CN116562370A - 一种基于应急知识图谱的突发公共卫生事件情景推演方法 - Google Patents
一种基于应急知识图谱的突发公共卫生事件情景推演方法 Download PDFInfo
- Publication number
- CN116562370A CN116562370A CN202310408379.9A CN202310408379A CN116562370A CN 116562370 A CN116562370 A CN 116562370A CN 202310408379 A CN202310408379 A CN 202310408379A CN 116562370 A CN116562370 A CN 116562370A
- Authority
- CN
- China
- Prior art keywords
- scene
- emergency
- public health
- knowledge graph
- health event
- 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
- 230000005180 public health Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 6
- 239000002243 precursor Substances 0.000 claims description 46
- 230000009466 transformation Effects 0.000 claims description 28
- 230000007246 mechanism Effects 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000010485 coping Effects 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000008520 organization Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000003032 molecular docking Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000009792 diffusion process Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于应急知识图谱的突发公共卫生事件情景推演方法，包括知识图谱模块和情景推演模块。知识图谱模块根据突发公共卫生事件数据建立知识图谱本体，对收集的数据进行实体抽取、属性抽取和图谱的融合构建。情景推演模块结合应急知识图谱，并针对突发公共卫生级联灾害关联复杂、情景多变、传递迅速的问题，提供一种基于知识图谱的突发公共卫生事件级联灾害推演方法。对突发公共卫生事件信息进行聚合，以此挖掘突发公共卫生事件的发展可能并对级联性突发公共卫生事件的发展进行推演。
Description
技术领域
本发明涉及知识图谱在公共卫生事件领域的应用，具体是通过知识图谱对突发公共卫生事件进行抽取和分析并进行事件推演的过程。
背景技术
重大突发公共卫生事件关联复杂、情景动态多变、灾害传递迅速。级联灾害区别于一般灾害，涉及多灾种的复合作用，造成后果的可能性更多而且难以把控、损失亦更大。近年来发生的灾害越来越多地具有级联灾害的特征，典型的如2011年日本3.11大地震级联引发海啸和核电站爆炸灾害。针对突发公共卫生级联灾害，由于突发公共卫生事件的前兆信息难以获取，基于“预测-应对”方法的推演过程在突发公共卫生事件级联预测中效果不理想，容易产生误导性决策。基于“情景-应对”的突发事件应急推演模式，综合了历史突发公共卫生事件级联发展过程，对级联灾害后兆情景进行预测，为突发公共卫生事件提供决策支持。
知识图谱能够存储结构化语义信息，并令计算机理解这些信息。已经成为诸多人工智能应用不可或缺的重要资源,但是受到信息缺失的影响。知识图谱补全.(Know ledgeGraph Completion,KGC)应运而生，他的目的是根据知识图谱中已有的知识,预测目前知识图谱所缺失的知识。并根据知识图谱中已有的突发事件的前兆事件集、后兆事件集以及发生概率进行推演，得到在前兆事件情景下后兆事件发生的概率。
本专利基于时序知识图谱和情景知识融合的推演技术，突破信息零散孤立无序的瓶颈，适应高精度、跨领域的应急场景变化需求，构建有序、高效、及时的重大突发公共卫生事件情景分层分阶推演体系，实现复杂因素耦合场景下突发事件的级联可控。
发明内容
为解决上述问题，本发明以突发事件的级联灾害为基础，融入重大突发事件场景，构建面向突发事件演变机制的应急知识图谱。满足重大突发事件下的应急场景和平常状态的普通场景。提高在应急场景下调度、决策能力，为突发事件的应对提供保障。
本发明的数据来源依靠疫情期间的城市物流数据、城市物资数据、城市疫情舆情数据。通过对非结构化的数据融合方法，对多源异构的应急物流数据进行整合。在涉及到的大体量数据(重大突发事件、物流数据、城市感知数据)时，可通过节点与关系格式：<节点ID，属性1，属性2，...>；<节点ID1，节点ID2，关系类型，关系权重>对大体量数据进行统一范式的表达。
应急知识图谱的突发公共卫生事件情景推演方法，其特征在于：包括知识图谱模块和情景推演模块。
所述知识图谱模块：至少包括四个维度构建知识图谱本体，分别包括：人物画像图谱本体、应急机构图谱本体、应急物流图谱本体、应急事件事理图谱本体。
所述情景推演模块：至少包括情景态势的转化要素信息，情景态势情景组合信息，情景要素特征关系的知识本体网络。在知识图谱模块的基础上，针对突发公共卫生级联灾害关联复杂、情景多变、传递迅速的问题，突破信息零散孤立无序的瓶颈，适应高精度、跨领域的应急场景变化需求，构建有序、高效、及时的重大突发公共卫生事件情景分层分阶推演体系，实现复杂因素耦合场景下突发事件的级联可控。
所述应急知识图谱的突发公共卫生事件情景推演方法，其特征在于：包括知识图谱模块和情景推演模块。
所述人物画像图谱本体属性包括：年龄、工作单位、文化程度、职业、工作地址、性别；
所述应急机构图谱本体以省/市/区为区域层次，属性包括：分管区域、机构职责、所在地址、机构规模和机构属性；
所述应急知识图谱本体属性包括：人员信息、主要任务、运力信息、道路信息、响应单位和对接机构；
所述应急知识图谱本体包括应急事件、衍生灾害、应对机构和应对策略；
所述情景态势的转化要素信息包括应急突发事件的类型、灾害的程度、范围和演化的基本描述；
所述情景态势情景组合信息包括应急突发事件的致灾因子、相关承灾体、应对体和孕灾环境特征的数据和信息集合及其走向；
所述情景要素特征关系的知识本体网络包括情景态势推演的态势本体、网络本体与评估本体，分别对应情景态势知识、态势演化网络知识以及演化概率评估知识。
本发明基于构建的知识图谱本体，对收集的数据进行实体抽取、属性抽取和图谱的融合构建。包括节点处理和边处理两部分。本发明的节点处理在原始应急物流数据上进行预处理，将个体节点、应急机构节点、应急物流节点和事件节点中的噪声信息进行去除。以应急机构节点为例，可将节点分为四类：物资存储机构、物资生产机构、物资运输机构、物资调配机构。将这四类节点从数据中抽取，主要存储形式为一条具有多种特征字段的数据库行记录。边的处理主要是依据节点间的从属关系，如：从属关系，对知识图谱的节点进行边的关联。
在上述应急知识图谱的基础上，针对突发公共卫生级联灾害关联复杂、情景多变、传递迅速的问题，提供一种基于知识图谱的突发公共卫生事件级联灾害推演方法。
根据本发明的情景推演方法，包括：
1.在进行具体的情景组合发生概率计算前，先根据研究的范围和系统的边界准备相关的知识资源，确定推演的基本路径。
2.情景态势转化推演应首选确定推演的对象，即需要推演的转化路径与转化要素。
3.转化路径确定情景态势转化推演的路线图，含有固定的情景要素，包括前兆情景要素与后兆情景要素。
情景态势的转化演化具有地域差异性，明确本区域代表性的转化路径与转化要素既能节约推演成本，又能帮助决策者明确情景推演的关键点；另一方面，对潜在的、不甚显薯的情景态势转化路径与转化要素，可根据历史案例结合数据分析生成。
4.基于知识图谱中的已有的知识资源，在已有级联公共卫生案例的基础上，对其中涉及的情景组合模式或情景关联机理进行提取，作为后期情景组合发生概率分析的对象。
5.明确情景态势的转化要素后，缩小研究粒度，关注情景要素转化涉及的具体要素特征及特征间的复杂关联关系。
6.构造了情景要素特征关系的知识本体网络，并根据选择的转化要素实现特征筛选。
7.针对关注的情景态势设置情景组合，选择历史案例用于将信息扩散至各情景组合，推断每一情景组合的隶属函数，作为其发生的可能性。
8.经过转化要素确定与转化要素的特征选择之后，已经可以确定情景要素转化过程中的各个变量，将它们划分为输入变量(支持转化推演的各类知识，以确定转化过程中情景要素特征间的关联关系)、状态变量(情景态势演化过程中各个时间片段的情景态势描述性信息)与输出变量(经推导后确定的情景要素特征取值，主要是转化后要素的特征取值)，建立了情景态势转化的贝叶斯网络模型，并结合马尔可夫链蒙特卡洛算法进行求解。
9.基于前兆事件集合和推演技术可以得到后兆事件集合中每个后兆事件的发生概率。基于目标舆情事件与图谱各个节点的相似度,找到相似度最高的节点。如果相似度最大值小于预设阈值,说明图谱中没有目标事件对应节点,无法进行推演。否则根据图谱中后续节点推测现实中可能发生的事件。若某节点有多个后续件,根据边权重系数计算级联事件的可能发生概率。
与现有技术相比，本发明具有的有益效果：提供了一种突发公共卫生事件下城市风险区域识别系统，首先，在传染病模型模块，考虑了更符合现实场景的模型进行构建；其次，对于公共卫生事件的信息，使用信息重建模块着重考虑了不可观测信息对于未来事件演变的影响，结合针对性设计的传染病模型，能更好地重建不可观测信息；除此之外，使用细粒度区域相关信息，使得图融合模块根据我们图内和图间的信息融合得到节点嵌入表示能很好地获取细粒度特征，有效精准地对细粒度区域风险等级进行识别。可充分利用于公共卫生事件场景，对于图信息融合模块，可更广泛的适用于城市范围内的事件推演。
附图说明
图1、本发明的结构图；
图2、本发明知识图谱模型。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
为更进一步阐述本发明为实现突发公共卫生事件的推演过程，下面对基于知识图谱的突发公共卫生事件的推演过程进行详细说明。
步骤一：从知识图谱中的构建的情景目标中提取目标特征，将提取的特征值与知识图谱情景库中的情景要素相匹配。
在进行具体的情景组合发生概率计算前，先根据研究的范围和系统的边界准备相关的知识资源，确定推演的基本路径。
确定推演的对象，即需要推演的转化路径与转化要素。根据转化路径确定情景态势转化推演的路线图，包括前兆情景要素与后兆情景要素。
首先，定位与情景目标一致的情景要素集，并通过节点匹配器、约束匹配器和注释匹配器进一步抽取情景要素，组成新的事件情景。
本专利采用“类-项-值”的分层匹配原则，运用本体论中的<I-N-C-A>表示级联公共卫生事件的情景态势特征集合，分别对应于情景概况(Issues)、情景要素(Nodes)、情景约束(Constraints)和情景要素(Annotations)四种特征。在情景态势推演的背景下，考虑不同情景要素间的关联关系。将<I-N-C-A>框架拓展为<I-N-C-A-R>框架，增加关联(relations)组分。
通过知识图谱中定位的突发公共卫生事件情景要素比较历史情景和当前情景框架的匹配项，针对突发公共卫生事件情景中成功匹配的匹配项，对比历史与当前情景中的元素的值是否一致，最后用相似度Simil表示各情景要素下相同值的个数与新情景中同情景要素下各值的总数之比，即:
式中，tars,nodes,conss,notas表示目标匹配器、节点匹配器、约束匹配器和注释匹配器中每种匹配器的相同值个数，新情景中目标匹配器中值的数量tar、节点匹配器中值的数量node、约束匹配器中值的数量cons和注释匹配器中值的数量nota，ω1,ω2,ω3,ω4分别对应匹配类型的权重。最后通过相似度函数计算相似度计，将具有相同特征的情景要素进行聚类。
步骤二：建立假设关联图。通过前兆情景与后兆情景的级联关系和时间递进性进行假设关联图的构建。
令突发公共卫生事件情景的情景要素组成的集合表示为:
根据假设关联图得到前兆情景要素集合和后兆情景要素集合由Pre(a)表示a个前兆情景的作用函数。Res(b)表示b个后兆情景构成的作用函数，Res(b)由前兆情景集合及其作用函数产生。若Res(b)∩Pre(a)≠0,则前兆情景要素集合与后兆情景要素集合之间有级联关系，按照级联关系进行组合，确定前兆情景要素集和后兆情景要素集中情景的级联类型以及关系。
步骤三：通过前兆情景要素集合、后兆情景要素集合和前兆情景与后兆情景之间的因果关系，计算既定突发公共卫生事件的发生概率。
由步骤二得到前兆情景ep和后兆情景er。令后兆情景er发生的概率表示为P(er)，则ep发生时，后兆情景er发生的概率为P(er|ep)，利用全概率公式得到:
由上式可知，要想计算突发公共卫生情景的发生概率需要对态势组合推演规则进行挖掘，并计算求解前兆情景的发生概率及
令前兆情景记为则前兆情景的论域为
令情景态势的情景特征观测值表示为x，根据情景观测值x将该观测值扩散至论域的所有情景特征点中，将所含情景信息在情景集合中扩散。单个观测值在论域中各个情景的隶属度如下式所示：
式中，diffusion表示扩散系数，它的取值与情景特征的的最大值和最小值及情景特征点个数来确定。
情景观测值总的隶属度根据扩散系数和情景信息扩散函数得到：
模糊子集的隶属度函数根据上述公式和观测值的隶属度得到：
样本点xi的归一化信息分布为令
上式表示由观测值{x1,x2,…,xn}由信息扩散后，如果突发公共卫生事件的观测值只能取其中之一，当xi是真实观测样本点时，/>表示观测值为的样本点个数，再令
上所有样本的可以用T表示，当T＝n时：
事件观测样本点落在si的频率值可以用表示，其概率为:
突发公共卫生前兆情景发生的概率由上式可得。
步骤四：在突发公共卫生前兆情景发生条件下，后兆情景发生的概率可以由求解突发公共卫生前兆情景和突发公共卫生后兆情景同时发生的概率，在后兆情景发生的突发公共卫生事件数量n中，前兆情景出现的个数两者的比值可由P(er|ep)表示：
由上式可得前兆情景要素至后兆情景要素的转化概率。
步骤五：判断突发公共卫生事件后兆情景转化的概率是否超过知识图谱中界定的发生临界值，令发生临界值为Pexceed，后兆情景转化的概率的临界值为Pi，当Pexceed>Pi，情景不满足转化的条件。若Pexceed≤Pi，公共卫生事件情景组合态势产生演化过程。
步骤六：循环上述步骤，直到得到突发公共卫生事件当前前兆情景下级联灾害的所有后续后兆情景。
步骤七：基于推演结果，对知识图谱的三元组进行更新操作。
首先针对知识图谱创建多个嵌入空间。
当知识图谱新增三元组时，为新增的三元组创建新增嵌入空间，并更新嵌入空间的情景信息。基于更新后的嵌入空间实现知识图谱的更新。
对于新三元组加入到初始知识图谱的情况，在多元嵌入空间在线自动更新模型。嵌入空间自左向右依次构建，最左侧嵌入空间代表最初某个特殊时间节点上的嵌入空间；当知识图谱第一次更新后,将更新内容按照上述多元嵌入空间构建方法，构建新的多元嵌入空间；同理，当知识图谱第二次更新后，将更新内容按照上述多元嵌入空间构建方法，构建新的多元嵌入空间，以此类推。
根据本发明实施例的知识图谱的动态更新方法，当数据变化的时候，可以通过生成新嵌入空间的方式来使模型适应动态数据变化。此外，研究在无需重训练前提下的、面向关系预测的知识图谱增量更新模型，使知识图谱能够适应动态数据变化，特别是应对未登录实体引入的诸多实际应用场景，提高了知识图谱补全的动态性。
与现有技术相比，本发明具有的有益效果：提供了一种一种基于应急知识图谱的突发公共卫生事件情景推演方法，其中，在知识图谱模块根据突发公共卫生事件数据建立知识图谱本体，对收集的数据进行实体抽取、属性抽取和图谱的融合构建；其次，在情景推演模块结合应急知识图谱，并针对突发公共卫生级联灾害关联复杂、情景多变、传递迅速的问题，提供一种基于知识图谱的突发公共卫生事件级联灾害推演方法。对突发公共卫生事件信息进行聚合，以此挖掘突发公共卫生事件的发展可能并对级联性突发公共卫生事件的发展进行推演。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。
Claims (10)
1.应急知识图谱的突发公共卫生事件情景推演方法，其特征在于：包括知识图谱模块和情景推演模块；所述知识图谱模块：至少包括四个维度构建知识图谱本体，分别包括：人物画像图谱本体、应急机构图谱本体、应急物流图谱本体、应急事件事理图谱本体；所述情景推演模块：至少包括情景态势的转化要素信息，情景态势情景组合信息，情景要素特征关系的知识本体网络。
2.如权利要求1所述应急知识图谱的突发公共卫生事件情景推演方法，其特征在于：所述人物画像图谱本体属性包括：年龄、工作单位、文化程度、职业、工作地址、性别；
所述应急机构图谱本体以省/市/区为区域层次，属性包括：分管区域、机构职责、所在地址、机构规模和机构属性；
所述应急知识图谱本体属性包括：人员信息、主要任务、运力信息、道路信息、响应单位和对接机构；
所述应急知识图谱本体包括应急事件、衍生灾害、应对机构和应对策略；
所述情景态势的转化要素信息包括应急突发事件的类型、灾害的程度、范围和演化的基本描述；
所述情景态势情景组合信息包括应急突发事件的致灾因子、相关承灾体、应对体和孕灾环境特征的数据和信息集合及其走向；
所述情景要素特征关系的知识本体网络包括情景态势推演的态势本体、网络本体与评估本体，分别对应情景态势知识、态势演化网络知识以及演化概率评估知识。
3.如权利要求2所述的应急知识图谱的突发公共卫生事件情景推演方法，其特征在于：在知识图谱模块，基于构建的知识图谱本体，对收集的数据进行实体抽取、属性抽取和图谱的融合构建；包括节点处理和边处理两部分；首先节点处理在原始应急物流数据上进行预处理，将个体节点、应急机构节点、应急物流节点和事件节点中的噪声信息进行去除。
4.根据权利要求3所述的应急知识图谱的突发公共卫生事件情景推演方法，其特征在于：以应急机构节点为例，可将节点分为四类：物资存储机构、物资生产机构、物资运输机构、物资调配机构；将这四类节点从数据中抽取，主要存储形式为一条具有多种特征字段的数据库行记录；边的处理主要是依据节点间的从属关系，对知识图谱的节点进行边的关联。
5.如权利要求4所述应急知识图谱的突发公共卫生事件情景推演方法，其特征在于：在进行具体的情景组合发生概率计算前，先根据研究的范围和系统的边界准备相关的知识资源，确定推演的基本路径；情景态势转化推演应首选确定推演的对象，即需要推演的转化路径与转化要素；并根据转化路径确定情景态势转化推演的路线图，含有固定的情景要素，包括前兆情景要素与后兆情景要素。
6.如权利要求5所述应急知识图谱的突发公共卫生事件情景推演方法，其特征在于：基于知识图谱中的已有的知识资源，在已有级联公共卫生案例的基础上，对其中涉及的情景组合模式或情景关联机理进行提取，作为后期情景组合发生概率分析的对象。
7.如权利要求6所述应急知识图谱的突发公共卫生事件情景推演方法，其特征在于：明确情景态势的转化要素后，缩小研究粒度，关注情景要素转化涉及的具体要素特征及特征间的复杂关联关系；并构造情景要素特征关系的知识本体网络，根据选择的转化要素实现特征筛选。
8.如权利要求7所述应急知识图谱的突发公共卫生事件情景推演方法，其特征在于：针对关注的情景态势设置情景组合，选择历史案例用于将信息扩散至各情景组合，推断每一情景组合的隶属函数，作为其发生的可能性。
9.如权利要求8所述应急知识图谱的突发公共卫生事件情景推演方法，其特征在于：经过转化要素确定与转化要素的特征选择之后，已经可以确定情景要素转化过程中的各个变量，将它们划分为输入变量、状态变量与输出变量，建立了情景态势转化的贝叶斯网络模型，并结合马尔可夫链蒙特卡洛算法进行求解。
10.如权利要求9所述应急知识图谱的突发公共卫生事件情景推演方法，其特征在于：基于前兆事件集合和推演技术可以得到后兆事件集合中每个后兆事件的发生概率。基于突发公共卫生事件与知识图谱中情景特征节点的相似度,与相似度最高的节点进行匹配。根据知识图谱中前兆情景对应的后兆情景的后续节点进行情景推演，得到前兆情景下后续发生可能性最大的事件；当前兆事件有多个对应的后兆情景,则根据知识图谱中不同情景之间关系的边权重系数推演后兆事件发生的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310408379.9A CN116562370A (zh) | 2023-04-17 | 2023-04-17 | 一种基于应急知识图谱的突发公共卫生事件情景推演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310408379.9A CN116562370A (zh) | 2023-04-17 | 2023-04-17 | 一种基于应急知识图谱的突发公共卫生事件情景推演方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116562370A true CN116562370A (zh) | 2023-08-08 |
Family
ID=87485219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310408379.9A Pending CN116562370A (zh) | 2023-04-17 | 2023-04-17 | 一种基于应急知识图谱的突发公共卫生事件情景推演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116562370A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117196323A (zh) * | 2023-11-07 | 2023-12-08 | 之江实验室 | 一种基于高维图网络的复杂社会事件的预警方法 |
| CN117455745A (zh) * | 2023-12-26 | 2024-01-26 | 四川省大数据技术服务中心 | 基于多维融合数据分析的公共安全事件感知方法及系统 |
| CN117573809A (zh) * | 2024-01-12 | 2024-02-20 | 中电科大数据研究院有限公司 | 一种基于事件图谱的舆情推演方法以及相关装置 |
-
2023
- 2023-04-17 CN CN202310408379.9A patent/CN116562370A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117196323A (zh) * | 2023-11-07 | 2023-12-08 | 之江实验室 | 一种基于高维图网络的复杂社会事件的预警方法 |
| CN117196323B (zh) * | 2023-11-07 | 2024-02-27 | 之江实验室 | 一种基于高维图网络的复杂社会事件的预警方法 |
| CN117455745A (zh) * | 2023-12-26 | 2024-01-26 | 四川省大数据技术服务中心 | 基于多维融合数据分析的公共安全事件感知方法及系统 |
| CN117455745B (zh) * | 2023-12-26 | 2024-03-19 | 四川省大数据技术服务中心 | 基于多维融合数据分析的公共安全事件感知方法及系统 |
| CN117573809A (zh) * | 2024-01-12 | 2024-02-20 | 中电科大数据研究院有限公司 | 一种基于事件图谱的舆情推演方法以及相关装置 |
| CN117573809B (zh) * | 2024-01-12 | 2024-05-10 | 中电科大数据研究院有限公司 | 一种基于事件图谱的舆情推演方法以及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zuiev et al. | Development of complex methodology of processing heterogeneous data in intelligent decision support systems | |
| CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
| Yuvaraj et al. | Diabetes prediction in healthcare systems using machine learning algorithms on Hadoop cluster | |
| CN116562370A (zh) | 一种基于应急知识图谱的突发公共卫生事件情景推演方法 | |
| CN109062763B (zh) | 一种从svn日志事件流中动态实时挖掘软件过程活动的方法 | |
| Darwiche | Bayesian networks | |
| CN110084326B (zh) | 一种基于模糊集的工业设备异常检测方法 | |
| CN104820708B (zh) | 一种基于云计算平台的大数据聚类方法和装置 | |
| CN111339299B (zh) | 一种领域知识库的构建方法和装置 | |
| CN110188979A (zh) | 水行业应急决策生成方法及装置 | |
| US11620453B2 (en) | System and method for artificial intelligence driven document analysis, including searching, indexing, comparing or associating datasets based on learned representations | |
| Zhang et al. | Optimization and improvement of data mining algorithm based on efficient incremental kernel fuzzy clustering for large data | |
| CN113468320B (zh) | 地震应急信息快速可视化方法及系统 | |
| WO2024082453A1 (zh) | 基于深度学习的城市能源多源数据融合方法及存储介质 | |
| Wang et al. | A distributed joint extraction framework for sedimentological entities and relations with federated learning | |
| CN112394982B (zh) | 生成语音识别系统的方法、装置、介质及电子设备 | |
| Weil et al. | A Systemic Review of Urban Digital Twin Challenges, and Perspectives for Sustainable Smart Cities | |
| Sharma et al. | Big data analysis: basic review on techniques | |
| Sahoo | Study of parametric performance evaluation of machine learning and statistical classifiers | |
| CN111242520B (zh) | 特征合成模型的生成方法、装置及电子设备 | |
| Hasanin et al. | Experimental Studies on the Impact of Data Sampling with Severely Imbalanced Big Data | |
| Sassite et al. | A smart data approach for Spatial Big Data analytics | |
| CN116756344B (zh) | 一种面向全过程的滑坡场景本体构建方法及相关设备 | |
| CN117217392B (zh) | 一种通用装备保障需求的确定方法及装置 | |
| Luo et al. | Analysis of the Path of Utilizing Big Data to Innovate Archive Management Mode to Enhance Service Capability |
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 |