一种面向城市运行态势的风险动态评估方法、系统及设备与流程

本技术涉及数据处理，具体涉及一种面向城市运行态势的风险动态评估方法、系统及设备。

背景技术：

1、随着城镇化进程的推进和城市治理精细化要求的提高，城市运行风险管理面临越来越复杂的局面。传统的城市运行风险管理模式主要依赖人工经验判断与历史案例比对，存在响应滞后、覆盖不全、主观偏差大等问题。近年来，基于大数据与人工智能技术的风险智能评估方法逐渐成为研究热点。

2、在现有技术中，城市运行风险评估方法主要包括以下几类：

3、第一类是基于规则引擎的专家系统。这类系统通过人工归纳历史风险案例的特征规律，构建判断规则，对事件进行模式匹配和等级判定。其优点是逻辑透明、可解释性强，但严重依赖领域专家的先验知识和历史标注样本，难以应对新型风险事件和规则覆盖之外的异常情况。

4、第二类是基于传统机器学习的监督分类方法，包括随机森林、梯度提升树、支持向量机等浅层模型以及深度神经网络分类器。这类方法需要足够数量的正负样本进行有监督训练，通过学习历史案例中的特征与标签映射关系来预测新样本的风险等级。然而，重大社会风险事件天然具有低频性、突发性和不可复制性，历史样本数量极为有限，远不足以支撑深度学习模型的训练。同时，正负样本的严重不均衡会导致模型对真正需要预警的高风险事件漏检率高。此外，新型风险事件的内容形态和传播模式往往与历史案例存在本质差异，模型难以实现有效的跨类型泛化。

5、第三类是基于文本情感分析与主题建模的方法。这类方法通过自然语言处理技术提取社交媒体文本中的情感极性、主题分布和关键词频次，构建风险情绪指数。其侧重于内容语义层面的分析，但忽略了事件发生的时间、空间、涉事主体等关键情境信息。

6、第四类是基于单维度统计阈值的方法。这类方法通过设定单一指标的统计阈值进行风险判定，计算简单、部署便捷，但无法处理多源异构数据的融合问题，且阈值设定具有较强的主观性。

7、上述现有技术存在以下不足：

8、首先，现有监督学习方法严重依赖历史标注样本，在低频重大风险场景下失效。重大社会风险事件天然具有低频性和突发性，历史样本数量不足以支撑监督学习。在监督学习框架下，正负样本严重不均衡会导致模型产生强烈的负样本偏向，对高风险事件漏检率极高。

9、其次，现有单一维度评估方法无法融合时空情境信息，评估结果片面失真。同一性质的事件，发生在交通枢纽、行政中心等敏感区域的风险等级远高于发生在普通居民区；在重大节假日等特殊时段发生的风险事件危害性显著高于分散发生的情况；存在多次重复报警记录的涉事主体，其风险累积效应也需要被考虑。然而，现有技术大多仅关注事件内容的文本分析，未能有效融合空间敏感度、时序聚集密度和历史频次累积等多维时空情境因素，导致评估结果与真实治理需求之间存在偏差。

10、最后，现有深度学习模型缺乏可解释性，不满足治理决策透明度与问责审计要求。深度学习模型通常被视为“黑盒”，其内部决策机制复杂。治理决策者不仅需要知道风险等级，还需要知道风险等级的判定依据和核心影响因素。现有黑盒模型无法提供细粒度的归因解释，难以满足行政问责、司法审计和公众知情的要求。

技术实现思路

1、本技术的目的是提供一种面向城市运行态势的风险动态评估方法、系统、电子设备及存储介质。

2、第一方面，本技术实施例提供了一种面向城市运行态势的风险动态评估方法，包括：

3、获取待评估的目标事件的多模态内容数据和时空元数据；所述多模态内容数据包括事件文本描述、现场图像和/或语音转写文本；所述时空元数据包括事件发生的时间戳、地点编码和涉事主体标识；

4、将所述目标事件的多模态内容数据和时空元数据输入预先训练的深度支持向量数据描述模型，在特征空间中计算所述目标事件到常态运行超球体球心的平方欧氏距离，作为风险基准偏离度评分；所述常态运行超球体是仅利用城市日常平稳运行时期的多源治理数据训练得到的、在特征空间中包围常态样本的紧凑超球体；

5、将所述目标事件的多模态内容数据和时空元数据输入预先训练的情境感知融合网络，由全要素语义分析流提取语义破坏强度特征，由时空情境分析流提取包括区域空间敏感度特征、短期时序聚集密度特征和涉事主体历史风险频次特征的时空情境敏感度特征；通过交叉注意力机制对所述语义破坏强度特征和所述时空情境敏感度特征进行双向交互融合，生成情境校正评分；

6、将所述风险基准偏离度评分与所述情境校正评分进行加权融合，得到所述目标事件的综合风险评分。

7、第二方面，本技术实施例提供了一种面向城市运行态势的风险动态评估系统，包括：

8、获取模块，用于获取待评估的目标事件的多模态内容数据和时空元数据；所述多模态内容数据包括事件文本描述、现场图像和/或语音转写文本；所述时空元数据包括事件发生的时间戳、地点编码和涉事主体标识；

9、基准评分模块，用于将所述目标事件的多模态内容数据和时空元数据输入预先训练的深度支持向量数据描述模型，在特征空间中计算所述目标事件到常态运行超球体球心的平方欧氏距离，作为风险基准偏离度评分；所述常态运行超球体是仅利用城市日常平稳运行时期的多源治理数据训练得到的、在特征空间中包围常态样本的紧凑超球体；

10、校正评分模块，用于将所述目标事件的多模态内容数据和时空元数据输入预先训练的情境感知融合网络，由全要素语义分析流提取语义破坏强度特征，由时空情境分析流提取包括区域空间敏感度特征、短期时序聚集密度特征和涉事主体历史风险频次特征的时空情境敏感度特征；通过交叉注意力机制对所述语义破坏强度特征和所述时空情境敏感度特征进行双向交互融合，生成情境校正评分；

11、综合评分模块，用于将所述风险基准偏离度评分与所述情境校正评分进行加权融合，得到综合风险评分；

12、归因分类模块，用于采用shap博弈论归因方法，计算所述语义破坏强度特征、所述区域空间敏感度特征、所述短期时序聚集密度特征和所述涉事主体历史风险频次特征各自对所述综合风险评分的边际贡献度；基于所述各特征的边际贡献度，将所述目标事件的风险成因分类为内容强度主导型、时空情境敏感型或历史频次累积型中的至少一种，并输出分类结果。

13、第三方面，本技术提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现如第一方面所述的方法。

14、第四方面，本技术实提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如第一方面所述的方法。

15、相较于现有技术，本技术提供的面向城市运行态势的风险动态评估方法，获取目标事件的多模态内容数据和时空元数据；将目标事件输入深度支持向量数据描述模型，计算其到常态运行超球体球心的平方欧氏距离作为风险基准偏离度评分，常态运行超球体仅利用城市日常平稳运行时期数据训练得到；将目标事件输入情境感知融合网络，由全要素语义分析流提取语义破坏强度特征，由时空情境分析流提取时空情境敏感度特征，通过交叉注意力机制进行双向交互融合生成情境校正评分；将风险基准偏离度评分与情境校正评分加权融合得到综合风险评分。本技术摆脱了对历史异常标注样本的依赖，解决低频重大风险场景下的数据匮乏难题；通过内容语义与时空情境的深度融合，克服了单一维度评估的片面性缺陷；通过深度支持向量数据描述模型无监督基准与情境感知融合网络协同作用，提升了城市运行态势风险评估的准确性。