【技术实现步骤摘要】
本专利技术属于公共安全事件预测领域，具体涉及基于动态图时空演化挖掘的公共安全事件预测方法及系统。
技术介绍
1、预测公共安全事件发展走向是至关重要的，能够使社会及时有效的做出应对措施，包括紧急救援、卫生防护、社会稳定维护等。通过事件预测的方法，尝试预测未来可能发生的趋势和变化，考虑可能的影响和驱动因素。
2、事件预测是指利用设计好的模型，根据历史数据对未来可能发生的事件进行预测。为了实现这一过程，图生成代事件预测方法受到了广泛关注。现有的图生成代事件预测主要是学习历史事件之间的关系，生成包含历史事件和未来事件及所有事件演化过程的静态事件图，但静态事件图生成方法在预测时存在一定的缺陷，例如静态图生成是基于固定的历史图结构，无法处理事件动态变化的情况导致预测准确率较低。
3、同时，当前事件图生成即事件之间的关系构建主要为遍历所有事件并计算事件之间的联系，仅仅考虑事件之间空间上的联系，忽略了时间维度，这使得生成的事件图无法宏观地捕获事件演化时的关系变化，导致事件图拓扑结构不准确影响预测。
技术实现思路
1、本专利技术提供了基于动态图时空演化挖掘的公共安全事件预测方法及系统，用于在时间和空间维度上分析公共安全事件的演化过程和发展走向，提高公共安全事件预测准确率。
2、为达到上述目的，本专利技术所采用的技术方案是：
3、本专利技术第一方面提供了基于动态图时空演化挖掘的公共安全事件预测方法，包括：
4、获得预测事件数据集合，由预测事件
5、由实例触发词以及对应的实例属性获得节点特征；基于皮尔逊相关系数计算邻接的两个节点特征之间的关系边，由节点特征和关系边构建全局空间静态图；
6、将全局空间静态图中第1个节点特征至第 t-1个节点特征输入至lstm模型，通过事件演化获得演化节点特征；由全局空间静态图获取第1个节点特征至第 t-1个节点特征的事件时序子图；由事件时序子图和演化节点特征生成事件时序演化子图；将事件时序演化子图输入时间卷积模块获得事件演化临时子图；将事件演化临时子图输入至空间事件迁移模块获得时空动态图；
7、基于注意力机制对所有时空动态图和全局空间静态图进行时间与空间关系上的图融合获得预测特征p；将预测特征p与事件选择库中的事件信息进行拟合获得预测事件。
8、进一步的，由实例触发词以及对应的实例属性获得节点特征，包括：
9、；
10、；
11、公式中，表示为实例触发词对应的实例属性；表示为实例触发词；为实例触发词对应的触发词嵌入表示特征；表示为预测事件数据集合中实例数量；表示为预测事件数据集合中实例属性的类型数量；表示为线性层映射函数；表示为自然语言预训练模型函数；表示为第i个节点特征。
12、进一步的，基于皮尔逊相关系数计算邻接的两个节点特征之间的关系边，包括：
13、；
14、公式中，表示为第 i个节点特征和第 j个节点特征之间的关系边；表示为全局空间静态图中第 i个节点特征；表示为全局空间静态图中第 j个节点特征；表示为第 i个节点特征和第 j个节点特征之间的皮尔逊相关系数。
15、进一步的，将事件时序演化子图输入时间卷积模块获得事件演化临时子图，包括：
16、；
17、公式中，表示为双曲正切函数；表示为dic图卷积网络函数；表示为激活函数；表示为hadamard乘积；其中，所述演化节点特征转化为事件演化临时子图中的第t个节点特征，记为节点特征。
18、进一步的，将事件演化临时子图输入至空间事件迁移模块获得时空动态图，包括：
19、在空间关系上对事件演化临时子图进行信息聚合，将所述事件演化临时子图中的每个节点特征转化为节点聚合特征，获得事件演化临时子图；
20、对事件演化临时子图进行全局表示获得全局特征，基于全局特征计算事件演化临时子图的均值和协方差矩阵获得事件趋势；
21、沿时间顺序将每个节点聚合特征与后续相邻节点聚合特征构建事件对，并对所述事件对进行信息聚合得到演绎序表示特征；根据演绎序表示特征和事件趋势的相似度将事件演化临时子图中的关系边更新为演化关系边，获得事件演化临时子图。
22、进一步的，在空间关系上对事件演化临时子图进行信息聚合，将所述事件演化临时子图中的每个节点特征转化为节点聚合特征，包括：
23、；
24、；
25、；
26、；
27、公式中，表示为前节点特征与相邻节点特征的信息融合权重；、、和表示为可学习的权重矩阵；表示为激活函数；表示为当前节点特征的相邻节点特征数量；表示为第 j个节点特征对应的节点转化特征；表示为第 i个节点特征对应的节点转化特征；表示为当前节点转化特征沿时序发展向后相邻的节点转化特征数量；表示为激活函数；表示为当前节点转化特征与相邻节点转化特征的信息融合权重。
28、进一步的，根据演绎序表示特征和事件趋势的相似度将事件演化临时子图中的关系边更新为演化关系边，包括：
29、；
30、公式中，表示为计算演绎序表示特征和事件趋势的余弦相似度。
31、进一步的，基于注意力机制对所有时空动态图和全局空间静态图进行时间与空间关系上的图融合获得预测特征p，包括：
32、对时空动态图进行嵌入表示获取空间嵌入特征；对全局空间静态图进行嵌入表示获取时序嵌入特征；
33、对时空动态图和全局空间静态图进行扩散拼接获取全局时序图，表达公式为：
34、；
35、；
36、公式中，表示为全局时序图；表示为全局空间静态图；表示为图融合函数；
37、对全局时序图进行图嵌入表示获取特征，将特征分别和空间嵌入特征、时序嵌入特征进行交叉注意处理获得时间节点特征和空间节点特征；
38、通过门控融合方法对时间节点特征和空间节点特征获得预测特征p，计算公式为：
39、；
40、；
41、；
42、公式中，表示为时间节点特征和空间节点特征融合的门控权重；表示为时间节点特征的权重；表示为空间节点特征的权重；表示为融合特征；表示为hadamard乘积；表示为融合特征的权重。
43、进一步的，将特征分别和空间嵌入特征、时序嵌入特征进行交叉注意处理获得时间节点特征和空间节点特征，具体公式为：
44本文档来自技高网...
【技术保护点】
1.基于动态图时空演化挖掘的公共安全事件预测方法，其特征在于，包括：
2.根据权利要求1所述的公共安全事件预测方法，其特征在于，由实例触发词以及对应的实例属性获得节点特征，包括：
3.根据权利要求2所述的公共安全事件预测方法，其特征在于，基于皮尔逊相关系数计算邻接的两个节点特征之间的关系边，包括：
4.根据权利要求1所述的公共安全事件预测方法，其特征在于，将事件时序演化子图输入时间卷积模块获得事件演化临时子图，包括：
5.根据权利要求1所述的公共安全事件预测方法，其特征在于，将事件演化临时子图输入至空间事件迁移模块获得时空动态图，包括：
6.根据权利要求5所述的公共安全事件预测方法，其特征在于，在空间关系上对事件演化临时子图进行信息聚合，将所述事件演化临时子图中的每个节点特征转化为节点聚合特征，包括：
7.根据权利要求5所述的公共安全事件预测方法，其特征在于，根据演绎序表示特征和事件趋势的相似度将事件演化临时子图中的关系边更新为演化关系边，包括：
8.根据权利要求7所述的公共安全事件预测方法，其特
9.根据权利要求8所述的公共安全事件预测方法，其特征在于，将特征分别和空间嵌入特征、时序嵌入特征进行交叉注意处理获得时间节点特征和空间节点特征，具体公式为：
10.基于动态图时空演化挖掘的公共安全事件预测系统，其特征在于，包括：
...【技术特征摘要】
1.基于动态图时空演化挖掘的公共安全事件预测方法，其特征在于，包括：
2.根据权利要求1所述的公共安全事件预测方法，其特征在于，由实例触发词以及对应的实例属性获得节点特征，包括：
3.根据权利要求2所述的公共安全事件预测方法，其特征在于，基于皮尔逊相关系数计算邻接的两个节点特征之间的关系边，包括：
4.根据权利要求1所述的公共安全事件预测方法，其特征在于，将事件时序演化子图输入时间卷积模块获得事件演化临时子图，包括：
5.根据权利要求1所述的公共安全事件预测方法，其特征在于，将事件演化临时子图输入至空间事件迁移模块获得时空动态图，包括：
6.根据权利要求5所述的公共安全事件预测方法，其特征在于，在空间关系上对...
【专利技术属性】
技术研发人员：荣欢，陈中峰，郭尚斌，陈鑫，陆振宇，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。