CN113688251B - 一种室内体育赛事安保领域的知识图谱构建方法与系统 - Google Patents

Abstract

本发明公开了一种室内体育赛事安保领域的知识图谱构建方法及系统，包括：通过获得室内区域信息、每一次赛事的人流在各区域的流动方向及时间长度、TOP‑N个拥挤区域和抽取历来发生过安全或安保问题的区域作为标注区域，预测发生安保问题的区域；通过NLP技术构建安保领域知识图谱，将可能发生安保问题的区域添加到危险区域关系属性中，对所述属性进行多种危险联合识别和属性更新；在知识图谱的本体继承中，对所述属性的继承进行约束，去除错误的危险区域，构建精准的安保知识图谱，根据所述图谱分配巡逻和指挥紧急事件。本发明用来辅助知识图谱中危险区域属性的构建，并细化区域间关系还有危险区域继承的算法，使安保领域知识图谱构建更加高效精准。

Description

一种室内体育赛事安保领域的知识图谱构建方法与系统

【技术领域】

本发明涉及计算机应用技术领域，尤其涉及一种适用于室内体育赛事安保领域的知识图谱构建方法与系统。

【背景技术】

当前有很多构建知识图谱的方法，但是用于安保领域的知识图谱很少，主要是因为安保知识图谱，是针对安保领域的业务而专门设计的，其中涉及的内容，更安保相关，尤其是室内体育赛事方面的安保，踩踏事件、垃圾乱丢、打架斗殴等居多，这些事件如果可以通过地理因素找到相关危险区域，并且构建知识图谱，则可以为安保方案提供直观的展示和推理过程，因此安保领域知识图谱的构建具有其本身的特点，本发明不是构建通用知识图谱，而是针对性地对安保中危险区域节点进行构建，展开技术研究，使安保领域知识图谱构建更加高效精准。

【发明内容】

本发明提供了一种室内体育赛事安保领域的知识图谱构建方法，其特征在于，所述方法包括：

通过体育场馆图获得室内区域信息，通过视频监控技术获得每一次赛事的赛前赛中赛后，人流在室内各区域的流动方向，人流流过所述区域的时间长度，获得TOP-N个拥挤区域，通过抽取历来发生过安全或安保问题的区域作为标注区域，预测可能发生安保问题的区域；

根据新闻报道的文本内容，通过NLP技术构建安保领域知识图谱，对于可能发生安保问题的区域，将所述区域添加到危险区域关系属性中；

对知识图谱危险区域关系属性进行多种危险联合识别和属性更新；

在知识图谱的本体继承中，对危险区域关系属性的继承进行约束，去除错误的危险区域，构建精准的安保知识图谱，并根据图谱显示的区域危险性分配巡逻和指挥紧急事件。

进一步可选地，如上所述的方法中，所述通过体育场馆图获得室内区域信息，包括：

从场馆安保运行图中提取的设施及房间，包括门、楼梯、电梯、供电间作为本体，存储到Neo4J或JanuasGraph图数据库中。

进一步可选地，如上所述的方法中，所述通过视频监控技术获得每一次赛事的赛前赛中赛后，人流在室内各区域的流动方向，人流流过所述区域的时间长度，包括：

在赛前赛中赛后分别统计，在预设时间段内根据采集的实时图像对进入所述预设区域的人流量进行统计，在预设时间段内根据采集的实时图像对预定区域的走出人流量进行统计；

并根据进入和走出的人流量统计预定区域内的人数量值，以及从进入到走出的经过时间；

所述监控与人流分析采用LEGION Simulator进行挖掘。

进一步可选地，如上所述的方法中，所述通过抽取历来发生过安全或安保问题的区域，预测可能发生安保问题的区域，标注为危险区域，包括：

获取TOP-N个拥挤区域的区域名称、人流量、人流通过时间、采用ArcGIS 10.6，计算坡度和坡向，并对坡度和坡向进行区间划分，据此再对整个比赛场地进行区域划分，得到一个个区域的坡度和坡向相等的面块，作为特征的输入，根据该区域是否真实发生过安全问题，作为标注值，训练机器学习模型。

进一步可选地，如上所述的方法中，所述根据新闻报道的文本内容，通过NLP技术构建安保领域知识图谱，包括：

通过现有安保知识图谱，获取种子词；

通过将现有种子词放入搜索引擎中检索相关知识点获取推荐搜索，进一步获取更多安保领域种子知识点；

所述放入搜索引擎中检索相关知识点，主要包括从网页新闻报道中获取语料，抓取到现有安保领域知识点相关的词和该词对应的网页内容全文，只取5至10页的内容，用于发现更多安保相关实体；

根据前面获取的安保实体和知识点种子词，采用ac自动机对文本匹配；

对匹配不上的句子，进行过滤剔除；

对能够被匹配上的句子进行重点分析，所述重点分析主要包括分词、词性标注和句法分析；

对得到匹配的句法关系进行获取和存储，并识别其关系类型；

将所述关系类型作为属性，将句法分析中的主语作为安保知识图谱中的父节点，宾语作为子节点。

进一步可选地，如上所述的方法中，所述对于可能发生安保问题的区域，将所述区域添加到危险区域关系属性中，包括：

为每一个安保知识图谱中的节点添加危险区域关系属性，采用word2vec扩展节点名称，判断该节点是否与预测的危险区域相关，如果相关，则将该区域的危险程度、关联危险区域添加到关系属性中。

进一步可选地，如上所述的方法中，所述对知识图谱危险区域关系属性进行多种危险联合识别和属性更新，包括：

从带有危险属性的知识图谱节点中，获取第一危险特征向量；

所述特征向量包括该节点可能发生的危险类型以及该节点发生危险的概率；

搜索平行的相邻节点是否也是危险节点，若是，获取所述相邻节点，作为第二危险特征向量；

依据所述第一危险特征向量和所述第二危险特征向量，计算所述两个节点联合特征值，所述联合采用欧式距离进行计算，获取多个节点同时发生危险的概率；

当多个节点都有危险标识时，多个节点突出联合进行危险属性的联合显示。

进一步可选地，如上所述的方法中，所述在知识图谱的本体继承中，对危险区域关系属性的继承进行约束，去除错误的危险区域，包括：

获取所有节点，进行基于语义的关联继承，获取继承后的属性冲突，去除错误的危险区域，保留真实的危险区域属性。

进一步可选地，如上所述的方法中，所述根据区域危险性分配巡逻和指挥紧急事件，包括：

对多个危险区域关联的节点，分配更多的巡逻人力，对可能发生危险的区域进行指挥紧急事件预案设计，使安保事件通过知识图谱中展示的安全区域进行疏通。

本发明公开了一种室内体育赛事安保领域的知识图谱构建系统，其特征在于，所述系统包括：

危险区域预测模块，用于通过监控数据预测可能发生拥挤或者安保问题的区域；

知识图谱构建模块，用于根据场馆安保问题新闻报道，自动构建安保知识图谱；

知识图谱节点危险属性标识模块，用于根据知识图谱中的危险区域，分析联合危险区域和精准继承危险区域属性；

安保知识图谱应用模块，用于根据知识图谱的内容，辅助安保巡逻和应急决策。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明通过分析室内场馆的真实布局和危险区域特征，来辅助知识图谱中危险区域属性的构建，并细化区域间关系还有危险区域继承的算法，能够精准的实现安保知识图谱，针对安保这一业务需求的知识图谱自动构建，对专领域知识图谱，尤其是安保领域知识图谱的构建方案起到更加精准有效的方法，能够使管理者在使用知识图谱之后，更好的维护室内体育赛事场馆的安全，有利于分配巡逻和处理应急事件。

【附图说明】

图1为本发明的适用于室内体育赛事安保领域的知识图谱构建方法实施例的流程图。

图2为本发明的适用于室内体育赛事安保领域的知识图谱构建系统实施例的结构图。

图3为本发明的适用于室内体育赛事安保领域的知识图谱构建系统实施例的另一结构图。

图4为本发明的适用于室内体育赛事安保领域的知识图谱构建系统实施例的又一结构图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

图1为本发明的一种室内体育赛事安保领域的知识图谱构建方法的流程图。如图1所示，本实施例一种室内体育赛事安保领域的知识图谱构建方法具体可以包括如下步骤：

步骤一，通过体育场馆图获得室内区域信息。

从场馆安保运行图中提取的设施及房间，包括门、楼梯、电梯、供电间作为本体，存储到Neo4J或JanuasGraph图数据库中。其中本体的构建存储的内容，不仅包括设施本身，还包括与该设施关联的其他设施。通过方位关系，进行本体之间的链接。其中的方位关系定义为北(locate_N)、东北(locate_NE)、东(locate_E)、东南(locate_SE)、南(locate_S)、西南(locate_SW)、西(locate_W)、西北(locate_NW)，表示两个本体间的位置关系；

例如，广州黄埔区体育馆，其中的门包含有东门和西门和北门，东门的东南边是3号自动扶梯。

步骤二，通过视频监控技术获得每一次赛事的赛前赛中赛后，人流在室内各区域的流动方向，人流流过所述区域的时间长度。

在赛前赛中赛后分别统计，在预设时间段内根据采集的实时图像对进入所述预设区域的人流量进行统计，在预设时间段内根据采集的实时图像对预定区域的走出人流量进行统计；并根据进入和走出的人流量统计预定区域内的人数量值，以及从进入到走出的经过时间；所述监控与人流分析采用LEGION Simulator进行挖掘。例如，通过人流分析计算，通过3号自动扶梯区域进入滑雪区的人数为每分钟100人，通过4号自动扶梯区域进入滑雪区的人数为每分钟300人，走出滑雪区的人流为每分钟50人，那么就可以统计出，该时间段，滑雪区域的人流聚集情况，对后面区域计算有较大用途。

步骤三，通过抽取历来发生过安全或安保问题的区域，预测可能发生安保问题的区域，标注为危险区域。

获取TOP-N个拥挤区域的区域名称、人流量、人流通过时间、采用ArcGIS10.6，计算坡度和坡向，并对坡度和坡向进行区间划分，据此再对整个比赛场地进行区域划分，得到一个个区域的坡度和坡向相等的面块，作为特征的输入，根据该区域是否真实发生过安全问题，作为标注值，训练机器学习模型。例如，获取滑雪区扶梯口名称为第三自动扶梯，人流量是2000人，人流通过时间是每分钟30米，坡度为25度，坡向东南坡。针对整个区域在进行划分，使整个扶梯周围的区域更加细化为区域1、2、3、4。根据该区域是否发生过安保问题，例如踩踏事件等，进行标注。例如，区域2发生过挤伤事件，因此，标注为危险区域，其余区域都为安全区域。通过收集大量的类似场馆区域作为训练数据，训练神经网络模型。模型训练完成后，只需要输入区域名称、人流量、人流通过时间、坡度和坡向及区域面块，就能预测出该区域的安全性，判断它是否可能发生安保问题或者踩踏事件等问题。

步骤四，根据新闻报道的文本内容，通过NLP技术构建安保领域知识图谱。

通过现有安保知识图谱，获取种子词；通过将现有种子词放入搜索引擎中检索相关知识点获取推荐搜索，进一步获取更多安保领域种子知识点；种子词可以是人工收集和获取的词，例如“楼梯”，放入搜索引擎中，可以获得“电动楼梯”，“踏步楼梯”。

所述放入搜索引擎中检索相关知识点，主要包括从网页新闻报道中获取语料，抓取到现有安保领域知识点相关的词和该词对应的网页内容全文，只取5至10页的内容，用于发现更多安保相关实体；

根据前面获取的安保实体和知识点种子词，采用ac自动机对文本匹配；对匹配不上的句子，进行过滤剔除；对能够被匹配上的句子进行重点分析；所述重点分析主要包括分词、词性标注和句法分析；对得到匹配的句法关系进行获取和存储，并识别其关系类型；

将所述关系类型作为属性，将句法分析中的主语作为安保知识图谱中的父节点，宾语作为子节点。所述句法分析采用哈尔滨工业大学的LTP系统，可以对句子进行解析，并获得依存句法，提取一个句子的主谓宾结构和角色语义结构以及词性等。例如，北京人工体育馆滑雪区A区的上下楼方式可通过6部电梯，包括升降电梯和自动扶梯。这句话通过句法解析可以获得主要安保实体，父节点：北京人工体育馆、子节点：滑雪区；还可以获得位置节点，父节点：电梯，子节点：升降电梯、自动扶梯。这些节点都可以作为安保知识图谱的节点，并且通过安保事件相关文章抓取得到。并且通过依存句法，可以知道滑雪区依存于体育馆，电梯依存于上下楼方式。

步骤五，对于可能发生安保问题的区域，将所述区域添加到危险区域关系属性中。

为每一个安保知识图谱中的节点添加危险区域关系属性，采用word2vec扩展节点名称，判断该节点是否与预测的危险区域相关，如果相关，则将该区域的危险程度、关联危险区域添加到关系属性中。通过word2vec词嵌入技术，可以将滑雪区的名称，泛化为各种表达方式。例如滑雪区也可以表达为滑雪馆、滑雪场、滑雪游乐场、冰雪区域等等。这些将变成更多的节点名称与滑雪区关联起来，作为它的相关名称，以便实现节点匹配时的精度和表达的多样性。另一方面，通过依存句法，可以获取区域与区域之间的联系，当两个区域被依存句法相互关联起来是，我们认为他们在语义上是有关联的，因此当一个区域被确认为危险区域，另一个区域也可能会具有危险属性。例如自动扶梯依存于电梯，如果电梯被预测为带有发生安保事件概率的区域，那么自动扶梯也相应的应该带有这个属性。因此这一步是将步骤103中预测得到的，具有安保危险可能性的区域都自动的打上危险标签或者自动设置相关危险区域属性，并且对这些区域进行语义表达的泛化，以保障其成功率。

步骤六，对知识图谱危险区域关系属性进行多种危险联合识别和属性更新。

从带有危险属性的知识图谱节点中，获取第一危险特征向量；所述特征向量包括该节点可能发生的危险类型以及该节点发生危险的概率；搜索平行的相邻节点是否也是危险节点，若是，获取所述相邻节点，作为第二危险特征向量；依据所述第一危险特征向量和所述第二危险特征向量，计算所述两个节点联合特征值，所述联合采用欧式距离进行计算，获取多个节点同时发生危险的概率；当多个节点都有危险标识时，多个节点突出联合进行危险属性的联合显示。

例如，从区域关联中获取到场馆滑雪区A区的坡度较陡，可能发生滑雪冲撞事件，另外附近的电梯可能会难以应对伤员搬运问题，或者在救援过程中可能导致人员聚集踩踏等事件。这些危险类型，通过新闻报道中曾经发生的事件，进行自动抽取和概率排序，形成该区域的危险类型，以及根据发生的频率，得到概率。例如该类型的地形和坡度的滑雪场，发生冲撞事件，概率为0.002％，电梯踩踏事件0.00041％，这些概率都是可以通过新闻报道中出现的事件次数获得的，通过句法分析和事件抽取技术，可以获得这些信息。得到相关危险概率后，将滑雪场A区这些危险概率特征作为第一危险特征，将电梯的相关危险相关概率信息作为第二危险特征，对其进行欧式距离计算，就能扩大这片区域的危险概率特征。得到包含了滑雪区A区并联合了附近电梯踩踏事件的联合概率特征。并对联合概率也进行展现，作为连接了两个区域危险特性的节点链接属性值。因此，知识图谱不仅能获得单区域的危险特征，还能获得多个区域联合发生危险的特征。例如因为冲撞事件而导致的踩踏事件的概率，以及分析出可能的区域在哪里。

步骤七，在知识图谱的本体继承中，对危险区域关系属性的继承进行约束，去除错误的危险区域。

获取所有节点，进行基于语义的关联继承，获取继承后的属性冲突，去除错误的危险区域，保留真实的危险区域属性。例如，“梯”是其中一个节点，“楼梯”、“扶梯”、“电梯”是它的继承子节点，但是三者发生安全事故的概率不同，其中电梯发生踩踏事件的概率，小于楼梯。当“梯”属于危险区域时，子节点“楼梯”也会是危险区域，但并无法表明“电梯”也是危险区域。因此当继承后，有属性冲突时，需要出去错误的危险区域。

步骤八，根据区域危险性分配巡逻和指挥紧急事件。

对多个危险区域关联的节点，分配更多的巡逻人力，对可能发生危险的区域进行指挥紧急事件预案设计，使安保事件通过知识图谱中展示的安全区域进行疏通。例如，当单独的危险类型和危险概率被计算和打上知识图谱属性标签后，管理者通过查询知识图谱，应该要对该区域进行紧急预警措施，针对该区域的危险类型，进行正对性防止。例如在易发生冲撞的滑雪区，放置担架或者防摔药品。解决紧急情况。当联合区域发生危险性概率大时，应该多个区域的人员派遣更多人力来回巡逻。并规划好最佳的巡逻路线。使这些区域更加安全。

用于实现本发明进行信息控制的程序，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、python、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，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)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。

而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (7)

1.一种室内体育赛事安保领域的知识图谱构建方法，其特征在于，所述方法包括：

通过体育场馆图获得室内区域信息，通过视频监控技术获得每一次赛事的赛前赛中赛后，人流在室内各区域的流动方向，人流流过所述区域的时间长度，获得TOP-N个拥挤区域，通过抽取历来发生过安全或安保问题的区域作为标注区域，预测可能发生安保问题的区域；

根据新闻报道的文本内容，通过NLP技术构建安保领域知识图谱，对于可能发生安保问题的区域，将所述区域添加到危险区域关系属性中；

对知识图谱危险区域关系属性进行多种危险联合识别和属性更新；

在知识图谱的本体继承中，对危险区域关系属性的继承进行约束，去除错误的危险区域，构建精准的安保知识图谱，并根据图谱显示的区域危险性分配巡逻和指挥紧急事件；

所述通过抽取历来发生过安全或安保问题的区域，预测可能发生安保问题的区域，标注为危险区域，包括：

获取TOP-N个拥挤区域的区域名称、人流量、人流通过时间、采用ArcGIS10.6，计算坡度和坡向，并对坡度和坡向进行区间划分，据此再对整个比赛场地进行区域划分，得到一个个区域的坡度和坡向相等的面块，作为特征的输入，根据该区域是否真实发生过安全问题，作为标注值，训练机器学习模型；

所述根据新闻报道的文本内容，通过NLP技术构建安保领域知识图谱，包括：

通过现有安保知识图谱，获取种子词；

通过将现有种子词放入搜索引擎中检索相关知识点获取推荐搜索，进一步获取更多安保领域种子知识点；

所述放入搜索引擎中检索相关知识点，主要包括从网页新闻报道中获取语料，抓取到现有安保领域知识点相关的词和该词对应的网页内容全文，只取5至10页的内容，用于发现更多安保相关实体；

根据前面获取的安保实体和知识点种子词，采用ac自动机对文本匹配；

对匹配不上的句子，进行过滤剔除；

对能够被匹配上的句子进行重点分析，所述重点分析主要包括分词、词性标注和句法分析；

对得到匹配的句法关系进行获取和存储，并识别其关系类型；

将所述关系类型作为属性，将句法分析中的主语作为安保知识图谱中的父节点，宾语作为子节点；

所述对知识图谱危险区域关系属性进行多种危险联合识别和属性更新，包括：

从带有危险属性的知识图谱节点中，获取第一危险特征向量；

所述特征向量包括该节点可能发生的危险类型以及该节点发生危险的概率；

搜索平行的相邻节点是否也是危险节点，若是，获取所述相邻节点，作为第二危险特征向量；

依据所述第一危险特征向量和所述第二危险特征向量，计算所述两个节点联合特征值，所述联合采用欧式距离进行计算，获取多个节点同时发生危险的概率；

当多个节点都有危险标识时，多个节点突出联合进行危险属性的联合显示。

2.根据权利要求1所述的方法，其中，所述通过体育场馆图获得室内区域信息，包括：

从场馆安保运行图中提取的设施及房间，包括门、楼梯、电梯、供电间作为本体，存储到Neo4J或JanuasGraph图数据库中。

3.根据权利要求1所述的方法，其中，所述通过视频监控技术获得每一次赛事的赛前赛中赛后，人流在室内各区域的流动方向，人流流过所述区域的时间长度，包括：

在赛前赛中赛后分别统计，在预设时间段内根据采集的实时图像对进入预设区域的人流量进行统计，在预设时间段内根据采集的实时图像对预定区域的走出人流量进行统计；

并根据进入和走出的人流量统计预定区域内的人数量值，以及从进入到走出的经过时间；

所述监控与人流分析采用LEGION Simulator进行挖掘。

4.根据权利要求1所述的方法，其中，所述对于可能发生安保问题的区域，将所述区域添加到危险区域关系属性中，包括：

为每一个安保知识图谱中的节点添加危险区域关系属性，采用word2vec扩展节点名称，判断该节点是否与预测的危险区域相关，如果相关，则将该区域的危险程度、关联危险区域添加到关系属性中。

5.根据权利要求1所述的方法，其中，所述在知识图谱的本体继承中，对危险区域关系属性的继承进行约束，去除错误的危险区域，包括：

获取所有节点，进行基于语义的关联继承，获取继承后的属性冲突，去除错误的危险区域，保留真实的危险区域属性。

6.根据权利要求1所述的方法，其中，所述根据图谱显示的区域危险性分配巡逻和指挥紧急事件，包括：

对多个危险区域关联的节点，分配更多的巡逻人力，对可能发生危险的区域进行指挥紧急事件预案设计，使安保事件通过知识图谱中展示的安全区域进行疏通。

7.一种如权利要求1所述方法的室内体育赛事安保领域的知识图谱构建系统，其特征在于，所述系统包括：

危险区域预测模块，用于通过监控数据预测可能发生拥挤或者安保问题的区域；

知识图谱构建模块，用于根据场馆安保问题新闻报道，自动构建安保知识图谱；

知识图谱节点危险属性标识模块，用于根据知识图谱中的危险区域，分析联合危险区域和精准继承危险区域属性；

安保知识图谱应用模块，用于根据知识图谱的内容，辅助安保巡逻和应急决策。