CN113379053A - 应急响应决策方法、装置及电子设备 - Google Patents
应急响应决策方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113379053A CN113379053A CN202011493710.4A CN202011493710A CN113379053A CN 113379053 A CN113379053 A CN 113379053A CN 202011493710 A CN202011493710 A CN 202011493710A CN 113379053 A CN113379053 A CN 113379053A
- Authority
- CN
- China
- Prior art keywords
- risk
- bayesian network
- node
- knowledge graph
- network model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种应急响应决策方法、装置及电子设备,方法应用于服务器,服务器中预存有具有映射关系的风险知识图谱和贝叶斯网络模型;风险知识图谱用于存储与展示事件的相关知识;贝叶斯网络模型用于基于风险知识图谱对事件进行推理分析;获取目标事件的事件信息;基于风险知识图谱,获取事件信息对应的关联信息;将事件信息和关联信息输入至贝叶斯网络模型,得到各节点分别对应的概率分布;基于各节点分别对应的概率分布,确定目标事件的风险值;根据风险值,确定目标事件对应的调度资源;基于风险知识图谱,获取调度资源对应的最佳资源。本申请能够通过风险知识图谱和贝叶斯网络模型的映射关系,对目标事件进行快速地风险推理及决策。
Description
技术领域
本申请涉及应急响应决策技术领域,尤其是涉及一种应急响应决策方法、装置及电子设备。
背景技术
目前在应急响应决策领域,提出的方法大多是基于预案和基于规则的方法。即在灾害事故发生时往往根据应急预案进行响应,或者基于根据基于专家知识而制定的一系列规则,在不同场景完成响应。这种响应机制往往无法从现有的应急预案推理出在未来可能产生的影响,也无法在发生真实灾害事故后,给用户提供详细的事故信息。
发明内容
本申请的目的在于提供一种应急响应决策方法、装置及电子设备,能够通过风险知识图谱和贝叶斯网络模型的映射关系,对目标事件进行快速地风险推理及决策。
第一方面,本申请实施例提供一种应急响应决策方法,方法应用于服务器,服务器中预存有具有映射关系的风险知识图谱和贝叶斯网络模型;风险知识图谱用于存储与展示事件的相关知识;贝叶斯网络模型用于基于风险知识图谱对事件进行推理分析;方法包括:获取目标事件的事件信息;基于风险知识图谱,获取事件信息对应的关联信息;将事件信息和关联信息输入至贝叶斯网络模型,得到各节点分别对应的概率分布;基于各节点分别对应的概率分布,确定目标事件的风险值;根据风险值,确定目标事件对应的调度资源;基于风险知识图谱,获取调度资源对应的最佳资源。
进一步的,上述贝叶斯网络模型的构建过程如下:获取目标事件对应的历史样本数据;基于历史样本数据确定目标事件对应的风险因子;以风险因子作为网络节点,构建贝叶斯网络;通过DS证据理论或EM证据合成算法,学习贝叶斯网络的网络参数;对贝叶斯网络进行敏感性分析、情景分析,以对贝叶斯网络进行模型验证,得到贝叶斯网络模型。
进一步的,上述风险知识图谱的生成过程如下:将历史样本数据输入贝叶斯网络模型,得到各节点分别对应的概率分布;基于各节点分别对应的概率分布,计算各节点对应的期望值;根据各节点对应的期望值,进行目标事件的相关知识的抽取、建模和存储,得到知识图谱,并计算历史样本数据的风险值;将风险值映射于知识图谱中,生成与贝叶斯网络模型具有映射关系的风险知识图谱。
进一步的,上述在计算历史样本数据的风险值的步骤之后,还包括:根据风险值,确定历史样本数据对应的风险等级。
进一步的,上述根据各节点对应的期望值,进行目标事件的相关知识的抽取、建模和存储的步骤,包括:将期望值超过预设阈值的节点作为目标收集点,抽取目标收集点对应的相关知识进行知识建模和知识存储。
进一步的,上述每个节点对应多个节点状态值;基于各节点分别对应的概率分布,确定目标事件的风险值的步骤,包括:根据各节点分别对应的概率分布和节点状态值,计算各节点分别对应的期望值;基于各节点分别对应的期望值及PRA理论,计算目标事件对应的风险值。
进一步的,上述根据各节点分别对应的概率分布和节点状态值,计算各节点分别对应的期望值的步骤,包括:将每个节点作为当前节点,均执行以下步骤:以当前节点对应的节点状态值为权重值,对当前节点对应的概率分布进行加权求和,得到当前节点对应的期望值。
第二方面,本申请实施例还提供一种应急响应决策装置,装置应用于服务器,服务器中预存有具有映射关系的风险知识图谱和贝叶斯网络模型;风险知识图谱用于存储与展示事件的相关知识;贝叶斯网络模型用于基于风险知识图谱对事件进行推理分析;装置包括:信息获取模块,用于获取目标事件的事件信息;并基于风险知识图谱,获取事件信息对应的关联信息;模型预测模块,用于将事件信息和关联信息输入至贝叶斯网络模型,得到各节点分别对应的概率分布;风险确定模块,用于基于各节点分别对应的概率分布,确定目标事件的风险值;资源确定模块,用于根据风险值,确定目标事件对应的调度资源;并基于风险知识图谱,获取调度资源对应的最佳资源。
第三方面,本申请实施例还提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现上述第一方面所述的方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述第一方面所述的方法。
本申请实施例提供的应急响应决策方法应用于服务器,服务器中预存有具有映射关系的风险知识图谱和贝叶斯网络模型;风险知识图谱用于存储与展示事件的相关知识;贝叶斯网络模型用于基于风险知识图谱对事件进行推理分析;方法包括:获取目标事件的事件信息;基于风险知识图谱,获取事件信息对应的关联信息;将事件信息和关联信息输入至贝叶斯网络模型,得到各节点分别对应的概率分布;基于各节点分别对应的概率分布,确定目标事件的风险值;根据风险值,确定目标事件对应的调度资源;基于风险知识图谱,获取调度资源对应的最佳资源。本申请实施例中,当用户进行应急响应决策时,知识图谱为用户提供了知识基础和高可视化的知识展示。同时,用户可以使用贝叶斯网络模型在获取知识的同时进行推理,以发现哪种应急响应方式更加有效,最后用户可以通过知识图谱,调配资源,完成实时的应急响应与决策。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本申请的一些实施方式,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为本申请实施例提供的一种应急响应决策方法的流程图;
图2为本申请实施例提供的一种风险知识图谱和贝叶斯网络模型的映射关系示意图;
图3为本申请实施例提供的一种基于贝叶斯网络与知识图谱的应急响应决策框架流程的示意图;
图4为本申请实施例提供的一种贝叶斯网络模型的构建过程示意图;
图5为本申请实施例提供的一种案例的详细分析过程的示意图;
图6为本申请实施例提供的另一种案例的详细分析过程的示意图;
图7为本申请实施例提供的一种应急响应决策装置的结构框图;
图8为本申请实施例提供的另一种应急响应决策装置的结构框图;
图9为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本申请的技术方案进行清楚、完整地描述,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。
现有应急响应决策方法大多是基于预案和基于规则的方法。即在灾害事故发生时往往根据应急预案进行响应,或者基于根据基于专家知识而制定的一系列规则,在不同场景完成响应。这种响应机制往往无法从现有的应急预案推理出在未来可能产生的影响,也无法在发生真实灾害事故后,给用户提供详细的事故信息。
基于此,本申请实施例提供一种应急响应决策方法、装置及电子设备,能够通过风险知识图谱和贝叶斯网络模型的映射关系,对目标事件进行快速地风险推理及决策。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种应急响应决策方法进行详细介绍。
图1为本申请实施例提供的一种应急响应决策方法的流程图,该方法应用于服务器,服务器中预存有具有映射关系的风险知识图谱和贝叶斯网络模型;风险知识图谱和贝叶斯网络模型的映射关系如图2所示,风险知识图谱用于存储与展示事件的相关知识;贝叶斯网络模型用于基于风险知识图谱对事件进行推理分析;贝叶斯网络模型可以从风险知识图谱获取实例,同时风险知识图谱借助贝叶斯网络模型进行推理。贝叶斯网络模型和风险知识图谱都是由节点和边构成,因此能够共享节点。两者都能融合多源知识,同时都能高可视化表示。
该方法具体包括以下步骤:
步骤S102,获取目标事件的事件信息,并基于风险知识图谱,获取事件信息对应的关联信息。
上述目标事件可以是有关人身财产安全的需要进行紧急响应决策的事件。目标事件的事件信息为该事件的初始基本信息。
通过风险知识图谱,可以找出该事件信息的关联信息。
步骤S104,将事件信息和关联信息输入至贝叶斯网络模型,得到各节点分别对应的概率分布。
将上述获取到的信息作为先验知识输入到贝叶斯网络模型中,可以得到各节点分别对应的概率分布。
步骤S106,基于各节点分别对应的概率分布,确定目标事件的风险值。
上述贝叶斯网络模型中,每个节点对应多个节点状态值;具体风险值的计算过程如下:
(1)根据各节点分别对应的概率分布和节点状态值,计算各节点分别对应的期望值;具体的,将每个节点作为当前节点,均执行以下步骤:以当前节点对应的节点状态值为权重值,对当前节点对应的概率分布进行加权求和,得到当前节点对应的期望值。
贝叶斯网络节点的期望值是将节点概率分布与节点状态相乘得到。例如,贝叶斯网络包含节点“网络安全指数”“***脆弱性指数”,这些节点的状态值都被描述为“高、中、低”。因此,当先验知识引入贝叶斯网络时,可以为每个状态赋值,然后得到每个节点的具体值。
以“***脆弱性指数”为例。以视频专网的“漏洞数量”、“漏洞种类数”等基础属性作为贝叶斯网络的先验信息输入,得到“***脆弱性指数”节点的概率分布。在贝叶斯网络中,节点“***脆弱性指数”有三种状态:“高、中、低”,因此可以设置高=5、中=3、低=1,利用下式计算***脆弱性指数。
***脆弱性指数=5×P_High+3×P_Medium+1×P_Low;
其中,P_High是“***脆弱性指数”状态“高”的概率;P_Medium是“***脆弱性指数”状态“中”的概率;P_Low是“***脆弱性指数”状态“低”的概率。
通过上式,可以计算出各节点分别对应的期望值。
(2)基于各节点分别对应的期望值及PRA理论,计算目标事件对应的风险值。
概率风险评估理论(PRA)是研究基础设施遭受外部攻击风险的常用方法。PRA是从自然灾害和意外事故的风险分析得出的。PRA方法要求所有概率作为静态输入。
上述脆弱性来自贝叶斯网络中的节点期望值,结果则是事故后果节点的期望值,通过上述风险计算公式可以计算出目标事件的风险值。
步骤S108,根据风险值,确定目标事件对应的调度资源,并基于风险知识图谱,获取调度资源对应的最佳资源。
比如,上述风险值达到一定阈值,确定需要强化安全力量,并需要相关工作人员参与调查,从风险知识图谱中找到最佳救援资源,即分别调派哪几个地区的哪些工作人员进行目标事件的响应。
本申请实施例提供的应急响应决策方法应用于服务器,服务器中预存有具有映射关系的风险知识图谱和贝叶斯网络模型;风险知识图谱用于存储与展示事件的相关知识;贝叶斯网络模型用于基于风险知识图谱对事件进行推理分析;方法包括:获取目标事件的事件信息;基于风险知识图谱,获取事件信息对应的关联信息;将事件信息和关联信息输入至贝叶斯网络模型,得到各节点分别对应的概率分布;基于各节点分别对应的概率分布,确定目标事件的风险值;根据风险值,确定目标事件对应的调度资源;基于风险知识图谱,获取调度资源对应的最佳资源。本申请实施例中,当用户进行应急响应决策时,风险知识图谱为用户提供了知识基础和高可视化的知识展示。同时,用户可以使用贝叶斯网络模型在获取知识的同时进行推理,以发现哪种应急响应方式更加有效,最后用户可以通过知识图谱,调配资源,完成实时的应急响应与决策。
图3示出了本申请实施例提供的基于贝叶斯网络与知识图谱的应急响应决策框架流程,以城市重点目标发生紧急事件为例,解释本申请实施例中的方法。
(1)首先对城市重点目标发生的紧急事件的风险进行详细的风险因素识别。从规模,使用的材料或设备,事件发生环境,目标吸引力,防范水平,应急响应等方面,提出全面的风险因素,整理了较为完善的领域风险框架,为风险分析和风险评估奠定基础。
(2)针对风险因素,构建基于贝叶斯网络的个性化的风险分析方法。首先选择合适的风险因素,通过机器学习算法从已有的样本数据中确定重要风险因子,并作为贝叶斯网络的节点。接着利用专家经验和样本学习的方法构建贝叶斯网络结构,然后使用D-Sevidence theory证据理论或者EM 证据合成算法学习贝叶斯网络参数,并对构建好的贝叶斯网络模型进行敏感性分析,情景分析与案例研究,参见图4所示。
即上述贝叶斯网络模型的构建过程如下:
获取目标事件对应的历史样本数据;基于历史样本数据确定目标事件对应的风险因子;以风险因子作为网络节点,构建贝叶斯网络;通过DS证据理论或EM证据合成算法,学习贝叶斯网络的网络参数;对贝叶斯网络进行敏感性分析、情景分析,以对贝叶斯网络进行模型验证,得到贝叶斯网络模型。
(3)在完成风险分析的基础上,基于博弈论,PRA概率模型进行上述与化学材料相关事件的风险评估。利用贝叶斯网络得到的节点概率分布,与风险指标加权相乘求和,得到目标吸引力值,防御力量值等,让用户了解潜在风险。最终借助PRA概率模型,得到目标风险值,这一风险值能够反应预期的上述事件后果。
(4)构建基于风险知识图谱的决策框架。首先构建以化学材料为实施工具的紧急事件的知识图谱,接着映射风险值,得到风险知识图谱。
上述风险知识图谱的生成过程如下:将历史样本数据输入贝叶斯网络模型,得到各节点分别对应的概率分布;基于各节点分别对应的概率分布,计算各节点对应的期望值;根据各节点对应的期望值,进行目标事件的相关知识的抽取、建模和存储,得到知识图谱,并计算历史样本数据的风险值;将风险值映射于知识图谱中,生成与贝叶斯网络模型具有映射关系的风险知识图谱。
上述风险值映射过程可以通过以下方式进行:在知识图谱中的节点添加一个风险值作为属性。这样就可以使用户直观的感知风险,实时了解风险值大小,进而可以实时决策。
如图3中所示,上述在计算历史样本数据的风险值的步骤之后,还包括:根据风险值,确定历史样本数据对应的风险等级。
进一步的,上述根据各节点对应的期望值,进行目标事件的相关知识的抽取、建模和存储的步骤,包括:将期望值超过预设阈值的节点作为目标收集点,抽取目标收集点对应的相关知识进行知识建模和知识存储。
比如,当期望值大于4时,将该期望值对应的节点作为目标收集点,抽取目标收集点对应的相关知识进行知识建模和知识存储,从而构建知识图谱。
本申请实施例中,利用贝叶斯网络的推理特点,实现风险的动态响应。基于风险知识图谱与推理决策机制,所提出的框架便于安全人员实时更新风险知识,动态响应安全需求,快速评估风险等级,为***门提供决策支持与指导。
图5、图6为本申请实施例提供的两种案例的详细分析过程的示意图,具体的分析过程可参考图中内容,在此不再赘述。
本申请实施例提供的方法,基于风险知识图谱和贝叶斯网络模型之间的映射关系,可以实现在应急响应中的知识存储、推理、可视化等关键环节,能够方便用户实现情景推理、直观决策、反向侦查等。同时还实现了应急响应中“知识感知-知识认知-知识决策”的闭环。
基于上述方法实施例,本申请实施例还提供一种应急响应决策装置,该装置应用于服务器,服务器中预存有具有映射关系的风险知识图谱和贝叶斯网络模型;风险知识图谱用于存储与展示事件的相关知识;贝叶斯网络模型用于基于风险知识图谱对事件进行推理分析;参见图7所示,该装置包括:
信息获取模块702,用于获取目标事件的事件信息;并基于风险知识图谱,获取事件信息对应的关联信息;模型预测模块704,用于将事件信息和关联信息输入至贝叶斯网络模型,得到各节点分别对应的概率分布;风险确定模块706,用于基于各节点分别对应的概率分布,确定目标事件的风险值;资源确定模块708,用于根据风险值,确定目标事件对应的调度资源;并基于风险知识图谱,获取调度资源对应的最佳资源。
进一步的,参见图8所示,上述应急响应决策装置还包括:模型构建模块710,用于获取目标事件对应的历史样本数据;基于历史样本数据确定目标事件对应的风险因子;以风险因子作为网络节点,构建贝叶斯网络;通过DS证据理论或EM证据合成算法,学习贝叶斯网络的网络参数;对贝叶斯网络进行敏感性分析、情景分析,以对贝叶斯网络进行模型验证,得到贝叶斯网络模型。
进一步的,上述应急响应决策装置还包括:图谱生成模块712,用于将历史样本数据输入贝叶斯网络模型,得到各节点分别对应的概率分布;基于各节点分别对应的概率分布,计算各节点对应的期望值;根据各节点对应的期望值,进行目标事件的相关知识的抽取、建模和存储,得到知识图谱,并计算历史样本数据的风险值;将风险值映射于知识图谱中,生成与贝叶斯网络模型具有映射关系的风险知识图谱。
进一步的,上述图谱生成模块712还用于:根据风险值,确定历史样本数据对应的风险等级。
进一步的,上述图谱生成模块712还用于:将期望值超过预设阈值的节点作为目标收集点,抽取目标收集点对应的相关知识进行知识建模和知识存储。
进一步的,上述每个节点对应多个节点状态值;上述风险确定模块706 还用于:根据各节点分别对应的概率分布和节点状态值,计算各节点分别对应的期望值;基于各节点分别对应的期望值及PRA理论,计算目标事件对应的风险值。
进一步的,上述风险确定模块706还用于:将每个节点作为当前节点,均执行以下步骤:以当前节点对应的节点状态值为权重值,对当前节点对应的概率分布进行加权求和,得到当前节点对应的期望值。
本申请实施例提供的应急响应决策装置,其实现原理及产生的技术效果和前述应急响应决策方法实施例相同,为简要描述,应急响应决策装置的实施例部分未提及之处,可参考前述应急响应决策方法实施例中相应内容。
本申请实施例还提供了一种电子设备,如图9所示,为该电子设备的结构示意图,其中,该电子设备包括处理器91和存储器90,该存储器90 存储有能够被该处理器91执行的计算机可执行指令,该处理器91执行该计算机可执行指令以实现上述方法。
在图9示出的实施方式中,该电子设备还包括总线92和通信接口93,其中,处理器91、通信接口93和存储器90通过总线92连接。
其中,存储器90可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口93(可以是有线或者无线) 实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线92可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线92可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器91可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器91中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器91可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称 DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器91读取存储器中的信息,结合其硬件完成前述实施例的方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述方法,具体实现可参见前述方法实施例,在此不再赘述。
本申请实施例所提供的应急响应决策方法、装置和电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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申请和简化描述,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申请的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种应急响应决策方法,其特征在于,所述方法应用于服务器,所述服务器中预存有具有映射关系的风险知识图谱和贝叶斯网络模型;所述风险知识图谱用于存储与展示事件的相关知识;所述贝叶斯网络模型用于基于所述风险知识图谱对事件进行推理分析;所述方法包括:
获取目标事件的事件信息;
基于所述风险知识图谱,获取所述事件信息对应的关联信息;
将所述事件信息和所述关联信息输入至所述贝叶斯网络模型,得到各节点分别对应的概率分布;
基于各节点分别对应的概率分布,确定所述目标事件的风险值;
根据所述风险值,确定所述目标事件对应的调度资源;
基于所述风险知识图谱,获取所述调度资源对应的最佳资源。
2.根据权利要求1所述的方法,其特征在于,所述贝叶斯网络模型的构建过程如下:
获取所述目标事件对应的历史样本数据;
基于所述历史样本数据确定所述目标事件对应的风险因子;
以所述风险因子作为网络节点,构建贝叶斯网络;
通过DS证据理论或EM证据合成算法,学习所述贝叶斯网络的网络参数;
对所述贝叶斯网络进行敏感性分析、情景分析,以对所述贝叶斯网络进行模型验证,得到所述贝叶斯网络模型。
3.根据权利要求2所述的方法,其特征在于,所述风险知识图谱的生成过程如下:
将所述历史样本数据输入所述贝叶斯网络模型,得到各节点分别对应的概率分布;
基于各节点分别对应的概率分布,计算各节点对应的期望值;
根据各节点对应的期望值,进行所述目标事件的相关知识的抽取、建模和存储,得到知识图谱,并计算所述历史样本数据的风险值;
将所述风险值映射于所述知识图谱中,生成与所述贝叶斯网络模型具有映射关系的风险知识图谱。
4.根据权利要求3所述的方法,其特征在于,在计算所述历史样本数据的风险值的步骤之后,还包括:
根据所述风险值,确定所述历史样本数据对应的风险等级。
5.根据权利要求3所述的方法,其特征在于,根据各节点对应的期望值,进行所述目标事件的相关知识的抽取、建模和存储的步骤,包括:
将期望值超过预设阈值的节点作为目标收集点,抽取所述目标收集点对应的相关知识进行知识建模和知识存储。
6.根据权利要求1所述的方法,其特征在于,每个节点对应多个节点状态值;
基于各节点分别对应的概率分布,确定所述目标事件的风险值的步骤,包括:
根据各节点分别对应的概率分布和节点状态值,计算各节点分别对应的期望值;
基于各节点分别对应的期望值及PRA理论,计算所述目标事件对应的风险值。
7.根据权利要求6所述的方法,其特征在于,根据各节点分别对应的概率分布和节点状态值,计算各节点分别对应的期望值的步骤,包括:
将每个节点作为当前节点,均执行以下步骤:
以所述当前节点对应的节点状态值为权重值,对所述当前节点对应的概率分布进行加权求和,得到所述当前节点对应的期望值。
8.一种应急响应决策装置,其特征在于,所述装置应用于服务器,所述服务器中预存有具有映射关系的风险知识图谱和贝叶斯网络模型;所述风险知识图谱用于存储与展示事件的相关知识;所述贝叶斯网络模型用于基于所述风险知识图谱对事件进行推理分析;所述装置包括:
信息获取模块,用于获取目标事件的事件信息;并基于所述风险知识图谱,获取所述事件信息对应的关联信息;
模型预测模块,用于将所述事件信息和所述关联信息输入至所述贝叶斯网络模型,得到各节点分别对应的概率分布;
风险确定模块,用于基于各节点分别对应的概率分布,确定所述目标事件的风险值;
资源确定模块,用于根据所述风险值,确定所述目标事件对应的调度资源;并基于所述风险知识图谱,获取所述调度资源对应的最佳资源。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011493710.4A CN113379053A (zh) | 2020-12-17 | 2020-12-17 | 应急响应决策方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011493710.4A CN113379053A (zh) | 2020-12-17 | 2020-12-17 | 应急响应决策方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379053A true CN113379053A (zh) | 2021-09-10 |
Family
ID=77569107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011493710.4A Pending CN113379053A (zh) | 2020-12-17 | 2020-12-17 | 应急响应决策方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379053A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919699A (zh) * | 2021-10-13 | 2022-01-11 | 平安国际智慧城市科技股份有限公司 | 资源调配方案生成方法、装置、设备和存储介质 |
CN113934862A (zh) * | 2021-09-29 | 2022-01-14 | 北方工业大学 | 社区安全风险预测方法、装置、电子设备及介质 |
CN116757460A (zh) * | 2023-08-23 | 2023-09-15 | 南京争锋信息科技有限公司 | 基于深度学***台构建方法及*** |
CN117808090A (zh) * | 2024-03-01 | 2024-04-02 | 四川济舟信息科技有限公司 | 结合时空大数据的应急结构化预案文本生成方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106411854A (zh) * | 2016-09-06 | 2017-02-15 | 中国电子技术标准化研究院 | 一种基于模糊贝叶斯的网络安全风险评估方法 |
CN108921295A (zh) * | 2018-06-28 | 2018-11-30 | 中科院合肥技术创新工程院 | 一种基于知识图谱技术的突发事件应急决策模型构建方法 |
CN109345399A (zh) * | 2018-10-23 | 2019-02-15 | 平安科技(深圳)有限公司 | 理赔风险评估方法、装置、计算机设备及存储介质 |
CN110113314A (zh) * | 2019-04-12 | 2019-08-09 | 中国人民解放军战略支援部队信息工程大学 | 用于动态威胁分析的网络安全领域知识图谱构建方法及装置 |
CN111144695A (zh) * | 2019-11-28 | 2020-05-12 | 博康智能信息技术有限公司 | 智能指挥调度大脑方法及*** |
AU2020100708A4 (en) * | 2020-05-05 | 2020-06-18 | Li, Wenjun Miss | A prediction method of defaulters of bank loans based on big data mining |
CN111445121A (zh) * | 2020-03-24 | 2020-07-24 | 上海明略人工智能(集团)有限公司 | 风险评估方法和装置、存储介质及电子装置 |
CN111798355A (zh) * | 2020-07-01 | 2020-10-20 | 北京大学 | 一种城市公共安全事件链形式化组织方法及事件链数据库 |
CN111832974A (zh) * | 2020-07-28 | 2020-10-27 | 重庆长安新能源汽车科技有限公司 | 车辆故障预警方法及存储介质 |
CN111832922A (zh) * | 2020-06-30 | 2020-10-27 | 北方工业大学 | 基于知识图谱推理的食品安全事件风险研判方法及装置 |
-
2020
- 2020-12-17 CN CN202011493710.4A patent/CN113379053A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106411854A (zh) * | 2016-09-06 | 2017-02-15 | 中国电子技术标准化研究院 | 一种基于模糊贝叶斯的网络安全风险评估方法 |
CN108921295A (zh) * | 2018-06-28 | 2018-11-30 | 中科院合肥技术创新工程院 | 一种基于知识图谱技术的突发事件应急决策模型构建方法 |
CN109345399A (zh) * | 2018-10-23 | 2019-02-15 | 平安科技(深圳)有限公司 | 理赔风险评估方法、装置、计算机设备及存储介质 |
CN110113314A (zh) * | 2019-04-12 | 2019-08-09 | 中国人民解放军战略支援部队信息工程大学 | 用于动态威胁分析的网络安全领域知识图谱构建方法及装置 |
CN111144695A (zh) * | 2019-11-28 | 2020-05-12 | 博康智能信息技术有限公司 | 智能指挥调度大脑方法及*** |
CN111445121A (zh) * | 2020-03-24 | 2020-07-24 | 上海明略人工智能(集团)有限公司 | 风险评估方法和装置、存储介质及电子装置 |
AU2020100708A4 (en) * | 2020-05-05 | 2020-06-18 | Li, Wenjun Miss | A prediction method of defaulters of bank loans based on big data mining |
CN111832922A (zh) * | 2020-06-30 | 2020-10-27 | 北方工业大学 | 基于知识图谱推理的食品安全事件风险研判方法及装置 |
CN111798355A (zh) * | 2020-07-01 | 2020-10-20 | 北京大学 | 一种城市公共安全事件链形式化组织方法及事件链数据库 |
CN111832974A (zh) * | 2020-07-28 | 2020-10-27 | 重庆长安新能源汽车科技有限公司 | 车辆故障预警方法及存储介质 |
Non-Patent Citations (4)
Title |
---|
RONGCHEN ZHU 等: "A Personalized and Practical Method for Analyzing the Risk of Chemical Terrorist Attacks", 《IEEE ACCESS》 * |
RONGCHEN ZHU 等: "Modeling and Risk Analysis of Chemical Terrorist Attacks: A Bayesian Network Method", 《INTERNATIONAL JOURNAL OF ENVIRONMENTAL RESEARCH AND PUBLIC HEALTH》 * |
RONGCHEN ZHU 等: "Risk Analysis of Chemical Plant Explosion Accidents Based on Bayesian Network", 《SUSTAINABILITY》 * |
李柯 等: "基于贝叶斯网络的应急物流风险预测与控制研究", 《物流科技》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113934862A (zh) * | 2021-09-29 | 2022-01-14 | 北方工业大学 | 社区安全风险预测方法、装置、电子设备及介质 |
CN113919699A (zh) * | 2021-10-13 | 2022-01-11 | 平安国际智慧城市科技股份有限公司 | 资源调配方案生成方法、装置、设备和存储介质 |
CN116757460A (zh) * | 2023-08-23 | 2023-09-15 | 南京争锋信息科技有限公司 | 基于深度学***台构建方法及*** |
CN116757460B (zh) * | 2023-08-23 | 2024-01-09 | 南京争锋信息科技有限公司 | 基于深度学***台构建方法及*** |
CN117808090A (zh) * | 2024-03-01 | 2024-04-02 | 四川济舟信息科技有限公司 | 结合时空大数据的应急结构化预案文本生成方法及*** |
CN117808090B (zh) * | 2024-03-01 | 2024-05-14 | 四川济舟信息科技有限公司 | 结合时空大数据的应急结构化预案文本生成方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113379053A (zh) | 应急响应决策方法、装置及电子设备 | |
Xiao | Multi-sensor data fusion based on the belief divergence measure of evidences and the belief entropy | |
Sheu | Dynamic relief-demand management for emergency logistics operations under large-scale disasters | |
Ceferino et al. | Probabilistic model for regional multiseverity casualty estimation due to building damage following an earthquake | |
CN112132676B (zh) | 联合训练目标模型的贡献度的确定方法、装置和终端设备 | |
CN104112181A (zh) | 一种基于层次分析法的信息安全贝叶斯网络评估方法 | |
CN108092985B (zh) | 网络安全态势分析方法、装置、设备及计算机存储介质 | |
Chen | Evolved distance measures for circular intuitionistic fuzzy sets and their exploitation in the technique for order preference by similarity to ideal solutions | |
CN114997754B (zh) | 基于云模型及熵权法的应急预案分析方法及装置 | |
CN114879613A (zh) | 一种工业控制***信息安全攻击风险评估方法及*** | |
Skvortsova et al. | A hybrid intelligent system for risk assessment based on unstructured data | |
Gosavi et al. | Discrete-event-based simulation model for performance evaluation of post-earthquake restoration in a smart city | |
CN115174353A (zh) | 故障根因确定方法、装置、设备及介质 | |
Ashiku et al. | System of systems (SOS) architecture for Digital Manufacturing Cybersecurity | |
CN114239952A (zh) | 一种关键性能指标的异常检测方法、装置、设备及介质 | |
US20170177755A1 (en) | System and method for dynamically adjusting an emergency coordination simulation system | |
JPWO2017033448A1 (ja) | データ処理装置、データ処理方法、及びプログラム記録媒体 | |
CN112968796A (zh) | 网络安全态势感知方法、装置及计算机设备 | |
CN110399537B (zh) | 一种基于人工智能技术的警情时空预测方法 | |
KR20120070771A (ko) | 정량적 보안 정책 평가 장치 및 방법 | |
CN113657599B (zh) | 事故因果推理方法、装置、电子设备及可读存储介质 | |
CN111815442B (zh) | 一种链接预测的方法、装置和电子设备 | |
Manliguez et al. | GIS-based evacuation routing using capacity aware shortest path evacuation routing algorithm and analytic hierarchy process for flood prone communities | |
CN113298438A (zh) | 区域风险等级的评估方法、装置、计算机设备及存储介质 | |
Widodo et al. | A literature review: model of disaster risk reduction for decision support system |
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 |