社区安全风险预测方法、装置、电子设备及介质与流程

1.本发明涉及数据处理和风险预测技术领域，尤其涉及一种社区安全风险预测方法、装置、电子设备及介质。


背景技术：

2.目前社区安全风险预测的主要方法是传统预测方法，传统预测方法即依据于专家经验知识打分的静态分析方法。随着机器学习被广泛应用到风险研判和风险推理中，机器学习和传统预测方法结合的基于静态数据进行推理的静态知识图谱被广泛应用到社区安全风险预测中。静态知识图谱即通过提取头部实体数据的特征和连接的尾部实体数据的特征，对数据进行处理，得出结论，然而上述方法不能解决实际情况中社区风险随时间变化而不断改变的问题，无法实时更新和截取有效信息，忽略了数据间存在的影响，降低了社区安全风险预测的准确性。


技术实现要素：

3.本发明提供一种社区安全风险预测方法、装置、电子设备及介质，旨在提升社区安全风险预测的准确性。
4.本发明提供一种社区安全风险预测方法，包括：
5.获取并分析历史社区安全风险事件，得到各个实体数据及其对应的时间戳数据，根据各个所述实体数据及其对应的时间戳数据构建对应的四元组数据，得到对应的知识图谱，其中，所述实体数据包括头部实体数据和尾部实体数据；
6.通过预设聚合器将所述知识图谱中各个时刻下，各个所述头部实体数据及其对应的尾部实体数据进行聚合，得到各个所述时刻下的各个局部数据；
7.基于各个所述时刻下的各个所述局部数据确定其对应的全局数据，通过各个所述时刻下的全局数据及其对应的各个局部数据对预设神经网络进行训练，得到社区安全知识图谱模型；
8.确定输入的待预测时刻，基于所述社区安全知识图谱模型对所述待预测时刻的社区安全风险进行预测。
9.根据本发明提供的一种社区安全风险预测方法，所述通过预设聚合器将所述知识图谱中各个时刻下，各个所述头部实体数据及其对应的尾部实体数据进行聚合，得到各个所述时刻下的各个局部数据的步骤包括：
10.根据各个所述时刻下，各个所述头部实体数据对应的实体关系的关系特征，将各个所述头部实体数据对应的尾部实体数据进行分类，对应得到多个关系特征的尾部实体数据；
11.通过所述预设聚合器将各个所述时刻下，各个所述头部实体数据对应的具有相同关系特征的尾部实体数据进行聚合，得到各个所述时刻下的各个新头部实体数据；
12.通过所述预设聚合器将各个所述时刻下的各个新头部实体数据进行再次聚合，得
到各个所述时刻下的各个局部数据。
13.根据本发明提供的一种社区安全风险预测方法，所述基于各个所述时刻下的各个所述局部数据确定其对应的全局数据，通过各个所述时刻下的全局数据及其对应的各个局部数据对预设神经网络进行训练，得到社区安全知识图谱模型的步骤包括：
14.对各个所述时刻下的各个所述局部数据进行最大池化操作，得到各个所述时刻下的最大局部数据，并获取各个所述时刻的上一时刻对应的上一时刻全局数据和上一时刻局部数据；
15.根据各个所述时刻下的最大局部数据及其对应的上一时刻全局数据，得到各个所述时刻下的全局数据；
16.基于各个所述时刻下的全局数据及其对应的各个局部数据，及其对应的上一时刻局部数据，得到各个所述时刻下的目标局部数据；
17.基于各个时刻下的全局数据及其对应的目标局部数据对所述预设神经网络进行训练，得到所述社区安全知识图谱模型。
18.根据本发明提供的一种社区安全风险预测方法，所述基于所述社区安全知识图谱模型对所述待预测时刻的社区安全风险进行预测的步骤包括：
19.基于所述社区安全知识图谱模型中的时间顺序，建立所有社区安全风险事件对应的联合分布；
20.将所述联合分布转化为对应的条件分布序列，并确定与所述待预测时刻的事件相关的历史社区事件；
21.根据所述条件分布序列和所述历史社区事件，得到所述待预测时刻对应的社区安全条件概率；
22.根据所述社区安全条件概率对所述待预测时刻的社区安全风险进行预测。
23.根据本发明提供的一种社区安全风险预测方法，所述根据所述条件分布序列和所述历史社区事件，得到所述待预测时刻对应的社区安全条件概率的步骤包括：
24.根据所述条件分布序列和所述历史社区事件，构建对应的目标联合分布，其中，所述目标联合分布包括第一条件概率分布、第二条件概率分布和第三条件概率分布；
25.根据所述第一条件概率分布、所述第二条件概率分布和所述第三条件概率分布，得到所述社区安全条件概率。
26.根据本发明提供的一种社区安全风险预测方法，所述根据所述第一条件概率分布、所述第二条件概率分布和所述第三条件概率分布，得到所述社区安全条件概率的步骤包括：
27.基于所述第一条件概率分布，确定待预测时刻对应的头部实体条件概率，并采样所述待预测时刻的待预测头部实体数据；
28.基于所述第二条件概率分布生成所述待预测时刻下，所述待预测头部实体数据与所述历史社区事件的实体关系概率；
29.基于所述第三条件概率分布，确定所述待预测时刻对应的尾部实体条件概率；
30.根据所述头部实体条件概率、所述实体关系条件概率和所述尾部实体条件概率，得到所述社区安全条件概率。
31.根据本发明提供的一种社区安全风险预测方法，所述根据各个所述实体数据及其
对应的时间戳数据构建对应的四元组数据，得到对应的知识图谱的步骤包括：
32.根据实体数据的数据特点，建立各个所述头部实体数据及其对应的尾部实体数据之间的实体关系；
33.将各个所述头部实体数据的时间戳数据，添加至各个所述头部实体数据的实体关系中，得到各个携带有时间戳数据的实体关系；
34.根据各个所述头部实体数据及其对应的尾部实体数据，及其对应的携带有时间戳数据的实体关系，构建对应的各个四元组数据；
35.将各个所述四元组数据的集合确定为所述知识图谱。
36.本发明还提供一种社区安全风险预测装置，包括：
37.构建模块，用于获取并分析历史社区安全风险事件，得到各个实体数据及其对应的时间戳数据，根据各个所述实体数据及其对应的时间戳数据构建对应的四元组数据，得到对应的知识图谱，其中，所述实体数据包括头部实体数据和尾部实体数据；
38.聚合模块，用于通过预设聚合器将所述知识图谱中各个时刻下，各个所述头部实体数据及其对应的尾部实体数据进行聚合，得到各个所述时刻下的各个局部数据；
39.确定模块，用于基于各个所述时刻下的各个所述局部数据确定其对应的全局数据，通过各个所述时刻下的全局数据及其对应的各个局部数据对预设神经网络进行训练，得到社区安全知识图谱模型；
40.预测模块，用于确定输入的待预测时刻，基于所述社区安全知识图谱模型对所述待预测时刻的社区安全风险进行预测。
41.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述社区安全风险预测方法的步骤。
42.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述社区安全风险预测方法的步骤。
43.本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被所述处理器执行时实现如上任一种所述社区安全风险预测方法的步骤。
44.本发明提供的社区安全风险预测方法、装置、电子设备及介质，通过获取并分析历史社区安全风险事件，得到各个实体数据及其对应的时间戳数据，根据各个实体数据及其对应的时间戳数据构建四元组数据，得到知识图谱；通过预设聚合器将知识图谱中各个时刻下，各个头部实体数据及其对应的尾部实体数据进行聚合，得到各个时刻下的各个局部数据；基于各个时刻下的各个局部数据确定其对应的全局数据，通过各个时刻下的全局数据及其对应的各个局部数据对预设神经网络进行训练，得到社区安全知识图谱模型；确定输入的待预测时刻，基于社区安全知识图谱模型对待预测时刻的社区安全风险进行预测。由此可知，本发明通过构建具有时序性的知识图谱，能够实时更新实体数据随时间变化而变化，同时，社区安全知识图谱模型是由具有时序性的知识图谱训练得到的，使得社区安全知识图谱模型具有时序性且高准确性，因此能够准确地预测未来某个时刻(待预测时刻)的社区安全风险，从而提升了社区安全风险预测的准确性。
附图说明
45.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
46.图1是本发明提供的社区安全风险预测方法的流程示意图之一；
47.图2是本发明提供的社区安全风险预测方法的流程示意图之二；
48.图3是本发明提供的社区安全风险预测方法的流程示意图之三；
49.图4是本发明提供的社区安全风险预测方法的流程示意图之四；
50.图5是本发明提供的社区安全风险预测装置的结构示意图；
51.图6是本发明提供的电子设备的结构示意图。
具体实施方式
52.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.下面结合图1至图6描述本发明提供的社区安全风险预测方法、装置、电子设备及介质。
54.具体地，本发明提供一种社区安全风险预测方法，参照图1，图1是本发明提供的社区安全风险预测方法的流程示意图之一。
55.本发明实施例提供了社区安全风险预测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些数据下，可以以不同于此处的顺序完成所示出或描述的步骤。
56.本发明实施例方法以电子设备作为执行主体进行举例，本发明实施例提供的社区安全风险预测方法包括：
57.步骤s10，获取并分析历史社区安全风险事件，得到各个实体数据及其对应的时间戳数据，根据各个所述实体数据及其对应的时间戳数据构建对应的四元组数据，得到对应的知识图谱，其中，所述实体数据包括头部实体数据和尾部实体数据。
58.需要说明的是，本发明实施例中的风险预测系统是电子设备的表现形式之一，并不对电子设备进行限制。
59.风险预测系统获取历史社区安全风险事件，并对历史社区安全风险事件进行数据分析，确定历史社区安全风险事件中包含的各个实体数据，以及各个实体数据对应的时间戳数据，其中，实体数据包括头部实体数据和尾部实体数据。
60.同时，风险预测系统需要确定各个头部实体数据及其对应的尾部实体数据之间的实体关系，再根据各个头部实体数据及其对应的尾部实体数据，及其对应的实体关系和时间戳数据构建对应的四元组数据，并将所有的四元组数据的集合确定为所要构建的知识图谱。其中，社区安全风险事件主要是由于社区安全风险的发生而导致的事故。
61.进一步需要说明的是，根据社区系统组成特点和风险特点，考虑各种设施、社区各
类人员、相关单位的可靠性以及社区系统中由于人的不安全行为、设施的不安全状态、相关单位管理的缺陷和环境因素的共同作用而导致事故发生的事件链，主要将社区安全风险事件的实体数据(头部实体数据和尾部实体数据)分为四大类，分别为：与社区相关的各类人员、社区内的各种设施、与社区系统相关的各个单位以及由引起的各种事故类型。不同的实体数据具有不同的实体类型，具体为：各类人员＝{社区住户、工作人员}；各种设施＝{电梯、电气设备、井盖、调压器、消防栓}，设施属性类型的特征分别为＝{运行速度、加速度、开关门速度、可燃气体浓度、烟雾浓度、电流、负载、压力}；各种事故类型即社区风险等级＝{低风险、中风险、高风险}。实体关系集合＝{具有、属性、正常、轻度异常、失误、故障}。
62.进一步需要说明的是，构建的知识图谱中的相关变量和概念如下所述。知识图谱可表示为g＝(v，e，t)，其中，v为实体数据，e为实体关系，t为时间戳数据。实体数据集合可表示为v＝{v1，v2，v3...vn}，n为实体数据的个数，实体关系可表示为e＝{r1，r2，r3...rm}，m为实体关系的个数，时间戳数据可表示为t＝{t1，t2，t3...tn}，n为时间戳数据的个数。知识图谱是由四元组数据组成的集合，每个四元组数据都表示的客观事实的信息，可表示为《vh，rs，vo，ts》，其中，vh为头部实体数据，vo为为尾部实体数据，vh和vo∈v。rs为头部实体数据和尾部实体数据之间的实体关系，rs∈e。ts为头部实体数据对应的时间戳数据，ts∈t。
63.进一步地，步骤s101至步骤s104的具体描述如下：
64.步骤s101，根据实体数据的数据特点，建立各个所述头部实体数据及其对应的尾部实体数据之间的实体关系；
65.步骤s102，将各个所述头部实体数据的时间戳数据，添加至各个所述头部实体数据的实体关系中，得到各个携带有时间戳数据的实体关系；
66.步骤s103，根据各个所述头部实体数据及其对应的尾部实体数据，及其对应的携带有时间戳数据的实体关系，构建对应的各个四元组数据；
67.步骤s104，将各个所述四元组数据的集合确定为所述知识图谱。
68.具体地，风险预测系统根据实体数据之间交互可能存在风险的数据特点，及未来实体数据会与过去和现在的实体数据存在联系、继承和延续的数据特点，建立各个头部实体数据及其对应的尾部实体数据之间的实体关系。接着，风险预测系统将各个头部实体数据对应的时间戳数据，添加至对应的实体关系中，得到各个头部实体数据对应的携带有时间戳数据的实体关系。风险预测系统再根据各个头部实体数据及其对应的尾部实体数据，及其对应的携带有时间戳数据的实体关系，构建对应的各个四元组数据，将所有的四元组数据的集合确定为所要构建的知识图谱。
69.本实施例通过在头部实体数据、尾部实体数据和实体关系的三元组数据的基础上加入了时间戳数据，通过时间戳数据构建了四元组数据的知识图谱，通过四元组数据的知识图谱实时确定实体数据随时间变化而发生的变化，使得实体数据具有时效性，从而提升了社区安全风险预测的准确性。
70.步骤s20，通过预设聚合器将所述知识图谱中各个时刻下，各个所述头部实体数据及其对应的尾部实体数据进行聚合，得到各个所述时刻下的各个局部数据。
71.风险预测系统根据各个头部实体数据的时间戳数据，确定各个时刻下的各个头部实体数据对应的尾部实体数据，同时确定与各个尾部实体数据对应的实体关系。风险预测系统再根据各个时刻下的各个头部实体数据对应的实体关系的关系特征，将其对应的各个
尾部实体数据进行分类，得到各个关系特征的尾部实体数据，其中，关系特征包关系类型、关系方向和自连接关系。接着，风险预测系统通过预设聚合器将各个时刻下，各个头部实体数据对应的具有同一关系特征的尾部实体数据进行聚合，得到各个时刻下，各个头部实体数据对应的新头部实体数据，其中，预设聚合器是预先选取设定的，本实施例不作限制。最后，风险预测系统将各个时刻下的各个新头部实体数据进行再一次聚合，得到各个时刻下的各个头部实体数据对应的局部数据。
72.步骤s30，基于各个所述时刻下的各个所述局部数据确定其对应的全局数据，通过各个所述时刻下的全局数据及其对应的各个局部数据对预设神经网络进行训练，得到社区安全知识图谱模型。
73.需要说明的是，在神经网络中，需要将知识图谱中的各个实体数据和实体关系参数化后才能进行训练，因此本实施例引入了全局变量q
t
(全局数据)和局部变量q
t
(局部数据)。全局数据q
t
表示时间戳数据t之前，知识图谱的全局信息。局部数据q
t
表示各个头部实体数据vh或一对头部实体数据和实体关系(vh，rs)，因此，局部数据还可以表示为q
t
(vh)或者q
t
(vh，rs)。
74.风险预测系统对各个时刻下的各个局部数据进行最大池化操作，得到各个时刻下的最大局部数据，然后获取各个时刻对应的上一时刻的全局数据q
t-1
以及上一时刻的局部数据q
t-1
，通过预设神经网络将各个时刻下的最大局部数据及其对应的上一时刻的全局数据q
t-1
进行训练，得到各个时刻下的全局数据q
t
。接着，风险预测系统通过各个时刻下的全局数据q
t
及其对应的各个局部数据，及其对应的上一时刻的局部数据q
t-1
进行训练，得到各个时刻下对应的目标局部数据，根据各个时刻下的全局数据及其对应的目标局部数据对预设神经网络进行训练，得到对应的社区安全知识图谱模型。其中，预设神经网络是预先设定的，本实施例不作限制。
75.步骤s40，确定输入的待预测时刻，基于所述社区安全知识图谱模型对所述待预测时刻的社区安全风险进行预测。
76.需要说明的是，如用户需要预测某个时刻下的社区安全风险，则需要在风险预测系统中输入对应的待预测时刻，或者通过用户终端将待预测时刻发送至风险预测系统。
77.风险预测系统接收到待预测时刻后，将该待预测时刻输入至社区安全知识图谱模型中，根据社区安全知识图谱模型推测该待预测时刻的头部实体数据的条件概率、实体关系的条件概率和尾部实体数据的条件概率。接着，风险预测系统再根据头部实体数据的条件概率、实体关系的条件概率和尾部实体数据的条件概率，对该待预测时刻的社区安全风险进行预测。
78.本实施例提供了社区安全风险预测方法，通过获取并分析历史社区安全风险事件，得到各个实体数据及其对应的时间戳数据，根据各个实体数据及其对应的时间戳数据构建四元组数据，得到知识图谱；通过预设聚合器将知识图谱中各个时刻下，各个头部实体数据及其对应的尾部实体数据进行聚合，得到各个时刻下的各个局部数据；基于各个时刻下的各个局部数据确定其对应的全局数据，通过各个时刻下的全局数据及其对应的各个局部数据对预设神经网络进行训练，得到社区安全知识图谱模型；确定输入的待预测时刻，基于社区安全知识图谱模型对待预测时刻的社区安全风险进行预测。由此可知，本实施例通过构建具有时序性的知识图谱，能够实时更新实体数据随时间变化而变化，同时，社区安全
知识图谱模型是由具有时序性的知识图谱训练得到的，使得社区安全知识图谱模型具有时序性且高准确性，因此能够准确地预测未来某个时刻(待预测时刻)的社区安全风险，从而提升了社区安全风险预测的准确性。
79.进一步地，参照图2，图2是本发明提供的社区安全风险预测方法的流程示意图之二，所述步骤s20包括：
80.s201，根据各个所述时刻下，各个所述头部实体数据对应的实体关系的关系特征，将各个所述头部实体数据对应的尾部实体数据进行分类，对应得到多个关系特征的尾部实体数据；
81.s202，通过所述预设聚合器将各个所述时刻下，各个所述头部实体数据对应的具有相同关系特征的尾部实体数据进行聚合，得到各个所述时刻下的各个新头部实体数据；
82.s203，通过所述预设聚合器将各个所述时刻下的各个新头部实体数据进行再次聚合，得到各个所述时刻下的各个局部数据。
83.需要说明的是，本实施例中的预设聚合器是为了聚合与实体数据相关的信息，辅助社区安全风险事件的预测。考虑到知识图谱中实体数据和实体关系的多样性，本实施例不能选取适用于同构图的图卷积网络(graph convolution network，gcn)，本实施例选择了适用于异构图的多关系图卷积网络(robust graph convolution networks，rgcn)作为预设聚合器(rgcn聚合器)，关系图卷积网络是一种一般性的聚合器，可以将知识图谱中实体数据的多重关系的信息进行聚合。
84.风险预测系统根据各个时刻下，各个头部实体数据对应的实体关系的关系特征(关系类型、关系方向和自连接关系)，将各个头部实体数据对应的尾部实体数据进行分类，对应得到多个关系特征的尾部实体数据，即将具有同一关系类型、同一关系方向和同一自连接关系的尾部实体数据归为一个关系特征的尾部实体数据。接着，风险预测系统通过rgcn聚合器将各个时刻下，各个头部实体数据对应的具有同一关系类型、同一关系方向和同一自连接关系的尾部实体数据进行聚合，得到各个时刻下的各个新头部实体数据。最后，风险预测系统通过rgcn聚合器将各个时刻下的各个新头部实体数据进行再次聚合，得到各个时刻下的各个头部实体数据对应的局部数据。
85.进一步需要说明的是，由于rgcn考虑的是异构图建模，因此在处理尾部实体数据时，根据实体关系的不同性对尾部实体数据进行分类操作，对于每一种实体特征的尾部实体数据设置不同的权重参数。rgcn聚合器聚合公式如下：
[0086][0087]
其中，r表示知识图谱中所有的实体关系集合，表示与头部实体数据vh具有r实体关系的尾部实体数据的个数。cv是归一化参数，本实施例选取cv表示与头部实体数据vh具有r关系的尾部实体数据的个数，即具有r关系的尾部实体数据的个数，即表示具有r实体关系的尾部实体数据所对应的权重参数，表示尾部实体数据的实体特征，是头部实体数据自身对应的权重参数，表示头部实体数据的实体特征。每种实体关系与实体数据之间连接的局部图结构，通过聚集头部实体数据的尾部实体数据的信息，
[0088]
即
[0089]
在每个头部实体数据上产生一条汇聚同种实体关系下的信息。通过汇总知识图谱中所有实体关系的消息，
[0090]
即
[0091]
进一步计算每个头部实体数据的总体信息。最后，通过加和每个头部实体数据自身的实体信息，即w
oqvh
，再经过relu(线性整流函数(rectified linear unit)激活函数得到局部数据q，也即
[0092]
本实施例提供了社区安全风险预测方法，本实施例根据各个时刻下，各个头部实体数据对应的实体关系的关系特征，将各个头部实体数据对应的尾部实体数据进行分类，对应得到多个关系特征的尾部实体数据；通过预设聚合器将各个时刻下，各个头部实体数据对应的具有相同关系特征的尾部实体数据进行聚合，得到各个时刻下的各个新头部实体数据；通过预设聚合器将各个时刻下的各个新头部实体数据进行再次聚合，得到各个时刻下的各个局部数据。由此可知，本实施例通过rgcn聚合器根据头部实体数据的关系类型、关系方向和自连接关系，将各个时刻下的尾部实体数据进行分类并聚合，准确地得到各个时刻下的各个局部数据，为训练出准确的全局数据提供基础条件，同时为提升社区安全风险预测的准确性提供保障。
[0093]
进一步地，参照图3，图3是本发明提供的社区安全风险预测方法的流程示意图之三，所述步骤s30包括：
[0094]
步骤s301，对各个所述时刻下的各个所述局部数据进行最大池化操作，得到各个所述时刻下的最大局部数据，并获取各个所述时刻的上一时刻对应的上一时刻全局数据和上一时刻局部数据；
[0095]
步骤s302，根据各个所述时刻下的最大局部数据及其对应的上一时刻全局数据，得到各个所述时刻下的全局数据；
[0096]
步骤s303，基于各个所述时刻下的全局数据及其对应的各个局部数据，及其对应的上一时刻局部数据，得到各个所述时刻下的目标局部数据；
[0097]
步骤s304，基于各个时刻下的全局数据及其对应的目标局部数据对所述预设神经网络进行训练，得到所述社区安全知识图谱模型。
[0098]
需要说明的是，若需要根据过去已有的事件推测未来要发生的事件，则需要一个能够存储记忆过去事件信息且可以推测未来事件的神经网络，综上所述要求，本实施例选取循环神经网络(recurrent neural network，rnn)作为预设神经网络。循环神经网络是针对时间序列数据的神经网络，时间序列数据是指在不同时间点上收集到的数据，这类数据反映了某一事物、现象等随时间的变化状态或程度。循环神经网络的核心是在于循环使用网络层的参数，同时也避免时间步增大带来的参数激增，并且引入隐藏状态(hidden state)用于记录历史信息，有效处理信息的历史关联性。隐藏状态可以捕捉截至当前时刻下事件的历史信息，同时，循环神经网络模型参数的数量不随时间的增加而增长。由步骤s30的描述可知，全局数据表示为q
t
，局部数据表示为q
t
(vh)或者q
t
(vh，rs)，
[0099]
风险预测系统对各个时刻下的各个局部数据进行最大池化操作，选取出各个时刻
下的最大局部数据，将定义为当前时间戳数据t上与头部实体数据vh相关的所有事件，最大池化操作的过程如下最大池化操作的过程如下g(g
t
)是时间戳数据t上所有社区信息g
t
的集合。同时，风险预测系统获取各个时刻的上一时刻对应的上一时刻全局数据q
t-1
和上一时刻局部数据q
t-1
(vh，rs)或者q
t-1
(vh)。接着，风险预测系统通过循环神经网络将各个时刻下的最大局部数据及其对应的上一时刻全局数据q
t-1
进行训练，得到各个时刻下的全局数据q
t
，具体为q
t
＝rnn(g(g
t
),q
t-1
)，其中，g是一个聚合函数，由rgcn聚合器确定。最后，风险预测系统通过循环神经网络将各个时刻下的全局数据q
t
及其对应的各个局部数据及其上一时刻局部数据q
t-1
(vh，rs)进行训练，得到各个时刻下的各个目标局部数据，目标局部数据为q
t
,q
t-1
(vhlrs))，或者目标局部数据为q
t
lq
t-1
(vh))。最后，风险预测系统根据各个时刻下的全局数据和目标局部数据对循环神经网络进行训练，得到对应的社区安全知识图谱模型。
[0100]
进一步需要说明的是，全局数据和局部数据表示获取知识图谱中信息的不同方面l因而全局数据和局部数据存在互补关系。全局数据q
t
会保留直到时间戳t下的知识图谱所有的全局信息。局部数据q
t
(vh)或者q
t
(vh，rs)更强调与每个实体数据和实体关系相联系的信息。
[0101]
本实施例提供了社区安全风险预测方法，通过对各个时刻下的各个局部数据进行最大池化操作，得到各个时刻下的最大局部数据，并获取各个时刻的上一时刻对应的上一时刻全局数据和上一时刻局部数据；基于各个时刻下的最大局部数据及其对应的上一时刻全局数据进行训练，得到各个时刻下的全局数据；基于各个时刻下的全局数据及其对应的各个局部数据，及其对应的上一时刻局部数据，得到各个时刻下的目标局部数据；基于各个时刻下的全局数据及其对应的目标局部数据对预设神经网络进行训练。由此可知，本实施例通过循环神经网络进行时间维度上的全局数据训练和局部数据训练，从而得到具有时序性且高准确性的社区安全知识图谱模型，因此能够通过社区安全知识图谱模型准确地预测未来某个时刻(待预测时刻)的社区安全风险，从而提升了社区安全风险预测的准确性。
[0102]
进一步地，参照图4，图4是本发明提供的社区安全风险预测方法的流程示意图之三，所述步骤s40包括：
[0103]
步骤s401，基于所述社区安全知识图谱模型中的时间顺序，建立所有社区安全风险事件对应的联合分布；
[0104]
步骤s402，将所述联合分布转化为对应的条件分布序列，并确定与所述待预测时刻的事件相关的历史社区事件；
[0105]
步骤s403，根据所述条件分布序列和所述历史社区事件，得到所述待预测时刻对应的社区安全条件概率；
[0106]
步骤s404，根据所述社区安全条件概率对所述待预测时刻的社区安全风险进行预测。
[0107]
风险预测系统根据社区安全知识图谱模型中的时间顺序，按照从前往后的时间顺序，使用自回归方式建立所有社区安全风险事件对应的联合分布g，g＝{g1，g2，g3...g
t
。当
然，也可以按照从后往前的时间顺序，使用自回归方式建立所有社区安全风险事件对应的联合分布布g，g＝{g
t
...g3，g2，g1}。接着，风险预测系统将联合分布分解为条件分布序列p，p＝(g
t
|g
t-m
lg
t-m 1
l...lg
t-1
)＝(g
t
|g
t-m:t-1
)，同时，风险预测系统需要确定与待预测时刻的事件相关的历史社区事件，若确定与待预测时刻的事件g
t
相关的历史社区事件的时间步长事件为m步，可以理解为待预测时刻的事件g
t
的概率取决于前m步历史社区事件的概率，也即g
t-m
lg
t-m 1
l...lg
t-1
＝{g
t-m:t-1
}。在本实施例中，待预测时刻的事件g
t
的前m步历史社区事件g
t-m:t-1
都是相互独立的，则将每个条件分布序列p(g
t
|g
t-m:t-1
)转化为对应的目标联合分布p(g)，p(g)表述如下，
[0108][0109]
风险预测系统根据目标联合分布p(g)得到待预测时刻的社区安全条件概率，并根据社区安全条件概率对待预测时刻的社区安全风险进行预测，得到待预测时刻的发生社区安全风险的可能性。具体地，风险预测系统确定社区安全条件概率是否大于或者等于预设概率，其中，预设概率根据实际情况设定，本实施例不作限制。若确定社区安全条件概率大于或者等于预设概率，风险预测系统则确定待预测时刻的发生社区安全风险的可能性极大。若确定社区安全条件概率小于预设概率，风险预测系统则确定待预测时刻的发生社区安全风险的可能性极小。
[0110]
进一步地，步骤s4031至步骤s4032的具体描述如下：
[0111]
步骤s4031，根据所述条件分布序列和所述历史社区事件，构建对应的目标联合分布，其中，所述目标联合分布包括第一条件概率分布、第二条件概率分布和第三条件概率分布；
[0112]
步骤s4032，根据所述第一条件概率分布、所述第二条件概率分布和所述第三条件概率分布，得到所述社区安全条件概率。
[0113]
具体地，风险预测系统根据条件分布序列和历史社区事件构建的目标联合分布p(g)，同时根据条件概率计算公式将目标联合分布p(g)转化为
[0114][0115]
其中，p(vh|g
t-m:t-1
)为第一条件概率分布，p(rs|vhlg
t-m:t-1
)为第二条件概率分布，p(vo|vhlrslg
t-m:t-1
)为第三条件概率分布。接着，风险预测系统根据第一条件概率分布p(vh|g
t-m:t-1
)、第二条件概率分布p(rs|vhlg
t-m:t-1
)和第三条件概率分布p(vo|vhlrs,g
t-m:t-1
)分别确定待预测时刻对应的头部实体数据的条件概率、头部关系的条件概率和尾部实体数据的条件概率，根据头部实体数据的条件概率、头部关系的条件概率和尾部实体数据的条件概率，得到待预测时刻的社区安全条件概率。
[0116]
本实施例通过条件分布序列和历史社区事件构建目标联合分布，并通过目标联合分布中的各个条件概率准确地得到了待预测时刻的社区安全条件概率，从而提升了社区安全风险预测地准确性。
[0117]
进一步地，步骤s40321至步骤s40324的具体描述如下：
[0118]
步骤s40321，基于所述第一条件概率分布，确定待预测时刻对应的头部实体条件概率，并采样所述待预测时刻的待预测头部实体数据；
[0119]
步骤s40322，基于所述第二条件概率分布生成所述待预测时刻下，所述待预测头部实体数据与所述历史社区事件的实体关系概率；
[0120]
步骤s40323，基于所述第三条件概率分布，确定所述待预测时刻对应的尾部实体条件概率；
[0121]
步骤s40324，根据所述头部实体条件概率、所述实体关系条件概率和所述尾部实体条件概率，得到所述社区安全条件概率。
[0122]
具体地，风险预测系统根据第一条件概率分布p(vh|g
t-m：t-1
)确定待预测时刻的待预测头部实体数据，同时根据第一条件概率分布p(vh|g
t-m：t-1
)计算出待预测时刻的头部实体数据的头部实体条件概率。风险预测系统再根据第二条件概率分布p(rs|vh，g
t-m：t-1
)生成待预测时刻下，待预测头部实体数据和历史社区事件g
t-m：t-1
的实体关系概率。风险预测系统再根据第三条件概率分布p(vo|vh，rs，g
t-m：t-1
)计算出待预测时刻的尾部实体数据的尾部实体条件概率(如毒害物含量等级，风险等级)。接着，风险预测系统将头部实体条件概率和尾部实体条件概率，确定为实体条件概率，并将实体关系概率和实体条件概率带入目标联合分布p(g)中进行计算，得到待预测时间的社区安全条件概率。
[0123]
进一步地，头部实体条件概率、实体关系概率和尾部实体条件概率的计算方法和过程如下所述。计算尾部实体条件概率的过程具体阐述如下：先将p(vo|vh，rs，g
t-m：t-1
)进行参数化，即p(vo|vh，rs，g
t-m：t-1
)
∝
exp([e
vh
：er：q
t-1
(vh，rs)]
t
·wvo
)，其中，e
vh
，er∈rd分别为头部实体数据vh和实体关系rs相对应的嵌入向量。q
t-1
(vh，rs)∈rd是在时间戳数据(t-1)上获得的头部实体数据与实体关系组合(vh，rs)的局部数据表示。知识图谱在每个时间戳数据下会有不同的实体数据和实体关系，因此，局部数据q
t-1
(vh，rs)在每个时间戳数据下都会进行动态更新，基于此原因，无需考虑嵌入向量e
vh
，er是否需要更新，因此，e
vh
和er可以理解为头部实体数据vh和实体关系rs的静态嵌入向量，即表示将向量拼接在一起。[e
vh
：er：q
t-1
(vh，rs)]的维度为通过拼接社区信息的静态表示和动态表示，循环记忆网络可以高效地捕获直到时间戳数据(t-1)前头部实体数据与实体关系组合(vh，rs)的信息。将编码结果传递给多层感知机mlp进行解码，则可以计算出不同尾部实体数据vo关于p(vo|vh，rs，g
t-m：t-1
)的概率。将mlp解码器定义成参数{w
vo
}的一个线性的softmax分类器，w
vo
的维度也是[e
vh
：er：q
t-1
(vh，rs)]的转置与w
vo
相乘后得到乘积值，并将该乘积值作为自然数e的指数，得到对应的指数结果，该指数结果即为尾部实体条件概率p(vo|vh，rs，g
t-m：t-1
)。
[0124]
同理，计算实体关系条件概率的过程具体阐述如下：将实体关系条件概率参数化：p(rs|vh，g
t-m：t-1
)
∝
exp{[e
vh
：q
t-1
(vh)]
t
·wrs
}，其中h
t-1
(vh)∈rd是关注过去关于知识图谱中头部实体数据vh的局部数据，而h
t-1
∈rd是对知识图谱全局数据g
t-1
，g
t-2
，...，g
t-m
进行编码的矢量表示。为了预测知识图谱中头部实体数据vh将会与何种实体关系相互作用，在预测实体关系条件概率p(rs|vh，g
t-m：t-1
)时，将静态表示e
vh
∈rd和动态表示q
t-1
(vh)视为特征拼接在一起，即[eh：q
t-1
(vh)]，并将其输入到由参数为{w
rs
}的多层感知机(mlp)解码器。[eh：q
t-1
(vh，rs)]的转置与w
rs
相乘后得到乘积值，将该乘积值作为e的指数，得到对应的指数结果，该指数结果即为实体关系条件概率p(rs|vh，g
t-m：t-1
)。头部实体条件概率的计算过程同理可得，本实施例不再赘述。
[0125]
以上的所述，可以计算出实体关系条件概率p(vh|g
t-m：t-1
)、实体关系概率p(rs|vh，g
t-m：t-1
)和尾部实体数据概率p(vo|vh，rs，g
t-m：t-1
)。
[0126]
进一步地，假设当前时间戳数据为t，待预测时间的时间戳数据为t δt处，其中，δt＞0。则可以将多步推断问题的方式转化为推断条件概率p(g
t δt
|g
：t
)。由于需要对所有g
t 1
，...，g
t δt-1
进行积分，为了获得有效的推论，本实施例提供了了一个g
t 1
到g
t δt-1
的样本，并按如下方式估算条件概率：
[0127][0128]
将该式根据条件概率公式进行改写成：
[0129][0130]
具体阐述如下：首先计算p(g
t 1
|g
：t
)，然后从条件分布中得出样本利用该样本，进一步计算通过迭代计算g
t0
的条件分布并从中抽取样本，将p(g
t δt
|g
：t
)的估计值从而得到p(g
t δt
|g
：t
)。
[0131]
通过本实施例的计算方法，得到高准确性的头部实体条件概率、实体关系概率和尾部实体条件概率，基于高准确性的头部实体条件概率、实体关系概率和尾部实体条件概率，得到高准确性的社区安全条件概率，为提升社区安全风险预测的准确性提供保障。
[0132]
本实施例提供了社区安全风险预测方法，基于基于社区安全知识图谱模型中的时间顺序，建立所有社区安全风险事件对应的联合分布；将联合分布转化为对应的条件分布序列，并确定与待预测时刻的事件相关的历史社区事件；根据条件分布序列和历史社区事件，得到待预测时刻对应的社区安全条件概率；根据社区安全条件概率对待预测时刻的社区安全风险进行预测。由此可知，本实施例通过社区安全知识图谱模型得到待预测时间的头部实体条件概率、实体关系概率和尾部实体条件概率，通过头部实体条件概率、实体关系概率和尾部实体条件概率辅助预测待预测时间的社区安全风险，提升了待预测时间的社区安全风险预测的准确性。
[0133]
进一步地，下面对本发明提供的社区安全风险预测装置进行描述，下文描述的社区安全风险预测装置与上文描述的社区安全风险预测方法可相互对应参照。
[0134]
如图5所示，图5是本发明提供的社区安全风险预测装置的结构示意图，社区安全风险预测装置，包括：
[0135]
构建模块501，用于获取并分析历史社区安全风险事件，得到各个实体数据及其对应的时间戳数据，根据各个所述实体数据及其对应的时间戳数据构建对应的四元组数据，得到对应的知识图谱，其中，所述实体数据包括头部实体数据和尾部实体数据；
[0136]
聚合模块502，用于通过预设聚合器将所述知识图谱中各个时刻下，各个所述头部
实体数据及其对应的尾部实体数据进行聚合，得到各个所述时刻下的各个局部数据；
[0137]
确定模块503，用于基于各个所述时刻下的各个所述局部数据确定其对应的全局数据，通过各个所述时刻下的全局数据及其对应的各个局部数据对预设神经网络进行训练，得到社区安全知识图谱模型；
[0138]
预测模块504，用于确定输入的待预测时刻，基于所述社区安全知识图谱模型对所述待预测时刻的社区安全风险进行预测。
[0139]
进一步地，所述聚合模块502还用于：
[0140]
根据各个所述时刻下，各个所述头部实体数据对应的实体关系的关系特征，将各个所述头部实体数据对应的尾部实体数据进行分类，对应得到多个关系特征的尾部实体数据；
[0141]
通过所述预设聚合器将各个所述时刻下，各个所述头部实体数据对应的具有相同关系特征的尾部实体数据进行聚合，得到各个所述时刻下的各个新头部实体数据；
[0142]
通过所述预设聚合器将各个所述时刻下的各个新头部实体数据进行再次聚合，得到各个所述时刻下的各个局部数据。
[0143]
进一步地，所述确定模块503还用于：
[0144]
对各个所述时刻下的各个所述局部数据进行最大池化操作，得到各个所述时刻下的最大局部数据，并获取各个所述时刻的上一时刻对应的上一时刻全局数据和上一时刻局部数据；
[0145]
根据各个所述时刻下的最大局部数据及其对应的上一时刻全局数据，得到各个所述时刻下的全局数据；
[0146]
基于各个所述时刻下的全局数据及其对应的各个局部数据，及其对应的上一时刻局部数据对所述预设神经网络进行训练，得到所述社区安全知识图谱模型。
[0147]
进一步地，所述预测模块504还用于：
[0148]
基于所述社区安全知识图谱模型中的时间顺序，建立所有社区安全风险事件对应的联合分布；
[0149]
将所述联合分布转化为对应的条件分布序列，并确定与所述待预测时刻的事件相关的历史社区事件；
[0150]
根据所述条件分布序列和所述历史社区事件，得到所述待预测时刻对应的社区安全条件概率；
[0151]
根据所述社区安全条件概率对所述待预测时刻的社区安全风险进行预测。
[0152]
进一步地，所述预测模块504还用于：
[0153]
根据所述条件分布序列和所述历史社区事件，构建对应的目标联合分布，其中，所述目标联合分布包括第一条件概率分布、第二条件概率分布和第三条件概率分布；
[0154]
根据所述第一条件概率分布、所述第二条件概率分布和所述第三条件概率分布，得到所述社区安全条件概率。
[0155]
进一步地，所述预测模块504还用于：
[0156]
基于所述第一条件概率分布，确定待预测时刻对应的头部实体条件概率，并采样所述待预测时刻的待预测头部实体数据；
[0157]
基于所述第二条件概率分布生成所述待预测时刻下，所述待预测头部实体数据与
所述历史社区事件的实体关系概率；
[0158]
基于所述第三条件概率分布，确定所述待预测时刻对应的尾部实体条件概率；
[0159]
根据所述头部实体条件概率、所述实体关系条件概率和所述尾部实体条件概率，得到所述社区安全条件概率。
[0160]
进一步地，所述构建模块501还用于：
[0161]
根据实体数据的数据特点，建立各个所述头部实体数据及其对应的尾部实体数据之间的实体关系；
[0162]
将各个所述头部实体数据的时间戳数据，添加至各个所述头部实体数据的实体关系中，得到各个携带有时间戳数据的实体关系；
[0163]
根据各个所述头部实体数据及其对应的尾部实体数据，及其对应的携带有时间戳数据的实体关系，构建对应的各个四元组数据；
[0164]
将各个所述四元组数据的集合确定为所述知识图谱。
[0165]
本发明提供的社区安全风险预测装置的具体实施例与上述社区安全风险预测方法各实施例基本相同，在此不作赘述。
[0166]
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行社区安全风险预测方法，该方法包括：
[0167]
获取并分析历史社区安全风险事件，得到各个实体数据及其对应的时间戳数据，根据各个所述实体数据及其对应的时间戳数据构建对应的四元组数据，得到对应的知识图谱，其中，所述实体数据包括头部实体数据和尾部实体数据；
[0168]
通过预设聚合器将所述知识图谱中各个时刻下，各个所述头部实体数据及其对应的尾部实体数据进行聚合，得到各个所述时刻下的各个局部数据；
[0169]
基于各个所述时刻下的各个所述局部数据确定其对应的全局数据，通过各个所述时刻下的全局数据及其对应的各个局部数据对预设神经网络进行训练，得到社区安全知识图谱模型；
[0170]
确定输入的待预测时刻，基于所述社区安全知识图谱模型对所述待预测时刻的社区安全风险进行预测。
[0171]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0172]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序
指令被计算机执行时，计算机能够执行上述各方法所提供的社区安全风险预测方法，该方法包括：
[0173]
获取并分析历史社区安全风险事件，得到各个实体数据及其对应的时间戳数据，根据各个所述实体数据及其对应的时间戳数据构建对应的四元组数据，得到对应的知识图谱，其中，所述实体数据包括头部实体数据和尾部实体数据；
[0174]
通过预设聚合器将所述知识图谱中各个时刻下，各个所述头部实体数据及其对应的尾部实体数据进行聚合，得到各个所述时刻下的各个局部数据；
[0175]
基于各个所述时刻下的各个所述局部数据确定其对应的全局数据，通过各个所述时刻下的全局数据及其对应的各个局部数据对预设神经网络进行训练，得到社区安全知识图谱模型；
[0176]
确定输入的待预测时刻，基于所述社区安全知识图谱模型对所述待预测时刻的社区安全风险进行预测。
[0177]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的社区安全风险预测方法，该方法包括：
[0178]
获取并分析历史社区安全风险事件，得到各个实体数据及其对应的时间戳数据，根据各个所述实体数据及其对应的时间戳数据构建对应的四元组数据，得到对应的知识图谱，其中，所述实体数据包括头部实体数据和尾部实体数据；
[0179]
通过预设聚合器将所述知识图谱中各个时刻下，各个所述头部实体数据及其对应的尾部实体数据进行聚合，得到各个所述时刻下的各个局部数据；
[0180]
基于各个所述时刻下的各个所述局部数据确定其对应的全局数据，通过各个所述时刻下的全局数据及其对应的各个局部数据对预设神经网络进行训练，得到社区安全知识图谱模型；
[0181]
确定输入的待预测时刻，基于所述社区安全知识图谱模型对所述待预测时刻的社区安全风险进行预测。
[0182]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0183]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0184]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；
而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。