[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115964503B - 基于社区设备设施的安全风险预测方法及系统 - Google Patents

基于社区设备设施的安全风险预测方法及系统 Download PDF

Info

Publication number
CN115964503B
CN115964503B CN202111630708.1A CN202111630708A CN115964503B CN 115964503 B CN115964503 B CN 115964503B CN 202111630708 A CN202111630708 A CN 202111630708A CN 115964503 B CN115964503 B CN 115964503B
Authority
CN
China
Prior art keywords
equipment
moment
historical
sample
facility
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
Application number
CN202111630708.1A
Other languages
English (en)
Other versions
CN115964503A (zh
Inventor
史运涛
赵蕾
柳长安
周萌
殷翔
雷振武
刘大千
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Technology
Original Assignee
North China University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China University of Technology filed Critical North China University of Technology
Priority to CN202111630708.1A priority Critical patent/CN115964503B/zh
Publication of CN115964503A publication Critical patent/CN115964503A/zh
Application granted granted Critical
Publication of CN115964503B publication Critical patent/CN115964503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于社区设备设施的安全风险预测方法及系统，该方法包括：基于目标社区中每种设备设施在不同时刻的设备安全数据，分别构建目标社区的历史时刻动态知识图谱集合和当前时刻动态知识图谱；将历史时刻动态知识图谱集合中的历史时刻动态知识图谱，按照时序关系，依次输入到设备设施历史知识图谱预测模型，得到第一设备设施安全风险预测结果；将当前时刻动态知识图谱输入到设备设施当前时刻知识图谱预测模型，得到第二设备设施安全风险预测结果；将第一设备设施安全风险预测结果和第二设备设施安全风险预测结果进行融合，得到设备设施安全风险最终预测结果。本发明提高了社区安全风险预测准确性。

Description

基于社区设备设施的安全风险预测方法及系统
技术领域
本发明涉及社区风险评估技术领域，尤其涉及一种基于社区设备设施的安全风险预测方法及系统。
背景技术
现有社区设备设施安全风险研判方法，主要为专家评审法，需要多位相关专业的专家相互讨论，将收集的社区设备设施数据绘制成表，基于表格数据进行人工分析，导致耗费大量人力和物力，且易受相关人员的主观臆断影响，预测准确率不足。
近年来，机器学习、大数据分析和人工智能等技术的飞速发展，基于机器学习的社区设备设施安全风险研判方法受到了广泛关注并已进行了初步尝试。现有通过大量社区设备设施安全数据，建立相关安全检测模型，基于该模型对新的社区数据进行预测与风险研判，具有识别速度快，可节省大量人力物力等特点。
然而，传统的机器学习方法，虽然有效减少了人力物力的消耗和预测的时间，但对于数据的要求极其严格，需要使用结构化数据。由于社区设备设施数据情况复杂，难以抽取构成有效地结构化数据，并且数据具有异构性，传统方法无法实时更新和截取有效信息，忽略了数据间存在的影响，存在一定的局限性，导致社区风险预测的精确性降低。因此，现在亟需一种用于基于设备设施的安全风险预测方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题，本发明提供一种基于社区设备设施的安全风险预测方法及系统。
本发明提供一种基于社区设备设施的安全风险预测方法，包括：
基于目标社区中每种设备设施在不同时刻的设备安全数据，分别构建所述目标社区的历史时刻动态知识图谱集合和当前时刻动态知识图谱；
将所述历史时刻动态知识图谱集合中的历史时刻动态知识图谱，按照时序关系，依次输入到设备设施历史知识图谱预测模型，得到所述目标社区在下一时刻的第一设备设施安全风险预测结果；其中，所述设备设施历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻动态知识图谱，对神经网络进行训练得到的；
将所述当前时刻动态知识图谱输入到设备设施当前时刻知识图谱预测模型，得到所述目标社区在下一时刻的第二设备设施安全风险预测结果；其中，所述设备设施当前时刻知识图谱预测模型是由样本时刻对应的样本时刻安全动态知识图谱，对关系图卷积网络进行训练得到的；
将所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果进行融合，得到所述目标社区在下一时刻的设备设施安全风险最终预测结果。
根据本发明提供的一种基于社区设备设施的安全风险预测方法，所述基于目标社区中每种设备设施在不同时刻的设备安全数据，分别构建所述目标社区的历史时刻动态知识图谱集合和当前时刻动态知识图谱，包括：
根据所述设备安全数据，获取所述目标社区中的实体类型，以及每种实体之间的实体关系；
根据所述实体类型和所述实体关系，以历史时刻信息作为时间戳，构成每个历史时刻信息对应的四元组，并按照时序关系，基于每个历史时刻信息对应的四元组，构建历史时刻动态知识图谱集合；
根据所述实体类型和所述实体关系，以当前时刻信息作为时间戳，构成当前时刻信息对应的四元组，并根据当前时刻信息对应的四元组，得到当前时刻动态知识图谱；
其中，所述每个历史时刻信息对应的四元组和所述当前时刻信息对应的四元组中的尾实体为待预测设备设施的安全风险结果。
根据本发明提供的一种基于社区设备设施的安全风险预测方法，所述设备设施历史知识图谱预测模型是通过多层感知机和门控循环单元构建得到的。
根据本发明提供的一种基于社区设备设施的安全风险预测方法，所述设备设施历史知识图谱预测模型通过以下步骤得到：
以任一样本时刻为基准时刻，获取目标社区在所述基准时刻之前各个历史时刻对应的样本历史时刻动态知识图谱，其中，所述样本历史时刻动态知识图谱对应的四元组是由头实体、实体关系、第一样本尾实体和时间戳信息构成的；
将多个样本历史时刻动态知识图谱中的头实体、实体关系和时间戳信息，输入到所述多层感知机进行训练，得到由所述多层感知机输出的聚合向量；
将多个所述聚合向量按照时序关系，依次输入到所述门控循环单元进行训练，输出预测得到的第一样本尾实体；
根据所述第一样本尾实体和所述预测得到的第一样本尾实体进行损失计算，若得到的损失值满足第一预设训练阈值，得到设备设施历史知识图谱预测模型。
根据本发明提供的一种基于社区设备设施的安全风险预测方法，所述设备设施当前时刻知识图谱预测模型通过以下步骤得到：
基于目标社区在样本时刻时的样本设备安全数据，获取样本时刻安全动态知识图谱；其中，所述样本时刻安全动态知识图谱是由包含有头实体、实体关系、第二尾实体和时间戳信息的四元组生成的；
将多个所述样本时刻安全动态知识图谱中的头实体、实体关系和时间戳信息，输入到关系图卷积网络进行训练，输出预测得到的第二样本尾实体；
根据所述第二样本尾实体和所述预测得到的第二样本尾实体进行损失计算，若得到的损失值满足第二预设训练阈值，得到设备设施当前时刻知识图谱预测模型。
根据本发明提供的一种基于社区设备设施的安全风险预测方法，所述将所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果进行融合，得到所述目标社区在下一时刻的设备设施安全风险最终预测结果，包括：
通过粒子群算法，对所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果各自对应的权重进行调整；
对权重调整后的第一设备设施安全风险预测结果和第二设备设施安全风险预测结果进行求和处理，确定所述目标社区在下一时刻的设备设施安全风险最终预测结果。
本发明还提供一种基于社区设备设施的安全风险预测系统，包括：
时序知识图谱构建模块，用于基于目标社区中每种设备设施在不同时刻的设备安全数据，分别构建所述目标社区的历史时刻动态知识图谱集合和当前时刻动态知识图谱；
历史知识图谱风险预测模块，用于将所述历史时刻动态知识图谱集合中的历史时刻动态知识图谱，按照时序关系，依次输入到设备设施历史知识图谱预测模型，得到所述目标社区在下一时刻的第一设备设施安全风险预测结果；其中，所述设备设施历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻动态知识图谱，对神经网络进行训练得到的；
当前时刻知识图谱预测模块，用于将所述当前时刻动态知识图谱输入到设备设施当前时刻知识图谱预测模型，得到所述目标社区在下一时刻的第二设备设施安全风险预测结果；其中，所述设备设施当前时刻知识图谱预测模型是由样本时刻对应的样本时刻安全动态知识图谱，对关系图卷积网络进行训练得到的；
融合推理模块，用于将所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果进行融合，得到所述目标社区在下一时刻的设备设施安全风险最终预测结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于社区设备设施的安全风险预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于社区设备设施的安全风险预测方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于社区设备设施的安全风险预测方法的步骤。
本发明提供的基于社区设备设施的安全风险预测方法及系统，通过将社区知识图谱的三元组扩充为具有时序信息的四元组，从而基于四元组构建社区设备设施安全动态知识图谱，并分别根据构建得到的历史时刻动态知识图谱和当前时刻动态知识图谱，预测社区在未来某时刻的社区设备设施安全风险等级，提高了社区安全风险预测准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图进行简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明提供的基于社区设备设施的安全风险预测方法的流程示意图；
图2为本发明提供的基于社区设备设施的安全风险预测系统的结构示意图；
图3为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
随着机器学习被广泛应用到风险研判和风险推理中，针对社区风险预测评估的机器学习模型也受到广泛关注。知识图谱的兴起，对数据的存储方式产生了极大地改变，真实世界的数据也可以用知识图谱的形式进行展现和储存，通过知识图谱，可以更加丰富的展现社区综合数据信息，使得基于知识图谱进行预测的算法，对数据的要求不像其他算法那样严格。
现有的社区知识图谱，主要是基于静态数据构建的静态知识图谱，通过静态知识图谱提取目标实体的特征和连接的邻居实体的特征，对数据进行处理，得到的社区风险预测结果。但是，上述基于静态知识图谱的社区风险推测方法，未能考虑历史数据对现在和未来产生的影响，由于现有静态知识图谱是以三元组的形式构成，所建立的静态知识图谱不能反映出社区综合风险会随时间变化的特点，未考虑社区综合数据具有时序性的特点，仅能根据现有的数据平铺式展开进行风险研判，无法处理随时间变化的风险数据信息，无法完成知识图谱信息的扩充和模型的自主学习，也无法预测未来时刻下将要发生的社区综合风险总和。
本发明提供了一种基于时序动态知识图谱的社区安全风险预测方法，将社区设备设施的历史数据按照四元组(头实体、关系、尾实体、时间)的方式，构建时序动态知识图谱，并根据构建的时序动态知识图谱，挖掘数据间存在的相互影响，有效利用社区设备设施安全历史数据信息，并基于此推理下一时刻的实体和关系，预测未来社区设备设施安全风险。
图1为本发明提供的基于社区设备设施的安全风险预测方法的流程示意图，如图1所示，本发明提供了一种基于社区设备设施的安全风险预测方法，包括：
步骤101，基于目标社区中每种设备设施在不同时刻的设备安全数据，分别构建所述目标社区的历史时刻动态知识图谱集合和当前时刻动态知识图谱。
在本发明中，首先对目标社区的设备安全数据进行筛选和提取，为了利用设备安全数据的时序特性，通过引入时间戳，构建每一种社区设备设施对应的四元组，该四元组包括{头实体、实体间的关系、尾实体、时间戳}。具体地，基于时间戳信息，以当前时刻为基准时刻，根据当前时刻之前各个历史时刻的四元组，构建历史时刻动态知识图谱，并按照时序关系进行排序，从而得到一个关于历史时刻动态知识图谱的集合；进一步地，根据当前时刻的四元组，构建当前时刻动态知识图谱。
步骤102，将所述历史时刻动态知识图谱集合中的历史时刻动态知识图谱，按照时序关系，依次输入到设备设施历史知识图谱预测模型，得到所述目标社区在下一时刻的第一设备设施安全风险预测结果；其中，所述设备设施历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻动态知识图谱，对神经网络进行训练得到的。
由于社区中的设备设施安全风险程度会随时间而变化，因此可通过表示不同时刻下与该风险要素相关的特征，综合反应社区设备设施安全风险的变化过程。本发明利用已有的实体数据、关系数据和时间数据，即历史时刻动态知识图谱集合，将每时刻下的每个目标实体及其相连的关系特征输入到由多层感知机(Multi-Layer Perception，简称MLP)和门控循环单元(Gated Recurrent Neural，简称GRU)构建的设备设施历史知识图谱预测模型中，通过MLP对历史时刻下的每个目标实体及其相连关系的特征进行聚合，再将聚合得到的信息按照时间顺序，输入至GRU，从而基于历史时刻动态知识图谱集合，预测得到在下一时刻时目标社区的设备设施安全事件的概率，即第一设备设施安全风险预测结果。
步骤103，将所述当前时刻动态知识图谱输入到设备设施当前时刻知识图谱预测模型，得到所述目标社区在下一时刻的第二设备设施安全风险预测结果；其中，所述设备设施当前时刻知识图谱预测模型是由样本时刻对应的样本时刻安全动态知识图谱，对关系图卷积网络进行训练得到的。
在本发明中，通过由关系图卷积网络(Relational Graph ConvolutionalNetwork，简称RGCN)训练得到的设备设施当前时刻知识图谱预测模型，聚合当前时刻动态知识图谱的全局信息。具体地，设备设施当前时刻知识图谱预测模型对当前时刻知识图谱中的信息进行聚合，将当前时刻的目标实体及其邻居实体的信息进行加权求和，然后经过Softmax激活函数，得到当前时刻目标社区发生设备设施安全事件的概率，即得到第二设备设施安全风险预测结果。
步骤104，将所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果进行融合，得到所述目标社区在下一时刻的设备设施安全风险最终预测结果。
在本发明中，将设备设施历史知识图谱预测模型的预测结果与设备设施当前时刻知识图谱预测模型的预测结果进行加权融合，获得目标社区最终的预测结果，从而获取目标社区在未来某时刻将要发生的事件，例如，社区风险等级升高，可以有效预测社区设备设施安全的综合风险趋势，为决策人员提供一个合理的理论依据，便于在社区设备设施安全各个环节上预警防控，保障活动的安全。
本发明提供的基于社区设备设施的安全风险预测方法，通过将社区知识图谱的三元组扩充为具有时序信息的四元组，从而基于四元组构建社区设备设施安全动态知识图谱，并分别根据构建得到的历史时刻动态知识图谱和当前时刻动态知识图谱，预测社区在未来某时刻的社区设备设施安全风险等级，提高了社区安全风险预测准确性。
在上述实施例的基础上，所述基于目标社区中每种设备设施在不同时刻的设备安全数据，分别构建所述目标社区的历史时刻动态知识图谱集合和当前时刻动态知识图谱，包括：
步骤201，根据所述设备安全数据，获取所述目标社区中的实体类型，以及每种实体之间的实体关系。
在本发明中，首先通过分析社区设备设施可能会发生的安全风险事件，根据获取得到的社区设备异构数据(即设备安全数据)，从各类数据信息中提取出不同类型的实体，并定义实体间的连接关系以及实体相应的时间戳，以构建四元组，并根据四元组和时间戳信息，建立社区设备设施在历史时刻和当前时刻各自对应的安全动态知识图谱。
步骤202，根据所述实体类型和所述实体关系，以历史时刻信息作为时间戳，构成每个历史时刻信息对应的四元组，并按照时序关系，基于每个历史时刻信息对应的四元组，构建历史时刻动态知识图谱集合；
步骤203，根据所述实体类型和所述实体关系，以当前时刻信息作为时间戳，构成当前时刻信息对应的四元组，并根据当前时刻信息对应的四元组，得到当前时刻动态知识图谱；
其中，所述每个历史时刻信息对应的四元组和所述当前时刻信息对应的四元组中的尾实体为待预测设备设施的安全风险结果。
在本发明中，社区设备设施安全数据主要是针对社区燃气、消防、供配电、暖通空调、给排水和电梯六大系统的设备设施数据，包括燃气井室气体、温度、燃气调压站环境数据、可燃气体、室内燃气、消防栓水压、消防水箱液位、喷淋末端水压、电参数、暖通空调水箱、烟感火灾探测器、给排水水质、电梯运行速度和开关门速度等。进一步地，本发明根据社区设备设施之间交互可能存在风险的特点，以及未来时刻的社区设备设施安全风险，与过去历史实例以及现在当前时刻的数据之间存在的联系、继承和延续的特点，构建具有时序关系的社区设备设施安全动态知识图谱。
为了构建社区系统的复杂场景，本发明将知识图谱用于社区系统的场景构建。知识图谱本质上是一种语义网络，是基于图的数据结构，它由实体和边组成，其中，实体表示现实世界中存在的事物，边表示实体之间的连接关系。为了确定知识图谱中实体类型和实体特征，根据上述社区系统组成特点和风险特点，综合考虑社区系统中各种设施、社区各类人员、相关单位的可靠性、社区系统中人为产生的不安全行为、设施的不安全状态、相关单位管理的缺陷以及环境因素的共同作用而导致事故发生的事件链，构建用于评估社区系统风险的动态知识图谱。
在本发明中，最终确定基于社区设备设施的知识图谱中的实体名称包括四大类，分别为：与社区相关的各类人员、社区内的各种设施、与社区系统相关的各个单位以及由引起的各种事故类型。具体地，在本发明中，基于社区设备设施的安全动态知识图谱是由四元组组成的集合，每个四元组都表示的客观事实的信息，表示形式为g＝<s,r,o,tk>，其中，s代表头实体，o代表尾实体，头实体s和尾实体o属于实体E；r表示头实体s和尾实体o之间的关系，r∈R；tk表示时间戳信息。
不同的实体下具有不同的实体类型，具体包括：
各类人员＝{社区住户、工作人员}；
设施＝{燃气井、燃气调压站、燃气终端、消防栓、消防水箱、电梯、电参数采集器、暖通空调、烟雾报警器、电气设备、井盖、调压器}；
各类单位＝{社区物业单位、社区居委会}；
风险等级＝{低风险、中风险、高风险}。
同时定义了知识图谱中实体与实体之间的连接关系：
关系集合＝{具有、属性、正常、轻度异常、失误、故障}；
属性类型的特征分别为＝{温度、运行速度、加速度、开关门速度、可燃气体浓度、烟雾浓度、电流、负载、压力、水位}；
并增加时间戳信息，从而构建了基于社区设备设施的安全动态知识图谱，实现了由社区系统风险评估指标体系到社区系统知识图谱的转换，在本发明中，社区系统知识图谱中的尾实体为社区设备设施的风险等级，是通过社区风险预测得到的。需要说明的是，知识图谱可以是<实体，关系，实体>或<实体，属性，属性值>的两种表达方式。具体地，当采用的是<实体，属性，属性值>的表达方式时，在不同的时刻，燃气或水箱的相关特征，如燃气浓度或水箱水压等，随着时间变化而变化，例如，在t1时刻，水箱水位和水压都处于低负载，在t2时刻，水箱水位和水压都处于高负载。本发明通过具有加入时间信息，构建得到的安全动态知识图谱，考虑了社区设备设施随时间变化的属性特征对社区安全风险的影响，结合历史时刻的社区设备设施的特征变化趋势和当前时刻的社区设备设施的实时特征，进行社区安全风险预测。需要说明的是，在本发明中，动态知识图谱中的尾实体通过模型预测得到，除了预测得到社区设备设施的风险等级，还可对不同实体的属性值进行预测，例如上述实施例中预测水箱水位的负载情况，当负载较高时，也可评估社区安全存在风险。
在上述实施例的基础上，所述设备设施历史知识图谱预测模型是通过多层感知机和门控循环单元构建得到的。
在本发明中，多层感知机的模型较为简单，本发明使用多层感知机可以将信息聚合的速度加快，且聚合效果符合设计需要；而门控循环单元，能够更好地捕捉时间序列中时间步距较大的依赖关系，在面对时间序列数据表现效果较好。
在上述实施例的基础上，所述设备设施历史知识图谱预测模型通过以下步骤得到：
以任一样本时刻为基准时刻，获取目标社区在所述基准时刻之前各个历史时刻对应的样本历史时刻动态知识图谱，其中，所述样本历史时刻动态知识图谱对应的四元组是由头实体、实体关系、第一样本尾实体和时间戳信息构成的；
将多个样本历史时刻动态知识图谱中的头实体、实体关系和时间戳信息，输入到所述多层感知机进行训练，得到由所述多层感知机输出的聚合向量；
将多个所述聚合向量按照时序关系，依次输入到所述门控循环单元进行训练，输出预测得到的第一样本尾实体；
根据所述第一样本尾实体和所述预测得到的第一样本尾实体进行损失计算，若得到的损失值满足第一预设训练阈值，得到设备设施历史知识图谱预测模型。
在本发明中，通过对多层感知机和门控循环单元进行训练，使得训练得到的设备设施历史知识图谱预测模型，可以识别历史重复的事件，并通过复制历史已知事实来预测未来的事件。由于社区设备安全数据会随时间变化而变化，因此，在设备设施历史知识图谱预测模型中，需要对历史信息进行继承、筛选和遗忘。
进一步地，本发明基于某个样本时刻为基准时刻，构建该基准时刻之前的历史时刻的样本历史时刻动态知识图谱，对于构建的样本历史时刻动态知识图谱，在模型的训练过程中，需要对每个样本历史时刻下的目标实体(即头实体)的特征进行聚合，目标实体的特征包括目标实体的自身属性、相邻实体间的关系以及时间戳信息。
具体地，如果查询(s、r、？、tk)具有特定于目标实体s以及时间步长tk时的关系r的历史词汇表
Figure BDA0003440933020000131
则在训练时，该模型将增加在历史词汇表中选择的对象实体(尾实体)的估计概率。在训练过程中，在样本历史时刻动态知识图谱输入到多层感知机之后，首先，利用多层感知机生成一个包含头实体，关系，时间戳的聚合向量/>
Figure BDA0003440933020000132
Figure BDA0003440933020000133
tk＝tk-1+tu；
其中，Wc∈R3dxN和bc∈RN为可学习的参数，tu为一个单位时间步长。在本发明中，索引向量是一个N维向量，N表示整个社区设备设施安全历史实体字典E的基数。
通过过去历史时刻中已有的社区数据，来推测未来时刻要发生的社区设备设施安全风险，需要一个能够存储记忆过去的社区设备设施安全信息，并且可以推测未来某时刻社区设备设施安全风险的神经网络。循环神经网络是处理时间序列数据的神经网络，时间序列数据是指在不同时间点上收集到的数据，这类数据反映了某一事物、现象等随时间的变化状态或程度。循环神经网络(Recurrent Neural Network，简称RNN)及其变种长短记忆网络(Long short-term memory，简称LSTM)和门控循环单元，能够更好地捕捉时间序列中时间步距较大的依赖关系，在面对时间序列数据表现效果较好，从需要筛选信息和网络轻量化的角度考虑，本发明选择门控循环单元作为时序网络，用于和多层感知机构建设备设施历史知识图谱预测模型。
具体地，门控循环单元包含两个门：重置门和更新门，通过可以学习的门来控制信息的流向。GRU具有如下特性：1、可以捕捉当前时刻下社区设备设施安全的信息，并筛选历史信息并与新信息结合；2、GRU模型参数的数量不随时间的增加而增多。因此，可以将过去所有记录的社区数据通过GRU训练，来预测未来时刻的社区设备设施安全风险。
进一步地，对于每个样本历史时刻下聚合的向量
Figure BDA0003440933020000141
按照时间序列的顺序输入至GRU中，输出的信息使用Softmax函数，从而获得设备设施历史知识图谱预测模型对对象实体预测的概率：
Figure BDA0003440933020000142
Figure BDA0003440933020000143
其中，
Figure BDA0003440933020000144
表示tk时刻GRU记忆的内容；P(c)是一个等于整个社区设备设施安全实体词汇量的向量，表示设备设施历史知识图谱预测模型的预测概率。本发明通过使用GRU，可以将部分历史信息抛弃，过滤不重要的信息，且使得继承的向量的大小不会随时间积累过大。
具体地，多层感知机先将每一历史时刻下的信息进行聚合，聚合后的信息通过门控循环单元(GRU)进行筛选，最后获得的信息经过Softmax归一化，获得设备设施历史知识图谱预测模型输出的预测概率，即每个尾实体o的预测概率。当设备设施历史知识图谱预测模型预测得到尾实体与真实尾实体之间的误差小于预设训练阈值时，则判断模型完成训练。需要说明的是，本发明构建的设备设施历史知识图谱预测模型不仅能够处理历史数据，也能够处理当前时刻更新的信息，使得模型可以不断优化调整。
在上述实施例的基础上，所述设备设施当前时刻知识图谱预测模型通过以下步骤得到：
基于目标社区在样本时刻时的样本设备安全数据，获取样本时刻安全动态知识图谱；其中，所述样本时刻安全动态知识图谱是由包含有头实体、实体关系、第二尾实体和时间戳信息的四元组生成的；
将多个所述样本时刻安全动态知识图谱中的头实体、实体关系和时间戳信息，输入到关系图卷积网络进行训练，输出预测得到的第二样本尾实体；
根据所述第二样本尾实体和所述预测得到的第二样本尾实体进行损失计算，若得到的损失值满足第二预设训练阈值，得到设备设施当前时刻知识图谱预测模型。
在本发明中，社区设备设施安全风险除了受历史时刻数据的影响，还会因为当前时刻下的信息发生变化，如温度等条件发生改变，将直接影响社区设备设施安全数据。因此，需要在社区历史数据的基础上融合当前时刻下的社区环境等数据，对社区风险进行综合预测。
为了更好的发现社区设备设施安全风险知识图谱中的相关性，以及完成当前时刻的知识图谱的信息聚合，本发明对关系图卷积网络进行训练，在预测值与真实值之间的误差满足预设阈值时，得到设备设施当前时刻知识图谱预测模型，通过模型计算给定实体的邻近实体信息和偏差，邻近实体可以扩展到两跳距离，从而构建高阶邻近信息，捕捉潜在的风险。
关系图卷积网络能够实现异构图建模，可以将社区设备设施安全动态知识图谱中实体的多重关系信息进行合并，由于其在处理邻居实体数据的时候，考虑了关系的不同性对邻居实体进行分类操作，对于每一种关系的邻居实体引人不同的权重参数，分别对属于同一关系类型的邻居实体聚合之后，再进行一次总的聚合。关系图卷积网络的聚合器公式如下：
Figure BDA0003440933020000161
其中，pg为当前时刻目标实体概率，R表示社区设备设施安全动态知识图谱中所有的关系集合，
Figure BDA0003440933020000162
表示与头实体s具有r关系的邻居实体的个数；cs是归一化参数，本发明选取cs为与头实体s具有r关系的邻居实体的个数，即/>
Figure BDA0003440933020000163
Figure BDA0003440933020000164
表示具有r关系的邻居实体所对应的权重参数，/>
Figure BDA0003440933020000165
表示该邻居实体的特征，/>
Figure BDA0003440933020000166
表示头实体s自身对应的权重参数，/>
Figure BDA0003440933020000167
表示该目标实体s的特征。每种关系与实体之间连接的局部图结构，通过聚集目标实体的邻居实体的信息，即/>
Figure BDA0003440933020000168
在每个实体上产生一条汇聚同种关系下的信息。通过汇总当前时刻动态知识图谱中所有关系的消息，即
Figure BDA0003440933020000169
进一步计算每个实体的总体信息。最后，通过加和自身实体的信息，即wsqs，并将加和后得到的信息经过Softmax激活函数，从而得到关系图卷积网络输出的当前时刻目标实体概率pg。
进一步地，模型通过一个两层聚合的操作：先对同种关系的邻居实体进行单独聚合，这里对于每一种类型的关系，也同时考虑了关系的方向性，同时对于自身加入了自连接的关系；进一步地，在将上述所有不同关系的邻居进行聚合之后，再进行一次总的聚合。
在本发明中，给定与前面相同的查询四元组(s、r、？、tk)，当前时刻知识图谱预测模型通过从整个实体词汇表ε中选择对象实体来预测事实，通过将预测得到的事实视作全新的事实，而无需参考历史。
在上述实施例的基础上，所述将所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果进行融合，得到所述目标社区在下一时刻的设备设施安全风险最终预测结果，包括：
通过粒子群算法，对所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果各自对应的权重进行调整；
对权重调整后的第一设备设施安全风险预测结果和第二设备设施安全风险预测结果进行求和处理，确定所述目标社区在下一时刻的设备设施安全风险最终预测结果。
在本发明中，为了对待查询的(s、r、？、tk)进行预测，设备设施历史知识图谱预测模型和设备设施当前时刻知识图谱预测模型都给出了在其候选空间内具有最高概率的预测对象实体。为了确保实体词汇表ε中的所有实体出现的概率之和为1，通过加入一个相关系数w(即动态权重)来调整设备设施历史知识图谱预测模型和设备设施当前时刻知识图谱预测模型各自预测结果之间的权重，其中，相关系数w为一个可学习的参数。
本发明采用粒子群算法(Particle Swarm Optimization，简称PSO)，通过群体中个体之间的协作和信息共享来寻找最优解，即得到最优的相关系数w，其优势在于简单容易实现、没有许多参数的调节，并且实现简单，速度快。
具体地，通过粒子群算法，将两个模型的预测结果初始化为一群随机粒子(即随机解)；然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pid，pgd)来更新自己。在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置：
vi＝w·vid+c1·r1·(pid-xid)+c2·r2·(pgd-xid)；
xid＝xid+vid；
其中，vid表示粒子速度，xid表示粒子当前位置，w是惯性因子；c1和c2是学习因子，通常均设为2；r1和r2是随机数，取值范围为0-1。
动态权重w可在粒子群算法搜索过程中线性变化，也可以根据粒子群算法性能的某个测度函数动态改变。本发明采用是线性递减权值：
w＝(wini-wend)(Gk-g)/Gk+wend；
其中，Gk是最大迭代次数，wini是初始惯性权值，wend是迭代至最大进化代数时的惯性权值。
由于粒子群算法需要一个隶属函数来调整权重w，在训练过程中，本发明融合得出的预测结果在矩阵中的位置(记为f1)与真实数据的结果在矩阵的位置(记为f2)相比较，L为目标函数，记为f1与f2之差，当L越小，权重w更符合预期设计：
L＝|f1-f2|；
最后，根据粒子群算法所求的权重，可以将两种模型得到的概率预测进行结合，最终给出的预测是尾实体ot组合概率最高的实体：
p(o|s,p,t)＝w*p(c)+(1-w)*p(g)；
ot＝argmaxo∈εp(o|s,r,t)；
其中，p(o|s,p,t)为模型对实体集合E中的每个实体的预测，由设备设施历史知识图谱预测模型和设备设施当前时刻知识图谱预测模型对社区设备设施安全风险预测的概率决定的，所有尾实体预测概率相加为1。在本发明中，通过将两个模型输出的预测结果进行融合，从而得到最终的预测结果。进一步地，对预测的目标尾实体进行筛选，选取概率最大的尾实体作为模型对社区设备设施安全风险的预测结果。预测结果具体而言，包含待预测社区的风险等级，分为三个等级，低风险、中等风险和高风险，从而辅助管理人员进行决策。
在一实施例中，对基于社区设备设施的安全风险预测流程进行整体说明。首先，通过分析社区设备设施安全风险事件，根据获取的社区设备异构数据，从各类数据信息中提取出不同类型的实体，并定义实体间的连接关系以及实体相应的时间戳，从而构建四元组，并建立社区设备设施安全动态知识图谱，包括历史时刻动态知识图谱集合和当前时刻动态知识图谱，作为对应模型的待输入数据集；
然后，使用设备设施历史知识图谱预测模型中的多层感知机，将历史时刻动态知识图谱集合中的历史信息进行聚合，并将聚合后的信息送入门控循环单元中，再经过Softmax激活函数，获得目标社区在下一时刻的第一设备设施安全风险预测结果；
同时，使用设备设施当前时刻知识图谱预测模型中的多关系聚合器，将目标实体、实体间的关系和当前时刻的时间信息进行聚合，经过线性回归和Softmax激活函数，获得目标社区在下一时刻的第二设备设施安全风险预测结果；
最后，将设备设施历史知识图谱预测模型和设备设施当前时刻知识图谱预测模型分别得到预测结果进行加权，且经过粒子群算法更新权值，得到模型最终的预测结果，实现社区设备设施安全事件风险的推理，预测社区的风险等级。
本发明对社区设备数据进行筛选，选取社区设备中六大系统数据作为构建动态知识图谱的数据集，通过引入时间戳的概念，将传统的知识图谱三元组加入时间维度，变成知识图谱四元组，增加了知识图谱中实体和关系的在时间维度上面的先后信息，可以动态的展示社区设备设施安全数据。进而根据设备设施历史知识图谱预测模型和设备设施当前时刻知识图谱预测模型生成的具有最高概率的预测对象实体，通过粒子群算法实现权重的自动更新，对两个模型的预测结果进行加权求和处理，最终得到预测准确性更高的社区安全风险预测结果。
下面对本发明提供的基于社区设备设施的安全风险预测系统进行描述，下文描述的基于社区设备设施的安全风险预测系统与上文描述的基于社区设备设施的安全风险预测方法可相互对应参照。
图2为本发明提供的基于社区设备设施的安全风险预测系统的结构示意图，如图2所示，本发明提供了一种基于社区设备设施的安全风险预测系统，包括时序知识图谱构建模块201、历史知识图谱风险预测模块202、当前时刻知识图谱预测模块203和融合推理模块204，其中，时序知识图谱构建模块201用于基于目标社区中每种设备设施在不同时刻的设备安全数据，分别构建所述目标社区的历史时刻动态知识图谱集合和当前时刻动态知识图谱；历史知识图谱风险预测模块202用于将所述历史时刻动态知识图谱集合中的历史时刻动态知识图谱，按照时序关系，依次输入到设备设施历史知识图谱预测模型，得到所述目标社区在下一时刻的第一设备设施安全风险预测结果；其中，所述设备设施历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻动态知识图谱，对神经网络进行训练得到的；当前时刻知识图谱预测模块203用于将所述当前时刻动态知识图谱输入到设备设施当前时刻知识图谱预测模型，得到所述目标社区在下一时刻的第二设备设施安全风险预测结果；其中，所述设备设施当前时刻知识图谱预测模型是由样本时刻对应的样本时刻安全动态知识图谱，对关系图卷积网络进行训练得到的；融合推理模块204用于将所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果进行融合，得到所述目标社区在下一时刻的设备设施安全风险最终预测结果。
本发明提供的基于社区设备设施的安全风险预测系统，通过将社区知识图谱的三元组扩充为具有时序信息的四元组，从而基于四元组构建社区设备设施安全动态知识图谱，并分别根据构建得到的历史时刻动态知识图谱和当前时刻动态知识图谱，预测社区在未来某时刻的社区设备设施安全风险等级，提高了社区安全风险预测准确性。
本发明提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图3为本发明提供的电子设备的结构示意图，如图3所示，该电子设备可以包括：处理器(Processor)301、通信接口(Communications Interface)302、存储器(Memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行基于社区设备设施的安全风险预测方法，该方法包括：基于目标社区中每种设备设施在不同时刻的设备安全数据，分别构建所述目标社区的历史时刻动态知识图谱集合和当前时刻动态知识图谱；将所述历史时刻动态知识图谱集合中的历史时刻动态知识图谱，按照时序关系，依次输入到设备设施历史知识图谱预测模型，得到所述目标社区在下一时刻的第一设备设施安全风险预测结果；其中，所述设备设施历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻动态知识图谱，对神经网络进行训练得到的；将所述当前时刻动态知识图谱输入到设备设施当前时刻知识图谱预测模型，得到所述目标社区在下一时刻的第二设备设施安全风险预测结果；其中，所述设备设施当前时刻知识图谱预测模型是由样本时刻对应的样本时刻安全动态知识图谱，对关系图卷积网络进行训练得到的；将所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果进行融合，得到所述目标社区在下一时刻的设备设施安全风险最终预测结果。
此外，上述的存储器303中的逻辑指令可以通过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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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)执行本发明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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于社区设备设施的安全风险预测方法，该方法包括：基于目标社区中每种设备设施在不同时刻的设备安全数据，分别构建所述目标社区的历史时刻动态知识图谱集合和当前时刻动态知识图谱；将所述历史时刻动态知识图谱集合中的历史时刻动态知识图谱，按照时序关系，依次输入到设备设施历史知识图谱预测模型，得到所述目标社区在下一时刻的第一设备设施安全风险预测结果；其中，所述设备设施历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻动态知识图谱，对神经网络进行训练得到的；将所述当前时刻动态知识图谱输入到设备设施当前时刻知识图谱预测模型，得到所述目标社区在下一时刻的第二设备设施安全风险预测结果；其中，所述设备设施当前时刻知识图谱预测模型是由样本时刻对应的样本时刻安全动态知识图谱，对关系图卷积网络进行训练得到的；将所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果进行融合，得到所述目标社区在下一时刻的设备设施安全风险最终预测结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于社区设备设施的安全风险预测方法，该方法包括：基于目标社区中每种设备设施在不同时刻的设备安全数据，分别构建所述目标社区的历史时刻动态知识图谱集合和当前时刻动态知识图谱；将所述历史时刻动态知识图谱集合中的历史时刻动态知识图谱，按照时序关系，依次输入到设备设施历史知识图谱预测模型，得到所述目标社区在下一时刻的第一设备设施安全风险预测结果；其中，所述设备设施历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻动态知识图谱，对神经网络进行训练得到的；将所述当前时刻动态知识图谱输入到设备设施当前时刻知识图谱预测模型，得到所述目标社区在下一时刻的第二设备设施安全风险预测结果；其中，所述设备设施当前时刻知识图谱预测模型是由样本时刻对应的样本时刻安全动态知识图谱，对关系图卷积网络进行训练得到的；将所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果进行融合，得到所述目标社区在下一时刻的设备设施安全风险最终预测结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种基于社区设备设施的安全风险预测方法，其特征在于，包括：
基于目标社区中每种设备设施在不同时刻的设备安全数据，分别构建所述目标社区的历史时刻动态知识图谱集合和当前时刻动态知识图谱；
将所述历史时刻动态知识图谱集合中的历史时刻动态知识图谱，按照时序关系，依次输入到设备设施历史知识图谱预测模型，得到所述目标社区在下一时刻的第一设备设施安全风险预测结果；其中，所述设备设施历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻动态知识图谱，对神经网络进行训练得到的；
将所述当前时刻动态知识图谱输入到设备设施当前时刻知识图谱预测模型，得到所述目标社区在下一时刻的第二设备设施安全风险预测结果；其中，所述设备设施当前时刻知识图谱预测模型是由样本时刻对应的样本时刻安全动态知识图谱，对关系图卷积网络进行训练得到的；
将所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果进行融合，得到所述目标社区在下一时刻的设备设施安全风险最终预测结果；
所述设备设施历史知识图谱预测模型是通过多层感知机和门控循环单元构建得到的；
所述设备设施历史知识图谱预测模型通过以下步骤得到：
以任一样本时刻为基准时刻，获取目标社区在所述基准时刻之前各个历史时刻对应的样本历史时刻动态知识图谱，其中，所述样本历史时刻动态知识图谱对应的四元组是由头实体、实体关系、第一样本尾实体和时间戳信息构成的；
将多个样本历史时刻动态知识图谱中的头实体、实体关系和时间戳信息，输入到所述多层感知机进行训练，得到由所述多层感知机输出的聚合向量；
将多个所述聚合向量按照时序关系，依次输入到所述门控循环单元进行训练，输出预测得到的第一样本尾实体；
根据所述第一样本尾实体和所述预测得到的第一样本尾实体进行损失计算，若得到的损失值满足第一预设训练阈值，得到设备设施历史知识图谱预测模型；
所述设备设施当前时刻知识图谱预测模型通过以下步骤得到：
基于目标社区在样本时刻时的样本设备安全数据，获取样本时刻安全动态知识图谱；其中，所述样本时刻安全动态知识图谱是由包含有头实体、实体关系、第二样本尾实体和时间戳信息的四元组生成的；
将多个所述样本时刻安全动态知识图谱中的头实体、实体关系和时间戳信息，输入到关系图卷积网络进行训练，输出预测得到的第二样本尾实体；
根据所述第二样本尾实体和所述预测得到的第二样本尾实体进行损失计算，若得到的损失值满足第二预设训练阈值，得到设备设施当前时刻知识图谱预测模型。
2.根据权利要求1所述的基于社区设备设施的安全风险预测方法，其特征在于，所述基于目标社区中每种设备设施在不同时刻的设备安全数据，分别构建所述目标社区的历史时刻动态知识图谱集合和当前时刻动态知识图谱，包括：
根据所述设备安全数据，获取所述目标社区中的实体类型，以及每种实体之间的实体关系；
根据所述实体类型和所述实体关系，以历史时刻信息作为时间戳，构成每个历史时刻信息对应的四元组，并按照时序关系，基于每个历史时刻信息对应的四元组，构建历史时刻动态知识图谱集合；
根据所述实体类型和所述实体关系，以当前时刻信息作为时间戳，构成当前时刻信息对应的四元组，并根据当前时刻信息对应的四元组，得到当前时刻动态知识图谱；
其中，所述每个历史时刻信息对应的四元组和所述当前时刻信息对应的四元组中的尾实体为待预测设备设施的安全风险结果。
3.根据权利要求1所述的基于社区设备设施的安全风险预测方法，其特征在于，所述将所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果进行融合，得到所述目标社区在下一时刻的设备设施安全风险最终预测结果，包括：
通过粒子群算法，对所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果各自对应的权重进行调整；
对权重调整后的第一设备设施安全风险预测结果和第二设备设施安全风险预测结果进行求和处理，确定所述目标社区在下一时刻的设备设施安全风险最终预测结果。
4.一种基于社区设备设施的安全风险预测系统，其特征在于，包括：
时序知识图谱构建模块，用于基于目标社区中每种设备设施在不同时刻的设备安全数据，分别构建所述目标社区的历史时刻动态知识图谱集合和当前时刻动态知识图谱；
历史知识图谱风险预测模块，用于将所述历史时刻动态知识图谱集合中的历史时刻动态知识图谱，按照时序关系，依次输入到设备设施历史知识图谱预测模型，得到所述目标社区在下一时刻的第一设备设施安全风险预测结果；其中，所述设备设施历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻动态知识图谱，对神经网络进行训练得到的；
当前时刻知识图谱预测模块，用于将所述当前时刻动态知识图谱输入到设备设施当前时刻知识图谱预测模型，得到所述目标社区在下一时刻的第二设备设施安全风险预测结果；其中，所述设备设施当前时刻知识图谱预测模型是由样本时刻对应的样本时刻安全动态知识图谱，对关系图卷积网络进行训练得到的；
融合推理模块，用于将所述第一设备设施安全风险预测结果和所述第二设备设施安全风险预测结果进行融合，得到所述目标社区在下一时刻的设备设施安全风险最终预测结果；
所述设备设施历史知识图谱预测模型是通过多层感知机和门控循环单元构建得到的；
所述设备设施历史知识图谱预测模型通过以下步骤得到：
以任一样本时刻为基准时刻，获取目标社区在所述基准时刻之前各个历史时刻对应的样本历史时刻动态知识图谱，其中，所述样本历史时刻动态知识图谱对应的四元组是由头实体、实体关系、第一样本尾实体和时间戳信息构成的；
将多个样本历史时刻动态知识图谱中的头实体、实体关系和时间戳信息，输入到所述多层感知机进行训练，得到由所述多层感知机输出的聚合向量；
将多个所述聚合向量按照时序关系，依次输入到所述门控循环单元进行训练，输出预测得到的第一样本尾实体；
根据所述第一样本尾实体和所述预测得到的第一样本尾实体进行损失计算，若得到的损失值满足第一预设训练阈值，得到设备设施历史知识图谱预测模型；
所述设备设施当前时刻知识图谱预测模型通过以下步骤得到：
基于目标社区在样本时刻时的样本设备安全数据，获取样本时刻安全动态知识图谱；其中，所述样本时刻安全动态知识图谱是由包含有头实体、实体关系、第二样本尾实体和时间戳信息的四元组生成的；
将多个所述样本时刻安全动态知识图谱中的头实体、实体关系和时间戳信息，输入到关系图卷积网络进行训练，输出预测得到的第二样本尾实体；
根据所述第二样本尾实体和所述预测得到的第二样本尾实体进行损失计算，若得到的损失值满足第二预设训练阈值，得到设备设施当前时刻知识图谱预测模型。
5.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述基于社区设备设施的安全风险预测方法的步骤。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述基于社区设备设施的安全风险预测方法的步骤。
CN202111630708.1A 2021-12-28 2021-12-28 基于社区设备设施的安全风险预测方法及系统 Active CN115964503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111630708.1A CN115964503B (zh) 2021-12-28 2021-12-28 基于社区设备设施的安全风险预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111630708.1A CN115964503B (zh) 2021-12-28 2021-12-28 基于社区设备设施的安全风险预测方法及系统

Publications (2)

Publication Number Publication Date
CN115964503A CN115964503A (zh) 2023-04-14
CN115964503B true CN115964503B (zh) 2023-07-07

Family

ID=85888409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111630708.1A Active CN115964503B (zh) 2021-12-28 2021-12-28 基于社区设备设施的安全风险预测方法及系统

Country Status (1)

Country Link
CN (1) CN115964503B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371623B (zh) * 2023-12-06 2024-03-01 佳源科技股份有限公司 一种电能表运行状态预警方法及系统
CN117974070B (zh) * 2024-03-28 2024-06-18 河北金锁安防工程股份有限公司 基于物联网的应急安全智能管控方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749285A (zh) * 2021-01-21 2021-05-04 北京明略昭辉科技有限公司 一种基于知识图谱的资源预警方法、系统、设备及介质
CN112800237A (zh) * 2021-01-19 2021-05-14 中国再保险(集团)股份有限公司 基于知识图谱嵌入表示的预测方法、装置和计算机设备
WO2021103492A1 (zh) * 2019-11-28 2021-06-03 福建亿榕信息技术有限公司 一种企业经营风险预测方法和系统
CN113642826A (zh) * 2021-06-02 2021-11-12 中国海洋大学 一种供应商违约风险预测方法
CN113822494A (zh) * 2021-10-19 2021-12-21 平安科技（深圳）有限公司 风险预测方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021103492A1 (zh) * 2019-11-28 2021-06-03 福建亿榕信息技术有限公司 一种企业经营风险预测方法和系统
CN112800237A (zh) * 2021-01-19 2021-05-14 中国再保险(集团)股份有限公司 基于知识图谱嵌入表示的预测方法、装置和计算机设备
CN112749285A (zh) * 2021-01-21 2021-05-04 北京明略昭辉科技有限公司 一种基于知识图谱的资源预警方法、系统、设备及介质
CN113642826A (zh) * 2021-06-02 2021-11-12 中国海洋大学 一种供应商违约风险预测方法
CN113822494A (zh) * 2021-10-19 2021-12-21 平安科技（深圳）有限公司 风险预测方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于长短时记忆神经网络的脑血管疾病预测系统研究;姚春晓;中国优秀硕士学位论文全文数据库 (医药卫生科技辑);2020年(第1期);E070-159 *

Also Published As

Publication number Publication date
CN115964503A (zh) 2023-04-14

Similar Documents

Publication Publication Date Title
Zhang et al. Big data and artificial intelligence based early risk warning system of fire hazard for smart cities
Du et al. GAN-based anomaly detection for multivariate time series using polluted training set
CN112966714B (zh) 一种边缘时序数据异常检测和网络可编程控制方法
CN106453293A (zh) 一种基于改进bpnn的网络安全态势预测方法
Biswas et al. Weather forecast prediction: an integrated approach for analyzing and measuring weather data
CN114118507B (zh) 一种基于多维信息融合的风险评估预警方法和装置
CN115964503B (zh) 基于社区设备设施的安全风险预测方法及系统
CN115964504B (zh) 一种食品安全风险预测方法及系统
Zhang et al. Automatic Traffic Anomaly Detection on the Road Network with Spatial‐Temporal Graph Neural Network Representation Learning
Huo et al. Traffic anomaly detection method based on improved GRU and EFMS-Kmeans clustering
Sheng et al. Network traffic anomaly detection method based on chaotic neural network
Zhou et al. Network security situation assessment methods and tactics based on multivariate spatiotemporal attack graph model
CN118694673A (zh) 一种基于神经网络算法的生命周期风险管控方法
CN117934139A (zh) 基于Stacking融合算法的银行卡诈骗预测方法
CN116578858A (zh) 基于图神经网络的空压机故障预测与健康度评价方法及系统
Singh The Evolution of Cybersecurity in the Big Data Era Moving Beyond Data Protection to Data-Driven Security
Yang et al. Lightweight fault prediction method for edge networks
ZUO et al. Insider threat detection model of power system based on lstm-attention
Su et al. ADCMO: an anomaly detection approach based on local outlier factor for continuously monitored object
Trappolini et al. Quantized Auto Encoder-Based Anomaly Detection for Multivariate Time Series Data in 5G Networks
Ness Enhancing Smart Grid Reliability: Fault Detection in Phasor Measurement Unit Images with Deep Learning
Wang et al. Network intrusion detection based on lightning search algorithm optimized extreme learning machine
Ma CNN-LSTM based machine learning model to identify firewall decision
CN118228161B (zh) 一种电网灾害分析处理的方法及系统
Alkhalil et al. An Intelligent Approach for Intrusion Detection in Industrial Control 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
GR01 Patent grant
GR01 Patent grant