本發(fā)明涉及一種基于動(dòng)態(tài)預(yù)測(cè)與補(bǔ)全的應(yīng)急響應(yīng)知識(shí)圖譜推理方法及系統(tǒng)，屬于知識(shí)工程，用于突發(fā)情況下的應(yīng)急響應(yīng)和決策支持。

背景技術(shù)：

1、在應(yīng)急響應(yīng)中，知識(shí)圖譜能夠幫助整合和管理大量復(fù)雜的應(yīng)急相關(guān)信息，它可以有效地表示和連接應(yīng)急事件、資源、地點(diǎn)、時(shí)間、設(shè)備、人員等多維度的信息元素及其之間的關(guān)系。但由于應(yīng)急事件往往不可預(yù)測(cè)且信息獲取不完全，構(gòu)建的應(yīng)急響應(yīng)知識(shí)圖譜通常稀疏，缺少完整的實(shí)體關(guān)系連接。傳統(tǒng)方法在這樣的圖譜上進(jìn)行推理時(shí)，可能會(huì)面臨推理路徑斷裂、信息缺失等問(wèn)題，影響應(yīng)急響應(yīng)的速度和準(zhǔn)確性。

2、基于規(guī)則的推理方法依賴于人工或?qū)＜医?jīng)驗(yàn)構(gòu)建的規(guī)則庫(kù)，通過(guò)這些預(yù)定義的規(guī)則對(duì)知識(shí)圖譜進(jìn)行推理。這類方法可解釋性強(qiáng)，每個(gè)推理步驟都有明確的規(guī)則支持，但規(guī)則覆蓋不全面，難以應(yīng)對(duì)復(fù)雜多變的應(yīng)急場(chǎng)景?；谇度氲耐评矸椒▽?shí)體和關(guān)系映射到低維向量空間進(jìn)行推理。這類方法可以捕捉到那些在顯式規(guī)則中沒(méi)有顯著特征的實(shí)體和關(guān)系的潛在語(yǔ)義特征，但由于應(yīng)急知識(shí)圖譜的稀疏性，訓(xùn)練數(shù)據(jù)不足，影響模型性能，并且缺乏可解釋性。

3、基于強(qiáng)化學(xué)習(xí)的路徑推理模型通過(guò)模擬智能體在知識(shí)圖譜的環(huán)境中進(jìn)行尋路搜索，并根據(jù)動(dòng)作以及狀態(tài)轉(zhuǎn)移結(jié)果來(lái)給予智能體對(duì)應(yīng)的獎(jiǎng)勵(lì)，從而調(diào)整其行為策略和優(yōu)化推理路徑。但由于應(yīng)急響應(yīng)知識(shí)圖譜通常較為稀疏，圖譜的連通性較差，智能體可能無(wú)法在有限的信息中找到合理的路徑，從而導(dǎo)致推理路徑斷裂或錯(cuò)誤的應(yīng)急響應(yīng)決策。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：針對(duì)現(xiàn)有技術(shù)在應(yīng)急響應(yīng)知識(shí)圖譜中的不足，本發(fā)明提供了一種基于動(dòng)態(tài)預(yù)測(cè)與補(bǔ)全的應(yīng)急響應(yīng)知識(shí)圖譜推理方法及系統(tǒng)。歸納應(yīng)急響應(yīng)知識(shí)圖譜上的信息構(gòu)建規(guī)則集，引入規(guī)則長(zhǎng)度實(shí)現(xiàn)關(guān)系的動(dòng)態(tài)預(yù)測(cè)，縮短平均推理步長(zhǎng)，幫助決策者在有限的時(shí)間內(nèi)做出快速?zèng)Q策。設(shè)計(jì)動(dòng)態(tài)補(bǔ)全算法，利用動(dòng)態(tài)預(yù)測(cè)結(jié)果實(shí)現(xiàn)針對(duì)智能體動(dòng)作空間狀態(tài)的動(dòng)態(tài)補(bǔ)全，從而有效緩解了應(yīng)急響應(yīng)知識(shí)圖譜中的路徑缺失問(wèn)題。此方法顯著提升了應(yīng)急響應(yīng)知識(shí)圖譜的實(shí)用價(jià)值，為應(yīng)急管理決策提供了更可靠的智能化支持。

2、技術(shù)方案：一種基于動(dòng)態(tài)預(yù)測(cè)與補(bǔ)全的應(yīng)急響應(yīng)知識(shí)圖譜推理方法，包括以下步驟：

3、(1)構(gòu)建規(guī)則集合：引入任意時(shí)刻自底向上的規(guī)則學(xué)習(xí)(anytime?bottom-up?rulelearning，anyburl)方法從稀疏的應(yīng)急響應(yīng)知識(shí)圖譜中提取規(guī)則，構(gòu)建規(guī)則集合q。

4、(2)設(shè)計(jì)動(dòng)態(tài)預(yù)測(cè)函數(shù)：由于應(yīng)急響應(yīng)往往需要在有限的時(shí)間內(nèi)做出快速?zèng)Q策，推理步長(zhǎng)的限制也成為關(guān)鍵因素，為提高路徑推理效率，縮短平均推理步長(zhǎng)，在動(dòng)態(tài)預(yù)測(cè)計(jì)算方法中額外引入規(guī)則長(zhǎng)度，提出新的動(dòng)態(tài)預(yù)測(cè)函數(shù)。

5、(3)獲取隱藏候選實(shí)體集：結(jié)合構(gòu)建的規(guī)則集合q和動(dòng)態(tài)預(yù)測(cè)函數(shù)計(jì)算得到實(shí)體作為正確目標(biāo)實(shí)體的概率向量集合p(按概率大小降序排列)，選擇概率向量集合p中排名靠前的實(shí)體集合ep組成隱藏候選實(shí)體集，從而完成智能體當(dāng)前狀態(tài)的動(dòng)態(tài)預(yù)測(cè)。

6、(4)進(jìn)行動(dòng)態(tài)補(bǔ)全：在突發(fā)災(zāi)害情況下，應(yīng)急響應(yīng)知識(shí)圖譜可能沒(méi)有足夠的應(yīng)急響應(yīng)路徑，為此提出基于預(yù)測(cè)信息的動(dòng)態(tài)補(bǔ)全策略，在推理過(guò)程中將智能體的動(dòng)作空間分為兩種不同狀態(tài)，分別進(jìn)行動(dòng)作空間的動(dòng)態(tài)補(bǔ)全或替換。

7、進(jìn)一步的，所述步驟(1)中基于anyburl方法構(gòu)建規(guī)則集合的具體步驟如下：

8、(1.1)通過(guò)自底向上的方式從圖譜中基于路徑采樣來(lái)提取horn規(guī)則，規(guī)則的表示如下：

9、hre(x,y)←b1(x,a1)∧…∧bn(an,y)

10、其中，所得horn規(guī)則用h表示，hre(x,y)表示提取的關(guān)系規(guī)則，x和y分別是起始和目標(biāo)實(shí)體，re是實(shí)體之間的關(guān)系，a1和an表示中間連接的輔助實(shí)體，bn(…)表示實(shí)體之間的關(guān)聯(lián)?！谋硎具壿嫛芭c”操作，只有所有前提條件同時(shí)為真，提取的規(guī)則才為真。

11、(1.2)anyburl根據(jù)圖譜中已有的路徑關(guān)系來(lái)構(gòu)建規(guī)則集合，并通過(guò)預(yù)訓(xùn)練中的推理結(jié)果對(duì)規(guī)則集中的每條規(guī)則進(jìn)行評(píng)價(jià)。規(guī)則r的支持度表示規(guī)則在推理任務(wù)中能夠匹配多少個(gè)給定知識(shí)圖譜中的三元組，公式如下：

12、

13、其中，表示滿足規(guī)則且正確的三元組數(shù)量。因?yàn)樵陬A(yù)訓(xùn)練推理預(yù)測(cè)中，選擇的每條規(guī)則都是概率性的，通過(guò)計(jì)算規(guī)則預(yù)測(cè)頭結(jié)點(diǎn)正確事實(shí)的比率，評(píng)估并確定規(guī)則的置信度。規(guī)則r的置信度表示如下：

14、

15、其中，表示規(guī)則匹配的所有三元組數(shù)量。

16、進(jìn)一步的，所述步驟(2)中設(shè)計(jì)動(dòng)態(tài)預(yù)測(cè)函數(shù)的具體步驟如下：衡量一個(gè)實(shí)體節(jié)點(diǎn)是否為一個(gè)高質(zhì)量的隱藏候選實(shí)體，并不僅僅在其是否構(gòu)成了一個(gè)可信度較高的規(guī)則。為在有限的時(shí)間進(jìn)行應(yīng)急響應(yīng)，推理步長(zhǎng)的限制也成為關(guān)鍵因素。由此，需要考慮該實(shí)體是否能夠通過(guò)較短的推理路徑到達(dá)正確的實(shí)體。先將步驟(1)中生成的規(guī)則集合q提供的評(píng)價(jià)指標(biāo)進(jìn)行計(jì)算，再進(jìn)行歸一化處理。旨在提高路徑推理效率，縮短平均推理步長(zhǎng)，在動(dòng)態(tài)預(yù)測(cè)計(jì)算方法中額外引入了規(guī)則長(zhǎng)度，對(duì)實(shí)體ei的概率向量pi進(jìn)行計(jì)算，公式如下：

17、

18、其中，pi表示向量p第i維的值，代表實(shí)體ei是正確尾部實(shí)體的概率，對(duì)于含有候選尾實(shí)體ei的規(guī)則ri，規(guī)則集q對(duì)其置信度定義為conf(ri)，支持度定義為support(ri)。l(r)表示規(guī)則r的長(zhǎng)度。

19、進(jìn)一步的，所述步驟(3)中獲取隱藏候選實(shí)體集的具體步驟如下：

20、(3.1)使用步驟(1)中生成的規(guī)則集合q和步驟(2)設(shè)計(jì)的動(dòng)態(tài)預(yù)測(cè)函數(shù)，計(jì)算所有實(shí)體作為尾實(shí)體(正確的目標(biāo)實(shí)體)的概率向量集合p，由于動(dòng)態(tài)預(yù)測(cè)函數(shù)在計(jì)算預(yù)測(cè)概率時(shí)納入了規(guī)則長(zhǎng)度的考量，因此較短的規(guī)則在概率向量集合中會(huì)優(yōu)先排列。這種設(shè)計(jì)鼓勵(lì)并約束模型在動(dòng)態(tài)預(yù)測(cè)時(shí)更加側(cè)重于短路徑的規(guī)則。短路徑規(guī)則通常具有較好的泛化能力，因?yàn)樗鼈兡軌蚩焖冁溄拥疥P(guān)鍵實(shí)體(如大壩應(yīng)急響應(yīng)中的泄洪口、泵站、應(yīng)急設(shè)備)，確保系統(tǒng)能夠在最短時(shí)間內(nèi)做出準(zhǔn)確決策。

21、(3.2)選擇向量集合p中排名靠前的實(shí)體集合ep作為隱藏候選實(shí)體集，完成針對(duì)智能體當(dāng)前狀態(tài)的動(dòng)態(tài)預(yù)測(cè)。

22、進(jìn)一步的，所述步驟(4)中進(jìn)行動(dòng)態(tài)補(bǔ)全的具體步驟如下：

23、(4.1)引入閾值參數(shù)m作為知識(shí)推理任務(wù)中智能體動(dòng)作空間的分類閾值，表示智能體可以在此基礎(chǔ)上完成推理的最小動(dòng)作空間。此外，為了提高動(dòng)作空間中的關(guān)系質(zhì)量，使得智能體可以通過(guò)更少的步數(shù)達(dá)到目標(biāo)實(shí)體。引入優(yōu)化參數(shù)k，表示利用動(dòng)態(tài)預(yù)測(cè)結(jié)果中的前k個(gè)隱藏候選實(shí)體對(duì)原動(dòng)作空間的關(guān)系進(jìn)行優(yōu)化。

24、(4.2)若在時(shí)刻t，動(dòng)作空間小于m時(shí)，表明智能體可供選擇的關(guān)系較少，即應(yīng)急響應(yīng)知識(shí)圖譜中沒(méi)有足夠的路徑，不足以完成推理。為補(bǔ)全動(dòng)作空間，將步驟(3)計(jì)算的概率向量集合p中的nadd個(gè)隱藏候選實(shí)體及其對(duì)應(yīng)的關(guān)系生成額外動(dòng)作空間加入當(dāng)前動(dòng)作空間，將動(dòng)作空間大小補(bǔ)充至m。額外動(dòng)作空間大小nadd的公式如下：

25、nadd＝m-n

26、其中，n表示當(dāng)前動(dòng)作空間的大小。

27、在此情況下，將原動(dòng)作空間與動(dòng)態(tài)預(yù)測(cè)生成的額外動(dòng)作空間進(jìn)行合并，得到新的動(dòng)作空間公式如下：

28、

29、其中，在基于強(qiáng)化學(xué)習(xí)的知識(shí)推理任務(wù)中，環(huán)境通常指的是整個(gè)知識(shí)圖譜，將第t時(shí)間步的狀態(tài)定義為一個(gè)元組(et，es，rq)，et表示在t步時(shí)刻在應(yīng)急響應(yīng)知識(shí)圖譜中被訪問(wèn)的實(shí)體，et是源實(shí)體，es目標(biāo)實(shí)體，rq是查詢關(guān)系。時(shí)刻t的動(dòng)作空間集合at由實(shí)體et的所有相連關(guān)系組成，表示為：at＝{(r,e)∣(et,r,e)∈g}，e表示由知識(shí)圖譜中源實(shí)體et和其具有的所有連接關(guān)系r對(duì)應(yīng)連接的實(shí)體。

30、(4.3)若在時(shí)刻t，動(dòng)作空間大于等于m時(shí)，表示智能體當(dāng)前的動(dòng)作空間相對(duì)豐富，應(yīng)急響應(yīng)知識(shí)圖譜需要短路徑關(guān)系來(lái)實(shí)現(xiàn)動(dòng)作空間優(yōu)化。為此，使用概率向量集合p中k個(gè)的隱藏候選實(shí)體及其對(duì)應(yīng)關(guān)系構(gòu)建額外動(dòng)作空間額外動(dòng)作空間的大小nadd定義如下：

31、nadd＝k

32、為提高動(dòng)作空間質(zhì)量的同時(shí)不盲目擴(kuò)充原動(dòng)作空間大小，根據(jù)概率向量集合p中的動(dòng)態(tài)預(yù)測(cè)評(píng)分對(duì)合并后的動(dòng)作空間進(jìn)行排序，取前n個(gè)動(dòng)作為新的動(dòng)作空間，從而保持原動(dòng)作空間大小不變。得到的新動(dòng)作空間表達(dá)如以下公式：

33、

34、一種基于動(dòng)態(tài)預(yù)測(cè)與補(bǔ)全的應(yīng)急響應(yīng)知識(shí)圖譜推理系統(tǒng)，包括以下模塊：

35、(1)規(guī)則構(gòu)建模塊：通過(guò)基于規(guī)則的anyburl方法按自底向上的方式從稀疏的應(yīng)急響應(yīng)知識(shí)圖譜上構(gòu)建規(guī)則集合q；

36、(2)動(dòng)態(tài)預(yù)測(cè)模塊：由于應(yīng)急響應(yīng)往往需要在有限的時(shí)間內(nèi)做出快速?zèng)Q策，衡量一個(gè)實(shí)體節(jié)點(diǎn)是否為一個(gè)高質(zhì)量的隱藏候選實(shí)體，不僅僅在其是否構(gòu)成了一個(gè)可信度較高的規(guī)則，推理步長(zhǎng)的限制也成為關(guān)鍵因素，為提高路徑推理效率，縮短平均推理步長(zhǎng)，在動(dòng)態(tài)預(yù)測(cè)計(jì)算方法中額外引入規(guī)則長(zhǎng)度，提出新的動(dòng)態(tài)預(yù)測(cè)函數(shù)；

37、(3)隱藏候選實(shí)體集獲取模塊：結(jié)合構(gòu)建的規(guī)則集合q和動(dòng)態(tài)預(yù)測(cè)函數(shù)計(jì)算得到概率向量集合p，選擇向量集合p中排名靠前的實(shí)體集合ep組成隱藏候選實(shí)體集，完成智能體當(dāng)前狀態(tài)的動(dòng)態(tài)預(yù)測(cè)；

38、(4)動(dòng)態(tài)補(bǔ)全模塊：在突發(fā)災(zāi)害情況下，應(yīng)急響應(yīng)知識(shí)圖譜中可能沒(méi)有足夠的應(yīng)急響應(yīng)路徑(關(guān)系)，為此提出基于預(yù)測(cè)信息的動(dòng)態(tài)補(bǔ)全策略，在推理過(guò)程中將智能體的動(dòng)作空間分為兩種不同狀態(tài)，分別進(jìn)行動(dòng)作空間的動(dòng)態(tài)補(bǔ)全或替換。

39、所述系統(tǒng)和方法實(shí)現(xiàn)過(guò)程一樣，不再贅述。

40、一種計(jì)算機(jī)設(shè)備，該計(jì)算機(jī)設(shè)備包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，處理器執(zhí)行上述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上所述的基于動(dòng)態(tài)預(yù)測(cè)與補(bǔ)全的應(yīng)急響應(yīng)知識(shí)圖譜推理方法。

41、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有執(zhí)行如上所述的基于動(dòng)態(tài)預(yù)測(cè)與補(bǔ)全的應(yīng)急響應(yīng)知識(shí)圖譜推理方法的計(jì)算機(jī)程序。

42、有益效果：本發(fā)明引入動(dòng)態(tài)預(yù)測(cè)函數(shù)和規(guī)則長(zhǎng)度的考慮，能夠優(yōu)先選擇短路徑規(guī)則，從而顯著提升推理效率，確保在緊急情況下做出更快的決策。應(yīng)急響應(yīng)知識(shí)圖譜中，某些應(yīng)急措施或設(shè)備信息可能因數(shù)據(jù)不足而缺失，導(dǎo)致圖譜稀疏。本發(fā)明通過(guò)動(dòng)態(tài)補(bǔ)全和替換策略，對(duì)當(dāng)前所在實(shí)體的潛在關(guān)系進(jìn)行動(dòng)態(tài)預(yù)測(cè)，從而生成額外的動(dòng)作空間，緩解稀疏圖譜上的路徑缺失問(wèn)題，并且在推理過(guò)程中調(diào)整決策空間，避免了固定的路徑搜索，允許系統(tǒng)根據(jù)當(dāng)前應(yīng)急狀態(tài)和圖譜中已有的信息靈活調(diào)整決策。通過(guò)動(dòng)態(tài)預(yù)測(cè)和動(dòng)態(tài)補(bǔ)全緩解了應(yīng)急響應(yīng)知識(shí)圖譜中的稀疏性、路徑冗長(zhǎng)和信息缺失等問(wèn)題，提升了應(yīng)急響應(yīng)知識(shí)圖譜推理系統(tǒng)的效率、準(zhǔn)確性和靈活性，為突發(fā)災(zāi)害的應(yīng)對(duì)提供了有力支持。