CN113468320B - 地震应急信息快速可视化方法及系统 - Google Patents

地震应急信息快速可视化方法及系统 Download PDF

Info

Publication number
CN113468320B
CN113468320B CN202110833117.8A CN202110833117A CN113468320B CN 113468320 B CN113468320 B CN 113468320B CN 202110833117 A CN202110833117 A CN 202110833117A CN 113468320 B CN113468320 B CN 113468320B
Authority
CN
China
Prior art keywords
earthquake
data
information
earthquake emergency
emergency
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
CN202110833117.8A
Other languages
English (en)
Other versions
CN113468320A (zh
Inventor
郑通彦
李华玥
文鑫涛
陈雅慧
段乙好
申俊
林向洋
王尅丰
黄猛
刘帅
王中浩
甄盟
李晓丽
李继赓
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.)
CHINA EARTHQUAKE NETWORKS CENTER
Original Assignee
CHINA EARTHQUAKE NETWORKS CENTER
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 CHINA EARTHQUAKE NETWORKS CENTER filed Critical CHINA EARTHQUAKE NETWORKS CENTER
Priority to CN202110833117.8A priority Critical patent/CN113468320B/zh
Publication of CN113468320A publication Critical patent/CN113468320A/zh
Application granted granted Critical
Publication of CN113468320B publication Critical patent/CN113468320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/34—Browsing; Visualisation therefor
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供了一种地震应急信息快速可视化方法及系统。该方法包括：使用动态网络爬虫技术动态获取网络文本数据，运用优化的fastText模型进行数据快速清洗，生成地震应急事件基础数据库；基于地震应急事件基础数据库，使用人工神经网络进行中文分词与词性标注，制定数据分类规则并进行地震应急文本信息抽取元数据；基于地震应急文本元数据，使用优化的BP人工神经网络建立地震应急数据可视化动态模型，运用SOA服务架构，完成地震应急信息可视化平台。本发明提供的地震应急信息快速可视化方法及系统把数据思维与地震应急业务相结合，根据地震应急数据在不同的时间段的数据之间的特点和影响，发现地震应急数据的潜在价值和数据相关性。

Description

地震应急信息快速可视化方法及系统
技术领域
本发明涉及地震应急信息处理技术领域，特别是涉及一种地震应急信息快速可视化方法及系统。
背景技术
由于互联网应用的普及，网上资源具有海量性特点，互联网已经成为各行业数据重要的信息源。互联网信息提取从传统的信息提取中衍生出来，它将整个互联网空间作为信息源，即从格式复杂、无结构的Web页面中识别出用户感兴趣或有价值的数据，并表示成一种语义清晰的结构化形式，使用户和程序能够更方便地查询和使用数据。基于信息处理技术，各行各业已建立了很多计算机信息系统，累积了大量的数据。据IDC发布《数据时代2025》的报告显示，2025年全球每年产生的数据将从2018年的33ZB增长到175ZB，相当于每天产生491EB的数据。数据是构成信息的前提和基础，好的数据质量是各种数据分析如OLAP、数据挖掘等有效应用的基本条件。为了使如此庞大的数据能够有效地支持各种事务的日常运作和决策，这就要求数据可靠无误，能够准确地反映现实世界的状况[1]。
地震应急工作是一项准军事化行动，成败的关键在于能否在最短的时间内做出科学合理的决策并付诸行动。科学合理的决策需要全面、准确、及时的灾情信息支撑。随着科学技术的发展，震后快速获取海量灾情信息成为可能，网络、无线通讯手段的普及以及公众参与意识的提高,地震发生后对地震灾情、救援投入、救援进展等关键信息的报送以网络、电视、广播、报刊、电话等方式传达,报送人员也不限于专业地震应急人员,还包括社会公众、新闻记者等，能够在震后0～72小时内获取的数据种类越来越多，数据量越来越大，海量的地震灾情信息是为应急响应和及时救援提供决策支持的依据；但由于应急响应信息系统建设滞后，应急救援人员对突发地震事件信息处理工作量大，严重阻碍了应急响应的效率。尤其对于海量的地震灾情信息不能及时有效地采集，并进行灾情数据分析，从而无法及时为救援决策提供可靠依据，最大限度地降低损失；同时地震信息存在时效性强的特点，震后生成的信息如震情、灾情信息和应急行动信息等,始终处于动态变化过程中,对于决策行为而言,某一时段的信息往往只对该时段的决策有效,同时,若对某一时段的应急问题进行决策,必须及时得到关于该时段应急问题的信息。地震应急信息的时效性要求地震应急人员必须在尽可能短的时间内得到各类所需要的信息,并在其生命周期内最有效地使用这些信息。
地震应急数据来源较为广泛，不仅包括上述所描述的来源于网络的灾情信息数据，还包括地震应急经济、人口等基础数据，地质构造条件数据等，因此如何快速提取出有价值的灾情数据，并对这些灾情数据、地震应急基础数据以及地质构造条件数据等进行智能分析处理，根据地震应急数据在不同时间段的数据之间的特点和影响，发现地震应急数据的潜在价值和数据相关性，以便地震应急科研人员进行下一步分析研究处理，是现阶段地震应急工作中尤其是在大震灾情获取之后亟需解决的关键问题之一[2-3]。
近年来，地震应急信息的重要性已经成为大家的共识。针对数据抽取和数据分析方面的研究，已有很多专家和学者采用了包括统计分析方法、简单的规则库、经典偶然误差处理模型、数据聚类等多种方法进行了部分数据的抽取与校验。但由于数据抽取算法都是针对特定应用领域问题的特点，在地震应急信息方面数据抽取技术的研究较少，针对地震应急数据在数据挖掘、数据分析方面的研究更少[4-7]。
下面就关于基于地震应急信息网络结构特征的研究、基于事件的信息抽取技术研究和大数据可视化分析技术研究等领域的国内外研究现状进行综述。
(1)基于地震应急信息方面的相关研究
地震应急信息产品从来源角度上讲，是指地震应急过程中产出的数据、资料、消息和知识的总称；从内容角度上讲，涵盖了震情信息、灾情信息、震区背景信息、应急响应信息、救援信息、科普信息等；从时间的维度上讲，是一次地震事件中从应急准备阶段、震时响应阶段、应急处置阶段到恢复重建阶段全过程产出的地震应急专业信息的集合；从效用上讲，实现了政府、大众媒体与社会公众、救援队伍、专业机构与特种行业、地震现场等服务对象对地震应急信息需求的实体呈现[8-10]。
在不严格区分数据与信息内涵的前提下,可将地震应急信息概括理解为:一切反映与地震应急有关的要素、物质和过程的数量、质量、性质、运动状态、联系和规律等的数字、文字、图像、图形、影音等资料和知识的总称。
地震应急信息除具有信息的一般性质外,还具有如下显著特征。①复杂性。地震灾害是人与自然关系激烈变化的一个片段,因此地震应急必然涉及自然与社会人文的许多方面和环节,因此地震应急信息也是一个涉及自然与人文许多方面的复杂的信息体系。②时效性。地震应急信息的时效性要求地震应急人员必须在尽可能短的时间内得到各类所需要的信息,特别是那些震后生成的信息如震情、灾情信息和应急行动信息等，并在其生命周期内最有效地使用这些信息。地震应急信息的时效性是由地震应急行动的紧迫性和动态变化特征决定的,这就要求地震应急工作要有有效快速获取信息的手段,要配备快速传递信息的通道,要开发最短的信息处理过程。③等级性和层次性。一次具体地震的应急行动可分为不同的行动层次,处在不同行动层次的应急人员具有不同的职责,需要做出不同层次的应急决策,因此其使用的地震应急信息也是具有层次性或等级性的。此外,地震应急信息还具有不完全性和动态变化特点[11-13]。
总体来说针对地震应急信息方面的研究还是比较充分的，其研究内容主要集中在内容和特征方面，但随着信息技术的快速发展，特别是人工智能、大数据等新技术的出现，可以开展灾害信息融合方法研究，为地震应急工作提供技术支持[14-15]。
(2)基于事件的信息抽取技术研究
信息抽取技术是从文本中抽取出特定的信息后，保存到结构化的数据库当中，以便用户查询和使用。信息抽取的任务就是从大量数据中准确、快速地获取目标信息并进行结构化处理，提高信息的利用率。目前，信息抽取已经成为自然语言处理NIP领域的一个重要分支。信息抽取的具体实现方法可分为三类：基于规则的方法、基于统计的方法和基于规则和基于统计的方法相结合的方法。早期的研究主要采用基于规则的方法。但是基于规则的方法有其身的局限性，如：人工编制规则的过程较复杂、通过机器学习得到的规则效率较低、系统通用性差等，所以后来的研究逐又转向基于统计的方法。基于统计的信息抽取，虽然可以一定程度上弥补基于统计方法的缺陷，但是随着研究的深，人们发现基于统计的方法并不是完美的，所以现在的研究多是采用将基于规则和基于统计的方法相结合的策略寻找效果更佳的信息抽取方案。近年来，依赖机器学习算法对于信息抽取技术的研究提供了直接支持。法国EURECOM的GiuseppeRizzo等人在2011年研发了一款名为NERD的应用于Web的综合性命名体识别系统。通过系统接口，NERD能将1O种较为流行的Web命名实体抽取器(主要有DBpedia ontology、YAGO、ContentExtraction、YAHOO！等)整合在一起，由蕴含大量规则信息结构的本体来支撑运行，依据本体还可在特定环境中调整各种工具的分类情况。2011年，德国洪堡大学(HumboldtUnivercity)的PhilippeThomas等人为研究生物医学文献进展，提出一种利用整体学习方法(EnsembleLearning)抽取药物之间的相互作用的方法。他们的方法基于不同语言特征空间，构建多种机器学习方法对比机制(主要为基于KernelTree的方法和基于案例的方法)，然后利用整体学习法选出效果最好的方法。哈尔滨工业大学徐永东博士结合HL7(Health Level Seven)标准的数据存储特点对目前电子病历的内容和结构进行了深入分析，提出了医疗信息五元组模式，以及更为细化的二元组和语义类描述，并在此基础上提出了模式泛化、模式获取、医疗信息自动抽取等一系列算法.通过实际312份住院病历数据下的实验表明，系统在查准率与查全率方面，获得了较好的结果。2018年南京师范大学徐朝军博士根据多媒体HTML标签特点，及文本类资源递归表达特征，提出了基于信息抽取的移动学习资源片段自动抽取的技术方案，该方案可以实时自动地从Web页面中抽取图片、音视频等多媒体资源切片及填空、选择题等移动学习资源切片。在地震领域，2016年中国地震灾害防御中心王东明博士利用DigitalGlobal提供的遥感影像数据,提取了尼泊尔震区某一建筑区域地震前后的影像。采用监督分类、非监督分类和面向对象的分类方法对震前震后的遥感图像进行了分类提取对比。通过与ArcGIS的人工矢量化图进行对比,发现在进行建筑物数量提取中,面向对象的分类方法能较准确地提取建筑物数量,为快速获取地震灾情、进行烈度评定等提供依据,对政府相关部门的应急救援与指挥决策有一定的指导作用。以上研究表明，信息抽取技术方面的研究还是比较充分的，虽然在地震应急领域方面的研究较少，但是仍然为本项目的研究提供了可借鉴的技术和方法[16-28]。
(3)基于大数据可视化分析技术研究
1987年，布鲁斯·麦考梅克等撰写的《Visualization in ScientificComputing》促进了可视化技术的发展，将科学计算中的可视化称之为科学可视化大数据分析是大数据研究领域的核心内容之一。大数据可视分析是指在大数据自动分析挖掘方法的同时，利用支持信息可视化的用户界面以及支持分析过程的人机交瓦方式与技术，有效融合计算机的计算能力和人的认知能力，以获得对于大规模复杂数据集的洞察力。可视化与大规模、高维度、非结构化数据有着紧密的联系。近年来，可视化研究和应用在地震勘探技术领域已经开展得比较广泛和成熟。2017年法国地球物理总公司的Joe Johnston博士以英国北海地区为实际案例运用大数据分析技术分析英国大陆架复杂井眼，针对数据开展多变量分析，构建相关关系，发现在区域空间上和垂向层组上存在的差异，利用相关关系即可计算预测的统计数值，并将大数据技术应用于离散数据，采用先进的可视化功能对多种类型的数据进行了显示。实践经验表明石油与天然气数据极为适宜进行大数据分析。2018年宁夏的马文娟工程师进行了大数据时代基于物联网和云计算的地震信息化研究，针对当前地震数字化观测存在的监测数据传输和震后应急调度支撑不足的问题，研究将新型传感物联网技术应用在地震监测区域,并结合云计算技术提高地震大数据的实时处理与应急调度能力,设计了一套基于物联网与云计算架构为核心的地震大数据应急调度平台的解决方案。然而实际在地震领域，科学可视化研究和应用还没有切实地开展起来，地震大数据还处于分散储存和分头管理状态，不成规模，但是很多研究人员对大数据分析技术在地震行业的应用做了设想，例如2018年搜救中心的王志秋研究员进行了地震大数据可视化研究和应用设想，对未来地震行业中大数据可视化研究进行前景预测和设想。2019年湖北省地震局的王棵佳工程师对大数据与人工智能对地震监测预报的应用前景进行研究，并认为以上技术能极大的提高数据处理和分析效率，提高分析预报的准确性和实时性，并促进地震监测预报事业的发展。地震大数据科学可视化，就是把地震大数据-计算数据和观测数据，经过数据处理和科学可视化，转换成图形，生成多维度、大尺度、长时域、多视像复合叠加的可视图形图像。通过对可视图形图像的全方位、多角度、静动态综合观察，启发超凡想象，集合人类智慧和人工智能的潜能，分析、研究和解释这些数据产出和图形图像的深度内涵、潜在关联和运行规律，探索地震孕育和发生过程，为地震预测预报提供动态的、趋向性的、可视化的多监测手段复合的图形图像支持，进而得出具有减灾实效的地震预测预报建议。知识图谱作为对科学知识及其间的关系可视化所得出的结果，具有较为直观、定量与客观等诸多优点，能够真实地显示一个学科的结构、热点、演化与趋势，是一种有效的、综合性的可视化分析方法和工具，被并取得较可靠的结论；目前已成广泛应用在科学计量学、管理学、科学学和情报学等学科领域并成为研究热点。因此，采用大数据结合知识图谱可视化技术分析技术对地震应急数据进行分析是可行的[29-39]。
参考文献：
[1]聂高众，安基文，邓砚，地震应急灾情服务进展[J].地震地质，2012，4(3-4)：782—791.
[2]LI C L,SU Y C,LIN T W,et al.Combination of feature engineering andranking models for paper-author identification in KDD Cup2013[C].Proceedingsof the 2013KDD Cup 2013Workshop.New York:ACM,2013:Article No.2.
[3]CASARI A,ZHENG A.Feature Engineering for Machine Learning[M].Sebastopol,CA:O'Reilly Media,2018:247-251.
[4]苏桂武，聂高众，高建国等，地震应急信息的特征、分类与作用[J].地震，2003，23(3)：27—35.
[5]李默涵,李建中.数据时效性修复问题的求解算法[J].计算机研究与发展,2015,52(09):1992-2001.
[6]段旭良,郭兵,沈艳,申云成,董祥千,张洪.基于时效规则的数据修复方法[J].软件学报,2019,30(03):589-603.
[7]帅向华，侯建盛，刘钦，基于地震现场离散点灾情报告的灾害空间分析模拟研究[J].地震地质，2009，31(2)：321—332.
[8]Wenfei Fan,Jianzhong Li,Shuai Ma,Nan Tang,Wenyuan Yu.Towardscertain fixes with editing rules and master data[J].The VLDB Journal,2012,21(2).
[9]AO J，ZHANG P，CAO Y N.Estimating the locations of emergency eventsfrom Twitter streams[J].Procedia Computer Science，2014，31:731-739.
[10]包从剑.数据清洗的若干关键技术研究[D].江苏大学,2007.
[11]王曰芬，章成志，张蓓蓓等，数据清洗研究综述[J].现代图书情报技术，2007，(12)：50—56.
[12]潘巍，李战怀，聂艳明等，一种有效的多数据源RFID冗余数据清洗技术[J].西北工业大学学报，2011，29(3)：435—442.
[13]叶舟，王东，基于规则引擎的数据清洗[J].计算机工程，2011，6(33)：51—54.
[14]郭志懋，周傲英，数据质量和数据清洗研究综述[J].软件学报，2012，13(36)：105—108.
[15]郭红梅，陈维锋，张莹等，基于规则引擎与空间聚类分析的多源地震灾情数据清洗策略研究[J].震灾防御技术.2015，第10卷第4期：892-901.
[16]HE J，GU Y Q，LIU H Y，et al.Scalable and noise tolerant webknowledge extraction for search task simplification[J].Decision SupportSystems，2013，56(5):156-167.
[17]SLEIMANH A，CORCHUELOR.A class of neural-network-based transducersfor web information extraction[J].Neuro computing，2013，135(5):61-68.
[18]刘春梅,郭岩,俞晓明,赵岭,刘悦,程学旗.针对开源论坛网页的信息抽取研究[J].计算机科学与探索,2017,11(01):114-123.
[19]侯明燕.基于网页信息定位的数据抽取技术的研究[D].暨南大学，2011:32-37.
[20]范聪.基于采样优化的随机抽取一致性算法[J].电光与控制.2018，第25卷第7期:34-38
[21]郭喜跃，何婷婷.信息抽取研究综述[J]，计算机科学，2015,2，第42卷第2期：14-18
[22]王东明，许立红.破坏建筑物遥感信息提取技术——以尼泊尔8.1级地震为例[J]，自然灾害学报，2016，3:124-129
[23]万里鹏.非结构化到结构化数据转换的研究与实现[D].西南交通大学,2013.
[24]陈杰,陈彩,梁毅.基于Word2vec的文档分类方法[J].计算机系统应用,2017,26(11):159-164
[25]赵震,马宗民,张富,林晓庆.基于双隐层极限学习机的模糊XML文档分类[J].计算机工程与应用,2017,53(4):19-24
[26]陈珍锐,丁治明.基于GloVe模型的词向量改进方法[J].计算机应用系统,2019,28(1):194-199
[27]段国仑,谢钧,郭蕾蕾.Web文档分类中TFIDF特征选择算法的改进[J].计算机技术与发展,2019,29(5):49-53
[28]白仙富，李永强，陈建华等，地震应急现场信息分类初步研究[J].地震研究，2010，33(1)：111—118.
[29]任磊，杜一，大数据可视化分析综述[J].软件学报，2014，Vo1.25，No.9:1909-1936
[30]王炳立，基于科学计量学的国际大数据研究可视化分析[J].情报杂志,2015，Vo1.34，No.2:131-135
[31]李忠，刘海军，基于空地观测的地震大数据处理系统研究[J].软件，2017，Vo1.38，No.12:,54-60
[32]柳向东，陈锦岚，旅游电商对产品区域异质性的提升策略研究——基于大数据与数据可视化方法[J].统计与信息论坛，2017，Vo1.32，No.8:31-38
[33]王志秋，地震大数据可视化研究和应用设想[J].国际地震动态，2018.4第4期：31-33
[34]鲁小丫，宋志豪，徐柱，利用实时路况数据聚类方法检测城市交通拥堵点[J].地球信息科学学报，2012，第14卷第6期：775-780.
[35]田伟.基于BP网络的输油管道泄漏报警技术研究[D].河北工业大学,2016.
[36]GALGANI F,COMPTON P,HOFFMANN A.LEXA:building knowledge bases forautomatic legal citation classification[J].Expert Systems with Applications,2015,42(17):6391-6407
[37]陈维锋，郭红梅，张翼等，四川省地震灾情快速上报接收处理系统[J].灾害学，2014，2(29)：110—116.
[38]刘政宇.基于大数据的数据清洗技术及运用[J].数字技术与应用,2019,37(04):92-94.
[39]杜丹.基于神经网络的地震重点区域预测与分析[D].中国地质大学(北京),2019.
发明内容
本发明要解决的技术问题是提供一种地震应急信息快速可视化方法及系统，把数据思维与地震应急业务相结合，根据地震应急数据在不同的时间段的数据之间的特点和影响，发现地震应急数据的潜在价值和数据相关性。
为解决上述技术问题，本发明提供了一种地震应急信息快速可视化方法，所述方法包括：使用动态网络爬虫技术动态获取网络文本数据，运用优化的fastText模型进行数据快速清洗，生成地震应急事件基础数据库；基于地震应急事件基础数据库，使用人工神经网络进行中文分词与词性标注，运用深度学习实体识别，制定数据分类规则并进行地震应急文本信息抽取元数据；基于地震应急文本元数据，使用优化的BP人工神经网络建立地震应急数据可视化动态模型，并使用ESB总线，结合GIS与Echarts技术，运用SOA服务架构，完成地震应急信息可视化平台。
在一些实施方式中，使用动态网络爬虫技术动态获取网络文本数据，运用优化的fastText模型进行数据快速清洗，生成地震应急事件基础数据库，包括：根据近年来历史地震事件获取到的地震应急灾情信息，使用网络信息爬取技术获得相应地震应急数据；地震应急数据来源的多源化采集分为短文本采集、长文本采集；形成地震灾害短文本数据集，及地震灾害长文本数据集；基于多源地震应急数据预处理获得的短文本数据集、长文本数据集，基于优化的fastText算法数据清洗模型进行数据清洗，并结合地震应急信息自身空间分布、时间尺度和数据形式上的多样性分布格局的特点，采用时空同一化的集成策略，设计基于REST的地震数据服务接口，建立多源地震应急信息基础资源数据库。
在一些实施方式中，形成地震灾害短文本数据集，及地震灾害长文本数据集，包括：对微博等社交媒体短文本数据，采用短文本语义分析方法，对文本进行语义挖掘，提取出灾情等深层信息，形成地震灾害短文本数据集；对互联网来源、新闻媒体报道来源等长文本信息，依据地震应急信息抽取规则，形成地震灾害长文本数据集。
在一些实施方式中，基于地震应急事件基础数据库，使用人工神经网络进行中文分词与词性标注，运用深度学习实体识别，制定数据分类规则并进行地震应急文本信息抽取元数据，包括：结合地震应急事件信息特征表示体系，根据地震应急事件描述特点，采用隐马尔科夫模型和人工神经网络等技术对地震应急文本进行中文分词和词性标注，从地震应急信息中找到未知隐藏的信息，同时需要对复杂的数据信息进行分类；地震应急长文本类的信息抽取，依据地震应急信息中文文本分词及词性标注，结合地震应急事件信息特征中的震情信息特征，给定一个初始的地震应急专有词对库和语料样本，采用半监督学习方法进行训练，将训练出的规则写入规则库，再利用规则库寻找新的地震应急专有词对，选取合适的迭代参数，迭代生成规则库，用以抽取地震事件实体之间的关系；地震短文本类的信息抽取，依据地震应急信息中文文本分词及词性标注，结合地震应急事件信息特征中的震情信息特征，进行地震事件基本信息的描述，发布单位、发震时间、震中位置、震级、震源深度、震中经纬度信息等的提取，采用基于深度学习方法的命名实体识别技术，在结合规则模板进行信息抽取。
在一些实施方式中，地震应急长文本类的信息抽取，依据地震应急信息中文文本分词及词性标注，结合地震应急事件信息特征中的震情信息特征，给定一个初始的地震应急专有词对库和语料样本，采用半监督学习方法进行训练，将训练出的规则写入规则库，再利用规则库寻找新的地震应急专有词对，选取合适的迭代参数，迭代生成规则库，用以抽取地震事件实体之间的关系，包括：利用地震应急专有词对库中的词对和样本库中抽取的实体进行匹配；如果匹配成功，将抽取的关系存入规则库；利用规则库中的规则匹配样本库，新增的满则这三条规则的实体再存入地震应急专有词对；迭代执行上述步骤，直至生成完整的规则库。
在一些实施方式中，基于地震应急文本元数据，使用优化的BP人工神经网络建立地震应急数据可视化动态模型，并使用ESB总线，结合GIS与Echarts技术，运用SOA服务架构，完成地震应急信息可视化平台，包括：基于地震应急信息抽取元数据，使用模糊C均值聚类算法进行数据聚类；结合聚类后的数据，使用BP神经网络完成模式识别，建立地震应急数据可视化动态模型。
在一些实施方式中，结合聚类后的数据，使用BP神经网络完成模式识别，建立地震应急数据可视化动态模型，包括：对于样本存在奇异样本数据的数据集在训练之前先将其归一化；采用基于L-M算法的BP神经网络算法，对BP神经网络进行训练。
此外，本发明还提供了一种地震应急信息快速可视化系统，所述系统包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据前文所述的地震应急信息快速可视化方法。
采用这样的设计后，本发明至少具有以下优点：
(1)与传统的数据清洗工作只建立清洗规则不同，本技术发明基于网络爬虫技术采集地震应急数据，提出地震应急Web文档加权频度算法P-TF-IDF，过滤掉频度较低的词语，优化fastText模型中N-gram特征词向量，快速实现地震应急数据的采集与融合，并以此建立地震应急信息基础资源库
(2)基于所构建的地震应急基础资源数据库，使用模糊C均值聚类(FCM)算法，结合具有强大的非线性映射的BP神经网络优化算法，建立地质构造条件与周边人员伤亡以及经济损失之间的对应关系，创新表达方式，构建地震应急数据可视化动态模型，为数据可视化提供数据基础。
(3)运用组件化的方式，结合地震应急基础资源数据库、地质构造条件与周边人员伤亡以及经济损失模型，实现地震应急信息的信息联动、GIS的维度切换、区域分组联动等可视化样式；结合先进的企业服务总线ESB技术，构建面向服务架构(SOA)的大数据可视化平台。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是地震应急大数据可视化平台技术路线图；
图2是多源地震应急信息的采集、融合与基础资源库技术路线图；
图3是地震应急事件的空间信息抽取技术路线图；
图4是无监督信息抽取技术路线图；
图5是构建地震应急数据可视化动态模型技术路线图；
图6是地震应急数据可视化技术路线图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
基于地震应急信息网络结构特征的研究、基于事件的信息抽取技术研究和大数据可视化分析技术研究等领域的国内外研究现状综述不难发现，虽然部分专家在地震领域的数据抽取和数据分析方面进行了一些研究，但是以上系统都有一定的局限性，而地震应急信息的时效性要求地震应急人员必须在尽可能短的时间内快速准确的得到各类所需要的信息,如果采用传统算法对互联网中的地震应急海量数据进行抽取，由于其算法的时间复杂度和空间复杂度偏高，从而导致信息获取效率偏低。因此必须考虑到数据与地震事件相关度且应对数据进行具有不同优先级分级处理，同时结合地震应急相关领域的知识进行分析处理。因此针对现有强地震后海量地震应急数据智能分析的关键技术研究是非常必要的，相应的研究内容包括地震应急信息抽取技术和大数据可视化分析技术研究等。本项目将为震后应急辅助决策和政府抗震救灾等指挥决策提供更好的技术支持和服务。
本技术发明是根据地震应急数据的特点，探索地震应急数据的采集、抽取与融合的方法和理论体系，深入挖掘地震应急数据的潜在价值和数据相关性，实现基于地震应急大数据共享的可视化分析平台，其目的与意义集中体现于以下几个方面：
(1)通过网络爬虫技术采集地震应急数据，并进行地震应急空间数据等信息抽取，运用结构、语义、空间、事件的模糊性、差异性和异构性的地震数据融合方法，基于优化的fastText模型，快速实现地震应急数据的采集与融合，并以此建立地震应急信息基础资源库。
(2)基于所构建的地震应急基础资源数据库，使用模糊C均值聚类(FCM)算法，结合具有强大的非线性映射的BP神经网络优化算法，建立地质构造条件与周边人员伤亡以及经济损失之间的对应关系，创新表达方式，构建地震应急数据可视化动态模型，为数据可视化提供数据基础。
(3)运用组件化的方式，结合地震应急基础资源数据库、地质构造条件与周边人员伤亡以及经济损失模型，实现地震应急信息的信息联动、GIS的维度切换、区域分组联动等可视化样式；结合先进的企业服务总线ESB技术，构建面向服务架构(SOA)的大数据可视化平台。
总之，本项目的研究目标是结合地震应急信息特点，通过大数据可视化技术，提升地震应急数据的处理、分析与应用的效率和质量，为地震行业科研工作者提供技术支持，为国家相关部门处理地震应急事件和保证社会稳定提供决策支持。
本技术发明主要针对地震应急信息的特点，把数据思维与地震应急业务相结合，根据地震应急数据在不同的时间段的数据之间的特点和影响，发现地震应急数据的潜在价值和数据相关性，进行地震应急信息的数据挖掘研究。技术方案流程如下：首先，使用动态网络爬虫技术动态获取网络文本数据，运用优化的fastText模型进行数据快速清洗，生成地震应急事件基础数据库；其次，基于地震应急事件基础数据库，使用人工神经网络进行中文分词与词性标注，运用深度学习实体识别，制定数据分类规则并进行地震应急文本信息抽取元数据；最后，基于地震应急文本元数据，使用优化的BP人工神经网络建立地震应急数据可视化动态模型，并使用ESB总线，结合GIS与Echars技术，运用SOA服务架构，完成地震应急信息可视化平台。
总体技术路线如下：构建多源地震应急事件基础数据库→基于地震应急信息的数据抽取研究→构建地震应急数据可视化动态模型及地震应急信息可视化平台。
(1)多源地震应急信息的采集、融合与基础资源库的构建。
基础数据资源库建设，具体步骤如下：
首先，根据近年来历史地震事件获取到的地震应急灾情信息，使用网络信息爬取技术获得相应地震应急数据，地震应急数据来源的多源化采集分为短文本采集、长文本采集，对微博等社交媒体短文本数据，采用短文本语义分析方法，对文本进行语义挖掘，提取出灾情等深层信息，形成地震灾害短文本数据集；对互联网来源、新闻媒体报道来源等长文本信息，依据地震应急信息抽取规则，形成地震灾害长文本数据集。
其次，基于多源地震应急数据预处理获得的短文本数据集、长文本数据集，基于优化的fastText算法数据清洗模型进行数据清洗，并结合地震应急信息自身空间分布、时间尺度和数据形式上的多样性分布格局的特点，采用时空同一化的集成策略，设计基于REST的地震数据服务接口，建立多源地震应急信息基础资源数据库。
(2)面向地震应急事件的信息抽取与数据空间化技术研究。
基于地震应急事件信息特征表示体系，利用自然语言处理技术，根据不同的地震应急文本信息的特点，完成地震应急文本信息的结构化和空间化，及实体-关系-实体的三元组表示。信息抽取技术的流程(如图3地震应急事件的空间信息抽取技术路线图所示)为中文分词及词性标注、地震短文本类的信息抽取、地震长文本类的信息抽取、数据空间化，具体步骤如下：
①地震应急信息中文文本分词及词性标注
结合地震应急事件信息特征表示体系，根据地震应急事件描述特点，采用隐马尔科夫模型和人工神经网络等技术对地震应急文本进行中文分词和词性标注，从地震应急信息中找到未知隐藏的信息，同时需要对复杂的数据信息进行分类。
②地震应急长文本的信息抽取
地震应急长文本类的信息抽取，依据地震应急信息中文文本分词及词性标注，结合地震应急事件信息特征中的震情信息特征，给定一个初始的地震应急专有词对库和语料样本，采用半监督学习方法进行训练，将训练出的规则写入规则库，再利用规则库寻找新的地震应急专有词对，选取合适的迭代参数，迭代生成规则库，用以抽取地震事件实体之间的关系。
如给定(四川汶川，地震)、(四川北川，泥石流)两组地震应急专有词对库，语料样本库如下：2008年5月12日14时28分，四川汶川发生里氏8.0级特大地震；四川北川发生泥石流，1300人被困，泥石流发生在四川北川，泥石流发生在陈家坝乡，四川北川出现了泥石流，印度尼西亚巴厘岛附近出现了6.2级的强烈地震，滑坡发生在四川什邡。
如图4无监督信息抽取技术路线图所示，第一步利用地震应急专有词对库中的词对和样本库中抽取的实体进行匹配，若匹配上，第二步则抽取关系，将抽取的关系存入规则库，第三步利用规则库中的规则匹配样本库，新增的满则这三条规则的实体再存入地震应急专有词对，如此迭代进行。
③地震短文本类的信息抽取
地震短文本类的信息抽取，依据地震应急信息中文文本分词及词性标注，结合地震应急事件信息特征中的震情信息特征，进行地震事件基本信息的描述，发布单位、发震时间、震中位置、震级、震源深度、震中经纬度信息等的提取，采用基于深度学习方法的命名实体识别技术，在结合规则模板进行信息抽取。
表1“人员死亡”事件语义模板及匹配规则
Figure BDA0003176228200000181
如文本“截至24日12点30分，甘肃岷县地震共造成45人遇难”，对文本进行分词及标注后，采取基于深度学习方法的命名实体识别技术，再结合规则模板进行信息抽取。
(3)地震应急数据可视化动态模型及其可视化研究
构建地震应急数据可视化动态模型，具体步骤如下：
①基于地震应急信息抽取元数据，使用模糊C均值聚类(FCM)算法进行数据聚类，用值在0，1间的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件。用式(3)计算C个聚类中心Ci(i＝1，…，c)。在根据式(2)计算价值函数。如果它小于某个确定的值，或它相对上次价值函数值的改变量小于某个阀值ε，则算法停止。用式(4)计算新的U矩阵。返回步骤2。最后完成地震应急信息抽取元数据聚类操作。
Figure BDA0003176228200000191
上式中，μij表示样本I属于j类的隶属度，式(1)为约束条件，表示一个样本属于所有类的隶属度之和为1。
Figure BDA0003176228200000192
其中，n为样本数量，c为聚类的簇数，m为一个隶属度的因子，一般为2；dij表示样本数据到中心点的欧氏距离。
Figure BDA0003176228200000193
Figure BDA0003176228200000194
其中，式(3)为Ci的迭代公式，Ci是聚类中心；式(4)为Uij的迭代公式，Uij是隶属矩阵。
②结合聚类后的数据，使用BP神经网络完成模式识别，BP神经网络由输入层、若干个隐层和输出层组成，层与层之间是全连接的，每一个连接弧连接两个神经元，并赋有权值作为前一层神经元对后一层神经元的影响程度，每一层内部的任意两个节点都是互不相连。在神经网络中，隐含层起抽象的作用，即它能从输入数据提取特征，实现网络非线性映射的功能。神经网络的训练是应用一系列训练样本通过学习算法调整网络的权值实现。
有部分经过分类后的数据存在奇异样本数据，这样的数据会引起网络训练时间增加，并可能引起网络无法收敛，所以对于样本存在奇异样本数据的数据集在训练之前先将其归一化。所谓归一化就是把需要处理的数据经过某种算法限制在需要的范围内。这是为了后面数据处理的方便，并且保证程序运行时收敛加快。样本的归一化处理：
Figure BDA0003176228200000201
Figure BDA0003176228200000202
式中，
Figure BDA0003176228200000203
和
Figure BDA0003176228200000204
分别是未归一化的第M个实际样本的第i个输入值和第j个期望输出值，
Figure BDA0003176228200000205
和
Figure BDA0003176228200000206
分别是归一化后第M个实际样本的第i个输入值和第j个期望输出值，
Figure BDA0003176228200000207
和
Figure BDA0003176228200000208
分别是样本中最大值和最小值，
Figure BDA0003176228200000209
和
Figure BDA00031762282000002010
是期望输出的最大和最小值，m是样本容量。
为避免BP神经网络算法存在样本数量大、复杂性高等情况下存在训练速度慢、误差大和时间复杂度高等缺点，采用基于L-M算法的BP神经网络算法，L-M优化算法是梯度下降法和牛顿法的结合，LM-BP网络算法具有训练速度更快及识别准确率更高等优点。结合梯度下降法在开始几步时下降速度较快和牛顿法在最优值附近可产生理想搜索方向特点。对于目标函数值如式(8)所示，即求其得梯度方向d(k)。并反复搜索如式(10)所示，其中vk满足如式(9)所示。
fi(X(k))(I＝1，2…m) (7)
上式为将数据输入到网络中，fi是第i层的传输函数，X(k)为输入向量，k为迭代步数。
[J(X(k))TJ(XK)+ukI]dk＝-J(X(k))Tf(XK) (8)
其中，J为式(2)的方法，dk为下降的梯度方向，uk为迭代k次的隶属矩阵，I为样本总数。
X(k+1)＝X(k)+vkd(k) (9)
上式为执行算法的第k+1次迭代过程，其中vk表示第k次迭代时的误差值。
F(X(k)+vkd(k))＝minF(X(k)+vkd(k)) (10)
式(10)为当算法迭代的到F值最小时输出。
在算法迭代过程中，对参数不断调整，当迭代次数达到最大或误差函数达到设定值时，停止迭代，模型学习结束。
结合地震应急数据可视化动态模型，采用GIS+Echarts+ESB总线技术，构建的大数据可视化平台要遵循标准的、面向服务架构(SOA)的方式，遵循先进技术标准和规范，为跨地域、跨平台不同应用系统、不同数据库之间的互连互通提供包含提取、转换、传输和加密等操作的数据交换服务，实现扩展性良好的“松耦合”结构的应用和数据集成。
本技术发明的优点集中体现于以下几个方面：
(1)与传统的数据清洗工作只建立清洗规则不同，本技术发明基于网络爬虫技术采集地震应急数据，提出地震应急Web文档加权频度算法P-TF-IDF，过滤掉频度较低的词语，优化fastText模型中N-gram特征词向量，快速实现地震应急数据的采集与融合，并以此建立地震应急信息基础资源库
(2)基于所构建的地震应急基础资源数据库，使用模糊C均值聚类(FCM)算法，结合具有强大的非线性映射的BP神经网络优化算法，建立地质构造条件与周边人员伤亡以及经济损失之间的对应关系，创新表达方式，构建地震应急数据可视化动态模型，为数据可视化提供数据基础。
(3)运用组件化的方式，结合地震应急基础资源数据库、地质构造条件与周边人员伤亡以及经济损失模型，实现地震应急信息的信息联动、GIS的维度切换、区域分组联动等可视化样式；结合先进的企业服务总线ESB技术，构建面向服务架构(SOA)的大数据可视化平台。
本技术发明的主要特色是实现地震应急信息的数据抽取和可视化模型，技术发明的关键点如下：
(1)构建面向多源、异构地震应急信息的数据抽取框架。
地震发生后，海量的数据为地震应急事件的分析提供了数据支持，但同时也带来了巨大的预处理数据，构建合理的特征属性体系是地震应急数据分析的基础。为此，本项目针对地震应急信息的内容和特征特点，用自然语言处理技术，抽取出与地震应急事件相关的各种实体、属性概念以及它们之间的关系，并根据抽取的信息，结合地理编码、位置检索等互联网公共服务等技术对抽取的缺乏经纬度信息的位置实体进行空间化，为数据可视化提供数据基础。
(2)构建地震应急数据可视化动态模型。
地震发生后，虽然通过信息采集与数据预处理，获取部分地震应急信息，但其数据使用率较低，为此，本项目运用模糊C均值聚类(FCM)算法和BP神经网络优化算法，建立地质构造条件与周边人员伤亡以及经济损失之间的对应关系，创新表达方式，为震后应急辅助决策和政府抗震救灾等指挥决策提供更好的技术支持和服务。
需要说明的是，在进行数据清洗抽取过程中，传统的数据清洗根据数据特点，建立缺失数据识别规则、数据分类规则、数据修复规则，检测数据集中的无效值，完成数据比对与冗余判断，清洗数据冲突和数据错误，生成完整的无重复的数据集。但是仅仅依靠数据清洗规则不能达到快速、准确的数据清洗。
在数据可视化系统构建过程中，使用Echarts技术进行数据展示。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。

Claims (6)

1.一种地震应急信息快速可视化方法，其特征在于，包括：
使用动态网络爬虫技术动态获取网络文本数据，运用优化的fastText模型进行数据快速清洗，生成地震应急事件基础数据库；
基于地震应急事件基础数据库，使用人工神经网络进行中文分词与词性标注，运用深度学习实体识别，制定数据分类规则并进行地震应急文本信息抽取元数据；
基于地震应急文本元数据，使用优化的BP人工神经网络建立地震应急数据可视化动态模型，并使用ESB总线，结合GIS与Echarts技术，运用SOA服务架构，完成地震应急信息可视化平台；
基于地震应急文本元数据，使用优化的BP人工神经网络建立地震应急数据可视化动态模型，并使用ESB总线，结合GIS与Echarts技术，运用SOA服务架构，完成地震应急信息可视化平台，包括：
基于地震应急信息抽取元数据，使用模糊C均值聚类算法进行数据聚类；
结合聚类后的数据，使用BP神经网络完成模式识别，建立地震应急数据可视化动态模型；
结合聚类后的数据，使用BP神经网络完成模式识别，建立地震应急数据可视化动态模型，包括：
对于样本存在奇异样本数据的数据集在训练之前先将其归一化；
采用基于L-M算法的BP神经网络算法，对BP神经网络进行训练。
2.根据权利要求1所述的地震应急信息快速可视化方法，其特征在于，使用动态网络爬虫技术动态获取网络文本数据，运用优化的fastText模型进行数据快速清洗，生成地震应急事件基础数据库，包括：
根据近年来历史地震事件获取到的地震应急灾情信息，使用网络信息爬取技术获得相应地震应急数据；
地震应急数据来源的多源化采集分为短文本采集、长文本采集；
形成地震灾害短文本数据集，及地震灾害长文本数据集；
基于多源地震应急数据预处理获得的短文本数据集、长文本数据集，基于优化的fastText算法数据清洗模型进行数据清洗，并结合地震应急信息自身空间分布、时间尺度和数据形式上的多样性分布格局的特点，采用时空同一化的集成策略，设计基于REST的地震数据服务接口，建立多源地震应急信息基础资源数据库。
3.根据权利要求2所述的地震应急信息快速可视化方法，其特征在于，形成地震灾害短文本数据集，及地震灾害长文本数据集，包括：
对微博的社交媒体短文本数据，采用短文本语义分析方法，对文本进行语义挖掘，提取出灾情的深层信息，形成地震灾害短文本数据集；
对互联网来源、新闻媒体报道来源的长文本信息，依据地震应急信息抽取规则，形成地震灾害长文本数据集。
4.根据权利要求1所述的地震应急信息快速可视化方法，其特征在于，基于地震应急事件基础数据库，使用人工神经网络进行中文分词与词性标注，运用深度学习实体识别，制定数据分类规则并进行地震应急文本信息抽取元数据，包括：
结合地震应急事件信息特征表示体系，根据地震应急事件描述特点，采用隐马尔科夫模型和人工神经网络等技术对地震应急文本进行中文分词和词性标注，从地震应急信息中找到未知隐藏的信息，同时需要对复杂的数据信息进行分类；
地震应急长文本类的信息抽取，依据地震应急信息中文文本分词及词性标注，结合地震应急事件信息特征中的震情信息特征，给定一个初始的地震应急专有词对库和语料样本，采用半监督学习方法进行训练，将训练出的规则写入规则库，再利用规则库寻找新的地震应急专有词对，选取合适的迭代参数，迭代生成规则库，用以抽取地震事件实体之间的关系；
地震短文本类的信息抽取，依据地震应急信息中文文本分词及词性标注，结合地震应急事件信息特征中的震情信息特征，进行地震事件基本信息的描述，发布单位、发震时间、震中位置、震级、震源深度、震中经纬度信息的提取，采用基于深度学习方法的命名实体识别技术，在结合规则模板进行信息抽取。
5.根据权利要求4所述的地震应急信息快速可视化方法，其特征在于，地震应急长文本类的信息抽取，依据地震应急信息中文文本分词及词性标注，结合地震应急事件信息特征中的震情信息特征，给定一个初始的地震应急专有词对库和语料样本，采用半监督学习方法进行训练，将训练出的规则写入规则库，再利用规则库寻找新的地震应急专有词对，选取合适的迭代参数，迭代生成规则库，用以抽取地震事件实体之间的关系，包括：
利用地震应急专有词对库中的词对和样本库中抽取的实体进行匹配；
如果匹配成功，将抽取的关系存入规则库；
利用规则库中的规则匹配样本库，新增的满则这三条规则的实体再存入地震应急专有词对；
迭代执行上述步骤，直至生成完整的规则库。
6.一种地震应急信息快速可视化系统，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1至5任意一项所述的地震应急信息快速可视化方法。
CN202110833117.8A 2021-07-22 2021-07-22 地震应急信息快速可视化方法及系统 Active CN113468320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110833117.8A CN113468320B (zh) 2021-07-22 2021-07-22 地震应急信息快速可视化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110833117.8A CN113468320B (zh) 2021-07-22 2021-07-22 地震应急信息快速可视化方法及系统

Publications (2)

Publication Number Publication Date
CN113468320A CN113468320A (zh) 2021-10-01
CN113468320B true CN113468320B (zh) 2022-02-15

Family

ID=77881953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110833117.8A Active CN113468320B (zh) 2021-07-22 2021-07-22 地震应急信息快速可视化方法及系统

Country Status (1)

Country Link
CN (1) CN113468320B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265965A (zh) * 2021-12-24 2022-04-01 沈阳铝镁科技有限公司 一种铝用炭素企业信息集成平台数据的处理系统
CN114860960B (zh) * 2022-07-11 2022-11-11 南京师范大学 一种基于文本挖掘的洪涝型Natech灾害事件知识图谱构建方法
CN116361463B (zh) * 2023-03-27 2023-12-08 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) 一种地震灾情信息提取方法、装置、设备及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820629B (zh) * 2015-05-14 2018-01-30 中国电子科技集团公司第五十四研究所 一种智能的舆情突发事件应急处理系统及方法
CN106022572A (zh) * 2016-05-10 2016-10-12 深圳市永兴元科技有限公司 应急事件处理状态可视化方法和装置
CN106897400B (zh) * 2017-02-10 2020-04-07 中国农业大学 一种网络社交媒体中地震信息的可视化方法和系统
CN107562814A (zh) * 2017-08-14 2018-01-09 中国农业大学 一种地震应急和灾情信息获取分类方法及系统
CN111950199A (zh) * 2020-08-11 2020-11-17 杭州叙简科技股份有限公司 一种基于地震新闻事件的地震数据结构化自动方法

Also Published As

Publication number Publication date
CN113468320A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN113468320B (zh) 地震应急信息快速可视化方法及系统
CN107103100B (zh) 一种容错的基于图谱架构的智能语义搜索方法
KR102421904B1 (ko) 재난사고 원인분석의 고도화 방법
Wang et al. Understanding geological reports based on knowledge graphs using a deep learning approach
CN115438199A (zh) 一种基于智慧城市场景数据中台技术的知识平台系统
Wilkho et al. FF-IR: An information retrieval system for flash flood events developed by integrating public-domain data and machine learning
CN111353085A (zh) 一种基于特征模型的云挖掘分析网络舆情方法
CN113610626A (zh) 银行信贷风险识别知识图谱构建方法、装置、计算机设备及计算机可读存储介质
Ye et al. Analyzing asymmetric city connectivity by toponym on social media in China
Cheng et al. Research status and evolution trends of emergency information resource management: based on bibliometric analysis from 2003 to 2022
CN113326345A (zh) 基于动态本体的知识图谱分析、应用方法、平台及设备
CN116467291A (zh) 一种知识图谱存储与搜索方法及系统
Ishikawa et al. Towards construction of an explanation framework for whole processes of data analysis applications: concepts and use cases
Yu Research on emergency management information system model based on big data
Qiu et al. Integrating NLP and Ontology Matching into a Unified System for Automated Information Extraction from Geological Hazard Reports
Li et al. Distributed processing of spatiotemporal ocean data: a survey
Huang et al. Marine information system based on ocean data ontology construction
Pu et al. Migration knowledge graph framework and its application
Wang et al. Creating spatiotemporal semantic maps from web text documents
Fen et al. Research on internet hot topic detection based on MapReduce architecture
Wang et al. A Semantics-Guided and Spatial-Aware Framework for Natural Resources Geo-Analytical Question Answering
Wang et al. An early warning method for abnormal behavior of college students based on multimodal fusion and improved decision tree
Al-Kerboly et al. Improving educational big data based on web mining and association rules
Azeroual A text and data analytics approach to enrich the quality of unstructured research information
Li Information retrieval method of natural resources data based on hash algorithm

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