基于深度学习的台风预警规划模型自动生成方法及系统技术方案

本发明专利技术公开了一种基于深度学习的台风预警规划模型自动生成方法及系统，其包括以下步骤：A、获取与台风预警有关的自然语言文本；B、基于NLP进行深度学习，建立与台风预警规划有关的词向量集合；C、针对台风预警规划构建动作表示，生成当前域的贝叶斯网输出。本发明专利技术基于深度学习的台风预警规划模型自动生成方法及系统通过使用规划领域定义语言自动创建台风应急预案规划领域模型，并引入自然语言处理的方法，将生成贝叶斯网所需的动作序列问题转换成文本序列标注问题，从而针对台风预案的文本特点提出一个生成台风应急规划框架，形成对台风预警规划模型的自动生产技术。

【技术实现步骤摘要】
基于深度学习的台风预警规划模型自动生成方法及系统
本专利技术涉及一种针对台风预警计划模型的实现软件方法和系统，尤其涉及的是一种针对台风响应领域规划模型的深度学习和自动生成方法及系统的改进。
技术介绍
现有技术中，自然灾害是当今世界人类面临的重大问题之一，严重影响到了经济、社会的可持续发展和威胁人类的生存。自然灾害虽然不可避免，但是如果能从以往的灾害事件中提炼出天气发展的总体故事线以及相应的应对措施，就能在新发生灾害的防治决策上提供参考依据。有赖于现有技术计算能力的提升，为了得到往年灾害事件的故事线及救灾措施，正确有效地分析和提取灾害发生的关键信息，并总结防灾救灾措施，以便自动形成对新的可能灾害事件的应对措施方案是十分重要的。通过运算系统进行智能规划是人工智能的一个重要分支，其主要思想是对周围的环境进行认识和分析，并根据预先设定的目标和过去的应对措施，在提供有限资源和相关约束下，对可供选择的若干可执行救援措施及动作进行推理，从而综合制定出实现设定目标的动作序列，而该动作序列在现有技术中被称作一个规划。智能规划关注的是实现策略或动作序列，可应用于智能驾驶、智能机器人的动作规划以及宇航技术等多个领域。其中一个具有挑战性的研究内容是基于智能规划的故事叙述，如何从叙事文本中获取有用的信息来构建领域模型，成为叙事规划领域的一大焦点。对于智能规划建模，目前已有一些方法进行研究与改进。Framer是一个经典的从自然语言描述中学习规划领域模型的方法，它从自然语句输入出发，使用斯坦福的CoreNLP工具来提取动作模板，并对这些动作进行分类，在从原始语句中提取出一致的表述形式，最后使用LOCM工具获取规划领域模型。StoryFramer则是在Framer的基础上进行了改进和扩展，将Framer方法应用到叙述规划中，它使用CoreNLP工具提取动作及属性，然后引入了用户输入环节，提高了整个框架的鲁棒性和实用性。但通过实验发现上述的方法由于其使用的NLP工具无法很好的区分多义词等复杂情况，所以会导致其标注的词性错误，从而提取出的动作模板冗长且多余，这将导致后续的用户交互工作加大。同时，现有技术中还尚未有针对台风天气灾害的规划与预警方案，因此，现有技术还有待于改进和发展。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的台风预警规划模型自动生成方法及系统，提出全新的针对台风文本的应急规划领域模型生成方法和系统，尽可能地提高其可操作性和实用性。本专利技术的技术方案如下：一种基于深度学习的台风预警规划模型自动生成方法，其包括以下步骤：A、获取与台风预警有关的自然语言文本；B、基于NLP进行深度学习，建立与台风预警规划有关的词向量集合；C、针对台风预警规划构建动作表示，生成当前域的贝叶斯网输出。所述的基于深度学习的台风预警规划模型自动生成方法，其中，所述步骤B还包括：B1、对步骤A输入的自然语言文本通过BERT模型转化为词向量，并使用BiLSTM-CRF模型对单词标注词性；B2、根据词性标注结果提取主体、谓词、宾语的动作三元组，生成动作集和对象集。所述的基于深度学习的台风预警规划模型自动生成方法，其中，所述步骤B1还包括：B11、基于BERT模型对与台风预警有关的自然语言文本进行分词，每个单词由给定维度的隐特征空间向量表示；B12、将向量表示的句子输入到BiLSTM模型中，根据输出获得句子中所有单词的词性预测标签。所述的基于深度学习的台风预警规划模型自动生成方法，其中，所述步骤B12中还包括：针对重复的词向量进行去重处理。所述的基于深度学习的台风预警规划模型自动生成方法，其中，在所述步骤B12之后还执行：B13、输入CRF模型中时，对最终预测标签添加约束，用于确保输出结果的合理有效，所述约束通过深度学习在训练过程中自动学习形成。所述的基于深度学习的台风预警规划模型自动生成方法，其中，所述步骤B2还包括：B21、对每一个动作三元，将每个关联的对象标记为输出动作的候选参数。所述的基于深度学习的台风预警规划模型自动生成方法，其中，所述步骤C还包括：设置用户交互环节，用于进行合并动作、对象的同类项设置、对对象分类和/或添加动作的前提条件和后置条件。所述的基于深度学习的台风预警规划模型自动生成方法，其中，在所述用户交互环节中，设定了三个通用类别：部门、台风属性和方位，用于用户从之前输出的候选参数中选择并对应到相应的类别。所述的基于深度学习的台风预警规划模型自动生成方法，使用格兰杰因果关系检验方法判断每个动作间可能的因果关系，以此为依据为每个动作添加前提条件和后置条件。任一所述基于深度学习的台风预警规划模型自动生成方法的系统，其中，包括：一自然语言文本的获取模块，用于获取与台风预警有关的自然语言文本；一NLP深度学习模块，用于基于NLP进行深度学习，建立与台风预警规划有关的词向量集合；一台风预警规划构建模块，用于针对台风预警规划构建动作表示，生成当前域的贝叶斯网输出。本专利技术所提供的基于深度学习的台风预警规划模型自动生成方法及系统，通过引入自然语言处理(NLP，NaturalLanguageProcessing)的方法，将生成贝叶斯网所需的动作序列问题转换成文本序列标注问题，从而针对台风预案的文本特点提出一个生成台风应急规划网络框架，其采用NLP技术构建域模型文件的结构化表示，形成对台风预警规划贝叶斯网络模型的自动生产技术。进一步地，还引入了用户交互完善优化最终的输出模型，从而使得本专利技术的台风预计计划模型更好地适应了实际的情况，具备了方便与用户的交互的信息入口。附图说明图1为本专利技术所述基于深度学习的台风预警规划模型自动生成方法及系统较佳实施例的模型框架生成流程示意图。图2是本专利技术所述基于深度学习的台风预警规划模型自动生成方法及系统较佳实施例的三元组信息示例图。图3为本专利技术所述基于深度学习的台风预警规划模型自动生成方法及系统较佳实施例的三元组信息提取另一示例图。图4所示为本专利技术基于深度学习的台风预警规划模型自动生成方法及系统较佳实施例的系统框图。具体实施方式以下对本专利技术的较佳实施例加以详细说明。本专利技术所提供的一种基于深度学习的台风预警规划模型自动生成方法及系统较佳实施例，如图1所示的，是在现有智能规划领域算法基础上针对台风预警规划的一种应用实现。首先，需要获取与台风预警有关的自然语言文本，包括历史上常见的对台风预警以及处置措施等指令和描述，主要是所有的自然语言文本，本专利技术主要是针对中文的自然语言文本处理，当然针对其他语言的应用时可能效果差一些，但非不能使用。输入的自然语言文本通过BERT模型(BidirectionalEncoderRepresentationsfromTransformers)将输入的自然语言语句转化为词向量，并使用BiLSTM-CRF模型对单词标注本文档来自技高网...

【技术保护点】
1.一种基于深度学习的台风预警规划模型自动生成方法，其包括以下步骤：/nA、获取与台风预警有关的自然语言文本；/nB、基于NLP进行深度学习，建立与台风预警规划有关的词向量集合；/nC、针对台风预警规划构建动作表示，生成当前域的贝叶斯网输出。/n

【技术特征摘要】
1.一种基于深度学习的台风预警规划模型自动生成方法，其包括以下步骤：
A、获取与台风预警有关的自然语言文本；
B、基于NLP进行深度学习，建立与台风预警规划有关的词向量集合；
C、针对台风预警规划构建动作表示，生成当前域的贝叶斯网输出。


2.根据权利要求1所述的基于深度学习的台风预警规划模型自动生成方法，其特征在于，所述步骤B还包括：
B1、对步骤A输入的自然语言文本通过BERT模型转化为词向量，并使用BiLSTM-CRF模型对单词标注词性；
B2、根据词性标注结果提取主体、谓词、宾语的动作三元组，生成动作集和对象集。


3.根据权利要求2所述的基于深度学习的台风预警规划模型自动生成方法，其特征在于，所述步骤B1还包括：
B11、基于BERT模型对与台风预警有关的自然语言文本进行分词，每个单词由给定维度的隐特征空间向量表示；
B12、将向量表示的句子输入到BiLSTM模型中，根据输出获得句子中所有单词的词性预测标签。


4.根据权利要求3所述的基于深度学习的台风预警规划模型自动生成方法，其特征在于，所述步骤B12中还包括：针对重复的词向量进行去重处理。


5.根据权利要求3或4所述的基于深度学习的台风预警规划模型自动生成方法，其特征在于，在所述步骤B12之后还执行：
B13、输入CRF模型中时，对最终预测标签添加约束...

【专利技术属性】
技术研发人员：潘颖慧，明仲，周俊欣，陈婉清，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44