CN111832924B - 基于图神经网络的社区燃气系统动态风险评估方法及装置 - Google Patents

基于图神经网络的社区燃气系统动态风险评估方法及装置 Download PDF

Info

Publication number
CN111832924B
CN111832924B CN202010624091.1A CN202010624091A CN111832924B CN 111832924 B CN111832924 B CN 111832924B CN 202010624091 A CN202010624091 A CN 202010624091A CN 111832924 B CN111832924 B CN 111832924B
Authority
CN
China
Prior art keywords
entity
semantic
level
reliability
gas
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.)
Active
Application number
CN202010624091.1A
Other languages
English (en)
Other versions
CN111832924A (zh
Inventor
史运涛
丁辉
王力
党亚光
董哲
雷振伍
李书钦
刘大千
李超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Technology
Original Assignee
North China University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China University of Technology filed Critical North China University of Technology
Priority to CN202010624091.1A priority Critical patent/CN111832924B/zh
Publication of CN111832924A publication Critical patent/CN111832924A/zh
Application granted granted Critical
Publication of CN111832924B publication Critical patent/CN111832924B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06F16/35—Clustering; Classification
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种基于图神经网络的社区燃气系统动态风险评估方法及装置，该方法包括：基于社区燃气系统风险评估指标体系构建社区燃气系统知识图谱，将包含实体、实体特征及实体间关系的社区燃气系统知识图谱输入到社区燃气系统动态风险评估模型，从而获取目标实体的风险等级及对社区燃气事故进行原因推理和事故后果动态预测；其中，社区燃气系统动态风险评估模型包括第一实体级注意力层、第一语义级注意力层、第二实体级注意力层、第二语义级注意层、实体分类层及关系预测层。本发明实施例通过获取目标实体的风险等级及进行社区燃气事故的原因推理和事故后果动态预测，实现了社区燃气系统动态风险评估，并且提高了风险评估的准确率。

Description

基于图神经网络的社区燃气系统动态风险评估方法及装置
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于图神经网络的社区燃气系统动态风险评估方法及装置。
背景技术
近年来，我国燃气事业取得了长足的发展。燃气的普及应用为优化能源结构，改善环境质量，提高人民生活水平发挥了极其重要的作用。燃气设备设施是社区安全系统的重要组成部分，事关人民生命财产安全、能源供给安全、城市安全发展。随着民用燃气普及范围越来越广，每年因为燃气泄漏引发的爆炸、火灾、中毒等事故频繁发生，造成大量的人员伤亡以及财产损失，燃气安全使用也逐渐受到人们的重视。
社区中一旦发生燃气爆炸，轻则造成轻微损失，重则导致大面积人员伤亡和财产损失，严重威胁到人民群众的生命及财产安全。据统计，自2019年1月1日至1月31日，全国共发生燃气安全事故51起，共造成10人死亡，至少43人受伤。其中室内燃气爆炸爆燃39起，室外管道泄漏及爆炸起火12起。不难看出，社区内燃气用户已成为燃气事故高发群体，必须予以足够的重视。同时，社区中的用于燃气调压的燃气调压箱/柜、燃气埋地管线等都是社区中隐藏的风险源。因此，为了加强对社区燃气的监管，确保社区居民的正确用气、安全用气，需要对社区燃气系统进行风险评估，快速全面的了解社区的风险水平，从而指导管理者和使用者选择和实施适当的管理和防范措施，尽可能有效遏制燃气风险问题，保障社区居民的生命和财产安全。
传统对于燃气系统的风险评估方法大部分都是基于专家经验知识的静态分析方法，缺乏动态性，如采用德尔菲方法、层次分析法和故障树等方法实现燃气系统的风险评估。并且这些方法一般只针对社区燃气系统中单独的组成部分进行建模，如只针对燃气管网或户内燃气系统去构建风险评估模型，模型一般较为简单，忽略了社区燃气系统中各组成部分耦合复杂的连接关系。正是由于社区燃气系统的复杂性，一旦发生燃气事故往往难以确定事故起因。现有的燃气系统风险评估方法无法准确、全面的涵盖社区燃气系统这样复杂的场景，也无法针对社区燃气系统多类型组成部分和它们之间的影响关系去建立动态的风险评估模型来进行风险评估。
发明内容
为解决现有技术中的问题，本发明实施例提供一种基于图神经网络的社区燃气系统动态风险评估方法及装置。
第一方面，本发明实施例提供一种基于图神经网络的社区燃气系统动态风险评估方法，包括：
基于由人的不安全行为、燃气设施不安全状态、燃气相关单位管理的缺陷和环境要素共同作用而导致燃气事故发生的燃气事故事件链构建社区燃气系统风险评估指标体系；根据所述社区燃气系统风险评估指标体系确定社区燃气系统知识图谱的实体类型和实体特征，并定义实体间连接关系从而构建社区燃气系统知识图谱，实现所述社区燃气风险评估指标体系向所述社区燃气系统知识图谱的转换；
将包含实体、实体特征及实体间关系的所述社区燃气系统知识图谱输入到社区燃气系统动态风险评估模型，从而获取目标实体的风险等级及对社区燃气事故进行原因推理和事故后果动态预测；其中，所述社区燃气系统动态风险评估模型包括第一实体级注意力层、第一语义级注意力层、第二实体级注意力层、第二语义级注意层、实体分类层及关系预测层；其中，所述第一实体级注意力层的输出作为所述第一语义级注意力层的输入，所述第一语义级注意力层的输出作为所述第二实体级注意力层的输入，所述第二实体级注意力层的输出作为所述第二语义级注意层的输入，所述第二语义级注意层的输出分别作为所述实体分类层及所述关系预测层的输入；
所述将包含实体、实体特征及实体间关系的所述社区燃气系统知识图谱输入到社区燃气系统动态风险评估模型，从而获取目标实体的风险等级及对社区燃气事故进行原因推理和事故后果动态预测，包括：
将所述社区燃气系统知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述第一实体级注意力层，从而得到所述目标实体的第一实体特征嵌入向量；
将所述第一实体特征嵌入向量输入到所述第一语义级注意力层，从而得到所述目标实体的第二实体特征嵌入向量；
将所述第二实体特征嵌入向量输入到所述第二实体级注意力层，从而得到所述目标实体的第三实体特征嵌入向量；
将所述第三实体特征嵌入向量输入到所述第二语义级注意力层，从而得到所述目标实体的第四实体特征嵌入向量；
将所述第四实体特征嵌入向量输入到所述实体分类层，从而得到所述目标实体的风险等级；
将包含所述目标实体的所述三元组中的两个实体的所述第四实体特征嵌入向量输入到所述关系预测层，通过计算三元组评分函数对所述两个实体进行关系预测，从而进行社区燃气事故原因推理和事故后果动态预测；
其中，所述第一实体特征嵌入向量和所述第三实体特征嵌入向量反映邻居实体对所述目标实体的影响，所述第二实体特征嵌入向量和所述第四实体特征嵌入向量反映语义路径对所述目标实体的影响；所述社区燃气系统知识图谱中两个实体和两个实体间的关系构成三元组，由所述三元组中两个相同类型实体或不同类型实体在不同的关系下组成的路径称为所述语义路径。
第二方面，本发明实施例提供一种基于图神经网络的社区燃气系统动态风险评估装置，包括：社区燃气系统知识图谱构建模块，所述社区燃气系统知识图谱构建模块用于基于由人的不安全行为、燃气设施不安全状态、燃气相关单位管理的缺陷和环境要素共同作用而导致燃气事故发生的燃气事故事件链构建社区燃气系统风险评估指标体系；根据所述社区燃气系统风险评估指标体系确定社区燃气系统知识图谱的实体类型和实体特征，并定义实体间连接关系从而构建社区燃气系统知识图谱，实现所述社区燃气风险评估指标体系向所述社区燃气系统知识图谱的转换；
风险评估模块，所述风险评估模块用于将包含实体、实体特征及实体间关系的社区燃气系统知识图谱输入到社区燃气系统动态风险评估模型，从而获取目标实体的风险等级及对社区燃气事故进行原因推理和事故后果动态预测；其中，所述社区燃气系统动态风险评估模型包括第一实体级注意力层、第一语义级注意力层、第二实体级注意力层、第二语义级注意层、实体分类层及关系预测层；其中，所述第一实体级注意力层的输出作为所述第一语义级注意力层的输入，所述第一语义级注意力层的输出作为所述第二实体级注意力层的输入，所述第二实体级注意力层的输出作为所述第二语义级注意层的输入，所述第二语义级注意层的输出分别作为所述实体分类层及所述关系预测层的输入；
所述风险评估模块包括第一实体级分类层处理模块、第一语义级分类层处理模块、第二实体级分类层处理模块、第二语义级分类层处理模块、实体分类模块及关系预测模块，其中：
所述第一实体级分类层处理模块用于将所述社区燃气系统知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述第一实体级注意力层，从而得到所述目标实体的第一实体特征嵌入向量；
所述第一语义级分类层处理模块用于将所述第一实体特征嵌入向量输入到所述第一语义级注意力层，从而得到所述目标实体的第二实体特征嵌入向量；
所述第二实体级分类层处理模块用于将所述第二实体特征嵌入向量输入到所述第二实体级注意力层，从而得到所述目标实体的第三实体特征嵌入向量；
所述第二语义级分类层处理模块用于将所述第三实体特征嵌入向量输入到所述第二语义级注意力层，从而得到所述目标实体的第四实体特征嵌入向量；
所述实体分类模块用于将所述第四实体特征嵌入向量输入到所述实体分类层，从而得到所述目标实体的风险等级；
所述关系预测模块用于将包含所述目标实体的所述三元组中的两个实体的所述第四实体特征嵌入向量输入到所述关系预测层，通过计算三元组评分函数对所述两个实体进行关系预测，从而进行社区燃气事故原因推理和事故后果动态预测；
其中，所述第一实体特征嵌入向量和所述第三实体特征嵌入向量反映邻居实体对所述目标实体的影响，所述第二实体特征嵌入向量和所述第四实体特征嵌入向量反映语义路径对所述目标实体的影响；所述社区燃气系统知识图谱中两个实体和两个实体间的关系构成三元组，由所述三元组中两个相同类型实体或不同类型实体在不同的关系下组成的路径称为所述语义路径。
本发明实施例提供的基于图神经网络的社区燃气系统动态风险评估方法及装置，通过获取目标实体的风险等级及进行社区燃气事故的原因推理和事故后果动态预测，实现了社区燃气系统动态风险评估，并且提高了风险评估的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的基于图神经网络的社区燃气系统动态风险评估方法流程图；
图2是图1中步骤20的具体流程图；
图3为本发明一实施例提供的社区燃气系统知识图谱示例图；
图4是本发明一实施例提供的第一实体级注意力层的结构示意图；
图5是本发明一实施例提供的第一语义级注意力层的结构示意图；
图6是本发明一实施例提供的第二实体级注意力层的结构示意图；
图7是本发明一实施例提供的第二语义级注意力层的结构示意图；
图8是本发明一实施例提供的实体分类层的结构示意图；
图9是本发明一实施例提供的关系预测层的结构示意图；
图10是本发明一实施例提供的社区燃气系统动态风险评估模型的结构示意图；
图11是本发明另一实施例提供的基于图神经网络的社区燃气系统动态风险评估方法流程图；
图12是本发明一实施例提供的基于图神经网络的社区燃气系统动态风险评估装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明一实施例提供的基于图神经网络的社区燃气系统动态风险评估方法流程图。图2是图1中步骤20的具体流程图。如图1、图2所示，所述方法包括：
步骤10、基于由人的不安全行为、燃气设施不安全状态、燃气相关单位管理的缺陷和环境要素共同作用而导致燃气事故发生的燃气事故事件链构建社区燃气系统风险评估指标体系；根据所述社区燃气系统风险评估指标体系确定社区燃气系统知识图谱的实体类型和实体特征，并定义实体间连接关系从而构建社区燃气系统知识图谱，实现所述社区燃气风险评估指标体系向所述社区燃气系统知识图谱的转换；
步骤20、将包含实体、实体特征及实体间关系的所述社区燃气系统知识图谱输入到社区燃气系统动态风险评估模型，从而获取目标实体的风险等级及对社区燃气事故进行原因推理和事故后果动态预测；其中，所述社区燃气系统动态风险评估模型包括第一实体级注意力层、第一语义级注意力层、第二实体级注意力层、第二语义级注意层、实体分类层及关系预测层；其中，所述第一实体级注意力层的输出作为所述第一语义级注意力层的输入，所述第一语义级注意力层的输出作为所述第二实体级注意力层的输入，所述第二实体级注意力层的输出作为所述第二语义级注意层的输入，所述第二语义级注意层的输出分别作为所述实体分类层及所述关系预测层的输入；
所述将包含实体、实体特征及实体间关系的社区燃气系统知识图谱输入到社区燃气系统动态风险评估模型，从而获取目标实体的风险等级及对社区燃气事故进行原因推理和事故后果动态预测具体包括：
步骤101、将所述社区燃气系统知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述第一实体级注意力层，从而得到所述目标实体的第一实体特征嵌入向量；
步骤102、将所述第一实体特征嵌入向量输入到所述第一语义级注意力层，从而得到所述目标实体的第二实体特征嵌入向量；
步骤103、将所述第二实体特征嵌入向量输入到所述第二实体级注意力层，从而得到所述目标实体的第三实体特征嵌入向量；
步骤104、将所述第三实体特征嵌入向量输入到所述第二语义级注意力层，从而得到所述目标实体的第四实体特征嵌入向量；
步骤105、将所述第四实体特征嵌入向量输入到所述实体分类层，从而得到所述目标实体的风险等级；
步骤106、将包含所述目标实体的所述三元组中的两个实体的所述第四实体特征嵌入向量输入到所述关系预测层，通过计算三元组评分函数对所述两个实体进行关系预测，从而进行社区燃气事故原因推理和事故后果动态预测；
其中，所述第一实体特征嵌入向量和所述第三实体特征嵌入向量反映邻居实体对所述目标实体的影响，所述第二实体特征嵌入向量和所述第四实体特征嵌入向量反映语义路径对所述目标实体的影响；所述社区燃气系统知识图谱中两个实体和两个实体间的关系构成三元组，由所述三元组中两个相同类型实体或不同类型实体在不同的关系下组成的路径称为所述语义路径。
图3为本发明一实施例提供的社区燃气系统知识图谱示例图。本发明实施例提出了一种基于图神经网络的社区燃气系统动态风险评估方法。首先为了解决社区燃气系统的复杂场景构建问题，将知识图谱应用于社区燃气系统当中。通过构建的社区燃气系统知识图谱及社区燃气系统动态风险评估模型来进行社区燃气系统动态风险评估。社区燃气系统知识图谱包括包含实体、实体特征及实体间关系。所构建的社区燃气系统知识图谱中实体可以包含四大类，分别为：与燃气相关的各类人员、燃气设施、与燃气相关的单位以及考虑燃气系统发生事故后的事故类型，在每一种实体名称下包括多种实体类型；关系类型包括：连接、检修、属于、导致和使用等等。最后，利用图神经网络构建社区燃气系统动态风险评估模型，社区燃气系统动态风险评估模型包括顺次相连的第一实体级注意力层、第一语义级注意力层、第二实体级注意力层、第二语义级注意层及实体分类层。
模型首先通过实体级注意力机制和语义级注意力机制聚合目标实体及其邻居实体特征，获得目标实体新的特征嵌入向量，之后分别利用实体分类实现社区燃气系统的动态风险评估。实体分类根据实体特征的变化，计算实体新的特征嵌入向量，动态预测实体所处的风险等级，可以方便、直观、详细的了解社区燃气系统中每个燃气用户、管道及调压站/调压箱(柜)等所处的风险水平。
首先，在实体级注意力层提出实体级注意力机制，实体级注意力机制通过计算基于特定语义路径下目标实体的邻居实体重要性，并为它们分配不同的权重，以获得燃气系统知识图谱中目标实体基于某一特定语义路径下聚合其自身特征及该路径下邻居实体的特征，得到目标实体在该语义路径下的新的实体特征嵌入。如在所构建的社区燃气系统知识图谱示例中，当语义路径为“人->使用->燃气设施”下，与实体“燃气热水器2”存在“使用”关系的实体有“住户3”，“住户4”和“住户5”，其中“住户5”的特征有高龄老年人，安全用气的重视程度和熟悉程度比较低，因此“住户5”在使用“燃气热水器2”时更有可能对其发生操作不当而造成燃气事故发生，因此不同住户对“燃气热水器2”的风险影响程度不同，即在某一特定语义路径下，目标实体的不同邻居实体对目标实体的所分配的权重也不相同。
之后，在语义级注意力层，通过语义级注意力机制来区分目标实体在不同语义路径下的差异。语义级注意力机制通过计算实体在不同的语义路径下的重要性，并为其分配适当的权重，在实体级注意力机制的基础上，进一步得到实体在不同语义路径下的新的实体特征嵌入(实体特征嵌入向量)。如在所构建的社区燃气系统知识图谱中，实体类型“燃气设施”可能在不同的语义路径中，例如在“人->使用->燃气设施”、“人->检修->燃气设施”和“燃气设施->连接->燃气设施”等不同语义路径下，住户、检修人员和燃气连接管由于自身特征对于燃气热水器的风险影响也是各不相同的，即在不同的语义路径下，对于目标实体所分配的权重也不相同。为了得到更为精确的实体特征嵌入向量，本发明实施例中依次设置有第一实体级注意力层、第一语义级注意力层、第二实体级注意力层及第二语义级注意力层。用最终输出的第四实体特征嵌入向量输入到所述实体分类层，从而得到所述目标实体的风险等级。通过上述四个注意层的处理后，可以更好地聚合到目标实体的特征，再基于聚合后的实体特征进行分类，有利于提高风险评估的准确率。并且，本发明实施例的处理过程是可以根据知识图谱的变化(比如实体变化、实体特征变化等)而动态变化的，由此，可以实现动态的风险评估。
所述社区燃气系统动态风险评估模型还包括设置在所述第二语义级注意力层之后的关系预测层；所述方法还包括：将包含所述目标实体的所述三元组中的两个实体的所述第四实体特征嵌入向量输入到所述关系预测层，通过计算三元组评分函数对所述两个实体进行关系预测，从而进行燃气社区事故原因推理和事故后果动态预测。
关系预测层和实体分类层可以并列设置在第二语义级注意力层之后。模型首先通过实体级注意力机制和语义级注意力机制聚合目标实体及其邻居实体特征，获得目标实体新的特征嵌入向量，之后分别利用实体分类和关系预测实现社区燃气系统的动态风险评估。实体分类根据实体特征的变化，计算实体新的特征嵌入向量，动态预测实体所处的风险等级，可以方便、直观、详细的了解社区燃气系统中每个燃气用户、管道及调压站/调压箱(柜)等所处的风险水平；关系预测通过实体的特征嵌入变化，利用三元组评分函数动态预测两个实体间是否存在隐含关系，实现社区燃气事故的原因推理和事故后果动态预测，指导管理者和使用者针对社区燃气系统风险问题采取不同的管理策略和防范措施，保障社区居民的安全用气。
在所述将包含实体、实体特征及实体间关系的社区燃气系统知识图谱输入到社区燃气系统动态风险评估模型，从而获取目标实体的风险等级之前，所述方法还包括：综合社区燃气系统中各种燃气设施、社区各类人员及相关单位的可靠性以及由人的不安全行为、燃气设施不安全状态、相关单位管理的缺陷和环境要素共同作用而导致燃气事故发生的燃气事故事件链构建社区燃气系统风险评估指标体系；根据所述社区燃气系统风险评估指标体系和所述燃气事故事件链，确定所述社区燃气系统知识图谱的实体类型和实体特征，定义所述社区燃气系统知识图谱的实体类型间的连接关系确定关系类型，进而构建所述社区燃气系统知识图谱，实现所述社区燃气系统风险评估指标体系向所述社区燃气系统知识图谱的转换。
社区燃气系统一般包括多种类型的组成部分，如社区内各种燃气设施、与燃气相关的各类人员如燃气用户、检修人员、施工人员，发生事故后的消防人员等以及燃气管网中的埋地管道、架空管道等等，在燃气系统中他们之间存在各种各样的连接关系(如社区住户对燃气设施的使用关系，燃气设施与燃气设施在拓扑上的连接关系等等)，表明各组成部分之间存在相互影响关系。同时，社区燃气系统出现的风险问题，往往是由于社区人员的不安全行为、社区燃气设施的不安全状态、燃气相关单位在管理上的缺陷和环境因素共同作用最终导致燃气事故的发生。
为了构建知识图谱中的实体类型和实体特征，综合考虑社区燃气系统中各种燃气设施、社区各类人员及相关单位的可靠性以及考虑社区燃气系统存在的风险问题即由人的不安全行为、燃气设施的不安全状态、燃气相关单位管理的缺陷和环境要素共同作用而导致燃气事故发生的燃气事故事件链，建立了社区燃气系统风险评估指标体系。根据所构建的指标体系和燃气事故事件链确定知识图谱中实体类型和实体特征；同时定义实体间的多种连接关系，确定知识图谱中的关系类型，最终构建社区燃气系统的知识图谱，实现燃气系统指标体系向燃气系统知识图谱的转换。所构建的知识图谱中实体包含四大类，分别为：与燃气相关的各类人员、燃气设施、与燃气相关的单位以及考虑燃气系统发生事故后的事故类型，在每一种实体名称下包括多种实体类型；关系类型包括：连接、检修、属于、导致和使用等等。
社区燃气系统具有其组成特点和风险特点，在社区内燃气系统内除了燃气用户和户内各种燃气设施外，还建设有燃气埋地管道和架空管道，用于实现燃气向用户的传输；同时社区中还建设有燃气调压箱或调压柜，用于在不同的用户负荷下进行燃气管网中的压力调节，保证燃气管网中的压力在正常的范围内。另外，社区燃气系统的风险也具有其特点，据统计社区燃气系统的风险来源多为第三方施工破坏燃气埋地管道、管道腐蚀破裂、燃气用户对燃气设施的误操作或户内燃气用具超出使用年限、故障等原因引起燃气泄漏事故，进一步可能导致火灾、燃气爆炸等事故发生；或在通风条件较差的情况下，由于燃气燃烧不充分或管道煤气泄漏造成大量的CO聚集而导致人员中毒的事故。
为了构建社区燃气系统的复杂场景，将知识图谱用于社区燃气系统的场景构建。知识图谱本质上是一种语义网络，是基于图的数据结构，它由实体和边组成，实体表示现实世界中存在的事物，边表示实体之间的连接关系。为了确定知识图谱中实体类型和实体特征，根据上述社区燃气系统组成特点和风险特点即综合考虑社区燃气系统中各种燃气设施、社区各类人员及相关单位的可靠性以及社区燃气系统中由于人的不安全行为、燃气设施的不安全状态、燃气相关单位管理的缺陷和环境因素的共同作用而导致燃气事故发生的事件链，构建社区燃气系统风险评估的指标体系。
所述社区燃气系统风险评估指标体系包括一级指标、二级指标和三级指标。该指标体系包含了社区户内、调压箱/柜和燃气管道中各种燃气设施可靠性以及各类人员如燃气用户和检修人员和施工人员的可靠性。其中，所述一级指标包括户内燃气可靠性、调压箱柜可靠性、埋地管道可靠性以及架空管道可靠性；所述户内燃气可靠性下的所述二级指标包括燃气附件可靠性、户内燃气设施可靠性、燃气用户可靠性及户内检修人员可靠性；所述调压箱柜可靠性下的所述二级指标包括安全附属装置可靠性、调压器可靠性及调压箱柜检修人员可靠性；所述埋地管道可靠性下的所述二级指标包括管道自身可靠性、管道检修可靠性、第三方施工可靠性及管道防腐可靠性；所述架空管道可靠性下的所述二级指标包括架空管道自身可靠性、架空管道耐腐蚀可靠性及架空管道检修可靠性；所述燃气附件可靠性下的所述三级指标包括燃气报警器可靠性、燃气胶管可靠性及燃气阀门可靠性；所述户内燃气设施可靠性下的所述三级指标包括燃气表具可靠性、燃气灶具可靠性、燃气热水器可靠性、燃气壁挂炉可靠性及燃气油烟机可靠性；所述燃气用户可靠性下的所述三级指标包括燃气用户操作可靠性、燃气用户安全用气重视程度及燃气用户身心健康程度；所述户内检修人员可靠性下的所述三级指标包括检修人员可靠性及燃气公司可靠性；所述安全附属装置可靠性下的所述三级指标包括安全放散阀可靠性、安全切断阀可靠性、进出口阀门可靠性及调压箱警示标志可靠性；所述调压器可靠性下的所述三级指标包括调压箱箱体可靠性、调压器可靠性及过滤器可靠性；所述调压箱柜检修人员可靠性下的所述三级指标包括检修人员可靠性及燃气公司可靠性；所述管道自身可靠性下的所述三级指标包括埋地管道寿命可靠性及管道材质可靠性；所述管道检修可靠性下的所述三级指标包括检修人员可靠性及燃气公司可靠性；所述第三方施工可靠性下的所述三级指标包括施工单位可靠性、施工人员可靠性及燃气管道警示标志可靠性；所述管道防腐可靠性下的所述三级指标包括阴极保护可靠性、绝缘防腐层可靠性、杂散电流、土壤电阻率、土壤pH值、土壤含水率及管道所处安装环境；所述架空管道自身可靠性下的所述三级指标包括管道外保护层可靠性及管道材质可靠性；所述架空管道耐腐蚀可靠性下的所述三级指标包括管道所处安装环境及管道防腐层可靠性；所述架空管道检修可靠性下的所述三级指标包括检修人员可靠性及燃气公司可靠性。所构建的社区燃气系统风险评估指标体系如表1所示。
表1社区燃气系统风险评估指标体系
Figure BDA0002564088110000141
Figure BDA0002564088110000151
由所构建的指标体系中各类可靠性指标以及考虑社区燃气系统中燃气事故发生的事件链，分别构建实体类型和实体特征。最终确定社区燃气系统知识图谱中的实体名称包括四大类，分别为：与燃气相关的各类人员、社区内的各种燃气设施、与社区燃气系统相关的各个单位以及由燃气引起的各种事故类型。不同的实体下具有不同的实体类型，具体为，各类人员＝{社区住户、检修人员、施工人员、消防人员}；燃气设施＝{调压箱箱体、调压箱/柜附属安全阀门、过滤器、调压器、调压箱进出口阀门和警示标志、埋地管段、架空管段、燃气胶管、燃气阀门、燃气表具、燃气热水器连接管、燃气灶具、燃气热水器、燃气油烟机、燃气壁挂炉、燃气报警器和电磁阀}；相关单位＝{检修人员所在的燃气公司、燃气用户、施工人员所在的施工单位}；事故类型＝{燃气泄漏、燃气爆炸、CO聚集}。同时定义了知识图谱中实体与实体间的连接关系，构建了社区燃气系统的知识图谱，实现了由社区燃气系统风险评估指标体系到社区燃气系统知识图谱的转换。关系集合＝{使用、连接、居住、检修、导致、灭火、属于、就职、施工、误操作、人为故意}。
实体特征具体为：各类人员特征＝{有无正当职业，文化程度，经济状况，有无犯罪前科，有无精神疾病或心理问题、有无突发疾病，安全用气/操作重视程度，安全用气/操作知识熟悉程度，工龄，就医状态及出现症状}等，针对不同类型的人员，具有不同的特征。
燃气设施特征＝{服务年限，绝缘防腐层完整度，腐蚀程度，设施安装距离是否正常，品牌质量口碑，设施材质，检修频率，设施是否存在变形或破损情况，设施安装位置通风是否良好}等，针对不同类型的燃气设施，具有不同的特征。
相关单位的特征分别为，燃气用户特征＝{是否存在管道气与罐装气混用，燃气设施附近是否存放有易燃易爆物品，通风较差的房间是否安装有机械通风装置，是否存在私改燃气设施行为}；燃气公司特征＝{是否有完善的安全管理制度和健全的经营方案，是否具备燃气事故抢险抢修能力，是否定期对企业各类人员进行专业培训并经省燃气主管部门考核合格，是否对外有全面的联系方式，是否经常在社区举办安全用气宣传教育}；施工单位特征＝{施工前是否与燃气公司协调确定地下燃气管道位置，是否及时向上级管理单位上报施工动向，是否定期对施工人员进行专业培训，是否严格按照政策法规体系及实施办法进行施工}。
事故类型的特征分别为，燃气泄漏＝{影响用户用气程度，泄漏是否为煤气，泄漏是否发生在受限空间，泄漏发生位置是否易产生潜在点火源}；燃气爆炸＝{人员死伤程度，房屋损坏程度，影响用户用气程度，是否存在其他易燃易爆物品}；CO聚集＝{人员死伤程度}。
社区燃气系统知识图谱中实体的详细特征如下表2所示。
表2社区燃气系统知识图谱实体类型和实体特征
Figure BDA0002564088110000161
Figure BDA0002564088110000171
Figure BDA0002564088110000181
Figure BDA0002564088110000191
Figure BDA0002564088110000201
通过基于综合考虑影响社区燃气系统风险的各种因素构建社区燃气系统风险评估指标体系，进而构建社区燃气系统知识图谱，从而提供内容完整、适应实际需求的社区燃气系统知识图谱，进一步通过将社区燃气系统知识图谱输入到区燃气系统动态风险评估模型进行社区燃气系统动态风险评估及社区燃气事故的原因推理和事故后果动态预测，显著提高了风险评估及动态预测的准确率。
本发明实施例通过获取目标实体的风险等级及进行社区燃气事故的原因推理和事故后果动态预测，实现了社区燃气系统动态风险评估，并且提高了风险评估的准确率。
图4是本发明一实施例提供的第一实体级注意力层的结构示意图。进一步地，基于上述实施例，所述第一实体级注意力层包括K个实体级注意力机制，所述将所述社区燃气系统知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述第一实体级注意力层，从而得到所述目标实体的第一实体特征嵌入向量，包括：
通过包含学习参数的特征转换权值矩阵的映射操作，将所述社区燃气系统知识图谱中不同类型实体的实体特征映射到同一空间；
引入实体级注意力机制，通过对某一语义路径下目标实体和一阶邻居实体间特征的拼接操作，计算在所述语义路径下的不同一阶邻居实体对目标实体的第一实体注意力系数；
利用softmax函数对所述第一实体注意力系数进行归一化处理；
归一化处理后的所述第一实体注意力系数与在所述语义路径下对应的一阶邻居实体的实体特征进行乘积运算，然后将运算结果求和，再通过非线性激活函数分别得到K个实体级注意力机制下所述目标实体的输出特征嵌入向量，将各个所述输出特征嵌入向量进行拼接操作，进而得到在各个语义路径下的所述第一实体特征嵌入向量；
所述第一实体特征嵌入向量的计算公式为：
Figure BDA0002564088110000211
式中，
Figure BDA0002564088110000212
即为所述第一实体特征嵌入向量；ELU表示非线性激活函数；k表示所述实体级注意力机制的序号；||表示所述拼接操作，
Figure BDA0002564088110000213
表示在某一语义路径Φx下由第k个实体级注意力机制计算和归一化后得到邻居实体j对于目标实体i的所述第一实体注意力系数，
Figure BDA0002564088110000214
表示在第k个实体级注意力机制下包含学习参数的特征转换权值矩阵；
Figure BDA0002564088110000215
为某一邻居实体j的所述实体特征；
Figure BDA0002564088110000216
为邻居实体j经所述映射操作后得到的特征向量；
Figure BDA0002564088110000217
为在某一语义路径Φx下目标实体i的所述一阶邻居实体的集合。
为了获得在实体间的影响关系下目标实体新的特征嵌入向量，设计了实体级注意力层和语义级注意力层，根据目标实体特征及其相邻实体的特征，利用注意力机制分配权重并进行特征聚合，得到目标实体新的特征嵌入。最后将目标实体新的特征嵌入分别利用实体分类层和三元组评分函数进行实体分类和关系预测。其中实体分类根据实体新的特征嵌入的变化，动态预测实体所处的风险等级；关系预测利用实体新的特征嵌入向量，动态预测两个实体间是否存在隐含关系，实现社区燃气事故原因推理和事故后果的动态预测。首先对部分变量和概念进行定义。
定义1：社区燃气系统知识图谱由G＝(E,R)表示，其中E＝{e1,e2,......,eN}和R＝{r1,r2,......,rD}分别表示所构建知识图谱中的实体集合和关系类型集合。其中N表示实体个数，D表示燃气系统知识图谱中的关系类型个数。知识图谱中的实体类型集合为
Figure BDA0002564088110000221
Q表示实体类型的数量，从表2可知Q＝28。
定义2：实体和关系可以组成三元组，三元组的形式为Triple＝(eh,rd,et)，三元组表示某两个实体eh和et之间的关系类型为rd。
定义3：根据表2中各实体类型对应的实体特征，构建社区燃气系统知识图谱的实体特征向量集合，用
Figure BDA0002564088110000222
i∈[1,N]表示，其中Fi表示知识图谱中实体i的特征维数。如表2所示，不同的实体类型具有不同的特征，即不同的实体类型具有不同的特征空间。
定义4：三元组中由相同类型实体或不同类型实体在不同的关系下组成的路径称为语义路径，如“人->检修->燃气设施”，“人->使用->燃气设施”，“燃气设施->导致->事故类型”，“燃气设施->连接->燃气设施”等等，即在不同的语义路径下实体具有不同的语义信息。语义路径集合表示为φ＝{φ1,Φ2,......,φP}，其中P为总的语义路径个数，且P＝11；φx表示某一特定的语义路径。
在第一个实体级注意力层(第一实体级注意力层)中，不同实体类型的实体特征处于不同的特征向量空间中，为了将知识图谱中不同类型实体的特征映射到同一特征空间中，需要根据目标实体输入的特征数据进行一次线性变换得到映射高维后的特征向量，因此首先定义一个可学习参数的特征转换权值矩阵(包含学习参数的特征转换权值矩阵)，表示为
Figure BDA0002564088110000223
通过转换矩阵的映射操作，可以得到在任意实体类型下的特征聚合的向量运算，计算公式为：
Figure BDA0002564088110000231
式中，
Figure BDA0002564088110000232
表示目标实体i的原始特征向量，
Figure BDA0002564088110000233
表示目标实体i经映射后得到的新的特征向量，
Figure BDA0002564088110000234
表示目标实体i所属实体类型，F'表示实体特征的最大数量，由表2可知，社区住户的实体特征是最多的为14个，因此F'＝14。
接下来引入实体级注意力机制，学习在特定语义路径下目标实体和邻居实体间的权重，其作用是能够更好地学习到与相邻实体特征之间的依赖关系。同时对于知识图谱中目标实体仅将实体级注意力机制分配到与目标实体具有直接关系的邻居实体，即一阶邻居实体集合上来计算注意力系数以获得实体新的特征嵌入。第一实体注意力系数计算公式为：
Figure BDA0002564088110000235
式中，上标l(1)表示相应的参数对应于第一实体级注意力层或第一语义级注意力层，
Figure BDA0002564088110000236
分别表示目标实体i和某一邻居实体j经映射后特征向量，||表示连接运算符号即将
Figure BDA0002564088110000237
的结果进行拼接，φx表示某一个语义路径。那么在语义路径φx下，经拼接运算后目标实体i和邻居实体j之间的第一实体注意力系数为
Figure BDA0002564088110000238
表示目标实体i的邻居实体j对于实体i的重要性，式中第一实体注意力系数只与目标实体i及其具有直接关系的邻居实体j有关，因此可以忽略知识图谱的图结构信息，便于在新的知识图谱上应用已经构建完成的社区燃气系统风险评估模型。其中，
Figure BDA0002564088110000239
为了使得第一实体注意力系数更容易计算和便于比较，利用softmax函数对目标实体i的所有邻居实体j的注意力系数进行归一化，公式为：
Figure BDA0002564088110000241
式中
Figure BDA0002564088110000242
为在语义路径φx下目标实体i包括其自身在内的所有一阶邻居实体的集合。将注意力机制a作为一个单层的前馈神经网络，并在该神经网络中增加连接层与层之间的可学习参数的权值向量
Figure BDA0002564088110000243
T表示矩阵的转置。同时在该前馈神经网络的输出层上还加入了LeakyReLu函数作为非线性的激活函数。该公式表示在第一个实体级注意力层中，
Figure BDA0002564088110000244
是在
Figure BDA0002564088110000245
的基础上进行归一化后得到在特定语义路径φx下邻居实体j对于目标实体i的注意力系数。
上式运算结果得到了归一化后的不同实体之间的注意力系数，使用新的注意力系数计算对应特征的线性组合，作为知识图谱中目标实体i的输出特征嵌入向量，公式为：
Figure BDA0002564088110000246
式中，
Figure BDA0002564088110000247
经第一个实体级注意力层中的注意力机制计算后得到目标实体i在特定语义路径φx下的新的实体特征嵌入向量，ELU表示非线性激活函数。最后为了增大模型的容量，将多个实体级注意力机制进行结合，通过将多个计算结果进行拼接操作获得
Figure BDA0002564088110000248
最终的输出，公式为：
Figure BDA0002564088110000249
式中，k示共有K个实体级注意力机制，||为连接符号，
Figure BDA00025640881100002410
表示在某一语义路径φx下由第k个实体级注意力机制计算得到邻居实体j对于目标实体i的注意力系数，
Figure BDA00025640881100002411
表示在第k个实体级注意力机制下包含学习参数的特征转换权值矩阵，
Figure BDA00025640881100002412
表示目标实体i经过第一个实体级注意力机制后得到新的实体特征嵌入向量(第一实体特征嵌入向量)。
已知的语义路径集合为φ＝{φ1,φ2,......,φP}，经过第一个实体级注意力机制层后，可以得到实体在P组在不同语义路径下某个实体的特征嵌入集合
Figure BDA0002564088110000251
并将其作为第一语义级注意力层的输入。
在上述实施例的基础上，本发明实施例通过给出第一实体级注意力层得出第一实体特征嵌入向量的具体过程，进一步提高了实用性。
图5是本发明一实施例提供的第一语义级注意力层的结构示意图。进一步地，基于上述实施例，所述将所述第一实体特征嵌入向量输入到所述第一语义级注意力层，从而得到所述目标实体的第二实体特征嵌入向量，包括：
引入语义级注意力机制，通过非线性转换及包括学习参数的第一语义级注意力向量计算所述目标实体在不同语义路径下的第一语义注意力系数；
利用softmax函数对所述第一语义注意力系数进行归一化处理；
通过将归一化处理后的所述第一语义注意力系数和所述第一实体特征嵌入向量进行乘积运算得到融合结果，再将不同语义路径下的所述融合结果求和，得到所述第二实体特征嵌入向量；所述第二实体特征嵌入向量的计算公式为：
Figure BDA0002564088110000252
式中，
Figure BDA0002564088110000253
即为所述第二实体特征嵌入向量；
Figure BDA0002564088110000254
即为在语义路径
Figure BDA0002564088110000255
下经语义级注意力机制进行计算和归一化后得到的所述第一语义注意力系数；P表示所述语义路径的数量；s表示所述语义路径的序号。
在第一个实体级注意力机制的基础上，为了进一步得到实体在不同语义路径下的新的实体特征嵌入，在第一个语义级注意力层(第一语义级注意力层)加入了语义级注意力机制，利用实体级注意力层的输出
Figure BDA0002564088110000256
作为语义级注意力层输入，可以学习得到不同语义路径的权重。
为了得到实体在每个语义路径下的重要性，首先通过非线性转换来转换在特定的语义路径下的实体的特征嵌入。同时利用可学习参数的第一语义级注意力向量
Figure BDA0002564088110000261
(包括学习参数的第一语义级注意力向量)来计算在不同语义路径下的第一语义注意力系数。具体公式为：
Figure BDA0002564088110000262
式中，1/|E|＝N表示总的实体个数，Wsem l(1)∈RF'×KF'为非线性转换的输入层到隐含层的权值矩阵，tanh为激活函数，
Figure BDA0002564088110000263
为可学习参数的语义级注意力向量，
Figure BDA0002564088110000264
为偏差向量，
Figure BDA0002564088110000265
为特定语义路径φx的第一语义注意力系数。该公式的含义为在知识图谱中以φx作为语义路径下的所有实体，利用这些实体经实体级注意力层计算后得到的新的实体特征嵌入，作为第一个语义级注意力层的输入，求得在语义路径φx下的第一语义注意力系数
Figure BDA0002564088110000266
与第一实体注意力系数一致，为了使得第一语义注意力系数更容易计算和便于比较，利用softmax函数对所求得的第一语义注意力系数进行归一化，公式为：
Figure BDA0002564088110000267
Figure BDA0002564088110000268
即为在第一个语义级注意力层中经注意力机制进行归一化得到的语义路径φx的第一语义注意力系数。之后，将经第一个实体级注意力层后计算得到的实体特征嵌入(第一实体特征嵌入向量)与特定于语义注意力系数进行融合，获得经第一个实体级和语义级注意力层后，目标实体特征嵌入向量(第二实体特征嵌入向量)。公式为：
Figure BDA0002564088110000271
式中，
Figure BDA0002564088110000272
即为经过第一实体级注意力层和第一语义级注意力层的计算后，得到的目标实体i新的特征嵌入向量。
在上述实施例的基础上，本发明实施例通过给出第一语义级注意力层得出第二实体特征嵌入向量的具体过程，进一步提高了实用性。
图6是本发明一实施例提供的第二实体级注意力层的结构示意图。进一步地，基于上述实施例，所述将所述第二实体特征嵌入向量输入到所述第二实体级注意力层，从而得到所述目标实体的第三实体特征嵌入向量，包括：
在某一语义路径下，分别利用包含学习参数的特征映射矩阵对目标实体和一阶邻居实体进行特征映射，然后将特征映射的结果进行拼接，计算在所述语义路径下的不同一阶邻居实体的第二实体注意力系数；
利用softmax函数对所述第二实体注意力系数进行归一化处理；
通过将归一化处理后的所述第二实体注意力系数和所述第二实体特征嵌入向量及所述包含学习参数的特征映射矩阵进行乘积运算，然后将运算结果求和，再通过非线性激活函数得到在各个语义路径下的所述第三实体特征嵌入向量；所述第三实体特征嵌入向量的计算公式为：
Figure BDA0002564088110000273
式中，
Figure BDA0002564088110000274
即为所述第三实体特征嵌入向量；ELU表示非线性激活函数；
Figure BDA0002564088110000275
表示在某一语义路径φx下由实体级注意力机制计算和归一化后得到邻居实体j对于目标实体i的所述第二实体注意力系数；Wgas'为包含学习参数的特征映射矩阵；
Figure BDA0002564088110000276
表示对应于邻居实体j的所述第二实体特征嵌入向量。
为了将目标实体的特征进行进一步的嵌入，类似的，通过第二个实体级和语义级注意力层进行目标实体的特征聚合。通过第二个实体级注意力层(第二实体级注意力层)进行目标实体的特征聚合的过程具体为：
Figure BDA0002564088110000281
利用第一个语义级注意力层得到目标实体i的特征嵌入作为第二个实体级注意力层的输入，计算第二实体级注意力系数
Figure BDA0002564088110000282
式中
Figure BDA0002564088110000283
为第二个实体级注意力层的可学习参数的特征映射矩阵(包含学习参数的特征映射矩阵)。进行归一化的公式为：
Figure BDA0002564088110000284
式中
Figure BDA0002564088110000285
为第二个实体级注意力机制的可学习权值矩阵，
Figure BDA0002564088110000286
即在第二个实体级注意力层中归一化后得到在特定语义路径φx下邻居实体j对于目标实体i的注意力系数。则经第二个实体注意力层后，目标实体i的特征嵌入(第三实体特征嵌入向量)为：
Figure BDA0002564088110000287
式中，
Figure BDA0002564088110000288
即为经第二个实体级注意力层后目标实体i的特征嵌入。
在上述实施例的基础上，本发明实施例通过给出第二实体级注意力层得出第三实体特征嵌入向量的具体过程，进一步提高了实用性。
图7是本发明一实施例提供的第二语义级注意力层的结构示意图。进一步地，基于上述实施例，所述将所述第三实体特征嵌入向量输入到所述第二语义级注意力层，从而得到所述目标实体的第四实体特征嵌入向量，包括：
引入语义级注意力机制，通过非线性转换及包括学习参数的第二语义级注意力向量计算所述目标实体在不同语义路径下的第二语义注意力系数；
利用softmax函数对所述第二语义注意力系数进行归一化处理；
通过将所述第二语义注意力系数和所述第三实体特征嵌入向量进行乘积运算得到融合结果，再将不同语义路径下的所述融合结果求和，得到所述第四实体特征嵌入向量；所述第四实体特征嵌入向量的计算公式为：
Figure BDA0002564088110000291
式中，
Figure BDA0002564088110000292
即为所述第四实体特征嵌入向量；
Figure BDA0002564088110000293
即为在语义路径
Figure BDA0002564088110000294
下经语义级注意力机制进行计算和归一化得到所述第二语义注意力系数；P表示所述语义路径的数量；s表示所述语义路径的序号。
在第二个语义级注意力层中，第二语义注意力系数计算公式为：
Figure BDA0002564088110000295
式中，
Figure BDA0002564088110000296
为第二个语义级注意力层中非线性转换的输入层到隐含层的权值矩阵，tanh为激活函数，
Figure BDA0002564088110000297
可学习参数的语义级注意力向量(包括学习参数的第二语义级注意力向量)，
Figure BDA0002564088110000298
为偏差向量，
Figure BDA0002564088110000299
为第二个语义级注意力机制在特定语义路径φx的语义注意力系数。归一化后：
Figure BDA00025640881100002910
将经第二个实体级注意力层后计算得到的实体特征嵌入(第三实体特征嵌入向量)与特定于语义注意力系数进行融合，获得经第二个实体级和语义级注意力层后得到目标实体特征嵌入向量(第四实体特征嵌入向量)。公式为：
Figure BDA00025640881100002911
最终得到第二个实体级和语义级注意力层后目标实体i的特征嵌入
Figure BDA0002564088110000301
在上述实施例的基础上，本发明实施例通过给出第二语义级注意力层得出第四实体特征嵌入向量的具体过程，进一步提高了实用性。
因此为了获得目标实体的最终特征嵌入，分别利用了两个实体级和语义级注意力层。具体公式为：
Figure BDA0002564088110000302
Figure BDA0002564088110000303
式中，l(1)、l(2)分别表示在第一个和第二个实体级和语义级注意力层。在第一个实体级和语义级注意力层中，可以将实体级注意力机制的个数设为8个，即K＝8；在第二个实体级和语义级注意力层中，只采用一个实体级注意力机制。经过上述公式的计算，目标实体i经映射和第一个实体级和语义级注意力层后，其特征嵌入从
Figure BDA0002564088110000304
经第二个实体级和语义级注意力层后，目标实体i的特征嵌入从
Figure BDA0002564088110000305
本实施例中K＝8，F＇＝14，P＝11。同样的，针对所构建知识图谱中每一个实体都可以进行上述运算，得到该实体新的特征嵌入向量。
图8是本发明一实施例提供的实体分类层的结构示意图。进一步地，基于上述实施例，所述第四实体特征嵌入向量的向量维度为社区燃气系统风险评估的评价集合中风险等级类别数量；所述将所述第四实体特征嵌入向量输入到所述实体分类层，从而得到所述目标实体的风险等级，包括：
利用softmax函数作为实体分类层激活函数，对所述第四实体特征嵌入向量进行归一化处理，得到所述目标实体属于所述社区燃气系统风险评估的评价集合中各个风险等级的概率值，根据所述概率值判断所述目标实体的风险等级；风险等级的概率值的计算公式为：
Figure BDA0002564088110000311
式中，
Figure BDA0002564088110000319
即为根据目标实体i所述第四实体特征嵌入向量，经实体分类层后得到其属于某一风险等级的概率值，r∈[1,Cn]表示所述风险评估的评价集合中各风险等级的序号，Cn表示风险等级的数量；
Figure BDA0002564088110000312
为目标实体i的所述第四实体特征嵌入向量中某一行的特征值，满足
Figure BDA0002564088110000313
其中，所述实体分类层利用实体分类交叉熵损失函数对所有带标签的数据和预测结果进行对比，并利用梯度下降法进行半监督学习训练所述第一实体级注意力层、第一语义级注意力层、第二实体级注意力层和第二语义级注意力层中的所述学习参数。
为了实现社区燃气系统知识图谱中实体的风险等级评估，设计了实体分类层。令
Figure BDA0002564088110000314
中的Cn等于社区燃气系统风险评估的评价集合中风险等级类别数量，定义其风险评价集合为{低，较低，中等，较高，高}；同时对于事故类型的实体，评价集合为后果严重性等级，后果严重性评价集合为{轻微，一般，较严重，严重，灾难性}，因此Cn＝5。为了实现实体分类，利用softmax函数作为分类层激活函数，由经实体级和语义级注意层得到的目标实体i的特征嵌入向量
Figure BDA0002564088110000315
作为实体分类层的输入，得到其属于各风险等级的概率值。softmax进行归一化的公式为：
Figure BDA0002564088110000316
式中，
Figure BDA0002564088110000317
为目标实体i的所述第四实体特征嵌入向量中某一行的特征值，满足
Figure BDA0002564088110000318
为根据目标实体i新的特征向量，经实体分类层后得到目标实体i属于某一风险等级的概率值。取概率值较大的风险等级用于风险评价。
利用交叉熵损失函数对所有带标签的数据和预测结果进行对比。
交叉熵损失函数公式为：
Figure BDA0002564088110000321
实体分类层利用梯度下降法进行半监督学习方法训练所有实体级和语义级注意力层中的可学习参数。
式中yL是带标签实体组成的集合，l表示带标签实体的序号，即将所构建的知识图谱数据集中部分实体特征数据作为训练数据集，利用专家经验知识对训练集中部分实体进行风险评估，确定其风险等级并组成集合，即带标签实体组成的集合。
Figure BDA0002564088110000322
是带标签实体所属风险等级的真实值，
Figure BDA0002564088110000323
是经实体分类层对带标签实体属于风险等级的概率的预测值，利用实体分类交叉熵损失函数La计算带标签实体真实风险等级与预测结果之间的差异，并利用梯度下降法对第一实体级注意力层、第一语义级注意力层、第二实体级注意力层、第二语义级注意力层中所有学习的参数进行训练。最终训练完成的实体级、语义级注意力层和实体分类层即可实现实体的特征聚合并对聚合后的实体进行实体分类，获得目标实体的风险等级。
当目标实体特征发生变化后，首先通过已训练完成的实体级和语义级注意力层可以计算得到目标实体新的特征嵌入向量，并利用实体分类层进行分类，动态预测出目标实体的分类标签，即根据聚合后的实体特征得到该实体当前所处的风险等级，动态预测各个实体所处的风险等级。
对于所构建的社区燃气系统知识图谱，实体包含有各类人员，燃气设施，燃气相关单位和事故类型，通过目标实体新的特征嵌入向量对实体进行分类实现风险评估。当实体特征变化时，利用已训练的模型可以得到目标实体新的特征嵌入，并进行分类，实现实体风险等级的动态预测。具体为：实体为燃气相关人员、燃气设施和燃气相关单位的实体，根据其自身特征和邻居实体的特征，利用实体分类模型将实体的风险等级划分为：低风险、较低风险、中等风险、较高风险和高风险五种等级。
实体为事故类型时，将后果严重性划分为：轻微、一般、较严重、严重和灾难性五种后果严重性等级。
在上述实施例的基础上，本发明实施例通过给出实体分类层进行风险等级评估的具体过程，进一步提高了实用性。
图9是本发明一实施例提供的关系预测层的结构示意图。进一步地，基于上述实施例，所述方法还包括：在所述关系预测层，利用三元组中包含的两个实体的所述第四实体特征嵌入向量构建有效三元组和无效三元组集合作为三元组评分函数的输入，通过关系预测交叉熵损失函数计算有效三元组和无效三元组的评分差异，利用Adam梯度下降法进行有监督学习训练三元组评分函数的参数，最终利用训练完成的三元组评分函数实现实体间的关系预测；其中，无效三元组是通过对有效三元组中的其中一个实体替换为其他实体得到的；所述三元组评分函数的计算公式为：
Figure BDA0002564088110000331
式中，f(eh,rd,et)即表示某两个实体eh和et在关系rd下经所述三元组评分函数计算得到的结果；
Figure BDA0002564088110000332
是经所述实体分类交叉熵损失函数训练后经实体级和语义级注意力层计算得到的实体eh和实体et的所述第四实体特征嵌入向量；
Figure BDA0002564088110000333
表示第
Figure BDA0002564088110000334
个滤波器；M为滤波器个数的超参数；*表示卷积运算；WRelation为包含学习参数的特征转换权值矩阵；T表示转置运算；ReLU表示非线性激活函数。
对于所构建的社区燃气知识图谱，实体间往往存在一些隐含的关系，利用关系预测可以找到这种隐含的关系。如针对燃气事故原因推理和事故后果预测，在社区燃气系统复杂场景中，一旦发生燃气事故，事故发生原因往往难以确定，因此在已构建的社区燃气知识图谱利用关系预测算法，可以根据知识图谱中的实体特征和连接关系推理出燃气事故的发生原因，同时也可以根据实体特征的变化，动态预测实体未来可能导致的燃气事故类型。关系预测的详细步骤如下。
所构建关系预测模型的目的是定义一个三元组评分函数f，为知识图谱中的每个三元组Triple＝(eh,rd,et)给出一个不可信的分数，使得有效的三元组得到的分数低于无效的三元组分数。
利用卷积神经网络构造三元组评分函数，并使用不同的卷积滤波器来生成不同的特征映射。三元组评分函数的表达式为：
Figure BDA0002564088110000341
式中，
Figure BDA0002564088110000342
是经实体分类交叉熵损失函数训练后的两个实体级和语义级注意力层计算得到的实体eh和et第四实体特征嵌入向量，
Figure BDA0002564088110000343
表示第
Figure BDA0002564088110000348
个滤波器，M为滤波器个数的超参数，*表示卷积运算，
Figure BDA0002564088110000344
为线性转换的权值矩阵，f(eh,rd,et)即表示某两个实体eh和et在关系rd下经三元组评分函数计算得到的结果。同时为了训练模型参数，将三元组划分为有效三元组集合T和无效三元组集合T'，其中无效三元组集合表示为：T'＝{(e'h,rd,et)|e'h∈E\eh}∪{(eh,rd,e't)|e't∈E\et}，即无效三元组为分别替换实体eh或et的特征嵌入为其他实体特征后组成的三元组实体特征集合。
最后，利用损失函数计算有效三元组和无效三元组之间的差异，损失函数公式为：
Figure BDA0002564088110000345
式中，||WRelation||2表示给线性转换的权值矩阵WRelation加入了L2正则化，γ为正则化系数，该公式满足：若(eh,rd,et)∈T，则
Figure BDA0002564088110000346
若(eh,rd,et)∈T'，则
Figure BDA0002564088110000347
为了实现关系预测三元组评分函数的参数训练，利用在经实体分类交叉熵损失函数La训练完成的实体级注意力层和语义级注意力层，计算所构建知识图谱数据集中实体特征嵌入向量，并利用实体特征构建的有效和无效三元组的特征矩阵集合作为关系预测的训练数据集，最终通过关系预测交叉熵损失函数Lb计算有效三元组和无效三元组的评分差异，利用Adam梯度下降法进行有监督学习训练三元组评分函数的参数，最终利用训练完成的三元组评分函数实现实体间的关系预测。
利用已训练完成的三元组评分函数，当实体特征变化后，通过实体级和语义级注意力层计算得到实体新的特征嵌入，作为三元组评分函数的输入，动态预测两个实体间是否存在关系或是否存在某种隐含关系，实现燃气事故原因的推理和事故后果的动态预测。适用场景示例如下。
①燃气热水器CO中毒事件分析：
场景一：在某社区1号楼3单元201分别有住户3(男性)、住户4和住户5(都为女性)。其中住户4和住户5因为使用燃气热水器而就医，根据住户就医时的症状(头晕、意识不清)和燃气热水器所处环境通风条件较差等特征，推断出是由于住户在使用燃气热水器时在封闭空间燃气的不充分燃烧造成大量的CO聚集，导致了住户中毒就医。
②户内燃气爆炸事故原因推理分析：
场景二：在某社区1号楼3单元101中住户1为女性，住户2为男性，所有燃气设施都处于正常状态，其中平时只有住户1使用燃气灶，而住户1和住户2都因燃气爆炸就医，消防人员还进行了灭火。根据住户1的年龄较大，不重视安全用气等特征推断其是由于误操作在使用燃气灶时导致了燃气爆炸事故的发生。或根据住户1近期的感情状况较差、经济状况一般且具有心理问题判断其具有自杀倾向，人为故意操作导致了事故发生。
③第三方施工破坏燃气管道事故分析：
场景三：社区埋地燃气管段1处发生了燃气爆炸事故，通过事故发生时管段附近存在第三方施工，且该施工单位施工前未与燃气公司进行详细沟通，且管段1的警示标志信息缺失，事故发生导致了施工人员受伤，由此推断该事故是由于第三方施工时破坏燃气管道时导致了燃气爆炸事故。
④由燃气设施特征推理未来其可能发生事故：
场景四：社区埋地燃气管段2，检修人员和警示标志的特征都处于正常水平，而针对管段2其特征变为检修频率较低，埋地土壤腐蚀性一直增强，同时管段2由于服务年限增加抗腐蚀性下降，推断出该管段可能导致燃气泄漏事故发生。
⑤调压箱检修人员误操作引发燃气爆炸事故推理：
检修人员4对调压箱中各组件进行检修时，发生了燃气爆炸事故且导致检修人员受伤。该检修人员的特征有工龄较低，安全操作知识熟悉程度一般等，同时调压器1密封件有老化变形，推理出由于检修人员4在更换调压器1密封件时由于误操作而导致了事故发生。
在上述实施例的基础上，本发明实施例通过给出关系预测层进行社区燃气事故原因推理和事故后果动态预测的具体过程，进一步提高了实用性。
图10是本发明一实施例提供的社区燃气系统动态风险评估模型的结构示意图。利用如图10所示的社区燃气系统动态风险评估模型进行动态风险评估的算法流程如表3所示：
表3社区燃气系统动态风险评估模型算法流程
Figure BDA0002564088110000361
Figure BDA0002564088110000371
Figure BDA0002564088110000381
图11是本发明另一实施例提供的基于图神经网络的社区燃气系统动态风险评估方法流程图。为了构建知识图谱中的实体类型和实体特征，综合考虑社区燃气系统中各种燃气设施、社区各类人员及相关单位的可靠性以及考虑社区燃气系统存在的风险问题即由人的不安全行为、燃气设施的不安全状态、燃气相关单位管理的缺陷和环境要素共同作用而导致燃气事故发生的事件链，建立了社区燃气系统风险评估指标体系。根据所构建的指标体系和燃气事故事件链确定知识图谱中实体类型和实体特征；同时定义实体间的多种连接关系，确定知识图谱中的关系类型，最终构建社区燃气系统的知识图谱，实现燃气系统指标体系向燃气系统知识图谱的转换。所构建的知识图谱中实体包含四大类，分别为：与燃气相关的各类人员、燃气设施、与燃气相关的单位以及考虑燃气系统发生事故后的事故类型，在每一种实体名称下包括多种实体类型；关系类型包括：连接、检修、属于、导致和使用等等。最后，利用图神经网络构建社区燃气系统动态风险评估模型。模型首先通过实体级注意力机制和语义级注意力机制聚合目标实体及其邻居实体特征，获得目标实体新的特征嵌入向量，之后分别利用实体分类和关系预测实现社区燃气系统的动态风险评估。实体分类根据实体特征的变化，计算实体新的特征嵌入向量，动态预测实体所处的风险等级，可以方便、直观、详细的了解社区燃气系统中每个燃气用户、管道及调压站/调压箱(柜)等所处的风险水平；关系预测通过实体的特征嵌入变化，利用三元组评分函数动态预测两个实体间是否存在隐含关系，实现社区燃气事故的原因推理和事故后果动态预测，指导管理者和使用者针对社区燃气系统风险问题采取不同的管理策略和防范措施，保障社区居民的安全用气。
图12是本发明一实施例提供的基于图神经网络的社区燃气系统动态风险评估装置的结构示意图。如图12所示，所述装置包括社区燃气系统知识图谱构建模块1和风险评估模块2，其中：
社区燃气系统知识图谱构建模块1用于基于由人的不安全行为、燃气设施不安全状态、燃气相关单位管理的缺陷和环境要素共同作用而导致燃气事故发生的燃气事故事件链构建社区燃气系统风险评估指标体系；根据所述社区燃气系统风险评估指标体系确定社区燃气系统知识图谱的实体类型和实体特征，并定义实体间连接关系从而构建社区燃气系统知识图谱，实现所述社区燃气风险评估指标体系向所述社区燃气系统知识图谱的转换；
风险评估模块2用于将包含实体、实体特征及实体间关系的社区燃气系统知识图谱输入到社区燃气系统动态风险评估模型，从而获取目标实体的风险等级及对社区燃气事故进行原因推理和事故后果动态预测；其中，所述社区燃气系统动态风险评估模型包括第一实体级注意力层、第一语义级注意力层、第二实体级注意力层、第二语义级注意层、实体分类层及关系预测层；其中，所述第一实体级注意力层的输出作为所述第一语义级注意力层的输入，所述第一语义级注意力层的输出作为所述第二实体级注意力层的输入，所述第二实体级注意力层的输出作为所述第二语义级注意层的输入，所述第二语义级注意层的输出分别作为所述实体分类层及所述关系预测层的输入；；
风险评估模块2包括第一实体级分类层处理模块100、第一语义级分类层处理模块200、第二实体级分类层处理模块300、第二语义级分类层处理模块400、实体分类模块500及关系预测模块600，其中：
第一实体级分类层处理模块100用于将所述社区燃气系统知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述第一实体级注意力层，从而得到所述目标实体的第一实体特征嵌入向量；第一语义级分类层处理模块200用于将所述第一实体特征嵌入向量输入到所述第一语义级注意力层，从而得到所述目标实体的第二实体特征嵌入向量；第二实体级分类层处理模块300用于将所述第二实体特征嵌入向量输入到所述第二实体级注意力层，从而得到所述目标实体的第三实体特征嵌入向量；第二语义级分类层处理模块400用于将所述第三实体特征嵌入向量输入到所述第二语义级注意力层，从而得到所述目标实体的第四实体特征嵌入向量；实体分类模块500用于将所述第四实体特征嵌入向量输入到所述实体分类层，从而得到所述目标实体的风险等级；关系预测模块600用于将包含所述目标实体的所述三元组中的两个实体的所述第四实体特征嵌入向量输入到所述关系预测层，通过计算三元组评分函数对所述两个实体进行关系预测，从而进行社区燃气事故原因推理和事故后果动态预测；
其中，所述第一实体特征嵌入向量和所述第三实体特征嵌入向量反映邻居实体对所述目标实体的影响，所述第二实体特征嵌入向量和所述第四实体特征嵌入向量反映语义路径对所述目标实体的影响；所述社区燃气系统知识图谱中两个实体和两个实体间的关系构成三元组，由所述三元组中两个相同类型实体或不同类型实体在不同的关系下组成的路径称为所述语义路径。
本发明实施例通过获取目标实体的风险等级及进行社区燃气事故的原因推理和事故后果动态预测，实现了社区燃气系统动态风险评估，并且提高了风险评估的准确率。
本发明实施例提供的装置是用于上述方法的，具体功能可参照上述方法流程，此处不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于图神经网络的社区燃气系统动态风险评估方法，其特征在于，包括：
基于由人的不安全行为、燃气设施不安全状态、燃气相关单位管理的缺陷和环境要素共同作用而导致燃气事故发生的燃气事故事件链构建社区燃气系统风险评估指标体系；根据所述社区燃气系统风险评估指标体系确定社区燃气系统知识图谱的实体类型和实体特征，并定义实体间连接关系从而构建社区燃气系统知识图谱，实现所述社区燃气系统风险评估指标体系向所述社区燃气系统知识图谱的转换；
将包含实体、实体特征及实体间关系的所述社区燃气系统知识图谱输入到社区燃气系统动态风险评估模型，从而获取目标实体的风险等级及对社区燃气事故进行原因推理和事故后果动态预测；其中，所述社区燃气系统动态风险评估模型包括第一实体级注意力层、第一语义级注意力层、第二实体级注意力层、第二语义级注意力层、实体分类层及关系预测层；其中，所述第一实体级注意力层的输出作为所述第一语义级注意力层的输入，所述第一语义级注意力层的输出作为所述第二实体级注意力层的输入，所述第二实体级注意力层的输出作为所述第二语义级注意力层的输入，所述第二语义级注意力层的输出分别作为所述实体分类层及所述关系预测层的输入；
所述将包含实体、实体特征及实体间关系的所述社区燃气系统知识图谱输入到社区燃气系统动态风险评估模型，从而获取目标实体的风险等级及对社区燃气事故进行原因推理和事故后果动态预测，包括：
将所述社区燃气系统知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述第一实体级注意力层，从而得到所述目标实体的第一实体特征嵌入向量；
将所述第一实体特征嵌入向量输入到所述第一语义级注意力层，从而得到所述目标实体的第二实体特征嵌入向量；
将所述第二实体特征嵌入向量输入到所述第二实体级注意力层，从而得到所述目标实体的第三实体特征嵌入向量；
将所述第三实体特征嵌入向量输入到所述第二语义级注意力层，从而得到所述目标实体的第四实体特征嵌入向量；
将所述第四实体特征嵌入向量输入到所述实体分类层，从而得到所述目标实体的风险等级；
将包含所述目标实体的三元组中的两个实体的所述第四实体特征嵌入向量输入到所述关系预测层，通过计算三元组评分函数对所述两个实体进行关系预测，从而进行社区燃气事故原因推理和事故后果动态预测；
其中，所述第一实体特征嵌入向量和所述第三实体特征嵌入向量反映邻居实体对所述目标实体的影响，所述第二实体特征嵌入向量和所述第四实体特征嵌入向量反映语义路径对所述目标实体的影响；所述社区燃气系统知识图谱中两个实体和两个实体间的关系构成三元组，由所述三元组中两个相同类型实体或不同类型实体在不同的关系下组成的路径称为所述语义路径。
2.根据权利要求1所述的基于图神经网络的社区燃气系统动态风险评估方法，其特征在于，所述社区燃气系统风险评估指标体系包括一级指标、二级指标和三级指标；其中，所述一级指标包括户内燃气可靠性、调压箱柜可靠性、埋地管道可靠性以及架空管道可靠性；所述户内燃气可靠性下的所述二级指标包括燃气附件可靠性、户内燃气设施可靠性、燃气用户可靠性及户内检修人员可靠性；所述调压箱柜可靠性下的所述二级指标包括安全附属装置可靠性、调压器可靠性及调压箱柜检修人员可靠性；所述埋地管道可靠性下的所述二级指标包括管道自身可靠性、管道检修可靠性、第三方施工可靠性及管道防腐可靠性；所述架空管道可靠性下的所述二级指标包括架空管道自身可靠性、架空管道耐腐蚀可靠性及架空管道检修可靠性；所述燃气附件可靠性下的所述三级指标包括燃气报警器可靠性、燃气胶管可靠性及燃气阀门可靠性；所述户内燃气设施可靠性下的所述三级指标包括燃气表具可靠性、燃气灶具可靠性、燃气热水器可靠性、燃气壁挂炉可靠性及燃气油烟机可靠性；所述燃气用户可靠性下的所述三级指标包括燃气用户操作可靠性、燃气用户安全用气重视程度及燃气用户身心健康程度；所述户内检修人员可靠性下的所述三级指标包括检修人员可靠性及燃气公司可靠性；所述安全附属装置可靠性下的所述三级指标包括安全放散阀可靠性、安全切断阀可靠性、进出口阀门可靠性及调压箱警示标志可靠性；所述调压器可靠性下的所述三级指标包括调压箱箱体可靠性、调压器可靠性及过滤器可靠性；所述调压箱柜检修人员可靠性下的所述三级指标包括检修人员可靠性及燃气公司可靠性；所述管道自身可靠性下的所述三级指标包括埋地管道寿命可靠性及管道材质可靠性；所述管道检修可靠性下的所述三级指标包括检修人员可靠性及燃气公司可靠性；所述第三方施工可靠性下的所述三级指标包括施工单位可靠性、施工人员可靠性及燃气管道警示标志可靠性；所述管道防腐可靠性下的所述三级指标包括阴极保护可靠性、绝缘防腐层可靠性、杂散电流、土壤电阻率、土壤pH值、土壤含水率及管道所处安装环境；所述架空管道自身可靠性下的所述三级指标包括管道外保护层可靠性及管道材质可靠性；所述架空管道耐腐蚀可靠性下的所述三级指标包括管道所处安装环境及管道防腐层可靠性；所述架空管道检修可靠性下的所述三级指标包括检修人员可靠性及燃气公司可靠性。
3.根据权利要求1所述的基于图神经网络的社区燃气系统动态风险评估方法，其特征在于，所述第一实体级注意力层包括K个实体级注意力机制，所述将所述社区燃气系统知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述第一实体级注意力层，从而得到所述目标实体的第一实体特征嵌入向量，包括：
通过包含学习参数的特征转换权值矩阵的映射操作，将所述社区燃气系统知识图谱中不同类型实体的实体特征映射到同一空间；
引入实体级注意力机制，通过对某一语义路径下目标实体和一阶邻居实体间特征的拼接操作，计算在所述语义路径下的不同一阶邻居实体对目标实体的第一实体注意力系数；
利用softmax函数对所述第一实体注意力系数进行归一化处理；
归一化处理后的所述第一实体注意力系数与在所述语义路径下对应的一阶邻居实体的实体特征进行乘积运算，然后将运算结果求和，再通过非线性激活函数分别得到K个实体级注意力机制下所述目标实体的输出特征嵌入向量，将各个所述输出特征嵌入向量进行拼接操作，进而得到在各个语义路径下的所述第一实体特征嵌入向量；所述第一实体特征嵌入向量的计算公式为：
Figure FDA0003037072160000041
式中，
Figure FDA0003037072160000042
即为所述第一实体特征嵌入向量；ELU表示非线性激活函数；k表示所述实体级注意力机制的序号；||表示所述拼接操作，
Figure FDA0003037072160000043
表示在某一语义路径φx下由第k个实体级注意力机制计算和归一化后得到邻居实体j对于目标实体i的所述第一实体注意力系数，
Figure FDA0003037072160000044
表示在第k个实体级注意力机制下包含学习参数的特征转换权值矩阵；
Figure FDA0003037072160000045
为某一邻居实体j的所述实体特征；
Figure FDA0003037072160000046
为邻居实体j经所述映射操作后得到的特征向量；
Figure FDA0003037072160000047
为在某一语义路径φx下目标实体i的所述一阶邻居实体的集合。
4.根据权利要求3所述的基于图神经网络的社区燃气系统动态风险评估方法，其特征在于，所述将所述第一实体特征嵌入向量输入到所述第一语义级注意力层，从而得到所述目标实体的第二实体特征嵌入向量，包括：
引入语义级注意力机制，通过非线性转换及包括学习参数的第一语义级注意力向量计算所述目标实体在不同语义路径下的第一语义注意力系数；
利用softmax函数对所述第一语义注意力系数进行归一化处理；
通过将归一化处理后的所述第一语义注意力系数和所述第一实体特征嵌入向量进行乘积运算得到融合结果，再将不同语义路径下的所述融合结果求和，得到所述第二实体特征嵌入向量；所述第二实体特征嵌入向量的计算公式为：
Figure FDA0003037072160000051
式中，
Figure FDA0003037072160000052
即为所述第二实体特征嵌入向量；
Figure FDA0003037072160000053
为在语义路径
Figure FDA0003037072160000054
下经语义级注意力机制进行计算和归一化后得到的所述第一语义注意力系数；P表示所述语义路径的数量；s表示所述语义路径的序号。
5.根据权利要求4所述的基于图神经网络的社区燃气系统动态风险评估方法，其特征在于，所述将所述第二实体特征嵌入向量输入到所述第二实体级注意力层，从而得到所述目标实体的第三实体特征嵌入向量，包括：
在某一语义路径下，分别利用包含学习参数的特征映射矩阵对目标实体和一阶邻居实体进行特征映射，然后将特征映射的结果进行拼接，计算在所述语义路径下的不同一阶邻居实体对目标实体的第二实体注意力系数；
利用softmax函数对所述第二实体注意力系数进行归一化处理；
通过将归一化处理后的所述第二实体注意力系数和所述第二实体特征嵌入向量及所述包含学习参数的特征映射矩阵进行乘积运算，然后将运算结果求和，再通过非线性激活函数得到在各个语义路径下的所述第三实体特征嵌入向量；所述第三实体特征嵌入向量的计算公式为：
Figure FDA0003037072160000061
式中，
Figure FDA0003037072160000062
即为所述第三实体特征嵌入向量；ELU表示非线性激活函数；
Figure FDA0003037072160000063
表示在某一语义路径φx下由实体级注意力机制计算和归一化后得到邻居实体j对于目标实体i的所述第二实体注意力系数；Wgas'为包含学习参数的特征映射矩阵；
Figure FDA0003037072160000064
表示对应于邻居实体j的所述第二实体特征嵌入向量。
6.根据权利要求5所述的基于图神经网络的社区燃气系统动态风险评估方法，其特征在于，所述将所述第三实体特征嵌入向量输入到所述第二语义级注意力层，从而得到所述目标实体的第四实体特征嵌入向量，包括：
引入语义级注意力机制，通过非线性转换及包括学习参数的第二语义级注意力向量计算所述目标实体在不同语义路径下的第二语义注意力系数；
利用softmax函数对所述第二语义注意力系数进行归一化处理；
通过将所述第二语义注意力系数和所述第三实体特征嵌入向量进行乘积运算得到融合结果，再将不同语义路径下的所述融合结果求和，得到所述第四实体特征嵌入向量；所述第四实体特征嵌入向量的计算公式为：
Figure FDA0003037072160000065
式中，
Figure FDA0003037072160000066
即为所述第四实体特征嵌入向量；
Figure FDA0003037072160000067
即为在语义路径
Figure FDA0003037072160000068
下经语义级注意力机制进行计算和归一化得到所述第二语义注意力系数；P表示所述语义路径的数量；s表示所述语义路径的序号。
7.根据权利要求6所述的基于图神经网络的社区燃气系统动态风险评估方法，其特征在于，所述第四实体特征嵌入向量的向量维度为社区燃气系统风险评估的评价集合中风险等级类别数量；所述将所述第四实体特征嵌入向量输入到所述实体分类层，从而得到所述目标实体的风险等级，包括：
利用softmax函数作为实体分类层激活函数，对所述第四实体特征嵌入向量进行归一化处理，得到所述目标实体属于所述社区燃气系统风险评估的评价集合中各个风险等级的概率值，根据所述概率值判断所述目标实体的风险等级；风险等级的概率值的计算公式为：
Figure FDA0003037072160000071
式中，
Figure FDA0003037072160000072
即为根据目标实体i所述第四实体特征嵌入向量，经实体分类层后得到其属于某一风险等级的概率值，r∈[1,Cn]表示所述风险评估的评价集合中各风险等级的序号，Cn表示风险等级的数量；
Figure FDA0003037072160000073
为目标实体i的所述第四实体特征嵌入向量中某一行的特征值，满足
Figure FDA0003037072160000074
其中，所述实体分类层利用实体分类交叉熵损失函数对所有带标签的数据和预测结果进行对比，并利用梯度下降法进行半监督学习训练所述第一实体级注意力层、第一语义级注意力层、第二实体级注意力层和第二语义级注意力层中的所述学习参数。
8.根据权利要求7所述的基于图神经网络的社区燃气系统动态风险评估方法，其特征在于，所述方法还包括：
在所述关系预测层，利用三元组中包含的两个实体的所述第四实体特征嵌入向量构建有效三元组和无效三元组集合作为三元组评分函数的输入，通过关系预测交叉熵损失函数计算有效三元组和无效三元组的评分差异，利用Adam梯度下降法进行有监督学习训练三元组评分函数的参数，最终利用训练完成的三元组评分函数实现实体间的关系预测；其中，无效三元组是通过对有效三元组中的其中一个实体替换为其他实体得到的；所述三元组评分函数的计算公式为：
Figure FDA0003037072160000075
式中，f(eh,rd,et)即表示某两个实体eh和et在关系rd下经所述三元组评分函数计算得到的结果；
Figure FDA0003037072160000081
是经所述实体分类交叉熵损失函数训练后经所述实体级注意力层和语义级注意力层计算得到的实体eh和实体et的所述第四实体特征嵌入向量；
Figure FDA0003037072160000082
表示第
Figure FDA0003037072160000083
个滤波器；M为滤波器个数的超参数；*表示卷积运算；WRelation为包含学习参数的特征转换权值矩阵；T表示转置运算；ReLU表示非线性激活函数。
9.根据权利要求7所述的基于图神经网络的社区燃气系统动态风险评估方法，其特征在于，所述第一实体级注意力层包括8个实体级注意力机制，所述风险等级的数量为5，所述语义路径数量为11。
10.一种基于图神经网络的社区燃气系统动态风险评估装置，其特征在于，包括：
社区燃气系统知识图谱构建模块，所述社区燃气系统知识图谱构建模块用于基于由人的不安全行为、燃气设施不安全状态、燃气相关单位管理的缺陷和环境要素共同作用而导致燃气事故发生的燃气事故事件链构建社区燃气系统风险评估指标体系；根据所述社区燃气系统风险评估指标体系确定社区燃气系统知识图谱的实体类型和实体特征，并定义实体间连接关系从而构建社区燃气系统知识图谱，实现所述社区燃气系统风险评估指标体系向所述社区燃气系统知识图谱的转换；
风险评估模块，所述风险评估模块用于将包含实体、实体特征及实体间关系的社区燃气系统知识图谱输入到社区燃气系统动态风险评估模型，从而获取目标实体的风险等级及对社区燃气事故进行原因推理和事故后果动态预测；其中，所述社区燃气系统动态风险评估模型包括第一实体级注意力层、第一语义级注意力层、第二实体级注意力层、第二语义级注意力层、实体分类层及关系预测层；其中，所述第一实体级注意力层的输出作为所述第一语义级注意力层的输入，所述第一语义级注意力层的输出作为所述第二实体级注意力层的输入，所述第二实体级注意力层的输出作为所述第二语义级注意力层的输入，所述第二语义级注意力层的输出分别作为所述实体分类层及所述关系预测层的输入；
所述风险评估模块包括第一实体级分类层处理模块、第一语义级分类层处理模块、第二实体级分类层处理模块、第二语义级分类层处理模块、实体分类模块及关系预测模块，其中：
所述第一实体级分类层处理模块用于将所述社区燃气系统知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述第一实体级注意力层，从而得到所述目标实体的第一实体特征嵌入向量；
所述第一语义级分类层处理模块用于将所述第一实体特征嵌入向量输入到所述第一语义级注意力层，从而得到所述目标实体的第二实体特征嵌入向量；
所述第二实体级分类层处理模块用于将所述第二实体特征嵌入向量输入到所述第二实体级注意力层，从而得到所述目标实体的第三实体特征嵌入向量；
所述第二语义级分类层处理模块用于将所述第三实体特征嵌入向量输入到所述第二语义级注意力层，从而得到所述目标实体的第四实体特征嵌入向量；
所述实体分类模块用于将所述第四实体特征嵌入向量输入到所述实体分类层，从而得到所述目标实体的风险等级；
所述关系预测模块用于将包含所述目标实体的三元组中的两个实体的所述第四实体特征嵌入向量输入到所述关系预测层，通过计算三元组评分函数对所述两个实体进行关系预测，从而进行社区燃气事故原因推理和事故后果动态预测；
其中，所述第一实体特征嵌入向量和所述第三实体特征嵌入向量反映邻居实体对所述目标实体的影响，所述第二实体特征嵌入向量和所述第四实体特征嵌入向量反映语义路径对所述目标实体的影响；所述社区燃气系统知识图谱中两个实体和两个实体间的关系构成三元组，由所述三元组中两个相同类型实体或不同类型实体在不同的关系下组成的路径称为所述语义路径。
CN202010624091.1A 2020-06-30 2020-06-30 基于图神经网络的社区燃气系统动态风险评估方法及装置 Active CN111832924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010624091.1A CN111832924B (zh) 2020-06-30 2020-06-30 基于图神经网络的社区燃气系统动态风险评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010624091.1A CN111832924B (zh) 2020-06-30 2020-06-30 基于图神经网络的社区燃气系统动态风险评估方法及装置

Publications (2)

Publication Number Publication Date
CN111832924A CN111832924A (zh) 2020-10-27
CN111832924B true CN111832924B (zh) 2021-06-15

Family

ID=72899508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010624091.1A Active CN111832924B (zh) 2020-06-30 2020-06-30 基于图神经网络的社区燃气系统动态风险评估方法及装置

Country Status (1)

Country Link
CN (1) CN111832924B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112463960B (zh) * 2020-10-30 2021-07-27 完美世界控股集团有限公司 一种实体关系的确定方法、装置、计算设备及存储介质
CN112686399B (zh) * 2020-12-24 2024-07-05 国网上海市电力公司 一种基于增强现实技术的配电室火灾应急抢修方法及系统
CN113934862B (zh) * 2021-09-29 2022-10-14 北方工业大学 社区安全风险预测方法、装置、电子设备及介质
CN113610085B (zh) * 2021-10-10 2021-12-07 成都千嘉科技有限公司 基于注意力机制的字轮图像识别方法
CN115063056B (zh) * 2022-08-18 2022-11-18 西南交通大学 基于图拓扑分析改进的建造行为安全风险动态分析方法
CN115330361B (zh) * 2022-10-14 2023-01-13 成都秦川物联网科技股份有限公司 基于户内安全的燃气泄漏预测方法及智慧燃气物联网系统
CN116258086B (zh) * 2023-05-11 2023-07-21 北京航空航天大学 一种燃气管道风险评估方法及系统
CN116541503B (zh) * 2023-06-05 2023-12-08 北京建筑大学 一种燃气输配系统应急处置辅助决策系统
CN117191126B (zh) * 2023-09-08 2024-06-04 扬州日新通运物流装备有限公司 一种集装箱自检系统、方法、装置及存储介质
CN118095867B (zh) * 2024-04-24 2024-06-28 江苏省建筑工程质量检测中心有限公司 基于视频处理和深度学习的消防设备检测评估系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108984745A (zh) * 2018-07-16 2018-12-11 福州大学 一种融合多知识图谱的神经网络文本分类方法
CN109829057A (zh) * 2019-01-11 2019-05-31 中山大学 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法
CN110400220A (zh) * 2019-07-23 2019-11-01 上海氪信信息技术有限公司 一种基于半监督图神经网络的智能可疑交易监测方法
CN110502749A (zh) * 2019-08-02 2019-11-26 中国电子科技集团公司第二十八研究所 一种基于双层注意力机制与双向gru的文本关系抽取方法
CN110929047A (zh) * 2019-12-11 2020-03-27 中国人民解放军国防科技大学 关注邻居实体的知识图谱推理方法和装置
CN111309983A (zh) * 2020-03-10 2020-06-19 支付宝(杭州)信息技术有限公司 基于异构图进行业务处理的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108984745A (zh) * 2018-07-16 2018-12-11 福州大学 一种融合多知识图谱的神经网络文本分类方法
CN109829057A (zh) * 2019-01-11 2019-05-31 中山大学 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法
CN110400220A (zh) * 2019-07-23 2019-11-01 上海氪信信息技术有限公司 一种基于半监督图神经网络的智能可疑交易监测方法
CN110502749A (zh) * 2019-08-02 2019-11-26 中国电子科技集团公司第二十八研究所 一种基于双层注意力机制与双向gru的文本关系抽取方法
CN110929047A (zh) * 2019-12-11 2020-03-27 中国人民解放军国防科技大学 关注邻居实体的知识图谱推理方法和装置
CN111309983A (zh) * 2020-03-10 2020-06-19 支付宝(杭州)信息技术有限公司 基于异构图进行业务处理的方法及装置

Also Published As

Publication number Publication date
CN111832924A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN111832924B (zh) 基于图神经网络的社区燃气系统动态风险评估方法及装置
Wang et al. Fuzzy fault tree analysis for fire and explosion of crude oil tanks
Ahmadi et al. Development of a dynamic quantitative risk assessment methodology using fuzzy DEMATEL-BN and leading indicators
CN107886235A (zh) 一种耦合确定性与不确定分析的火灾风险评估方法
Fang et al. Quantitative risk assessment of a natural gas pipeline in an underground utility tunnel
CN112529265B (zh) 一种燃气管线综合风险评估、预测方法及系统
Nourian et al. A fuzzy expert system for mitigation of risks and effective control of gas pressure reduction stations with a real application
CN105825320A (zh) 一种石油化工企业承灾体脆弱性评估方法
CN111223027A (zh) 一种城市地震灾害风险评估方法及系统
He et al. A novel method for risk assessment of cable fires in utility tunnel
CN112488576A (zh) 消防风险评估方法、系统、计算机设备及可读存储介质
CN116629607A (zh) 一种危险废物环境安全风险辨识与评估方法
Kang et al. Improving the emergency management of energy infrastructure using scenario construction
Chen et al. Knowledge graph improved dynamic risk analysis method for behavior-based safety management on a construction site
Ouache et al. Evidential reasoning and machine learning-based framework for assessment and prediction of human error factors-induced fire incidents
Shams et al. A Dempster-Shafer evidence theory for environmental risk assessment in failure modes and effects analysis of Oil and Gas Exploitation Plant
Zhang et al. Analysis and research on fire safety of university dormitory based on Bayesian network
Xu et al. Fire Safety Assessment of High-Rise Buildings Based on Fuzzy Theory and Radial Basis Function Neural Network.
Ouache et al. Fire risk assessment model for residential buildings using bow-tie method
Chen et al. Risk analysis of oilfield gathering station
Deng et al. An integrated model for evaluating the leakage risk of urban gas pipe: a case study based on Chinese real accident data
Dmitriev et al. Analysis and evaluation of experts judgements consistency during electrical equipment diagnostics
Wang et al. Dynamic Risk Assessment of Oil Spill Accident on Offshore Platform Based on the Bayesian Network
RU2709155C1 (ru) Система оценки безопасности опасного производственного объекта
Su et al. Electrical Fire Dynamic Risk Assessment for High‐Rise Buildings Based on Variable Fuzzy Set Theory and Bayesian Network

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