一种基于灾害现场信息动态感知融合的应急管理方法技术

灾害现场应急管理是指在自然灾害、事故灾害等突发事件发生时，组织和协调各种应急资源，实施应急救援和灾后恢复工作的管理活动，有助于提高灾害现场救援和恢复的效率，最大限度地减少灾害造成的人员伤亡和财产损失。然而，当前灾害现场信息感知传感器技术和监测设备资源有限性，加之灾害现场人员不足，使得灾害现场信息收集和处理效率低下，难以满足灾害应急管理的需要。为此，本发明专利技术提出一种基于灾害现场信息动态感知融合的应急管理方法，综合物联网、大数据和人工智能等技术进行数据实时、动态、互动的感知融合生成灾害现场态势感知图，基于灾害现场态势感知图进行数据分析并及时预警，有助于实现灾害处置精准化、救援指挥智能化和调度工作高效化。挥智能化和调度工作高效化。挥智能化和调度工作高效化。

【技术实现步骤摘要】
一种基于灾害现场信息动态感知融合的应急管理方法


[0001]本专利技术属于灾害现场应急管理领域，尤其涉及一种基于灾害现场信息动态感知融合的应急管理方法。

技术介绍

[0002]灾害现场应急管理是指在自然灾害、事故灾害等突发事件发生时，组织和协调各种应急资源，实施应急救援和灾后恢复工作的管理活动。近年来，灾害频繁发生，给人民的生命财产安全和社会稳定带来了极大威胁，因此加强灾害现场应急管理显得尤为重要，一方面能够提高灾害现场救援和恢复的效率，最大限度地减少灾害造成的人员伤亡和财产损失；另一方面，还能够增强政府、企事业单位等各方面的社会责任感，更好地履行社会责任，减轻灾害带来的负面影响。此外，加强灾害现场应急管理还能够更好地保护环境、维护国家安全、提高救援效率，最大限度地挽救人命和财产，是一项非常重要的工作。灾害现场应急管理方法主要包括灾害预警、应急响应、资源调配、救援和恢复等环节，仍然存在着一些缺点。当前灾害现场的信息感知存在多个缺点，例如，传感器技术和监测设备有限部署导致无法全面覆盖灾害区域，导致某些关键信息无法及时获取；灾害现场人员的信息收集能力和处理能力有限，往往无法及时准确地识别和反馈灾害信息，且不同部门之间信息孤岛问题严重，导致信息沉积和重复工作，缺乏智能化和自动化的技术支持，使得信息收集和处理效率低下，难以满足灾害应急管理的需要。
[0003]为此，本专利技术提出一种基于灾害现场信息动态感知融合的应急管理方法，综合物联网、大数据和人工智能等技术进行数据实时、动态、互动的感知融合生成灾害现场态势感知图，基于灾害现场态势感知图进行数据分析并及时预警，有助于实现灾害处置精准化、救援指挥智能化和调度工作高效化。

技术实现思路

[0004]本专利技术的目的是克服现有技术中的不足，提供一种基于灾害现场信息动态感知融合的应急管理方法，采用如下技术方案：
[0005]S1、收集灾害现场用于应急管理指挥决策的人机物三元空间感知数据。所提出方法用于收集灾害现场多源异构信息的感知源包括传感器和社交媒体应用程序，其中传感器可以是现场专门用于灾害管理目的而部署的气象、光学和音频传感器，或现场救援人体携带的可穿戴感知设备，传感器设备主要用于采集现场灾害动态、视频和环境指标等现场实时信息，地理气象信息等。社交媒体应用程序可以包括微博、微信、抖音其他平台，用户可以在这些平台上分享与灾难场景相关的音视频多媒体内容，基于对相关致灾关键词或者语义匹配筛选过滤从社交媒体应用程序收集的信息。
[0006]S2、对收集的灾害现场多源异构数据进行预处理，包括对收集到的数据进行过滤以去除任何重复或与灾难场景不相关的信息，使用滤波和平滑等信号处理技术去除由于风、雨或其他干扰源等环境因素带来传感噪声信息，使用缩放或标准化等技术将收集到的
多源异构数据标准化为通用格式。
[0007]S3、设计时间相位特征提取模块从多源异构数据中提取时间特征，设计空间特征提取模块对时间融合后的从每个因子层提取空间特征。
[0008]S4、步骤S3从灾害现场多个感知数据源提取的时间特征将不可避免地导致信息冗余，使网络难以拟合，本专利技术基于多对多时序特征模块，构建具有时间记忆的多输入到单输出的时序特征融合网络。该网络接收时序特征融合模块提取的感知时间序列信息的空间特征，处理时间数据的长期依赖，记住灾害现场特征信息，实现灾害现场感知信息时间特征的压缩，获得同一维度的时间和空间特征的融合。
[0009]S5、设计的灾害现场多元异构感知信息空间特征融合模块，包括深度置信网络和深度卷积神经网络。该如何模块首先将每类图像元素的所有浅层特征扩展为一维向量，作为深度置信网络的输入变量；其次，使用融合的特征数据和原始数据作为深度卷积神经网络输入。同时训练这两个网络，在输入数据被这两个网络提取信息后，深度置信网络输出一个一维特征向量，深度卷积神经网络输出一个二维特征矩阵，两者的输出特征向量被合并成一个新的特征矩阵，并输入到逻辑回归分类器进行判别。
[0010]S6、步骤S5对灾害现场时空特征进行融合后，深度卷积神经网络输出二维特征图，深度置信网络输出一维特征向量，本专利技术对两者的输出特征重构为二维特征矩阵。在反向误差传播过程中，融合后的灾害现场特征矩阵被拆分为一维特征向量和独立的特征图，分别参与步骤S5中深度置信网络和深度卷积神经网络的参数优化。考虑到两个网络和所获数据的维度，本专利技术选择贝叶斯算法和随机搜索作为模型的参数优化算法。在参数传递中设计存储结构，将随机搜索和贝叶斯优化联合作用后的参数传递给网络的下一层，实现网络各层的参数优化。
[0011]S7、对于本专利技术步骤S3、S4、S5和S6中的灾害现场时空特征提取和融合网络，本专利技术使用均方误差损失和交叉熵损失的叠加函数作为网络的损失函数，表述如下：
[0012][0013]a＝f(w
·
x+b)
[0014]其中L是损失函数值，y是滑坡样本的实际标签值，a是模型预测值，x是模型的输入，n是滑坡样本总数，f是激活函数，w、b是网络参数。
[0015]S8、基于步骤S7重构后的时空特征，采用深度学习算法进行灾害状态判定和分类，利用卷积神经网络对图像数据进行分类、利用长短时记忆网络对时间序列数据进行分类、利用基于Transformer模型的语言模型对文本数据进行灾害分类、情感分析、实体识别等。基于状态判定和分类的结果构建灾害现场态势感知图，包括地图、视频画面、传感器数据等多维度信息，并采用虚拟现实技术、三维可视化技术等，提高信息的可读性和可理解性。
[0016]S9、基于步骤S8构建的灾害现场态势感知图建立灾害信息数据库，包括灾害类型、灾害程度、受灾面积、人员伤亡、物资损失等信息，确定该数据库查询灾害现场的紧急情况，包括灾害的规模、受灾人员的分布、物资的需求等信息，在分析灾害现场信息的基础上，制定灾害应急管理应对措施，包括人员调度、物资调配、救援路径规划等应急决策。
[0017]作为优选，步骤S3中灾害现场多源异构感知信息的时空特征提取具体为：
[0018]为解决灾害现场环境感知和人体携带可穿戴感知信息融合难题，本专利技术构建多源异构信息时间相位特征提取模块，该模块先通过使用一个多输入到多输出的CNN网络来完成时间序列特征的提取，然后通过一个多输入到单输出的LSTM网络来压缩时间序列的空间数据，生成灾害现场感知信息的时空高维特征图。在此基础上，构建上采样层，生成与输入数据相同大小的特征图。
[0019]本专利技术设计的灾害现场多源异构感知信息空间特征提取模块，给定的灾害现场多源异构感知数据组合成三维卷积对(多源、时间、长度、宽度)，并输入深度卷积神经网络进行空间特征提取，同时计算空间和时间维度的特征，并通过将多个连续数据与三维卷积核叠加起来形成多维数据。深度卷积神经网络在第j层的x、y、z处的值的第i个元素的特征映射如下式所示。
[0020][0021]其中，为在第j层的x、y、z处的值的第i个元素的特征映射；b
ij
为；R<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本发明提供一种基于灾害现场信息动态感知融合的应急管理方法，其特征在于，该方法包括以下步骤：S1、收集灾害现场用于应急管理指挥决策的人机物三元空间感知数据。所提出方法用于收集灾害现场多源异构信息的感知源包括传感器和社交媒体应用程序，其中传感器可以是现场专门用于灾害管理目的而部署的气象、光学和音频传感器，或现场救援人体携带的可穿戴感知设备，传感器设备主要用于采集现场灾害动态、视频和环境指标等现场实时信息，地理气象信息等。社交媒体应用程序可以包括微博、微信、抖音其他平台，用户可以在这些平台上分享与灾难场景相关的音视频多媒体内容，基于对相关致灾关键词或者语义匹配筛选过滤从社交媒体应用程序收集的信息。S2、对收集的灾害现场多源异构数据进行预处理，包括对收集到的数据进行过滤以去除任何重复或与灾难场景不相关的信息，使用滤波和平滑等信号处理技术去除由于风、雨或其他干扰源等环境因素带来传感噪声信息，使用缩放或标准化等技术将收集到的多源异构数据标准化为通用格式。S3、设计时间相位特征提取模块从多源异构数据中提取时间特征，设计空间特征提取模块对时间融合后的从每个因子层提取空间特征。S4、步骤S3从灾害现场多个感知数据源提取的时间特征将不可避免地导致信息冗余，使网络难以拟合，本发明基于多对多时序特征模块，构建具有时间记忆的多输入到单输出的时序特征融合网络。该网络接收时序特征融合模块提取的感知时间序列信息的空间特征，处理时间数据的长期依赖，记住灾害现场特征信息，实现灾害现场感知信息时间特征的压缩，获得同一维度的时间和空间特征的融合。S5、设计的灾害现场多元异构感知信息空间特征融合模块，包括深度置信网络和深度卷积神经网络。该如何模块首先将每类图像元素的所有浅层特征扩展为一维向量，作为深度置信网络的输入变量；其次，使用融合的特征数据和原始数据作为深度卷积神经网络输入。同时训练这两个网络，在输入数据被这两个网络提取信息后，深度置信网络输出一个一维特征向量，深度卷积神经网络输出一个二维特征矩阵，两者的输出特征向量被合并成一个新的特征矩阵，并输入到逻辑回归分类器进行判别。S6、步骤S5对灾害现场时空特征进行融合后，深度卷积神经网络输出二维特征图，深度置信网络输出一维特征向量，本发明对两者的输出特征重构为二维特征矩阵。在反向误差传播过程中，融合后的灾害现场特征矩阵被拆分为一维特征向量和独立的特征图，分别参与步骤S5中深度置信网络和深度卷积神经网络的参数优化。考虑到两个网络和所获数据的维度，本发明选择贝叶斯算法和随机搜索作为模型的参数优化算法。在参数传递中设计存储结构，将随机搜索和贝叶斯优化联合作用后的参数传递给网络的下一层，实现网络各层的参数优化。S7、对于本发明步骤S3、S4、S5和S6中的灾害现场时空特征提取和融合网络，本发明使用均方误差损失和交叉熵损失的叠加函数作为网络的损失函数，表述如下：a＝f(w
·
x+b)
其中L是损失函数值，y是滑坡样本的实际标签值，a是模型预测值，x是模型的输入，n是滑坡样本总数，f是激活函数，w、b是网络参数。S8、基于步骤S7重构后的时空特征，采用深度学习算法进行灾害状态判定和分类，利用卷积神经网络对图像数据进行分类、利用长短时记忆网络对时间序列数据进行分类、利用基于Transformer模型的语言模型对文本数据进行灾害分类、情感分析、实体识别等。基于状态判定和分类的结果构建灾害现场态势感知图，包括地图、视频画面、传感器数据等多维度信息，并采用虚拟现实技术、三维可视化技术等，提高信息的可读性和可理解性。S9、基于步骤S8构建的灾害现场态势感知图建立灾害信息数据库，包括灾害类型、灾害程度、受灾面积、人员伤亡、物资损失等信息，确定该数据库查询灾害现场的紧急情况，包括灾害的规模、受灾人员的分布、物资的需求等信息，在分析灾害现场信息的基础上，制定灾害应急管理应对措施，包括人员调度、物资调配、救援路径规划等应急决策。2.如权利要求1所述的一种基于灾害现场信息动态感知融合的应急管理方法，其特征在于灾害现场多源异构感知信息的时空特征提取具体为：为解决灾害现场环境感知和人体携带可穿戴感知信息融合难题，本发明构建多源异构信息时间相位特征提取模块，该模块先通过使用一个多输入到多输出的CNN网络来完成时间序列特征的提取，然后通过一个多输入到单输出的LSTM网络来压缩时间序列的空间数据，生成灾害现场感知信息的时空高维特征图。在此基础上，构建上采样层，生成与输入数据相同大小的特征图。本发明设计的灾害现场多源异构感知信息空间特征提取模块，给定的灾害现场多源异构感知数据组合成三维...

【专利技术属性】
技术研发人员：洪赢政，薛林，高浩翔，孙青松，
申请(专利权)人：应急管理部上海消防研究所，
类型：发明
国别省市：