CN118037048B - 一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统 - Google Patents

Abstract

一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统，其利用贝叶斯网络的概率推理能力，结合深度学习的特征提取能力，对城市暴雨内涝灾害链中各个环节的暴雨数据进行编码、关联和融合，以得到灾害发生几率的预测值，从而实现对城市暴雨内涝灾害链的风险评估。

Description

一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统

技术领域

本申请涉及智能化风险评估技术领域，并且更具体地，涉及一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统。

背景技术

城市暴雨内涝灾害链是指由于城市排水系统的不完善，导致暴雨引发的内涝灾害进一步引发其他灾害，如交通中断、电力中断、供水中断等，形成一系列的灾害链条。城市暴雨内涝灾害链的风险评估是指对城市暴雨内涝灾害链中各个环节的可能性和后果进行分析和评价，以确定城市暴雨内涝灾害链的整体风险水平。进行城市暴雨内涝灾害链的风险评估的目的是为了提高城市对暴雨内涝灾害的防范能力，减少灾害损失，保障城市安全和可持续发展。

现有的风险评估方式主要有两种：一种是基于单一环节的风险评估，即只考虑城市暴雨内涝灾害链中某一个环节的风险，忽略了其他环节的影响；另一种是基于整体环节的风险评估，即考虑城市暴雨内涝灾害链中所有环节的整体风险，但缺乏对各个环节之间关联性和传递性的分析。这两种风险评估方式都存在一定的问题：基于单一环节的风险评估可能低估或高估城市暴雨内涝灾害链的整体风险，导致防范措施不合理或不充分；基于整体环节的风险评估可能忽略了城市暴雨内涝灾害链中某些关键环节或次生灾害的影响，导致防范措施不针对性或不完善。

因此，期待一种优化的城市暴雨内涝灾害链风险评估系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请提供了一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统，其利用贝叶斯网络的概率推理能力，结合深度学习的特征提取能力，对城市暴雨内涝灾害链中各个环节的暴雨数据进行编码、关联和融合，以得到灾害发生几率的预测值，从而实现对城市暴雨内涝灾害链的风险评估。

第一方面，提供了一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统，其包括：

暴雨数据获取模块，用于获取城市暴雨内涝灾害链中第一环节、第二环节和第三环节的暴雨数据，其中，所述第一环节、所述第二环节和所述第三环节相互影响；

编码处理模块，用于对所述第一环节、所述第二环节和所述第三环节的暴雨数据进行编码处理以得到第一环节暴雨数据编码特征向量、第二环节暴雨数据编码特征向量和第三环节暴雨数据编码特征向量；

环节间关联特征校正模块，用于对所述第一环节暴雨数据编码特征向量、所述第二环节暴雨数据编码特征向量和所述第三环节暴雨数据编码特征向量进行环节间关联特征校正以得到校正后第一环节暴雨数据编码特征向量、校正后第二环节暴雨数据编码特征向量和校正后第三环节暴雨数据编码特征向量；

融合模块，用于使用类贝叶斯概率网络模型来融合所述校正后第一环节暴雨数据编码特征向量、所述校正后第二环节暴雨数据编码特征向量和所述校正后第三环节暴雨数据编码特征向量以得到城市暴雨内涝灾害预测后验特征向量；

灾害发生几率的预测值确定模块，用于基于所述城市暴雨内涝灾害预测后验特征向量，确定灾害发生几率的预测值。

与现有技术相比，本申请提供的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统，其利用贝叶斯网络的概率推理能力，结合深度学习的特征提取能力，对城市暴雨内涝灾害链中各个环节的暴雨数据进行编码、关联和融合，以得到灾害发生几率的预测值，从而实现对城市暴雨内涝灾害链的风险评估。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为根据本申请实施例的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统的框图。

图2为根据本申请实施例的基于贝叶斯网络的城市暴雨内涝灾害链风险评估方法的流程图。

图3为根据本申请实施例的基于贝叶斯网络的城市暴雨内涝灾害链风险评估方法架构的示意图。

图4为根据本申请实施例的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统的应用场景图。

具体实施方式

下面将结合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描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，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的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

在本申请中，提供一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统，可以用于分析和预测城市暴雨内涝灾害的发生、发展和影响，以及制定相应的防范和应对措施。该基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统具体包含以下功能模块：

数据采集和处理模块：该模块负责收集和处理与城市暴雨内涝灾害相关的各类数据，包括气象数据、水文数据、地形数据、土地利用数据、人口数据、基础设施数据、社会经济数据等，以及历史灾害事件数据。该模块还负责对数据进行质量检验、格式转换、空间匹配、统计分析等操作，以便为后续的风险评估提供可靠的输入数据。

灾害链构建和参数化模块：该模块负责根据城市暴雨内涝灾害的发生机理和影响因素，构建城市暴雨内涝灾害链模型，即将城市暴雨内涝灾害划分为若干个子灾害，并确定各个子灾害之间的因果关系和条件概率。该模块还负责根据历史数据和专家知识，对灾害链模型中的各个参数进行估计或赋值，以便为后续的风险评估提供可靠的模型参数。

风险评估和预测模块：该模块负责利用贝叶斯网络算法，根据输入的数据和参数，对城市暴雨内涝灾害链中的各个子灾害的发生概率和影响程度进行评估和预测，并输出相应的风险指标，如风险概率、风险损失、风险等级等。该模块还负责根据不同的情景分析，如不同的气象条件、不同的防范措施等，对风险指标进行动态更新和敏感性分析，以便为后续的风险管理提供可靠的决策支持。

风险管理和决策支持模块：该模块负责根据风险评估和预测的结果，为城市暴雨内涝灾害的防范和应对提供有效的管理和决策支持。该模块包括以下几个子功能：

风险展示功能：该功能负责将风险评估和预测的结果以图形、表格、地图等形式展示给用户，以便用户直观地了解城市暴雨内涝灾害链中各个子灾害的发生概率和影响程度，以及整体风险水平。

风险预警功能：该功能负责根据风险评估和预测的结果，以及用户设定的预警阈值，对城市暴雨内涝灾害进行实时或预先的预警，并通过短信、邮件、电话等方式通知相关人员或部门，以便及时采取应急措施。

风险规避功能：该功能负责根据风险评估和预测的结果，以及用户设定的规避目标，为城市暴雨内涝灾害提供有效的规避方案，如调整排水系统、加固基础设施、转移人口等，并评估规避方案的可行性和成本效益，以便降低风险损失。

风险应对功能：该功能负责根据风险评估和预测的结果，以及用户设定的应对目标，为城市暴雨内涝灾害提供有效的应对方案，如启动应急预案、动员救援资源、恢复生产生活等，并评估应对方案的可行性和成本效益，以便减轻风险影响。

在本申请的一个实施例中，图1为根据本申请实施例的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统的框图。如图1所示，根据本申请实施例的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统100，包括：暴雨数据获取模块110，用于获取城市暴雨内涝灾害链中第一环节、第二环节和第三环节的暴雨数据，其中，所述第一环节、所述第二环节和所述第三环节相互影响；编码处理模块120，用于对所述第一环节、所述第二环节和所述第三环节的暴雨数据进行编码处理以得到第一环节暴雨数据编码特征向量、第二环节暴雨数据编码特征向量和第三环节暴雨数据编码特征向量；环节间关联特征校正模块130，用于对所述第一环节暴雨数据编码特征向量、所述第二环节暴雨数据编码特征向量和所述第三环节暴雨数据编码特征向量进行环节间关联特征校正以得到校正后第一环节暴雨数据编码特征向量、校正后第二环节暴雨数据编码特征向量和校正后第三环节暴雨数据编码特征向量；融合模块140，用于使用类贝叶斯概率网络模型来融合所述校正后第一环节暴雨数据编码特征向量、所述校正后第二环节暴雨数据编码特征向量和所述校正后第三环节暴雨数据编码特征向量以得到城市暴雨内涝灾害预测后验特征向量；灾害发生几率的预测值确定模块150，用于基于所述城市暴雨内涝灾害预测后验特征向量，确定灾害发生几率的预测值。

如上所述，现有的风险评估方式都存在一定的问题：基于单一环节的风险评估可能低估或高估城市暴雨内涝灾害链的整体风险，导致防范措施不合理或不充分；基于整体环节的风险评估可能忽略了城市暴雨内涝灾害链中某些关键环节或次生灾害的影响，导致防范措施不针对性或不完善。

考虑到城市暴雨内涝灾害链是一种由多个相互关联的灾害事件构成的复杂系统，其风险评估需要考虑各个事件和环节之间的影响和传递。而贝叶斯网络可以描述变量之间的概率依赖关系。具体来说，贝叶斯网络可以灵活地建立变量之间的概率依赖关系，能够描述和刻画城市暴雨内涝灾害链中不同环节之间的复杂关联。在实际应用场景中，城市暴雨内涝灾害链涉及多个环节，例如暴雨过程、雨水排放过程、道路积水和建筑物内部积水等，这些环节之间存在相互影响和依赖关系。贝叶斯网络能够有效地捕捉和建模这些复杂的依赖关系，揭示暴雨强度、持续时间等因素对灾害风险的影响程度。因此，在本申请的技术构思中，期待利用贝叶斯网络的机制来进行灾害发生的预测，以实现城市暴雨内涝灾害链的风险评估。具体地，本申请的技术构思为：利用贝叶斯网络的概率推理能力，结合深度学习的特征提取能力，对城市暴雨内涝灾害链中各个环节的暴雨数据进行编码、关联和融合，以得到灾害发生几率的预测值，从而实现对城市暴雨内涝灾害链的风险评估。

基于此，在本申请的技术方案中，首先获取城市暴雨内涝灾害链中第一环节、第二环节和第三环节的暴雨数据，其中，所述第一环节、所述第二环节和所述第三环节相互影响，所述暴雨数据包括暴雨强度和持续时间。这里，获取城市暴雨内涝灾害链中第一环节、第二环节和第三环节的暴雨数据可以用于全面评估城市暴雨内涝灾害的风险。例如，通过对城市暴雨内涝灾害链中第一环节、第二环节和第三环节的暴雨数据进行分析可以从中了解暴雨的基本特征，例如暴雨的规模和持续时间，了解排水系统的状况和疏通情况，了解城市基础设施的脆弱性和抗洪能力。这些信息对于评估城市暴雨内涝灾害的严重程度和潜在关联影响至关重要。

其中，所述暴雨数据包括暴雨强度和持续时间。

然后，使用基于全连接层的暴雨数据编码器分别对所述第一环节、所述第二环节和所述第三环节的暴雨数据进行编码以得到第一环节暴雨数据编码特征向量、第二环节暴雨数据编码特征向量和第三环节暴雨数据编码特征向量。这里，通过所述基于全连接层的暴雨数据编码器可以将各个环节的暴雨数据进行处理和转换，以将原始的离散分布数据转化为具有表征能力的特征向量表示，并描述和刻画各个环节的暴雨数据中的潜在特征。

在本申请的一个具体实施例中，所述编码处理模块，用于：使用基于全连接层的暴雨数据编码器分别对所述第一环节、所述第二环节和所述第三环节的暴雨数据进行编码以得到所述第一环节暴雨数据编码特征向量、所述第二环节暴雨数据编码特征向量和所述第三环节暴雨数据编码特征向量。

接着，将所述第一环节暴雨数据编码特征向量、所述第二环节暴雨数据编码特征向量和所述第三环节暴雨数据编码特征向量排列为特征矩阵后通过基于卷积神经网络模型的环节间暴雨数据关联特征提取器以得到环节间暴雨数据语义关联特征矩阵；并分别以所述第一环节暴雨数据编码特征向量、所述第二环节暴雨数据编码特征向量和所述第三环节暴雨数据编码特征向量作为初始查询特征向量，计算其与所述环节间暴雨数据语义关联特征矩阵的矩阵乘积以得到校正后第一环节暴雨数据编码特征向量、校正后第二环节暴雨数据编码特征向量和校正后第三环节暴雨数据编码特征向量。其中，将所述第一环节暴雨数据编码特征向量、所述第二环节暴雨数据编码特征向量和所述第三环节暴雨数据编码特征向量排列为特征矩阵可以将各个环节的暴雨特征分布进行整合，再将其通过所述基于卷积神经网络模型的环节间暴雨数据关联特征提取器进行特征提取，可以提取各个环节间的暴雨数据语义关联特征。更具体地，卷积神经网络可以用于捕捉环节间暴雨数据的时空关联特征，揭示不同环节之间的依赖关系和传递规律，以构成各个环节间的暴雨数据局部语义关联特征表示。在本申请的技术方案中，将第一环节暴雨数据编码特征向量、第二环节暴雨数据编码特征向量和第三环节暴雨数据编码特征向量分别作为初始查询特征向量，计算其与环节间暴雨数据语义关联特征矩阵的矩阵乘积，可以将所述环节间暴雨数据语义关联特征矩阵所表达的暴雨数据局部语义关联特征表示映射到各个环节的环节内暴雨数据语义全关联特征表示之中，以校正各个环节的暴雨数据语义特征分布的表达，提高特征的表征能力和区分度。

在本申请的一个具体实施例中，所述环节间关联特征校正模块，包括：特征向量排列单元，用于将所述第一环节暴雨数据编码特征向量、所述第二环节暴雨数据编码特征向量和所述第三环节暴雨数据编码特征向量排列为特征矩阵后通过基于卷积神经网络模型的环节间暴雨数据关联特征提取器以得到环节间暴雨数据语义关联特征矩阵；计算单元，用于分别以所述第一环节暴雨数据编码特征向量、所述第二环节暴雨数据编码特征向量和所述第三环节暴雨数据编码特征向量作为初始查询特征向量，计算其与所述环节间暴雨数据语义关联特征矩阵的矩阵乘积以得到所述校正后第一环节暴雨数据编码特征向量、所述校正后第二环节暴雨数据编码特征向量和所述校正后第三环节暴雨数据编码特征向量。

其中，所述基于卷积神经网络模型的环节间暴雨数据关联特征提取器，包括：输入层、卷积层、池化层、激活层和输出层。

进一步地，使用类贝叶斯概率网络模型来融合所述校正后第一环节暴雨数据编码特征向量、所述校正后第二环节暴雨数据编码特征向量和所述校正后第三环节暴雨数据编码特征向量以得到城市暴雨内涝灾害预测后验特征向量。这里，考虑到在城市暴雨内涝灾害链中，不同环节的暴雨数据之间存在一定的概率依赖关系，在本申请的技术方案中，期待使用类贝叶斯概率网络模型来进行数据的融合，以利用类贝叶斯概率网络模型处理不确定性和复杂性的能力来量化所述校正后第一环节暴雨数据编码特征向量、所述校正后第二环节暴雨数据编码特征向量和所述校正后第三环节暴雨数据编码特征向量之间的概率依赖关系，从而提供对灾害预测的后验估计。

在本申请的一个具体实施例中，所述融合模块，用于：使用类贝叶斯概率网络模型以如下类贝叶斯融合公式来融合所述校正后第一环节暴雨数据编码特征向量、所述校正后第二环节暴雨数据编码特征向量和所述校正后第三环节暴雨数据编码特征向量以得到所述城市暴雨内涝灾害预测后验特征向量；其中，所述类贝叶斯融合公式为：

其中，表示所述城市暴雨内涝灾害预测后验特征向量，表示所述校正后第一环节暴雨数据编码特征向量，表示所述校正后第二环节暴雨数据编码特征向量，表示所述校正后第三环节暴雨数据编码特征向量。

随后，将所述城市暴雨内涝灾害预测后验特征向量通过基于解码器的预测器以得到灾害发生几率的预测值。其中，所述基于解码器的预测器可以通过训练数据集来学习输入的所述城市暴雨内涝灾害预测后验特征向量与输出的灾害发生几率的预测值之间的关系。在训练过程中，通过优化模型参数，使得所述基于解码器的预测器能够优化对灾害发生的几率的预测过程，从而在推断过程中，可以提供较为准确的灾害发生几率的预测值。

在本申请的一个具体实施例中，所述灾害发生几率的预测值确定模块，用于：将所述城市暴雨内涝灾害预测后验特征向量通过基于解码器的预测器以得到灾害发生几率的预测值。

进一步地，将所述城市暴雨内涝灾害预测后验特征向量通过基于解码器的预测器以得到灾害发生几率的预测值，用于：使用所述基于解码器的预测器以如下解码公式对所述城市暴雨内涝灾害预测后验特征向量进行解码回归以得到所述灾害发生几率的预测值；

其中，所述解码公式为：，其中，表示所述城市暴雨内涝灾害预测后验特征向量，表示所述灾害发生几率的预测值，表示权重矩阵，表示偏置向量，表示矩阵乘。

在本申请的一个实施例中，所述基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统，其特征在于，还包括用于对所述基于全连接层的暴雨数据编码器、所述基于卷积神经网络模型的环节间暴雨数据关联特征提取器、所述类贝叶斯概率网络模型和所述基于解码器的预测器进行训练的训练模块。所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括城市暴雨内涝灾害链中第一环节、第二环节和第三环节的训练暴雨数据，以及，灾害发生几率的预测值的真实值；训练编码单元，用于使用所述基于全连接层的暴雨数据编码器分别对所述第一环节、所述第二环节和所述第三环节的训练暴雨数据进行编码以得到第一环节训练暴雨数据编码特征向量、第二环节训练暴雨数据编码特征向量和第三环节训练暴雨数据编码特征向量；训练关联特征提取单元，用于将所述第一环节训练暴雨数据编码特征向量、所述第二环节训练暴雨数据编码特征向量和所述第三环节训练暴雨数据编码特征向量排列为特征矩阵后通过所述基于卷积神经网络模型的环节间暴雨数据关联特征提取器以得到训练环节间暴雨数据语义关联特征矩阵；训练计算单元，用于分别以所述第一环节训练暴雨数据编码特征向量、所述第二环节训练暴雨数据编码特征向量和所述第三环节训练暴雨数据编码特征向量作为初始查询特征向量，计算其与所述训练环节间暴雨数据语义关联特征矩阵的矩阵乘积以得到校正后第一环节训练暴雨数据编码特征向量、校正后第二环节训练暴雨数据编码特征向量和校正后第三环节训练暴雨数据编码特征向量；训练融合单元，用于使用所述类贝叶斯概率网络模型来融合所述校正后第一环节训练暴雨数据编码特征向量、所述校正后第二环节训练暴雨数据编码特征向量和所述校正后第三环节训练暴雨数据编码特征向量以得到训练城市暴雨内涝灾害预测后验特征向量；训练解码单元，用于将所述训练城市暴雨内涝灾害预测后验特征向量通过所述基于解码器的预测器以得到解码损失函数值；训练单元，用于以所述解码损失函数值来对所述基于全连接层的暴雨数据编码器、所述基于卷积神经网络模型的环节间暴雨数据关联特征提取器、所述类贝叶斯概率网络模型和所述基于解码器的预测器进行训练，其中，在所述训练的每一轮迭代中，对所述训练城市暴雨内涝灾害预测后验特征向量进行校正。

在上述技术方案中，所述校正后第一环节训练暴雨数据编码特征向量、所述校正后第二环节训练暴雨数据编码特征向量和所述校正后第三环节训练暴雨数据编码特征向量分别表达各个环节的训练暴雨数据的环节内全关联数据编码特征与各个环节间的训练暴雨数据特征局部关联特征的查询式融合表示，这样，在使用类贝叶斯概率网络模型来融合所述校正后第一环节训练暴雨数据编码特征向量、所述校正后第二环节训练暴雨数据编码特征向量和所述校正后第三环节训练暴雨数据编码特征向量时，考虑到在融合了各个环节的环节内全关联数据编码特征和环节间局部关联特征的情况下，所述校正后第一环节训练暴雨数据编码特征向量、所述校正后第二环节训练暴雨数据编码特征向量和所述校正后第三环节训练暴雨数据编码特征向量各自的基于其特定特征分布的特征分布信息显著性会受到影响，使得当所述训练城市暴雨内涝灾害预测后验特征向量通过解码器进行解码时，难以稳定地聚焦于特征的显著局部分布，从而影响训练速度。

基于此，本申请的申请人在每次所述训练城市暴雨内涝灾害预测后验特征向量通过解码器进行解码回归的迭代时，对所述训练城市暴雨内涝灾害预测后验特征向量进行校正，表示为：以如下优化公式在所述训练的每一轮迭代中，对所述训练城市暴雨内涝灾害预测后验特征向量进行校正以得到校正训练城市暴雨内涝灾害预测后验特征向量；其中，所述优化公式为：

其中，和分别是所述训练城市暴雨内涝灾害预测后验特征向量的1范数和2范数的平方，是所述训练城市暴雨内涝灾害预测后验特征向量的长度，且是权重超参数，是所述训练城市暴雨内涝灾害预测后验特征向量的特征值，是所述校正训练城市暴雨内涝灾害预测后验特征向量的特征值，是所述训练城市暴雨内涝灾害预测后验特征向量，表示以2为底的对数函数。

具体地，通过基于所述训练城市暴雨内涝灾害预测后验特征向量的尺度和结构参数来进行其高维特征流形形状的几何注册，可以关注所述训练城市暴雨内涝灾害预测后验特征向量的特征值构成的特征集合中的具有丰富特征语义信息的特征，也就是，在解码器进行解码时的基于局部上下文信息表示不相似性的可区分的稳定兴趣特征，从而实现所述训练城市暴雨内涝灾害预测后验特征向量在解码过程中的特征信息显著性标注，提升解码器的训练速度。

综上，基于本申请实施例的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统100被阐明，其期待利用贝叶斯网络的机制来进行灾害发生的预测，以实现城市暴雨内涝灾害链的风险评估。

如上所述，根据本申请实施例的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统100可以实现在各种终端设备中，例如用于基于贝叶斯网络的城市暴雨内涝灾害链风险评估的服务器等。在一个示例中，根据本申请实施例的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统100与该终端设备也可以是分立的设备，并且该基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

在本申请的一个实施例中，图2为根据本申请实施例的基于贝叶斯网络的城市暴雨内涝灾害链风险评估方法的流程图。图3为根据本申请实施例的基于贝叶斯网络的城市暴雨内涝灾害链风险评估方法架构的示意图。如图2和图3所示，所述基于贝叶斯网络的城市暴雨内涝灾害链风险评估方法，包括：210，获取城市暴雨内涝灾害链中第一环节、第二环节和第三环节的暴雨数据，其中，所述第一环节、所述第二环节和所述第三环节相互影响；220，对所述第一环节、所述第二环节和所述第三环节的暴雨数据进行编码处理以得到第一环节暴雨数据编码特征向量、第二环节暴雨数据编码特征向量和第三环节暴雨数据编码特征向量；230，对所述第一环节暴雨数据编码特征向量、所述第二环节暴雨数据编码特征向量和所述第三环节暴雨数据编码特征向量进行环节间关联特征校正以得到校正后第一环节暴雨数据编码特征向量、校正后第二环节暴雨数据编码特征向量和校正后第三环节暴雨数据编码特征向量；240，使用类贝叶斯概率网络模型来融合所述校正后第一环节暴雨数据编码特征向量、所述校正后第二环节暴雨数据编码特征向量和所述校正后第三环节暴雨数据编码特征向量以得到城市暴雨内涝灾害预测后验特征向量；250，基于所述城市暴雨内涝灾害预测后验特征向量，确定灾害发生几率的预测值。

本领域技术人员可以理解，上述基于贝叶斯网络的城市暴雨内涝灾害链风险评估方法中的各个步骤的具体操作已经在上面参考图1的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统的描述中得到了详细介绍，并因此，将省略其重复描述。

图4为根据本申请实施例的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统的应用场景图。如图4所示，在该应用场景中，首先，获取城市暴雨内涝灾害链中第一环节、第二环节和第三环节的暴雨数据，其中，所述第一环节、所述第二环节和所述第三环节相互影响（例如，如图4中所示意的C1、C2、C3）；然后，将获取的暴雨数据输入至部署有基于贝叶斯网络的城市暴雨内涝灾害链风险评估算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于贝叶斯网络的城市暴雨内涝灾害链风险评估算法对所述暴雨数据进行处理，以确定灾害发生几率的预测值。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (6)

1.一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统，其特征在于，包括：

暴雨数据获取模块，用于获取城市暴雨内涝灾害链中第一环节、第二环节和第三环节的暴雨数据，其中，所述第一环节、所述第二环节和所述第三环节相互影响；

编码处理模块，用于对所述第一环节、所述第二环节和所述第三环节的暴雨数据进行编码处理以得到第一环节暴雨数据编码特征向量、第二环节暴雨数据编码特征向量和第三环节暴雨数据编码特征向量；

环节间关联特征校正模块，用于对所述第一环节暴雨数据编码特征向量、所述第二环节暴雨数据编码特征向量和所述第三环节暴雨数据编码特征向量进行环节间关联特征校正以得到校正后第一环节暴雨数据编码特征向量、校正后第二环节暴雨数据编码特征向量和校正后第三环节暴雨数据编码特征向量；

融合模块，用于使用类贝叶斯概率网络模型来融合所述校正后第一环节暴雨数据编码特征向量、所述校正后第二环节暴雨数据编码特征向量和所述校正后第三环节暴雨数据编码特征向量以得到城市暴雨内涝灾害预测后验特征向量；

灾害发生几率的预测值确定模块，用于基于所述城市暴雨内涝灾害预测后验特征向量，确定灾害发生几率的预测值；

其中，所述编码处理模块，包括：

使用基于全连接层的暴雨数据编码器分别对所述第一环节、所述第二环节和所述第三环节的暴雨数据进行编码以得到所述第一环节暴雨数据编码特征向量、所述第二环节暴雨数据编码特征向量和所述第三环节暴雨数据编码特征向量；

其中，所述环节间关联特征校正模块，包括：

特征向量排列单元，用于将所述第一环节暴雨数据编码特征向量、所述第二环节暴雨数据编码特征向量和所述第三环节暴雨数据编码特征向量排列为特征矩阵后通过基于卷积神经网络模型的环节间暴雨数据关联特征提取器以得到环节间暴雨数据语义关联特征矩阵；

计算单元，用于分别以所述第一环节暴雨数据编码特征向量、所述第二环节暴雨数据编码特征向量和所述第三环节暴雨数据编码特征向量作为初始查询特征向量，计算其与所述环节间暴雨数据语义关联特征矩阵的矩阵乘积以得到所述校正后第一环节暴雨数据编码特征向量、所述校正后第二环节暴雨数据编码特征向量和所述校正后第三环节暴雨数据编码特征向量；

其中，所述融合模块，包括：

使用类贝叶斯概率网络模型以如下类贝叶斯融合公式来融合所述校正后第一环节暴雨数据编码特征向量、所述校正后第二环节暴雨数据编码特征向量和所述校正后第三环节暴雨数据编码特征向量以得到所述城市暴雨内涝灾害预测后验特征向量；其中，所述类贝叶斯融合公式为：

其中，表示所述城市暴雨内涝灾害预测后验特征向量，表示所述校正后第一环节暴雨数据编码特征向量，表示所述校正后第二环节暴雨数据编码特征向量，表示所述校正后第三环节暴雨数据编码特征向量；

其中，所述灾害发生几率的预测值确定模块，包括：

将所述城市暴雨内涝灾害预测后验特征向量通过基于解码器的预测器以得到灾害发生几率的预测值。

2.根据权利要求1所述的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统，其特征在于，所述暴雨数据包括暴雨强度和持续时间。

3.根据权利要求2所述的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统，其特征在于，所述基于卷积神经网络模型的环节间暴雨数据关联特征提取器，包括：输入层、卷积层、池化层、激活层和输出层。

4.根据权利要求3所述的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统，其特征在于，将所述城市暴雨内涝灾害预测后验特征向量通过基于解码器的预测器以得到灾害发生几率的预测值，用于：

使用所述基于解码器的预测器以如下解码公式对所述城市暴雨内涝灾害预测后验特征向量进行解码回归以得到所述灾害发生几率的预测值；

其中，所述解码公式为：，其中，表示所述城市暴雨内涝灾害预测后验特征向量，表示所述灾害发生几率的预测值，表示权重矩阵，表示偏置向量，表示矩阵乘。

5.根据权利要求4所述的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统，其特征在于，还包括用于对所述基于全连接层的暴雨数据编码器、所述基于卷积神经网络模型的环节间暴雨数据关联特征提取器、所述类贝叶斯概率网络模型和所述基于解码器的预测器进行训练的训练模块。

6.根据权利要求5所述的基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统，其特征在于，所述训练模块，包括：

训练数据获取单元，用于获取训练数据，所述训练数据包括城市暴雨内涝灾害链中第一环节、第二环节和第三环节的训练暴雨数据，以及，灾害发生几率的预测值的真实值；

训练编码单元，用于使用所述基于全连接层的暴雨数据编码器分别对所述第一环节、所述第二环节和所述第三环节的训练暴雨数据进行编码以得到第一环节训练暴雨数据编码特征向量、第二环节训练暴雨数据编码特征向量和第三环节训练暴雨数据编码特征向量；

训练关联特征提取单元，用于将所述第一环节训练暴雨数据编码特征向量、所述第二环节训练暴雨数据编码特征向量和所述第三环节训练暴雨数据编码特征向量排列为特征矩阵后通过所述基于卷积神经网络模型的环节间暴雨数据关联特征提取器以得到训练环节间暴雨数据语义关联特征矩阵；

训练计算单元，用于分别以所述第一环节训练暴雨数据编码特征向量、所述第二环节训练暴雨数据编码特征向量和所述第三环节训练暴雨数据编码特征向量作为初始查询特征向量，计算其与所述训练环节间暴雨数据语义关联特征矩阵的矩阵乘积以得到校正后第一环节训练暴雨数据编码特征向量、校正后第二环节训练暴雨数据编码特征向量和校正后第三环节训练暴雨数据编码特征向量；

训练融合单元，用于使用所述类贝叶斯概率网络模型来融合所述校正后第一环节训练暴雨数据编码特征向量、所述校正后第二环节训练暴雨数据编码特征向量和所述校正后第三环节训练暴雨数据编码特征向量以得到训练城市暴雨内涝灾害预测后验特征向量；

训练解码单元，用于将所述训练城市暴雨内涝灾害预测后验特征向量通过所述基于解码器的预测器以得到解码损失函数值；

训练单元，用于以所述解码损失函数值来对所述基于全连接层的暴雨数据编码器、所述基于卷积神经网络模型的环节间暴雨数据关联特征提取器、所述类贝叶斯概率网络模型和所述基于解码器的预测器进行训练，其中，在所述训练的每一轮迭代中，对所述训练城市暴雨内涝灾害预测后验特征向量进行校正。