CN112801191B - 管道事故处置的智能推荐方法、装置及设备 - Google Patents
管道事故处置的智能推荐方法、装置及设备 Download PDFInfo
- Publication number
- CN112801191B CN112801191B CN202110142379.XA CN202110142379A CN112801191B CN 112801191 B CN112801191 B CN 112801191B CN 202110142379 A CN202110142379 A CN 202110142379A CN 112801191 B CN112801191 B CN 112801191B
- Authority
- CN
- China
- Prior art keywords
- accident
- accidents
- vector
- feature
- historical
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims description 209
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 36
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 14
- 239000007789 gas Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 239000003345 natural gas Substances 0.000 description 7
- 238000005295 random walk Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000003912 environmental pollution Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种管道事故处置的智能推荐方法、装置及设备，该方法包括：获取多个事故和多个事故特征，所述多个事故包括待处理事故和多个历史事故，所述多个事故特征包括所述待处理事故的事故特征和每个历史事故的事故特征；确定每个事故与每个事故特征之间的对应关系；根据所述对应关系，确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系；根据所述第一相似关系、所述第二相似关系，在所述多个历史事故中确定目标事故，所述目标事故的应急方案用于制定所述待处理事故的应急方案。提高了待处理事故的应急方案的实施效果。
Description
技术领域
本申请涉及应急处置决策支持技术领域，尤其涉及一种管道事故处置的智能推荐方法、装置及设备。
背景技术
海外长输油气管道的正常、稳定的运行，关乎下游用户的能源安全，因此，在海外长输油气管道发生突发事故时，应及时的提出相应的事故应急方案对突发事故进行处理。
目前，在海外长输油气管道发生突发事故时，工作人员可以通过突发事故的事故类型(火灾、爆炸、环境污染等)，在数据库中查找与突发事故相似的历史事故的应急方案，并参考相似的历史事故的应急方案，制定突发事故的应急方案。但是，在实际应用中，多数突发事故无法由单一的事故类型进行概括(例如，由泄露引发的火灾导致的环境污染事故)，使得通过事故类型在数据库中查找的历史事故与突发事故的相似度较低，进而导致制定的突发事故的应急方案的实施效果较差。
发明内容
本申请实施例提供一种管道事故处置的智能推荐方法、装置及设备，用于解决现有技术中由于确定的相似事故案例的准确度较低，导致制定的事故应急方案的实施效果较差的技术问题。
第一方面，本申请实施例提供一种管道事故处置的智能推荐方法，该方法包括：
获取多个事故和多个事故特征，所述多个事故包括待处理事故和多个历史事故，所述多个事故特征包括所述待处理事故的事故特征和每个历史事故的事故特征；
确定每个事故与每个事故特征之间的对应关系；
根据所述对应关系，确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系；
根据所述第一相似关系、所述第二相似关系，在所述多个历史事故中确定目标事故，所述目标事故的应急方案用于制定所述待处理事故的应急方案。
在一种可能的实施方式中，根据所述对应关系，确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系，包括：
根据所述对应关系，确定所述每两个事故之间共有的第一事故特征，以及确定所述每两个事故特征之间共同所属的第一事故；
根据所述每两个事故之间共有的第一事故特征，确定所述每两个事故之间的第一相似关系；
根据所述每两个事故特征之间共同所属的第一事故，确定所述第二相似关系。
在一种可能的实施方式中，针对任意两个事故；根据所述每两个事故之间共有的第一事故特征，确定所述每个事故之间的第一相似关系，包括：
获取所述两个事故之间的第一事故特征的数量；
根据所述两个事故之间的第一事故特征的数量，确定所述两个事故之间第一相似关系。
在一种可能的实施方式中，针对任意两个事故特征；根据所述每两个事故特征之间共同所属的第一事故，确定所述第二相似关系，包括：
获取所述两个事故特征之间的第一事故的数量；
根据所述两个事故特征之间的第一事故的数量，确定所述两个事故特征之间第二相似关系。
在一种可能的实施方式中，其特征在于，根据所述第一相似关系、所述第二相似关系，在所述多个历史事故中确定目标事故，包括：
根据所述第一相似关系和所述第二相似关系，确定所述待处理事故的第一特征向量，以及所述每个历史事故的第二特征向量；
根据所述第一特征向量和每个第二特征向量，在所述多个历史事故中确定目标事故。
在一种可能的实施方式中，根据所述第一特征向量和每个第二特征向量，在所述多个历史事故中确定目标事故，包括：
根据所述第一特征向量和所述第二特征向量，确定所述第一特征向量和所述每个第二特征向量之间的余弦相似值，并在多个余弦相似值中，确定最大的余弦相似值；
将所述最大的余弦相似值对应的所述历史事故，确定为所述目标事故。
在一种可能的实施方式中，根据所述第一相似关系和所述第二相似关系，确定所述待处理事故的第一特征向量，以及所述每个历史事故的第二特征向量，包括：
根据预设模型对所述第一相似关系进行处理，得到所述待处理事故的第一向量和每个历史事故的第三向量；
根据预设模型对所述第二相似关系进行处理，得到所述待处理事故的每个事故特征的第二向量和所述每个历史事故的每个事故特征的第四向量；
所述预设模型为对多组样本学习得到的，每组样本包括样本第一相似关系、样本第二相似关系和样本向量；
根据所述第一向量和所述第二向量的合，得到所述第一特征向量；
根据所述每个历史事故的所述第三向量和所述第四向量的合，得到所述每个历史事故的所述第二特征向量。
在一种可能的实施方式中，根据所述第一相似关系、所述第二相似关系，在所述多个历史事故中确定目标事故之后，所述方法还包括：
获取预设标签集，所述预设标签集包括人工标注的每个历史事故与所述目标事故的相似度；
根据所述预设标签集，对所述第一特征向量和所述每个第二特征向量之间的余弦相似值进行验证。
第二方面，本申请实施例提供一种管道事故处置的智能推荐装置，所述装置包括第一获取模块、第一确定模块、第二确定模块和第三确定模块，其中：
所述第一获取模块用于，获取多个事故和多个事故特征，所述多个事故包括待处理事故和多个历史事故，所述多个事故特征包括所述待处理事故的事故特征和每个历史事故的事故特征；
所述第一确定模块用于，确定每个事故与每个事故特征之间的对应关系；
所述第二确定模块用于，根据所述对应关系，确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系；
所述第三确定模块用于，根据所述第一相似关系、所述第二相似关系，在所述多个历史事故中确定目标事故，所述目标事故的应急方案用于制定所述待处理事故的应急方案。
在一种可能的实施方式中，所述第二确定模块具体用于：
根据所述对应关系，确定所述每两个事故之间共有的第一事故特征，以及确定所述每两个事故特征之间共同所属的第一事故；
根据所述每两个事故之间共有的第一事故特征，确定所述每两个事故之间的第一相似关系；
根据所述每两个事故特征之间共同所属的第一事故，确定所述第二相似关系。
在一种可能的实施方式中，所述第二确定模块具体用于：
获取所述两个事故之间的第一事故特征的数量；
根据所述两个事故之间的第一事故特征的数量，确定所述两个事故之间第一相似关系。
在一种可能的实施方式中，所述第二确定模块具体用于：
获取所述两个事故特征之间的第一事故的数量；
根据所述两个事故特征之间的第一事故的数量，确定所述两个事故特征之间第二相似关系。
在一种可能的实施方式中，所述第三确定模块具体用于：
根据所述第一相似关系和所述第二相似关系，确定所述待处理事故的第一特征向量，以及所述每个历史事故的第二特征向量；
根据所述第一特征向量和每个第二特征向量，在所述多个历史事故中确定目标事故。
在一种可能的实施方式中，所述第三确定模块具体用于：
根据所述第一特征向量和所述第二特征向量，确定所述第一特征向量和所述每个第二特征向量之间的余弦相似值，并在多个余弦相似值中，确定最大的余弦相似值；
将所述最大的余弦相似值对应的所述历史事故，确定为所述目标事故。
在一种可能的实施方式中，所述第三确定模块具体用于：
根据预设模型对所述第一相似关系进行处理，得到所述待处理事故的第一向量和每个历史事故的第三向量；
根据预设模型对所述第二相似关系进行处理，得到所述待处理事故的每个事故特征的第二向量和所述每个历史事故的每个事故特征的第四向量；
所述预设模型为对多组样本学习得到的，每组样本包括样本第一相似关系、样本第二相似关系和样本向量；
根据所述第一向量和所述第二向量的合，得到所述第一特征向量；
根据所述每个历史事故的所述第三向量和所述第四向量的合，得到所述每个历史事故的所述第二特征向量。
在一种可能的实施方式中，所述管道事故处置的智能推荐装置还包括第二获取模块，所述第二获取模块用于：
获取预设标签集，所述预设标签集包括人工标注的每个历史事故与所述目标事故的相似度；
根据所述预设标签集，对所述第一特征向量和所述每个第二特征向量之间的余弦相似值进行验证。
第三方面，本申请实施例提供一种管道事故处置的智能推荐设备，包括：存储器、处理器和通信接口，所述存储器用于存储程序指令，所述处理器用于调用存储器中的程序指令执行如第一方面任一项所述的管道事故处置的智能推荐方法。
第四方面，本申请实施例提供一种可读存储介质，所述可读存储介质上存储有计算机程序；所述计算机程序用于实现如第一方面任一项所述的管道事故处置的智能推荐方法。
本申请实施例提供一种管道事故处置的智能推荐方法、装置及设备，获取多个事故和多个事故特征，其中，多个事故包括待处理事故和多个历史事故，多个事故特征包括待处理事故的事故特征和每个历史事故的事故特征，确定每个事故与每个事故特征之间的对应关系，根据对应关系，确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系，根据第一相似关系、第二相似关系，在多个历史事故中确定目标事故，其中，目标事故的应急方案用于制定待处理事故的应急方案。在上述方法中，根据对应关系，可以确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系，全面的结合了事故之间的相关性，以及事故特征之间的相关性，可以在多个历史事故中，准确的确定与待处理事故最相近的目标事故，进而根据目标事故的应急方案制定待处理事故的应急方案，可以提高待处理事故的应急方案的实施效果。
附图说明
图1为本申请实施例提供的一种应用场景的示意图；
图2为本申请实施例提供的一种管道事故处置的智能推荐方法的流程示意图；
图3为本申请实施例提供的一种对应关系的示意图；
图4为本申请实施例提供的一种第一相似关系的示意图；
图5为本申请实施例提供的一种第二相似关系的示意图；
图6为本申请实施例提供的另一种管道事故处置的智能推荐方法的流程示意图；
图7为本申请实施例提供的一种随机游走的控制策略的示意图；
图8为本申请实施例提供的一种管道事故处置的智能推荐装置的结构示意图；
图9为本申请实施例提供的另一种管道事故处置的智能推荐装置的结构示意图；
图10为本申请提供的管道事故处置的智能推荐设备的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在相关技术中，由于多数海外油气管道的突发事故无法由单一的事故类型进行概括(例如，由泄露引发的火灾导致的环境污染事故)，使得工作人员通过突发事故的事故类型在数据库中确定的历史事故与突发事故的相似度较低，进而导致制定的突发事故的应急方案的实施效果较差。
为了解决相关技术中，制定的事故应急方案的实施效果较差的技术问题。本申请实施例提供一种管道事故处置的智能推荐方法，获取待处理事故的事故特征和多个历史事故的事故特征，建立每个事故与每个事故特征之间的对应关系，根据对应关系，确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系，根据第一相似关系和第二相似关系，确定待处理事故的特征向量和每个历史事故的特征向量，并根据待处理事故的特征向量与每个历史事故的特征向量的余弦相似值，在多个历史事故中确定与待处理事故最相似的目标事故。由于结合了事故之间的相关性和事故特征之间的相关性，可以准确的在多个历史事故中确定与待处理事故最相似的目标事故，进而可以根据目标事故的应急方案，制定待处理事故的应急方案，提高了待处理事故的应急方案的实施效果。
为了便于理解，下面结合图1，详细说明本申请实施例的应用场景。
图1为本申请实施例提供的一种应用场景的示意图。请参见图1，包括终端设备。终端设备可以获取待处理事故和多个历史事故，并根据待处理事故和多个历史事故，确定每个事故的事故特征。终端设备建立每个事故与每个事故特征之间的对应关系，并根据对应关系确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系，进而可以在多个历史事故中，准确的确定与待处理事故最相近的目标事故，由于目标事故与待处理事故最相近，因此工作人员可以根据目标事故的应急方案，制定待处理事故的应急方案，这样可以提高待处理事故的应急方案的实施效果。
本申请实施例提供的管道事故处置的智能推荐方法可以应用于海外油气管道发生事故的场景，也可以应用于其它事故场景，本申请实施例对此不作限定。
下面，通过具体实施例对本申请所示的技术方案进行详细说明。需要说明的是，如下实施例可以单独存在，也可以相互结合，对于相同或相似的内容，在不同的实施例中不再重复说明。
图2为本申请实施例提供的一种管道事故处置的智能推荐方法的流程示意图。请参见图2，该方法可以包括：
S201、获取多个事故和多个事故特征。
本申请实施例的执行主体可以为终端设备，也可以为设置在终端设备中的管道事故处置的智能推荐装置。可选的，管道事故处置的智能推荐装置可以通过软件实现，也可以通过软件和硬件的结合实现。终端设备可以为任意具有数据处理功能的设备。例如，终端设备可以为电脑、服务器等。
多个事故包括待处理事故和多个历史事故。可选的，待处理事故可以为需要制定应急方案的事故。例如，对于海外长输油气管道发生泄漏引起环境污染的事故，需要及时的制定应急方案对事故进行处理。可选的，待处理事故也可以为其它暂未处理的事故。历史事故可以为已经发生的并制定好应急方案的事故。例如，历史事故可以为一年内发生的事故，且事故已经解决。
可选的，可以在数据库中获取多个历史事故。多个事故特征包括待处理事故的事故特征和每个历史事故的事故特征。事故特征用于指示事故的特点。可选的，可以根据事故的事故信息，获取事故对应的事故特征。例如，若历史事故的事故信息为甲管道的首站发生油罐泄露、甲管道的天然气管道发生冰堵，则事故特征为甲管道、首站、油罐、泄露、天然气管道、冰堵。
可选的，可以根据分词工具对待处理事故的事故信息和多个历史事故的事故信息进行处理，得到待处理事故的事故特征和每个历史事故的事故特征。可选的，根据分词工具得到多个事故特征时，若多个事故特征中存在重复的事故特征，可以根据分词工具对多个事故特征进行剔重处理。
S202、确定每个事故与每个事故特征之间的对应关系。
可选的，可以根据每个事故信息，确定每个事故的事故特征，进而得到每个事故与每个事故特征之间的对应关系。例如，事故A的事故信息为甲管道的首站发生油罐泄漏的事故，事故A对应的事故特征为甲管道、首站、油罐、泄漏，事故B的事故信息为甲管道的天然气管道发生冰堵，事故B对应的事故特征为甲管道、天然气管道、冰堵。
可选的，多个事故与多个事故特征可以为多对多的对应关系。例如，若事故A的事故信息为甲管道的首站发生油罐泄漏，事故B的事故信息为甲管道的天然气管道发生冰堵，事故特征为甲管道、首站、油罐、泄漏、天然气管道、冰堵，则事故A对应4个事故特征，事故B对应3个事故特征，事故特征甲管道对应两个事故。可选的，可以根据二分图网络确定每个事故与每个事故特征之间的对应关系。例如，可以将多个事故和多个事故特征分为两类节点，每个事故与每个事故特征的对应关系作为节点的连接，进而得到每个事故与每个事故特征的二分图。例如，可以根据如下公式获取二分图网络：
GACF＝(C,F,L)＝((ci)，(fj)，(lij))
其中，GACF为二分图网络；C为多个事故的图节点集合；F为多个事故特征的图节点集合；L为事故节点与事故特征节点之间连接关系的集合；ci为事故i在二分图网络中的节点；fj为事故特征j在二分图网络中的节点；lij为二分图网络中事故i与特征j的连接。
下面，结合图3，详细说明每个事故与每个事故特征之间的对应关系。
图3为本申请实施例提供的一种对应关系的示意图。请参见图3，包括多个事故和多个事故特征。其中，多个事故包括事故1、事故2、事故m等，多个事故特征包括事故特征1、事故特征2、事故特征3、事故特征n等。事故1通过连接线与事故特征1和事故特征3连接，事故2通过连接线与事故特征2和事故特征n连接，事故m通过连接线与事故特征3和事故特征n连接。
请参见图3，事故1对应的事故特征为事故特征1和事故特征3，事故2对应的事故特征为事故特征2和事故特征n，事故m对应的事故特征为事故特征3和事故特征n。
S203、根据对应关系，确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系。
第一相似关系用于指示两个事故之间的相似程度。例如，若事故A和事故B有共同的事故特征，事故A和事故B的相似程度较高，若事故A和事故B没有共同的事故特征，事故A和事故B的相似程度较低。第二相似关系用于指示两个事故特征之间的相似程度。例如，若事故特征A和事故特征B有共同所属的事故，则事故特征A和事故特征B的相似程度较高，若事故特征A和事故特征B没有共同所属的事故，则事故特征A和事故特征B的相似程度较低。
针对任意两个事故，可以根据如下可行的实现方式确定第一相似关系：根据对应关系，确定每两个事故之间共有的第一事故特征。例如，若事故A的事故特征包括甲管道、首站、油罐、泄漏，事故B的事故特征包括甲管道、天然气管道、冰堵，则事故A和事故B之间共有的第一事故特征为甲管道。
根据每两个事故之间共有的第一事故特征，可以根据如下可行的实现方式确定每两个事故之间的第一相似关系：获取两个事故之间的第一事故特征的数量。例如，若事故A和事故B之间存在共有的第一事故特征为甲管道和泄漏，则第一事故特征的数量为2。根据两个事故之间的第一事故特征的数量，确定两个事故之间的第一相似关系。可选的，可以根据两个事故之间的第一事故特征的数量，确定两个事故相关的权重，进而根据两个事故相关的权重，确定第一相似关系。例如，若两个事故之间存在第一事故特征，则说明两个事故相关，可以根据第一事故特征的数量，确定两个事故相关的权重，进而根据两个事故相关的权重，确定两个事故之间的第一相似关系。可选的，可以根据第一事故特征的数量与相关的权重的对应关系，根据第一事故特征的数量，确定相关的权重。例如，第一事故特征的数量与相关的权重的对应关系可以如表1所示：
表1
需要说明的是，表1只是以示例的形式示意第一事故特征的数量与相关的权重的对应关系，并非对第一事故特征的数量与相关的权重的对应关系的限定。
例如，在两个事故共有的第一事故特征的数量为数量1时，两个事故相关的权重为权重1；在两个事故共有的第一事故特征的数量为数量2时，两个事故相关的权重为权重2；在两个事故共有的第一事故特征的数量为数量3时，两个事故相关的权重为权重3。
可选的，可以根据事故之间的关系图，描述每两个事故之间的第一相似关系。例如，可以将每个事故作为一个节点，若两个事故之间存在相同的第一事故特征，则通过连接线将两个事故连接，根据第一事故特征的数量，确定连接线的权重，第一事故特征的数量越多，两个事故之间的连接线的权重越大，两个事故之间的第一相似关系越高。
可选的，可以根据如下公式获取事故之间的关系图：
GC＝(C,EC,WC)＝((ci)，(ecii*)，(wcii*))＝((ci)，(ecii*)，(nii*))
其中，GC为事故之间的关系图；C为事故；EC为存在共有事故特征的事故连接集合；WC为事故之间连接权重的集合；ci为事故i在事故之间的关系图中的节点；ecii*为事故i与事故i*之间存在共有特征的连接；wcii*为事故i与事故i*之间的权重；nii*为事故i与事故i*之间共有的事故特征的数量。
下面，结合图4，详细说明每两个事故之间的第一相似关系。
图4为本申请实施例提供的一种第一相似关系的示意图。请参见图4，包括事故1、事故2、事故3和事故4。事故1和事故2之间有共同的事故特征，事故2和事故3之间有共同的事故特征，事故1和事故4之间有共同的事故特征。其中，事故1和事故2之间共同的事故特征的数量大于事故2和事故3之间共同的事故特征的数量。事故2和事故3之间共同的事故特征的数量大于事故1和事故4之间共同的事故特征的数量。
请参见图4，事故1通过连接线与事故2和事故4连接，事故2通过连接线与事故3连接。事故1和事故2之间相关的权重最大，因此，事故1和事故2之间的连接线最粗，事故1和事故4之间相关的权重较小，因此，事故1和事故4之间的连接线最细。事故1与事故3之间没有共同的事故特征，事故1与事故3之间无需通过连接线连接。可选的，也可以根据连接线的长短表示事故之间的相关的权重。
针对任意两个事故特征，可以根据如下可行的实现方式确定第二相似关系：根据对应关系，确定每两个事故特征之间共同所属的第一事故。例如，若事故A中包括事故特征A，事故A中包括事故特征B，则事故A为事故特征A和事故特征B共同所属的第一事故。
根据每两个事故之间共有的第一事故，可以根据如下可行的实现方式确定每两个事故特征之间的第二相似关系：获取两个事故特征之间的第一事故的数量。例如，若事故特征A和事故特征B之间存在共有的第一事故为事故A和事故B，则第一事故的数量为2。根据两个事故特征之间的第一事故的数量，确定两个事故特征之间的第二相似关系。可选的，可以根据两个事故特征之间的第一事故的数量，确定两个事故特征相关的权重，进而根据两个事故特征相关的权重，确定第二相似关系。可选的，两个事故特征之间的第一事故的数量，与两个事故特征相关的权重成正比。例如，若两个事故特征之间的第一事故的数量越高，则两个事故特征相关的权重越大，两个事故之间的第二相似关系越高；若两个事故特征之间的第一事故的数量越少，则两个事故特征相关的权重越小，两个事故之间的第二相似关系越低。
可选的，可以根据事故特征之间的关系图，确定每两个事故特征之间的第二相似关系。例如，可以将每个事故特征作为一个节点，若两个事故特征之间存在共同所属的第一竖骨，则通过连接线将两个事故连接，根据第一事故的数量，确定连接线的权重，第一事故的数量越多，两个事故特征之间的连接线的权重越大，两个事故特征之间的第二相似关系越高。
可选的，可以根据如下公式获取事故特征之间的关系图：
GF＝(F,EF,WF)＝((fj)，(efjj*)，(wfjj*))＝((fj)，(efjj*)，(njj*))
其中，GF为事故特征之间的关系图；F为事故特征；EF为存在共同所属事故的事故特征连接集合；WF为事故特征之间连接权重的集合；fj为事故特征j在事故特征之间的关系图中的节点；efjj*为事故特征j与事故特征j*之间存在共同所属的事故的连接；wfjj*为事故特征j与事故特征j*之间的权重；njj*为事故特征j与事故特征j*之间共同所属的事故的数量。
下面，结合图5，详细说明每两个事故特征之间的第二相似关系。
图5为本申请实施例提供的一种第二相似关系的示意图。请参见图5，包括特征1、事故特征2、事故特征3和事故特征4。事故特征1和事故特征3之间有共同所属的事故，事故特征2和事故特征3之间有共同所属的事故，事故特征2和事故特征4之间有共同所属的事故。其中，事故特征1和事故特征3之间共同所属的事故的数量大于事故特征2和事故特征4之间共同所属的事故的数量。事故特征2和事故特征4之间共同所属的事故的数量大于事故特征2和事故特征3之间有共同所属的事故的数量。
请参见图5，事故特征1通过连接线与事故特征3连接，事故特征2通过连接线与事故特征3和事故特征4连接。事故特征1和事故特征3之间相关的权重最大，因此，事故特征1和事故特征3之间的连接线最粗，事故特征2和事故特征3之间相关的权重较小，因此，事故特征2和事故特征3之间的连接线最细。事故特征1和事故特征4之间没有共同所属的事故，因此，事故特征1和事故特征4之间无需通过连接线连接。
S204、根据第一相似关系、第二相似关系，在多个历史事故中确定目标事故。
目标事故的应急方案用于制定待处理事故的应急方案。例如，可以将多个历史事故中与待处理事故最相近的历史事故，确定为目标事故，进而参考目标事故对应的应急方案，制定待处理事故的应急方案，由于目标事故与待处理事故相近，因此可以提高待处理事故的应急方案的实施效果。
可选的，可以根据如下可行的实现方式，在多个历史事故中确定目标事故：根据第一相似关系和第二相似关系，确定待处理事故的第一特征向量，以及每个历史事故的第二特征向量。可选的，可以根据预设模型对第一相似关系进行处理，得到待处理事故的第一向量和每个历史事故的第三向量。根据预设模型对第二相似关系进行处理，得到待处理事故的每个事故特征的第二向量和每个历史事故的每个事故特征的第四向量。例如，根据预设模型对第二相似关系进行处理，可以得到每个事故特征的向量，将待处理事故对应的事故特征的向量确定为第二向量，将历史事故对应的事故特征的向量确定为第四向量。
预设模型为对多组样本学习得到的，每组样本包括样本第一相似关系、样本第二相似关系和样本向量。其中，多组样本可以为预先标记的样本。例如，根据样本第一相似关系对应的样本向量，得到一组样本，该组样本包括样本第一相似关系和样本向量；根据样本第二相似关系对应的样本向量，得到一组样本，该组样本包括样本第二相似关系和样本向量。采用该种方式，可以得到多组样本。
可选的，将第一相似关系输入至预设模型，可以得到每个事故的向量，其中，待处理事故对应的向量为第一向量，每个历史事故对应的向量为第三向量。将第二相似关系输入至预设模型，可以得到每个事故特征的向量。其中，待处理事故对应的事故特征的向量为第二向量，每个历史事故对应的事故特征的向量为第四向量。
根据第一向量和第二向量的合，得到第一特征向量。例如，可以将第一向量和第二向量合并，进而得到待处理事故的第一特征向量。可选的，在待处理事故对应的事故特征的数量大于2时，待处理事故有多个第二向量，可以将多个第二向量中绝对值最大的向量，确定为目标第二向量，将第一向量与目标第二向量合并，得到待处理事故的第一特征向量。
根据每个历史事故的第三向量和第四向量的合，得到每个历史事故的第二特征向量。例如，可以将第三向量和第四向量合并，进而得到历史事故的第二特征向量。可选的，在历史事故对应的事故特征的数量大于2时，历史事故有多个第四向量，可以将多个第四向量中绝对值最大的向量，确定为目标第四向量，将第三向量与目标第四向量合并，得到历史事故的第二特征向量。
可选的，根据第一特征向量和每个第二特征向量，可以根据如下可行的实现方式，在多个历史事故中确定目标事故：根据第一特征向量和第二特征向量，确定第一特征向量和每个第二特征向量之间的余弦相似值。例如，可以计算第一特征向量与第二特征向量之间的余弦值，得到余弦相似值。在多个余弦相似值中，确定最大的余弦相似值，并将最大的余弦相似值对应的历史事故，确定为目标事故。例如，待处理事故的第一特征向量和历史事故A的第二特征向量之间的余弦相似值为A，待处理事故的第一特征向量和历史事故B的第二特征向量之间的余弦相似值为B，待处理事故的第一特征向量和历史事故C的第二特征向量之间的余弦相似值为C，若B为最大的余弦相似值，则将历史事故B确定为与待处理事故最相似的目标事故。
可选的，可以将余弦相似值大于或等于预设阈值的历史事故，确定为多个目标事故。
本申请实施例提供一种管道事故处置的智能推荐方法，获取多个事故和多个事故特征，确定每个事故与每个事故特征之间的对应关系，根据对应关系确定每两个事故之间共有的第一事故特征，以及确定每两个事故特征之间共同所属的第一事故。根据每两个事故之间共有的第一事故特征的数量，确定每两个事故之间的第一相似关系，根据每两个事故特征之间共通所属的第一事故的数量，确定每两个事故特征之间的第二相似关系，进而根据预设模型对第一相似关系和第二相似关系进行处理，得到待处理事故的第一特征向量和每个历史事故的第二特征向量，根据第一特征向量和每个第二特征向量之间的余弦相似值，在多个历史事故中确定与待处理事故最为相似的目标事故。在上述方法中，根据对应关系，可以确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系，全面的结合了事故之间的相关性，以及事故特征之间的相关性，通过第一特征向量和每个第二特征向量之间的余弦相似值，可以在多个历史事故中，准确的确定与待处理事故最相近的目标事故，进而根据目标事故的应急方案制定待处理事故的应急方案，可以提高待处理事故的应急方案的实施效果。
在图2所示的实施例的基础上，下面，结合图6，对上述管道事故处置的智能推荐方法进行详细的说明。
图6为本申请实施例提供的另一种管道事故处置的智能推荐方法的流程示意图。请参见图6，该方法可以包括：
S601、获取多个事故和多个事故特征。
多个事故包括待处理事故和多个历史事故，多个事故特征包括待处理事故的事故特征和每个历史事故的事故特征。
需要说明的是，S601的执行过程可以参照S201的执行过程，此处不再进行赘述。
S602、确定每个事故与每个事故特征之间的对应关系。
需要说明的是，S602的执行过程可以参照S202的执行过程，此处不再进行赘述。
S603、根据对应关系，确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系。
需要说明的是，S603的执行过程可以参照S203的执行过程，此处不再进行赘述。
S604、根据第一相似关系、第二相似关系，在多个历史事故中确定目标事故。
其中，目标事故的应急方案用于制定待处理事故的应急方案。可选的，可以根据第一相似关系，确定事故之间的关系图，并根据事故之间的关系图，将每个事故节点向量化，得到待处理事故的第一向量和每个历史事故的第二向量。根据第二相似关系，确定事故特征之间的关系图，并根据事故特征之间的关系图，将每个事故特征节点向量化，得到待处理事故对应的事故特征的第二向量和每个历史事故对应的事故特征的第四向量。
可选的，可以根据如下可行的实现方式将每个节点向量化：根据随机游走的控制，使得两节点之间的相似概率，与从一个节点触发，经过控制步长为wl的随机游走，游走的路径覆盖另一个节点的概率相同。
下面，结合图7，详细说明随机游走的控制策略。
图7为本申请实施例提供的一种随机游走的控制策略的示意图。请参见图7，节点从L处出发，游走到节点V时，下一次可以能到达的节点为X1、X2、X3和L，若节点从V游走到各个节点的概率为a，则可以通过设置参数p和q控制节点从V向下一个节点游走的概率。其中，p为控制节点从V向出发节点L进行游走的参数，q为控制节点从V向远离出发节点进行游走的参数。
可选的，可以根据如下公式，确定节点下一步向各个节点游走的概率：
其中，αpq(t，x)为在参数为p和q时，节点从t到节点x位置的概率；p为控制节点向出发节点游走的参数，q为控制节点向远离出发节点游走的参数，dtx为节点t到节点x的距离。
下面，以事故特征之间的关系图为例，详细说明两个事故特征之间的相似度的计算方式。从事故特征节点j出发，在控制下进行nw次步长为wl的随机游走，其中nw和wl为预先设置的游走参数，节点j游走的路径覆盖节点j*的概率为节点j与j*之间的相似度。可以采用sigmoid函数将概率转换为相似度。例如，根据如下公式计算节点j与j*之间的相似度：
其中，fj为事故特征节点j在事故特征之间的关系图中的符号；fj*为事故特征节点j*在事故特征之间的关系图中的符号；SGF(fj，fj*)为事故特征节点j和事故特征节点j*在事故特征之间的关系图中的相似度；为事故特征节点fj出发经过事故特征节点fj*的sigmoid概率估值；NS(j)为通过采样nw次步长为wl的随机游走得到的事故特征节点i的近邻顶点集合。
可选的，在事故特征进行向量表示的相似度计算时，可以为每个事故特征随机构造df维数组，在计算两个事故特征节点的相似度时，可以采用softmax进行归一化，可以采用如下公式进行归一化：
其中，vj为事故特征节点j在向量集合VJ×df中的元素；vj*为事故特征节点j*在向量集合VJ×df中的元素；为事故特征节点j和事故特征节点j*在向量空间中的相似度；为事故特征节点j*对事故特征节点j的softmax概率。
可选的，可以通过交叉熵作为损失函数，通过多次迭代使得特征向量的相似度计算结果趋近与事故特征之间的关系图相似度计算结果，进而可以得到事故特征之间的关系图中每个事故特征向量化的结果。可选的，可以通过同样的方式获取事故之间的关系图中，每个事故向量化的结果，本申请实施例对此不作赘述。
S605、获取预设标签集。
预设标签集可以为对多个事故进行标记的事故集合。例如，预设标签集中包括一个待处理事故和多个历史事故，其中，对每个历史事故与待处理事故的相似程度进行标记。可选的，可以通过人工筛选的方式对每个历史事故进行标记。例如，通过人工判断事故A与待处理事故之间的相似度，以及判断事故B与待处理事故之间的相似度，若事故A与待处理事故之间的相似度大于事故B与待处理事故之间的相似度，则对事故A标记的相似度大于对事故B标记的相似度。
S606、根据预设标签集，对第一特征向量和每个第二特征向量之间的余弦相似值进行验证。
可选的，可以根据第一特征向量和每个第二特征向量之间的余弦相似值，确定每个历史事故与待处理事故的相似度，进而根据相似度对多个历史事故进行相似度排序，根据预设标签集，对任意两个历史事故的相似度排序进行验证。例如，对于事故A和事故B，根据余弦相似值可以确定事故A与待处理事故的相似度大于事故B与待处理事故的相似度，若预设标签集中事故A的相似度大于事故B的相似度，则事故A和事故B的相似度排序正确，若预设标签集中事故A的相似度小于事故B的相似度，则事故A和事故B的相似度排序错误。
可选的，可以根据如下公式对预设模型的结果进行验证：
其中，Accuracy为相似事故案例推荐的准确率；nt为历史事故的数量；Testtrue为向量化结果符合人工判断的历史事故的数量。
本申请实施例提供一种管道事故处置的智能推荐方法，获取多个事故和多个事故特征，确定每个事故与每个事故特征之间的对应关系，根据对应关系，确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系，根据第一相似关系、第二相似关系，在多个历史事故中确定目标事故。在确定目标事故之后，获取预设标签集，并根据预设标签集，对第一特征向量和第二特征向量之间的余弦相似值进行验证。在上述方法中，在上述方法中，根据对应关系，可以确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系，全面的结合了事故之间的相关性，以及事故特征之间的相关性，通过第一特征向量和每个第二特征向量之间的余弦相似值，可以在多个历史事故中，准确的确定与待处理事故最相近的目标事故，并且可以通过人工标注的预设标签集，对目标事故的准确性进行验证，提高了目标事故的可靠性，进而根据目标事故的应急方案制定待处理事故的应急方案，可以提高待处理事故的应急方案的实施效果。
在上述任意一个实施例的基础上，下面，通过具体示例，对管道事故处置的智能推荐方法进行详细说明。
终端设备对478个长输油气管道的事故信息进行分词处理，得到314个长输油气管道的事故特征。其中，长输油气管道的事故特征可以包括首站、管网、中断、电气、发电机等特征。
终端设备根据478个事故和314个事故特征，确定2530个对应关系。将478个事故和314个事故特征分为两类节点，2530个对应关系作为节点的连接线，建立事故与事故特征的图网络。
根据事故与事故特征的图网络，确定事故特征间的连接关系，得到事故特征之间的关系图。
通过预设模型对事故特征之间的关系图进行处理可以得到每个事故特征对应的向量。其中，可以设置预设模型参数事故特征向量为30维度，超参数p＝2、q＝0.5，设置游走长度为6，单个节点的游走次数为8次，进而可以得到每个事故特征节点的向量化的结果，部分数据如表2所示：
表2
可选的，为了便于观察向量化结果，可以通过TSNE方法将30维特征向量降至3维，并得到事故特征节点在向量空间中的分布图。进而可以通过向量空间中的分布图，准确的得到相似的事故特征在向量空间中聚集的位置。
根据事故与事故特征的图网络，确定事故之间的连接关系，得到事故之间的关系图。最终事故之间的关系图中，事故节点478个，节点连接边63761条。通过预设模型对事故之间的关系图进行处理可以得到每个事故对应的向量。其中，可以设置预设模型参数事故特征向量为30维度，超参数p＝0.25、q＝2，设置游走长度为6，单个节点的游走次数为8次，进而可以得到每个事故特征节点的向量化的结果，部分数据如表3所示：
表3
由上可知，表3为根据第一相似关系确定的每个事故的向量，表2为根据第二相似关系确定的每个事故特征的向量。下面，以甲管道A首站站内管道泄漏的事故为例，详细说明确定该事故的特征向量的过程。
由于甲管道A首站站内管道泄漏的事故特征为甲管道、A、首站、站内、管道、泄漏，因此，在每一维度中，将六个事故特征中绝对值最大的向量，确定为该事故的事故特征向量。并将最大的事故特征向量与事故案例向量合并，可以得到每一维度的该事故的事故向量。
例如，特征向量可以如表4所示：
表4
根据上述步骤可以得到多个事故中的每个事故的特征向量，以甲管道A首站站内管道泄漏为待处理事故，在多个事故中推荐与待处理事故最为相似的事故。
例如，表5为多个事故中与待处理事故最相似的5个事故：
表5
| 事故 | 相似度 |
| 甲管道A首站油罐泄漏 | 0.998721 |
| 甲管道B首站法兰泄漏 | 0.998568 |
| 甲管道A运营中心管道法兰泄漏 | 0.998549 |
| 甲管道B维抢修队输气管道破裂断管 | 0.998342 |
| 甲管道C维抢修队站内输油管道泄漏 | 0.998045 |
通过人工标注的预设标签集对结果进行验证，可以得到该预设模型推荐的事故的准确率为92％，这样在发生突发事故时，工作人员可以准确的在数据库中获取与突发事故最为相似的事故的应急方案，并根据该应急方案，制定突发事故的应急方案，进而可以提高突发事故应急方案的实施效果。
图8为本申请实施例提供的一种管道事故处置的智能推荐装置的结构示意图。该管道事故处置的智能推荐装置可以设置在终端设备中。请参见图8，所述管道事故处置的智能推荐装置10包括第一获取模块11、第一确定模块12、第二确定模块13和第三确定模块14，其中：
所述第一获取模块11用于，获取多个事故和多个事故特征，所述多个事故包括待处理事故和多个历史事故，所述多个事故特征包括所述待处理事故的事故特征和每个历史事故的事故特征；
所述第一确定模块12用于，确定每个事故与每个事故特征之间的对应关系；
所述第二确定模块13用于，根据所述对应关系，确定每两个事故之间的第一相似关系，以及每两个事故特征之间的第二相似关系；
所述第三确定模块14用于，根据所述第一相似关系、所述第二相似关系，在所述多个历史事故中确定目标事故，所述目标事故的应急方案用于制定所述待处理事故的应急方案。
在一种可能的实施方式中，所述第二确定模块13具体用于：
根据所述对应关系，确定所述每两个事故之间共有的第一事故特征，以及确定所述每两个事故特征之间共同所属的第一事故；
根据所述每两个事故之间共有的第一事故特征，确定所述每两个事故之间的第一相似关系；
根据所述每两个事故特征之间共同所属的第一事故，确定所述第二相似关系。
在一种可能的实施方式中，所述第二确定模块13具体用于：
获取所述两个事故之间的第一事故特征的数量；
根据所述两个事故之间的第一事故特征的数量，确定所述两个事故之间第一相似关系。
在一种可能的实施方式中，所述第二确定模块13具体用于：
获取所述两个事故特征之间的第一事故的数量；
根据所述两个事故特征之间的第一事故的数量，确定所述两个事故特征之间第二相似关系。
在一种可能的实施方式中，所述第三确定模块14具体用于：
根据所述第一相似关系和所述第二相似关系，确定所述待处理事故的第一特征向量，以及所述每个历史事故的第二特征向量；
根据所述第一特征向量和每个第二特征向量，在所述多个历史事故中确定目标事故。
在一种可能的实施方式中，所述第三确定模块14具体用于：
根据所述第一特征向量和所述第二特征向量，确定所述第一特征向量和所述每个第二特征向量之间的余弦相似值，并在多个余弦相似值中，确定最大的余弦相似值；
将所述最大的余弦相似值对应的所述历史事故，确定为所述目标事故。
在一种可能的实施方式中，所述第三确定模块14具体用于：
根据预设模型对所述第一相似关系进行处理，得到所述待处理事故的第一向量和每个历史事故的第三向量；
根据预设模型对所述第二相似关系进行处理，得到所述待处理事故的每个事故特征的第二向量和所述每个历史事故的每个事故特征的第四向量；
所述预设模型为对多组样本学习得到的，每组样本包括样本第一相似关系、样本第二相似关系和样本向量；
根据所述第一向量和所述第二向量的合，得到所述第一特征向量；
根据所述每个历史事故的所述第三向量和所述第四向量的合，得到所述每个历史事故的所述第二特征向量。
本申请实施例提供的一种管道事故处置的智能推荐装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
图9为本申请实施例提供的另一种管道事故处置的智能推荐装置的结构示意图。在图8所示实施例的基础上，请参见图9，所述管道事故处置的智能推荐装置10还包括第二获取模块15，所述第二获取模块15用于：
获取预设标签集，所述预设标签集包括人工标注的每个历史事故与所述目标事故的相似度；
根据所述预设标签集，对所述第一特征向量和所述每个第二特征向量之间的余弦相似值进行验证。
本申请实施例提供的一种管道事故处置的智能推荐装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
图10为本申请提供的管道事故处置的智能推荐设备的硬件结构示意图。请参见图10，该管道事故处置的智能推荐设备20可以包括：处理器21和存储器22，其中，处理器21和存储器22可以通信；示例性的，处理器21和存储器22通过通信总线23通信，所述存储器22用于存储程序指令，所述处理器21用于调用存储器中的程序指令执行上述任意方法实施例所示的管道事故处置的智能推荐方法。
可选的，管道事故处置的智能推荐设备20还可以包括通信接口，通信接口可以包括发送器和/或接收器。
可选的，上述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
本申请提供一种可读存储介质，所述可读存储介质上存储有计算机程序；所述计算机程序用于实现如上述任意实施例所述的管道事故处置的智能推荐方法。
本申请实施例提供一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，使得计算机执行上述管道事故处置的智能推荐方法。
实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储器中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储器(存储介质)包括：只读存储器(英文：read-only memory，缩写：ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(英文：magnetic tape)、软盘(英文：floppydisk)、光盘(英文：optical disc)及其任意组合。
本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理单元以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理单元执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
在本申请中，术语“包括”及其变形可以指非限制性的包括；术语“或”及其变形可以指“和/或”。本申请中术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。本申请中，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
Claims (8)
1.一种管道事故处置的智能推荐方法，其特征在于，包括：
获取多个事故和多个事故特征，所述多个事故包括待处理事故和多个历史事故，所述多个事故特征包括所述待处理事故的事故特征和每个历史事故的事故特征；
根据二分图网络确定每个事故与每个事故特征之间的对应关系，其中，所述二分图网络是由多个事故的图节点集合、多个事故特征的图节点集合以及事故节点与事故特征节点之间连接关系的集合构成；
根据所述对应关系，确定每两个事故之间共有的第一事故特征，以及确定所述每两个事故特征之间共同所属的第一事故；
根据所述每两个事故之间共有的第一事故特征，确定所述每两个事故之间的第一相似关系；
根据所述每两个事故特征之间共同所属的第一事故，确定第二相似关系；
根据所述第一相似关系、所述第二相似关系，在所述多个历史事故中确定目标事故，所述目标事故的应急方案用于制定所述待处理事故的应急方案；
其中，根据所述第一相似关系、所述第二相似关系，在所述多个历史事故中确定目标事故，包括：
根据所述第一相似关系和所述第二相似关系，确定所述待处理事故的第一特征向量，以及所述每个历史事故的第二特征向量，所述第一特征向量是所述待处理事故对应的第一向量与所述待处理事故的事故特征对应的第二向量的合，所述第二特征向量是所述每个历史事故对应的第三向量与所述每个历史事故的事故特征对应的第四向量的合；
根据所述第一特征向量和每个第二特征向量，在所述多个历史事故中确定目标事故。
2.根据权利要求1所述的方法，其特征在于，针对任意两个事故；根据所述每两个事故之间共有的第一事故特征，确定所述每个事故之间的第一相似关系，包括：
获取所述两个事故之间的第一事故特征的数量；
根据所述两个事故之间的第一事故特征的数量，确定所述两个事故之间第一相似关系。
3.根据权利要求1所述的方法，其特征在于，针对任意两个事故特征；根据所述每两个事故特征之间共同所属的第一事故，确定所述第二相似关系，包括：
获取所述两个事故特征之间的第一事故的数量；
根据所述两个事故特征之间的第一事故的数量，确定所述两个事故特征之间第二相似关系。
4.根据权利要求1所述的方法，其特征在于，根据所述第一特征向量和每个第二特征向量，在所述多个历史事故中确定目标事故，包括：
根据所述第一特征向量和所述第二特征向量，确定所述第一特征向量和所述每个第二特征向量之间的余弦相似值，并在多个余弦相似值中，确定最大的余弦相似值；
将所述最大的余弦相似值对应的所述历史事故，确定为所述目标事故。
5.根据权利要求1所述的方法，其特征在于，根据所述第一相似关系和所述第二相似关系，确定所述待处理事故的第一特征向量，以及所述每个历史事故的第二特征向量，包括：
根据预设模型对所述第一相似关系进行处理，得到所述待处理事故的第一向量和每个历史事故的第三向量；
根据预设模型对所述第二相似关系进行处理，得到所述待处理事故的每个事故特征的第二向量和所述每个历史事故的每个事故特征的第四向量；
所述预设模型为对多组样本学习得到的，每组样本包括样本第一相似关系、样本第二相似关系和样本向量；
根据所述第一向量和所述第二向量的合，得到所述第一特征向量；
根据所述每个历史事故的所述第三向量和所述第四向量的合，得到所述每个历史事故的所述第二特征向量。
6.根据权利要求1-3任一项所述的方法，其特征在于，根据所述第一相似关系、所述第二相似关系，在所述多个历史事故中确定目标事故之后，所述方法还包括：
获取预设标签集，所述预设标签集包括人工标注的每个历史事故与所述目标事故的相似度；
根据所述预设标签集，对所述第一特征向量和所述每个第二特征向量之间的余弦相似值进行验证。
7.一种管道事故处置的智能推荐设备，其特征在于，包括：处理器和存储器；
所述存储器用于，存储计算机程序；
所述处理器用于，执行所述存储器中存储的计算机程序，实现如权利要求1至6中任一项所述的管道事故处置的智能推荐方法。
8.一种可读存储介质，其特征在于，所述可读存储介质上存储设备控制程序，当所述设备控制程序被处理器执行时，实现如权利要求1至6任一项所述的管道事故处置的智能推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110142379.XA CN112801191B (zh) | 2021-02-02 | 2021-02-02 | 管道事故处置的智能推荐方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110142379.XA CN112801191B (zh) | 2021-02-02 | 2021-02-02 | 管道事故处置的智能推荐方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112801191A CN112801191A (zh) | 2021-05-14 |
| CN112801191B true CN112801191B (zh) | 2023-11-21 |
Family
ID=75813618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110142379.XA Active CN112801191B (zh) | 2021-02-02 | 2021-02-02 | 管道事故处置的智能推荐方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801191B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013030137A1 (en) * | 2011-08-26 | 2013-03-07 | Philip Morris Products S.A | Systems and methods for characterizing topological network perturbations |
| CN108898528A (zh) * | 2018-06-22 | 2018-11-27 | 公安部天津消防研究所 | 一种面向危险化学品事故应急辅助决策的案例推理方法 |
| CN109471978A (zh) * | 2018-11-22 | 2019-03-15 | 腾讯科技（深圳）有限公司 | 一种电子资源推荐方法及装置 |
| CN109767597A (zh) * | 2019-01-19 | 2019-05-17 | 跨越速运集团有限公司 | 一种车辆事故预警方法及系统 |
| WO2019213426A1 (en) * | 2018-05-02 | 2019-11-07 | Visa International Service Association | Event monitoring and response system and method |
| CN110472087A (zh) * | 2019-08-07 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 一种表情图像推荐方法、装置、设备及介质 |
| CN110852893A (zh) * | 2019-10-12 | 2020-02-28 | 中国平安财产保险股份有限公司 | 基于海量数据的风险识别方法、系统、设备及存储介质 |
| CN110866177A (zh) * | 2018-08-27 | 2020-03-06 | 中国石油化工股份有限公司 | 化工事故新闻采集方法及机器可读存储介质 |
| CN111415064A (zh) * | 2020-02-21 | 2020-07-14 | 神华和利时信息技术有限公司 | 预案流程获得方法、系统、存储介质及电子设备 |
| CN111413698A (zh) * | 2020-03-04 | 2020-07-14 | 武汉理工大学 | 一种面向水下机器人搜寻探摸的目标定位方法 |
| CN111667512A (zh) * | 2020-05-28 | 2020-09-15 | 浙江树人学院（浙江树人大学） | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 |
| CN111784455A (zh) * | 2020-06-30 | 2020-10-16 | 腾讯科技（深圳）有限公司 | 一种物品推荐方法及推荐设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9563688B2 (en) * | 2014-05-01 | 2017-02-07 | International Business Machines Corporation | Categorizing users based on similarity of posed questions, answers and supporting evidence |
| US20170109855A1 (en) * | 2015-10-19 | 2017-04-20 | Lexisnexis Risk Solutions Fl Inc. | Systems and methods for detecting linkages among individuals |
| CN107818105B (zh) * | 2016-09-13 | 2021-04-09 | 腾讯科技（深圳）有限公司 | 应用程序的推荐方法及服务器 |
-
2021
- 2021-02-02 CN CN202110142379.XA patent/CN112801191B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013030137A1 (en) * | 2011-08-26 | 2013-03-07 | Philip Morris Products S.A | Systems and methods for characterizing topological network perturbations |
| WO2019213426A1 (en) * | 2018-05-02 | 2019-11-07 | Visa International Service Association | Event monitoring and response system and method |
| CN108898528A (zh) * | 2018-06-22 | 2018-11-27 | 公安部天津消防研究所 | 一种面向危险化学品事故应急辅助决策的案例推理方法 |
| CN110866177A (zh) * | 2018-08-27 | 2020-03-06 | 中国石油化工股份有限公司 | 化工事故新闻采集方法及机器可读存储介质 |
| CN109471978A (zh) * | 2018-11-22 | 2019-03-15 | 腾讯科技（深圳）有限公司 | 一种电子资源推荐方法及装置 |
| CN109767597A (zh) * | 2019-01-19 | 2019-05-17 | 跨越速运集团有限公司 | 一种车辆事故预警方法及系统 |
| CN110472087A (zh) * | 2019-08-07 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 一种表情图像推荐方法、装置、设备及介质 |
| CN110852893A (zh) * | 2019-10-12 | 2020-02-28 | 中国平安财产保险股份有限公司 | 基于海量数据的风险识别方法、系统、设备及存储介质 |
| CN111415064A (zh) * | 2020-02-21 | 2020-07-14 | 神华和利时信息技术有限公司 | 预案流程获得方法、系统、存储介质及电子设备 |
| CN111413698A (zh) * | 2020-03-04 | 2020-07-14 | 武汉理工大学 | 一种面向水下机器人搜寻探摸的目标定位方法 |
| CN111667512A (zh) * | 2020-05-28 | 2020-09-15 | 浙江树人学院（浙江树人大学） | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 |
| CN111784455A (zh) * | 2020-06-30 | 2020-10-16 | 腾讯科技（深圳）有限公司 | 一种物品推荐方法及推荐设备 |
Non-Patent Citations (3)
| Title |
|---|
| 基于改进模体方法的国家应急组织合作网络基元比较;刘亮;黄琴;韩传峰;;中国安全生产科学技术(01);7-12 * |
| 无标度网络拓扑控制优化及应用研究;田一鸣;中国博士学位论文全文数据库基础科学辑(第6期);A002-3 * |
| 融合多道面数据挖掘算法的交通安全监测系统;徐荣等;信阳农林学院学报;第28卷(第4期);121-124 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112801191A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190235987A1 (en) | Duplicate bug report detection using machine learning algorithms and automated feedback incorporation | |
| CN115907264B (zh) | 智慧燃气巡检片区生成方法、物联网系统、装置及介质 | |
| CN109299846A (zh) | 一种核电站设备可靠性分析方法、系统及终端设备 | |
| CN111697590A (zh) | 一种基于熵权法的电力系统关键节点识别方法及系统 | |
| US10389600B2 (en) | Network management based on modeling of cascading effect of failure | |
| CN111162945B (zh) | 一种告警关联关系的确定方法、装置、设备及存储介质 | |
| CN112801191B (zh) | 管道事故处置的智能推荐方法、装置及设备 | |
| CN110175655B (zh) | 数据识别方法及装置、存储介质及电子设备 | |
| CN115441448A (zh) | 配电网线路的转供电校验方法、装置、设备及存储介质 | |
| CN114866396A (zh) | 基于文本相似度的实现资源不准下网络故障定位的方法 | |
| CN113312258B (zh) | 一种接口测试方法、装置、设备及存储介质 | |
| CN114978877A (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
| CN116032726A (zh) | 故障根因定位模型训练方法、装置、设备及可读存储介质 | |
| CN111950573A (zh) | 异常问题聚类的方法及装置 | |
| CN107818419B (zh) | 一种功能测试范围的确定方法及装置 | |
| CN113064966B (zh) | 用于故障定位的方法、系统及装置 | |
| CN115309858A (zh) | 算术表达式的生成方法、装置、设备、介质及产品 | |
| CN109583590B (zh) | 数据处理方法及数据处理装置 | |
| CN111623243A (zh) | 一种区域油管网网络拓扑关系确认方法、装置和系统 | |
| CN114821327B (zh) | 电力线和杆塔进行特征提取处理方法、系统及存储介质 | |
| CN112948567B (zh) | 一种收集设备故障信息的方法及系统 | |
| CN103226744A (zh) | 用于电网中的多ied事件分类的方法和系统 | |
| CN112856253B (zh) | 一种供水管网爆管定位的方法和系统 | |
| CN112712126B (zh) | 一种图片识别方法 | |
| CN118827326A (zh) | 根因识别模型的训练方法、根因识别方法、装置和设备 |
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 |