基于城市要素和多灾害融合的韧性城市知识图谱构建方法与流程

1.本发明涉及智慧城市领域，尤其是涉及一种基于城市要素和多灾害融合的韧性城市知识图谱构建方法。


背景技术：

2.韧性城市(urbanresilience)，定义为“城市系统及其居民在各种冲击和压力下保持正常运作，且积极适应并转向可持续发展的可量化的能力”。现代城市发展所面临的灾害不确定性空前复杂，且其潜在影响和灾难性后果也越发显著，韧性城市可以有效应对各类冲击和扰动产生的不确定性，为城市灾害管理和可持续发展提供新的范式和实现路径。
3.但目前韧性城市建设过程中，存在数据量大、数据增长速度快、多源数据难以整合等诸多难点。城市管理运营数据包括包含民生、交通、教育、医疗、维稳等几十个方面，电信数据、灾害数据、银联数据、房产车辆数据、wifi数据、企业内部数据、网购数据、互联网数据等等都能获取到，但是数据源之间缺乏有效的关联和整合，难以形成相应的知识促进城市韧性，无法支撑领域专家对韧性城市多智能体进行在线编辑更新。在面对各种灾害时，包括地震、洪水、飓风等急性冲击和交通拥堵、城市环境、城市更新等各种慢性压力时，如何高效合理的整合相关数据，提炼相关知识，促进城市韧性，增进人民福祉是韧性城市建设过程中亟需解决的问题。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于城市要素和多灾害融合的韧性城市知识图谱构建方法，利用灾害知识图谱和交通信息知识图谱增强地理空间知识图谱，建立韧性城市知识库，为城市日常风险和灾害应急等不同状态下城市韧性的仿真、预测、演绎、提升技术研究提供数据支撑。
5.本发明的目的可以通过以下技术方案来实现：
6.一种基于城市要素和多灾害融合的韧性城市知识图谱构建方法，具体包括以下步骤：
7.s1、采集城市的地理空间数据、交通路网数据和灾害记录年鉴数据；
8.s2、对地理空间数据、交通路网数据和灾害记录年鉴数据进行数据处理和知识抽取，得到结构化数据、半结构化数据和非结构化数据进行存储；
9.s3、根据知识抽取得到的结构化数据、半结构化数据和非结构化数据分别构建地理空间知识图谱、交通知识图谱和灾害知识图谱，再对多个知识图谱进行知识融合得到韧性城市知识图谱；
10.s4、根据所述韧性城市知识图谱构建前端可视化平台，并设置相应的基础信息平台。
11.所述地理空间数据是空间信息的载体，具有数学标准统一、覆盖范围广、地物信息精确的优势，包括行政区域信息、河流信息和土地利用信息。
12.所述交通路网数据是城市脉络，包括交通静态数据和交通动态数据。
13.进一步地，所述交通静态数据包括城市道路信息、隧道信息、涵洞信息和桥梁信息。
14.进一步地，所述交通动态数据包括交通流量数据、交通事故数据、交通拥堵数据和交通指数数据。
15.所述交通流量数据通过道路监控和测速器进行实时采集。
16.所述灾害记录年鉴数据包括城市历年的气象灾害信息和城市应急事件信息。
17.所述结构化数据的类型包括预定义的数据类型、格式和结构的数据，常见的比如关系型数据库中数据表里的数据；所述半结构化数据具有可识别的模式并可以解析的文本数据文件，比如xml数据文件；所述非结构化数据没有固定结构的数据，通常保存为不同类型的文件，比如文本文档、图片和视频。
18.所述韧性城市知识图谱可以用于开发城市数据知识引擎，实现在城市大数据广泛应用场景，最大化凸显和使用数据价值，帮助政府及企业决策，增强城市韧性。
19.所述步骤s2中对将地理空间数据和灾害记录年鉴数据作为实体数据，交通路网数据作为实时数据进行数据处理，处理过程中以kafka作为消息中间件，分别存入kafka不同的topic之中，storm处理框架根据不同的业务逻辑订阅不同的topic进行数据加工以及数据推送，处理完成后将数据量大且存在变动的实时数据存储到elasticsearch，将实体数据存储到hive或kylin之中。
20.所述地理空间知识图谱通过自顶向下和自底向上相结合的方式进行构建，根据地理空间数据完成概念、实体和关系的提取，并通过网络百科数据扩充概念种类，填充实体属性信息，得到地理实体；所述灾害知识图谱构建时，自顶向下构建灾害知识图谱的模式层，通过本体库搭建灾害知识图谱的模式层，自底向上构建数据层，针对灾害记录年鉴数据进行实体、关系抽取，得到灾害实体；所述交通知识图谱通过自顶向下构建交通知识图谱的模式层，通过本体库搭建交通知识图谱的模式层并对地理空间知识图谱进行实体属性增强。
21.进一步地，所述地理实体与灾害实体之间的语义关系和空间关系通过图数据库进行存储，通过关系型数据库存储地理空间数据、灾害记录年鉴数据以及一定比例的结构化语义信息。
22.进一步地，所述步骤s3对多个知识图谱进行知识融合包括对多个知识图谱进行对齐、关联和合并，知识图谱对齐的过程包括根据地理实体或灾害实体的单个属性的相似度组成实体的属性相似度向量，然后根据属性相似度向量计算地理实体和灾害实体之间的相似度进行对齐。
23.所述可视化平台通过关联韧性城市知识图谱，进行节点数据映射和边数据映射，让用户通过应用端简单拖拉的方式即可实现知识的应用。
24.所述基础信息平台采用restful架构，对客户端和服务端进行解耦，允许以统一的方式与给定的服务器进行交互，而不考虑设备或应用类型，可扩展性强，可以以restfulapi的形式对外提供城市和灾害知识。
25.与现有技术相比，本发明具有以下有益效果：
26.1.本发明将数据获取和知识抽取进行分离，由于交通流量数据存在数据量大、数据种类多样的特点，传统的关系型数据库无法进行处理，本发明以kafka作为消息中间件，
通过storm处理框架进行数据加工以及数据推送，处理完成后将实时数据存储到elasticsearch，实体数据存储到hive或kylin之中，提升了数据处理能力。
27.2.本发明同时采用图数据库和关系型数据库对地理空间数据和灾害记录年鉴数据进行存储，有效提高了检索效率，实现了知识和空间查询的高效结合。
28.3.本发明通过对多个知识图谱进行对齐、关联和合并，根据属性相似度向量计算实体之间的相似度进行对齐，实现知识图谱的融合，提高了数据的应用能力。
29.4.本发明通过可视化的图谱关联分析web端，使得普通人在没有相关专业知识的前提下也可以通过简单的拖拽、移动、点击等操作快速获取城市相关知识，有效提高了韧性城市知识图谱的实用性。
30.5.本发明采用restful架构，使得该韧性城市知识图谱成为一个开放的知识平台，可以通过api的形式为各种类型的应用(包括交通规划与政策制定、个人智慧出行服务、灾害预警)提供基础信息平台，提升了知识图谱的扩展性。
附图说明
31.图1为本发明的流程示意图；
32.图2为本发明数据采集与存储的流程示意图；
33.图3为本发明数据采集、加工、分发、存储的流程示意图；
34.图4为本发明灾害事件本体构建的示意图；
35.图5为本发明实施例中根据地点对灾害知识图谱和地理空间知识图谱进行融合的示意图。
具体实施方式
36.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
37.实施例
38.如图1所示，一种基于城市要素和多灾害融合的韧性城市知识图谱构建方法，具体包括以下步骤：
39.s1、采集城市的地理空间数据、交通路网数据和灾害记录年鉴数据；
40.s2、对地理空间数据、交通路网数据和灾害记录年鉴数据进行数据处理和知识抽取，得到结构化数据、半结构化数据和非结构化数据进行存储；
41.s3、根据知识抽取得到的结构化数据、半结构化数据和非结构化数据分别构建地理空间知识图谱、交通知识图谱和灾害知识图谱，再对多个知识图谱进行知识融合得到韧性城市知识图谱；
42.s4、根据韧性城市知识图谱构建前端可视化平台，并设置相应的基础信息平台。
43.地理空间数据是空间信息的载体，具有数学标准统一、覆盖范围广、地物信息精确的优势，包括行政区域信息、河流信息和土地利用信息。但是地理空间数据的地理属性过于单一，需要综合考虑其它维度的属性信息，互联网中的百科数据覆盖领域广，涵盖语义信息丰富，可以补全地理实体的缺失属性。
44.交通路网数据是城市脉络，包括交通静态数据和交通动态数据。
45.交通静态数据包括城市道路信息、隧道信息、涵洞信息和桥梁信息。
46.交通动态数据包括交通流量数据、交通事故数据、交通拥堵数据和交通指数数据。
47.具体实施时，目前各交通管理部门建立了功能相对完善的交通指挥控制中心，包括交通信号控制系统、道路交通监控系统、交通诱导显示系统、停车管理系统、交通违章处理系统等，初步实现了交通信号控制、道路监控、交通信息综合查询、有/无线指挥调度及交通诱导等基础功能。智能交通系统各种信息采集技术(如微波采集技术、视频采集技术、环形线圈感应式采集技术等)被广泛地运用于交通数据采集，公安交管部门不仅具备了交通基础信息，还拥有了各类动态数据，如车辆实时营运信息、道路交通状况等，采集的数据类型包括属性数据、空间数据、影像数据等。
48.交通流量数据通过道路监控和测速器进行实时采集。
49.灾害记录年鉴数据包括城市历年的气象灾害信息和城市应急事件信息，气象灾害信息包括气象观测数据，气象观测数据包括高温日数、暴雨日数、雷暴日数、大风日数、雾日数、霾日数、气温和降水。
50.结构化数据的类型包括预定义的数据类型、格式和结构的数据，常见的比如关系型数据库中数据表里的数据；半结构化数据具有可识别的模式并可以解析的文本数据文件，比如xml数据文件；非结构化数据没有固定结构的数据，通常保存为不同类型的文件，比如文本文档、图片和视频。
51.韧性城市知识图谱可以用于开发城市数据知识引擎，实现在城市大数据广泛应用场景，最大化凸显和使用数据价值，帮助政府及企业决策，增强城市韧性。
52.如图2所示，步骤s2中对将地理空间数据和灾害记录年鉴数据作为实体数据，交通路网数据作为实时数据进行数据处理，处理过程中以kafka作为消息中间件，分别存入kafka不同的topic之中，storm处理框架根据不同的业务逻辑订阅不同的topic进行数据加工以及数据推送，处理完成后将数据量大且存在变动的实时数据存储到elasticsearch，将实体数据存储到hive或kylin之中便于进行多维数据查询预处理，有利用后续构建知识图谱。
53.如图3所示，实时数据处理框架为kafka框架与storm框架结合。实时数据处理步骤为：1)kafka的producer采集的各类数据，并根据类别存储到不同的类别，便于storm框架进行订阅；2)kafka的consumer将数据转发至storm框架；3)由storm对实时数据进行数据加工，例如分词、数据清洗等。storm是分布式实时大数据处理框架。storm集群中的每台机器上都可以运行多个工作进程，每个工作进程又可创建多个线程，每个线程可以执行多个任务，任务是真正进行数据处理的实体。
54.地理空间知识图谱通过自顶向下和自底向上相结合的方式进行构建，根据地理空间数据完成概念、实体和关系的提取，并通过网络百科数据扩充概念种类，填充实体属性信息，得到地理实体；灾害知识图谱构建时，自顶向下构建灾害知识图谱的模式层，通过本体库搭建灾害知识图谱的模式层，自底向上构建数据层，针对灾害记录年鉴数据进行实体、关系抽取，得到灾害实体；交通知识图谱通过自顶向下构建交通知识图谱的模式层，通过本体库搭建交通知识图谱的模式层并对地理空间知识图谱进行实体属性增强。
55.本实施例中，知识图谱构建流程为(以灾害知识图谱构建为例)：1)本体构建，本体
构建如图4所示；2)实体识别(namedentityrecognition，ner)，通过bert
‑
ner对灾害数据集进行训练，识别出灾害实体。3)关系提取，通过opennre对灾害数据集进行训练，抽取关系4)知识融合，对于训练好的地理空间知识图谱和灾害知识图谱根据地理实体进行关联，如图5所示。
56.具体实施时，以故宫为例，地理空间知识图谱只能描述故宫的周边情况(北海公园在故宫附近、相距5.5公里)，交通数据增强周边的交通情况，例如当前的车流量情况、附近出租车情况，百科数据对故宫的属性进行增强，讲述故宫的历史。灾害知识图谱包含暴雨和城市内涝灾害，在2020
‑7‑
31，北京发生暴雨，故宫出现“九龙吐水”现象，将灾害数据和地理空间数据进行融合。
57.地理实体与灾害实体之间的语义关系和空间关系通过图数据库进行存储，通过关系型数据库存储地理空间数据、灾害记录年鉴数据以及一定比例的结构化语义信息。
58.本实施例中，将提取后的实体存储于mysql，同时将实体间的关系存储于neo4j。mysql是一种关系型数据库管理系统，关系数据库将数据保存在不同的表中，而不是将所有数据放在一个大仓库内，这样就增加了速度并提高了灵活性。neo4j是一个高性能的nosql图形数据库，它将结构化数据存储在网络上而不是表中。neo4j也可以被看作是一个高性能的图引擎，该引擎具有成熟数据库的所有特性。
59.步骤s3对多个知识图谱进行知识融合包括对多个知识图谱进行对齐、关联和合并，知识图谱对齐的过程包括根据地理实体或灾害实体的单个属性的相似度组成实体的属性相似度向量，然后根据属性相似度向量计算地理实体和灾害实体之间的相似度进行对齐。
60.可视化平台通过关联韧性城市知识图谱，进行节点数据映射和边数据映射，让用户通过应用端简单拖拉的方式即可实现知识的应用，实现韧性城市智慧大屏，便于决策，本实施例中，可视化平台采用vue或echart前端框架进行构建。
61.基础信息平台采用restful架构，对客户端和服务端进行解耦，允许以统一的方式与给定的服务器进行交互，而不考虑设备或应用类型，可扩展性强，可以以restfulapi的形式对外提供城市和灾害知识，便于后续研究开发。
62.此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。