CN114004210A - 基于神经网络的应急预案生成方法、系统、设备及介质 - Google Patents

基于神经网络的应急预案生成方法、系统、设备及介质 Download PDF

Info

Publication number
CN114004210A
CN114004210A CN202111294765.7A CN202111294765A CN114004210A CN 114004210 A CN114004210 A CN 114004210A CN 202111294765 A CN202111294765 A CN 202111294765A CN 114004210 A CN114004210 A CN 114004210A
Authority
CN
China
Prior art keywords
event
data
plan
result
target
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.)
Pending
Application number
CN202111294765.7A
Other languages
English (en)
Inventor
李才博
吴斌
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.)
Zhaotong Liangfengtai Information Technology Co ltd
Original Assignee
Zhaotong Liangfengtai Information Technology Co ltd
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 Zhaotong Liangfengtai Information Technology Co ltd filed Critical Zhaotong Liangfengtai Information Technology Co ltd
Priority to CN202111294765.7A priority Critical patent/CN114004210A/zh
Publication of CN114004210A publication Critical patent/CN114004210A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • 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
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/247—Thesauruses; Synonyms
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于神经网络的应急预案生成方法、系统、设备及介质，涉及智能数据处理技术领域，包括以下：爬取文本信息，并生成训练数据集，实时采集事件信息，并对采集的事件信息进行分析，以获取事件特征属性集，建立匹配预测网络，训练，获得目标模型；所述目标模型对所述事件特征属性匹配预测结果，并基于各个候选事件的属性的预测结果生成预案结果，根据所述预案结果在预设语料库匹配生成目标结果；将所述目标结果发送至客户端并获取现场需求预案数据和现场事件特征，根据现场需求预案数据和现场事件特征反向调整所述目标模型和所述事件特征属性集，解决现有应急预案匹配不精准、建模复杂以及仅支持匹配固有方案的技术问题。

Description

基于神经网络的应急预案生成方法、系统、设备及介质
技术领域
本发明涉及智能数据处理技术领域，尤其涉及一种基于神经网络的应急预案生成方法、系统、设备及介质。
背景技术
生活中不定时地会发生各种各样的突发事件，例如：火灾、楼房倒塌、交通事故等严重事件，事故发生后需要有关部门迅速组织人员、物资等组织救援。如何高效快速的展开应急救援，尽可能地降低灾害损失，是决策者最看重的。在这种需求下，应急预案变得极为重要。
应急预案指面对突发事件如自然灾害、重大事故、环境公害及人为破坏的应急管理、指挥、救援计划等，它一般建立在综合防灾规划上。应急预案应形成体系，针对各级各类可能发生的事故和所有危险源制定专项应急预案和现场处置方案，并明确事前、事发、事中、事后的各个过程中相关部门和有关人员的职责。
然而，现有各类突发事件应急预案选取大部分是通过有关部门召开紧急会议研讨生成，不仅存在处置时间长问题，且由于不同的突发事件对相关人员及环境等的影响是不同的，决策者在进行应急预案选取时由于时间紧急难以考虑到其他更复杂的情况，导致所选取的应急预案存在一定的不合理性。因此，需要研发一种突发事件应急预案匹配方法及系统迫在眉睫。
现有技术中，存在少数应急预案匹配系统，根据不同的应急事件等级，应急预案被提前定制好，应急预案被当成了一个现成的库，当事件发生后，从预案库中选取与事件特征属性数学差距最小的应急预案作为目标应急预案，该方法缺乏灵活性，一旦发生与预案库中差距很大的事件，则会产生较差的匹配结果或者无匹配结果。
发明内容
为了克服上述技术缺陷，本发明的目的在于提供一种基于神经网络的应急预案生成方法、系统、设备及介质，用于解决现有应急预案匹配不精准、建模复杂以及仅支持匹配固有方案，准确性较差的技术问题。
本发明公开了一种基于神经网络的应急预案生成方法，用于服务器端，包括以下：
定期在线爬取文本信息，并对获取的文本信息进行提取，生成训练数据集，其中，所述训练数据集包括输入数据和标签数据；
实时采集客户端的事件信息，并对采集的事件信息进行分析，以获取事件特征属性集，其中，所述事件特征属性集中包含若干候选事件及其对应的属性；
建立匹配预测网络，并采用所述训练数据集对所述匹配预测网络训练，获得目标模型；
将所述事件特征属性集输入所述目标模型，所述目标模型对所述事件特征属性集编码处理后匹配各个候选事件属性的预测结果，并基于各个候选事件的属性的预测结果解码生成预案结果，根据所述预案结果在预设语料库匹配生成目标结果；
将所述目标结果发送至客户端并获取现场需求预案数据和现场事件特征，根据现场需求预案数据和现场事件特征生成评价数据，以反向调整所述目标模型和所述事件特征属性集。
优选地，所述实时采集客户端的事件信息，并对采集的事件信息进行分析，以获取事件特征属性集，包括以下：
基于视频数据流或语音数据流实时获取客户端的事件信息；
当所述事件信息为视频数据，则利用目标检测算法，识别所述视频数据包含的各个图像数据中的候选事件，对各个候选事件进行属性定义，获取候选事件及其对应的属性；
当所述事件信息为音频数据，则利用语音识别算法，对所述音频数据进行关键词提取，以获得各个候选事件及其对应的属性；
基于所有候选事件及各自对应的属性，生成所述事件特征属性集。
优选地，所述将所述事件特征属性集输入所述目标模型，所述目标模型对所述事件特征属性集编码处理后匹配各个候选事件的属性的预测结果，并基于各个候选事件的属性的预测结果解码生成预案结果，包括以下：
对所述事件特征属性集进行向量化处理，采用第一多层神经网络对向量化处理后的事件特征属性集进行扩维操作，获得第一处理数据；
将所述第一处理数据输入至第一循环神经网络处理，以生成用于体现与各个候选事件属性匹配的深层语义向量作为预测结果；
采用第二多层神经网络对预测结果进行降维，获得与所述目标模型的输出维度相同的第三处理数据；其中，所述第一多层神经网络和所述第二多层神经网络均包括两至三层的全连接层；
将所述第三处理数据输入第三循环神经网络处理，输出第四处理数据；
利用目标全连接层对所述第四处理数据进行分类，以生成预案结果。
优选地，所述根据所述预案结果在预设语料库匹配生成目标结果，包括以下：
所述预设语料库包括基础语料库和同义词词库；
对所述预案结果进行解析，获取所述预案结果中的关键指令数据；
在基础语料库中查找与所述关键指令数据匹配的语句集合，生成候选语句集合；
和/或查找与所述关键数据相似度超出阈值的语句集合，生成候选语句集合；
当所述候选语句集合符合预定条件，则基于同义词词库对所述候选语句集合中的各个候选语句进行同义词或模板复写，以生成目标结果。
优选地，在所述生成目标结果后，还包括以下：
对采集的事件信息进行存储，并将所述事件信息添加至所述目标结果中。
优选地，所述根据现场需求预案数据和现场事件特征生成评价数据，以反向调整所述目标模型和所述事件特征属性集，包括以下：
计算现场需求预案数据与所述目标结果的匹配度差值，作为评价数据；
根据所述评价数据生成反向传播梯度值，根据所述反向传播梯度值调整所述目标模型，并同步根据现场事件特征对所述事件特征属性集进行调整。
优选地，所述定期在线爬取文本信息，并对获取的文本信息进行提取，生成训练数据集，包括以下：
基于采用爬虫定期在线获取文本信息；
利用自然语言处理技术对所述文本信息进行关键信息提取，获取文本信息中的事件特征属性作为输入数据，预案关键数据作为标签数据；
对所述输入数据和所述标签数据进行标准化格式转换，生成训练数据集。
本发明还提供一种基于神经网络的应急预案生成系统，包括以下：
训练数据生成模块，用于定期在线爬取文本信息，并对获取的文本信息进行提取，生成训练数据集，其中，所述训练数据集包括输入数据和标签数据；
采集模块，用于实时采集客户端的事件信息，并对采集的事件信息进行分析，以获取事件特征属性集，其中，所述事件特征属性集中包含若干候选事件及其对应的属性；
模型建立模块，用于建立匹配预测网络，并采用所述训练数据集对所述匹配预测网络训练，获得目标模型；
处理模块，用于将所述事件特征属性集输入所述目标模型，所述目标模型对所述事件特征属性集编码处理后匹配各个候选事件属性的预测结果，并基于各个事件特征属性的预测结果解码生成预案结果，根据所述预案结果在预设语料库匹配生成目标结果；
更新模块，用于将所述目标结果发送至客户端并获取现场需求预案数据和现场事件特征，根据现场需求预案数据和现场事件特征生成评价数据，以反向调整所述目标模型和所述事件特征属性集。
本发明还提供一种计算机设备，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述应急预案预测生成的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述应急预案预测生成的步骤。
采用了上述技术方案后，与现有技术相比，具有以下有益效果：
本发明提供的基于神经网络的应急预案生成方法、系统、设备及介质，采集现有的事件信息及处理方式生成训练数据集，建立模型并训练后生成目标模型，采集事件信息后输入到目标模型，匹配事件信息中的各个候选事件属性的预测结果，并生成预案结果，从预设语料库生成与预案结果匹配的语句，生成目标结果，辅助决策者做出应急救援决策，最后获取现场现场需求预案数据，以反向调整所述目标模型，根据事件信息的具体特征来生成预案，去除了事件的等级化，根据事件信息个性化地生成预案，提高准确性，解决现有应急预案匹配不精准、建模复杂以及仅支持匹配固有方案，准确性较差的技术问题。
附图说明
图1为本发明所述基于神经网络的应急预案生成方法实施例一的流程图；
图2为本发明所述基于神经网络的应急预案生成方法实施例一中应急预案生成的示意图；
图3为本发明所述基于神经网络的应急预案生成方法实施例一中由所述目标模型生成预案结果的流程图；
图4为本发明所述基于神经网络的应急预案生成方法实施例一中目标模型的网络结构示意图；
图5为本发明所述基于神经网络的应急预案生成方法实施例一中目标模型的RNN编/解码器示意图；
图6为本发明所述基于神经网络的应急预案生成方法实施例一中根据所述预案结果在预设语料库匹配生成目标结果的流程图；
图7为本发明所述基于神经网络的应急预案生成方法实施例一中生成目标结果的示意图；
图8为本发明所述基于神经网络的应急预案生成系统实施例二的程序模块示意图；
图9为本发明计算机设备实施例三中计算机设备的硬件结构示意图。
附图标记：
6-基于神经网络的应急预案生成系统；61-训练数据生成模块；62-采集模块；63-模型建立模块；64-处理模块；65-更新模块。
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。
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公开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、本公开的一些方面相一致的系统和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
实施例一：本实施例提供一种基于神经网络的应急预案生成方法，用于服务器端，参阅图1和图2，包括以下步骤：
S100：定期在线爬取文本信息，并对获取的文本信息进行提取，生成训练数据集，其中，所述训练数据集包括输入数据和标签数据；
在上述步骤中，定期在线爬取文本信息可以利用网络爬虫技术定期爬取相关的新发事件报道，并把文本信息拉取到本地，从新发事件报道中获取发生的事件及其对应的应急预案，以生成用于本实施例后续的神经网络模型的训练数据，用以根据实际发生的事件以及对应的应急预案训练模型，使得模型后续可以自主根据识别出的事件生成与该事件匹配准确度较高的应急预案。
具体的，上述定期在线爬取文本信息，并对获取的文本信息进行提取，生成训练数据集，包括以下步骤：
S110：基于采用爬虫定期在线获取文本信息；
在上述步骤中，网络爬虫是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本的工具，基于预设间隔周期、预设地址范围设置爬虫工具的执行即可实现文本信息的获取。
S120：利用自然语言处理技术对所述文本信息进行关键信息提取，获取文本信息中的事件特征属性作为输入数据，预案关键数据作为标签数据；
自然语言处理主要应用于机器翻译、舆情监测、自动摘要、观点提取、文本分类、问题回答、文本语义对比、语音识别、中文OCR等方面，在上述步骤中，可实现文本分类进行关键词提取，以获得文本信息中发生的事件(即上述事件特征属性)及其对应的应急预案(即上述预案关键数据)。
S130：对所述输入数据和所述标签数据进行标准化格式转换，生成训练数据集。
在上述步骤中，所述标准化格式转换用于将输入数据和标签数据转化成神经网络模型可识别的语言，作为举例而非限定的，可以采用向量化转换或预设格式模板转换。
具体来说，在本方案中，利用TF-IDF进行关键词提取，从爬取的文本中提取关键词(如事件属性、预案属性等)及关键词信息(如事件属性值、预案属性值)，然后存储到对应的事件-预案库，作为训练数据集。
S200：实时采集客户端的事件信息，并对采集的事件信息进行分析，以获取事件特征属性集，其中，所述事件特征属性集中包含若干候选事件及其对应的属性；
在上述步骤中，所述候选事件为采集的客户端的事件信息中发生的事件，可以包括不止一个，作为举例而非限定的，在交通事故类型中，候选事件包括：受伤的人员、事件相关车辆、起火、泄漏危险品、抛洒物、道路面积等。需要注意的是，交通事故类型只是本系统检测范围内之一，还包括楼塌、火灾等其他事件，候选事件对应的属性包括受伤人数、事件相关车辆类型、事件相关车辆数、是否起火、是否泄漏危险品、是否有抛洒物、影响道路面积因素等，若事件属性包含的点较多，即对应的候选事件较多。
具体的，所述实时采集客户端的事件信息，并对采集的事件信息进行分析，以获取事件特征属性集，包括以下：
S210：基于视频数据流或语音数据流实时获取客户端的事件信息；
本实施方式中，客户端的事件信息包含两种信息接入，一种是实时视频监控，一种是被动式语音接入。之所以称为被动式语音接入，是因为该部分信息来源于事件当事人或者事件目击者打电话报警或拨打应急服务电话，该部分服务分为人工接听或系统接听，在正常上班时间为人工接听，此时需要工作人员根据接听内容录入事件信息到匹配系统中，而当工作人员因特殊原因不在岗时由系统接听，此时系统会把语音信息录制，并做清晰化(去噪)处理。
S220：当所述事件信息为视频数据，则利用目标检测算法，识别所述视频数据包含的各个图像数据中的候选事件，对各个候选事件进行属性定义，获取候选事件及其对应的属性；
在上述步骤中，针对图像可以利用目标检测算法，对各区域内画面进行实时检测，当检测到事件后，会对事件属性进行定性，即确定候选事件及其对应的属性，具体的，目标检测包括一种需要分两步完成，首先需要获取候选区域，然后进行分类，比如R-CNN系列；还包括一种不需要单独寻找候选区域，典型的有SSD/YOLO等，在上述步骤中可根据实际使用场景选择。
S230：当所述事件信息为音频数据，则利用语音识别算法，对所述音频数据进行关键词提取，以获得各个候选事件及其对应的属性；
在上述步骤中，语音识别算法包括基于动态时间规整(DT W)的算法、基于参数模型的隐马尔可夫模型(HMM)的方法、基于非参数模型的矢量量化(VQ)的方法以基于深度学习神经网络等的算法，具体的使用可根据实际使用场景选择，与上述步骤S220相似的是，根据关键词提取确定其中发生的事件作为候选事件，并获取其对应的属性。
上述在目标检测算法或语音识别算法提取候选事件后，对候选事件对应的属性进行标准化处理，转换为系统事件库所需的特定编码形式，因为目标模型只能以数字作为输入(即下述向量化处理)(即图2中案件入库)。由于关键提取事件的分析结果只是一种对事件的检测估计，还不能代表最真实的事件信息，因此只作为候选事件。
S240：基于所有候选事件及各自对应的属性，生成所述事件特征属性集。
需要说明的，每一候选事件及其对应的属性对应生成一条记录，所有的候选事件集合即可获得事件特征属性集。
S300：建立匹配预测网络，并采用所述训练数据集对所述匹配预测网络训练，获得目标模型；
在本方案中，因为输入输出的维度不同，匹配预测网络采用Encoder-Decoder结构，同时因为输入具有一定的序列结构，编/解码器部分各采用了一个循环神经网络。具体的依次包括输入层、MLP层、RNN网络，以获得深层语义向量，而后又经过MLP层、RNN网络、目标全连接层(FC)输出，上述训练数据集为上述步骤S100中生成的数据。
S400：将所述事件特征属性集输入所述目标模型，所述目标模型对所述事件特征属性集编码处理后匹配各个候选事件属性的预测结果，并基于各个候选事件的属性的预测结果解码生成预案结果，根据所述预案结果在预设语料库匹配生成目标结果；
具体的，所述将所述事件特征属性集输入所述目标模型，所述目标模型对所述事件特征属性集编码处理后匹配各个候选事件的属性的预测结果，并基于各个候选事件的属性的预测结果解码生成预案结果，参阅图3-图5，包括以下：
S411：对所述事件特征属性集进行向量化处理，采用第一多层神经网络对向量化处理后的事件特征属性集进行扩维操作，获得第一处理数据；
在上述步骤中，需要说明的是，向量化处理采用词嵌入方法对原始特征属性进行编码。例如(以交通事故为例)：对如下特征属性集：{[人数，10]，[车辆类型，1]，[车辆数，4]，[起火，0]，[危险品，0]，[抛洒物，1]，[影响面积，0]}，采用word2vector算法，可以把属性集合中的字符映射为长度为5的一维向量，而数值不做变化，如编码为{[0.1，0.2，0.1，0.2，0.3，1]，输出的预案关键信息也采用同样的方法向量化处理，上述训练数据集也采用通向的方法进行向量化处理。
S412：将所述第一处理数据输入至第一循环神经网络处理，以生成用于体现与各个候选事件属性匹配的深层语义向量作为预测结果；
为了让深层语义向量能够包含更多的信息，对输入进行了扩维，把输入送到多层感知机层(MLP，可以是一个简单的两到三层的全连接层)，将其映射到更高维空间，然后再送入到RNN中，得到一个深层语义向量，此部分即为编码器。
S413：采用第二多层神经网络对预测结果进行降维，获得与所述目标模型的输出维度相同的第三处理数据；其中，所述第一多层神经网络和所述第二多层神经网络均包括两至三层的全连接层；
S414：将所述第三处理数据输入第三循环神经网络处理，输出第四处理数据；
S415：利用目标全连接层对所述第四处理数据进行分类，以生成预案结果。
在上述步骤中，第二个MLP及之后的RNN则为解码器。由于解码器的维度与编码器维度不同，因此使用一个多层感知机将深层语义向量降维到与输出相同，再送入到解码器中进行解码，再接一个一到两层的全连接层(即目标全连接)，输出最终预测结果。为方便理解，请看图5所示简易RNN编/解码器结构示意图。xm为序列化输入，yn为序列化输出。hm和h’n为隐藏状态。
在本方案中，事件被标准化后(即上述生成事件特征属性集)，输入到目标模型中，网络进行一次前向推理，获得预案匹配结果(即上述预案结果)，得到的结果是一串数字序列，需要进行解码，变成可理解的预案关键信息，比如(以交通事故为例)：需要救护车数、需要医护人员数、需要交警数、需要消防车辆数、需要牵引车数等。
上述获得的预案结果只是预案中的关键信息，这些信息并不足以支撑整个预案文本，因此需要利用特定的语言模型，根据上述关键词及数据信息生成预案文本，因此，参阅图6-图7，所述根据所述预案结果在预设语料库匹配生成目标结果，包括以下：
所述预设语料库包括基础语料库和同义词词库；
S421：对所述预案结果进行解析，获取所述预案结果中的关键指令数据；
在上述步骤中，所述关键指令数据即为根据候选事件及其属性生成的应急策略，并由下述步骤S422-S423生成用于体现应急策略的语句。
S422：在基础语料库中查找与所述关键指令数据匹配的语句集合，生成候选语句集合；
和/或查找与所述关键数据相似度超出阈值的语句集合，生成候选语句集合；
在上述步骤中，相似度计算可以选择与使用场景匹配的相似度计算算法。
S423：当所述候选语句集合符合预定条件，则基于同义词词库对所述候选语句集合中的各个候选语句进行同义词或模板复写，以生成目标结果。
基于上述步骤S421-S424，预案生成利用了关键词-模板生成文本技术，解析匹配预测网络预测的结果(即上述预案结果)，得到预测的预案关键词及关键信息，然后把预案库中的部分预案作为生成预案文本的模板，根据预案模板库生成特定的目标结果。该生成的目标结果(预案文本)即可作为预应急方案，辅助决策者做出应急救援决策。预案文本生成流程图如图7所示(语料库即为模板库中的句子)。
在所述生成目标结果后，还包括以下：
对采集的事件信息进行存储，并将所述事件信息添加至所述目标结果中。
在本申请中中，考虑到图像采集信息和语音识别信息的误差，因此在生成目标结果时，会把抓拍的事件现场图像(即上述由视频流获取的事件信息)或者系统自动接听的语音留存(即由上述语音流获取的事件信息)，随预案一起给出，由决策者判断生成的预案与实际事件一定程度内是否匹配、以及根据信息误差来在生成预案的基础上做适当调整，确保最终实施应急救援的效率。
S500：将所述目标结果发送至客户端并获取现场需求预案数据和现场事件特征，根据现场需求预案数据和现场事件特征生成评价数据，以反向调整所述目标模型和所述事件特征属性集。
上述现场需求预案数据和现场事件特征也可反向存储，用于生成训练数据。
具体的，所述根据现场需求预案数据和现场事件特征生成评价数据，以反向调整所述目标模型和所述事件特征属性集，包括以下：
S510：计算现场需求预案数据与所述目标结果的匹配度差值，作为评价数据；
在上述步骤中，为了进一步提高目标模型生成的目标结果(预案文本)与实际场景的匹配准确性，待事件处理完毕后，对本次生成的目标结果进行评价，即预测生成的预案文本与实际需求预案的匹配程度，根据两种预案关键信息的数学差值来进行评价，需要说明的是，上述现场需求预案数据指现场实际预案文本，即决策者具体使用的预案，现场事件特征是指现场实际事件及其对应的属性，该具体的可以通过采集现场语音或视频数据，而后通过语音识别算法或图像识别算法获得，也可以是由客户端直接反馈实际预案文本，对文本解析获得。
S520：根据所述评价数据生成反向传播梯度值，根据所述反向传播梯度值调整所述目标模型，并同步根据现场事件特征对所述事件特征属性集进行调整。
在上述步骤中，根据评价结果，生成反向传播的梯度值，更新目标模型的参数，实现对目标模型的调整；同时根据现场事件特征，修正候选事件，具体来说，对于未识别出的事件进行补充，对于识别错的事件进行修正，对于识别出的非事件进行剔除，修正后该事件对应的事件特征属性集将会入库保存(即案件入库)。
在本方案中，可以基于已有的事件生成预案库作为知识库来学习出一种能力，能够根据事件的具体特征来生成尽可能匹配的预案，去除了事件的等级化，比如说一般交通事故、重大交通事故等，这对于提高救援效率是很重要的，可以根据事件的具体涉灾对象数量、灾害范围等匹配出尽量合理的救援资源，不再是离散的救援资源分配。本方案提出的目标模型，为可持续学习的模型，允许目标模型基于评价结果可以不断完善，匹配精度越来越高；除此之外，各个流程对应的处理模块可分别更新，也就是说整个模型可以不断迭代更新(根据评价结构)，目标模型架构基本不变，但准确性会持续提升。
实施例二：本实施例提供一种基于神经网络的应急预案生成系统6，参阅图2和图8，包括以下：
训练数据生成模块61，用于定期在线爬取文本信息，并对获取的文本信息进行提取，生成训练数据集，其中，所述训练数据集包括输入数据和标签数据；
该练数据生成模块61执行图2中的爬取信息、文本挖掘以及数据标准化，生成训练数据集。
采集模块62，用于实时采集客户端的事件信息，并对采集的事件信息进行分析，以获取事件特征属性集，其中，所述事件特征属性集中包含若干候选事件及其对应的属性；
该练采集模块62执行图2中的信息采集和信息分析。
模型建立模块63，用于建立匹配预测网络，并采用所述训练数据集对所述匹配预测网络训练，获得目标模型；
在本方案中，因为输入输出的维度不同，匹配预测网络采用Encoder-Decoder结构，同时因为输入具有一定的序列结构，编/解码器部分各采用了一个循环神经网络。具体的依次包括输入层、MLP层、RNN网络，以获得深层语义向量，而后又经过MLP层、RNN网络、目标全连接层(FC)输出。
处理模块64，用于将所述事件特征属性集输入所述目标模型，所述目标模型对所述事件特征属性集编码处理后匹配各个候选事件属性的预测结果，并基于各个事件特征属性的预测结果解码生成预案结果，根据所述预案结果在预设语料库匹配生成目标结果；
具体的，处理模块64对输入进行了扩维，把输入送到多层感知机层(MLP)，将其映射到更高维空间，然后再送入到RNN中，得到一个深层语义向量，而后使用另一多层感知机将深层语义向量降维到与输出相同，再送入到解码器中进行解码，再接一个一到两层的全连接层，输出最终预测结果，即预案结果，最后从预设语料库生成与预案结果匹配的语句，生成特定的预案文本作为目标结果。，执行如图2中的匹配预测和预案生成。
更新模块65，用于将所述目标结果发送至客户端并获取现场需求预案数据和现场事件特征，根据现场需求预案数据和现场事件特征生成评价数据，以反向调整所述目标模型和所述事件特征属性集。
上述更新模块65执行图2中结果评价以及案件入库。
在本实施方式中，。
实施例三：为实现上述目的，本发明还提供一种计算机设备7，参阅图9，该计算机设备可包括多个计算机设备，实施例二的基于神经网络的应急预案生成系统6的组成部分可分散于不同的计算机设备7中，计算机设备7可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器71、处理器72以及基于神经网络的应急预案生成系统6，如图9所示。需要指出的是，图9仅示出了具有组件-的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，存储器71可以包括存储程序区和存储数据区，其中，存储程序区可存储搡作系统、至少一个功能所需要的应用程序；存储数据区可存储用户在计算机设备的皮肤数据信息。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器71可选包括相对于处理器远程设置的存储器81，这些远程存储器可以通过网络连接至PET系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器72在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器72通常用于控制计算机设备的总体操作。本实施例中，处理器72用于运行存储器71中存储的程序代码或者处理数据，例如运行基于神经网络的应急预案生成系统6，以实现实施例一的基于神经网络的应急预案生成方法。
需要指出的是，图9仅示出了具有部件71-72的计算机设备7，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器71中的所述基于神经网络的应急预案生成系统6还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器71中，并由一个或多个处理器(本实施例为处理器72)所执行，以完成本发明。
实施例四：
为实现上述目的，本发明还提供一种计算机可读存储介质，其包括多个存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器72执行时实现相应功能。本实施例的计算机可读存储介质用于存储基于神经网络的应急预案生成系统6，被处理器72执行时实现实施例一的基于神经网络的应急预案生成方法
应当注意的是，本发明的实施例有较佳的实施性，且并非对本发明作任何形式的限制，任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种基于神经网络的应急预案生成方法，其特征在于，用于服务器端，包括以下：定期在线爬取文本信息，并对获取的文本信息进行提取，生成训练数据集，其中，所述训练数据集包括输入数据和标签数据；
实时采集客户端的事件信息，并对采集的事件信息进行分析，以获取事件特征属性集，其中，所述事件特征属性集中包含若干候选事件及其对应的属性；
建立匹配预测网络，并采用所述训练数据集对所述匹配预测网络训练，获得目标模型；将所述事件特征属性集输入所述目标模型，所述目标模型对所述事件特征属性集编码处理后匹配各个候选事件属性的预测结果，并基于各个候选事件的属性的预测结果解码生成预案结果，根据所述预案结果在预设语料库匹配生成目标结果；
将所述目标结果发送至客户端并获取现场需求预案数据和现场事件特征，根据现场需求预案数据和现场事件特征生成评价数据，以反向调整所述目标模型和所述事件特征属性集。
2.根据权利要求1所述的应急预案生成方法，其特征在于，所述实时采集客户端的事件信息，并对采集的事件信息进行分析，以获取事件特征属性集，包括以下：
基于视频数据流或语音数据流实时获取客户端的事件信息；
当所述事件信息为视频数据，则利用目标检测算法，识别所述视频数据包含的各个图像数据中的候选事件，对各个候选事件进行属性定义，获取候选事件及其对应的属性；当所述事件信息为音频数据，则利用语音识别算法，对所述音频数据进行关键词提取，以获得各个候选事件及其对应的属性；
基于所有候选事件及各自对应的属性，生成所述事件特征属性集。
3.根据权利要求1所述的应急预案生成方法，其特征在于，所述将所述事件特征属性集输入所述目标模型，所述目标模型对所述事件特征属性集编码处理后匹配各个候选事件的属性的预测结果，并基于各个候选事件的属性的预测结果解码生成预案结果，包括以下：
对所述事件特征属性集进行向量化处理，采用第一多层神经网络对向量化处理后的事件特征属性集进行扩维操作，获得第一处理数据；
将所述第一处理数据输入至第一循环神经网络处理，以生成用于体现与各个候选事件属性匹配的深层语义向量作为预测结果；
采用第二多层神经网络对预测结果进行降维，获得与所述目标模型的输出维度相同的第三处理数据；其中，所述第一多层神经网络和所述第二多层神经网络均包括两至三层的全连接层；
将所述第三处理数据输入第三循环神经网络处理，输出第四处理数据；
利用目标全连接层对所述第四处理数据进行分类，以生成预案结果。
4.根据权利要求1所述的应急预案生成方法，其特征在于，所述根据所述预案结果在预设语料库匹配生成目标结果，包括以下：
所述预设语料库包括基础语料库和同义词词库；
对所述预案结果进行解析，获取所述预案结果中的关键指令数据；
在基础语料库中查找与所述关键指令数据匹配的语句集合，生成候选语句集合；
和/或查找与所述关键数据相似度超出阈值的语句集合，生成候选语句集合；
当所述候选语句集合符合预定条件，则基于同义词词库对所述候选语句集合中的各个候选语句进行同义词或模板复写，以生成目标结果。
5.根据权利要求4所述的应急预案生成方法，其特征在于，在所述生成目标结果后，还包括以下：
对采集的事件信息进行存储，并将所述事件信息添加至所述目标结果中。
6.根据权利要求1所述的应急预案生成方法，其特征在于，所述根据现场需求预案数据和现场事件特征生成评价数据，以反向调整所述目标模型和所述事件特征属性集，包括以下：
计算现场需求预案数据与所述目标结果的匹配度差值，作为评价数据；
根据所述评价数据生成反向传播梯度值，根据所述反向传播梯度值调整所述目标模型，并同步根据现场事件特征对所述事件特征属性集进行调整。
7.根据权利要求1所述的应急预案生成方法，其特征在于，所述定期在线爬取文本信息，并对获取的文本信息进行提取，生成训练数据集，包括以下：
基于采用爬虫定期在线获取文本信息；
利用自然语言处理技术对所述文本信息进行关键信息提取，获取文本信息中的事件特征属性作为输入数据，预案关键数据作为标签数据；
对所述输入数据和所述标签数据进行标准化格式转换，生成训练数据集。
8.一种基于神经网络的应急预案生成系统，其特征在于，包括以下：
训练数据生成模块，用于定期在线爬取文本信息，并对获取的文本信息进行提取，生成训练数据集，其中，所述训练数据集包括输入数据和标签数据；
采集模块，用于实时采集客户端的事件信息，并对采集的事件信息进行分析，以获取事件特征属性集，其中，所述事件特征属性集中包含若干候选事件及其对应的属性；模型建立模块，用于建立匹配预测网络，并采用所述训练数据集对所述匹配预测网络训练，获得目标模型；
处理模块，用于将所述事件特征属性集输入所述目标模型，所述目标模型对所述事件特征属性集编码处理后匹配各个候选事件属性的预测结果，并基于各个事件特征属性的预测结果解码生成预案结果，根据所述预案结果在预设语料库匹配生成目标结果；更新模块，用于将所述目标结果发送至客户端并获取现场需求预案数据和现场事件特征，根据现场需求预案数据和现场事件特征生成评价数据，以反向调整所述目标模型和所述事件特征属性集。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述应急预案预测生成的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述权利要求1-7所述应急预案预测生成的步骤。
CN202111294765.7A 2021-11-03 2021-11-03 基于神经网络的应急预案生成方法、系统、设备及介质 Pending CN114004210A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111294765.7A CN114004210A (zh) 2021-11-03 2021-11-03 基于神经网络的应急预案生成方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111294765.7A CN114004210A (zh) 2021-11-03 2021-11-03 基于神经网络的应急预案生成方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN114004210A true CN114004210A (zh) 2022-02-01

Family

ID=79926843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111294765.7A Pending CN114004210A (zh) 2021-11-03 2021-11-03 基于神经网络的应急预案生成方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN114004210A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677061A (zh) * 2022-05-26 2022-06-28 广东孺子牛地理信息科技有限公司 一种基于gis的紧急事件分级推动方法、系统及储存介质
CN115455484A (zh) * 2022-09-22 2022-12-09 鲍周艳 一种针对云计算空间的数据泄露应对方法及服务器
CN116304697A (zh) * 2023-03-01 2023-06-23 山东正晨科技股份有限公司 一种公路隧道应急预案自动生成方法、系统及装置
CN116934127A (zh) * 2023-09-19 2023-10-24 中国铁塔股份有限公司吉林省分公司 基于智慧平台的应急预案生成方法及系统
CN117031956A (zh) * 2023-08-23 2023-11-10 无锡纬途流体科技有限公司 智能嵌入式电动执行机构的控制方法及系统
WO2023246558A1 (zh) * 2022-06-23 2023-12-28 深圳Tcl新技术有限公司 语义理解方法、装置、介质及设备

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677061A (zh) * 2022-05-26 2022-06-28 广东孺子牛地理信息科技有限公司 一种基于gis的紧急事件分级推动方法、系统及储存介质
WO2023246558A1 (zh) * 2022-06-23 2023-12-28 深圳Tcl新技术有限公司 语义理解方法、装置、介质及设备
CN115455484A (zh) * 2022-09-22 2022-12-09 鲍周艳 一种针对云计算空间的数据泄露应对方法及服务器
CN115455484B (zh) * 2022-09-22 2023-04-18 重庆蓝数软件有限公司 一种针对云计算空间的数据泄露应对方法及服务器
CN116304697A (zh) * 2023-03-01 2023-06-23 山东正晨科技股份有限公司 一种公路隧道应急预案自动生成方法、系统及装置
CN117031956A (zh) * 2023-08-23 2023-11-10 无锡纬途流体科技有限公司 智能嵌入式电动执行机构的控制方法及系统
CN117031956B (zh) * 2023-08-23 2024-03-19 无锡纬途流体科技有限公司 智能嵌入式电动执行机构的控制方法及系统
CN116934127A (zh) * 2023-09-19 2023-10-24 中国铁塔股份有限公司吉林省分公司 基于智慧平台的应急预案生成方法及系统
CN116934127B (zh) * 2023-09-19 2023-11-24 中国铁塔股份有限公司吉林省分公司 基于智慧平台的应急预案生成方法及系统

Similar Documents

Publication Publication Date Title
CN114004210A (zh) 基于神经网络的应急预案生成方法、系统、设备及介质
CN112863683B (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
KR102353545B1 (ko) 재난대응 추천방법 및 그 장치
CN111325319B (zh) 一种神经网络模型的检测方法、装置、设备及存储介质
CN113688837B (zh) 图像脱敏方法、装置、电子设备及计算机可读存储介质
US20200162534A1 (en) Detecting an event from signal data
CN115828112B (zh) 一种故障事件的响应方法、装置、电子设备及存储介质
CN112365171A (zh) 基于知识图谱的风险预测方法、装置、设备及存储介质
CN114021582B (zh) 结合语音信息的口语理解方法、装置、设备及存储介质
CN114117032A (zh) 一种基于实时应急数据生成预案的方法及装置、电子设备
CN113704410A (zh) 情绪波动检测方法、装置、电子设备及存储介质
CN114627282A (zh) 目标检测模型的建立方法、应用方法、设备、装置及介质
CN117435999A (zh) 一种风险评估方法、装置、设备以及介质
CN117274868A (zh) 一种基于大模型对视频进行交通事件识别方法及系统
CN117275466A (zh) 一种业务意图识别方法、装置、设备及其存储介质
CN113946464B (zh) 一种结合模型及经验的预训练和并行推演的告警降噪方法
CN116595023A (zh) 地址信息的更新方法和装置、电子设备及存储介质
CN116432705A (zh) 文本生成模型构建、文本生成方法和装置、设备及介质
CN116956816A (zh) 文本处理方法、模型训练方法、装置及电子设备
CN114579876A (zh) 虚假信息检测方法、装置、设备及介质
CN114626798A (zh) 任务流程确定方法及装置、计算机可读存储介质、终端
CN113706207A (zh) 基于语义解析的订单成交率分析方法、装置、设备及介质
CN112861474A (zh) 一种信息标注方法、装置、设备及计算机可读存储介质
CN117251493B (zh) 一种基于警情地图的多源综合定位方法及装置
CN117172632B (zh) 一种企业异常行为检测方法、装置、设备及存储介质

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