灾害分析方法和电子设备技术

本公开公开了一种灾害分析方法和电子设备，在发生可能导致目标灾害的诱发事件后，获取目标灾害的诱发事件的参数值，并采用预先训练的贝叶斯网络模型对诱发事件的参数值进行分析，根据对诱发事件参数值的分析结果，确定该诱发事件有可能导致的目标灾害和次衍生灾害所发生的概率。由于，本公开实施例中预先训练的贝叶斯网络模型是基于次衍生灾害事理图谱构建的，因而，通过该模型对事故数据的分析处理，可得诱发时间可能带来的直接灾害(即目标灾害)以及次衍生灾害相关影响，以便于实现提前对的灾害进行预防，以此提升城市危灾害处置中对于灾害风险的预防能力。

【技术实现步骤摘要】
灾害分析方法和电子设备
本公开涉及信息处理
，特别涉及一种灾害分析方法和电子设备。
技术介绍
近年来，随着应急管理部门的组建在发生危化品灾害事故后，应急管理部门能够根据事故类型和严重程度启动相应等级的应急预案并统一进行指挥。而目前的情况下事故类型和严重程度的判定更多依赖人为经验。故此，相关技术中缺少一种能够分析推理危化品泄漏、爆炸可能带来的次衍生灾害的方法。
技术实现思路
本公开的目的是提供一种灾害分析方法和电子设备，用于解决在发生灾害事故后，缺少一种能通过事故相关数据分析推理出次衍生灾害的问题。第一方面，本公开提供一种电子设备，所述电子设备包括：存储器和控制器，其中：所述存储器，用于存储可被所述控制器执行的计算机程序；所述控制器连接所述存储器，被配置为：获取目标灾害的诱发事件的参数值；所述诱发事件的参数值用于表示所述诱发事件的严重程度；采用预先训练的贝叶斯网络模型对所述诱发事件的参数值进行分析，确定基于所述诱发事件导致的所述目标灾害和次衍生灾害各自的发生概率；其中，所述贝叶斯网络模型是基于次衍生灾害事理图谱构建的，所述次衍生灾害事理图谱中的实体包括所述诱发事件、所述目标灾害和由所述目标灾害导致的所述次衍生灾害，且不同实体之间的关系用于表示实体之间的因果关系；输出所述目标灾害和所述次衍生灾害各自的发生概率。在一些可能的实施例中，所述次衍生灾害事理图谱是基于对已知案例的分析结果和专家知识构建的。在一些可能的实施例中，所述控制器还被配置为在构建所述次衍生灾害事理图谱时，基于机器学习的方法对已知案例进行分析，提取三元组，所述三元组中包括原因、因果关系和基于所述原因导致的事故，其中所述次衍生灾害事理图谱中的实体包括所述原因和所述事故。在一些可能的实施例中，预先构建有知识图谱，所述知识图谱中的实体为不同地物以及不同地物的属性，其中不同地物的属性包括危险标签、位置信息；所述目标灾害和所述次衍生灾害中的指定灾害和危险标签具有关联关系；所述控制器确定基于所述诱发事件导致的所述目标灾害和次衍生灾害各自的发生概率之后，所述控制器还被配置为：若所述指定灾害的发生概率满足预设的风险点挖掘条件时，从所述知识图谱中搜索满足预设条件的目标实体；所述预设条件为基于所述目标实体的位置信息确定所述目标实体与所述诱发事件的发生地之间的距离在指定距离范围内、且所述目标实体具有与所述指定灾害具有关联关系的危险标签；若搜索到所述目标实体，则输出所述目标实体。在一些可能的实施例中，若所述控制器搜索到所述目标实体时，所述控制器还被配置为：获取与所述目标实体对应的用于应对灾害的预案；并输出所述预案。在一些可能的实施例中，所述控制器还被配置为：根据以下方法训练所述贝叶斯网络模型；针对每个已知案例分别执行以下操作得到所述已知案例的量化结果；按照预设量化规则对所述已知案例中的诱发事件的严重程度进行量化处理，得到所述诱发事件的所述参数值；基于所述已知案例的所述诱发事件的所述参数值，确定发生所述诱发事件导致所述目标灾害的条件概率；对预测地的多个实际状况中的每个目标状况分别执行：采用预测地的所述目标状况与所述已知案例发生地的案发状况之间的相似度对所述条件概率进行调整；其中，所述相似度与调整后的条件概率之间存在正相关关系；基于调整后的所述目标灾害的条件概率，确定所述已知案例中次衍生灾害的发生概率；在获取各个已知案例的所述量化结果后，采用各个已知案例的量化结果对所述贝叶斯网络模型进行训练；所述控制器采用预先训练的贝叶斯网络模型对所述诱发事件的参数值进行分析时，所述控制器被配置为：采用与所述预测地的当前状况最接近的目标状况对应的预先训练的贝叶斯网络模型对所述诱发事件的参数值进行分析。在一些可能的实施例中，所述控制器采用至少一个随机变量表示所述状况时，所述控制器还被配置为：根据以下方法确定所述预测地的所述目标状况与所述已知案例发生地的案发状况之间的相似度；分别获取所述预测地和所述已知案例的发生地的各个所述随机变量的量化值；基于各个所述随机变量的量化值，确定所述预测地的目标状况与所述已知案例的发生地的案发状况之间的差异度；采用所述差异度，确定所述预测地的目标状况与所述已知案例的发生地的案发状况之间的相似度。在一些可能的实施例中，所述控制器采用所述差异度，确定所述预测地的目标状况与所述已知案例的发生地的案发状况之间的相似度，所述控制器被配置为：基于以下公式确定所述预测地的目标状况与所述已知案例的发生地的案发状况之间的相似度：其中，ωjk表示相似度，bjk表示所述差异度，bmax表示所述差异度最大的随机变量之间的差异度，bmin表示差异度最小的随机变量之间的差异度。第二方面，本公开还提供一种灾害分析方法，所述方法包括：获取目标灾害的诱发事件的参数值；所述诱发事件的参数值用于表示所述诱发事件的严重程度；采用预先训练的贝叶斯网络模型对所述诱发事件的参数值进行分析，确定基于所述诱发事件导致的所述目标灾害和次衍生灾害各自的发生概率；其中，所述贝叶斯网络模型是基于次衍生灾害事理图谱构建的，所述次衍生灾害事理图谱中的实体包括所述诱发事件、所述目标灾害和由所述目标灾害导致的所述次衍生灾害，且不同实体之间的关系用于表示实体之间的因果关系；输出所述目标灾害和所述次衍生灾害各自的发生概率。在一些可能的实施例中，所述次衍生灾害事理图谱是基于对已知案例的分析结果和专家知识构建的。在一些可能的实施例中，在构建所述次衍生灾害事理图谱时，基于机器学习的方法对已知案例进行分析，提取三元组，所述三元组中包括原因、因果关系和基于所述原因导致的事故，其中所述次衍生灾害事理图谱中的实体包括所述原因和所述事故。在一些可能的实施例中，预先构建有知识图谱，所述知识图谱中的实体为不同地物以及不同地物的属性，其中不同地物的属性包括危险标签、位置信息；所述目标灾害和所述次衍生灾害中的指定灾害和危险标签具有关联关系；所述确定基于所述诱发事件导致的所述目标灾害和次衍生灾害各自的发生概率之后，所述方法还包括：若所述指定灾害的发生概率满足预设的风险点挖掘条件时，从所述知识图谱中搜索满足预设条件的目标实体；所述预设条件为基于所述目标实体的位置信息确定所述目标实体与所述诱发事件的发生地之间的距离在指定距离范围内、且所述目标实体具有与所述指定灾害具有关联关系的危险标签；若搜索到所述目标实体，则输出所述目标实体。在一些可能的实施例中，若搜索到所述目标实体时，所述方法还包括：获取与所述目标实体对应的用于应对灾害的预案；并输出所述预案。在一些可能的实施例中，所述方法还包括：根据以下方法训练所述贝叶斯网络模型；针对每个已知案例分别执行以下操作得到所述已知案例的量化结果；按照预设本文档来自技高网...

【技术保护点】
1.一种电子设备，其特征在于，所述电子设备包括：存储器和控制器，其中：/n所述存储器，用于存储可被所述控制器执行的计算机程序；/n所述控制器连接所述存储器，被配置为：/n获取目标灾害的诱发事件的参数值；所述诱发事件的参数值用于表示所述诱发事件的严重程度；/n采用预先训练的贝叶斯网络模型对所述诱发事件的参数值进行分析，确定基于所述诱发事件导致的所述目标灾害和次衍生灾害各自的发生概率；其中，所述贝叶斯网络模型是基于次衍生灾害事理图谱构建的，所述次衍生灾害事理图谱中的实体包括所述诱发事件、所述目标灾害和由所述目标灾害导致的所述次衍生灾害，且不同实体之间的关系用于表示实体之间的因果关系；/n输出所述目标灾害和所述次衍生灾害各自的发生概率。/n

【技术特征摘要】
1.一种电子设备，其特征在于，所述电子设备包括：存储器和控制器，其中：
所述存储器，用于存储可被所述控制器执行的计算机程序；
所述控制器连接所述存储器，被配置为：
获取目标灾害的诱发事件的参数值；所述诱发事件的参数值用于表示所述诱发事件的严重程度；
采用预先训练的贝叶斯网络模型对所述诱发事件的参数值进行分析，确定基于所述诱发事件导致的所述目标灾害和次衍生灾害各自的发生概率；其中，所述贝叶斯网络模型是基于次衍生灾害事理图谱构建的，所述次衍生灾害事理图谱中的实体包括所述诱发事件、所述目标灾害和由所述目标灾害导致的所述次衍生灾害，且不同实体之间的关系用于表示实体之间的因果关系；
输出所述目标灾害和所述次衍生灾害各自的发生概率。


2.根据权利要求1所述的电子设备，其特征在于，所述次衍生灾害事理图谱是基于对已知案例的分析结果和专家知识构建的。


3.根据权利要求2所述的电子设备，其特征在于，所述控制器还被配置为在构建所述次衍生灾害事理图谱时，基于机器学习的方法对已知案例进行分析，提取三元组，所述三元组中包括原因、因果关系和基于所述原因导致的事故，其中所述次衍生灾害事理图谱中的实体包括所述原因和所述事故。


4.根据权利要1所述的电子设备，其特征在于，预先构建有知识图谱，所述知识图谱中的实体为不同地物以及不同地物的属性，其中不同地物的属性包括危险标签、位置信息；所述目标灾害和所述次衍生灾害中的指定灾害和危险标签具有关联关系；
所述确定基于所述诱发事件导致的所述目标灾害和次衍生灾害各自的发生概率之后，所述控制器还被配置为：
若所述指定灾害的发生概率满足预设的风险点挖掘条件时，从所述知识图谱中搜索满足预设条件的目标实体；所述预设条件为基于所述目标实体的位置信息确定所述目标实体与所述诱发事件的发生地之间的距离在指定距离范围内、且所述目标实体具有与所述指定灾害具有关联关系的危险标签；
若搜索到所述目标实体，则输出所述目标实体。


5.根据权利要求4所述的电子设备，其特征在于，所述控制器若搜索到所述目标实体时，所述控制器还被配置为：
获取与所述目标实体对应的用于应对灾害的预案；
输出所述预案。


6.根据权利要求1-4中任一所述的电子设备，其特征在于，所述控制器还被配置为：
根据以下方法训练所述贝叶斯网络模型；
针对每个已知案例分别执行以下操作得到所述已知案例的量化结果；
按照预设量化规则对所述已知案例中的诱发事件的严重程度进行量化处理，得到所述诱发事件的所述参数值；
基于所述已知案例的所述诱发事件的所述参数值，确定发生所述诱发事件导致所述目标灾害的条件概率；
对预测地的多个实际状况中的每个目标状况分别执行：
采用预测地的所述目标状况与所述已知案例发生地的案发状况之间的相似度对所述条件概率进行调整；其中，所述相似度与调整后的条件概率之间存在正相关关系；

【专利技术属性】
技术研发人员：高源，曲迎春，高佳佳，贺新宇，陈维强，孙永良，于涛，王玮，
申请(专利权)人：青岛海信网络科技股份有限公司，
类型：发明
国别省市：山东;37