CN116432953B - 基于泛化生成模式的文物保护应急响应决策方法和系统 - Google Patents

基于泛化生成模式的文物保护应急响应决策方法和系统 Download PDF

Info

Publication number
CN116432953B
CN116432953B CN202310298551.XA CN202310298551A CN116432953B CN 116432953 B CN116432953 B CN 116432953B CN 202310298551 A CN202310298551 A CN 202310298551A CN 116432953 B CN116432953 B CN 116432953B
Authority
CN
China
Prior art keywords
cultural relic
generalization
relic protection
triples
abnormal behavior
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
CN202310298551.XA
Other languages
English (en)
Other versions
CN116432953A (zh
Inventor
夏天
王诗琪
田寒
喻光超
刘念
周玉莲
石鸿凌
李成华
江小平
丁昊
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.)
Wuhan Qiyun High Tech Engineering Technology Co ltd
South Central Minzu University
Original Assignee
Wuhan Qiyun High Tech Engineering Technology Co ltd
South Central University for Nationalities
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 Wuhan Qiyun High Tech Engineering Technology Co ltd, South Central University for Nationalities filed Critical Wuhan Qiyun High Tech Engineering Technology Co ltd
Priority to CN202310298551.XA priority Critical patent/CN116432953B/zh
Publication of CN116432953A publication Critical patent/CN116432953A/zh
Application granted granted Critical
Publication of CN116432953B publication Critical patent/CN116432953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于泛化推理模式的文物保护应急响应决策方法，包括：实时获取异常行为监测系统输出的数据，包括文物防护对象序号和异常行为编码，根据该文物防护对象序号在文物防护对象属性数据表中获得对应的多种属性，根据异常行为编码在异常行为数据表中获得其对应的一级风险类型和二级风险类型，将得到的文物防护对象序号和异常行为编码输入到训练好的泛化生成模型中，以获得对应的文物防护处置措施。本发明能够解决现有的应急预案及案例数据的存储过于分散不能有效共享的技术问题，以及传统应急响应决策方法由于使用已经制定完成的传统文本形式的应急预案导致更新较慢、适用性差、专家的经验知识无法得到有效的积累运用的技术问题。

Description

基于泛化生成模式的文物保护应急响应决策方法和系统
技术领域
本发明属于应急决策技术领域，更具体地，涉及一种基于泛化生成模式的文物保护应急响应决策方法和系统。
背景技术
中华文化遗产是一笔宝贵的遗产，它承载辉煌的文明、传承历史、延续民族精神，促进经济社会发展。为了保护考古和历史文化遗产，对文物保护的应急决策至关重要，应急决策的推测结果将指导我们对文物防护对象发生的安全事件进行紧急处理，并对该文物防护对象安防系统进行优化，以避免其受到损坏。
传统的文物保护应急响应决策方法大部分需要基于专家的经验分析，然而这些方法均存在一些不可忽略的缺陷。第一，各地的应急预案及案例数据的存储过于分散不能有效共享；第二，已经制定完成的传统的文本形式的应急预案更新较慢、适用性差，专家的经验知识无法得到有效的积累运用。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于泛化生成模式的文物保护应急响应决策方法。其目的在于，解决现有的应急预案及案例数据的存储过于分散不能有效共享的技术问题，以及传统应急响应决策方法由于使用已经制定完成的传统文本形式的应急预案导致更新较慢、适用性差、专家的经验知识无法得到有效的积累运用的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于泛化推理模式的文物保护应急响应决策方法，包括以下步骤：
(1)实时获取异常行为监测系统输出的数据，包括文物防护对象序号和异常行为编码，根据该文物防护对象序号在文物防护对象属性数据表中获得对应的多种属性，根据异常行为编码在异常行为数据表中获得其对应的一级风险类型和二级风险类型。
(2)将步骤(1)得到的文物防护对象序号和异常行为编码输入到训练好的泛化生成模型中，以获得对应的文物防护处置措施。
优选地，文物防护对象属性数据表中储存有各个文物保护单位中每个文物防护对象的多种属性，包括文物防护对象序号、文物防护对象名称、文物防护对象类型、该文物防护对象对应文物保护单位的类型、以及该文物防护对象对应文物保护单位的安防强度等；
异常行为数据表中的一级风险类型有以下四种：构件盗窃、古墓藏盗掘、法人违法、以及火灾风险；
每种一级风险类型所进一步包括的二级风险类型，每个二级风险类型包括多个三级风险类型，每个三级风险类型即为异常行为。
优选地，泛化生成模型是复制生成网络CyGNet。
优选地，泛化生成模型是采用以下步骤训练得到的：
(2-1)获取文物应急预案，对其进行知识抽取，以得到三元组数据格式的应急预案知识库；
(2-2)获取步骤(2-1)得到的应急预案知识库中的所有三元组构成的集合C，将应急预案知识库中的所有三元组按照8:2的比例划分为训练集C’和验证集；
(2-3)针对步骤(2-2)得到的训练集中所有三元组构成的集合C’而言，通过将文物防护对象属性数据表与异常行为数据表中的数据进行对照，在应急预案知识库中获取与该集合C’中每个三元组相似的三元组，所有三元组构成泛化集合C”；
(2-4)使用Xavier算法对泛化生成模型的参数进行初始化，并使用学习率为0.001的AMSGrad优化器对初始化后的泛化生成模型进行优化，以得到优化后的泛化生成模型；
(2-5)将步骤(2-3)得到的泛化集合C”输入步骤(2-4)优化后的泛化生成模型中，以得到与应急预案知识库中的三元组相似的三元组所对应的处置措施的概率。
(2-6)将步骤(2-2)得到的训练集C’中的所有三元组输入到步骤(2-4)初始化后的泛化生成模型中的生成模式中(通过一层MLP，再接一层softmax，从整个应急预案知识库中预测实体)，以获得每个三元组所对应的全部处置措施的概率：
gq＝Wg[s,b]+bg
p(g)＝softmax(gq)
具体而言，Wg[s,b]和bg是可训练的参数，与步骤(2-5-3)中的p(gl)类似，p(g)表示生成模式预测的每个三元组所对应的全部处置措施的概率。
(2-7)加入系数α(α∈[0,1])来调整步骤(2-5)和(2-6)中得到处置措施的概率之间的权重，以得到两种模式最终预测的三元组所对应的处置措施的概率，概率最大的处置措施即为最终预测出的最合适的应对处置措施：
p(o|s,b)＝α*p(gl)+(1-α)*p(g)
其中，p(o|s,b)表示两种模式预测下最终得到的处置措施的概率。
(2-8)将步骤(2-7)预测出的应对处置措施以步骤(2-2)应急预案知识库中该文物防护对象发生异常行为时应采取的对应处置措施作为分类标签，训练得到最小化的损失函数。以获得最终的泛化生成模型。
(2-9)通过反向传播方法对所有训练集C’中的三元组进行迭代训练，直到步骤(2-8)中的泛化生成模型收敛为止，从而得到训练好的泛化生成模型，进而得到最终的文物风险应急处置决策模型。
优选地，步骤(2-1)中是从文物单位或互联网获取文物应急预案。
应急预案知识库是以知识图谱的方式进行数据储存，其包括多个三元组，其是由头实体文物防护对象、关系异常行为、以及尾实体处置措施构成，且三元组的格式如下：
头实体文物防护对象(即文物防护对象序号s1)--关系异常行为(即异常行为编码b1)--尾实体处置措施(即处置措施序号m1)。
优选地，步骤(2-3)包括以下子步骤：
(2-3-1)设置泛化集合C”为空，同时设置计数器cnt1＝1；
(2-3-2)判断cnt1是否大于应急预案知识库中三元组的总数，如果是则过程结束，否则进入步骤(2-3-3)；
(2-3-3)提取应急预案知识库中的第cnt1个三元组(s，b，m)，即获得的三元组头实体文物防护对象序号为s、关系异常行为编码为b、尾实体处置措施序号为m，将头实体文物防护对象序号s输入到文物防护对象属性数据表中，获得序号为s的所有文物防护对象的防护对象类型及级别，遍历文物防护对象属性数据表，将其中防护对象类型及级别和文物防护对象序号s相同的所有序号提取出来构成头实体文物防护对象序号s的泛化集合s’；将关系异常行为编码b输入到异常行为数据表中，获得其中序号为b的所有异常行为对应的一级风险类型，遍历异常行为数据表，将其中一级风险类型和异常行为编码b对应的一级风险类型相同的所有异常行为编码提取出来，构成关系异常行为编码b的泛化集合b’。
(2-3-4)获取步骤(2-3-3)得到的头实体文物防护对象序号s的泛化集合s’中的序号、以及关系异常行为编码b的泛化集合b’中的的编码，并与应急预案知识库中的对应三元组进行对比筛选，以得到其全部三元组的泛化集合C”。
(2-3-5)设置计数器cnt1＝cnt1+1，并返回步骤(2-3-2)。
优选地，步骤(2-3-4)包括以下子步骤：
(2-3-4-1)设置泛化集合C”为空，同时设置计数器cntc＝1；
(2-3-4-2)判断cntc1是否大于应急预案知识库中三元组的总数，如果是则过程结束，否则进入步骤(2-3-4-3)；
(2-3-4-3)提取应急预案知识库中的第cntc1个三元组(s，b，m)，并判断其头实体文物防护对象序号s是否为集合s’中的序号，同时关系异常行为编码b是否为集合b’中的编码，如果是则将第cntc1个三元组加入三元组的泛化集合C”，然后进入步骤(2-3-4-4)，否则将第cntc1个加入另一个集合O，然后进入步骤(2-3-4-4)。
(2-3-4-4)设置计数器cntc1＝cntc1+1，并返回步骤(2-3-4-2)。
优选地，步骤(2-5)包括以下子步骤：
(2-5-1)将步骤(2-3)得到的泛化集合C”中的三元组集合定义为
其中表示泛化集合C”中的所有三元组所代表的事件，由多热指示向量表示，∈[1，文物保护单位的文物防护对象总数]，a表示泛化集合C”中与第i个文物防护对象对应的三元组相似的三元组总数。其中在泛化集合C”的三元组的值标记为1，其他标记为0。
(2-5-2)通过泛化生成模型中的多层感知机(Multi-Layer Perception，MLP)获得一个索引向量vq：
vq＝tanh(Wgl[s,b]+bgl)
其中Wgl[s,b]和bgl是可训练的参数；gl表示泛化模式。
(2-5-3)根据步骤(2-5-2)得到的索引向量vq、以及步骤(2-5-1)得到的泛化集合C”中的三元组获取与应急预案知识库中的三元组相似的三元组所对应的处置措施的概率：
p(gl)＝softmax(glq)
其中索引向量vq,glq是n维向量，glq通过一层softmax使得未出现过的处置措施的概率降到接近于零。p(gl)表示泛化模式预测处置措施的概率。
优选地，步骤(2-8)中使用的损失Loss为:
其中mj是第j个处置措施，ε为处置措施集合，j∈ε；k是第k个异常行为，p(yjk|s,b)表示当第j个处置措施为mj时，第k个异常行为的组合概率值。
按照本发明的另一方面，提供了一种基于泛化推理模式的文物保护应急响应决策系统，包括：
第一模块，用于实时获取异常行为监测系统输出的数据，包括文物防护对象序号和异常行为编码，根据该文物防护对象序号在文物防护对象属性数据表中获得对应的多种属性，根据异常行为编码在异常行为数据表中获得其对应的一级风险类型和二级风险类型。
第二模块，用于将第一模块得到的文物防护对象序号和异常行为编码输入到训练好的泛化生成模型中，以获得对应的文物防护处置措施。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、由于本发明采用了步骤(1)及子步骤(2-1)，其可以规范各文物保护单位文物属性数据、异常行为数据以及处置措施数据的储存，通过应急预案的文本信息构建知识图谱，利用其头实体、关系和尾实体，细致全面地描述文物防护对象属性、异常行为以及处置措施，进而构建成应急预案知识库对未来的决策起到辅助作用，因此能够解决各地的应急预案及案例数据的存储过于分散不能有效共享的技术问题。
2、由于本发明采用了子步骤(2-2)到步骤(2-7)，其泛化生成模型不但可以从整个应急预案知识库中预测未来文物突发事件的处置措施，还能够识别重要特征相同的文物防护对象突发事件，充分利用以往应急处置措施知识，进而预测未来突发事件的处置措施。因此能够解决传统的应急响应决策方法中，已经制定完成的传统的文本形式的应急预案更新较慢、适用性差，专家的经验知识无法得到有效的积累运用的技术问题。
附图说明
图1是本发明基于泛化生成模式的文物保护应急响应决策方法和系统的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的基本思路在于，借鉴自然语言生成(Natural language generation，简称NLG)中的复制机制思路，提取出主体众多特征中的重要特征，将重要特征相同的主体视为同一类。因而本发明不仅能够从整个应急预案知识库中预测未来文物突发事件的处置措施，还能够识别重要特征相同的文物防护对象突发事件，并加以参考进而预测未来事件的处置措施。
如图1所示，本发明提供了一种基于泛化推理模式的文物保护应急响应决策方法，包括以下步骤：
(1)实时获取异常行为监测系统输出的数据，包括文物防护对象序号和异常行为编码，根据该文物防护对象序号在文物防护对象属性数据表中获得对应的多种属性，根据异常行为编码在异常行为数据表中获得其对应的一级风险类型和二级风险类型。
具体而言，文物防护对象属性数据表中储存有各个文物保护单位中每个文物防护对象的多种属性，包括文物防护对象序号、文物防护对象名称、文物防护对象类型(其中代码01表示石窟寺，代码02表示古建筑，代码03表示石刻，代码04表示古遗址，代码05表示古墓葬)、该文物防护对象对应文物保护单位的级别(代码1表示国家级、代码2表示省级、代码3表示市级)、该文物防护对象对应文物保护单位的类型(其中代码01表示石窟寺，代码02表示古建筑，代码03表示石刻，代码04表示古遗址，代码05表示古墓葬)、以及该文物防护对象对应文物保护单位的安防强度(其中代码1表示强，代码2表示中，代码3表示弱)等。其属性的先后顺序按照文物防护对象属性的重要性排序如表1所示。
表1文物防护对象属性数据表
异常行为数据表中的一级风险类型有以下四种：构件盗窃、古墓藏盗掘、法人违法、以及火灾风险，如下表2所示，其显示了每种一级风险类型所进一步包括的二级风险类型，每个二级风险类型包括多个三级风险类型，每个三级风险类型即为异常行为。
表2异常行为数据表
(2)将步骤(1)得到的文物防护对象序号和异常行为编码输入到训练好的泛化生成模型中，以获得对应的文物防护处置措施。
本发明使用的泛化生成模型是复制生成网络(Copy-Generation Networks，简称CyGNet)，其具体结构可以参见Cunchao Zhu等人与2021年在Association for theAdvancement of Artificial Intelligence发表的《Learning From History：ModelingTemporal Knowledge Graphs with Sequential Copy-Generation Networks》一文。
本发明的泛化生成模型是采用以下步骤训练得到的：
(2-1)获取文物应急预案，对其进行知识抽取，以得到三元组数据格式的应急预案知识库；
具体而言，本步骤中是从诸如文物单位、互联网等多种渠道获取文物应急预案。
应急预案知识库是以知识图谱的方式进行数据储存，其包括多个三元组，其是由头实体文物防护对象、关系异常行为(其作为中间实体)、以及尾实体处置措施构成。
三元组的格式如下：
头实体文物防护对象(即文物防护对象序号s1)--关系异常行为(即异常行为编码b1)--尾实体处置措施(即处置措施序号m1)
例如，应急预案有如下文本内容：若古建筑A发生人员驻留超时事件，则向应急部门报告。通过知识抽取，将其记录为一个三元组：古建筑A(0001)--人员驻留超时(10201)--向应急部门报告(002)。
上述涉及的处置措施数据在处置措施数据表中的储存如表3所示。头实体文物防护对象s、关系异常行为b、尾实体处置措施m的具体内容即分别对应于表1中第一列的文物防护对象序号、表2中第一列的异常行为编码、以及表3中第一列的处置措施序号。
表3处置措施数据表
处置措施序号 处置措施
001 向公安报告(事件及相关数据)
002 向应急部门报告
003 向主管部门报告
004 向本单位领导报告
005 指派相关人员到现场处置(人防，人员个数、响应要求与脆弱性相关)
006 安排人员进行设备维修(技防，响应要求与脆弱性相关)
007 调整技防系统的参数(技防)
008 安排人员进行设施维护(物防)
009 调整巡查力度和频度(人防)(力度和频度结合脆弱性等级变化)
010 新增技防设备、物防设施位置和数量(数量位置与脆弱性相关)
011 向城管部门报告
012 邀请专家协作
为了更加清楚地描述本发明，异常行为数据在异常行为数据表中的储存以及处置措施在处置措施数据表中的储存如表2、3所示，表1中数据仅为举例说明，本发明在应用时以文物保护单位实际情况数据为准。
上述步骤(1)及子步骤(2-1)的优点在于，其可以规范各文物保护单位文物属性数据、异常行为数据以及处置措施数据的储存，通过应急预案的文本信息构建知识图谱，利用其头实体、关系和尾实体，细致全面地描述文物防护对象属性、异常行为以及处置措施，进而构建成应急预案知识库对未来的决策起到辅助作用，因此能够解决各地的应急预案及案例数据的存储过于分散不能有效共享且专家的经验知识无法得到有效的积累运用的技术问题。
(2-2)获取步骤(2-1)得到的应急预案知识库中的所有三元组构成的集合C，将应急预案知识库中的所有三元组按照8:2的比例划分为训练集C’和验证集；
(2-3)针对步骤(2-2)得到的训练集中所有三元组构成的集合C’而言，通过将文物防护对象属性数据表与异常行为数据表中的数据进行对照，在应急预案知识库中获取与该集合C’中每个三元组相似的三元组，所有三元组构成泛化集合C”；
本步骤包括以下子步骤：
(2-3-1)设置泛化集合C”为空，同时设置计数器cnt1＝1；
(2-3-2)判断cnt1是否大于应急预案知识库中三元组的总数，如果是则过程结束，否则进入步骤(2-3-3)；
(2-3-3)提取应急预案知识库中的第cnt1个三元组(s，b，m)，即获得的三元组头实体文物防护对象序号为s、关系异常行为编码为b、尾实体处置措施序号为m，将头实体文物防护对象序号s输入到文物防护对象属性数据表中，获得序号为s的所有文物防护对象的防护对象类型及级别，遍历文物防护对象属性数据表，将其中防护对象类型及级别和文物防护对象序号s相同的所有序号提取出来构成头实体文物防护对象序号s的泛化集合s’；将关系异常行为编码b输入到异常行为数据表中，获得其中序号为b的所有异常行为对应的一级风险类型，遍历异常行为数据表，将其中一级风险类型和异常行为编码b对应的一级风险类型相同的所有异常行为编码提取出来，构成关系异常行为编码b的泛化集合b’。
(2-3-4)获取步骤(2-3-3)得到的头实体文物防护对象序号s的泛化集合s’中的序号、以及关系异常行为编码b的泛化集合b’中的的编码，并与应急预案知识库中的对应三元组进行对比筛选，以得到其全部三元组的泛化集合C”。
本步骤包括以下子步骤：
(2-3-4-1)设置泛化集合C”为空，同时设置计数器cntc＝1；
(2-3-4-2)判断cntc1是否大于应急预案知识库中三元组的总数，如果是则过程结束，否则进入步骤(2-3-4-3)；
(2-3-4-3)提取应急预案知识库中的第cntc1个三元组(s，b，m)，并判断其头实体文物防护对象序号s是否为集合s’中的序号，同时关系异常行为编码b是否为集合b’中的编码，如果是则将第cntc1个三元组加入三元组的泛化集合C”，然后进入步骤(2-3-4-4)，否则将第cntc1个加入另一个集合O，然后进入步骤(2-3-4-4)。
(2-3-4-4)设置计数器cntc1＝cntc1+1，并返回步骤(2-3-4-2)。
(2-3-5)设置计数器cnt1＝cnt1+1，并返回步骤(2-3-2)。
(2-4)使用Xavier算法对泛化生成模型的参数进行初始化，并使用学习率为0.001的AMSGrad优化器对初始化后的泛化生成模型进行优化，以得到优化后的泛化生成模型；
具体而言，优化过程中，隐藏层设置为200，所有的激活函数都采用Sigmoid函数。
(2-5)将步骤(2-3)得到的泛化集合C”输入步骤(2-4)优化后的泛化生成模型中，以得到与应急预案知识库中的三元组相似的三元组所对应的处置措施的概率。
具体而言，本步骤包括以下子步骤：
(2-5-1)将步骤(2-3)得到的泛化集合C”中的三元组集合定义为
具体而言，表示泛化集合C”中的所有三元组所代表的事件，由多热指示向量表示，∈[1，文物保护单位的文物防护对象总数]，a表示泛化集合C”中与第i个文物防护对象对应的三元组相似的三元组总数。其中在泛化集合C”的三元组的值标记为1，其他标记为0。
(2-5-2)通过泛化生成模型中的多层感知机(Multi-Layer Perception，MLP)获得一个索引向量vq：
vq＝tanh(Wgl[s,b]+bgl)
其中Wgl[s,b]和bgl是可训练的参数；gl表示泛化模式。
(2-5-3)根据步骤(2-5-2)得到的索引向量vq、以及步骤(2-5-1)得到的泛化集合C”中的三元组获取与应急预案知识库中的三元组相似的三元组所对应的处置措施的概率：
p(gl)＝softmax(glq)
具体而言，索引向量vq,glq是n维向量，glq通过一层softmax使得未出现过的处置措施的概率降到接近于零。p(gl)表示泛化模式预测处置措施的概率。
(2-6)将步骤(2-2)得到的训练集C’中的所有三元组输入到步骤(2-4)初始化后的泛化生成模型中的生成模式中(通过一层MLP，再接一层softmax，从整个应急预案知识库中预测实体)，以获得每个三元组所对应的全部处置措施的概率：
gq＝Wg[s,b]+bg
p(g)＝softmax(gq)
具体而言，Wg[s,b]和bg是可训练的参数，与步骤(2-5-3)中的p(gl)类似，p(g)表示生成模式预测的每个三元组所对应的全部处置措施的概率。
(2-7)加入系数α(α∈[0,1])来调整步骤(2-5)和(2-6)中得到处置措施的概率之间的权重，以得到两种模式最终预测的三元组所对应的处置措施的概率，概率最大的处置措施即为最终预测出的最合适的应对处置措施：
p(o|s,b)＝α*p(gl)+(1-α)*p(g)
其中，p(o|s,b)表示两种模式预测下最终得到的处置措施的概率。
上述子步骤(2-3)到步骤(2-7)的优点在于，其泛化生成模型不但可以从整个应急预案知识库中预测未来文物突发事件的处置措施，还能够识别重要特征相同的文物防护对象突发事件，充分利用以往应急处置措施知识，进而预测未来突发事件的处置措施。因此能够解决传统的应急响应决策方法中，已经制定完成的传统的文本形式的应急预案更新较慢、适用性差，往往得不到有效的使用。
(2-8)将步骤(2-7)预测出的应对处置措施以步骤(2-2)应急预案知识库中该文物防护对象发生异常行为时应采取的对应处置措施作为分类标签，训练得到最小化的损失函数，以获得最终的泛化生成模型。
具体地，本步骤使用的损失Loss为:
其中mj是第j个处置措施，ε为处置措施集合(j∈ε)；k是第k个异常行为，K表示异常行为总数，p(yjk|s,b)表示当第j个处置措施为mj时，第k个异常行为的组合概率值。
(2-9)通过反向传播方法对所有训练集C’中的三元组进行迭代训练，直到步骤(2-8)中的泛化生成模型收敛为止，从而得到训练好的泛化生成模型，进而得到最终的文物风险应急处置决策模型。
本领域的技术人员容易理解，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作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于泛化推理模式的文物保护应急响应决策方法，其特征在于，包括以下步骤：
(1)实时获取异常行为监测系统输出的数据，包括文物防护对象序号和异常行为编码，根据该文物防护对象序号在文物防护对象属性数据表中获得对应的多种属性，根据异常行为编码在异常行为数据表中获得其对应的一级风险类型和二级风险类型；
(2)将步骤(1)得到的文物防护对象序号和异常行为编码输入到训练好的泛化生成模型中，以获得对应的文物防护处置措施；泛化生成模型是采用以下步骤训练得到的：
(2-1)获取文物应急预案，对其进行知识抽取，以得到三元组数据格式的应急预案知识库；
(2-2)获取步骤(2-1)得到的应急预案知识库中的所有三元组构成的集合C，将应急预案知识库中的所有三元组按照8:2的比例划分为训练集C’和验证集；
(2-3)针对步骤(2-2)得到的训练集中所有三元组构成的集合C’而言，通过将文物防护对象属性数据表与异常行为数据表中的数据进行对照，在应急预案知识库中获取与该集合C’中每个三元组相似的三元组，所有三元组构成泛化集合C”；
(2-4)使用Xavier算法对泛化生成模型的参数进行初始化，并使用学习率为0.001的AMSGrad优化器对初始化后的泛化生成模型进行优化，以得到优化后的泛化生成模型；
(2-5)将步骤(2-3)得到的泛化集合C”输入步骤(2-4)优化后的泛化生成模型中，以得到与应急预案知识库中的三元组相似的三元组所对应的处置措施的概率；步骤(2-5)包括以下子步骤：
(2-5-1)将步骤(2-3)得到的泛化集合C”中的三元组集合定义为
其中表示泛化集合C”中的所有三元组所代表的事件，由多热指示向量表示，∈[1，文物保护单位的文物防护对象总数]，a表示泛化集合C”中与第i个文物防护对象对应的三元组相似的三元组总数；其中在泛化集合C”的三元组的值标记为1，其他标记为0；
(2-5-2)通过泛化生成模型中的多层感知机MLP获得一个索引向量vq：
vq＝tanh(Wgl[s,b]+bgl)
其中Wgl[s,b]和bgl是可训练的参数；gl表示泛化模式；
(2-5-3)根据步骤(2-5-2)得到的索引向量vq、以及步骤(2-5-1)得到的泛化集合C”中的三元组获取与应急预案知识库中的三元组相似的三元组所对应的处置措施的概率：
p(gl)＝softmax(glq)
其中索引向量vq,glq是n维向量，glq通过一层softmax使得未出现过的处置措施的概率降到接近于零；p(gl)表示泛化模式预测处置措施的概率；
(2-6)将步骤(2-2)得到的训练集C’中的所有三元组输入到步骤(2-4)初始化后的泛化生成模型中的生成模式中，通过一层MLP，再接一层softmax，从整个应急预案知识库中预测实体，以获得每个三元组所对应的全部处置措施的概率：
gq＝Wg[s,b]+bg
p(g)＝softmax(gq)
具体而言，s表示获得的三元组头实体文物防护对象序号，b表示关系异常行为编码，Wg[s,b]和bg是可训练的参数，与步骤(2-5-3)中的p(gl)类似，p(g)表示生成模式预测的每个三元组所对应的全部处置措施的概率；
(2-7)加入系数α来调整步骤(2-5)和(2-6)中得到处置措施的概率之间的权重，以得到两种模式最终预测的三元组所对应的处置措施的概率，概率最大的处置措施即为最终预测出的最合适的应对处置措施：
p(o|s,b)＝α*p(gl)+(1-α)*p(g)
其中，p(o|s,b)表示两种模式预测下最终得到的处置措施的概率，α∈[0,1]；
(2-8)将步骤(2-7)预测出的应对处置措施以步骤(2-2)应急预案知识库中该文物防护对象发生异常行为时应采取的对应处置措施作为分类标签，训练得到最小化的损失函数，以获得最终的泛化生成模型；
(2-9)通过反向传播方法对所有训练集C’中的三元组进行迭代训练，直到步骤(2-8)中的泛化生成模型收敛为止，从而得到训练好的泛化生成模型，进而得到最终的文物风险应急处置决策模型。
2.根据权利要求1所述的基于泛化推理模式的文物保护应急响应决策方法，其特征在于，
文物防护对象属性数据表中储存有各个文物保护单位中每个文物防护对象的多种属性，包括文物防护对象序号、文物防护对象名称、文物防护对象类型、该文物防护对象对应文物保护单位的类型、以及该文物防护对象对应文物保护单位的安防强度；
异常行为数据表中的一级风险类型有以下四种：构件盗窃、古墓藏盗掘、法人违法、以及火灾风险；
每种一级风险类型所进一步包括的二级风险类型，每个二级风险类型包括多个三级风险类型，每个三级风险类型即为异常行为。
3.根据权利要求1或2所述的基于泛化推理模式的文物保护应急响应决策方法，其特征在于，泛化生成模型是复制生成网络CyGNet。
4.根据权利要求3所述的基于泛化推理模式的文物保护应急响应决策方法，其特征在于，
步骤(2-1)中是从文物单位或互联网获取文物应急预案；
应急预案知识库是以知识图谱的方式进行数据储存，其包括多个三元组，其是由头实体文物防护对象、关系异常行为、以及尾实体处置措施构成，且三元组的格式如下：
头实体文物防护对象--关系异常行为--尾实体处置措施，即文物防护对象序号s1--异常行为编码b1--处置措施序号m1。
5.根据权利要求4所述的基于泛化推理模式的文物保护应急响应决策方法，其特征在于，步骤(2-3)包括以下子步骤：
(2-3-1)设置泛化集合C”为空，同时设置计数器cnt1＝1；
(2-3-2)判断cnt1是否大于应急预案知识库中三元组的总数，如果是则过程结束，否则进入步骤(2-3-3)；
(2-3-3)提取应急预案知识库中的第cnt1个三元组(s，b，m)，即获得的三元组头实体文物防护对象序号为s、关系异常行为编码为b、尾实体处置措施序号为m，将头实体文物防护对象序号s输入到文物防护对象属性数据表中，获得序号为s的所有文物防护对象的防护对象类型及级别，遍历文物防护对象属性数据表，将其中防护对象类型及级别和文物防护对象序号s相同的所有序号提取出来构成头实体文物防护对象序号s的泛化集合s’；将关系异常行为编码b输入到异常行为数据表中，获得其中序号为b的所有异常行为对应的一级风险类型，遍历异常行为数据表，将其中一级风险类型和异常行为编码b对应的一级风险类型相同的所有异常行为编码提取出来，构成关系异常行为编码b的泛化集合b’；
(2-3-4)获取步骤(2-3-3)得到的头实体文物防护对象序号s的泛化集合s’中的序号、以及关系异常行为编码b的泛化集合b’中的的编码，并与应急预案知识库中的对应三元组进行对比筛选，以得到其全部三元组的泛化集合C”；
(2-3-5)设置计数器cnt1＝cnt1+1，并返回步骤(2-3-2)。
6.根据权利要求5所述的基于泛化推理模式的文物保护应急响应决策方法，其特征在于，步骤(2-3-4)包括以下子步骤：
(2-3-4-1)设置泛化集合C”为空，同时设置计数器cntc＝1；
(2-3-4-2)判断cntc1是否大于应急预案知识库中三元组的总数，如果是则过程结束，否则进入步骤(2-3-4-3)；
(2-3-4-3)提取应急预案知识库中的第cntc1个三元组(s，b，m)，并判断其头实体文物防护对象序号s是否为集合s’中的序号，同时关系异常行为编码b是否为集合b’中的编码，如果是则将第cntc1个三元组加入三元组的泛化集合C”，然后进入步骤(2-3-4-4)，否则将第cntc1个加入另一个集合O，然后进入步骤(2-3-4-4)；
(2-3-4-4)设置计数器cntc1＝cntc1+1，并返回步骤(2-3-4-2)。
7.根据权利要求6所述的基于泛化推理模式的文物保护应急响应决策方法，其特征在于，步骤(2-8)中使用的损失Loss为:
其中mj是第j个处置措施，ε为处置措施集合，j∈ε，k是第k个异常行为，K表示异常行为总数，p(yjk|s,b)表示当第j个处置措施为mj时，第k个异常行为的组合概率值。
8.一种基于泛化推理模式的文物保护应急响应决策系统，其特征在于，包括：
第一模块，用于实时获取异常行为监测系统输出的数据，包括文物防护对象序号和异常行为编码，根据该文物防护对象序号在文物防护对象属性数据表中获得对应的多种属性，根据异常行为编码在异常行为数据表中获得其对应的一级风险类型和二级风险类型；
第二模块，用于将第一模块得到的文物防护对象序号和异常行为编码输入到训练好的泛化生成模型中，以获得对应的文物防护处置措施；泛化生成模型是采用以下步骤训练得到的：
(2-1)获取文物应急预案，对其进行知识抽取，以得到三元组数据格式的应急预案知识库；
(2-2)获取步骤(2-1)得到的应急预案知识库中的所有三元组构成的集合C，将应急预案知识库中的所有三元组按照8:2的比例划分为训练集C’和验证集；
(2-3)针对步骤(2-2)得到的训练集中所有三元组构成的集合C’而言，通过将文物防护对象属性数据表与异常行为数据表中的数据进行对照，在应急预案知识库中获取与该集合C’中每个三元组相似的三元组，所有三元组构成泛化集合C”；
(2-4)使用Xavier算法对泛化生成模型的参数进行初始化，并使用学习率为0.001的AMSGrad优化器对初始化后的泛化生成模型进行优化，以得到优化后的泛化生成模型；
(2-5)将步骤(2-3)得到的泛化集合C”输入步骤(2-4)优化后的泛化生成模型中，以得到与应急预案知识库中的三元组相似的三元组所对应的处置措施的概率；步骤(2-5)包括以下子步骤：
(2-5-1)将步骤(2-3)得到的泛化集合C”中的三元组集合定义为
其中表示泛化集合C”中的所有三元组所代表的事件，由多热指示向量表示，∈[1，文物保护单位的文物防护对象总数]，a表示泛化集合C”中与第i个文物防护对象对应的三元组相似的三元组总数；其中在泛化集合C”的三元组的值标记为1，其他标记为0；
(2-5-2)通过泛化生成模型中的多层感知机MLP获得一个索引向量vq：
vq＝tanh(Wgl[s,b]+bgl)
其中Wgl[s,b]和bgl是可训练的参数；gl表示泛化模式；
(2-5-3)根据步骤(2-5-2)得到的索引向量vq、以及步骤(2-5-1)得到的泛化集合C”中的三元组获取与应急预案知识库中的三元组相似的三元组所对应的处置措施的概率：
p(gl)＝softmax(glq)
其中索引向量vq,glq是n维向量，glq通过一层softmax使得未出现过的处置措施的概率降到接近于零；p(gl)表示泛化模式预测处置措施的概率；
(2-6)将步骤(2-2)得到的训练集C’中的所有三元组输入到步骤(2-4)初始化后的泛化生成模型中的生成模式中，通过一层MLP，再接一层softmax，从整个应急预案知识库中预测实体，以获得每个三元组所对应的全部处置措施的概率：
gq＝Wg[s,b]+bg
p(g)＝softmax(gq)
具体而言，Wg[s,b]和bg是可训练的参数，与步骤(2-5-3)中的p(gl)类似，p(g)表示生成模式预测的每个三元组所对应的全部处置措施的概率；
(2-7)加入系数α来调整步骤(2-5)和(2-6)中得到处置措施的概率之间的权重，以得到两种模式最终预测的三元组所对应的处置措施的概率，概率最大的处置措施即为最终预测出的最合适的应对处置措施：
p(o|s,b)＝α*p(gl)+(1-α)*p(g)
其中，p(o|s,b)表示两种模式预测下最终得到的处置措施的概率，α∈[0,1]；
(2-8)将步骤(2-7)预测出的应对处置措施以步骤(2-2)应急预案知识库中该文物防护对象发生异常行为时应采取的对应处置措施作为分类标签，训练得到最小化的损失函数，以获得最终的泛化生成模型；
(2-9)通过反向传播方法对所有训练集C’中的三元组进行迭代训练，直到步骤(2-8)中的泛化生成模型收敛为止，从而得到训练好的泛化生成模型，进而得到最终的文物风险应急处置决策模型。
CN202310298551.XA 2023-03-24 2023-03-24 基于泛化生成模式的文物保护应急响应决策方法和系统 Active CN116432953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310298551.XA CN116432953B (zh) 2023-03-24 2023-03-24 基于泛化生成模式的文物保护应急响应决策方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310298551.XA CN116432953B (zh) 2023-03-24 2023-03-24 基于泛化生成模式的文物保护应急响应决策方法和系统

Publications (2)

Publication Number Publication Date
CN116432953A CN116432953A (zh) 2023-07-14
CN116432953B true CN116432953B (zh) 2023-09-15

Family

ID=87090015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310298551.XA Active CN116432953B (zh) 2023-03-24 2023-03-24 基于泛化生成模式的文物保护应急响应决策方法和系统

Country Status (1)

Country Link
CN (1) CN116432953B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111708343A (zh) * 2019-10-31 2020-09-25 中国科学院沈阳自动化研究所 一种面向制造业行业现场工艺行为异常行为检测方法
CN112036129A (zh) * 2020-08-24 2020-12-04 国网北京市电力公司 一种配电网应急演练方案数字化辅助设计系统及方法
CN114358507A (zh) * 2021-12-10 2022-04-15 南水北调中线干线工程建设管理局 基于知识图谱的输水建筑物风险评估与防范方法
CN115062943A (zh) * 2022-06-09 2022-09-16 北京信息科技大学 地下及遮蔽空间救援人员应急效能智能评估方法及装置
CN115099504A (zh) * 2022-06-29 2022-09-23 中南民族大学 基于知识图谱补全模型的文物安防风险要素识别方法
CN115099631A (zh) * 2022-06-27 2022-09-23 中南民族大学 基于异构图注意力网络的文物安防系统风险评估方法
CN115186052A (zh) * 2022-05-24 2022-10-14 中国科学院自动化研究所 地震灾情救援信息的确定方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111708343A (zh) * 2019-10-31 2020-09-25 中国科学院沈阳自动化研究所 一种面向制造业行业现场工艺行为异常行为检测方法
CN112036129A (zh) * 2020-08-24 2020-12-04 国网北京市电力公司 一种配电网应急演练方案数字化辅助设计系统及方法
CN114358507A (zh) * 2021-12-10 2022-04-15 南水北调中线干线工程建设管理局 基于知识图谱的输水建筑物风险评估与防范方法
CN115186052A (zh) * 2022-05-24 2022-10-14 中国科学院自动化研究所 地震灾情救援信息的确定方法及装置
CN115062943A (zh) * 2022-06-09 2022-09-16 北京信息科技大学 地下及遮蔽空间救援人员应急效能智能评估方法及装置
CN115099631A (zh) * 2022-06-27 2022-09-23 中南民族大学 基于异构图注意力网络的文物安防系统风险评估方法
CN115099504A (zh) * 2022-06-29 2022-09-23 中南民族大学 基于知识图谱补全模型的文物安防风险要素识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DA-Net: distributed attention network for temporal knowledge graph reasoning;Kangzheng Liu 等;Proceedings of the 31th ACM International Conference Information and Knowledge Management;1289-1298 *
Future event prediction based on temporal knowledge graph embedding;Zhipeng Li 等;Computer Systems Science and Engineering;第44卷(第3期);2411-2423 *
基于信息抽取的机场应急救援预案知识图谱设计与实现;袁佳乐;中国优秀硕士学位论文全文数据库工程科技I辑(第07期);B026-19 *
基于实体活跃度及复制生成的时序知识图谱推理;刘恩海 等;计算机应用研究;第39卷(第6期);1737-1741 *
基于深度学习的中文突发事件的抽取算法研究;李明亮;中国优秀硕士学位论文全文数据库信息科技辑(第01期);I138-3706 *
突发环境污染事件应急预案数字化方法研究;蒋浩 等;计算机技术与发展;第12卷(第05期);6-9, 13 *

Also Published As

Publication number Publication date
CN116432953A (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
Ali Shah et al. An enhanced deep neural network for predicting workplace absenteeism
CN109523061B (zh) 一种基于情景分析的突发事件应急决策方法
CN107769972A (zh) 一种基于改进的lstm的电力通信网设备故障预测方法
CN108447534A (zh) 一种基于nlp的电子病历数据质量管理方法
CN112528163B (zh) 一种基于图卷积网络的社交平台用户职业预测方法
CN112015901A (zh) 文本分类方法及装置、警情分析系统
CN114118507A (zh) 一种基于多维信息融合的风险评估预警方法和装置
Li et al. [Retracted] Security and Privacy Risk Assessment of Energy Big Data in Cloud Environment
Asgary et al. Modeling the risk of structural fire incidents using a self-organizing map
Wang et al. The criticality of spare parts evaluating model using artificial neural network approach
Stoffel et al. Fuzzy clustering based methodology for multidimensional data analysis in computational forensic domain
CN116432953B (zh) 基于泛化生成模式的文物保护应急响应决策方法和系统
CN117349437A (zh) 基于智能ai的政府信息管理系统及其方法
CN116452335A (zh) 一种基于时序神经网络的金融大数据管理系统
CN114401135B (zh) 基于LSTM-Attention用户和实体行为分析技术的内部威胁检测方法
CN116205350A (zh) 基于法律文书的再犯人身危险性分析预测系统和方法
CN113222471B (zh) 一种基于新媒体数据的资产风控方法及设备
Chen et al. Lightweight machine unlearning in neural network
Zhu et al. Based on Artificial Intelligence in the Judicial Field Operation Status and Countermeasure Analysis
Bu et al. Support Vector Machine for Classification of Terrorist Attacks Based on Intelligent Tuned Harmony Search.
Chen et al. Research on the construction of intelligent community emergency service platform based on convolutional neural network
Chang et al. A deep belief network and case reasoning based decision model for emergency rescue
Brodzinski et al. Using artificial intelligence to model juvenile recidivism patterns
Xia et al. Integrated prediction and control of mobility changes of young talents in the field of science and technology based on convolutional neural network
KR102658640B1 (ko) 빅데이터 기반 인원별 적정 파견 장소 선별시스템

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