地区风险识别方法、图神经网络训练方法、系统及介质技术方案

本公开提供了一种地区风险识别方法、图神经网络训练方法、地区风险识别装置、图神经网络训练装置、计算机系统、可读存储介质及计算机程序产品，涉及智能城市技术领域。地区风险识别方法包括：生成包括待识别地区的地区图，其中，地区图包括多个节点和多个连接边，节点用于表征地区，地区为用于运输物品的运输车辆途经的驻留地区，连接边用于表征两个节点之间的关联关系；对地区图进行特征提取，得到目标特征向量；基于目标特征向量，得到地区图中的待识别地区的风险识别结果。待识别地区的风险识别结果。待识别地区的风险识别结果。

【技术实现步骤摘要】
地区风险识别方法、图神经网络训练方法、系统及介质


[0001]本公开涉及智能城市
，尤其涉及市域治理
，具体涉及一种地区风险识别方法、图神经网络训练方法、装置、计算机系统、可读存储介质及计算机程序产品。

技术介绍

[0002]危险化学品(简称危化品)已被广泛使用，并成为人们日常生活中不可缺少的一部分，如制造电池的酸液、制造化肥的硝酸铵、用于烹饪的液化气等危化品。然而，由于危化品具有易燃、易爆、有毒等特性，有关部门需要严格监管其整个生命周期，否则危化品会对城市公共安全造成威胁。因此，用于生产、存储危化品的地区，简称危化品相关地(Hazardous Chemical
‑
related Location，HCL)，将成为重点关注地区。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下问题：危化品相关地的识别效率低下、识别精准度低。

技术实现思路

[0004]有鉴于此，本公开提供了一种地区风险识别方法、图神经网络训练方法、装置、计算机系统、可读存储介质及计算机程序产品。
[0005]本公开的一个方面提供了一种地区风险识别方法，包括：生成包括待识别地区的地区图，其中，上述地区图包括多个节点和多个连接边，上述节点用于表征地区，上述地区为用于运输物品的运输车辆途经的驻留地区，上述连接边用于表征两个上述节点之间的关联关系；对上述地区图进行特征提取，得到目标特征向量；以及基于上述目标特征向量，得到上述待识别地区的风险识别结果。
[0006]本公开的另一个方面提供了一种图神经网络训练方法，包括：生成包括目标样本地区的样本地区图，其中，上述样本地区图包括多个样本节点和多个样本连接边，上述样本节点用于表征样本地区，上述样本地区为用于运输物品的运输车辆途经的驻留地区，上述样本连接边基于上述运输车辆的行驶轨迹生成，上述样本连接边用于表征两个上述样本节点之间的关联关系；确定与上述目标样本地区相关的样本标签；以及利用上述样本地区图和上述样本标签训练图神经网络，得到经训练的图神经网络。
[0007]本公开的另一方面提供了一种地区风险识别装置，包括：第一生成模块，用于生成包括待识别地区的地区图，其中，上述地区图包括多个节点和多个连接边，上述节点用于表征地区，上述地区为用于运输物品的运输车辆途经的驻留地区，上述连接边用于表征两个上述节点之间的关联关系；特征提取模块，用于对上述地区图进行特征提取，得到目标特征向量；以及识别模块，用于基于上述目标特征向量，得到上述待识别地区的风险识别结果。
[0008]本公开的另一方面提供了一种图神经网络训练装置，包括：第二生成模块，用于生成包括目标样本地区的样本地区图，其中，上述样本地区图包括多个样本节点和多个样本连接边，上述样本节点用于表征样本地区，上述样本地区为用于运输物品的运输车辆途经的驻留地区，上述样本连接边基于上述运输车辆的行驶轨迹生成，上述样本连接边用于表
征两个上述样本节点之间的关联关系；确定模块，用于确定与上述目标样本地区相关的样本标签；以及训练模块，用于利用上述样本地区图和上述样本标签训练图神经网络，得到经训练的图神经网络。
[0009]本公开的再一方面提供了一种计算机系统，包括：
[0010]一个或多个处理器；
[0011]存储器，用于存储一个或多个程序，
[0012]其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现上述的方法。
[0013]本公开的再一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，上述指令在被执行时用于实现上述的方法。
[0014]本公开的再一方面提供了一种计算机程序产品，上述计算机程序产品包括计算机可执行指令，上述指令在被执行时用于实现上述的方法。
[0015]根据本公开的实施例，因为采用了一种地区风险识别方法，包括：生成包括待识别地区的地区图，其中，地区图包括多个节点和多个连接边，节点用于表征地区，地区为用于运输物品的运输车辆途经的驻留地区，连接边用于表征两个节点之间的关联关系；对地区图进行特征提取，得到目标特征向量；基于目标特征向量，得到待识别地区的风险识别结果的技术手段，利用用于运输物品的运输车辆途经的驻留地区，来生成包括多个驻留地区的地区图。一方面，运输车辆的行驶轨迹与驻留点等信息，简单易得。另一方面，多个驻留地区之间的关联关系也可以通过地区图得到反映。进而使得从地区图提取特征得到的目标特征向量中，含有与运输车辆途经的驻留地区的语义信息以及地区图中的多个驻留地区之间的关联关系信息。由此，基于地区图得到的关于待识别地区的风险识别结果，精准且有效。所以至少部分地克服了现有人工识别危化品相关地效率低下、识别精度低的技术问题，进而达到了提升危化品相关地风险识别效率和精度的技术效果。
附图说明
[0016]通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
[0017]图1示意性示出了可以应用本公开的地区风险识别方法及装置的示例性系统架构；
[0018]图2示意性示出了根据本公开实施例的地区风险识别方法的流程图；
[0019]图3示意性示出了根据本公开另一实施例的地区风险识别方法的流程图；
[0020]图4示意性示出了根据本公开另一实施例的确定驻留点的示意图；
[0021]图5A示意性示出了根据本公开实施例的确定危险品相关地的示意图；
[0022]图5B示意性示出了根据本公开实施例的确定危险品相关地的示意图；
[0023]图6示意性示出了根据本公开另一实施例的图神经网络训练方法的流程图；
[0024]图7示意性示出了根据本公开另一实施例的图神经网络训练方法的流程示意图；
[0025]图8示意性示出了根据本公开实施例的地区风险识别装置的框图；
[0026]图9示意性示出了根据本公开实施例的图神经网络训练装置的框图；以及
[0027]图10示意性示出了根据本公开实施例的适于实现地区风险识别方法的计算机系
统的框图。
具体实施方式
[0028]以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
[0029]在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0030]在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地区风险识别方法，包括：生成包括待识别地区的地区图，其中，所述地区图包括多个节点和多个连接边，所述节点用于表征地区，所述地区为用于运输物品的运输车辆途经的驻留地区，所述连接边用于表征两个所述节点之间的关联关系；对所述地区图进行特征提取，得到目标特征向量；以及基于所述目标特征向量，得到所述地区图中的待识别地区的风险识别结果。2.根据权利要求1所述的方法，其中，所述生成包括待识别地区的地区图，包括：基于所述运输车辆的行驶轨迹，确定所述运输车辆的驻留点集合；基于所述驻留点集合，确定所述地区图中的所述多个节点；基于所述运输车辆的行驶轨迹，确定所述多个节点彼此之间的连接边，得到所述多个连接边；以及基于所述多个节点和所述多个连接边，生成所述地区图。3.根据权利要求2所述的方法，其中，所述驻留点集合为多个运输车辆的驻留点集合；所述基于所述驻留点集合，确定所述地区图中的所述多个节点，包括：针对所述多个运输车辆中的每个运输车辆，基于所述驻留点集合，确定关于所述运输车辆的多个初始驻留地区，得到关于所述多个运输车辆的初始驻留地区集合；从所述初始驻留地区集合中确定存在重叠的至少一个目标初始地区集合，其中，每个所述目标初始地区集合包括多个目标初始地区；针对每个所述目标初始地区集合，对所述多个目标初始地区进行合并，得到所述地区；以及基于多个所述地区，确定所述地区图中的所述多个节点。4.根据权利要求2所述的方法，其中，所述基于运输车辆的行驶轨迹，确定所述运输车辆的驻留点集合，包括：从所述运输车辆的行驶轨迹中确定多个目标轨迹点；以及基于所述多个目标轨迹点各自的驻留时间和位置，确定所述运输车辆的驻留点集合。5.根据权利要求1所述的方法，其中，所述对所述地区图进行特征提取，得到目标特征向量，包括：利用图神经网络对所述地区图进行特征提取，得到所述目标特征向量，其中，所述目标特征向量用于表征以下至少一项特征向量：所述节点所连接的连接边的数量、所述节点与相邻节点之间的上下文结果。6.根据权利要求5所述的方法，其中，所述利用图神经网络对所述地区图进行特征提取，得到所述目标特征向量，包括：针对所述多个节点中的每个节点，确定所述节点的动态数据和静态数据，得到所述多个节点各自的动态数据和静态数据，其中，所述静态数据为与所述地区有关的数据；所述动态数据为与所述运输车辆有关的数据；基于所述多个节点各自的动态数据和静态数据，确定与所述多个节点相关的节点矩阵；基于所述多个连接边，确定与所述连接边相关的连接边矩阵；以及将所述连接边矩阵和所述节点矩阵输入至所述图神经网络中，得到所述目标特征向
量。7.根据权利要求1所述的方法，其中，所述基于所述目标特征向量，得到所述待识别地区的风险识别结果，包括：将所述目标特征向量输入至分类器中，得到所述待识别地区的风险识别结果，其中，所述分类器包括依序连接的全连接层和激活函数。8.一种图神经网络训练方法，包括：生成包括目标样本地区的样本地区图，其中，所述样本地区图包括多个样本节点和多个样本连接边，所述样本节点用于表征样本地区，所述样本地区为用于运输物品的运输车辆途经的驻留地区，所述样本连接边基于所述运输车辆的行驶轨迹生成，用于表征两个所述样本节点之间的关联关系；确定与所述目标样本地区相关的样本标签；以及利用所述样本地区图和所述样本标签训练图神经网络，得到经训练的图神经网络。9.根据权利要求8所述的方法，其中，所述利用所述样本地区...

【专利技术属性】
技术研发人员：寄家豪，孙彦苹，赵大燕，王静远，韩博洋，张钧波，郑宇，
申请(专利权)人：京东城市北京数字科技有限公司，
类型：发明
国别省市：