CN117520796A - 一种基于知识图谱的公路路基水毁评估方法及*** - Google Patents
一种基于知识图谱的公路路基水毁评估方法及*** Download PDFInfo
- Publication number
- CN117520796A CN117520796A CN202311573507.1A CN202311573507A CN117520796A CN 117520796 A CN117520796 A CN 117520796A CN 202311573507 A CN202311573507 A CN 202311573507A CN 117520796 A CN117520796 A CN 117520796A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- water damage
- data
- highway subgrade
- subgrade water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 193
- 230000006378 damage Effects 0.000 title claims abstract description 192
- 238000011156 evaluation Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013499 data model Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 14
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 29
- 238000003066 decision tree Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000011269 treatment regimen Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 2
- 238000011282 treatment Methods 0.000 abstract description 5
- 230000008439 repair process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000218631 Coniferophyta Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000036561 sun exposure Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于知识图谱的公路路基水毁评估方法及***，其方法包括：收集与公路路基水毁相关的知识数据，并根据所述知识数据构建公路路基水毁知识图谱；基于机器学习方法和历史公路路基水毁事件，结合所述公路路基水毁知识图谱的推理和关联分析特性，对所述公路路基水毁知识图谱的知识结构进行训练和优化，得到知识图谱结构化数据模型；利用所述知识图谱结构化数据模型对新发生的公路路基水毁事件进行评估，得到评估报告。本发明利用智能化手段对公路路基水毁事件进行评估，为决策者提供更准确和全面的公路水毁评估结果，帮助决策者更好的理解和评估事件的紧急程度和处理措施，提升公路应急救援响应速度、协调工作效率。
Description
技术领域
本发明涉及公路水毁事件评估领域，具体涉及一种基于知识图谱的公路路基水毁评估方法及***。
背景技术
公路水毁应急救援能力是公路交通应急管理体系中的关键内容，是评判公路交通相关管理部门综合应急能力的重要环节，事关相关部门应急实战水平。当前我国在公路水毁救援抢修过程中,通常需通过协调多个单位联合开展多方面的工作。但面对应急事件时，通过专家勘察评估、应急方案制定、协调工作等一系列复杂的过程，存在救援不及时、抢修方案不合理等问题。以某次暴雨为例，某市县级及以上普通公路遭遇水毁共计约1500公里，应急抢修工作持续了近5天时间，多方面力量协调不到位、抢修派遣装备适用性差等问题常有发生，急需提高面对灾情下的应急响应效率、抢修重建能力。
近年来，在信息、网络高速发展的背景下，公路交通逐渐向智能化、网联化的方向前进，通过科技化、数据化等手段提高公路应急救援能力的方法成为了新的发展方向。知识图谱是一种基于机器可处理的数据语义,将人类知识编织成一个巨大的网络，可以为智能问答、推荐***等提供强大的支撑。目前，知识图谱在智能引擎、知识搜索方面被广泛应用，是可用于提高水毁事件应急响应效率的方法之一。在现有的方法与技术当中，特别是公路路基水毁事件的评估、应急方案制定方面有一定的研究，通过对于水毁程度的判断、事件等级的分类从而制定合理的应急响应措施。但目前的方法仍停留在以决策者的思维判断为主导，尚未实现信息化、智能化的应急响应方法。
发明内容
本发明所要解决的技术问题是提供一种基于知识图谱的公路路基水毁评估方法及***，利用智能化手段对公路路基水毁事件进行评估，将有效提高公路水毁评估精度和应急响应效率。
本发明解决上述技术问题的技术方案如下：一种基于知识图谱的公路路基水毁评估方法，包括以下步骤：
收集与公路路基水毁相关的知识数据，并根据所述知识数据构建公路路基水毁知识图谱；
基于机器学习方法和历史公路路基水毁事件，结合所述公路路基水毁知识图谱的推理和关联分析特性，对所述公路路基水毁知识图谱的知识结构进行训练和优化，得到知识图谱结构化数据模型；
利用所述知识图谱结构化数据模型对新发生的公路路基水毁事件进行评估，得到评估报告。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述知识数据包括：气象数据、地理数据、道路基本数据、水毁知识数据和应急响应数据。
进一步，所述知识数据的类型包括结构化类型、半结构化类型和非结构化类型；根据所述知识数据构建公路路基水毁知识图谱，具体为：
对结构化类型的知识数据进行数据整合，得到整合数据；
对半结构化类型和非结构化类型的知识数据进行知识抽取，得到知识抽取数据；
将所述整合数据和所述知识抽取数据进行知识融合，得到数据层；
在所述数据层上通过知识加工形成模式层；
从所述模式层至所述数据层进行规范化，并从所述数据层至所述模式层进行实例化，以形成所述公路路基水毁知识图谱。
进一步，对半结构化类型和非结构化类型的知识数据进行知识抽取，具体为：
对半结构化类型和非结构化类型的知识数据进行术语抽取、同义关系抽取、概念抽取、分类学关系抽取、非分类学关系学习以及公理和规则学习，得到所述知识抽取数据。
进一步，将所述整合数据和所述知识抽取数据进行知识融合，具体为：
将所述整合数据和所述知识抽取数据进行实体对齐和属性校正，得到所述数据层。
进一步，在所述数据层上通过知识加工形成模式层，具体为：
通过在所述数据层上进行本体学习、本体构建和本体数据填充，以在所述数据层上形成所述模式层。
进一步，基于机器学习方法和历史公路路基水毁事件，结合所述公路路基水毁知识图谱的推理和关联分析特性，对所述公路路基水毁知识图谱的知识结构进行训练和优化，具体为：
根据所述历史公路路基水毁事件中的水毁知识数据和所述公路路基水毁知识图谱中的通用知识数据进行推理和关联分析，得到所述历史公路路基水毁事件的评估结果；
依据所述历史公路路基水毁事件的实际结果和评估结果，采用C4.5决策树的机器学习方法对所述公路路基水毁知识图谱的知识结构进行训练和优化，得到知识图谱结构化数据模型。
进一步，所述推理和关联分析具体用于剖析公路路基水毁事件与所述知识数据之间的联系；所述评估结果包括公路路基水毁事件的受灾概况、预案等级、装备派遣和处治策略。
进一步，在利用所述知识图谱结构化数据模型对新发生的公路路基水毁事件进行评估得到评估报告后，还包括：
采用概况统计图的可视化方式展示所述评估报告。
基于上述一种基于知识图谱的公路路基水毁评估方法，本发明还提供一种基于知识图谱的公路路基水毁评估***。
一种基于知识图谱的公路路基水毁评估***，包括以下模块：
知识图谱建立模块，其用于收集与公路路基水毁相关的知识数据，并根据所述知识数据构建公路路基水毁知识图谱；
模型训练优化模块，其用于基于机器学习方法和历史公路路基水毁事件，结合所述公路路基水毁知识图谱的推理和关联分析特性，对所述公路路基水毁知识图谱的知识结构进行训练和优化，得到知识图谱结构化数据模型；
评估模块，其用于利用所述知识图谱结构化数据模型对新发生的公路路基水毁事件进行评估，得到评估报告。
本发明的有益效果是：本发明一种基于知识图谱的公路路基水毁评估方法及***利用水毁相关知识构建了公路路基水毁知识图谱，结合公路水毁事件的历史数据，对知识图谱的结构化数据模型进行不断训练，实现了知识与数据的链接，创新性的利用智能化手段对公路路基水毁事件进行评估，为决策者提供更准确和全面的公路水毁评估结果，帮助决策者更好的理解和评估事件的紧急程度和处理措施，提升公路应急救援响应速度、协调工作效率，全面提升公路水毁应急救援能力，也为公路交通应急管理部门周密高效制定相应应急预案，为提高公路应急处置能力提供方法指导和技术支撑。
附图说明
图1为本发明一种基于知识图谱的公路路基水毁评估方法的流程图；
图2为本发明一种基于知识图谱的公路路基水毁评估方法的流程架构图；
图3为知识数据的架构图；
图4为构建公路路基水毁知识图谱的流程图；
图5为机器学习的流程图；
图6为对新发生的公路路基水毁事件进行评估的流程图；
图7为本发明一种基于知识图谱的公路路基水毁评估***的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1和图2所示，一种基于知识图谱的公路路基水毁评估方法，包括步骤S1-S3：
S1，收集与公路路基水毁相关的知识数据，并根据所述知识数据构建公路路基水毁知识图谱。
具体的，如图3所示，所述知识数据包括：气象数据、地理数据、道路基本数据、水毁知识数据和应急响应数据。更具体的：
所述气象数据包括：日照、气温、气压、湿度、降水、风速、风向。
所述水毁知识数据包括：水毁规律、水毁频率、水毁规模、水毁原因、水毁类型。所述水毁规律为历史水毁事件发生的时间规律。所述水毁频率为近十年发生水毁事件的次数。所述水毁规模为水毁发生所影响的路基长度和宽度。所述水毁原因包括：暴雨洪水、河流冲刷、降雨汇流、人为破坏。所述水毁类型包括：冲毁、沉陷、坍塌，冲毁表示洪水所挟带泥沙或滚石的冲击导致路基毁坏，沉陷表示路基填土受损从而导致路面沉陷，坍塌表示水流作用导致路基无法承受地表荷载而失去平衡塌陷。
所述应急响应数据包括：装备(含操作人员)派遣、处治策略。所述力量派遣包括：无人机、冲锋艇、挖掘机、推土机、动力舟桥、51米机械化桥、75米模块化桥。所述处治策略包括：道路抢修、道路搁置并制定绕行路线、搭建临时桥梁，道路抢修表示灾情较轻可直接进行快速的抢通抢修任务，道路搁置并制定绕行路线表示灾情较重采取绕行策略保通保畅，搭建临时桥梁表示灾情较重且无绕行通道，此时则需采取应急措施搭建机械化、模块化的临时桥梁保通保畅。
所述道路基本数据包括：排水类型、坡面防护、沿河防护、支挡设施、道路信息。所述排水类型为边沟、截水沟、排水沟、跌水与急流槽。所述坡面防护为植物防护、骨架防护、挂网喷护、片石护坡、护面墙。所述沿河防护为植被防护、砌石或砼护坡、石笼防护、浸水挡墙、护坦、抛石、排桩、丁坝或顺坝。所述支挡设施为挡墙、抗滑柱、锚索、框架。所述道路信息为里程位置、名称、路基、路面、等级。
所述地理数据包括：水毁所属路段两侧延申至2公里范围内的海拔、山地类型、地形特征、植被类型、水文类型。所属海拔为水毁所属路段的海平面高度。所述山地类型为山地、丘陵、岗地、平原、岩溶、黄土。所述植被类型为针叶林、落叶阔叶林、常绿阔叶林、热带季雨林、草原植被、荒漠植被。所述水文类型为河流、湖泊、沼泽、冰川、积雪、地下水。
所述S1中构建公路路基水毁知识图谱就是建立各知识数据之间的相互影响关系；采用自底向上的方法构建公路路基水毁知识图谱。所述知识数据的类型包括结构化类型、半结构化类型和非结构化类型；如图4所示，根据所述知识数据构建公路路基水毁知识图谱，具体为：
对结构化类型的知识数据进行数据整合，得到整合数据；
对半结构化类型和非结构化类型的知识数据进行知识抽取，得到知识抽取数据；
将所述整合数据和所述知识抽取数据进行知识融合，得到数据层；
在所述数据层上通过知识加工形成模式层；
从所述模式层至所述数据层进行规范化，并从所述数据层至所述模式层进行实例化，以形成所述公路路基水毁知识图谱。
本发明中的一些知识数据可以从第三方数据库获取，因此在构建公路路基水毁知识图谱时，首先对可获取的已有第三方数据库数据以及可直接用于逻辑处理的结构化的知识数据进行整合；接着从无法直接使用逻辑进行处理的非结构化的知识数据中通过术语抽取、同义关系抽取、概念抽取、分类学关系抽取、非分类学关系学习、公理和规则学习的方法，并通过实体对齐和属性校正的方法融合前者已整合数据，以建立知识图谱的数据层；再通过本体学习、本体构建、本体数据填充的方式构建知识图谱的模式层；最后通过实时获取最新的知识数据，不断纠正已有知识图谱中的术语、关系、概念、分类、公理错误，完成动态更新，得到公路路基水毁知识图谱。
S2，基于机器学习方法和历史公路路基水毁事件，结合所述公路路基水毁知识图谱的推理和关联分析特性，对所述公路路基水毁知识图谱的知识结构进行训练和优化，得到知识图谱结构化数据模型。
所述S2具体为：
根据所述历史公路路基水毁事件中的水毁知识数据和所述公路路基水毁知识图谱中的通用知识数据进行推理和关联分析，得到所述历史公路路基水毁事件的评估结果；
依据所述历史公路路基水毁事件的实际结果和评估结果，采用C4.5决策树的机器学习方法对所述公路路基水毁知识图谱的知识结构进行训练和优化，得到知识图谱结构化数据模型。
在所述S2中：
历史公路路基水毁事件是历史当中的公路路基水毁事件，提取历史公路路基水毁事件中的关键词信息，包括气象数据、水毁日期、水毁规模、水毁类型、水毁原因、坡面防护类型、支挡设施类型、道路信息、山地类型、植被类型等，并转化为公路路基水毁知识图谱可识别的语义数据。
推理和关联分析是公路路基水毁知识图谱的一种分析方法，结合公路路基水毁知识图谱中的通用知识数据，剖析公路路基水毁事件与所述知识数据之间的联系，具体的是剖析水毁事件与其中降雨、气温、海拔、地形、排水类型、坡面防护等因素之间的联系，用于评估水毁事件中的灾难影响区域面积、灾难持续时间、设施受损程度、建议响应级别等结果，为决策者制作应急救援方案提供支撑。
机器学习方法是一种模拟并学习人类的学习行为，以模型的精准度为目标，通过不断获取新的知识信息来刷新已有的知识结构，达到不断改善自身性能的目。如图5所示，机器学习的具体步骤为：历史公路路基水毁事件中数据的收集、数据预处理、数据集划分、模型训练、模型测试、模型评估和模型优化。具体的，本发明中采用C4.5决策树的机器学习方法对公路路基水毁知识图谱的知识结构进行训练，C4.5决策树是一种常见的机器学习决策树算法，常用于对分类问题的优化训练。C4.5决策树步骤在于首先通过计算信息熵从数据集合中选择一个属性，根据选择的属性将数据集分成两个或更多的子数据集，每个子数据集都具有类似的属性值；对每个子数据集递归地应用C4.5决策树算法，直到决策树满足停止条件为止，包括达到预定的深度或每个叶子节点的样本数小于预定阈值；最终组合各个子树形成一棵完整的决策树，经进一步整合形成训练后的知识图谱结构化数据模型。
本发明利用历史公路路基水毁事件中的水毁知识数据和公路路基水毁知识图谱中的通用知识数据，根据水毁事件的评估结果与该次事件实际情况的偏离信息对模型进行调整，优化更新知识概念、数据之间的关系、数据的分类等，使评估结果更贴近于实际。具体的，训练和优化是利用大量的历史公路路基水毁事件中的水毁知识数据、公路路基水毁知识图谱中的通用知识数据训练公路路基水毁知识图谱的知识结构，结合水毁实际情况对比模型评估结果，对模型的知识概念、知识关系、知识分类方法进行微调，提高模型的精确度。训练公路路基水毁知识图谱的知识结构为利用历史公路路基水毁事件中的水毁知识数据，整合历史公路路基水毁事件中水毁知识数据的关键词信息，并输入公路路基水毁知识图谱后形成的评估结果。所述评估结果为模型根据输入的历史公路路基水毁事件，从而得出的该水毁事件中的受灾概况、预案等级、装备派遣、处治策略。优化包括将评估结果与历史水毁事件的实际情况、响应情况进行对比，将评估结果与实际情况相偏离的信息进行调整优化，优化更新知识概念、数据之间的关系、数据的分类等，使评估结果更贴近于实际，进而达到训练模型、优化模型的效果，通过不断的重复训练、迭代更新，提高模型精准度，最终形成成熟的知识图谱结构化数据模型。
S3，利用所述知识图谱结构化数据模型对新发生的公路路基水毁事件进行评估，得到评估报告。
在利用所述知识图谱结构化数据模型对新发生的公路路基水毁事件进行评估得到评估报告后，还包括：采用概况统计图的可视化方式展示所述评估报告。
如图6所示，利用所述知识图谱结构化数据模型对新发生的公路路基水毁事件进行评估，包括：新发生的公路路基水毁现状数据整理、评估报告输出、评估报告可视化处理与应用。新发生的公路路基水毁现状数据整理包括对新发生的公路路基水毁事件进行整理，将事件发生的气象数据、水毁日期、水毁规模、水毁类型、水毁原因、坡面防护类型、支挡设施类型、道路信息、山地类型、植被类型等关键词信息进行整合形成知识图谱可识别的公路路基水毁语义数据，评估报告输出包括将新发生的公路路基水毁事件中的水毁数据经整合后输入知识图谱结构化数据模型，输出评估报告。评估报告包括：受灾概况、预案等级、装备派遣、处治策略。评估报告可视化处理与应用包括将评估结果以统计图表形式的方式展示，便于决策者和应急管理人员理解和分析。
基于上述一种基于知识图谱的公路路基水毁评估方法，本发明还提供一种基于知识图谱的公路路基水毁评估***。
如图7所示，一种基于知识图谱的公路路基水毁评估***，包括以下模块：
知识图谱建立模块，其用于收集与公路路基水毁相关的知识数据，并根据所述知识数据构建公路路基水毁知识图谱；
模型训练优化模块，其用于基于机器学习方法和历史公路路基水毁事件，结合所述公路路基水毁知识图谱的推理和关联分析特性，对所述公路路基水毁知识图谱的知识结构进行训练和优化，得到知识图谱结构化数据模型；
评估模块，其用于利用所述知识图谱结构化数据模型对新发生的公路路基水毁事件进行评估，得到评估报告。
本发明一种基于知识图谱的公路路基水毁评估方法及***利用水毁相关知识构建了公路路基水毁知识图谱，结合公路水毁事件的历史数据，对知识图谱的结构化数据模型进行不断训练，实现了知识与数据的链接，创新性的利用智能化手段对公路路基水毁事件进行评估，为决策者提供更准确和全面的公路水毁评估结果，帮助决策者更好的理解和评估事件的紧急程度和处理措施，提升公路应急救援响应速度、协调工作效率，全面提升公路水毁应急救援能力，也为公路交通应急管理部门周密高效制定相应应急预案，为提高公路应急处置能力提供方法指导和技术支撑。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于知识图谱的公路路基水毁评估方法，其特征在于，包括以下步骤：
收集与公路路基水毁相关的知识数据，并根据所述知识数据构建公路路基水毁知识图谱；
基于机器学习方法和历史公路路基水毁事件，结合所述公路路基水毁知识图谱的推理和关联分析特性，对所述公路路基水毁知识图谱的知识结构进行训练和优化，得到知识图谱结构化数据模型；
利用所述知识图谱结构化数据模型对新发生的公路路基水毁事件进行评估，得到评估报告。
2.根据权利要求1所述的基于知识图谱的公路路基水毁评估方法，其特征在于，所述知识数据包括：气象数据、地理数据、道路基本数据、水毁知识数据和应急响应数据。
3.根据权利要求1所述的基于知识图谱的公路路基水毁评估方法，其特征在于，所述知识数据的类型包括结构化类型、半结构化类型和非结构化类型；根据所述知识数据构建公路路基水毁知识图谱，具体为：
对结构化类型的知识数据进行数据整合，得到整合数据；
对半结构化类型和非结构化类型的知识数据进行知识抽取，得到知识抽取数据；
将所述整合数据和所述知识抽取数据进行知识融合，得到数据层；
在所述数据层上通过知识加工形成模式层；
从所述模式层至所述数据层进行规范化，并从所述数据层至所述模式层进行实例化，以形成所述公路路基水毁知识图谱。
4.根据权利要求2所述的基于知识图谱的公路路基水毁评估方法，其特征在于，对半结构化类型和非结构化类型的知识数据进行知识抽取，具体为：
对半结构化类型和非结构化类型的知识数据进行术语抽取、同义关系抽取、概念抽取、分类学关系抽取、非分类学关系学习以及公理和规则学习，得到所述知识抽取数据。
5.根据权利要求2所述的基于知识图谱的公路路基水毁评估方法，其特征在于，将所述整合数据和所述知识抽取数据进行知识融合，具体为：
将所述整合数据和所述知识抽取数据进行实体对齐和属性校正，得到所述数据层。
6.根据权利要求2所述的基于知识图谱的公路路基水毁评估方法，其特征在于，在所述数据层上通过知识加工形成模式层，具体为：
通过在所述数据层上进行本体学习、本体构建和本体数据填充，以在所述数据层上形成所述模式层。
7.根据权利要求1所述的基于知识图谱的公路路基水毁评估方法，其特征在于，基于机器学习方法和历史公路路基水毁事件，结合所述公路路基水毁知识图谱的推理和关联分析特性，对所述公路路基水毁知识图谱的知识结构进行训练和优化，具体为：
根据所述历史公路路基水毁事件中的水毁知识数据和所述公路路基水毁知识图谱中的通用知识数据进行推理和关联分析，得到所述历史公路路基水毁事件的评估结果；
依据所述历史公路路基水毁事件的实际结果和评估结果，采用C4.5决策树的机器学习方法对所述公路路基水毁知识图谱的知识结构进行训练和优化，得到知识图谱结构化数据模型。
8.根据权利要求7所述的基于知识图谱的公路路基水毁评估方法，其特征在于，所述推理和关联分析具体用于剖析公路路基水毁事件与所述知识数据之间的联系；所述评估结果包括公路路基水毁事件的受灾概况、预案等级、装备派遣和处治策略。
9.根据权利要求1所述的基于知识图谱的公路路基水毁评估方法，其特征在于，在利用所述知识图谱结构化数据模型对新发生的公路路基水毁事件进行评估得到评估报告后，还包括：
采用概况统计图的可视化方式展示所述评估报告。
10.一种基于知识图谱的公路路基水毁评估***，其特征在于，包括以下模块：
知识图谱建立模块，其用于收集与公路路基水毁相关的知识数据，并根据所述知识数据构建公路路基水毁知识图谱；
模型训练优化模块，其用于基于机器学习方法和历史公路路基水毁事件，结合所述公路路基水毁知识图谱的推理和关联分析特性，对所述公路路基水毁知识图谱的知识结构进行训练和优化，得到知识图谱结构化数据模型；
评估模块，其用于利用所述知识图谱结构化数据模型对新发生的公路路基水毁事件进行评估，得到评估报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311573507.1A CN117520796A (zh) | 2023-11-23 | 2023-11-23 | 一种基于知识图谱的公路路基水毁评估方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311573507.1A CN117520796A (zh) | 2023-11-23 | 2023-11-23 | 一种基于知识图谱的公路路基水毁评估方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117520796A true CN117520796A (zh) | 2024-02-06 |
Family
ID=89762390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311573507.1A Pending CN117520796A (zh) | 2023-11-23 | 2023-11-23 | 一种基于知识图谱的公路路基水毁评估方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117520796A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992672A (zh) * | 2019-04-11 | 2019-07-09 | 华北科技学院 | 基于灾害场景的知识图谱构建方法 |
| CN110188979A (zh) * | 2019-04-15 | 2019-08-30 | 广州智联研究院有限公司 | 水行业应急决策生成方法及装置 |
| CN113192296A (zh) * | 2021-04-19 | 2021-07-30 | 武汉邻盛智能设备有限公司 | 一种水灾灾害判定及预警方法 |
| WO2021196520A1 (zh) * | 2020-03-30 | 2021-10-07 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法及*** |
| CN115239153A (zh) * | 2022-07-27 | 2022-10-25 | 浙江大学 | 一种用于化工园区事故的应急指挥决策方法、***及介质 |
| 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*** |
-
2023
- 2023-11-23 CN CN202311573507.1A patent/CN117520796A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992672A (zh) * | 2019-04-11 | 2019-07-09 | 华北科技学院 | 基于灾害场景的知识图谱构建方法 |
| CN110188979A (zh) * | 2019-04-15 | 2019-08-30 | 广州智联研究院有限公司 | 水行业应急决策生成方法及装置 |
| WO2021196520A1 (zh) * | 2020-03-30 | 2021-10-07 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法及*** |
| CN113192296A (zh) * | 2021-04-19 | 2021-07-30 | 武汉邻盛智能设备有限公司 | 一种水灾灾害判定及预警方法 |
| CN115239153A (zh) * | 2022-07-27 | 2022-10-25 | 浙江大学 | 一种用于化工园区事故的应急指挥决策方法、***及介质 |
| 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*** |
Non-Patent Citations (1)
| Title |
|---|
| 罗军华;林孝松;牟凤云;张莉;徐州;: "基于CiteSpace的中国公路洪灾研究知识图谱分析", 科学技术与工程, no. 16, 30 June 2020 (2020-06-30), pages 55 - 61 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114386816B (zh) | 一种国土空间生态修复关键区识别*** | |
| CN111178712B (zh) | 一种用于引调水工程事故后援救预警方法及*** | |
| CN104318085B (zh) | 一种流域山洪风险识别与提取方法 | |
| CN111582597B (zh) | 一种输电线路滑坡危险性预测方法及其设备 | |
| CN115374714B (zh) | 一种基于生境适宜性的生态安全格局构建方法 | |
| CN103870995A (zh) | 一种高寒沙地植被恢复潜力评估方法 | |
| CN116306340A (zh) | 一种模拟不同工况下的城市内涝风险分布的方法 | |
| CN114997671A (zh) | 基于人工神经网络和熵值法的基坑变形安全风险评估的方法 | |
| CN115700666A (zh) | 一种山区公路路基养护排查智能化综合评价方法 | |
| CN116934078A (zh) | 隧洞/道施工期突涌水灾害渐进式评估方法 | |
| CN113627817B (zh) | 一种基于城市内涝条件下道路连通性分析方法 | |
| Lai et al. | Waterlogging risk assessment based on self-organizing map (SOM) artificial neural networks: a case study of an urban storm in Beijing | |
| CN117520796A (zh) | 一种基于知识图谱的公路路基水毁评估方法及*** | |
| CN115293241A (zh) | 基于多源数据融合的河道崩岸预警方法及装置 | |
| Méndez | Hydraulic analysis of urban drainage systems with conventional solutions and sustainable technologies: Case study in Quito, Ecuador | |
| CN112464474B (zh) | 基于危险性评价的低频泥石流预警方法 | |
| CN112347700A (zh) | 一种泥石流发生概率及规模预报方法 | |
| Chaabane et al. | Three-dimensional simulation of a centennial flood of Mohammedia city in the river of El Maleh–Morocco | |
| Xiong et al. | Research on risk assessment index system of expressway | |
| CN117831231B (zh) | 一种对易淹易涝片区进行积淹预警的方法 | |
| Huat et al. | Web based real time monitoring system along North-South Expressway, Malaysia | |
| Li et al. | Study on road damage assessment based on RS and GIS | |
| Li et al. | Safety Evaluation of Track Engineering and GIS Management System in Computer Environment | |
| Akram et al. | FLOOD HAZARD MODELLING USING HYDRAULIC SIMULATION MODEL AND SATELLITE IMAGES: A CASE STUDY OF CHAJ DOAB, PUNJAB, PAKISTAN. | |
| Solihu et al. | Flood Risk and Flow Variability Assessment at the Railway Drainage Structures: A Case of the Ethio–Djibouti Railway Line, Ethiopia |
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 |