CN116739194A - 一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法 - Google Patents
一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法 Download PDFInfo
- Publication number
- CN116739194A CN116739194A CN202310518918.4A CN202310518918A CN116739194A CN 116739194 A CN116739194 A CN 116739194A CN 202310518918 A CN202310518918 A CN 202310518918A CN 116739194 A CN116739194 A CN 116739194A
- Authority
- CN
- China
- Prior art keywords
- information
- knowledge graph
- current moment
- result
- rescue
- 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 32
- 238000005457 optimization Methods 0.000 title claims abstract description 9
- 230000004927 fusion Effects 0.000 claims description 18
- 230000002787 reinforcement Effects 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 15
- 239000003795 chemical substances by application Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000010972 statistical evaluation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000007103 stamina Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法,包括以下步骤:S1,构建基于自然灾害信息和救援措施信息的知识图谱;S2,对多个传感器设备间隔预设时间获取的当前时刻的自然环境信息进行目标识别,得到当前时刻的识别结果;S3,判断当前时刻的识别结果与前一时刻的识别结果是否一致;若不一致,则在知识图谱中进行路径规划查询救援措施信息,得到当前时刻的查询结果;若当前时刻的查询结果为未查询到救援措施信息,则对知识图谱进行补全;若一致,则将前一时刻的查询结果发送至指挥端,并返回S2。本发明提高了救援决策的准确率和实时性,节约人力物力,提高了救援的时效性和救援措施获取的准确性。
Description
技术领域
本发明属于应急救援技术领域,具体涉及一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法。
背景技术
在泥石流滑坡类自然灾害频发的区域,人工检测手段不仅耗时耗力,且存在救援命令下达不及时、准确性低的问题。知识图谱可以一定程度上节省人力资源消耗,同时提升救援效率。现有的基于遥感技术的灾害知识图谱研究,主要侧重单项图谱的构建,并在某次灾害中的指挥决策系统进行简单测试。然而,单次灾害的发生往往伴随着次生衍生灾害,一次孤立的救援决策无法及时更新,并与复杂多变的灾害情况进行完全匹配。
知识图谱常用于存储具有自由格式语义的实体(对象、事件、情况或抽象概念)的互连描述,因此可应用于问答系统、智能搜索及推荐系统中。在多源遥感自然灾害应急救援领域,已有大量有关知识图谱构建的研究。例如在滑坡灾害事件的语义搜索和灾害评估研究中,模糊语义和语义多样性的研究是一项困难的任务,而利用知识图谱进行存储、表示及知识推理是目前采用比较广泛的一种解决方法。在应急指挥方面,现有方案例如:灾害应急指挥的统计评估已从定性文本报告转向定量数学分析,统计评估指标体系逐步完善。中国灾害应急指挥的统计评估已成为自然灾害应急指挥的重要组成部分。但是,由于对灾害应急指挥命令的统计评价涉及到多种类型大量的数据,而且大多数时空数据难以被存储和管理,因此该数据用于应急任务,且进行统计学评估非常耗时和费力。
而知识图谱和灾害应急指挥应用到自然灾害应急救援领域中各自独立发挥作用,知识图谱为静态储存状态,当前紧急灾害发展情况发生变化时,不能及时对知识图谱的决策进行修复和重新规划,不具有进行实时指挥决策的能力,在知识图谱中获取应急救援措施后,当前紧急灾害发展情况发生变化时需要再结合灾害应急指挥系统进行进一步确定救援措施,应急救援时效性不佳。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法。本发明要解决的技术问题通过以下技术方案实现:
一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法,包括以下步骤:
S1,构建基于自然灾害信息和救援措施信息的知识图谱;
S2,对多个传感器设备间隔预设时间获取的当前时刻的自然环境信息进行目标识别,得到所述当前时刻的识别结果;
S3,判断所述当前时刻的识别结果与前一时刻的识别结果是否一致;
若不一致,则基于路径规划算法和所述当前时刻的识别结果在所述知识图谱中进行路径规划查询救援措施信息,得到当前时刻的查询结果;
若所述当前时刻的查询结果为所述救援措施信息,则将所述救援措施信息发送至指挥端,同时返回S2;
若所述当前时刻的查询结果为未查询到救援措施信息,则获取新增措施信息,并根据所述新增措施信息和所述当前时刻的识别结果对所述知识图谱进行补全,得到更新的知识图谱,并将所述新增措施信息发送至所述指挥端,同时返回S2,且将更新的知识图谱作为S3中的知识图谱;
若一致,则将前一时刻的查询结果发送至所述指挥端,并返回S2。
在本发明的一个实施例中,所述方法还包括:
判断当前时刻的识别结果是否为首发灾害识别结果;
若是,则生成首发预警信息,并基于路径规划算法和当前时刻的识别结果在知识图谱中进行路径规划查询救援措施信息,得到首发时刻的查询结果,并将所述首发时刻的查询结果和所述首发预警信息发送至所述指挥端,然后执行S2。
在本发明的一个实施例中,所述方法还包括:
若所述当前时刻的识别结果为继发灾害识别结果,根据所述当前时刻的识别结果生成灾害状态信息,并将所述灾害状态信息发送至所述指挥端。
在本发明的一个实施例中,所述路径规划算法包括强化学习算法;
所述知识图谱为所述强化学习的环境;
所述知识图谱中的所有的关系组成所述强化学习的动作空间,动作为智能体选择当前实体关联的关系的过程;
所述强化学习的状态为智能体当前在所述知识图谱中所处的位置,状态向量包括当前实体和当前实体与目标实体的距离。
在本发明的一个实施例中,所述对多个传感器设备间隔预设时间获取的当前时刻的自然环境信息进行目标识别,得到所述当前时刻的识别结果包括:
对所述多个传感器设备间隔预设时间获取的自然环境信息进行图像数据融合处理,得到融合信息;
对所述融合信息进行目标识别,得到所述当前时刻的识别结果。
本发明的有益效果:
本发明通过传感器设备对自然环境信息进行实时监测,并将实时的识别结果输入知识图谱中,且采用路径规划算法自动进行路径规划查询应急救援措施,同时,可以使用知识图谱补全算法对知识图谱进行实时修复,获得实时更新的知识图谱,完善了知识图谱的信息,提高了救援决策的准确率和实时性,节约人力物力,提高了救援的时效性和救援措施获取的准确性。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1为本发明实施例提供的一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法的流程示意图;
图2为本发明实施例提供的泥石流灾害知识图谱的构建流程图;
图3为本发明实施例提供的强化学习算法进行路径规划的流程示意图;
图4为本发明实施例提供的RLRC算法进行路径规划的流程示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
如图1所示,一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法,包括以下步骤:
S1,构建基于自然灾害信息和救援措施信息的知识图谱。
S2,对多个传感器设备间隔预设时间获取的当前时刻的自然环境信息进行目标识别,得到当前时刻的识别结果;
S3,判断当前时刻的识别结果与前一时刻的识别结果是否一致;
若不一致,则执行S4,若一致,则执行S5:
S4,基于路径规划算法和当前时刻的识别结果在知识图谱中进行路径规划查询救援措施信息,得到当前时刻的查询结果;
若当前时刻的查询结果为救援措施信息,则将救援措施信息发送至指挥端,同时返回S2继续执行;
若当前时刻的查询结果为未查询到救援措施信息,则获取新增措施信息,并根据新增措施信息和当前时刻的识别结果对知识图谱进行补全,得到更新的知识图谱,并将新增措施信息发送至指挥端,同时返回S2,且将更新的知识图谱作为S3中的知识图谱;
S5,将前一时刻的查询结果发送至指挥端,并返回S2继续执行。
本实施例中,通过传感器设备对自然环境信息进行实时监测,并将实时的识别结果输入知识图谱中,且采用路径规划算法自动进行路径规划查询应急救援措施,节约人力物力,提高了救援的时效性和救援措施获取的准确性。
本实施例中,使用路径规划算法代替了传统依靠人力资源进行灾害监测应急指挥的方案,减少了大量人力物力的浪费。一般来说,灾害的检测和灾害应急救援指挥救援都由专门的工作人员进行不间断检测以及人力判断决策。在这种情况下做出的判断往往会受到该工作人员精力、性格和工作经验等主观因素的影响。使用本发明的方案可以规避这个问题,提高监测决策的正确率和效率。
本实施例中,在利用知识图谱进行指挥决策的过程中,兼顾知识图谱的验证与修复功能。在进行知识图谱构建时候会出现信息未收集完全或出现新灾情情况,导致知识图谱存在缺失的问题。本实施例在使用知识图谱进行检索的过程中,如果发现当前的知识图谱未涵盖此种情况急救援措施,则使用知识图谱补全算法进行修复。经过多次使用后,可获得信息更加丰富的知识图谱,提高决策的准确率。
实施例二
本发明实施例提供一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法,包括以下步骤:
S21,构建基于自然灾害信息和救援措施信息的知识图谱。
具体地,首先收集和整理该自然灾害事件相关的资料语料库,然后通过无监督学习和监督学习的方法进行关系抽取,并完善实体和关系类型表,最终获得知识图谱。构建一个知识图谱系统包括:知识建模、知识获取、知识融合、知识存储和知识应用五大部分:
1、知识建模:构建多层级知识体系,将抽象的知识、属性、关联关系等信息,进行定义、组织、管理,转化成现实的数据库。2、知识获取:将不同来源、不同结构的数据转化成图谱数据,包括结构化数据、半结构化数据(解析)、知识标引、知识推理等,保障数据的有效性和完整性。3、知识融合:将多个来源、重复的知识信息进行融合,包括融合计算、融合计算引擎、手动操作融合等。4、知识存储:根据业务场景提供合理的知识存储方案,存储方案具备灵活、多样化、可拓展特性。5、知识应用:为已构建知识图谱提供图谱检索、知识计算、图谱可视化等分析与应用能力。并提供各类知识计算的图谱基础应用类、图结构分析类、图谱语义应用类、自然语言处理类、图数据获取类、图谱统计类、数据集数据获取类和数据集统计类。
本步骤中,例如以泥石流灾害为例,构建泥石流灾害以及相关救援信息的知识图谱。
如图2所示,首先从网络上、图书馆等渠道获取大量关于泥石流灾害领域的资料数据,将其整理成泥石流灾害领域语料库,然后采用提出的中文分词模型和实体抽取模型对泥石流灾害领域的自然灾害信息和救援措施信息进行中文分词和实体抽取,随后采用基于依存句法分析的方法进行关系抽取,最后定义泥石流灾害领域的实体及关系类型,将抽取得到的实体及关系根据定义的类型以三元组(实体-关系-实体)的形式存入图数据库。自然灾害信息为源实体,救援措施信息为目标实体,关系为从源实体指向目标实体的矢量信息。
S22,对多个传感器设备间隔预设时间获取的监测区域的当前时刻的自然环境信息进行图像数据融合处理,得到融合信息;
传感器可设备以为卫星或无人机机载传感器等,使用多种类型的传感器设备可以获取监测区域的自然环境图像以及监测区域的自然环境的各种参数(温度、降雨量、面积、位置坐标等信息),可使用遥感图像多源融合的方法将不同的数据信息融合在一起。传统的融合方法分为三类:像素级融合、特征级融合和决策级融合,可选用合适的方法进行图像/数据融合。
S23,对融合信息进行目标识别,得到当前时刻的识别结果。对于融合信息中灾害信息的获取,可以使用目标识别的方法进行判断。例如图像源中有泥石流灾害相关影像,使用目标识别算法(例如YOLO算法)判断后,得到灾害类型、位置、发生情况是否严重以及是否有房屋坍塌、降雨等自然灾害相关的信息,这些信息为文字信息以及对应的参数。
S24,判断当前时刻的识别结果是否为首发灾害识别结果,若否,则执行步骤S241,若是则执行步骤S242。
S241,重复执行S22-S24。本步骤中,若当前时刻之前的识别结果均没有识别到与自然灾害相关的信息则判断为没有自然灾害发生,则重复执行S22-S24,直至识别结果中识别出自然灾害相关的信息,则判断开始发生自然灾害,当前时刻的识别结果为首发灾害识别结果,然后继续执行S242。
S242,生成首发预警信息,并基于强化学习算法和当前时刻的识别结果在知识图谱中进行路径规划查询救援措施信息,得到首发时刻的查询结果,并将首发时刻的查询结果和首发预警信息发送至指挥端,然后继续由S25开始执行后续步骤。首发时刻的查询结果也即是从知识图谱中查询得到的救援措施信息。
S25,对多个传感器设备间隔预设时间获取的监测区域的当前时刻的自然环境信息进行图像数据融合处理,得到融合信息;
S26,对融合信息进行目标识别,得到当前时刻的识别结果。此时,当前时刻的识别结果为继发灾害识别结果。
S27,判断当前时刻的识别结果与前一时刻的识别结果是否一致,若不一致,则执行S271,若一致,则执行S272:
S271,基于强化学习算法和当前时刻的识别结果在知识图谱中进行路径规划查询救援措施信息,得到当前时刻的查询结果;本步骤中输出的当前时刻的查询结果有两种,一种为救援措施信息中对应的一种救援措施,另一种为未查询到任何结果。
本步骤中,例如,使用DeepPath算法进行路径规划,若最终输出上述的两种查询结果中的一种。使用DeepPath算法进行路径规划时,由于基于路径的知识图谱推理需要在知识图谱中找到能够从源实体走到目标实体的一条或多条路径,这个路径搜索的过程就可以看成是一个马尔可夫决策过程,因此,用强化学习来建模这个马尔可夫决策过程。该算法通过奖励函数,保证在知识图谱推理中能够同时考虑精度、多样性和效率。
DeepPath算法中,知识图谱为强化学习的环境;知识图谱中的所有的关系组成强化学习的动作空间,动作为智能体选择当前实体关联的关系的过程;强化学习的状态为智能体当前在知识图谱中所处的位置,状态向量包括当前实体和当前实体与目标实体的距离。
具体地,动作(action):给定具有关系r的实体对(es,et),目的是智能体找到链接这些实体对的信息最多的路径。从源实体es开始,智能体使用策略网络来选择最有希望的关系,以在每一步扩展其路径,直到到达目标实体et。为了保持策略网络的输出维度一致,动作空间被定义为KG(知识图谱)中的所有关系。以图3为例,泥石流为es,救援决策为et,关系r为图示知识图谱中的连接关系(箭头),路径为最终到达的路径过程。
状态(state):KG(知识图谱)中的实体和关系是离散的符号。为了捕捉这些符号的语义信息,使用基于翻译的嵌入,如TransE(Bordes etal.,2013)和TransH(Wang et al.,2014)来表示实体和关系。这些嵌入将所有符号映射到一个低维向量空间。在我们的框架中,每个状态都捕捉智能体在KG中的位置。在采取行动后,智能体将从一个实体移动到另一个实体。这两者是由智能体刚刚采取的行动(关系)联系在一起的。
奖励(reward):使用全局精度、路径效率和路径多样性三种评价指标来定义奖励。全局精度:站在全局的角度来看,如果智能体走到这一步之后的路径能否到达目标实体。路径效率:通过观察发现短路径比长路径更加可靠,因此可以用路径的长度来衡量推理效率。路径多样性:为了让每一次训练选择的路径能够更加多样,而不是重复选择到之前已经走过的路径,定义当前路径与已存在路径之间的多样性。
策略网络是一个两层的全连接网络,将当前状态向量映射为可能动作的分布概率。
或者也可以使用RLRC(Reinforcement Learning from Reformulations inConversational)算法,如图4所示,利用强化学习从提问和复述的对话流中学习有效信息以从知识图谱中找到正确的答案。该算法设计的模型通过将回答的过程建模为在知识图谱中多个智能体并行游走,如何游走通过策略网络选择的动作决定,策略网络的输入包括对话上下文和知识图谱中的路径。与静态知识图谱不同,动态知识图谱中的时间维度会极大的增加动作空间的规模,并且人类记忆集中在最近的一段时间内。因此,这里动作定义为在智能体当前到达的实体,一段时间区间内的能够到达的(实体,关系,时间点)组成的三元组。
本实施例中,强化学习算法进行规划路径能够将当前状态与上一步状态相融合,根据整个事件的发展状态给出一个判断,对于复杂的灾害情况能够更加准确地进行路径规划,提高了救援效率和准确性,节约时间成本,减少认为判断的影响。
输出得到当前时刻的查询结果后需要对该结果进行判断,执行S2711-S2712:
S2711,若输出的结果为救援措施信息,则将救援措施信息发送至指挥端,然后重复执行S25-S27;
S2712,若当前时刻的查询结果为未查询到救援措施信息,则获取新增措施信息,并根据新增措施信息和当前时刻的识别结果对知识图谱进行补全,得到更新的知识图谱,并将新增措施信息发送至指挥端,同时返回S2,且将更新的知识图谱作为前述步骤中的知识图谱进行使用;
本步骤中,可以使用TransE进行知识图谱补全,该算法将知识图谱中的实体和关系看成两个矩阵。实体矩阵结构为n×d,其中n表示实体数量,d表示每个实体向量的维度,矩阵中的每一行代表了一个实体的词向量;而关系矩阵结构为r×d,其中r代表关系数量,d表示每个关系向量的维度。TransE训练后模型的理想状态是,从实体矩阵和关系矩阵中各自抽取一个向量,进行运算,得到的结果近似于实体矩阵中的另一个实体的向量,从而达到通过词向量表示知识图谱中已存在的三元组的关系。
新增措施信息为指挥专家提供的措施,将该新增措施信息输入监测服务器。
S272,将前一时刻的查询结果发送至指挥端,然后重复执行S25-S27。
需要说明的是上述步骤中的的执行主体为监测服务器。
S28,指挥端收到救援措施信息后发送至各个部门。
直至当前时刻的识别结果出现救援信息后,也即是识别出与救援措施相关的信息后则不再向指挥端发送救援措施信息,同时传感器设备继续进行监测。
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,或成一体;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或两个元件的相互作用关系。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。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (5)
1.一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法,其特征在于,包括以下步骤:
S1,构建基于自然灾害信息和救援措施信息的知识图谱;
S2,对多个传感器设备间隔预设时间获取的当前时刻的自然环境信息进行目标识别,得到所述当前时刻的识别结果;
S3,判断所述当前时刻的识别结果与前一时刻的识别结果是否一致;
若不一致,则基于路径规划算法和所述当前时刻的识别结果在所述知识图谱中进行路径规划查询救援措施信息,得到当前时刻的查询结果;
若所述当前时刻的查询结果为所述救援措施信息,则将所述救援措施信息发送至指挥端,同时返回S2;
若所述当前时刻的查询结果为未查询到救援措施信息,则获取新增措施信息,并根据所述新增措施信息和所述当前时刻的识别结果对所述知识图谱进行补全,得到更新的知识图谱,并将所述新增措施信息发送至所述指挥端,同时返回S2,且将更新的知识图谱作为S3中的知识图谱;
若一致,则将前一时刻的查询结果发送至所述指挥端,并返回S2。
2.根据权利要求1所述的一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法,其特征在于,所述方法还包括:
判断当前时刻的识别结果是否为首发灾害识别结果;
若是,则生成首发预警信息,并基于路径规划算法和当前时刻的识别结果在知识图谱中进行路径规划查询救援措施信息,得到首发时刻的查询结果,并将所述首发时刻的查询结果和所述首发预警信息发送至所述指挥端,然后执行S2。
3.根据权利要求2所述的一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法,其特征在于,所述方法还包括:
若所述当前时刻的识别结果为继发灾害识别结果,根据所述当前时刻的识别结果生成灾害状态信息,并将所述灾害状态信息发送至所述指挥端。
4.根据权利要求3所述的一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法,其特征在于,所述路径规划算法包括强化学习算法;
所述知识图谱为所述强化学习的环境;
所述知识图谱中的所有的关系组成所述强化学习的动作空间,动作为智能体选择当前实体关联的关系的过程;
所述强化学习的状态为智能体当前在所述知识图谱中所处的位置,状态向量包括当前实体和当前实体与目标实体的距离。
5.根据权利要求3所述的一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法,其特征在于,所述对多个传感器设备间隔预设时间获取的当前时刻的自然环境信息进行目标识别,得到所述当前时刻的识别结果包括:
对所述多个传感器设备间隔预设时间获取的自然环境信息进行图像数据融合处理,得到融合信息;
对所述融合信息进行目标识别,得到所述当前时刻的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518918.4A CN116739194A (zh) | 2023-05-09 | 2023-05-09 | 一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518918.4A CN116739194A (zh) | 2023-05-09 | 2023-05-09 | 一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116739194A true CN116739194A (zh) | 2023-09-12 |
Family
ID=87900189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310518918.4A Pending CN116739194A (zh) | 2023-05-09 | 2023-05-09 | 一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739194A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933382A (zh) * | 2024-03-25 | 2024-04-26 | 中国电子科技集团公司第五十四研究所 | 一种基于知识图谱的任务群组构建方法 |
-
2023
- 2023-05-09 CN CN202310518918.4A patent/CN116739194A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933382A (zh) * | 2024-03-25 | 2024-04-26 | 中国电子科技集团公司第五十四研究所 | 一种基于知识图谱的任务群组构建方法 |
CN117933382B (zh) * | 2024-03-25 | 2024-05-31 | 中国电子科技集团公司第五十四研究所 | 一种基于知识图谱的任务群组构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaselimi et al. | A vision transformer model for convolution-free multilabel classification of satellite imagery in deforestation monitoring | |
CN114860884A (zh) | 一种面向动态分析的时空知识图谱构建系统和方法 | |
CN112418451A (zh) | 基于数字孪生的变压器故障诊断定位系统 | |
CN103714185B (zh) | 主题事件更新方法库及城市多源时空信息并行更新方法 | |
CN108133611A (zh) | 车辆行驶轨迹监测方法及系统 | |
Liu et al. | Information fusion for national airspace system prognostics: A NASA ULI project | |
CN113434634A (zh) | 知识图谱构建方法、装置 | |
CN116739194A (zh) | 一种基于知识图谱的面向自然灾害的多源遥感应急救援措施优选方法 | |
US20230131178A1 (en) | Water circulation intelligent sensing and monitoring system based on differentiable reasoning | |
CN115471625A (zh) | 一种云机器人平台大数据智能决策方法和系统 | |
Castagno et al. | Comprehensive risk-based planning for small unmanned aircraft system rooftop landing | |
US20230004903A1 (en) | Methods of greening management in smart cities, system, and storage mediums thereof | |
CN115860259A (zh) | 故障处理方法、装置及计算机可读存储介质 | |
CN113779267A (zh) | 一种基于意图的星上智能任务决策方法 | |
CN113344408A (zh) | 民航交通管制运行多尺度态势感知流程的处理方法 | |
CN116576852A (zh) | 一种融合多源路网数据的森防救援智能导航系统 | |
CN117036112A (zh) | 一种土地规划用的地理信息系统及方法 | |
CN109492065B (zh) | 一种室内语义地图时空关系的抽取方法 | |
KR101545998B1 (ko) | 유출-수리모형 데이터 통합 관리 방법 및 그 시스템 | |
CN115238442A (zh) | 一种基于天空地的多源异构数据管控平台 | |
CN112348175A (zh) | 一种基于强化学习来进行特征工程的方法 | |
CN116956174A (zh) | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 | |
Devi et al. | AI‐Based Weather Forecasting System for Smart Agriculture System Using a Recurrent Neural Networks (RNN) Algorithm | |
Yu et al. | Using construction waste hauling trucks’ GPS data to classify earthwork-related locations: A Chengdu case study | |
CN116578676B (zh) | 一种地名时空演化查询方法及系统 |
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 |