有某些过去的轮廓和/或历史事件模型的匹配事件。在一个方面，假定被实时监 控的事件A的当前分数和历史事件B，例如历史有关事件（其演变是已知的），A的当前状 态可以被映射到B。例如，如图3所示（在315)，事件5是历史事件B(或者可以是类似事 件的扩散模型-是相同的）。那么，在事件5的时间线上，当前事件A可被定位（以捕获哪 里是"现在"，如虚线所示）。当该匹配被准确地执行时，可以使用事件B的时间线估计事件 A如何进行和/或演变。因此，事件A的当前分数可被及时定位到历史事件（或扩散模型） B的时间线。
[0022] 在步骤S4,可计算事件的分数预计，例如"预计分数"。因此，在步骤S4,估计一段 时间后（即，未来）的事件A的分数，如图3所示（在315)。在事件A被定位到历史事件B 的时间（并因此导出"现在"点）后，该知识，例如"现在"点，可用于表示"在30分钟内预 期事件A的危急程度会显著增长"，如图3所示（在317处）。该预期或预测是基于事件B 的，其是具有已知进程和/或演变的历史有关事件。
[0023] 基于当前分数（在步骤S2中计算的）的排名实时地反映每个事件（相对其它事 件）的相对危急程度。所预测的排名（在步骤S4中计算的）反映未来（例如在某段时间 后）每个事件的相对危急程度。图3示出一个例子，如下所述并在后面进一步描述。假定 已经确定了 5个事件，并对于这些事件的每一个，根据每个事件的各自的历史有关事件（或 扩散模型），已经找到"现在"。事件的当前分数（"现在"）用于创建反映事件的当前情形 /危急程度的排名。这就是图3中在301的排名。然而，已经识别了每个事件在各自的历史 事件和/或扩散模型中的位置（"现在"），可以预测或预报每个事件的危急程度在一段时 间后，诸如例如30分钟后，会如何发展。这可导致新的排名，其中某些事件已经变得更加危 险和/或更加重要，而其它事件已经变得不太危险和/或不太重要。这就是在图3的321 示出的排名，它被称为"所预测的排名"。
[0024] 在步骤S5中，系统根据当前分数来执行事件的排名，并根据分数预计来执行所预 测的排名。
[0025] 在步骤S6,发生排名和预计排名的输出。例如，预计排名可以被显示在显示器设备 138(图1)上。如果需要，可以产生和显示各种输出。另外，被监控的事件的实时排名可响 应于所接收到的关于每个事件的新输入和/或由对应的扩散模型报告的事件的预期演变， 根据它们当前所计算的分数动态地更新和显示。下面更详细地讨论扩散模型。在一个实施 例中，系统和方法的用户可以实时地提供由对应的扩散模型提供的对预测准确性的反馈。 这种反馈可用于改进所监控的事件和/或类似事件的随后的排名。例如，反馈可用于更新 事件的当前状态相对扩散模型的定位和/或修改历史模型，以使得根据这些更新后的模型 的排名会更加准确。
[0026] 图3示出在本发明的一个实施例中的包含五个事件：事件1、事件2、事件3、事件4 和事件5的被标记为"当前"301的第一列或列表、被标记为"用户反馈"311的消息对和包 含按不同顺序的事件的被标记为"一小时后预计"321的第三列或列表的输出。在另一个实 施例中，"一小时后预计"事件可以是与"当前"事件相同的顺序。应当注意，某些事件可能 在此期间后已变得不重要，因此，它们不是被标记为"一小时预计"的列表的一部分，而其它 事件（诸如事件6)可能在此期间已被发现，因此，在此期间被发现的这些事件并不是被标 记为"当前"的列表的一部分。
[0027] 在图3中，每个事件，例如事件1、事件2、事件3、事件4和事件5,已经从社交媒体 数据中检测到。在每个事件内包括的指示符305表示时间，例如整数，在该时间内预计事件 的危急程度发生变化。向上的箭头指示符表示事件的危急程度被预期增大，向下的箭头指 示符表示时间的危急程度被预期降低。例如，事件2的指示符是包含"5"的向上箭头，其 表示事件2的危急程度预期在5个时间单元（例如5分钟）内增加。同样，事件3的指示 符是包含"20"的向下箭头，其表示事件3的危急程度预期在20个时间单元（例如20分 钟）内降低。显示为矩形的一个指示器305例如表示预计没有变化。危急程度的变化引起 事件的重新排序或重新排名，以使得事件2在"一小时后预计"321列中出现在事件1的上 面。危急程度的变化在其信息被维持在系统的知识库和/或相关扩散模型中的历史有关事 件的帮助下，根据对应的（有关）事件如何随时间发展来计算。例如，在图3的315,事件5 被报告具有某个当前分数（显示在"现在"位置中）。使用其危急程度随时间发展是已知的 历史事件（或扩散模型），可以预测出事件5预期在30分钟后达到其最高的危急程度级别 (分数），因为这是历史事件在处于"现在"位置时达到其最大危急程度级别所花费的时间。 通过对排名列表301中的每个事件执行相同的计算，可以得到未来事件的预计排名，如图3 的321所示。
[0028] 图3中的"用户反馈"311包括有关事件（例如事件5)的当前信息315和有关事 件的预计信息317。"一小时后预计"321反映在"用户反馈"中示出的信息。具体地，当前 事件信息315显示事件（例如事件5)的分数预计或分数被预计或预报在接下来的30分钟 内增加。此外，预计事件信息317显示根据来自社交媒体，例如Twitter?等的输入，事件 (例如事件5)的分数被预报在当前30分钟后的15分钟内降低。下面更详细描述事件分数 的确定和时间轮廓的计算（步骤S2)。事件的危急程度预期在何时出现的预报在当前事件 所匹配的扩散模型和/或任何历史事件的帮助下执行。基于这些类似事件的演变和它们的 危急程度发生变化所花费的时间，系统可以预测当前所监控的事件的危急程度预期在何时 发生变化。因此，在已经实现了当前事件与历史有关事件（或扩散模型）的匹配后，预报是 简单的，因为它基于历史事件的时间轮廓。例如，在图3的315示出的时间线描述了历史事 件在不同时间处的分数。"现在"位置描述了事件的当前分数（即，它将时间定位在时间线 上）。然后，可以识别和预报例如在30分钟内所监控的事件的分数和/或危急程度预期达 到它的最大值。
[0029] 预计排名可用于对针对紧急情况的反应确定优先级。例如，如果警察事先知道事 件1现在是重要的，但在30分钟后将不太重要，而事件2现在不太重要，但在30分钟将变 得更危险，平均警察紧急响应时间是30分钟，则事件2可变成最重要的事件以作出反应。
[0030] 在一个实施例中，单独事件的分数和/或分数预计可通过使用时空扩散模型计 算。通常，扩散模型试图捕获和模拟时间现象，诸如新产品采用目标人群中的口 口相传，外 部通信试图影响需求。在本发明中，扩散模型可用于计算事件的预期演变。也就是说，扩 散模型捕获某些事件（诸如火灾、洪水、盗窃等）如何随着时间和空间发展，并可用于评估 指定事件预期如何发展。在一个实施例中，历史事件可用于计算这些模型。在一个实施例 中，扩散模型帮助基于事件的预期时空演变来对事件打分，并评估分数大约在何时将发生 变化。
[0031] 各种源可提供用于事件检测（步骤S1)和用于分数和时间轮廓计算步 骤（步骤S2)的输入。某些示例性的源可包括社交媒体流，诸如Twitter?、 Facebook?、Foursquare?等。有关被监控的事件的进入信息（诸如新到的"推特"， 例如从Twitter?中传输来的数据）可帮助改进系统所监控的这些事件的排名。
[0032] 在一个实施例中，作为打分函数的危急程度可以如下计算：
[0033]危急程度=f?(事件类型，相关推特，扩散模型）
[0034]其中，事件类型、相关推特和扩散模型如下所述。事件类型可以例如通过使用在推 特中提到的关键字、将关键字分配到事件类型中的概念本体以及对推特进行预处理以识别 重要术语的NLP工具来计算。每个事件的相关推特可根据在推特中共享的重要关键字（包 括同义词）并在概念本体的帮助下类似地识别。危急程度也可在考虑事件的进展已经是已 知的类似历史事件的扩散模型的帮助下进行计算。例如，如果存在"凤凰公园的火灾"事件， 则在已知皇后公园的火灾在Y小时内以速度X蔓延并且皇后公园"类似于"凤凰公园时，即 两个公园大约有相同的大小、具有相同类型的树木、火灾区域等，皇后公园的火灾这一历史 事件可用作参考事件（扩散模型）。
[0035] 在另一个例子中，如果"类似"事件不是已知的，则可利用最坏的情形。在这种情 况下，公园的最坏火灾可用于计算"凤凰公园的火灾"这