【技术实现步骤摘要】
本专利技术涉及突发事件管理，具体而言，涉及一种基于多模态数据的突发事件画像构建与分析方法。
技术介绍
1、突发事件管理是一个涉及多个方面和环节的复杂过程，包括预防与应急准备、监测与预警、应急处置与救援、事后恢复与重建等关键环节。现有的突发事件管理基本都是按照固定预案对已发生的突发事件进行事后处置，而基本不能对突发事件进行早期的甄别，导致对突发事件的应对效果普遍较差，不能满足实际需要。本专利技术旨在提升对突发事件的应对效率及效果。
技术实现思路
1、对此，本专利技术提供了一种基于多模态数据的突发事件画像构建与分析方法、系统、电子设备、计算机存储介质及计算机程序产品，以解决上述技术问题。
2、本专利技术公开了一种基于多模态数据的突发事件画像构建与分析方法，所述方法包括如下步骤：确定若干突发事件类型及对应的第一多模态数据源，基于所述第一多模态数据源构成训练数据集；其中，所述第一多模态数据源中包括多种不同类型的事件源数据；使用所述训练数据集对卷积神经网络模型进行训练，使用训练后的所述卷...
【技术保护点】
1.一种基于多模态数据的突发事件画像构建与分析方法，其特征在于，所述方法包括如下步骤：确定若干突发事件类型及对应的第一多模态数据源，基于所述第一多模态数据源构成训练数据集；其中，所述第一多模态数据源中包括多种不同类型的事件源数据；使用所述训练数据集对卷积神经网络模型进行训练，使用训练后的所述卷积神经网络模型对第二多模态数据源进行关键特征识别，获得若干组第一关键特征，为每组中的各所述第一关键特征确定第一画像标签，基于每组内的全部所述第一画像标签生成与各所述突发事件类型对应的第一突发事件画像，将生成的各所述第一突发事件画像存入画像数据库；其中，所述第二多模态数据源与所述第...
【技术特征摘要】
1.一种基于多模态数据的突发事件画像构建与分析方法，其特征在于，所述方法包括如下步骤：确定若干突发事件类型及对应的第一多模态数据源，基于所述第一多模态数据源构成训练数据集；其中，所述第一多模态数据源中包括多种不同类型的事件源数据；使用所述训练数据集对卷积神经网络模型进行训练，使用训练后的所述卷积神经网络模型对第二多模态数据源进行关键特征识别，获得若干组第一关键特征，为每组中的各所述第一关键特征确定第一画像标签，基于每组内的全部所述第一画像标签生成与各所述突发事件类型对应的第一突发事件画像，将生成的各所述第一突发事件画像存入画像数据库；其中，所述第二多模态数据源与所述第一多模态数据源是同一组数据源的不同部分；实时获取第三多模态数据源，使用所述卷积神经网络模型对所述第三多模态数据源进行关键特征识别，获得一组第二关键特征，为各所述第二关键特征确定第二画像标签，基于全部所述第二画像标签生成对应的第二突发事件画像；计算所述第二突发事件画像与画像数据库中各所述第一突发事件画像的相似度，获得匹配的第一突发事件画像，输出与所述第一突发事件画像对应的所述突发事件类型的预警信息。
2.根据权利要求1所述的一种基于多模态数据的突发事件画像构建与分析方法，其特征在于：各所述事件源数据配置有事件发生类型标签，所述事件发生类型标签包括表示突发事件发生的第一类型标签和突发事件未发生的第二类型标签；则基于所述第一多模态数据源构成训练数据集，包括：基于所述事件发生类型标签将所述第一多模态数据源划分为第一类型和第二类型；对各所述突发事件类型进行突发程度评估，获得对应的突发程度，基于所述突发程度确定与所述突发事件类型对应的混合比例；基于所述混合比例挑选对应数量的所述第一类型的所述第一多模态数据源和对应数量的所述第二类型的所述第一多模态数据源，构成训练数据集。
3.根据权利要求2所述的一种基于多模态数据的突发事件画像构建与分析方法，其特征在于：对各所述突发事件类型进行突发程度评估，获得对应的突发程度，包括：获取与所述突发事件类型对应的事件源数据，根据所述事件源数据提取得出事件突发耗时，基于所述事件突发耗时确定所述突发程度；其中，所述事件突发耗时越短，则所述突发程度越高，反之则越低。
4.根据权利要求3所述的一种基于多模态数据的突发事件画像构建与分析方法，其特征在于：在所述实时获取第三多模态数据源之前，所述方法还包括：调取各所述突发事件类型对应的事件发生记录，根据所述事件发生记录统计得出与日期、时间相关的事件发生规律曲线；从所述事件发生规律曲线中确定得出与当前日期和当前时间对应的事件发生量，根据所述事件发生量确定突发事件巡查频率；其中，所述事件发生量越大则所述突发事件巡查频率越高，反之则越低。
5.根据权利要求4所述的一种基于多模态数据的突发事件画像构建与分析方法，其特征在于：计算...
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。