CN117808090A - 结合时空大数据的应急结构化预案文本生成方法及系统 - Google Patents
结合时空大数据的应急结构化预案文本生成方法及系统 Download PDFInfo
- Publication number
- CN117808090A CN117808090A CN202410233135.6A CN202410233135A CN117808090A CN 117808090 A CN117808090 A CN 117808090A CN 202410233135 A CN202410233135 A CN 202410233135A CN 117808090 A CN117808090 A CN 117808090A
- Authority
- CN
- China
- Prior art keywords
- emergency
- plan
- policy
- past
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 239000013598 vector Substances 0.000 claims description 202
- 230000007704 transition Effects 0.000 claims description 160
- 239000011159 matrix material Substances 0.000 claims description 69
- 238000006243 chemical reaction Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 230000001149 cognitive effect Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 2
- 230000008569 process Effects 0.000 description 28
- 238000010801 machine learning Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 230000009466 transformation Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000013468 resource allocation Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000010485 coping Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000000844 transformation Methods 0.000 description 4
- 238000006424 Flood reaction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000019771 cognition Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000013604 expression vector Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005180 public health Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种结合时空大数据的应急结构化预案文本生成方法及系统,本申请通过对应急事件的过往多源时空大数据进行深入分析和嵌入表示,以及对应急预案对象进行精确的嵌入表示,实现了对应急事件的高效、准确和全面的预案文本生成。由此,充分利用了过往应急事件中的经验数据,使得生成的预案文本能够自适应地调整和优化,以更好地适应未来可能发生的应急事件。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种结合时空大数据的应急结构化预案文本生成方法及系统。
背景技术
随着社会的快速发展和技术的不断进步,各种应急事件频繁发生,如自然灾害、事故灾难、公共卫生事件等。这些应急事件往往具有突发性、复杂性和不确定性等特点,给人们的生命财产安全和社会稳定带来严重威胁。因此,如何快速、准确地制定应急预案,对应急事件进行及时、有效的响应和处理,成为当前亟待解决的问题。
在现有的应急管理领域,应急预案的生成通常依赖于专业人员的经验和知识。然而,这种方式往往无法准确反映出实际事件中的各种复杂情况,并且由于人为因素的存在,可能导致应急预案的质量和效率不高。此外,传统的应急预案生成方法缺乏对大量历史数据的有效利用,以及对未来状态信息的预测能力,从而难以实现对应急事件的精准处理。
发明内容
有鉴于此,本申请的目的在于提供一种结合时空大数据的应急结构化预案文本生成方法及系统,通过对应急事件的过往多源时空大数据进行嵌入表示和深度挖掘,提取出有价值的信息和知识;同时结合应急预案对象的特征和目标需求,生成自适应结构化预案文本;最后通过对过往嵌入表示矢量和自适应结构化预案文本进行应急预案策略学习和趋势预测,生成针对未来应急状态信息执行应急策略的目标预案文本数据,能够充分利用时空大数据的优势和人工智能技术的智能化特点,提高应急预案制定的准确性和效率。
依据本申请的第一方面,提供一种结合时空大数据的应急结构化预案文本生成方法,所述方法包括:
获取应急事件的多个过往多源时空大数据,并获取应急预案对象,所述应急预案对象表征需要对未来应急状态信息执行的未来应急策略进行生成,所述过往多源时空大数据中反映针对过往应急事件触发过往应急策略的第一情景数据、与所述应急预案对象中反映针对所述未来应急状态信息触发所述应急策略的第二情景数据部分不同;
对所述过往多源时空大数据进行嵌入表示,生成所述过往多源时空大数据的过往嵌入表示矢量,并对所述应急预案对象进行嵌入表示,生成所述应急预案对象的目标对象表示矢量;
依据所述目标对象表示矢量以及所述应急事件的事件特征图谱,生成自适应结构化预案文本;
对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行应急预案策略学习,生成所述应急事件的应急预案策略矩阵;
依据所述自适应结构化预案文本,对所述应急预案策略矩阵进行趋势预测,生成所述应急事件针对所述未来应急状态信息执行应急策略的目标预案文本数据。
在第一方面的一种可能的实施方式中,所述第一情景数据和所述第二情景数据包括多个;
所述对所述过往多源时空大数据进行嵌入表示,生成所述过往多源时空大数据的过往嵌入表示矢量,包括:
确定所述第一情景数据的热编码特征;
对多个所述第一情景数据的热编码特征进行集成,生成所述过往嵌入表示矢量;
所述对所述应急预案对象进行嵌入表示,生成所述应急预案对象的目标对象表示矢量,包括:
确定所述第二情景数据的热编码特征;
对多个所述第二情景数据的热编码特征进行集成,生成所述应急预案对象的目标对象表示矢量。
在第一方面的一种可能的实施方式中,多个所述第一情景数据包括所述过往应急策略的策略标签、所述过往应急事件的所关联时空域、所述过往应急事件与所述未来应急状态信息之间的时空偏离度;
所述对多个所述第一情景数据的热编码特征进行集成,生成所述过往嵌入表示矢量,包括:
对所述过往应急策略的策略标签的热编码特征、所述过往应急事件的所关联时空域的热编码特征进行融合,生成第一融合特征矢量;
对所述过往应急事件与所述未来应急状态信息之间的时空偏离度的热编码特征、所述融合特征矢量进行集成,生成所述过往嵌入表示矢量。
在第一方面的一种可能的实施方式中,所述依据所述目标对象表示矢量以及所述应急事件的事件特征图谱,生成自适应结构化预案文本,包括:
对所述目标对象表示矢量以及所述应急事件的事件特征图谱进行融合,生成第二融合特征矢量;
依据所述第二融合特征矢量调用预案文本生成模型;
依据所述预案文本生成模型对所述第二融合特征矢量进行预案文本生成,生成所述自适应结构化预案文本。
在第一方面的一种可能的实施方式中,所述依据所述目标对象表示矢量以及所述应急事件的事件特征图谱,生成自适应结构化预案文本之前,所述方法还包括:
确定所述目标对象表示矢量包括的第一策略知识矩阵;
依据所述第一策略知识矩阵,确定所述目标对象表示矢量的显著性系数;
依据所述目标对象表示矢量的显著性系数,对所述目标对象表示矢量进行融合,生成融合后的所述目标对象表示矢量;
其中,融合后的所述目标对象表示矢量用于结合所述应急事件的事件特征图谱,生成自适应结构化预案文本。
在第一方面的一种可能的实施方式中,所述应急预案策略学习是通过多个连续连接的策略变迁网络以及深层认知网络实现的;
所述对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行应急预案策略学习,生成所述应急事件的应急预案策略矩阵,包括:
依据所述多个连续连接的策略变迁网络对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行连贯的策略变迁处理,生成策略变迁结果;
依据所述深层认知网络对所述策略变迁结果进行深层认知处理,生成所述应急事件的应急预案策略矩阵。
在第一方面的一种可能的实施方式中,所述依据所述多个连续连接的策略变迁网络对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行连贯的策略变迁处理,生成策略变迁结果,包括:
依据所述多个连续连接的策略变迁网络的首个策略变迁网络,对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行策略变迁转化;
将所述首个策略变迁网络生成策略变迁转化数据加载至后向连接的策略变迁网络,通过后向连接的策略变迁网络继续进行策略变迁转化以及策略变迁转化数据的生成;
将末个策略变迁网络生成策略变迁转化数据作为所述策略变迁结果。
在第一方面的一种可能的实施方式中,每个所述策略变迁网络包括特征聚焦单元以及前向传播神经元集群;
所述通过后向连接的策略变迁网络继续进行策略变迁转化以及策略变迁转化数据的生成,包括:
依据所述多个连续连接的策略变迁网络的第x个策略变迁网络,通过第x个策略变迁网络包括的特征聚焦单元对第x-1个策略变迁网络生成策略变迁转化数据进行特征聚焦,生成所述第x个策略变迁网络的多个特征聚焦数据;
对所述第x个策略变迁网络的多个特征聚焦数据进行集成,生成集成聚焦数据;
对所述集成聚焦数据进行融合,生成融合后的所述集成聚焦数据;
通过第x个策略变迁网络包括的前向传播神经元集群对融合后的所述集成聚焦数据进行前向传播知识训练,生成所述第x个策略变迁网络生成策略变迁转化数据;
将所述第x个策略变迁网络生成策略变迁转化数据加载至第x+1个策略变迁网络;其中,x为依次递增的正整数,1<x<X,X为所述策略变迁网络的计数。
在第一方面的一种可能的实施方式中,所述对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行应急预案策略学习,生成所述应急事件的应急预案策略矩阵之前,所述方法还包括:
确定所述过往嵌入表示矢量包括的第二策略知识矩阵;
依据所述第二策略知识矩阵,确定所述过往嵌入表示矢量的显著性系数;
依据所述过往嵌入表示矢量的显著性系数,对所述过往嵌入表示矢量进行融合,生成融合后的所述过往嵌入表示矢量;
其中,融合后的所述过往嵌入表示矢量用于与所述自适应结构化预案文本进行应急预案策略学习。
依据本申请的第二方面,提供一种结合时空大数据的应急结构化预案文本生成系统,所述结合时空大数据的应急结构化预案文本生成系统包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该结合时空大数据的应急结构化预案文本生成系统实现前述的结合时空大数据的应急结构化预案文本生成方法。
依据本申请的第三方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,在所述计算机可执行指令被执行时,实现前述的结合时空大数据的应急结构化预案文本生成方法。
依据上述任意一个方面,本申请的技术效果在于:
本申请通过对应急事件的过往多源时空大数据进行深入分析和嵌入表示,以及对应急预案对象进行精确的嵌入表示,实现了对应急事件的高效、准确和全面的预案文本生成。该方法充分利用了过往应急事件中的经验数据,使得生成的预案文本能够自适应地调整和优化,以更好地适应未来可能发生的应急事件。具体而言,通过获取应急事件的多个过往多源时空大数据,并利用嵌入表示技术生成过往嵌入表示矢量,能够充分挖掘和利用过往应急事件中的情景数据,为后续的应急预案策略学习和生成提供丰富的数据基础。通过对应急预案对象进行嵌入表示,生成目标对象表示矢量,并结合应急事件的事件特征图谱,生成自适应结构化预案文本,能够实现对未来应急状态信息的精确预测和应急策略的自适应生成,提高了应急预案的针对性和实用性。通过对应急预案策略矩阵进行趋势预测,生成目标预案文本数据,能够进一步优化和完善应急预案,确保在未来应急事件中能够快速、准确地执行应急策略,最大程度地减少应急事件带来的损失。
也就是说,本申请通过获取并嵌入表示应急事件的过往多源时空大数据和应急预案对象,可以实现对应急事件的历史情景和未来策略的精确理解与表述,从而提高了应急预案生成的准确性和有效性。利用目标对象表示矢量以及应急事件的事件特征图谱,生成自适应结构化预案文本,该步骤能够自动、快速地生成针对具体事件的应急预案,节省了人力物力,并提升了预案生成的效率。依据过往嵌入表示矢量以及自适应结构化预案文本进行应急预案策略学习,生成应急事件的应急预案策略矩阵,这有助于从历史经验中学习并总结出更优的应急处理策略,进一步提高应急响应的效率和质量。根据自适应结构化预案文本,对应急预案策略矩阵进行趋势预测,生成针对未来应急状态信息执行应急策略的目标预案文本数据。这种趋势预测可以使得应急预案更具前瞻性和实时性,从而更好地应对突发事件。由此,能够实现精准、高效和前瞻性的应急预案生成,极大提升了应急处理的效率和质量,为未来的应急状态信息执行提供了强有力的支持。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的结合时空大数据的应急结构化预案文本生成方法的流程示意图;
图2示出了本申请实施例所提供的用于实现上述的结合时空大数据的应急结构化预案文本生成方法的结合时空大数据的应急结构化预案文本生成系统的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将依据本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加至少一个其它操作,也可以从流程图中销毁至少一个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。依据本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都对应于本申请保护的范围。
图1示出了本申请实施例提供的结合时空大数据的应急结构化预案文本生成方法及系统的流程示意图,应当理解,在其它实施例中,本实施例的结合时空大数据的应急结构化预案文本生成方法其中部分步骤的顺序可以依据实际需要相互共享,或者其中的部分步骤也可以省略或维持。该结合时空大数据的应急结构化预案文本生成方法的详细步骤包括:
步骤S110,获取应急事件的多个过往多源时空大数据,并获取应急预案对象,所述应急预案对象表征需要对未来应急状态信息执行的未来应急策略进行生成,所述过往多源时空大数据中反映针对过往应急事件触发过往应急策略的第一情景数据、与所述应急预案对象中反映针对所述未来应急状态信息触发所述应急策略的第二情景数据部分不同。
详细地,所述应急事件指的是突然发生、需要立即采取应对措施以减少损失或危害的事件。这些应急事件通常具有不可预测性、紧急性和潜在的危险性。例如,地震、洪水、火灾、交通事故、公共卫生事件(如疫情爆发)等都可以被视为应急事件。
所述过往多源时空大数据指的是来自多个数据源、记录了过去一段时间内在不同地点和时间发生的事件的数据。这些过往多源时空大数据通常包含了事件的空间位置、时间戳以及其他相关的属性信息。例如,在洪水应急预案的场景中,过往多源时空大数据可以包括历史洪水事件的发生地点、时间、规模、影响范围等数据,这些数据可能来自气象站、水文监测站、卫星遥感图像、社交媒体报告等多个数据源。
所述应急预案对象是指应急预案中需要关注和处理的具体实体或抽象概念。在应急预案的上下文中,它通常指的是应急响应的目标、资源、行动策略等。例如,在洪水应急预案中,应急预案对象可以包括需要保护的重要设施、需要疏散的人群、可用的救援资源(如救援队伍、物资储备)以及需要执行的应急行动策略(如疏散路线、救援优先级)。
所述未来应急状态信息指的是根据当前和历史数据预测得到的未来可能发生的应急事件的状态信息。这些信息可能包括事件的类型、规模、发生地点、影响范围等。例如,在洪水应急预案的场景中,未来应急状态信息可能包括根据当前天气预报和水文监测数据预测得到的未来洪水的水位、流速、影响区域等信息。
所述过往应急策略指的是在过去类似应急事件中被采取并证明有效的应对策略和措施。这些过往应急策略通常基于历史数据和经验总结得出。例如,在洪水应急预案中,过往应急策略可能包括在洪水发生时及时发布预警、组织疏散、调配救援资源、设立临时安置点等措施。
所述第一情景数据指的是过往多源时空大数据中反映的针对过往应急事件触发过往应急策略的情景数据。第二情景数据则是指应急预案对象中反映的针对未来应急状态信息触发应急策略的情景数据。两者可能部分不同,因为未来应急状态可能与历史情况有所差异。例如,在洪水应急预案中,第一情景数据可能包括历史洪水事件的水位、流速、受灾区域等数据,而第二情景数据可能包括根据当前和未来预测数据得出的未来洪水可能的情景,如更高的水位、更广泛的受灾区域等。这些差异要求在制定应急预案时考虑更广泛的可能性和更灵活的应对策略。
本实施例中,结合时空大数据的应急结构化预案文本生成系统可以通过服务器实现。其中,服务器接收到任务指令后,开始从多个数据源中获取与应急事件相关的过往多源时空大数据。这些过往多源时空大数据可以包括历史地震数据、气象灾害数据、交通事故数据等,反映了过去在类似应急事件下触发的应急策略的情景。同时,服务器还获取了应急预案对象,这个对应急预案象描述了在未来应急状态下需要执行的应急策略。需要注意的是,过往多源时空大数据和未来应急预案所针对的情景可能存在部分差异。
例如,假设服务器正在为一个城市的洪水应急预案做准备,那么可以收集过去十年内该城市及周边地区的洪水发生数据、水位变化数据、受灾区域数据等。同时,获取当前城市的基础设施信息、人口分布数据等作为应急预案对象的一部分。这些数据共同构成了对未来洪水应急状态进行预案的基础。
步骤S120,对所述过往多源时空大数据进行嵌入表示,生成所述过往多源时空大数据的过往嵌入表示矢量,并对所述应急预案对象进行嵌入表示,生成所述应急预案对象的目标对象表示矢量。
详细地,嵌入表示是一种将离散型数据(如文本、图像中的标签等)转换为连续型向量的技术。在机器学习和深度学习中,嵌入表示被广泛用于捕捉数据的内在关系和语义信息。通过嵌入表示,相似或相关的数据在向量空间中会被映射到相近的位置。
所述过往嵌入表示矢量指的是将过往多源时空大数据进行嵌入表示后得到的向量。这些过往嵌入表示向量能够捕捉过往数据中的时空特征和相互关系,使得相似的过往事件在向量空间中具有相近的表示。例如,在洪水应急预案的场景中,服务器可能会将历史洪水事件的时间、地点、规模等信息嵌入表示为一系列向量。这些过往嵌入表示向量能够在向量空间中反映出不同洪水事件之间的相似性和差异性,从而帮助服务器理解和分析历史洪水事件的特征和规律。
所述目标对象表示矢量是指将应急预案对象进行嵌入表示后得到的向量。这个目标对象表示向量能够捕捉应急预案对象的关键特征和语义信息,使得相似的应急预案在向量空间中具有相近的表示。例如,在洪水应急预案的场景中,服务器可能会将当前城市的基础设施、人口分布等特征嵌入表示为一个目标对象表示矢量。这个目标对象表示矢量能够帮助服务器理解和分析当前城市的应急能力和需求,从而为制定有效的应急预案提供支持。
也即,本实施例中,服务器利用嵌入表示技术,对收集到的过往多源时空大数据进行处理,生成过往嵌入表示矢量。这些过往嵌入表示矢量能够捕捉数据的时空特征和相互关系。同时,服务器还对应急预案对象进行嵌入表示,生成目标对象表示矢量,这个目标对象表示矢量能够反映未来应急策略的关键特征。
例如,在洪水应急预案的场景中,服务器可以使用深度学习模型对过往的洪水数据进行嵌入表示,生成一系列反映洪水发生时间、地点、规模等特征的矢量。同时,对当前的城市基础设施和人口数据进行嵌入表示,生成反映城市应急能力的目标对象表示矢量。
步骤S130,依据所述目标对象表示矢量以及所述应急事件的事件特征图谱,生成自适应结构化预案文本。
详细地,所述事件特征图谱是一种用于描述应急事件特征的图结构数据。在图谱中,节点可以表示事件、实体或概念,边则表示它们之间的关系。事件特征图谱能够捕捉应急事件中的关键信息和内在关系,为应急预案的制定提供有力支持。
在洪水应急预案的场景中,事件特征图谱可以包括洪水事件、受灾区域、救援资源等节点以及它们之间的关系边。例如,“洪水事件A影响了区域B”或“区域B需要救援资源C”等。通过这些关系边,服务器能够快速地理解和分析洪水事件的特征和影响,从而生成更加准确和有效的应急预案。
所述自适应结构化预案文本是指根据目标对象表示矢量和事件特征图谱生成的、能够自适应不同应急事件特征的结构化文本。这个文本包含了针对未来应急状态信息执行应急策略的具体内容和步骤。例如,在洪水应急预案的场景中,自适应结构化预案文本可能包括针对不同水位和受灾区域的具体疏散路线、救援资源分配策略等内容。这些内容和步骤能够根据实际的洪水情景进行动态调整和优化,从而提高应急响应的效率和效果。
也即,本实施例中,服务器结合目标对象表示矢量和应急事件的事件特征图谱,生成自适应结构化预案文本。这个自适应结构化预案文本能够根据不同的应急事件特征,动态地生成相应的应急策略。
例如,在洪水应急预案的场景中,服务器可以结合城市的基础设施、人口分布等特征,以及洪水的历史数据,生成一份自适应结构化预案文本。这份自适应结构化预案文本可能包括在洪水达到不同水位时应该采取的疏散路线、救援物资分配策略等内容。
步骤S140,对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行应急预案策略学习,生成所述应急事件的应急预案策略矩阵。
详细地,应急预案策略学习是指利用机器学习方法对过往嵌入表示矢量和自适应结构化预案文本进行分析和学习,以提取和总结出有效的应急预案策略。这个过程旨在理解历史应急事件和预案文本中的模式和规律,从而为未来应急事件的应对策略提供指导。例如,在洪水应急预案的场景中,服务器可以利用机器学习算法分析历史洪水事件的过往嵌入表示矢量和相应的自适应结构化预案文本。通过学习,服务器能够识别出在不同洪水情景下最有效的应急策略,如疏散路线的选择、救援资源的分配等,并将这些策略总结为一个应急预案策略矩阵。
所述应急预案策略矩阵是一个结构化的表示,汇总了在不同应急情景下应该采取的最佳应急策略。这个应急预案策略矩阵包含了多种策略的组合,每种策略都对应着特定的应急情景和应对需求。例如,在洪水应急预案的场景中,应急预案策略矩阵可能是一个二维表格,其中行表示不同的洪水情景(如水位、受灾区域等),列表示不同的应急策略(如疏散、救援资源分配等)。每个单元格则填充了在相应情景下最有效的应急策略的具体内容或参数。
也即,在本实施例中,服务器利用机器学习算法,对过往嵌入表示矢量和自适应结构化预案文本进行应急预案策略学习,生成应急事件的应急预案策略矩阵。这个应急预案策略矩阵包含了在不同应急情景下应该采取的最佳应急策略。
例如,在洪水应急预案的场景中,服务器可以通过分析历史洪水数据和相应的应急策略文本,学习在不同洪水情景下最有效的应急策略。这些应急预案策略可能包括在不同水位、不同受灾区域下如何最有效地分配救援资源、如何最快速地疏散受灾人群等。
步骤S150,依据所述自适应结构化预案文本,对所述应急预案策略矩阵进行趋势预测,生成所述应急事件针对所述未来应急状态信息执行应急策略的目标预案文本数据。
详细地,趋势预测是指根据历史数据和当前情况,利用统计模型或机器学习算法对未来可能的发展趋势进行预测。在应急预案的上下文中,趋势预测旨在预测未来应急事件的可能情景和对应急策略的需求。例如,在洪水应急预案的场景中,服务器可以结合当前的天气预报、水文监测数据以及历史事件数据,利用机器学习算法对未来洪水的可能情景进行预测。这些预测可能包括洪水的水位、流速、影响区域等信息,从而为制定有效的应急预案提供支持。
所述目标预案文本数据是指根据趋势预测结果和应急预案策略矩阵生成的、针对未来应急状态信息执行应急策略的具体文本数据。这些数据包含了在未来应急事件中需要采取的具体行动和措施。也即,在本实施例中,服务器依据自适应结构化预案文本,对应急预案策略矩阵进行趋势预测,生成应急事件针对未来应急状态信息执行应急策略的目标预案文本数据。这些目标预案文本数据能够直接指导未来的应急响应行动。例如,在洪水应急预案的场景中,目标预案文本数据可能包括针对未来洪水情景的具体疏散路线、救援资源分配计划、临时安置点的设立等信息。这些数据将直接用于指导城市的洪水应急响应行动,确保在洪水发生时能够迅速、有效地进行应对。
示例性地,下面将给出具体的技术实现思路:
预案文本解析:
首先,对自适应结构化预案文本进行深度解析,提取出关键信息,如应急事件的类型、级别、影响范围、所需资源等。
利用自然语言处理技术(NLP)对文本中的实体、关系、事件等进行识别,构建事件的知识图谱或语义网络。
策略矩阵构建与更新:
基于过往嵌入表示矢量和已学习的应急预案策略,构建一个初始的应急预案策略矩阵。这个矩阵可以是一个多维数组或张量,包含了不同应急策略在各种情景下的效果评估。
结合自适应结构化预案文本中的新信息,对策略矩阵进行更新。这可能涉及到添加新的策略、调整现有策略的参数或权重等。
趋势预测模型:
利用机器学习或深度学习算法构建一个趋势预测模型。这个模型能够基于当前的应急预案策略矩阵和自适应结构化预案文本中的未来情景描述,预测未来应急状态信息的发展趋势。
趋势预测模型可以考虑时间序列分析、回归分析、神经网络等多种方法,根据具体应用场景和数据特点选择合适的模型。
预案生成与优化:
基于趋势预测模型的结果,对应急预案策略矩阵进行进一步的优化和调整,确保预案能够适应未来可能的应急状态信息。
结合优化后的应急预案策略矩阵和自适应结构化预案文本中的指导原则,生成针对未来应急状态信息的目标预案文本数据。这包括具体的应急响应流程、资源调配方案、人员分工等。
反馈循环与持续学习:
在实际应用中,不断收集新的应急事件数据和预案执行效果反馈,用于持续更新和优化应急预案策略矩阵和趋势预测模型。
通过定期的评估和演练,检验预案的有效性和实用性,确保在真实应急事件中能够快速、准确地执行应急策略。
这个技术实现思路充分利用了大数据、人工智能和自然语言处理等技术,旨在提高应急预案的智能化水平,增强应对未来复杂多变应急事件的能力。
基于以上步骤,本申请通过对应急事件的过往多源时空大数据进行深入分析和嵌入表示,以及对应急预案对象进行精确的嵌入表示,实现了对应急事件的高效、准确和全面的预案文本生成。由此,充分利用了过往应急事件中的经验数据,使得生成的预案文本能够自适应地调整和优化,以更好地适应未来可能发生的应急事件。具体而言,通过获取应急事件的多个过往多源时空大数据,并利用嵌入表示技术生成过往嵌入表示矢量,能够充分挖掘和利用过往应急事件中的情景数据,为后续的应急预案策略学习和生成提供丰富的数据基础。通过对应急预案对象进行嵌入表示,生成目标对象表示矢量,并结合应急事件的事件特征图谱,生成自适应结构化预案文本,能够实现对未来应急状态信息的精确预测和应急策略的自适应生成,提高了应急预案的针对性和实用性。通过对应急预案策略矩阵进行趋势预测,生成目标预案文本数据,能够进一步优化和完善应急预案,确保在未来应急事件中能够快速、准确地执行应急策略,最大程度地减少应急事件带来的损失。
也就是说,本申请通过获取并嵌入表示应急事件的过往多源时空大数据和应急预案对象,可以实现对应急事件的历史情景和未来策略的精确理解与表述,从而提高了应急预案生成的准确性和有效性。利用目标对象表示矢量以及应急事件的事件特征图谱,生成自适应结构化预案文本,该步骤能够自动、快速地生成针对具体事件的应急预案,节省了人力物力,并提升了预案生成的效率。依据过往嵌入表示矢量以及自适应结构化预案文本进行应急预案策略学习,生成应急事件的应急预案策略矩阵,这有助于从历史经验中学习并总结出更优的应急处理策略,进一步提高应急响应的效率和质量。根据自适应结构化预案文本,对应急预案策略矩阵进行趋势预测,生成针对未来应急状态信息执行应急策略的目标预案文本数据。这种趋势预测可以使得应急预案更具前瞻性和实时性,从而更好地应对突发事件。由此,能够实现精准、高效和前瞻性的应急预案生成,极大提升了应急处理的效率和质量,为未来的应急状态信息执行提供了强有力的支持。
在一种可能的实施方式中,所述第一情景数据和所述第二情景数据包括多个。
步骤S120中对所述过往多源时空大数据进行嵌入表示,生成所述过往多源时空大数据的过往嵌入表示矢量,包括:
步骤S121,确定所述第一情景数据的热编码特征。
步骤S122,对多个所述第一情景数据的热编码特征进行集成,生成所述过往嵌入表示矢量。
本实施例中,服务器在处理过往多源时空大数据时,首先会识别出多个第一情景数据。这些第一情景数据反映了针对过往应急事件触发过往应急策略的情景。例如,在洪水应急预案的场景中,第一情景数据可能包括历史洪水事件的水位、流速、受灾区域等具体信息。
服务器可以对这些第一情景数据进行热编码处理,将其转换为一种适合机器学习算法处理的格式。热编码是一种将分类变量转换为机器学习算法易于处理的格式的技术。在这个场景中,服务器可以为每个第一情景数据生成一个热编码特征向量,其中每个特征对应着该情景数据的一个属性(如水位、流速等),而特征的值则通过热编码来表示该属性的具体取值。
在生成了每个第一情景数据的热编码特征向量后,服务器可以对这些特征向量进行集成处理,以生成过往多源时空大数据的过往嵌入表示矢量。这个集成过程可能包括将多个特征向量进行拼接、加权求和等操作,以得到一个能够综合反映过往多源时空大数据特征的嵌入表示矢量。
这个过往嵌入表示矢量捕捉了过往数据中的时空特征和相互关系,使得相似的过往事件在向量空间中具有相近的表示。服务器可以利用这个嵌入表示矢量来分析和理解历史洪水事件的特征和规律,从而为未来应急事件的应对策略提供指导。
步骤S120中对所述应急预案对象进行嵌入表示,生成所述应急预案对象的目标对象表示矢量,包括:
步骤S123,确定所述第二情景数据的热编码特征。
步骤S124,对多个所述第二情景数据的热编码特征进行集成,生成所述应急预案对象的目标对象表示矢量。
本实施例中,在处理应急预案对象时,服务器可以识别出多个第二情景数据。这些第二情景数据反映了针对未来应急状态信息触发应急策略的情景。例如,在洪水应急预案的场景中,第二情景数据可能包括根据当前和未来预测数据得出的未来洪水可能的情景,如更高的水位、更广泛的受灾区域等。
与第一情景数据的处理类似,服务器可以对这些第二情景数据进行热编码处理,生成每个第二情景数据的热编码特征向量。这些特征向量将用于表示应急预案对象的关键特征和语义信息。
在生成了每个第二情景数据的热编码特征向量后,服务器可以对这些特征向量进行集成处理,以生成应急预案对象的目标对象表示矢量。这个集成过程与过往嵌入表示矢量的生成过程类似,可能包括将多个特征向量进行拼接、加权求和等操作。
这个目标对象表示矢量捕捉了应急预案对象的关键特征和语义信息,使得相似的应急预案在向量空间中具有相近的表示。服务器可以利用这个目标对象表示矢量来理解和分析当前城市的应急能力和需求,从而为制定有效的应急预案提供支持。
通过以上步骤,服务器能够利用过往多源时空大数据和应急预案对象生成相应的嵌入表示矢量,这些矢量将用于后续的应急预案策略学习和趋势预测等任务。
在一种可能的实施方式中,多个所述第一情景数据包括所述过往应急策略的策略标签、所述过往应急事件的所关联时空域、所述过往应急事件与所述未来应急状态信息之间的时空偏离度。
步骤S122可以包括:
步骤S1221,对所述过往应急策略的策略标签的热编码特征、所述过往应急事件的所关联时空域的热编码特征进行融合,生成第一融合特征矢量。
步骤S1222,对所述过往应急事件与所述未来应急状态信息之间的时空偏离度的热编码特征、所述融合特征矢量进行集成,生成所述过往嵌入表示矢量。
本实施例中,在处理过往多源时空大数据时,服务器可以识别出多个第一情景数据。这些第一情景数据现在具体包括了过往应急策略的策略标签、过往应急事件所关联的时空域,以及过往应急事件与未来应急状态信息之间的时空偏离度。
过往应急策略的策略标签可以是指一个表示特定应急策略类型或级别的分类标签,如“疏散策略-高优先级”或“资源调配策略-中优先级”。
过往应急事件所关联的时空域可以指的是过往应急事件发生的具体时间和地点,例如“2020年7月,A江中下游地区”。
所述过往应急事件与未来应急状态信息之间的时空偏离度是一个量化指标,表示过往应急事件与未来预测的应急状态在时间和空间上的差异程度。
由此,服务器首先会对过往应急策略的策略标签和过往应急事件所关联的时空域进行热编码处理。热编码是一种将分类变量转换为适合机器学习算法处理的格式的技术。
所述策略标签的热编码:服务器可以为每种策略标签生成一个唯一的二进制向量,其中只有一个元素为1,其余元素为0。
所述时空域的热编码:对于时空域,服务器可能会将其分解为时间段和地理区域,然后分别为每个时间段和地理区域生成热编码。
之后,服务器可以将策略标签的热编码特征和时空域的热编码特征进行融合。融合的方法可以是简单的拼接,也可以是通过某种形式的加权求和或神经网络层进行更复杂的组合。
服务器接下来会处理过往应急事件与未来应急状态信息之间的时空偏离度。这个偏离度也会被转换为热编码格式,可能是通过将其划分为不同的偏离度区间,并为每个区间生成一个热编码。
在确定时空偏离度的热编码特征后,服务器可以将其与之前生成的融合特征矢量(包含策略标签和时空域的热编码特征)进行集成。集成的方法同样可以是拼接、加权求和或使用神经网络进行更深层次的特征组合。
通过上述步骤,服务器最终生成了过往嵌入表示矢量。这个过往嵌入表示矢量是一个高维空间中的点,其位置由过往应急策略的策略标签、过往应急事件所关联的时空域,以及过往应急事件与未来应急状态信息之间的时空偏离度共同决定。服务器可以利用这个嵌入表示矢量在后续的应急预案策略学习和趋势预测等任务中。
这样,服务器就通过对多个第一情景数据的热编码特征进行集成,生成了能够综合反映过往多源时空大数据特征的过往嵌入表示矢量。
在一种可能的实施方式中,步骤S130可以包括:
步骤S131,对所述目标对象表示矢量以及所述应急事件的事件特征图谱进行融合,生成第二融合特征矢量。
步骤S132,依据所述第二融合特征矢量调用预案文本生成模型。
步骤S133,依据所述预案文本生成模型对所述第二融合特征矢量进行预案文本生成,生成所述自适应结构化预案文本。
在处理应急预案时,服务器已经生成了目标对象表示矢量,这个目标对象表示矢量捕捉了应急预案对象的关键特征和语义信息。同时,服务器还拥有应急事件的事件特征图谱,这个图谱详细描述了应急事件的各种属性和它们之间的关系。
服务器可以将目标对象表示矢量和事件特征图谱进行融合,以生成第二融合特征矢量。融合的过程可能包括将目标对象表示矢量与事件特征图谱中的关键节点或特征进行对应和组合,也可能涉及到更复杂的特征变换或神经网络处理。
例如,在洪水应急预案的场景中,目标对象表示矢量可能包含了未来洪水可能的情景信息(如水位、流速等),而事件特征图谱则描述了洪水事件的历史数据、影响区域、救援资源等信息。服务器可以将这些信息进行融合,以生成一个能够全面反映未来洪水情景和应急需求的第二融合特征矢量。
在生成了第二融合特征矢量后,服务器可以根据这个第二融合特征矢量调用预案文本生成模型。这个预案文本生成模型可能是一个预先训练好的机器学习模型,如循环神经网络(RNN)或转换器(Transformer)模型,用于生成结构化的预案文本。
服务器可以将第二融合特征矢量作为输入传递给预案文本生成模型,模型会根据这个输入生成相应的预案文本内容。这个过程可能涉及到模型的内部运算和推理,以生成符合应急事件特征和需求的预案文本。
预案文本生成模型会根据第二融合特征矢量的输入,生成自适应结构化的预案文本。这个文本可能包括了针对未来应急事件的具体行动计划、资源调配方案、疏散路线等信息。
生成的预案文本会根据应急事件的特征和需求进行自适应调整,以确保其有效性和实用性。服务器可以利用这个生成的预案文本作为未来应急响应的基础,指导城市应对可能出现的洪水等自然灾害。
通过以上步骤,服务器能够依据目标对象表示矢量和应急事件的事件特征图谱生成自适应结构化的预案文本,为城市的应急响应提供有力的支持。
在一种可能的实施方式中,所述步骤S130之前,所述方法还包括:
步骤A110,确定所述目标对象表示矢量包括的第一策略知识矩阵。
步骤A120,依据所述第一策略知识矩阵,确定所述目标对象表示矢量的显著性系数。
步骤A130,依据所述目标对象表示矢量的显著性系数,对所述目标对象表示矢量进行融合,生成融合后的所述目标对象表示矢量。
其中,融合后的所述目标对象表示矢量用于结合所述应急事件的事件特征图谱,生成自适应结构化预案文本。
在处理应急预案对象时,服务器已经生成了目标对象表示矢量。在本实施例中,服务器可以进一步分析这个目标对象表示矢量,以确定其中包含的第一策略知识矩阵。
第一策略知识矩阵是一个包含了应急预案相关知识和策略的矩阵。这个第一策略知识矩阵包括了各种应急策略的类型、级别、执行条件等信息,以及这些应急策略之间的关联和依赖关系。
服务器可以通过对应急预案对象的属性进行分析和提取,或者利用预先定义好的策略知识库来确定第一策略知识矩阵。这个第一策略知识矩阵将为后续的显著性系数确定和矢量融合提供基础。
在确定了第一策略知识矩阵后,服务器可以依据这个第一策略知识矩阵来确定目标对象表示矢量的显著性系数。
所述显著性系数是一个用于衡量目标对象表示矢量中各个特征重要程度的指标。服务器可能会根据第一策略知识矩阵中定义的策略类型和级别,以及这些策略与目标对象表示矢量中各个特征的关联程度,来计算每个特征的显著性系数。例如,如果某个特征与目标对象表示矢量中定义的某个高优先级策略密切相关,那么该特征的显著性系数就会相应较高。
在确定了目标对象表示矢量的显著性系数后,服务器可以依据这些系数对目标对象表示矢量进行融合。融合的过程可能包括将目标对象表示矢量中的各个特征按照其显著性系数进行加权求和或进行其他形式的特征组合。这样,融合后的目标对象表示矢量将能够更加准确地反映应急预案对象的关键特征和语义信息,同时突出重要策略的影响。
融合后的目标对象表示矢量将被用于结合应急事件的事件特征图谱,生成自适应结构化的预案文本。服务器可以将融合后的目标对象表示矢量与事件特征图谱进行关联和对应,利用预案文本生成模型或其他相关技术生成符合应急事件特征和需求的预案文本。这个预案文本将包括针对未来应急事件的具体行动计划、资源调配方案等信息,并能够根据应急事件的实际情况进行自适应调整。
通过以上步骤,服务器能够在生成自适应结构化预案文本之前对目标对象表示矢量进行进一步的处理和优化,提高预案文本的准确性和实用性。
在一种可能的实施方式中,所述应急预案策略学习是通过多个连续连接的策略变迁网络以及深层认知网络实现的。
步骤S140可以包括:
步骤S141,依据所述多个连续连接的策略变迁网络对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行连贯的策略变迁处理,生成策略变迁结果。
步骤S142,依据所述深层认知网络对所述策略变迁结果进行深层认知处理,生成所述应急事件的应急预案策略矩阵。
在应急预案策略学习的过程中,服务器首先会利用多个连续连接的策略变迁网络对过往嵌入表示矢量和自适应结构化预案文本进行处理。这些策略变迁网络是专门设计用于捕捉应急策略随时间和情境变化而发生的变迁。
所述过往嵌入表示矢量是服务器通过对过往多源时空大数据进行热编码特征集成而生成的,它包含了过往应急策略、应急事件时空域以及时空偏离度等信息。
所述自适应结构化预案文本是服务器根据目标对象表示矢量和应急事件事件特征图谱生成的,它能够自适应地调整预案内容以符合当前应急事件的需求。
服务器可以将这些信息输入到策略变迁网络中。每个策略变迁网络都会根据当前的输入和前一个网络的输出,进行策略的调整和更新,从而生成一系列连贯的策略变迁结果。这些结果反映了应急策略随时间和情境变化而发生的动态调整过程。
在生成了策略变迁结果后,服务器可以进一步利用深层认知网络对这些结果进行深层认知处理。深层认知网络是一个复杂的神经网络结构,它能够模拟人类的深层认知过程,对应急策略进行更深入的分析和理解。
服务器可以将策略变迁结果输入到深层认知网络中,通过网络内部的层层运算和推理,提取出应急策略中的深层特征和潜在规律。这个过程可能涉及到对策略类型、执行条件、效果评估等多个方面的综合分析和判断。
经过深层认知网络的处理后,服务器最终会生成应急事件的应急预案策略矩阵。这个应急预案策略矩阵是一个包含了多种应急策略及其相关信息的二维表格或多维数组,能够全面反映当前应急事件下各种策略的选择和执行情况。
服务器可以利用这个应急预案策略矩阵来指导实际的应急响应工作。例如,在洪水灾害发生时,服务器可以根据矩阵中提供的策略信息,快速选择和执行最合适的疏散路线、资源调配方案等应急策略,以最大程度地减少灾害损失。
通过以上步骤,服务器能够利用多个连续连接的策略变迁网络和深层认知网络进行应急预案策略学习,并生成符合当前应急事件需求的应急预案策略矩阵。
在一种可能的实施方式中,步骤S141可以包括:
步骤S1411,依据所述多个连续连接的策略变迁网络的首个策略变迁网络,对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行策略变迁转化。
在处理应急预案时,服务器已经拥有了过往嵌入表示矢量和自适应结构化预案文本。现在,将利用多个连续连接的策略变迁网络中的首个策略变迁网络,对这些信息进行策略变迁转化。
首个策略变迁网络会接收这些输入信息,并根据其内部定义的策略和规则,对输入信息进行转化。这种转化可能包括对应急策略的调整、优化或重新组合,以适应新的应急事件或情境。
步骤S1412,将所述首个策略变迁网络生成策略变迁转化数据加载至后向连接的策略变迁网络,通过后向连接的策略变迁网络继续进行策略变迁转化以及策略变迁转化数据的生成。
完成首个策略变迁网络的转化后,服务器可以将其生成的策略变迁转化数据加载到后向连接的策略变迁网络中。这些数据可能包括了经过转化的应急策略、新的预案文本或其他相关信息。
后向连接的策略变迁网络会继续对这些数据进行处理,进行进一步的策略变迁转化。这种连续的处理过程能够确保应急策略在多个网络之间得到连贯和一致的调整和优化。
在后向连接的策略变迁网络中,服务器可以继续进行策略变迁转化,并生成新的策略变迁转化数据。这些数据将再次被加载到下一个后向连接的策略变迁网络中,以此类推,直到所有的策略变迁网络都完成了对数据的处理。
这个过程是一个连续的数据流处理过程,每个策略变迁网络都会在前一个网络的基础上进行进一步的策略调整和优化,从而生成更加符合当前应急事件需求的策略变迁转化数据。
步骤S1413,将末个策略变迁网络生成策略变迁转化数据作为所述策略变迁结果。
当最后一个策略变迁网络完成了对数据的处理后,服务器可以将其生成的策略变迁转化数据作为最终的策略变迁结果。这个结果是一个包含了多种经过连续调整和优化的应急策略的数据集合,它能够全面反映当前应急事件下各种策略的选择和执行情况。
服务器可以利用这个策略变迁结果来指导实际的应急响应工作,确保应急预案能够快速、准确地适应不断变化的应急事件和情境。
在一种可能的实施方式中,每个所述策略变迁网络包括特征聚焦单元以及前向传播神经元集群。
步骤S1412可以包括:
步骤S1412-1,依据所述多个连续连接的策略变迁网络的第x个策略变迁网络,通过第x个策略变迁网络包括的特征聚焦单元对第x-1个策略变迁网络生成策略变迁转化数据进行特征聚焦,生成所述第x个策略变迁网络的多个特征聚焦数据。
步骤S1412-2,对所述第x个策略变迁网络的多个特征聚焦数据进行集成,生成集成聚焦数据。
步骤S1412-3,对所述集成聚焦数据进行融合,生成融合后的所述集成聚焦数据。
步骤S1412-4,通过第x个策略变迁网络包括的前向传播神经元集群对融合后的所述集成聚焦数据进行前向传播知识训练,生成所述第x个策略变迁网络生成策略变迁转化数据。
步骤S1412-5,将所述第x个策略变迁网络生成策略变迁转化数据加载至第x+1个策略变迁网络。其中,x为依次递增的正整数,1<x<X,X为所述策略变迁网络的计数。
本实施例中,服务器内部署了多个连续连接的策略变迁网络,每个策略变迁网络都包含特征聚焦单元和前向传播神经元集群。这些网络被设计用于对应急预案策略进行连续的调整和优化。
当处理到第x个策略变迁网络时(其中x是一个依次递增的正整数,且1<x<X,X代表策略变迁网络的总数),服务器可以首先利用第x个策略变迁网络中的特征聚焦单元,对第x-1个策略变迁网络生成的策略变迁转化数据进行特征聚焦。这个过程旨在从数据中提取出与应急策略相关的关键特征。
假设在第x-1个策略变迁网络中,服务器处理了一场森林火灾的应急策略。生成的策略变迁转化数据包含了火势蔓延速度、可用救援资源、疏散路线等多个特征。在第x个策略变迁网络的特征聚焦单元中,服务器可以进一步聚焦这些特征,例如,通过算法强调火势蔓延速度和可用救援资源的重要性,同时忽略一些次要特征。
完成特征聚焦后,服务器可以对第x个策略变迁网络生成的多个特征聚焦数据进行集成,生成集成聚焦数据。这个过程旨在将多个特征聚焦数据合并成一个更全面的数据集,以便进行后续的处理。
例如,在特征聚焦单元中,服务器可能生成了关于火势蔓延速度、可用救援资源和疏散路线的多个特征聚焦数据。在特征集成步骤中,服务器可以将这些数据合并成一个集成聚焦数据,其中包含了所有关键特征的综合信息。
接下来,服务器可以对集成聚焦数据进行融合,生成融合后的集成聚焦数据。这个过程旨在进一步提高数据的质量和准确性,以便更好地支持后续的策略变迁转化。
其中,在数据融合步骤中,服务器可能会采用各种算法和技术,例如数据清洗、去重、归一化等,对集成聚焦数据进行处理,以消除数据中的噪声和冗余信息,从而提高数据的准确性和可靠性。
完成数据融合后,服务器可以通过第x个策略变迁网络中的前向传播神经元集群对融合后的集成聚焦数据进行前向传播知识训练。这个过程旨在利用神经网络的学习能力,从数据中提取出有用的知识和模式,以支持后续的策略变迁转化。
在前向传播知识训练步骤中,服务器可以将融合后的集成聚焦数据输入到前向传播神经元集群中。神经元集群会根据其内部定义的算法和规则对数据进行处理和学习,从中提取出与应急策略相关的知识和模式。这些知识和模式将被用于生成第x个策略变迁网络的策略变迁转化数据。
最后,服务器可以将第x个策略变迁网络生成的策略变迁转化数据加载到第x+1个策略变迁网络中。这个过程实现了数据在多个连续连接的策略变迁网络之间的流动和传递,支持了策略的持续调整和优化。
在完成前向传播知识训练并生成策略变迁转化数据后,服务器可以将这些数据加载到下一个(即第x+1个)策略变迁网络中。在下一个网络中,这些数据将作为输入被进一步处理和学习,从而支持应急策略的持续优化和调整。这个过程会一直持续到最后一个策略变迁网络处理完毕为止。
在一种可能的实施方式中,所述步骤S140之前,所述方法还包括:
步骤B110,确定所述过往嵌入表示矢量包括的第二策略知识矩阵。
步骤B120,依据所述第二策略知识矩阵,确定所述过往嵌入表示矢量的显著性系数。
步骤B130,依据所述过往嵌入表示矢量的显著性系数,对所述过往嵌入表示矢量进行融合,生成融合后的所述过往嵌入表示矢量。
其中,融合后的所述过往嵌入表示矢量用于与所述自适应结构化预案文本进行应急预案策略学习。
在服务器进行应急预案策略学习,生成应急事件的应急预案策略矩阵之前,先对过往嵌入表示矢量进行一系列的处理。
本实施例中,服务器首先会确定过往嵌入表示矢量中所包含的第二策略知识矩阵。这个的第二策略知识矩阵包含了从历史应急事件中学习到的策略知识和经验,以数值或向量的形式存储在服务器的内存中。服务器在处理过往嵌入表示矢量时,会识别出其中与策略相关的部分,这部分数据构成了第二策略知识矩阵。这个矩阵可能包含了多种不同类型的应急策略,以及这些策略在不同情境下的效果评估等信息。
接下来,服务器可以根据第二策略知识矩阵来确定过往嵌入表示矢量中各个元素的显著性系数。显著性系数用于衡量每个元素在应急策略学习中的重要性或影响力。例如,服务器可以利用算法对第二策略知识矩阵进行分析,以确定哪些策略在当前或未来的应急事件中可能更加重要。这种分析可能包括对历史策略效果的统计和比较,以及对当前应急事件特征的识别等。基于这些分析,服务器可以为过往嵌入表示矢量中的每个元素分配一个显著性系数。
在确定了显著性系数之后,服务器可以根据这些系数对过往嵌入表示矢量进行融合处理。融合的目的是将多个元素组合成一个更加综合和有效的表示形式,以便用于后续的应急预案策略学习。
服务器可以采用特定的融合算法,例如加权平均或神经网络等方法,将过往嵌入表示矢量中的各个元素按照其显著性系数进行加权组合。这样,那些被认为更加重要的元素将在融合后的表示中占据更大的权重,从而影响到后续的应急预案策略学习结果。
经过融合处理后,服务器可以生成一个新的、融合后的过往嵌入表示矢量。这个矢量将作为后续应急预案策略学习的重要输入之一。
在融合处理完成后,服务器可以得到一个包含了所有重要元素信息的综合矢量。这个矢量不仅包含了原始过往嵌入表示矢量中的策略知识,还通过显著性系数和融合算法对这些知识进行了优化和整合。因此,它更适合用于与自适应结构化预案文本一起进行应急预案策略学习。
综上所述,通过对过往嵌入表示矢量进行这一系列的处理步骤,服务器能够提取出更加有效和有针对性的策略知识,为后续生成准确、高效的应急预案策略矩阵打下坚实的基础。
图2所示的结合时空大数据的应急结构化预案文本生成100包括:处理器1001和存储器1003。其中,处理器1001和存储器1003相连,如通过总线1002相连。可选地,结合时空大数据的应急结构化预案文本生成100还可以包括收发器1004,收发器1004可以用于该服务器与其它服务器之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际调度中收发器1004不限于一个,该结合时空大数据的应急结构化预案文本生成100的结构并不构成对本申请实施例的限定。
处理器1001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(ApplicationSpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其它可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器1001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线1002可包括一通路,在上述组件之间传送信息。总线1002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线1002可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器1003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其它类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其它类型的动态存储设备,也可以是EEPROM(ElectricallyErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(CompactDiscRead Only Memory,只读光盘)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质、其它磁存储设备、或者能够用于携带或存储程序代码并能够由计算机读取的任何其它介质,在此不做限定。
存储器1003用于存储执行本申请实施例的程序代码,并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的程序代码,以实现前述方法实施例所示的步骤。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有程序代码,程序代码被处理器执行时可实现前述方法实施例的步骤及相应内容。
应该理解的是,虽然本申请实施例的流程图中通过箭头指示各个操作步骤,但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明,否则在本申请实施例的一些实施场景中,各流程图中的实施步骤可以基于需求以其它的顺序执行。此外,各流程图中的部分或全部步骤依据实际的实施场景,可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行,这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下,这些子步骤或者阶段的执行顺序可以基于需求灵活配置,本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请的方案技术构思的前提下,采用依据本申请技术思想的其它类似实施手段,同样属于本申请实施例的保护范畴。
Claims (10)
1.一种结合时空大数据的应急结构化预案文本生成方法,其特征在于,所述方法包括:
获取应急事件的多个过往多源时空大数据,并获取应急预案对象,所述应急预案对象表征需要对未来应急状态信息执行的未来应急策略进行生成,所述过往多源时空大数据中反映针对过往应急事件触发过往应急策略的第一情景数据、与所述应急预案对象中反映针对所述未来应急状态信息触发所述应急策略的第二情景数据部分不同;
对所述过往多源时空大数据进行嵌入表示,生成所述过往多源时空大数据的过往嵌入表示矢量,并对所述应急预案对象进行嵌入表示,生成所述应急预案对象的目标对象表示矢量;
依据所述目标对象表示矢量以及所述应急事件的事件特征图谱,生成自适应结构化预案文本;
对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行应急预案策略学习,生成所述应急事件的应急预案策略矩阵;
依据所述自适应结构化预案文本,对所述应急预案策略矩阵进行趋势预测,生成所述应急事件针对所述未来应急状态信息执行应急策略的目标预案文本数据。
2.根据权利要求1所述的结合时空大数据的应急结构化预案文本生成方法,其特征在于,所述第一情景数据和所述第二情景数据包括多个;
所述对所述过往多源时空大数据进行嵌入表示,生成所述过往多源时空大数据的过往嵌入表示矢量,包括:
确定所述第一情景数据的热编码特征;
对多个所述第一情景数据的热编码特征进行集成,生成所述过往嵌入表示矢量;
所述对所述应急预案对象进行嵌入表示,生成所述应急预案对象的目标对象表示矢量,包括:
确定所述第二情景数据的热编码特征;
对多个所述第二情景数据的热编码特征进行集成,生成所述应急预案对象的目标对象表示矢量。
3.根据权利要求2所述的结合时空大数据的应急结构化预案文本生成方法,其特征在于,多个所述第一情景数据包括所述过往应急策略的策略标签、所述过往应急事件的所关联时空域、所述过往应急事件与所述未来应急状态信息之间的时空偏离度;
所述对多个所述第一情景数据的热编码特征进行集成,生成所述过往嵌入表示矢量,包括:
对所述过往应急策略的策略标签的热编码特征、所述过往应急事件的所关联时空域的热编码特征进行融合,生成第一融合特征矢量;
对所述过往应急事件与所述未来应急状态信息之间的时空偏离度的热编码特征、所述融合特征矢量进行集成,生成所述过往嵌入表示矢量。
4.根据权利要求1所述的结合时空大数据的应急结构化预案文本生成方法,其特征在于,所述依据所述目标对象表示矢量以及所述应急事件的事件特征图谱,生成自适应结构化预案文本,包括:
对所述目标对象表示矢量以及所述应急事件的事件特征图谱进行融合,生成第二融合特征矢量;
依据所述第二融合特征矢量调用预案文本生成模型;
依据所述预案文本生成模型对所述第二融合特征矢量进行预案文本生成,生成所述自适应结构化预案文本。
5.根据权利要求1或4所述的结合时空大数据的应急结构化预案文本生成方法,其特征在于,所述依据所述目标对象表示矢量以及所述应急事件的事件特征图谱,生成自适应结构化预案文本之前,所述方法还包括:
确定所述目标对象表示矢量包括的第一策略知识矩阵;
依据所述第一策略知识矩阵,确定所述目标对象表示矢量的显著性系数;
依据所述目标对象表示矢量的显著性系数,对所述目标对象表示矢量进行融合,生成融合后的所述目标对象表示矢量;
其中,融合后的所述目标对象表示矢量用于结合所述应急事件的事件特征图谱,生成自适应结构化预案文本。
6.根据权利要求1所述的结合时空大数据的应急结构化预案文本生成方法,其特征在于,所述应急预案策略学习是通过多个连续连接的策略变迁网络以及深层认知网络实现的;
所述对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行应急预案策略学习,生成所述应急事件的应急预案策略矩阵,包括:
依据所述多个连续连接的策略变迁网络对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行连贯的策略变迁处理,生成策略变迁结果;
依据所述深层认知网络对所述策略变迁结果进行深层认知处理,生成所述应急事件的应急预案策略矩阵。
7.根据权利要求6所述的结合时空大数据的应急结构化预案文本生成方法,其特征在于,所述依据所述多个连续连接的策略变迁网络对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行连贯的策略变迁处理,生成策略变迁结果,包括:
依据所述多个连续连接的策略变迁网络的首个策略变迁网络,对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行策略变迁转化;
将所述首个策略变迁网络生成策略变迁转化数据加载至后向连接的策略变迁网络,通过后向连接的策略变迁网络继续进行策略变迁转化以及策略变迁转化数据的生成;
将末个策略变迁网络生成策略变迁转化数据作为所述策略变迁结果。
8.根据权利要求7所述的结合时空大数据的应急结构化预案文本生成方法,其特征在于,每个所述策略变迁网络包括特征聚焦单元以及前向传播神经元集群;
所述通过后向连接的策略变迁网络继续进行策略变迁转化以及策略变迁转化数据的生成,包括:
依据所述多个连续连接的策略变迁网络的第x个策略变迁网络,通过第x个策略变迁网络包括的特征聚焦单元对第x-1个策略变迁网络生成策略变迁转化数据进行特征聚焦,生成所述第x个策略变迁网络的多个特征聚焦数据;
对所述第x个策略变迁网络的多个特征聚焦数据进行集成,生成集成聚焦数据;
对所述集成聚焦数据进行融合,生成融合后的所述集成聚焦数据;
通过第x个策略变迁网络包括的前向传播神经元集群对融合后的所述集成聚焦数据进行前向传播知识训练,生成所述第x个策略变迁网络生成策略变迁转化数据;
将所述第x个策略变迁网络生成策略变迁转化数据加载至第x+1个策略变迁网络;其中,x为依次递增的正整数,1<x<X,X为所述策略变迁网络的计数。
9.根据权利要求1或6所述的结合时空大数据的应急结构化预案文本生成方法,其特征在于,所述对所述过往嵌入表示矢量以及所述自适应结构化预案文本进行应急预案策略学习,生成所述应急事件的应急预案策略矩阵之前,所述方法还包括:
确定所述过往嵌入表示矢量包括的第二策略知识矩阵;
依据所述第二策略知识矩阵,确定所述过往嵌入表示矢量的显著性系数;
依据所述过往嵌入表示矢量的显著性系数,对所述过往嵌入表示矢量进行融合,生成融合后的所述过往嵌入表示矢量;
其中,融合后的所述过往嵌入表示矢量用于与所述自适应结构化预案文本进行应急预案策略学习。
10.一种结合时空大数据的应急结构化预案文本生成系统,其特征在于,包括处理器以及计算机可读存储介质,所述计算机可读存储介质存储有机器可执行指令,所述机器可执行指令被处理器执行时实现权利要求1-9中任意一项所述的结合时空大数据的应急结构化预案文本生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410233135.6A CN117808090B (zh) | 2024-03-01 | 2024-03-01 | 结合时空大数据的应急结构化预案文本生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410233135.6A CN117808090B (zh) | 2024-03-01 | 2024-03-01 | 结合时空大数据的应急结构化预案文本生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117808090A true CN117808090A (zh) | 2024-04-02 |
CN117808090B CN117808090B (zh) | 2024-05-14 |
Family
ID=90433881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410233135.6A Active CN117808090B (zh) | 2024-03-01 | 2024-03-01 | 结合时空大数据的应急结构化预案文本生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808090B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359347A (zh) * | 2008-10-07 | 2009-02-04 | 北京交通大学 | 基于随机Petri网的铁路应急预案的建模方法 |
CN102509164A (zh) * | 2011-11-24 | 2012-06-20 | 广州市地下铁道总公司 | 一种数字应急预案自动生成方法 |
US20180322257A1 (en) * | 2017-05-05 | 2018-11-08 | Bank Of America Corporation | System for identification of treatment and resource deployment based on treatment interaction |
CN109636131A (zh) * | 2018-11-21 | 2019-04-16 | 北京域天科技有限公司 | 一种应急通信智能应急决策支持系统 |
CN111177284A (zh) * | 2019-12-31 | 2020-05-19 | 清华大学 | 应急预案模型生成方法、装置及设备 |
CN111652777A (zh) * | 2020-05-15 | 2020-09-11 | 长江勘测规划设计研究有限责任公司 | 洪灾应急避险方法 |
CN113379053A (zh) * | 2020-12-17 | 2021-09-10 | 中国人民公安大学 | 应急响应决策方法、装置及电子设备 |
CN114399210A (zh) * | 2022-01-18 | 2022-04-26 | 中国地质大学(武汉) | 一种地质灾害应急管理与决策系统、方法及可读存储介质 |
CN115330268A (zh) * | 2022-10-12 | 2022-11-11 | 华北科技学院(中国煤矿安全技术培训中心) | 一种应对矿山灾难的综合性应急指挥方法及系统 |
CN115544267A (zh) * | 2022-09-27 | 2022-12-30 | 广东师大维智信息科技有限公司 | 一种基于知识图谱的多次应急处理的仿真动态验证方法 |
US20240059323A1 (en) * | 2022-08-18 | 2024-02-22 | Gm Cruise Holdings Llc | Dynamic emergency detection and automated responses |
-
2024
- 2024-03-01 CN CN202410233135.6A patent/CN117808090B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359347A (zh) * | 2008-10-07 | 2009-02-04 | 北京交通大学 | 基于随机Petri网的铁路应急预案的建模方法 |
CN102509164A (zh) * | 2011-11-24 | 2012-06-20 | 广州市地下铁道总公司 | 一种数字应急预案自动生成方法 |
US20180322257A1 (en) * | 2017-05-05 | 2018-11-08 | Bank Of America Corporation | System for identification of treatment and resource deployment based on treatment interaction |
CN109636131A (zh) * | 2018-11-21 | 2019-04-16 | 北京域天科技有限公司 | 一种应急通信智能应急决策支持系统 |
CN111177284A (zh) * | 2019-12-31 | 2020-05-19 | 清华大学 | 应急预案模型生成方法、装置及设备 |
CN111652777A (zh) * | 2020-05-15 | 2020-09-11 | 长江勘测规划设计研究有限责任公司 | 洪灾应急避险方法 |
CN113379053A (zh) * | 2020-12-17 | 2021-09-10 | 中国人民公安大学 | 应急响应决策方法、装置及电子设备 |
CN114399210A (zh) * | 2022-01-18 | 2022-04-26 | 中国地质大学(武汉) | 一种地质灾害应急管理与决策系统、方法及可读存储介质 |
US20240059323A1 (en) * | 2022-08-18 | 2024-02-22 | Gm Cruise Holdings Llc | Dynamic emergency detection and automated responses |
CN115544267A (zh) * | 2022-09-27 | 2022-12-30 | 广东师大维智信息科技有限公司 | 一种基于知识图谱的多次应急处理的仿真动态验证方法 |
CN115330268A (zh) * | 2022-10-12 | 2022-11-11 | 华北科技学院(中国煤矿安全技术培训中心) | 一种应对矿山灾难的综合性应急指挥方法及系统 |
Non-Patent Citations (1)
Title |
---|
张海涛 等: "情报智慧赋能:重大突发事件的态势感知", 情报科学, vol. 38, no. 09, 1 September 2020 (2020-09-01), pages 9 - 13 * |
Also Published As
Publication number | Publication date |
---|---|
CN117808090B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oyebode et al. | Neural network modeling of hydrological systems: A review of implementation techniques | |
Davidson et al. | An integrated scenario ensemble‐based framework for hurricane evacuation modeling: Part 1—Decision support system | |
Esquivel et al. | Spatio-temporal prediction of Baltimore crime events using CLSTM neural networks | |
CN103607388B (zh) | 一种apt威胁预测方法及系统 | |
Ghorbani et al. | Short-term wind speed predictions with machine learning techniques | |
Shao et al. | Relief demand forecasting based on intuitionistic fuzzy case-based reasoning | |
JP7219353B2 (ja) | ワークフロー割当ての方法およびシステム | |
Yu et al. | Quantifying community resilience using hierarchical Bayesian kernel methods: A case study on recovery from power outages | |
Szwed et al. | Risk assessment for a video surveillance system based on Fuzzy Cognitive Maps | |
Velev et al. | Challenges of artificial intelligence application for disaster risk Management | |
Yazdani et al. | Elderly people evacuation planning in response to extreme flood events using optimisation-based decision-making systems: A case study in western Sydney, Australia | |
Kaveh et al. | Feasibility of PSO-ANFIS-PSO and GA-ANFIS-GA models in prediction of peak ground acceleration | |
Kyrkou et al. | Machine learning for emergency management: A survey and future outlook | |
Uddin et al. | Systems thinking approach for resilient critical infrastructures in urban disaster management and sustainable development | |
Noureldin et al. | Explainable probabilistic deep learning framework for seismic assessment of structures using distribution‐free prediction intervals | |
Mehla et al. | An ontology supported hybrid approach for recommendation in emergency situations | |
CN117808090B (zh) | 结合时空大数据的应急结构化预案文本生成方法及系统 | |
Massel et al. | Identification of critical objects in reliance on cyber threats in the energy sector | |
Kester et al. | Crime predictive model in cybercrime based on social and economic factors using the Bayesian and Markov theories | |
Yuan et al. | A novel learning approach for citywide crowd flow prediction | |
Taran | Analysis of Complex Natural Processes Activation with Catastrophic Consequences Using Bayesian Belief Network | |
Tumulak et al. | Crime modelling and prediction using neural networks | |
Laachemi et al. | Web services classification for disaster management and risk reduction | |
Stolf et al. | e-Flooding: Crisis Management Through Two Temporal Loops. | |
Demiroluk et al. | Feature selection for ranking of most influential variables for evacuation behavior modeling across disasters |
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 |