CN113393017B - 一种基于个体复杂关系的监管场所安全预警方法及装置 - Google Patents

Abstract

本发明公开了一种基于个体复杂关系的监管场所安全预警方法及装置，在时间窗口内获取所有个体时间快照，采用CNN卷积神经网络进行时间信息融合，采用第一GCN图神经网络获取个人之间关系矩阵和时间个体信息表示矩阵，融合了空间的风险，使得具有空间相似性的个体，相互协同学习，学习得到的权重矩阵，能够获取到空间维度的相似性。采用第二GCN图神经网络融合区域和个体的关系，使得风险指数从个体过度到区域。采用第三GCN图神经网络通过整体和区域的关系将区域的风险信息融合到整体风险中，来预测出下一个时间周期的整体风险。本发明技术方案融合了多种关系，能够准确预测整体风险。

Description

一种基于个体复杂关系的监管场所安全预警方法及装置

技术领域

本申请属于安全生产技术领域，尤其涉及一种基于个体复杂关系的监管场所安全预警方法及装置。

背景技术

安全一直是生产及社会安定的重要环节，不注重安全，往往会带来巨大的代价。安全不仅仅体现在安全生产，还体现在社会生活的方方面面，例如消防安全、交通安全、危险品处理、治安、踩踏事件等等。如何预警并消除安全隐患，一直是重中之重。

然而，目前的安全防范，往往注重单方面的安全检查和风险防范，而忽视了广泛范围内多种因素结合的安全预警和防范。

发明内容

本申请的目的是提供一种基于个体复杂关系的监管场所安全预警方法及装置，通过监管场所内个体的复杂关系来预测整个监管场所的安全风险。

为了实现上述目的，本申请技术方案如下：

一种基于个体复杂关系的监管场所安全预警方法，所述监管场所包括K个区域及分布在各个区域中的个体，所述基于个体复杂关系的监管场所安全预警方法，包括：

获取每个个体的单位时间安全指数值x_d，以D个单位时间为一个时间窗口，生成每个个体在时间窗口t内的时间快照

将所有个体的时间快照组合为对应的个体安全矩阵

其中N为个体的数量；

将T个时间窗口的个体安全矩阵

输入到预先构建的CNN卷积神经网络模型，获得时间信息嵌入表示矩阵X¹；

将时间信息嵌入表示矩阵X¹输入到预先构建的第一GCN图神经网络模型，获得个体之间关系矩阵A₁∈R^N×N和时间个体信息表示矩阵X²∈R^N×D×T：

获取个体与区域关系矩阵A₂∈R^N×K，其中K为区域数量，将所述关系矩阵A₂∈R^N×K和时间个体信息表示矩阵X²∈R^N×D×T一起输入到第二GCN图神经网络模型，获得区域安全表示矩阵X³∈R^K×D×T；

获取区域关系矩阵A₃∈R^K×1，将所述区域关系矩阵A₃和区域安全表示矩阵X³∈R^{K ×D×T}一起输入第三GCN图神经网络模型，预测出下一时间周期的整体安全向量

进一步的，所述T个时间窗口的个体安全矩阵

表示为X⁰，

t属于{0，1，...，T}，所述CNN卷积神经网络模型数学表达式如下：

X¹＝σ₀(X⁰*q)

其种σ₀是激活函数，q是卷积核。

进一步的，所述第一GCN图神经网络模型数学表达式如下：

其中，l是卷积的层数，σ₁是激活函数，D₁是A₁的度矩阵，

是权重，

进一步的，所述第二GCN图神经网络模型数学表达式如下：

其中，

σ₂是激活函数，D₂∈R^K×K、D₂′∈R^N×N是A₂的度矩阵，D₂的对角线元素是A₂每列元素之和，D_2′的对角线元素是A₂每行元素之和，

是权重，

进一步的，所述第三GCN图神经网络模型数学表达式如下：

其中，l是卷积的层数，

σ₃是激活函数，最终的输出是

为权重。

本申请还提出了一种基于个体复杂关系的监管场所安全预警装置，所述监管场所包括K个区域及分布在各个区域中的个体，所述基于个体复杂关系的监管场所安全预警装置，包括：

时间快照模块，用于获取每个个体的单位时间安全指数值x_d，以D个单位时间为一个时间窗口，生成每个个体在时间窗口t内的时间快照X_t∈R^1×D，将所有个体的时间快照组合为对应的个体安全矩阵

其中N为个体的数量；

CNN卷积神经网络模块，用于将T个时间窗口的个体安全矩阵

输入到预先构建的CNN卷积神经网络模型，获得时间信息嵌入表示矩阵X¹；

第一GCN图神经网络模块，用于将时间信息嵌入表示矩阵X¹输入到预先构建的第一GCN图神经网络模型，获得个体之间关系矩阵A₁∈R^N×N和时间个体信息表示矩阵X²∈R^{N ×D×T}；

第二GCN图神经网络模块，用于获取个体与区域关系矩阵A₂∈R^N×K，其中K为区域数量，将所述关系矩阵A₂∈R^N×K和时间个体信息表示矩阵X²∈R^N×D×T一起输入到第二GCN图神经网络模型，获得区域安全表示矩阵X³∈R^K×D×T；

第三GCN图神经网络模块，用于获取区域关系矩阵A₃∈R^K×1，将所述区域关系矩阵A₃和区域安全表示矩阵X³∈R^K×D×T一起输入第三GCN图神经网络模型，预测出下一时间周期的整体安全向量

本申请提出的一种基于个体复杂关系的监管场所安全预警方法及装置，在时间窗口内获取所有个体时间快照，采用CNN卷积神经网络进行时间信息融合，采用第一GCN图神经网络获取个人之间关系矩阵和时间个体信息表示矩阵，融合了空间的风险，使得具有空间相似性的个体，相互协同学习，学习得到的权重矩阵，能够获取到空间维度的相似性。采用第二GCN图神经网络融合区域和个体的关系，使得风险指数从个体过度到区域。采用第三GCN图神经网络通过整体和区域的关系将区域的风险信息融合到整体风险中，来预测出下一个时间周期的整体风险。本申请技术方案融合了多种关系，能够准确预测整体风险。

附图说明

图1为本申请基于个体复杂关系的监管场所安全预警方法流程图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

对于广泛范围内多种因素结合的安全预警和防范，应用场合可以是在工厂厂区、集会场合、学校、监狱等等，本实施例以监管场所来统一描述。现有技术一般主要关注的监管区域内的整体特征，通过对整体特征进行学习来进行安全预警。然而，整体特征提取在实际的应用中并不容易精确描述，因此安全预警准确度较低。

但监管场所内各个单点危险源的特征比较容易获取，并且整个监管场所的安全是由多个单体危险源的安全性、单体危险源与其他单体危险源之间的安全性、单体危险源与区域之间的安全性、区域与监管场所之间的安全性所决定的。

在一个实施例中，如图1所示，提供了一种基于个体复杂关系的监管场所安全预警方法，所述监管场所包括K个区域及分布在各个区域中的个体，所述基于个体复杂关系的监管场所安全预警方法，包括：

步骤S1、获取每个个体的单位时间安全指数值x_d，以D个单位时间为一个时间窗口，生成每个个体在时间窗口t内的时间快照X_t∈R^1×D，将所有个体的时间快照组合为对应的个体安全矩阵

其中N为个体的数量。

本实施例监管场所包括多个区域，各个区域中包括多个个体。举例来说，假设监管场所是一工厂，区域为每一个车间，每个车间中的危险源是个体。个体例如为电源、火源、废气口、粉尘口等等。

相对来说，个体的安全指数一般容易获得，通过定期观察和检查，根据设备的使用年限，都可以给出一个具体的数值。关于个体安全指数的获取，本申请不限于具体的获取方法，这里不再赘述。

本实施例以每天为一个单位时间(也可以根据实际情况，以每小时为一个单位时间，或没分钟为一个单位时间)，将每个个体的单位时间安全指数值用x_d来表示，以D个单位时间为一个时间窗口，生成每个个体在一个时间窗口内的时间快照。

本实施例中，假设D为7天，即一周时间生成一个时间快照。对于第t个时间快照，有X_t＝{x1，x2，x3，x4，x5，x6，x7}，其中x1～x7为第1天至第7天个体安全指数值。t为时间快照变量，若每周生成一个时间快照，则一个月内生成5个时间快照，第一周t等于1，第二周t等于2，依次类推。

每个个体的时间快照为个体安全矩阵的一行，所有N个个体组成的个体安全矩阵

其中N为个体的数量。

步骤S2、将T个时间窗口的个体安全矩阵

输入到预先构建的CNN卷积神经网络模型，获得时间信息嵌入表示矩阵X¹。

本实施例利用历史T个时间窗口的个体安全矩阵

来预测下一个时间窗口内各个单位时间的安全指数。T个时间窗口的个体安全矩阵

也可以表示为X⁰，

其中任意元素表示为

t属于{0，1，...，T}。

本申请采用CNN卷积神经网络模型来提取融合时间信息的特征，可以融合输入数据的时间信息，得到时间信息嵌入表示矩阵X¹。

在一个示例中，CNN卷积神经网络模型可以包括多个卷积层，每个卷积层后都紧跟一个激活层，CNN卷积神经网络模型可以用如下数学表达式表示：

X¹＝σ₀(X⁰*q)

其种σ₀是激活函数，q∈R^1×2是二维卷积核，T是时间窗口个数，本步骤本质上是融合时间信息，每个个体的风险指标在时间上是相关的。

步骤S3、将时间信息嵌入表示矩阵X¹输入到预先构建的第一GCN图神经网络模型，获得个体之间关系矩阵A₁∈R^N×N和时间个体信息表示矩阵X²∈R^N×D×T。

个体关系矩阵A₁∈R^N×N表示的是个体与个体之间的关系，例如是同一个车间关系、位置相邻关系、或同一类危险源等等，显然如果两个个体的关系很紧密则它们的风险具有一致性。然而，由于现实中个体数量太大，因此，这种关系很难获取或通过统一的方式构建出来，特别是风险个体数量达到万级以上，这种关系更难构建和表示出来。因此，本申请用图卷积神经网络(GCN)自动学习这种关系。

第一GCN图神经网络模型的输入为时间信息嵌入表示矩阵X¹，学习得到的个体之间关系矩阵A₁∈R^N×N和时间个体信息表示矩阵X²∈R^N×D×T。在首次学习时，还随机初始化一个个体之间关系矩阵A₁∈R^N×N输入到第一GCN图神经网络模型。在之后的学习时，则采用前一次学习得到的个体之间关系矩阵A₁∈R^N×N与时间信息嵌入表示矩阵X¹作为输入，学习得到的个体之间关系矩阵A₁∈R^N×N和时间个体信息表示矩阵X²∈R^N×D×T。

其中，初始化一个个体之间关系矩阵A₁，随着训练的进行，会逐渐自动优化个体之间关系矩阵A₁。

本申请第一GCN图神经网络模型，可以用如下数学表达式表示：

其中，l是卷积的层数，σ₁是激活函数，D₁是A₁的度矩阵，

是权重。D₁是A₁的度矩阵，即D₁是对角矩阵，对角线元素为A₁每行元素之和。

在一个示例中，l＝2，

在空间(个体与个体)上的图卷积GCN实际上融合了空间的风险，使得具有空间相似性的个体，相互协同学习，学习得到的权重矩阵，能够获取到空间维度的相似性，对于每一个个体来说，矩阵相乘本质上去融合平滑与它具有相似性的个体的风险指数，这实际上是一种协同学习。

步骤S4、获取个体与区域关系矩阵A₂∈R^N×K，其中K为区域数量，将所述关系矩阵A₂∈R^N×K和时间个体信息表示矩阵X²∈R^N×D×T一起输入到第二GCN图神经网络模型，获得区域安全表示矩阵X³∈R^K×D×T。

个体与区域关系数据组成的个体与区域关系矩阵A₂∈R^N×K可以通过统计获得，同一个车间的个体显然具有类似的特征，个体与区域的关系可以包括个体属于哪个区域。

将所述个体与区域关系矩阵A₂∈R^N×K和时间个体信息表示矩阵X²∈R^N×D×T一起输入到第二GCN图神经网络模型，获得区域安全表示矩阵X³∈R^K×D×T。

本申请第二GCN图神经网络模型可以用如下数学表达式表示：

其中，

σ₂是激活函数，A₂∈R^N×K是个体与区域关系矩阵，D₂∈R^K×K、D_2′∈R^N×N是A₂的度矩阵，D₂的对角线元素是A₂每列元素之和，D_2′的对角线元素是A₂每行元素之和，

是权重。

本实施例第二GCN网络融合区域和个体的关系，使得风险指数从个体过度到区域。最终的输出是：

该过程能够通过个人和区域的关系，将个体的风险指数融合汇总到区域空间中。

步骤S5、获取区域关系矩阵A₃∈R^K×1，将所述区域关系矩阵A₃和区域安全表示矩阵X³∈R^K×D×T一起输入第三GCN图神经网络模型，预测出下一时间周期的整体安全向量

区域关系矩阵A₃可以通过统计获得，是区域与监管场所整体的关系，反应的是哪个区域对监管场所整体风险的贡献大，区域关系可以描述为区域位于监管场所的哪个位置、编号等等关系。

最后将区域关系矩阵A₃和区域安全表示矩阵X³∈R^K×D×T一起输入第三GCN图神经网络模型，预测出下一时间周期的整体安全向量

本申请第三GCN图神经网络模型可以表示为如下公式：

其中，l是卷积的层数，

σ₃是激活函数，A₃∈R^K×l是区域与整个监管场所的关系矩阵，是标准化度矩阵。最终的输出是

本质上说，通过总体和个体的关系将区域的风险信息融合到总体风险中，并且这种关系是从数据中自动获取的，因为，A₃是可学习的。

最终预测出下周整体安全向量

从而得到下一个时间周期中每天整体的安全风险值，在安全风险值大于设定的阈值时，发出告警。

本申请技术方案还适用于监狱内的风险预警，每个个体相当于一个个犯人，区域相当于一个个监区，整个监管场所相当于整个监狱。从而可以根据上述技术方案来预测出整个监狱群体的风险，进行预警。

需要说明的是，本申请激活函数σ₀、σ₁、σ₂、σ₃可以都是Relu激活函数，也可以是其他激活函数，本申请对此不做限制。

在一个实施例中，本申请还提供了一种基于个体复杂关系的监管场所安全预警装置，所述监管场所包括K个区域及分布在各个区域中的个体，所述基于个体复杂关系的监管场所安全预警装置，包括：

时间快照模块，用于获取每个个体的单位时间安全指数值x_d，以D个单位时间为一个时间窗口，生成每个个体在时间窗口t内的时间快照X_t∈R^1×D，将所有个体的时间快照组合为对应的个体安全矩阵

其中N为个体的数量；

CNN卷积神经网络模块，用于将T个时间窗口的个体安全矩阵

输入到预先构建的CNN卷积神经网络模型，获得时间信息嵌入表示矩阵X¹；

第一GCN图神经网络模块，用于将时间信息嵌入表示矩阵X¹输入到预先构建的第一GCN图神经网络模型，获得个体之间关系矩阵A₁∈R^N×N和时间个体信息表示矩阵X²∈R^{N ×D×T}；

第二GCN图神经网络模块，用于获取个体与区域关系矩阵A₂∈R^N×K，其中K为区域数量，将所述关系矩阵A₂∈R^N×K和时间个体信息表示矩阵X²∈R^N×D×T一起输入到第二GCN图神经网络模型，获得区域安全表示矩阵X³∈R^K×D×T；

第三GCN图神经网络模块，用于获取区域关系矩阵A₃∈R^K×1，将所述区域关系矩阵A₃和区域安全表示矩阵X³∈R^K×D×T一起输入第三GCN图神经网络模型，预测出下一时间周期的整体安全向量

关于基于个体复杂关系的监管场所安全预警装置的具体限定可以参见上文中对于基于个体复杂关系的监管场所安全预警方法的限定，在此不再赘述。上述基于个体复杂关系的监管场所安全预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器中存储有可在处理器上运行的计算机程序，所述处理器通过运行存储在存储器内的计算机程序，从而实现本发明实施例中的网络拓扑布局方法。

其中，所述存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器用于存储程序，所述处理器在接收到执行指令后，执行所述程序。

所述处理器可能是一种集成电路芯片，具有数据的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。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。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于个体复杂关系的监管场所安全预警方法，其特征在于，所述监管场所包括K个区域及分布在各个区域中的个体，所述基于个体复杂关系的监管场所安全预警方法，包括：

获取每个个体的单位时间安全指数值x_d，以D个单位时间为一个时间窗口，生成每个个体在时间窗口t内的时间快照X_t∈R^1×D，将所有个体的时间快照组合为对应的个体安全矩阵

其中N为个体的数量；

将T个时间窗口的个体安全矩阵

输入到预先构建的CNN卷积神经网络模型，获得时间信息嵌入表示矩阵X¹；

将时间信息嵌入表示矩阵X¹输入到预先构建的第一GCN图神经网络模型，获得个体之间关系矩阵A₁∈R^N×N和时间个体信息表示矩阵X²∈R^N×D×T；

获取个体与区域关系矩阵A₂∈R^N×K，其中K为区域数量，将所述关系矩阵A₂∈R^N×K和时间个体信息表示矩阵X²∈R^N×D×T一起输入到第二GCN图神经网络模型，获得区域安全表示矩阵X³∈R^K×D×T；

获取区域关系矩阵A₃∈R^K×1，将所述区域关系矩阵A₃和区域安全表示矩阵X³∈R^K×D×T一起输入第三GCN图神经网络模型，预测出下一时间周期的整体安全向量

2.如权利要求1所述的基于个体复杂关系的监管场所安全预警方法，其特征在于，所述T个时间窗口的个体安全矩阵

表示为X⁰，

t属于{0，1，…，T}，所述CNN卷积神经网络模型数学表达式如下：

X¹＝σ₀(X⁰*q)

其种σ₀是激活函数，q是卷积核。

3.如权利要求1所述的基于个体复杂关系的监管场所安全预警方法，其特征在于，所述第一GCN图神经网络模型数学表达式如下：

其中，l是卷积的层数，σ₁是激活函数，D₁是A₁的度矩阵，

是权重，

4.如权利要求1所述的基于个体复杂关系的监管场所安全预警方法，其特征在于，所述第二GCN图神经网络模型数学表达式如下：

其中，

σ₂是激活函数，D₂∈R^K×K、D_2′∈R^N×N是A₂的度矩阵，D₂的对角线元素是A₂每列元素之和，D_2′的对角线元素是A₂每行元素之和，

是权重，

5.如权利要求1所述的基于个体复杂关系的监管场所安全预警方法，其特征在于，所述第三GCN图神经网络模型数学表达式如下：

其中，l是卷积的层数，

σ₃是激活函数，最终的输出是

为权重。

6.一种基于个体复杂关系的监管场所安全预警装置，其特征在于，所述监管场所包括K个区域及分布在各个区域中的个体，所述基于个体复杂关系的监管场所安全预警装置，包括：

时间快照模块，用于获取每个个体的单位时间安全指数值x_d，以D个单位时间为一个时间窗口，生成每个个体在时间窗口t内的时间快照X_t∈R^1×D，将所有个体的时间快照组合为对应的个体安全矩阵

其中N为个体的数量；

CNN卷积神经网络模块，用于将T个时间窗口的个体安全矩阵

输入到预先构建的CNN卷积神经网络模型，获得时间信息嵌入表示矩阵X¹；

第一GCN图神经网络模块，用于将时间信息嵌入表示矩阵X¹输入到预先构建的第一GCN图神经网络模型，获得个体之间关系矩阵A₁∈R^N×N和时间个体信息表示矩阵X²∈R^N×D×T；

第二GCN图神经网络模块，用于获取个体与区域关系矩阵A₂∈R^N×K，其中K为区域数量，将所述关系矩阵A₂∈R^N×K和时间个体信息表示矩阵X²∈R^N×D×T一起输入到第二GCN图神经网络模型，获得区域安全表示矩阵X³∈R^K×D×T；

第三GCN图神经网络模块，用于获取区域关系矩阵A₃∈R^K×1，将所述区域关系矩阵A₃和区域安全表示矩阵X³∈R^K×D×T一起输入第三GCN图神经网络模型，预测出下一时间周期的整体安全向量

7.如权利要求6所述的基于个体复杂关系的监管场所安全预警装置，其特征在于，所述T个时间窗口的个体安全矩阵

表示为X⁰，

t属于{0，1，…，T}，所述CNN卷积神经网络模型数学表达式如下：

X¹＝σ₀(X⁰*q)

其种σ₀是激活函数，q是卷积核。

8.如权利要求6所述的基于个体复杂关系的监管场所安全预警装置，其特征在于，所述第一GCN图神经网络模型数学表达式如下：

其中，l是卷积的层数，σ₁是激活函数，D₁是A₁的度矩阵，

是权重，

9.如权利要求6所述的基于个体复杂关系的监管场所安全预警装置，其特征在于，所述第二GCN图神经网络模型数学表达式如下：

其中，

σ₂是激活函数，D₂∈R^K×K、D_2′∈R^N×N是A₂的度矩阵，D₂的对角线元素是A₂每列元素之和，D_2′的对角线元素是A₂每行元素之和，

是权重，

10.如权利要求6所述的基于个体复杂关系的监管场所安全预警装置，其特征在于，所述第三GCN图神经网络模型数学表达式如下：

其中，l是卷积的层数，

σ₃是激活函数，最终的输出是

为权重。

Images