CN116013027A - 一种群体性事件预警方法与系统 - Google Patents
一种群体性事件预警方法与系统 Download PDFInfo
- Publication number
- CN116013027A CN116013027A CN202210938229.4A CN202210938229A CN116013027A CN 116013027 A CN116013027 A CN 116013027A CN 202210938229 A CN202210938229 A CN 202210938229A CN 116013027 A CN116013027 A CN 116013027A
- Authority
- CN
- China
- Prior art keywords
- event
- prediction model
- names
- early warning
- time sequence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000008094 contradictory effect Effects 0.000 claims abstract description 9
- 230000008520 organization Effects 0.000 claims description 50
- 230000011218 segmentation Effects 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种群体性事件预警方法与系统，包括：获取各个行政部门的矛盾纠纷事件；对所述矛盾纠纷事件中涉事主体进行识别得到事件主体数量的时间序列；根据事件主体数量的时间序列构建预测模型；根据所述预测模型得到相对误差和标准偏差；当相对误差超过标准偏差且为正值时，则发出群体性事件预警。本发明通过利用事件主体数量的时间序列构建预测模型，然后基于此对群体性事件进行预警，可以大大提高预警准确率。
Description
技术领域
本发明涉及基层社会治理技术领域，具体而言，涉及一种群体性事件预警方法与系统。
背景技术
投诉求助平台成为社会公众表达利益诉求、宣泄释放情绪的重要渠道。多数群体性事件在事发前，民众会通过求助申诉平台系统进行反馈。基于此，对分散在各部门系统的民意信息进行综合分析，发掘可能触发群体性事件的风险因素，对于实现科学、及时、高效地预警群体性事件具有重要的理论和实践意义。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种群体性事件预警方法与系统。
本发明还提供了一种群体性事件预警方法，包括：
步骤1：获取各个行政部门的矛盾纠纷事件；
步骤2：对所述矛盾纠纷事件中涉事主体进行识别得到事件主体数量的时间序列；
步骤3：根据事件主体数量的时间序列构建预测模型；
步骤4：根据所述预测模型得到相对误差和标准偏差；
步骤5：当相对误差超过标准偏差且为正值时，则发出群体性事件预警。
优选地，所述步骤2：对所述矛盾纠纷事件中涉事主体进行识别得到事件主体数量的时间序列，包括：
步骤2.1：对涉事主体的组织机构的全称进行中文分词得到分词结果；
步骤2.2：对所述分词结果按照机构名关键字、地点、机构类型、机构后缀进行标注，采用一阶链式条件随机场模型进行学习得到状态序列的线性链CRFs条件概率；
步骤2.3：利用所述状态序列的线性链CRFs条件概率对事件数据进行命名实体识别，提取识别为机构团体名和机构名；
步骤2.4：利用百度分词算法分别对涉事主体的地址地点、人名进行识别得到相应的地名和人名；
步骤2.5：根据涉事主体的地名、人名、机构团体名和机构名构建事件主体数量的时间序列。
优选地，状态序列的线性链CRFs条件概率计算公式为：
其中,fk(yi-1,yi,x,i)为特征函数,ωk为第k个特征函数的权值,i表示序列中当前正要标记的字的位置,Z(x)是归一化因子。
优选地，所述步骤3：根据事件主体数量的时间序列构建预测模型，包括：
根据事件主体数量的时间序列采用简单移动平均法建立预测模型；所述预测模型为：
其中，x1,...,xT表示事件主体数量的时间序列，N表示移动平均的项数。
本发明还提供了一种群体性事件预警系统，包括：
矛盾纠纷事件获取模块，用于获取各个行政部门的矛盾纠纷事件；
涉事主体识别模块，用于对所述矛盾纠纷事件中涉事主体进行识别得到事件主体数量的时间序列；
预测模型构建模块，用于根据事件主体数量的时间序列构建预测模型；
差值计算模块，用于根据所述预测模型得到相对误差和标准偏差；
预警模块，用于当相对误差超过标准偏差且为正值时，则发出群体性事件预警。
优选地，所述涉事主体识别模块，包括：
分词单元，用于对涉事主体的组织机构的全称进行中文分词得到分词结果；
标注单元，用于对所述分词结果按照机构名关键字、地点、机构类型、机构后缀进行标注，采用一阶链式条件随机场模型进行学习得到状态序列的线性链CRFs条件概率；
第一识别单元，用于利用所述状态序列的线性链CRFs条件概率对事件数据进行命名实体识别，提取识别为机构团体名和机构名；
第二识别单元，用于利用百度分词算法分别对涉事主体的地址地点、人名进行识别得到相应的地名和人名；
时间序列构建单元，用于根据涉事主体的地名、人名、机构团体名和机构名构建事件主体数量的时间序列。
优选地，状态序列的线性链CRFs条件概率计算公式为：
其中,fk(yi-1,yi,x,i)为特征函数,ωk为第k个特征函数的权值,i表示序列中当前正要标记的字的位置,Z(x)是归一化因子。
优选地，所述预测模型构建模块，包括：
预测模型构建单元，用于根据事件主体数量的时间序列采用简单移动平均法建立预测模型；所述预测模型为：
其中，x1,...,xT表示事件主体数量的时间序列，N表示移动平均的项数。
本发明还提供了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的一种群体性事件预警方法中的步骤。
本发明提供的一种群体性事件预警方法与系统的有益效果在于：与现有技术相比，本发明通过利用事件主体数量的时间序列构建预测模型，然后基于此对群体性事件进行预警，可以大大提高预警准确率。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例所提供的一种群体性事件预警方法流程图；
图2示出了本发明实施例所提供一种群体性事件预警系统原理图；
图3示出了本发明实施例所提供的采用简单移动平均法对某公司相关事件数量分析结果。
具体实施方式
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”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装置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。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。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在本发明中的具体含义。
请参阅图1，本发明还提供了一种群体性事件预警方法，包括：
步骤1：获取各个行政部门的矛盾纠纷事件；
步骤2：对所述矛盾纠纷事件中涉事主体进行识别得到事件主体数量的时间序列；
进一步的，所述步骤2包括：
步骤2.1：对涉事主体的组织机构的全称进行中文分词得到分词结果；
步骤2.2：对所述分词结果按照机构名关键字、地点、机构类型、机构后缀进行标注，采用一阶链式条件随机场模型进行学习得到状态序列的线性链CRFs条件概率；
步骤2.3：利用所述状态序列的线性链CRFs条件概率对事件数据进行命名实体识别，提取识别为机构团体名和机构名；
下面结合具体的实施例对其进行说明：
对组织机构的识别，同样依据目标地区的组织机构名称库，与已有结构化数据进行匹配。现实情况中，很多事件的描述信息中无结构化数据的组织机构信息，比较常见的是使用组织机构的机构进行事件描述。因此需要进行简称识别。
首先，根据组织机构名称库中机构名称自动生成其简称库。按照机构名关键字(Key-word)、地点(Loc)、机构类型(Type)、机构后缀(Suffix)的形式，采用如下八条规则生成候选简称集合。
1)loc+keyword；
2)loc+keyword+type；
3)loc+keyword+type+suffix；
4)loc+keyword+suffix；
5)keyword；
6)keyword+type；
7)keyword+type+suffix；
8)keyword+suffix。
本发明在对机构全称进行中文分词的基础上，对分词结果按照机构名关键字、地点、机构类型、机构后缀进行标注后，采用一阶链式条件随机场模型(Linear-chainCRFs)进行学习。
记输入的未标记的字序列为X＝x1,x2,…,xn,标记序列为Y＝y1,y2,…,yn。本发明以“浙江升华云峰新材股份有限公司”为例，观察字序列表示为X＝(浙江，升华，云峰，新材，股份，有限，公司)，标记序列Y＝(loc，keyword，keyword，type，suffix，suffix，suffix)。在给定输入序列下,其状态序列的线性链CRFs条件概率为:
Z(x)是归一化因子：
其中,fk为特征函数，取值为0或者1，ωk为对应特征函数的权值。fk以整个观察序列X以及标记yi和yi-1为自变量，因而可以充分利用上下文信息作为特征，并且能够使用非独立特征，从而增强了条件随机场模型的表达能力。相比较于条件最大熵模型，由于特征函数中引入了yi-1，使得标记序列y可以全局归一化，能够求得全局的最优解。
举例如下：
f1(yi-1,yi,X,i)＝1如果yi＝keyword且yi-1＝loc；否则，为0。
如果该特征的权重ω1为较大的正数，则这个特征表明当yi-1＝loc，本发明更倾向于把它标注为keyword。
f2(yi-1,yi,X,i)＝1，如果i＝1，且yi＝loc；否者，为0。
一样，如果这个特征的权重ω2是较大的正数，那么更倾向于将机构全称中的第一个分词标注为loc。
f3(yi-1,yi,X,i)＝1，如果yi-1＝type且yi＝suffix；否者，为0。
同样，如果这个特征的权重ω3为正数则表明type后面倾向于跟着suffix。
条件随机场具有表达长距离依赖性和交叠性特征的能力，能解决最大熵模型难以避免的“标注偏置”的问题。因此在相同序列标注任务中，条件随机场的性能都要好于最大熵模型。对于条件随机场的建模和使用，可以归结为两个基本问题的求解:
I学习问题:给定训练集合求使出现的可能性为最大的模型参数集合Λ。
II解码问题:给定Λ，X，求X最可能对应的标记序列。
本发明使用了开源工具CRF++，其中学习问题采用的是拟牛顿法BFGS算法来优化目标函数，对训练集迭代学习求解；而解码问题采用的是Viterbi算法，来实现对输入序列的标注。
其次，利用分词技术对事件数据进行命名实体识别，提取识别为机构团体名(nt)和机构名(ORG)；
最后，提取的机构团体名(nt)和机构名(ORG)是否为简称库中的机构简称，若是，则将事件的涉事机构取简称库中的规范组织机构名称；若不是，则保留原识别机构名。
步骤2.4：利用百度分词算法分别对涉事主体的地址地点、人名进行识别得到相应的地名和人名；
需要说明的是，由于目标预测预警的群体性事件是特定时空范围内的，可以依据目标地区的地名地址，对依靠命名实体识别方法提取的地名进行规范化处理。本发明可通过当地已建立的标准地名地址库信息，进行地名规范化处理。首先，利用百度分词技术对事件数据进行命名实体识别，提取识别为地名(ns和LOC)的词语；其次，判断识别为地名(ns和LOC)的词语是否为地名地址库中的地名，若是，则将事件的地名取标准地名地址库中的规范地名；若不是，则保留原识别的地名。人名识别在无结构化数据的情况下，采用百度分词技术提取的人名(nr和PER)。
步骤2.5：根据涉事主体的地名、人名、机构团体名和机构名构建事件主体数量的时间序列。
时间序列是指一串按时间先后顺序排列的而又相互关联的数据序列。例如：图3展示了2020年6月到2021年12月期间，按自然周统计的包含“某公司”的事件数量，按时间顺序进行排列，就构成一个时间序列。
时间序列分析就是对这种依赖性关系的挖掘以及根据分析结果对未来某时刻值进行预测的一种分析技术。本发明在对不同部门的事件数据进行主体信息识别后，进一步通过事件主体上关联事件的不同时间窗口下的时间序列分析，建立量化模型，确定事件主体是否有潜在群体性事件发生的可能。
步骤3：根据事件主体数量的时间序列构建预测模型；
每当有新的群体性事件发生之前，民众已经通过制度化的渠道充分表达了利益诉求，并且这些诉求的信息，在群体性事件发生前的T个时间序列内，会随着群体性事件发生日期的临近，会产生一段从无到有或从少到多的事件主体信息量变化，而本发明主要就是基于事件主体信息量变化来构建预测模型的。
步骤4：根据所述预测模型得到相对误差和标准偏差；
步骤5：当相对误差超过标准偏差且为正值时，则发出群体性事件预警。
进一步的，步骤3-5包括：
依据识别到的事件主体数量的观测序列x1,...,xT,取移动平均的项数N<T，计算简单移动平均值，计算公式为：
假设常态下，事件的主体信息数量的趋势是在某一水平上下波动，从而使用简单移动平均法建立预测模型为：
图3中，虚线部分即为N＝6的情况下的预测结果。
预测的相对误差为：
预测的标准偏差为：
通过预测的相对误差值与标准偏差进行比较，如果误差超过标准偏差且为正，则可能会有潜在的群体性事件发生。
本发明通过利用事件主体数量的时间序列构建预测模型，然后基于此对群体性事件进行预警，可以大大提高预警准确率。
请参阅图2，本发明还提供了一种群体性事件预警系统，包括：
矛盾纠纷事件获取模块，用于获取各个行政部门的矛盾纠纷事件；
涉事主体识别模块，用于对所述矛盾纠纷事件中涉事主体进行识别得到事件主体数量的时间序列；
预测模型构建模块，用于根据事件主体数量的时间序列构建预测模型；
差值计算模块，用于根据所述预测模型得到相对误差和标准偏差；
预警模块，用于当相对误差超过标准偏差且为正值时，则发出群体性事件预警。
优选地，所述涉事主体识别模块，包括：
分词单元，用于对涉事主体的组织机构的全称进行中文分词得到分词结果；
标注单元，用于对所述分词结果按照机构名关键字、地点、机构类型、机构后缀进行标注，采用一阶链式条件随机场模型进行学习得到状态序列的线性链CRFs条件概率；
第一识别单元，用于利用所述状态序列的线性链CRFs条件概率对事件数据进行命名实体识别，提取识别为机构团体名和机构名；
第二识别单元，用于利用百度分词算法分别对涉事主体的地址地点、人名进行识别得到相应的地名和人名；
时间序列构建单元，用于根据涉事主体的地名、人名、机构团体名和机构名构建事件主体数量的时间序列。
优选地，状态序列的线性链CRFs条件概率计算公式为：
其中,fk为特征函数,ωk为对应特征函数的权值,i表示序列中当前正要标记的字的位置,Z(x)是归一化因子。
优选地，所述预测模型构建模块，包括：
预测模型构建单元，用于根据事件主体数量的时间序列采用简单移动平均法建立预测模型；所述预测模型为：
其中，x1,...,xT表示事件主体数量的时间序列，N表示移动平均的项数。
本发明还提供了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的一种群体性事件预警方法中的步骤。
与现有技术相比，本发明实施例提供的计算机可读存储介质的有益效果与上述技术方案一种群体性事件预警方法的有益效果相同，在此不做赘述。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换的技术方案，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种群体性事件预警方法，其特征在于，包括：
步骤1：获取各个行政部门的矛盾纠纷事件；
步骤2：对所述矛盾纠纷事件中涉事主体进行识别得到事件主体数量的时间序列；
步骤3：根据事件主体数量的时间序列构建预测模型；
步骤4：根据所述预测模型得到相对误差和标准偏差；
步骤5：当相对误差超过标准偏差且为正值时，则发出群体性事件预警。
2.根据权利要求1所述的一种群体性事件预警方法，其特征在于，所述步骤2：对所述矛盾纠纷事件中涉事主体进行识别得到事件主体数量的时间序列，包括：
步骤2.1：对涉事主体的组织机构的全称进行中文分词得到分词结果；
步骤2.2：对所述分词结果按照机构名关键字、地点、机构类型、机构后缀进行标注，采用一阶链式条件随机场模型进行学习得到状态序列的线性链CRFs条件概率；
步骤2.3：利用所述状态序列的线性链CRFs条件概率对事件数据进行命名实体识别，提取识别为机构团体名和机构名；
步骤2.4：利用百度分词算法分别对涉事主体的地址地点、人名进行识别得到相应的地名和人名；
步骤2.5：根据涉事主体的地名、人名、机构团体名和机构名构建事件主体数量的时间序列。
3.根据权利要求2所述的一种群体性事件预警方法，其特征在于，状态序列的线性链CRFs条件概率计算公式为：
其中,fk(yi-1,yi,x,i)为特征函数,ωk为第k个特征函数的权值,i表示序列中当前正要标记的字的位置,Z(x)是归一化因子。
4.根据权利要求2所述的一种群体性事件预警方法，其特征在于，所述步骤3：根据事件主体数量的时间序列构建预测模型，包括：
根据事件主体数量的时间序列采用简单移动平均法建立预测模型；所述预测模型为：
其中，x1,...,xT表示事件主体数量的时间序列，N表示移动平均的项数。
5.一种群体性事件预警系统，其特征在于，包括：
矛盾纠纷事件获取模块，用于获取各个行政部门的矛盾纠纷事件；
涉事主体识别模块，用于对所述矛盾纠纷事件中涉事主体进行识别得到事件主体数量的时间序列；
预测模型构建模块，用于根据事件主体数量的时间序列构建预测模型；
差值计算模块，用于根据所述预测模型得到相对误差和标准偏差；
预警模块，用于当相对误差超过标准偏差且为正值时，则发出群体性事件预警。
6.根据权利要求5所述的一种群体性事件预警系统，其特征在于，所述涉事主体识别模块，包括：
分词单元，用于对涉事主体的组织机构的全称进行中文分词得到分词结果；
标注单元，用于对所述分词结果按照机构名关键字、地点、机构类型、机构后缀进行标注，采用一阶链式条件随机场模型进行学习得到状态序列的线性链CRFs条件概率；
第一识别单元，用于利用所述状态序列的线性链CRFs条件概率对事件数据进行命名实体识别，提取识别为机构团体名和机构名；
第二识别单元，用于利用百度分词算法分别对涉事主体的地址地点、人名进行识别得到相应的地名和人名；
时间序列构建单元，用于根据涉事主体的地名、人名、机构团体名和机构名构建事件主体数量的时间序列。
7.根据权利要求6所述的一种群体性事件预警方法，其特征在于，状态序列的线性链CRFs条件概率计算公式为：
其中，fk(yi-1,yi,x,i)为特征函数,ωk为第k个特征函数的权值，i表示序列中当前正要标记的字的位置,Z(x)是归一化因子。
8.根据权利要求7所述的一种群体性事件预警方法，其特征在于，所述预测模型构建模块，包括：
预测模型构建单元，用于根据事件主体数量的时间序列采用简单移动平均法建立预测模型；所述预测模型为：
其中，x1,...,xT表示事件主体数量的时间序列，N表示移动平均的项数。
9.一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如权利要求1至4中任一项所述的一种群体性事件预警方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210938229.4A CN116013027A (zh) | 2022-08-05 | 2022-08-05 | 一种群体性事件预警方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210938229.4A CN116013027A (zh) | 2022-08-05 | 2022-08-05 | 一种群体性事件预警方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116013027A true CN116013027A (zh) | 2023-04-25 |
Family
ID=86025437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210938229.4A Pending CN116013027A (zh) | 2022-08-05 | 2022-08-05 | 一种群体性事件预警方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116013027A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117726195A (zh) * | 2024-02-07 | 2024-03-19 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130290232A1 (en) * | 2012-04-30 | 2013-10-31 | Mikalai Tsytsarau | Identifying news events that cause a shift in sentiment |
| CN107194508A (zh) * | 2017-05-18 | 2017-09-22 | 成都数联易康科技有限公司 | 一种基于时间序列动态预测中短期区域儿科门诊人次的方法 |
| CN107644269A (zh) * | 2017-09-11 | 2018-01-30 | 国网江西省电力公司南昌供电分公司 | 一种支持风险评估的电力舆情预测方法及装置 |
| CN109711613A (zh) * | 2018-12-24 | 2019-05-03 | 武汉烽火众智数字技术有限责任公司 | 一种基于人员关系模型和事件关联模型的预警方法及系统 |
| CN109710927A (zh) * | 2018-12-12 | 2019-05-03 | 东软集团股份有限公司 | 命名实体的识别方法、装置、可读存储介质及电子设备 |
| CN111143432A (zh) * | 2019-12-10 | 2020-05-12 | 华能集团技术创新中心有限公司 | 一种事件处理结果的数据分析预警系统及方法 |
| CN111709244A (zh) * | 2019-11-20 | 2020-09-25 | 中共南通市委政法委员会 | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 |
| CN112328801A (zh) * | 2020-09-28 | 2021-02-05 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 事件知识图谱预测群体性事件的方法 |
| WO2021217843A1 (zh) * | 2020-04-29 | 2021-11-04 | 平安科技（深圳）有限公司 | 企业舆情分析方法、装置、电子设备及介质 |
| CN114003721A (zh) * | 2021-11-02 | 2022-02-01 | 城云科技（中国）有限公司 | 矛盾纠纷事件类型分类模型的构建方法、装置及应用 |
| CN114328907A (zh) * | 2021-10-22 | 2022-04-12 | 浙江嘉兴数字城市实验室有限公司 | 用于预警风险升级事件的自然语言处理方法 |
-
2022
- 2022-08-05 CN CN202210938229.4A patent/CN116013027A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130290232A1 (en) * | 2012-04-30 | 2013-10-31 | Mikalai Tsytsarau | Identifying news events that cause a shift in sentiment |
| CN107194508A (zh) * | 2017-05-18 | 2017-09-22 | 成都数联易康科技有限公司 | 一种基于时间序列动态预测中短期区域儿科门诊人次的方法 |
| CN107644269A (zh) * | 2017-09-11 | 2018-01-30 | 国网江西省电力公司南昌供电分公司 | 一种支持风险评估的电力舆情预测方法及装置 |
| CN109710927A (zh) * | 2018-12-12 | 2019-05-03 | 东软集团股份有限公司 | 命名实体的识别方法、装置、可读存储介质及电子设备 |
| CN109711613A (zh) * | 2018-12-24 | 2019-05-03 | 武汉烽火众智数字技术有限责任公司 | 一种基于人员关系模型和事件关联模型的预警方法及系统 |
| CN111709244A (zh) * | 2019-11-20 | 2020-09-25 | 中共南通市委政法委员会 | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 |
| CN111143432A (zh) * | 2019-12-10 | 2020-05-12 | 华能集团技术创新中心有限公司 | 一种事件处理结果的数据分析预警系统及方法 |
| WO2021217843A1 (zh) * | 2020-04-29 | 2021-11-04 | 平安科技（深圳）有限公司 | 企业舆情分析方法、装置、电子设备及介质 |
| CN112328801A (zh) * | 2020-09-28 | 2021-02-05 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 事件知识图谱预测群体性事件的方法 |
| CN114328907A (zh) * | 2021-10-22 | 2022-04-12 | 浙江嘉兴数字城市实验室有限公司 | 用于预警风险升级事件的自然语言处理方法 |
| CN114003721A (zh) * | 2021-11-02 | 2022-02-01 | 城云科技（中国）有限公司 | 矛盾纠纷事件类型分类模型的构建方法、装置及应用 |
Non-Patent Citations (1)
| Title |
|---|
| 王春梦: "突发事件网络舆情危机预警机制研究", 哈尔滨理工大学硕士论文 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117726195A (zh) * | 2024-02-07 | 2024-03-19 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
| CN117726195B (zh) * | 2024-02-07 | 2024-05-07 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Visani et al. | Statistical stability indices for LIME: Obtaining reliable explanations for machine learning models | |
| Bacchi et al. | Machine learning in the prediction of medical inpatient length of stay | |
| Zheng et al. | On optimality of jury selection in crowdsourcing | |
| Neil et al. | Using Bayesian networks to model expected and unexpected operational losses | |
| Mills et al. | Automatic traceability maintenance via machine learning classification | |
| US10657229B2 (en) | Building resilient models to address dynamic customer data use rights | |
| WO2019218475A1 (zh) | 异常行为对象的识别方法、装置、终端设备及介质 | |
| US11853337B2 (en) | System to determine a credibility weighting for electronic records | |
| CN108428478B (zh) | 基于异质医疗数据挖掘的甲状腺癌风险预测方法 | |
| CN110310163A (zh) | 一种精准制定营销策略的方法、设备及可读介质 | |
| CN110265098A (zh) | 一种病例管理方法、装置、计算机设备及可读存储介质 | |
| CN109598566A (zh) | 下单预测方法、装置、计算机设备和计算机可读存储介质 | |
| US11698892B2 (en) | Leveraging a collection of training tables to accurately predict errors within a variety of tables | |
| CN114647741A (zh) | 工艺自动决策和推理方法、装置、计算机设备及存储介质 | |
| CN116013027A (zh) | 一种群体性事件预警方法与系统 | |
| CN113947087A (zh) | 一种基于标签的关系构建方法、装置、电子设备及存储介质 | |
| Tonkin et al. | Linking property crime using offender crime scene behaviour: A comparison of methods | |
| König et al. | Evaluating the evidence in algorithmic evidence-based decision-making: the case of US pretrial risk assessment tools | |
| CN116452387A (zh) | 一种群体性事件分析方法与系统 | |
| Garg et al. | On asymmetric similarity search | |
| US20220399120A1 (en) | Method, apparatus and computer program product for providing a multi-omics framework for estimating temporal disease trajectories | |
| CN113222471A (zh) | 一种基于新媒体数据的资产风控方法及设备 | |
| CN112182069B (zh) | 代理人留存预测方法、装置、计算机设备及存储介质 | |
| US11928128B2 (en) | Construction of a meta-database from autonomously scanned disparate and heterogeneous sources | |
| CN115601007A (zh) | 一种复杂机电系统全生命周期诊断推理与维护决策方法 |
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 |