一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法技术

一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法，引入复杂网络理论、人工智能技术实现城市安全复杂事件的分类管理，首先按照突发事件发生、发展、演化的过程，环境输入要素是状态要素发生变化的原因，输出要素是状态要素变化的结果，控制输入可以控制部分状态的变化，然后建立突发事件贝叶斯网络中的各节点形成输入—状态—输出的三层拓扑结构，实现城市安全复杂事件分类控制。本发明专利技术提供了一种有效进行分类、实用性良好的基于贝叶斯网络学习的城市安全复杂事件分类控制方法。

【技术实现步骤摘要】
【专利摘要】，引入复杂网络理论、人工智能技术实现城市安全复杂事件的分类管理，首先按照突发事件发生、发展、演化的过程，环境输入要素是状态要素发生变化的原因，输出要素是状态要素变化的结果，控制输入可以控制部分状态的变化，然后建立突发事件贝叶斯网络中的各节点形成输入—状态—输出的三层拓扑结构，实现城市安全复杂事件分类控制。本专利技术提供了一种有效进行分类、实用性良好的基于贝叶斯网络学习的城市安全复杂事件分类控制方法。【专利说明】—种基于贝叶斯网络学习的城市安全复杂事件分类控制方法
本专利技术涉及复杂网络理论、人工智能
知识，具体涉及一种城市安全复杂事件分类管理方法。特别适用于复杂事件分类管理的问题。
技术介绍
目前国内外应急管理方面的研究大都侧重于应急管理机制、体系的建立与应急管理相关技术，都是从应急管理主体的角度出发的，而对应急管理的客体即突发事件的研究相对较少，对于突发事件客观规律的忽视，导致实际的应急管理工作中出现决策目标不明确、处置效率较低、处置成本过高等问题。虽然各个领域的突发事件都具有各自的行为特征和内部规律，但是在事件的发生、发展和演化方面，都具有一些共性特征，例如每种突发事件的发生发展都受到一定的外部环境因素的影响，突发事件都会给人类社会造成一定的破坏作用，形成相应的损失；此外各种突发事件的发生发展并不是相互独立的，无论是同一领域的突发事件还是不同领域的突发事件之间，都不同程度地存在着相互引发、干涉、转化、耦合等复杂关系，从而形成突发事件的连锁反应过程，例如城市突然遭到的台风灾害时常伴随着暴雨、洪水、泥石流、瘟疫等一系列次生事件。因此对城市安全的突发事件的研究不能片面或孤立地侧重于某一种事件，或是突发事件的某一种规律，而应该从整体出发，统一地揭示各种突发事件发生发展的共性规律。
技术实现思路
为了克服已有城市安全复杂事件中无法进行有效分类、实用性较差的不足，本专利技术提供了一种有效进行分类、实用性良好的基于贝叶斯网络学习的城市安全复杂事件分类控制方法。本专利技术解决其技术问题所采用的技术方案是:，突发事件贝叶斯网络中的各节点形成输入一状态一输出的三层拓扑结构，所述分类控制方法包括以下步骤:I)输入一状态子网包括环境输入变量、控制输入变量与状态变量之间的因果关系，令EI = IeiiIl≤i 为突发事件的环境输入变量集合，Al = {aik|l≤k≤m}为控制输入变量集合，MP = {mPj I ^ j ^ η}为事件状态变量集合，IP = {iPj 11≤j≤m}为承灾体状态变量集合，该网络中的因果关系用条件概率表示为=P(Hip^eii)表示环境输入对事件状态的影响程度；P(mpy IPjIeik)表示控制输入对事件状态与承灾体状态的影响程度；2)状态一状态子网络用于描述状态变量之间的因果关系，令MP为事件状态变量集合，IP为承灾体状态变量集合，Se为事件的触发状态变量，该网络包含的因果关系用条件概率表示为:设Hipi e MP, P (mpj I Iiipi)表示事件状态变量之间的影响程度，PQpjImpi)表示事件状态变量对承灾体状态变量的影响程度，P (se |mPi，iPj)表示在不同的事件状态和承灾体状态下该突发事件是否处于发生状态；3)状态一输出子网络包括状态变量与输出变量之间的因果关系。令MP为事件状态变量集合，IP为承灾体状态变量集合，O = {o, I ^ j ^ m}为输出变量集合，SO =IsojI≤j≤p}为与外部环境变量具有作用关系的响应状态变量，LO= {lo, |l<k<q}S事件损失变量集合，其中O = SO U L0,该网络包含的因果关系用条件概率表示有P (Oj I mPi)与P (Oj I iPj)，分别表示当事件或承灾体处于特定状态时，突发事件对外部环境的影响或造成特定损失的概率；4)影响城市安全的突发复杂事件预测的贝叶斯网络:根据1)-3)子网络，令G= {N, E, P}为突发事件贝叶斯网络，其中N= I U S U O, (N, E)为网络结构描述了变量之间的因果关系，变量之间的影响程度用条件概率表P表示，变量的条件概率通过专家知识直接指定或根据历史数据进行统计得到；知道了根节点的先验概率与其他节点的条件概率，得到所有变量的联合概率分布，如下式所示:P (eii, mpj, ip」,se, aik, Oj)=p(eii)p(mpJ|eii)p(mpJ, Ipj | aik)p (mpj Impi) P(IPjImPi)p(se|mpi, ipj)P(OjImPi)P(OjI1Pj)利用上式，计算网络中各节点的边缘概率，从而确定先验网络；假设观测到的突发事件的部分信息为E，利用此证据信息更新网络中其他节点的概率，实现对突发事件的关键状态及其损失后果的预测，具体计算方法如下:令e e E为证据信息，假设人们最关心的是突发事件的状态信息与输出信息，则有:【权利要求】1.，其特征在于:突发事件贝叶斯网络中的各节点形成输入一状态一输出的三层拓扑结构，所述分类控制方法包括以下步骤: 1)输入一状态子网包括环境输入变量、控制输入变量与状态变量之间的因果关系，令EI = Ieii 1 ≤i≤ m}为突发事件的环境输入变量集合，Al = {aik I ≤k ≤ m}为控制输入变量集合，MP = Impj 1 ≤j≤ n}为事件状态变量集合，IP = Upj 11≤j≤m}为承灾体状态变量集合，该网络中的因果关系用条件概率表示为=P(H^Ieii)表示环境输入对事件状态的影响程度；P(mpy IPjIeik)表示控制输入对事件状态与承灾体状态的影响程度； 2)状态一状态子网络用于描述状态变量之间的因果关系，令MP为事件状态变量集合，IP为承灾体状态变量集合，se为事件的触发状态变量，该网络包含的因果关系用条件概率表示为:设Hipi e MP, P (mpj I Iiipi)表示事件状态变量之间的影响程度，PQpjImpi)表示事件状态变量对承灾体状态变量的影响程度，P (se |mPi，iPj)表示在不同的事件状态和承灾体状态下该突发事件是否处于发生状态； 3)状态一输出子网络包括状态变量与输出变量之间的因果关系。令MP为事件状态变量集合，IP为承灾体状态变量集合，O = {o, I ≤ j ≤ m}为输出变量集合，SO =Isoj1≤j≤p}为与外部环境变量具有作用关系的响应状态变量，LO= {lo, |l<k<q}S事件损失变量集合，其中O = SO U LO,该网络包含的因果关系用条件概率表示有P (Oj I mPi)与P (Oj I iPj)，分别表示当事件或承灾体处于特定状态时，突发事件对外部环境的影响或造成特定损失的概率； 4)影响城市安全的突发复杂事件预测的贝叶斯网络:根据1)-3)子网络，令G={N，E, P}为突发事件贝叶斯网络，其中N= I U S U O, (N, E)为网络结构描述了变量之间的因果关系，变量之间的影响程度用条件概率表P表示，变量的条件概率通过专家知识直接指定或根据历史数据进行统计得到；知道了根节点的先验概率与其他节点的条件概率，得到所有变量的联合概率分布，如下式所示: p(e本文档来自技高网...

【技术保护点】
一种基于贝叶斯网络学习的城市安全复杂事件分类控制方法，其特征在于：突发事件贝叶斯网络中的各节点形成输入—状态—输出的三层拓扑结构，所述分类控制方法包括以下步骤：1)输入—状态子网包括环境输入变量、控制输入变量与状态变量之间的因果关系，令EI＝{eii|1≤i≤m}为突发事件的环境输入变量集合,AI＝{aik|1≤k≤m}为控制输入变量集合,MP＝{mpj|1≤j≤n}为事件状态变量集合，IP＝{ipj|1≤j≤m}为承灾体状态变量集合，该网络中的因果关系用条件概率表示为：P(mpj|eii)表示环境输入对事件状态的影响程度；P(mpj,ipj|eik)表示控制输入对事件状态与承灾体状态的影响程度；2)状态—状态子网络用于描述状态变量之间的因果关系，令MP为事件状态变量集合，IP为承灾体状态变量集合,se为事件的触发状态变量，该网络包含的因果关系用条件概率表示为：设mpi∈MP,p(mpj|mpi)表示事件状态变量之间的影响程度，p(ipj|mpi)表示事件状态变量对承灾体状态变量的影响程度，p(se|mpi,ipj)表示在不同的事件状态和承灾体状态下该突发事件是否处于发生状态；3)状态—输出子网络包括状态变量与输出变量之间的因果关系。令MP为事件状态变量集合，IP为承灾体状态变量集合，O＝{o,|1≤j≤m}为输出变量集合，SO＝{soj|≤j≤p}为与外部环境变量具有作用关系的响应状态变量，LO＝{lo,|1≤k≤q}为事件损失变量集合，其中O＝SO∪LO，该网络包含的因果关系用条件概率表示有p(oj|mpi)与p(oj|ipj)，分别表示当事件或承灾体处于特定状态时，突发事件对外部环境的影响或造成特定损失的概率；4)影响城市安全的突发复杂事件预测的贝叶斯网络：根据1)‑3)子网络，令G={N,E,P}为突发事件贝叶斯网络，其中N＝I∪S∪O，(N,E)为网络结构描述了变量之间的因果关系，变量之间的影响程度用条件概率表P表示，变量的条件概率通过专家知识直接指定或根据历史数据进行统计得到；知道了根节点的先验概率与其他节点的条件概率，得到所有变量的联合概率分布，如下式所示：p(eii,mpj,ipj,se,aik,oj)＝p(eii)p(mpj|eii)p(mpj,ipj|aik)p(mpj|mpi)p(ipj|mpi)p(se|mpi,ipj)p(oj|mpi)p(oj|ipj)利用上式，计算网络中各节点的边缘概率，从而确定先验网络；假设观测到的突发事件的部分信息为E，利用此证据信息更新网络中其他节点的概率，实现对突发事件的关键状态及其损失后果的预测，具体计算方法如下：令e∈E为证据信息，假设人们最关心的是突发事件的状态信息与输出信息，则有：P(mpi,ipj,se,oi|e)=P(mpi,ipj,se,oj,e)P(e)]]>其中，P(e)与P(mpi,ipj,oj,e)可通过上面的公式并利用高阶联合概率计算低阶联合概率获得；5)贝叶斯网络学习与优化：令G={N,E,P}为突发事件贝叶斯网络，(N,E)为网络结构，N为突发事件贝叶斯网络中的节点集合，E为节点之间的因果关系集合，网络结构学习的目的就是给定节点集合N，得到N中各节点的因果关系集合E，根据领域专家知识对节点之间的因果关系进行识别；采取D‑S证据合成理论为核心构筑领域知识采集框架，对多个专家给出的网络结构先验知识进行合成，根据事先定义的阀值，消除不一致信息，采纳多个领域专家的共识，形成比较合理的突发事件贝叶斯网络拓扑结构；6)结果输出：对于目标突发事件贝叶斯网络而言，输入节点I、状态节点S以及输出节点O组成了网络中的节点集合，让领域专家对输入I与状态S、状态S与状态S、状态S与输出O等各节点之间的因果关系进行评价，为每一对节点之间的因果关系分配信度函数。用Cause、Result表示节点a与b有直接的因果关系，Reliability表示某个领域专家对该因果关系分配的信度，然后根据D‑S证据合成理论进行合成，从中仅选择信度最高和最低两种知识，确定最终接受的专家知识并形成突发事件贝叶斯网络按照这个过程，对知识库中所有的规则进行合成，最终形成突发事件贝叶斯网络。...

【技术特征摘要】

【专利技术属性】
技术研发人员：陈庭贵，周广澜，许翀寰，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：浙江;33