al. | Fine-grained crowd distribution forecasting with multi-order spatial interactions using mobile phone data | |
Feng et al. | A survey of visual analytics in urban area | |
Sun et al. | Deep fusion for travel time estimation based on road network topology | |
Zheng et al. | Topic model-based road network inference from massive trajectories | |
Galbrun et al. | Safe navigation in urban environments | |
CN117455237A (zh) | 一种基于多源数据的道路交通事故风险预测方法 | |
Yu et al. | A hybrid prediction approach for road tunnel traffic based on spatial-temporary data fusion | |
CN115936242B (zh) | 空气质量与交通状况的溯源关系数据获取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |