基于深度学习的应急指挥调度平台构建方法及系统与流程

本发明涉及应急管理指挥调度，尤其涉及一种基于深度学习的应急指挥调度平台构建方法及系统。

背景技术：

1、应急指挥调度平台作为一种突发或紧急场景下的指挥调度平台，具有重要的应急管理和应急响应功能，可以帮助指挥决策者快速做出正确的决策，协调应急资源和救援行动，最大程度地减少灾害损失和人员伤亡，而由于应急指挥调度平台的复杂性，平台彻底实现自主可控面临一定的挑战。

2、目前，在新一代对于混沌工程的应急指挥调度平台的场景下，现有技术中的应急指挥调度平台尚存在系统可靠性低，紧急事件处理能力差等特点。因此，将深度学习应用于应急指挥调度平台的构建，进行用户个性化的事件应急预案推荐、事件链路场景推荐以及事件分类任务，提高应急指挥调度平台的紧急事件处理能力与效率，提高交易系统的健壮性，具有重要的实际应用意义。

技术实现思路

1、本发明所要解决的问题是：提供一种基于深度学习的应急指挥调度平台构建方法及系统，用于提高应急指挥调度平台的紧急事件处理能力与效率。

2、为实现上述目的，本发明采用以下技术方案：

3、一种基于深度学习的应急指挥调度平台构建方法，包括步骤如下：

4、步骤1、建立事件原子库数据，使用基于图生成对抗网络graphgan的知识推理技术，监测紧急事件节点，产生紧急三元组信息，构建事件知识图谱；

5、步骤2、使用基于多模态图自编码器mga，将不同类型的节点和边进行编码和解码操作，将知识图谱转化为多模态表示形式，捕捉节点的相互依赖关系，进行紧急事件判断；

6、步骤3、引入多任务学习模型mtl-att，加入注意力机制结合bert预训练模型，构建mtl-att-bert模型，通过分配不同的任务权重打分计算，进行用户个性化的事件应急预案推荐、事件链路场景推荐以及事件分类任务。

7、具体的，在步骤1中，使用基于图生成对抗网络graphgan的知识推理，获取紧急时间节点来拓展故障知识图谱，所述对抗网络graphgan，包括成式模型和判别式模型，具体的，

8、生成式模型，用于拟合或预估出真实的连接分布概率,在节点集v选择最有可能与节点 连接的节点，表示为：，g为生成器；

9、判别式模型，用于判别节点vc的真实邻居，并计算输出节点和之间存在边的可能性，表示为：，d为判别器；

10、生成器g和判别器d的minmax目标函数，如下公式（1）：

11、 （1）

12、其中，为判别器，用于区分节点对的连通性；

13、输出一个标量，表示节点和之间存在的边的概率；

14、为所有节点的向量；为价值函数；

15、为数据真实分布，表示生成的样本，为针对随机变量以真实分布来计算期望值；

16、为是生成器模型，是生成器的输入条件，是生成器的参数，为在给定条件下通过生成器g生成的样本的期望值，c为结点下标；

17、生成器和判别器的参数不断交替训练更新，每次迭代，判别器d通过来自的正样本和来自生成器g的负样本进行训练，生成器g通过判别器d的指导，按照梯度策略进行更新。

18、进一步的，所述判别器d是sigmoid函数,如下公式（2）：

19、       （2）

20、其中，是节点和在判别器中的k维向量表达，因此就可看作是所有的集合；

21、为内积运算操作并通过sigmoid函数进行转换，为内积取负数并做指数运算，为判别器对于给定真实样本与预测样本的预测结果；

22、对于给定的节点对，通过梯度下降法更新对应的节点表达向量，如下公式（3）：

23、   (3)

24、其中，为求的梯度，表示变量的真实分布，表示从生成器中生成样本，表示利用梯度下降更新判别器参数。

25、进一步的，所述生成器g，通过梯度下降法优化更新，生成器的梯度，如下公式（4）:

26、 (4)

27、其中，梯度是权重为的梯度的期望之和；

28、生成样本在生成器g条件下，利用判别器的期望值；

29、生成样本从生成器g条件下生成样本的期望值；

30、生成器g的实现通过softmax函数定义，如下公式（5）：

31、 (5)

32、其中，, ∈rk是节点和在生成器中的k维向量表达，θg是所有的集合；

33、为内积并做指数运算，为生成器g根据指定条件生成样本。

34、然后，基于上述公式(5)，提出graph softmax，通过softmax嵌入网络结构信息，计算预估的连接分布，具体为：对原网络ω进行bfs宽搜，展开成以vc为根节点的树tc，nc(v)表示节点的邻居节点集合，假设给定节点以及邻居节点∈nc(v)，定义相当于的关联概率,如下公式（6）：

35、   (6)

36、其中，每一个节点都是由根节点开始的唯一一条路径到达，所述唯一路径定义为：，其中，；

37、为在条件下与样本相关的条件集合；

38、graph softmax定义的如下公式（7）：

39、  (7)

40、其中，为给定条件下预测下一个样本的概率；

41、为给定条件下预测下一个样本的概率。

42、进一步的，在步骤2中，基于多模态图自编码器mga，通过将不同类型的节点和边使用编码器进行编码和使用解码器进行解码操作，具体如下：

43、所述多模态自编码器是一个前馈神经网络，包括输入层、第一隐藏层，第二隐藏层、第三隐藏层和输出层，所述输入层从图像特征向量和文本特征向量两种模态中获取输入，所述输入层后面是第一隐藏层，对于每个模态，映射输入表示为和；将和连接起来，联合映射到第二隐藏层，表示为联合多模态实体嵌入；

44、所述解码器阶段与所述编码器具有完全对称的结构，将嵌入的作为输入映射到第三隐藏层，表示为和，与相应的和共享相同维度；所述解码器将和映射到所述输出层和；每个模态的输出层和输入层具有相同维度；

45、所述多模态自编码器的整个架构定义为:

46、       (8)

47、       (9)

48、   (10)

49、       (11)

50、         (12)

51、       (13)

52、         (14)

53、其中，f为sigmoid激活函数，和分别表示模态图像和文本从层j到层(j+1)的映射权重矩阵， j= 1,2,3,4；和分别为第j隐层中图像和文本的偏置项，为嵌入的的偏置项，符号⊕表示连接操作；

54、所述多模态自编码器以最小化重构误差为目标进行训练，重构误差为两模态输入层和输出层之间的相异度之和，如下公式（15）:

55、  (15)

56、然后，使用transe模型将知识图谱转化为多模态的表示形式，所述transe模型在低维连续向量空间中映射实体和关系，其中头实体h、尾实体t和关系r的嵌入满足如下三元组公式（16）:

57、 （16）

58、对于知识图谱中的三元组，transe模型试图最小化h+r和t之间的距离，而对于知识图谱外的三元组，则试图最大化它们之间的距离

59、训练transe时，最小化损失，如下公式（17）:

60、     (17)

61、其中，γ是间隔超参数，max(0,x)旨在获得x的正部分，d是相异度函数，表示预测时三元组头实体、关系和尾实体的符号表示，s表示由知识图谱中存在的三元组组成的原始数据集，而s′表示由知识图谱中未存在的三元组组成的损坏数据集；s′在训练时被认为是负样本，通过替换每个三元组的头实体或尾实体来构造，如下公式(18)所示：

62、   (18)

63、其中， e为实体集合；

64、构建transae模型，将上述公式（17）和公式（18）两个模型结合起来，同时学习多模态知识和结构知识，包括知识图谱中每个实体对应多张图片和一个句子描述，提取其视觉和文本特征向量，将特征向量输入多模态自编码器得到联合嵌入作为实体表示，关系嵌入在训练开始时随机初始化，所述实体和关系表示用于训练模型；结构损失for (h,r,t)表示为如下公式（19）：

65、   (19)

66、其中和分别表示h和t嵌入的表示形式，和；分别表示h′和t′嵌入的表示形式；

67、添加正则化器ω(θ)用于参数集θ，其权重为α，通过最小化总损失l来训练模型，如下公式（20）:

68、（20）

69、自编码器和关系嵌入中的参数,,,在训练开始时随机初始化，选择权重参数β和α来平衡损失、和正则项的大小和重要性。

70、进一步的，在步骤3中，引入多任务学习模型mtl-att，加入注意力机制结合bert预训练模型，具体为，在所述多任务学习模型中，提取出各任务的特征，学习共同的特征，并使用共享的bert模型作为特征提取器，构成mtl-att-bert模型，在训练过程中，所述mtl-att-bert模型通过注意力机制，为每个任务学习一个权重向量，来加权每个任务的输出，通过调整权重向量的值，调整每个任务的重要性，得到事件应急预案推荐结果，用于进行用户个性化的事件应急预案推荐、相关事件链路的场景推荐以及链路分类任务。

71、本发明还提供了一种基于深度学习的应急指挥调度平台构建系统，使用基于上述任一项应急指挥调度平台构建方法构建，包括以下模块：

72、事件原子库采集模块，用于采集输入数据，构建数据原子库；

73、事件知识图谱构建模块；用于基于图生成对抗网络graphgan知识推理技术，监测紧急事件节点，产生紧急三元组信息，构建事件知识图谱；

74、多模态图自编码器模块：用于将不同类型的节点和边进行编码和解码操作，将知识图谱转化为多模态表示形式，捕捉节点的相互依赖关系，进行紧急事件判断；

75、mtl-att-bert模型构建模块，用于多任务学习模型通过使用注意力机制，结合bert预训练模型，提取出各个任务的特征；

76、事件应急预案推荐模块，用于进行用户个性化的事件应急预案推荐、相关事件链路场景推荐以及链路分类任务。

77、本发明采用以上技术方案与现有技术相比，具有以下技术效果：

78、1：本发明基于图生成对抗网络(graphgan)的知识推理技术来产生足够量的紧急三元组信息，构建事件知识图谱。

79、2：本发明模型使用了基于多模态图自编码器并结合了多任务学习策略，提高了对于混沌工程的应急指挥调度平台的场景下紧急事件发生时系统的健壮性与效率，弥补了现有技术中对于新一代应急指挥调度业务的不足。