CN117875520B - 基于动态图时空演化挖掘的公共安全事件预测方法及系统 - Google Patents
基于动态图时空演化挖掘的公共安全事件预测方法及系统 Download PDFInfo
- Publication number
- CN117875520B CN117875520B CN202410273003.6A CN202410273003A CN117875520B CN 117875520 B CN117875520 B CN 117875520B CN 202410273003 A CN202410273003 A CN 202410273003A CN 117875520 B CN117875520 B CN 117875520B
- Authority
- CN
- China
- Prior art keywords
- event
- node
- evolution
- features
- global
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005065 mining Methods 0.000 title claims abstract description 11
- 238000010586 diagram Methods 0.000 claims abstract description 93
- 230000003068 static effect Effects 0.000 claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 230000002123 temporal effect Effects 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 29
- 238000004220 aggregation Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 230000005012 migration Effects 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于动态图时空演化挖掘的公共安全事件预测方法及系统,方法包括:获得预测事件数据集合,由预测事件数据集合构建全局空间静态图;将全局空间静态图中第1至t‑1个节点特征输入至LSTM模型,通过事件演化获得演化节点特征;由全局空间静态图获取第1个节点特征至第t‑1个节点特征的事件时序子图;由事件时序子图和演化节点特征生成时空动态图;基于注意力机制对所有时空动态图和全局空间静态图进行时间与空间关系上的图融合后预测特征P;将预测特征P与事件选择库中的事件信息进行拟合获得预测事件,本发明通过分析公共安全事件的演化过程和发展走向,提高了公共安全事件预测准确率。
Description
技术领域
本发明属于公共安全事件预测领域,具体涉及基于动态图时空演化挖掘的公共安全事件预测方法及系统。
背景技术
预测公共安全事件发展走向是至关重要的,能够使社会及时有效的做出应对措施,包括紧急救援、卫生防护、社会稳定维护等。通过事件预测的方法,尝试预测未来可能发生的趋势和变化,考虑可能的影响和驱动因素。
事件预测是指利用设计好的模型,根据历史数据对未来可能发生的事件进行预测。为了实现这一过程,图生成代事件预测方法受到了广泛关注。现有的图生成代事件预测主要是学习历史事件之间的关系,生成包含历史事件和未来事件及所有事件演化过程的静态事件图,但静态事件图生成方法在预测时存在一定的缺陷,例如静态图生成是基于固定的历史图结构,无法处理事件动态变化的情况导致预测准确率较低。
同时,当前事件图生成即事件之间的关系构建主要为遍历所有事件并计算事件之间的联系,仅仅考虑事件之间空间上的联系,忽略了时间维度,这使得生成的事件图无法宏观地捕获事件演化时的关系变化,导致事件图拓扑结构不准确影响预测。
发明内容
本发明提供了基于动态图时空演化挖掘的公共安全事件预测方法及系统,用于在时间和空间维度上分析公共安全事件的演化过程和发展走向,提高公共安全事件预测准确率。
为达到上述目的,本发明所采用的技术方案是:
本发明第一方面提供了基于动态图时空演化挖掘的公共安全事件预测方法,包括:
获得预测事件数据集合,由预测事件数据集合形成全局实例图;所述全局实例图包括实例触发词以及对应的实例属性;
由实例触发词以及对应的实例属性获得节点特征;基于皮尔逊相关系数计算邻接的两个节点特征之间的关系边,由节点特征和关系边构建全局空间静态图;
将全局空间静态图中第1个节点特征至第t-1个节点特征输入至LSTM模型,通过事件演化获得演化节点特征;由全局空间静态图获取第1个节点特征至第t-1个节点特征的事件时序子图;由事件时序子图和演化节点特征/>生成事件时序演化子图/>;将事件时序演化子图/>输入时间卷积模块获得事件演化临时子图/>;将事件演化临时子图/>输入至空间事件迁移模块获得时空动态图/>;
基于注意力机制对所有时空动态图和全局空间静态图进行时间与空间关系上的图融合获得预测特征P;将预测特征P与事件选择库中的事件信息进行拟合获得预测事件。
进一步的,由实例触发词以及对应的实例属性获得节点特征,包括:
;
;
公式中,表示为实例触发词对应的实例属性;/>表示为实例触发词;/>为实例触发词/>对应的触发词嵌入表示特征;/>表示为预测事件数据集合中实例数量;表示为预测事件数据集合中实例属性的类型数量;/>表示为线性层映射函数;表示为自然语言预训练模型函数;/>表示为第i个节点特征。
进一步的,基于皮尔逊相关系数计算邻接的两个节点特征之间的关系边,包括:
;
公式中,表示为第i个节点特征和第j个节点特征之间的关系边;/>表示为全局空间静态图中第i个节点特征;/>表示为全局空间静态图中第j个节点特征;表示为第i个节点特征和第j个节点特征之间的皮尔逊相关系数。
进一步的,将事件时序演化子图输入时间卷积模块获得事件演化临时子图,包括:
;
公式中,表示为双曲正切函数;/>表示为DIC图卷积网络函数;表示为激活函数;/>表示为Hadamard乘积;其中,所述演化节点特征/>转化为事件演化临时子图/>中的第t个节点特征,记为节点特征/>。
进一步的,将事件演化临时子图输入至空间事件迁移模块获得时空动态图,包括:
在空间关系上对事件演化临时子图进行信息聚合,将所述事件演化临时子图/>中的每个节点特征/>转化为节点聚合特征/>,获得事件演化临时子图;
对事件演化临时子图进行全局表示获得全局特征/>,基于全局特征/>计算事件演化临时子图/>的均值和协方差矩阵获得事件趋势;
沿时间顺序将每个节点聚合特征与后续相邻节点聚合特征/>构建事件对,并对所述事件对进行信息聚合得到演绎序表示特征/>;根据演绎序表示特征和事件趋势/>的相似度将事件演化临时子图/>中的关系边/>更新为演化关系边/>,获得事件演化临时子图/>。
进一步的,在空间关系上对事件演化临时子图进行信息聚合,将所述事件演化临时子图/>中的每个节点特征/>转化为节点聚合特征/>,包括:
;
;
;
;
公式中,表示为前节点特征/>与相邻节点特征的信息融合权重;/>、/>、/>和表示为可学习的权重矩阵;/>表示为激活函数;/>表示为当前节点特征/>的相邻节点特征数量;/>表示为第j个节点特征对应的节点转化特征;/>表示为第i个节点特征对应的节点转化特征;/>表示为当前节点转化特征/>沿时序发展向后相邻的节点转化特征数量;/>表示为激活函数;/>表示为当前节点转化特征/>与相邻节点转化特征的信息融合权重。
进一步的,根据演绎序表示特征和事件趋势/>的相似度将事件演化临时子图/>中的关系边/>更新为演化关系边/>,包括:
;
公式中,表示为计算演绎序表示特征/>和事件趋势/>的余弦相似度。
进一步的,基于注意力机制对所有时空动态图和全局空间静态图进行时间与空间关系上的图融合获得预测特征P,包括:
对时空动态图进行嵌入表示获取空间嵌入特征/>;对全局空间静态图进行嵌入表示获取时序嵌入特征/>;
对时空动态图和全局空间静态图进行扩散拼接获取全局时序图,表达公式为:
;
;
公式中,表示为全局时序图;/>表示为全局空间静态图;/>表示为图融合函数;
对全局时序图进行图嵌入表示获取特征,将特征/>分别和空间嵌入特征/>、时序嵌入特征/>进行交叉注意处理获得时间节点特征/>和空间节点特征/>;
通过门控融合方法对时间节点特征和空间节点特征/>获得预测特征P,计算公式为:
;
;
;
公式中,表示为时间节点特征/>和空间节点特征/>融合的门控权重;/>表示为时间节点特征/>的权重;/>表示为空间节点特征/>的权重;/>表示为融合特征;/>表示为Hadamard乘积;/>表示为融合特征的权重。
进一步的,将特征分别和空间嵌入特征/>、时序嵌入特征/>进行交叉注意处理获得时间节点特征/>和空间节点特征/>,具体公式为:
;
;
公式中,、/>、/>、/>、/>和/>表示为可学习的权重矩阵;d表示为设定的向量长度。
本发明第二方面提供了基于动态图时空演化挖掘的公共安全事件预测系统,包括:
获取单元,用于获得预测事件数据集合,由预测事件数据集合形成全局实例图;所述全局实例图包括实例触发词以及对应的实例属性;
图构建单元,用于由实例触发词以及对应的实例属性获得节点特征;基于皮尔逊相关系数计算邻接的两个节点特征之间的关系边,由节点特征和关系边构建全局空间静态图;
事件演化单元,用于将全局空间静态图中第1个节点特征至第t-1个节点特征输入至LSTM模型,通过事件演化获得演化节点特征;由全局空间静态图获取第1个节点特征至第t-1个节点特征的事件时序子图;由事件时序子图和演化节点特征/>生成事件时序演化子图/>;将事件时序演化子图/>输入时间卷积模块获得事件演化临时子图/>;将事件演化临时子图/>输入至空间事件迁移模块获得时空动态图/>;
事件预测单元,基于注意力机制对所有时空动态图和全局空间静态图进行时间与空间关系上的图融合获得预测特征P;将预测特征P与事件选择库中的事件信息进行拟合获得预测事件。
与现有技术相比,本发明的有益效果:
本发明中使全局空间静态图来表示公共安全事件中各实例之间的联系和演变过程,并采用了动态图演化生成技术获得时空动态图,在节点数量动态变化的基础之上,挖掘各节点之间依赖关系的动态变化,有利提高公共安全事件预测的准确性。
本发明中基于注意力机制对所有时空动态图和全局空间静态图进行时间与空间关系上的图融合获得预测特征P;将预测特征P与事件选择库中的事件信息进行拟合获得预测事件;用于分析公共安全事件的演化过程和发展走向,提高了公共安全事件预测准确率。
附图说明
图1为本实施例1提供了公共安全事件预测方法的流程图;
图2为本实施例1提供了时空动态图的生成流程图;
图3为本实施例1提供了时间卷积模块和空间事件迁移模块的结构图;
图4为本实施例1提供了空间事件迁移模块的结构图;
图5为本实施例1提供了时间与空间关系上的图融合的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
如图1至图5所示,本实施提供了基于动态图时空演化挖掘的公共安全事件预测方法,包括:
获得预测事件数据集合,由预测事件数据集合形成全局实例图;所述全局实例图包括实例触发词以及对应的实例属性;
使用自然语言预训练模型(简称RoBERT模型)对全局实例图、实例触发词和实例属性进行词嵌入表示;通过线性层映射将实例触发词以及对应的实例属性到同一维度获得节点特征,包括:
;
;
公式中,表示为实例触发词对应的实例属性;/>表示为实例触发词;/>为实例触发词/>对应的触发词嵌入表示特征;/>表示为预测事件数据集合中实例数量;表示为预测事件数据集合中实例属性的类型数量;/>表示为线性层映射函数;表示为自然语言预训练模型函数;/>表示为第i个节点特征。
基于皮尔逊相关系数计算邻接的两个节点特征之间的关系边,包括:
;
公式中,表示为第i个节点特征和第j个节点特征之间的关系边;/>表示为全局空间静态图中第i个节点特征;/>表示为全局空间静态图中第j个节点特征;表示为第i个节点特征和第j个节点特征之间的皮尔逊相关系数。
由节点特征和关系边构建全局空间静态图;将全局空间静态图中第1个节点特征至第t-1个节点特征输入至长短期记忆递归神经网络(简称为LSTM模型),通过事件演化获得演化节点特征;计算公式为:
;
本实施例中节点特征的序号t依次由2取值至;由全局空间静态图获取第1个节点特征至第t-1个节点特征的事件时序子图;由事件时序子图和演化节点特征/>生成事件时序演化子图/>;将事件时序演化子图/>输入时间卷积模块获得事件演化临时子图/>,包括:
;
公式中,表示为双曲正切函数;/>表示为DIC图卷积网络函数;表示为激活函数;/>表示为Hadamard乘积;所述演化节点特征/>转化为事件演化临时子图/>中的第t个节点特征,记为节点特征/>。
将事件演化临时子图输入至空间事件迁移模块获得时空动态图,包括:
在空间关系上对事件演化临时子图进行信息聚合,将所述事件演化临时子图/>中的每个节点特征/>转化为节点聚合特征/>,获得事件演化临时子图,表达公式为:
;
;
;
;
公式中,表示为前节点特征/>与相邻节点特征的信息融合权重;/>、/>、/>和表示为可学习的权重矩阵;/>表示为激活函数;/>表示为当前节点特征/>的相邻节点特征数量;/>表示为第j个节点特征对应的节点转化特征;/>表示为第i个节点特征对应的节点转化特征;/>表示为当前节点转化特征/>沿时序发展向后相邻的节点转化特征数量;/>表示为激活函数;/>表示为当前节点转化特征/>与相邻节点转化特征的信息融合权重。
对事件演化临时子图进行全局表示获得全局特征/>,基于全局特征/>计算事件演化临时子图/>的均值和协方差矩阵获得事件趋势;
沿时间顺序将每个节点聚合特征与后续相邻节点聚合特征/>构建事件对,并对所述事件对进行信息聚合得到演绎序表示特征/>;
根据演绎序表示特征和事件趋势/>的相似度将事件演化临时子图中的关系边/>更新为演化关系边/>,获得事件演化临时子图,计算公式为:
;
公式中,表示为计算演绎序表示特征/>和事件趋势/>的余弦相似度。
基于注意力机制对所有时空动态图和全局空间静态图进行时间与空间关系上的图融合获得预测特征P,包括:
对时空动态图进行嵌入表示获取空间嵌入特征/>;对全局空间静态图进行嵌入表示获取时序嵌入特征/>;
对时空动态图和全局空间静态图进行扩散拼接获取全局时序图,表达公式为:
;
;
公式中,表示为全局时序图;/>表示为全局空间静态图;/>表示为图融合函数;其中,将节点聚合特征/>和节点特征/>拼接融合为节点融合特征/>,将演化关系边/>和关系边/>融合拼接融合为融合关系边;
对全局时序图进行图嵌入表示获取特征,将特征/>分别和空间嵌入特征/>、时序嵌入特征/>进行交叉注意处理获得时间节点特征/>和空间节点特征/>,具体公式为:
;
;
公式中,、/>、/>、/>、/>和/>表示为可学习的权重矩阵;d表示为设定的向量长度。
通过门控融合方法对时间节点特征和空间节点特征/>获得预测特征P,计算公式为:
;
;
;
公式中,表示为时间节点特征/>和空间节点特征/>融合的门控权重;/>表示为时间节点特征/>的权重;/>表示为空间节点特征/>的权重;/>表示为融合特征;/>表示为融合特征的权重;
将预测特征P与事件选择库中的事件信息进行拟合获得预测事件。
本实施例中使全局空间静态图来表示公共安全事件中各实例之间的联系和演变过程,并采用了动态图演化生成技术获得时空动态图,在节点数量动态变化的基础之上,挖掘各节点之间依赖关系的动态变化。
基于注意力机制对所有时空动态图和全局空间静态图进行时间与空间关系上的图融合,捕捉事件演化时的隐式结构演化,挖掘节点的时间和空间依赖关系获得预测特征,用于分析公共安全事件的演化过程和发展走向,提高了公共安全事件预测准确率。
实施例2
本实施例提供了基于动态图时空演化挖掘的公共安全事件预测系统,所述系统可以应用于实施例1所述的方法,系统包括:
获取单元,用于获得预测事件数据集合,由预测事件数据集合形成全局实例图;所述全局实例图包括实例触发词以及对应的实例属性;
图构建单元,用于由实例触发词以及对应的实例属性获得节点特征;基于皮尔逊相关系数计算邻接的两个节点特征之间的关系边,由节点特征和关系边构建全局空间静态图;
事件演化单元,用于将全局空间静态图中第1个节点特征至第t-1个节点特征输入至LSTM模型,通过事件演化获得演化节点特征;由全局空间静态图获取第1个节点特征至第t-1个节点特征的事件时序子图;由事件时序子图和演化节点特征/>生成事件时序演化子图/>;将事件时序演化子图/>输入时间卷积模块获得事件演化临时子图/>;将事件演化临时子图/>输入至空间事件迁移模块获得时空动态图/>;
事件预测单元,基于注意力机制对所有时空动态图和全局空间静态图进行时间与空间关系上的图融合获得预测特征P;将预测特征P与事件选择库中的事件信息进行拟合获得预测事件。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.基于动态图时空演化挖掘的公共安全事件预测方法,其特征在于,包括:
获得预测事件数据集合,由预测事件数据集合形成全局实例图;所述全局实例图包括实例触发词以及对应的实例属性;
由实例触发词以及对应的实例属性获得节点特征;基于皮尔逊相关系数计算邻接的两个节点特征之间的关系边,由节点特征和关系边构建全局空间静态图;
将全局空间静态图中第1个节点特征至第t-1个节点特征输入至LSTM模型,通过事件演化获得演化节点特征;由全局空间静态图获取第1个节点特征至第t-1个节点特征的事件时序子图;由事件时序子图和演化节点特征/>生成事件时序演化子图/>;将事件时序演化子图/>输入时间卷积模块获得事件演化临时子图/>;将事件演化临时子图输入至空间事件迁移模块获得时空动态图/>;
基于注意力机制对所有时空动态图和全局空间静态图进行时间与空间关系上的图融合获得预测特征P;将预测特征P与事件选择库中的事件信息进行拟合获得预测事件。
2.根据权利要求1所述的公共安全事件预测方法,其特征在于,由实例触发词以及对应的实例属性获得节点特征,包括:
;
;
公式中,表示为实例触发词对应的实例属性;/>表示为实例触发词;/>为实例触发词/>对应的触发词嵌入表示特征;/>表示为预测事件数据集合中实例数量;表示为预测事件数据集合中实例属性的类型数量;/>表示为线性层映射函数;表示为自然语言预训练模型函数;/>表示为第i个节点特征。
3.根据权利要求2所述的公共安全事件预测方法,其特征在于,基于皮尔逊相关系数计算邻接的两个节点特征之间的关系边,包括:
;
公式中,表示为第i个节点特征和第j个节点特征之间的关系边;/>表示为全局空间静态图中第i个节点特征;/>表示为全局空间静态图中第j个节点特征;/>表示为第i个节点特征和第j个节点特征之间的皮尔逊相关系数。
4.根据权利要求1所述的公共安全事件预测方法,其特征在于,将事件时序演化子图输入时间卷积模块获得事件演化临时子图/>,包括:
;
公式中,表示为双曲正切函数;/>表示为DIC图卷积网络函数;表示为激活函数;/>表示为Hadamard乘积;其中,所述演化节点特征/>转化为事件演化临时子图/>中的第t个节点特征,记为节点特征/>。
5.根据权利要求1所述的公共安全事件预测方法,其特征在于,将事件演化临时子图输入至空间事件迁移模块获得时空动态图/>,包括:
在空间关系上对事件演化临时子图进行信息聚合,将所述事件演化临时子图中的每个节点特征/>转化为节点聚合特征/>,获得事件演化临时子图;
对事件演化临时子图进行全局表示获得全局特征/>,基于全局特征计算事件演化临时子图/>的均值和协方差矩阵获得事件趋势/>;
沿时间顺序将每个节点聚合特征与后续相邻节点聚合特征/>构建为事件对,并对所述事件对进行信息聚合得到演绎序表示特征/>;根据演绎序表示特征和事件趋势/>的相似度将事件演化临时子图/>中的关系边/>更新为演化关系边/>,获得事件演化临时子图/>。
6.根据权利要求5所述的公共安全事件预测方法,其特征在于,在空间关系上对事件演化临时子图进行信息聚合,将所述事件演化临时子图/>中的每个节点特征/>转化为节点聚合特征/>,包括:
;
;
;
;
公式中,表示为前节点特征/>与相邻节点特征的信息融合权重;/>、/>、/>和/>表示为可学习的权重矩阵;/>表示为激活函数;/>表示为当前节点特征/>的相邻节点特征数量;/>表示为第j个节点特征对应的节点转化特征;/>表示为第i个节点特征对应的节点转化特征;/>表示为当前节点转化特征/>沿时序发展向后相邻的节点转化特征数量;/>表示为激活函数;/>表示为当前节点转化特征/>与相邻节点转化特征的信息融合权重。
7.根据权利要求5所述的公共安全事件预测方法,其特征在于,根据演绎序表示特征和事件趋势/>的相似度将事件演化临时子图/>中的关系边/>更新为演化关系边/>,包括:
;
公式中,表示为计算演绎序表示特征/>和事件趋势的余弦相似度。
8.根据权利要求7所述的公共安全事件预测方法,其特征在于,基于注意力机制对所有时空动态图和全局空间静态图进行时间与空间关系上的图融合获得预测特征P,包括:
对时空动态图进行嵌入表示获取空间嵌入特征/>;对全局空间静态图进行嵌入表示获取时序嵌入特征/>;
对时空动态图和全局空间静态图进行扩散拼接获取全局时序图,表达公式为:
;
;
公式中,表示为全局时序图;/>表示为全局空间静态图;/>表示为图融合函数;
对全局时序图进行图嵌入表示获取特征,将特征/>分别和空间嵌入特征/>、时序嵌入特征/>进行交叉注意处理获得时间节点特征/>和空间节点特征/>;
通过门控融合方法对时间节点特征和空间节点特征/>获得预测特征P,计算公式为:
;
;
;
公式中,表示为时间节点特征/>和空间节点特征/>融合的门控权重;表示为时间节点特征/>的权重;/>表示为空间节点特征/>的权重;表示为融合特征;/>表示为Hadamard乘积;/>表示为融合特征的权重;表示为激活函数。
9.根据权利要求8所述的公共安全事件预测方法,其特征在于,将特征分别和空间嵌入特征/>、时序嵌入特征/>进行交叉注意处理获得时间节点特征和空间节点特征/>,具体公式为:
;
;
公式中,、/>、/>、/>、/>和/>表示为可学习的权重矩阵;d表示为设定的向量长度。
10.基于动态图时空演化挖掘的公共安全事件预测系统,其特征在于,包括:
获取单元,用于获得预测事件数据集合,由预测事件数据集合形成全局实例图;所述全局实例图包括实例触发词以及对应的实例属性;
图构建单元,用于由实例触发词以及对应的实例属性获得节点特征;基于皮尔逊相关系数计算邻接的两个节点特征之间的关系边,由节点特征和关系边构建全局空间静态图;
事件演化单元,用于将全局空间静态图中第1个节点特征至第t-1个节点特征输入至LSTM模型,通过事件演化获得演化节点特征;由全局空间静态图获取第1个节点特征至第t-1个节点特征的事件时序子图;由事件时序子图和演化节点特征/>生成事件时序演化子图/>;将事件时序演化子图/>输入时间卷积模块获得事件演化临时子图/>;将事件演化临时子图/>输入至空间事件迁移模块获得时空动态图/>;
事件预测单元,基于注意力机制对所有时空动态图和全局空间静态图进行时间与空间关系上的图融合获得预测特征P;将预测特征P与事件选择库中的事件信息进行拟合获得预测事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410273003.6A CN117875520B (zh) | 2024-03-11 | 2024-03-11 | 基于动态图时空演化挖掘的公共安全事件预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410273003.6A CN117875520B (zh) | 2024-03-11 | 2024-03-11 | 基于动态图时空演化挖掘的公共安全事件预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117875520A CN117875520A (zh) | 2024-04-12 |
CN117875520B true CN117875520B (zh) | 2024-05-14 |
Family
ID=90595199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410273003.6A Active CN117875520B (zh) | 2024-03-11 | 2024-03-11 | 基于动态图时空演化挖掘的公共安全事件预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117875520B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468328A (zh) * | 2021-06-18 | 2021-10-01 | 浙江工业大学 | 一种多属性事理关系抽取及可视分析方法 |
CN117035073A (zh) * | 2023-08-16 | 2023-11-10 | 南京信息工程大学 | 一种基于分层事件发展模式归纳的未来气象事件预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK179049B1 (en) * | 2016-06-11 | 2017-09-18 | Apple Inc | Data driven natural language event detection and classification |
US10395772B1 (en) * | 2018-10-17 | 2019-08-27 | Tempus Labs | Mobile supplementation, extraction, and analysis of health records |
-
2024
- 2024-03-11 CN CN202410273003.6A patent/CN117875520B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468328A (zh) * | 2021-06-18 | 2021-10-01 | 浙江工业大学 | 一种多属性事理关系抽取及可视分析方法 |
CN117035073A (zh) * | 2023-08-16 | 2023-11-10 | 南京信息工程大学 | 一种基于分层事件发展模式归纳的未来气象事件预测方法 |
Non-Patent Citations (3)
Title |
---|
"Graph Attention Network for Text Classification and Detection of Mental Disorder";Usman Ahmed等;《ACM Journals》;20230522;第1-31页 * |
"社会网络中社团K-匿名研究";荣欢;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215;I138-151页 * |
"面向蛇毒案件的事件网络自动构建与应用方法研究";段锡辉;《中国优秀硕士学位论文全文数据库 社会科学I辑》;20230215;G118-79页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117875520A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gupta et al. | Resource usage prediction of cloud workloads using deep bidirectional long short term memory networks | |
Chen et al. | A novel reinforced dynamic graph convolutional network model with data imputation for network-wide traffic flow prediction | |
CN112863180A (zh) | 交通速度预测方法、装置、电子设备及计算机可读介质 | |
Tan et al. | Fine-grained classification via hierarchical bilinear pooling with aggregated slack mask | |
US11501110B2 (en) | Descriptor learning method for the detection and location of objects in a video | |
Zhang et al. | Energy theft detection in an edge data center using threshold-based abnormality detector | |
Szabo et al. | Formalization of weak emergence in multiagent systems | |
CN112784685A (zh) | 基于多尺度引导注意力机制网络的人群计数方法及系统 | |
CN116187555A (zh) | 基于自适应动态图的交通流预测模型构建方法及预测方法 | |
Luan et al. | Out-of-distribution detection for deep neural networks with isolation forest and local outlier factor | |
CN110929951B (zh) | 一种用于电网告警信号的关联分析和预测方法 | |
CN115691137B (zh) | 一种基于因果马尔科夫模型的多模态数据预测方法 | |
CN110163060B (zh) | 图像中人群密度的确定方法及电子设备 | |
Lin et al. | Dynamic causal graph convolutional network for traffic prediction | |
CN117035073B (zh) | 一种基于分层事件发展模式归纳的未来气象事件预测方法 | |
CN116486622A (zh) | 基于道路数据的交通智能规划系统及其方法 | |
Dai et al. | Attention based simplified deep residual network for citywide crowd flows prediction | |
CN116403253A (zh) | 基于卷积神经网络的人脸识别监控管理系统及其方法 | |
CN116843083A (zh) | 基于混合神经网络模型的碳排放预测系统及方法 | |
Prabowo et al. | Because every sensor is unique, so is every pair: Handling dynamicity in traffic forecasting | |
Han et al. | BigST: Linear Complexity Spatio-Temporal Graph Neural Network for Traffic Forecasting on Large-Scale Road Networks | |
Son et al. | Partial convolutional LSTM for spatiotemporal prediction of incomplete data | |
CN113553577A (zh) | 基于超球面变分自动编码器的未知用户恶意行为检测方法及系统 | |
CN112738647A (zh) | 一种基于多层级编码-解码器的视频描述方法及系统 | |
CN117875520B (zh) | 基于动态图时空演化挖掘的公共安全事件预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |