融合长短期时间规律的应急事件时间序列生成方法及系统与流程
本发明涉及公共安全数据仿真,尤其涉及一种融合长短期时间规律的应急事件时间序列生成方法及系统。
背景技术:
1、随着智能接警、应急调度和公共安全系统的发展,应急响应系统越来越需要大规模、高质量、具有真实时间规律的数据,用于接警员训练、调度算法测试、系统压力测试和应急处置流程评估。然而,真实应急报警数据通常涉及报警人信息、地理位置、事件内容和处置记录等敏感信息,直接使用存在隐私保护、数据脱敏和合规风险等问题。同时,重大火灾、短时间报警激增、连续突发事件等低频高风险场景在真实数据中较为稀缺,难以满足训练和测试需求。
2、因此,构建面向应急报警流仿真与智能接警训练的数据合成平台具有重要意义。在该平台中,事件触发模块用于确定应急事件在仿真时间轴上的发生时间,是后续事件实例化、状态演化和报警流生成的基础。如果事件触发时间不符合真实规律,即使后续生成的报警文本较为真实,整体报警流仍可能缺乏时间合理性和场景可信度。
3、真实应急事件通常不是均匀发生的,而是具有明显的时间变化特征。一方面,事件发生频率会受到小时、星期、月份、季节等因素影响,呈现周期性和非平稳性;另一方面,某一事件发生后,短时间内可能出现连续事件、局部聚集或报警高峰。因此,需要一种能够同时刻画长期时间变化规律和短期聚集特征的事件触发方法,为合成应急报警流提供更真实的时间驱动基础。
4、传统的事件触发方法主要包括以下几类。
5、第一类是人工设定式事件触发方案,该方案通常由使用者手动设定事件发生时间、事件数量或事件间隔,例如固定每隔一段时间生成一个事件,或者在某一时间段内人工配置若干事件。该方案实现简单,但主要依赖人工经验。
6、第二类是固定概率或固定速率的随机触发方案,该方案通常假设应急事件按照固定概率或固定发生率出现,并采用普通泊松过程或简单随机采样方式生成事件时间。该方案具有一定随机性,适合基础仿真场景。
7、第三类是基于历史统计频率的触发方案,该方案根据历史数据统计不同小时、星期或月份的事件发生频率,再按照统计分布生成事件时间。该方案能够在一定程度上反映不同时间段的频率差异。
8、第四类是基于自激过程的触发方案,该方案认为已经发生的事件会在短时间内提高后续事件发生概率,因此可用于描述短时间内事件密集发生或报警激增的现象。
9、现有技术虽然能够完成一定程度的事件时间生成,但仍存在以下不足:
10、第一,人工设定式方案依赖人工经验,缺少数据驱动依据。当仿真时间较长或事件规模较大时,人工配置成本较高,且难以保证生成结果的稳定性和可复现性。
11、第二,固定概率或固定速率方案难以反映应急事件的非平稳性。真实事件在白天与夜晚、工作日与周末、不同月份或季节下的发生频率往往不同,而固定速率模型容易生成过于均匀的事件序列。
12、第三,基于历史统计频率的方案虽然能够体现部分周期规律,但通常只关注平均发生频率,难以描述某一事件发生后对后续事件产生的短期影响,因此对连续事件、局部聚集和突发报警高峰的模拟能力不足。
13、第四,单一自激过程方案虽然能够刻画短期聚集特征,但若缺少背景时间规律建模,则难以同时保持真实的日周期、周周期或季节变化,可能过度强调局部突发性而忽略长期时间规律。
14、因此,需要提出一种能够结合历史应急事件数据,在连续时间范围内生成具有周期性、非平稳性、短期聚集性和可控性的应急事件发生时间序列的应急事件时间序列生成方法,为面向应急报警流仿真与智能接警训练的数据合成平台提供更加真实和稳定的事件触发基础。
技术实现思路
1、本发明提出一种融合长短期时间规律的应急事件时间序列生成方法及系统,解决了现有技术中应急事件仿真触发方式无法同时刻画事件的长期周期性规律和短期聚集效应,导致生成的事件序列与真实应急报警时间规律不一致的问题。
2、本发明的技术方案是这样实现的:
3、本发明第一方面提供了一种融合长短期时间规律的应急事件时间序列生成方法,包括以下步骤:
4、s1:获取真实历史应急事件数据并进行预处理,从中提取应急事件发生的时间信息,形成标准化事件时间序列;
5、s2:统计标准化事件时间序列中应急事件发生的频率,构建用于描述应急事件在长期时间变化下发生规律的背景强度模型;
6、s3:利用背景强度模型和标准化事件时间序列,构建用于描述已发生事件对后续事件发生概率产生短期聚集影响的自激过程模型,并估计自激过程模型的参数;
7、s4:将背景强度模型与自激过程模型的参数叠加,生成综合条件强度函数;
8、s5:根据综合条件强度函数进行事件采样,生成应急事件发生的时间序列。
9、具体地,步骤s2中,构建背景强度模型的方法为:
10、提取标准化事件时间序列中的多种时间因子,并统计不同时间因子下的历史事件发生频率;
11、根据发生频率拟合时间因子对事件发生强度的影响关系,得到背景强度模型:
12、;
13、其中,表示时刻的背景强度,表示全局基础强度;、和分别表示时刻对应的小时、月份和星期这三种不同时间因子的数值;、和分别表示小时因子、月份因子和星期因子的调节系数。
14、具体地,步骤s3包括以下步骤:
15、将历史事件对当前时刻的自激影响表示为所有历史事件产生的激发效应之和,激发效应随时间指数衰减;通过参数估计方法得到激发幅度和衰减系数;所述自激影响的表达式为:
16、;
17、其中,表示所有历史事件在时刻产生的自激强度,表示第个历史事件的发生时间;表示历史事件对当前时刻事件发生概率的激发幅度;表示历史事件对当前时刻的自激影响随时间的衰减速度。
18、进一步地,所述参数估计方法包括:
19、构建以自激过程模型的参数为优化变量的目标函数,设置参数的初始值和搜索范围,采用数值优化算法对目标函数进行迭代优化,使目标函数在参数空间中达到最大值,以该最大值对应的参数值作为激发幅度和衰减系数的估计结果;所述目标函数为对数似然函数:
20、;
21、其中,表示模型参数集合下的对数似然函数,模型参数集合包括背景强度模型的参数、激发幅度和衰减系数;表示历史事件总数,表示观测时间范围;表示在时刻之前已经发生的所有历史事件的集合,表示在已知历史事件集合的条件下、时刻发生新事件的瞬时强度;表示在时刻之前已经发生的所有历史事件的集合,表示在已知历史事件集合的条件下、时刻发生新事件的瞬时强度。
22、具体地,步骤s4中,综合条件强度函数的表达式为:
23、;
24、其中,表示在已知历史事件集合的条件下、时刻发生新事件的瞬时强度,表示在时刻之前已经发生的所有历史事件的集合;表示时刻的背景强度;表示所有历史事件在时刻产生的自激强度。
25、具体地,步骤s5包括以下步骤:
26、s51:设定仿真时间范围[0, t],初始化当前仿真时间,并初始化历史事件为空;
27、s52:在当前仿真时刻,预设一个强度上界,使其不小于当前采样区间内的综合条件强度;
28、s53:从指数分布中抽取候选等待时间,得到候选事件时间;
29、s54:利用所述综合条件强度函数计算候选时刻的综合条件强度,并计算接受概率:
30、;
31、其中,表示接受候选事件作为真实触发事件的概率;表示候选时刻的综合条件强度;
32、s55:生成一个服从[0,1]均匀分布的随机数,若,则接受该候选事件,将记录为真实触发事件并加入事件历史;若,则拒绝该候选事件,不更新事件历史;
33、s56:将当前仿真时间更新为,重复s52至s55,直到当前仿真时间超过终止时间t,最终得到一组按时间顺序排列的应急事件发生时间序列。
34、优选地,所述方法还包括:
35、s6:将生成的应急事件发生时间序列与真实历史应急事件数据进行对比验证,若验证结果不满足预设要求,则调整背景强度模型或自激过程模型的参数,并重复步骤s2至s5,直至验证结果满足预设要求;
36、所述预设要求包括生成的事件时间序列与真实历史事件数据在事件总数、事件间隔分布、小时分布、星期分布、月份分布以及短期聚集特征中的至少一项上的统计差异小于预设阈值。
37、本发明第二方面提供了一种融合长短期时间规律的应急事件时间序列生成系统,包括:
38、背景强度构建模块,用于根据真实历史应急事件数据构建描述长期时间变化规律的背景强度模型;
39、自激过程参数估计模块,用于基于背景强度模型和真实历史应急事件数据,估计描述短期聚集影响的自激过程参数;
40、仿真与验证模块,用于将背景强度模型和自激过程参数叠加生成综合条件强度函数,通过采样生成应急事件发生时间序列,并与真实历史数据进行对比验证。
41、具体地,所述背景强度构建模块包括:
42、数据加载与预处理单元,用于读取历史应急事件数据,进行格式统一、异常值处理和重复记录过滤,输出标准化事件时间序列;
43、时间因子拟合单元,用于从标准化事件时间序列中提取时间因子,统计不同时间因子下的事件发生频率,拟合时间因子对事件发生强度的影响关系,得到背景强度函数;
44、背景强度输出单元,用于输出背景强度函数及其参数,供后续模块调用;
45、所述自激参数估计模块包括:
46、模型定义单元,用于定义自激过程的函数形式;
47、递推计算单元,用于根据事件历史递推计算不同时刻的自激强度,每当一个新事件发生后,该单元随着事件时间序列的推进不断更新历史事件对当前时刻的影响值;
48、目标函数计算单元,用于根据历史事件时间序列和当前模型参数计算目标函数值,所述目标函数用于衡量模型对真实事件发生时间的拟合程度;
49、参数优化单元,用于采用数值优化算法对目标函数进行迭代优化,输出激发幅度和衰减系数;
50、参数输出单元,用于输出自激参数结果,包括激发幅度、衰减系数及模型拟合值;
51、所述仿真与验证模块包括:
52、快速仿真单元,用于根据背景强度和自激参数计算应急事件的综合条件强度;
53、稀疏采样单元,用于根据综合条件强度生成候选事件时间,并判断候选事件是否被接受;
54、结果对比单元,用于将生成的事件序列与真实历史数据进行统计对比,输出对比结果;
55、仿真结果输出单元,用于输出最终的仿真结果。
56、优选地,所述系统还包括参数调整模块,用于当验证结果不满足预设要求时,触发背景强度构建模块或自激过程参数估计模块调整对应模型参数,形成迭代优化。
57、相较于现有技术,本发明的有益效果在于:
58、(1)本发明先根据真实历史应急事件数据分别构建描述长期周期性规律的背景强度模型和描述短期聚集效应的自激过程模型,再将两者叠加形成综合条件强度函数,最后基于该函数进行事件采样生成应急事件发生时间序列;由于背景强度模型刻画了应急事件在小时、星期、月份等时间尺度下的非平稳性和周期性变化规律,而自激过程模型刻画了已发生事件对后续事件发生概率的短期增强效应,使得最终生成的事件序列既具备真实应急事件长期时间分布的统计一致性,又能呈现连续事件、局部突发和报警高峰等短期聚集现象,解决了现有技术中单一模型难以同时兼顾两类时间规律的问题;
59、(2)本发明通过从标准化事件时间序列中提取小时、月份和星期等多种时间因子,统计各时间因子下的事件发生频率,并采用对数线性形式拟合时间因子对事件发生强度的影响关系来构建背景强度模型,使背景强度能够准确反映不同时段、不同日期、不同月份下事件发生频率的差异。相比现有固定速率模型或简单统计频率方案,该方式能够有效刻画应急事件在长期时间尺度上的非平稳性和周期性变化规律,避免了生成结果过于均匀、缺少时间变化特征的问题,使合成事件序列在长期统计特性上更接近真实数据;
60、(3)本发明通过将历史事件对当前时刻的自激影响表示为所有历史事件产生的激发效应之和,且激发效应随时间呈指数衰减,并构建以自激过程模型参数为优化变量的对数似然函数作为目标函数,采用数值优化算法使目标函数在参数空间中达到最大值,以该最大值对应的参数值作为激发幅度和衰减系数的估计结果,使得估计得到的自激参数能够准确刻画真实应急事件中的短期聚集强度和衰减速度,从而在仿真生成过程中有效复现事件发生后的概率增强现象及其随时间消退的规律,弥补了现有方案对连续事件和突发高峰模拟能力不足的缺陷。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com