一种监管场景下的突发事件智能推演方法、系统、设备及存储介质

技术特征：
1.一种监管场景下的突发事件智能推演方法，其特征在于，该方法包括：步骤1，获取不同区域的场景数据，并针对场景的风险值进行评分；步骤2，进行数据预处理；步骤3，将处理后的数据输入到风险预警模型中进行训练，得到训练好的风险预警模型；步骤4，构建风险处置知识库；步骤5，获取不同区域的场景数据，然后进行数据预处理，再将处理后的场景数据输入到训练好的风险预警模型中，得到下一时刻场景的风险预测值；步骤6，将步骤5得到的风险预测值与阈值进行比较，当风险预测值超过阈值时，则将场景数据与风险处置知识库中的场景数据进行对比，若风险处置知识库中存在与输入的场景数据完全相同的案例时，则风险处置知识库输出该案例对应的处置预案；若风险处置知识库中不存在与输入的场景数据完全相同的案例时，则将风险预测值超过阈值时的场景数据以及风险处置知识库中与步骤5采集到的场景数据相似度最高场景的处置预案输入到智能场景推演模型中进行迭代训练，最终得到满足风险阈值且训练过程中风险值最小时所对应的处置预案数据项作为最终的处置预案；步骤7，智能场景推演模型得到的最终的处置预案和对应的场景信息存入风险处置知识库。2.根据权利要求1所述的一种监管场景下的突发事件智能推演方法，其特征在于，步骤1中，获取不同区域的场景数据，并针对场景的风险值进行评分；具体过程包括：1-1，采集不同区域的场景数据，所述场景数据包括区域高风险人员数、区域被监管人员总数、区域管理人员数量、区域外来车辆数量、区域外来人员数量、区域监控报警情况、区域ab门故障数量、区域内黑白名单号码通话量、区域高压电网故障数量、区域气温、区域天气情况数据；每半小时采集一次场景数据；监管场所包括n个区域；1-2，对采集的场景数据进行打分，作为场景数据的标签值y，标签值y用于评判该时刻下的场景风险。3.根据权利要求1所述的一种监管场景下的突发事件智能推演方法，其特征在于，步骤2中，进行数据预处理，具体过程包括：2-1，对场景数据进行数据清洗，将空白数据，离群场景数据删除；2-2，对场景数据进行数据归一化操作，具体为：x
*
表示归一化后的场景数据，x表示未进行归一化的场景数据，min表示场景数据的最小值，max表示场景数据的最大值；从而得到要输入风险预警模型的输入数据[x，y]，场景数据大值；从而得到要输入风险预警模型的输入数据[x，y]，场景数据表示在第t时刻，第n个区域第i个特征的归一化值，步骤1-1中采集的每一项场景数据均作为一个特征；y＝{y
nt
}表示对应第t时刻，第n个区域下的标签值的集合；2-3，构建场景数据x以及监管场所中n个区域之间无向图g所对应的n
×
n邻接矩阵x
adj
，无向图g中n个节点对应n个区域，若无向图g中节点v
i
和节
点v
j
之间存在边或存在弧，则否则且i，j＝1，2，3
……
n。4.根据权利要求1所述的一种监管场景下的突发事件智能推演方法，其特征在于，步骤3中，风险预警模型为stpn网络，stpn网络包括一个图神经网络gnn和一个循环神经网络gru，图神经网络gnn用来获取输入的场景数据中不同区域间的关联关系，并进行拟合，然后输入到循环神经网络gru中；循环神经网络gru包括更新门和重置门，更新门用于控制前一时刻的状态信息被带入到当前状态中的程度；重置门用于控制前一状态的信息被写入到当前的候选集h
t
上的比例；风险预警模型输入信息为场景数据x、标签值的集合y及邻接矩阵x
adj
，输出下一时刻场景的风险预测值。5.根据权利要求1所述的一种监管场景下的突发事件智能推演方法，其特征在于，风险预警模型的训练的过程为：3-1，将经过预处理的数据[x，y]及邻接矩阵x
adj
输入到gnn中；无向图g中每个节点v的特征x
v
与已标记的标签y
v
相关联；y
v
为节点v对应的标签值集合；给定部分标记的无向图g，通过学习得到每个节点的n维向量状态h
v
，同时包含节点v相邻节点的信息，具体为：h
v
＝f(x
v
，x
co[v]
，h
ne[v]
，x
ne[v]
)
ꢀꢀꢀꢀ
(i)，式(i)中，x
co[v]
表示连接节点v的边的特征，h
ne[v]
表示节点v的邻居节点的嵌入表示，x
ne[v]
表示节点v的邻居节点特征，f表示将输入投影到n维空间的转移函数，此处采用的转移函数为maxpooling；3-2，应用banach不动点理论重写式(i)进行迭代更新，求出h
v
的唯一解，如式(ii)所示：h
t 1
＝f(h
t
，x)
ꢀꢀꢀꢀ
(ii)，式(ii)中，h表示所有h
v
之间的连接，x表示所有x
v
之间的连接，h
t
的上角标t表示第t次迭代，h
t 1
的上角标t 1表示第t次迭代，f(
·
)表示全连接前馈神经网络；3-3，通过将状态h
v
以及特征x
v
传递给输出函数g来计算gnn的输出o
v
，如式(iii)所示：o
v
＝g(h
v
，x
v
)
ꢀꢀꢀꢀꢀ
(iii)，式(iii)中，g表示全连接前馈神经网络；l1损失函数如式(iv)所示：式(iv)中，loss是损失函数，p是节点数，o
v
表示第v个节点的输出；从而得到包含位置信息的数据从而得到包含位置信息的数据表示gnn在参数训练好后的输出，3-4，将gnn输出的输入到gru中去获取时间维度的信息，且gru模型中，重置门的计算过程为：z
t
＝σ(w
z
·
[h
t-1
，x
t
])
ꢀꢀꢀꢀ
(v)；式(v)中，z
t
表示更新门，x
t
表示输入的数据，h
t-1
表示隐藏状态，w
z
表示gru模型的参数；σ表示gru模型的函数；更新门的计算过程为：r
t
＝σ(w
r
·
[h
t-1
，x
t
])
ꢀꢀꢀꢀ
(vi)；式(vi)中，r
t
表示重置门，w
r
表示gru模型的参数；候选隐藏层状态的计算过程：
式(vii)中，
⊙
表示卷积；w表示gru模型的参数；表示候选隐藏层状态；tanh表示双曲正切函数；隐藏层状态的计算过程为：通过训练确定参数w
r
、w、w
z
。6.根据权利要求1所述的一种监管场景下的突发事件智能推演方法，其特征在于，风险处置知识库包括若干个风险场景案例，每个风险场景案例包括风险场景的信息和处置预案，处置预案包括数据指标的差值数据δ＝[δ1，...，δ
i
，...，δ
m
]，δ
i
表示处置预案中第i维数据指标的差值数据；i表示数据维度，m为场景数据中数据的种类总数，x
i
为场景信息的第i维数据，为无风险场景的第i维理想数据；当风险预警模型预测的风险预测值超过阈值时，风险预警模型向风险处置知识库传输场景数据，风险处置知识库将传入的场景数据与风险处置知识库中已有的数据进行对比，若有相同场景，则输出处置预案；若无相同场景，则搜索相似度最高场景将其处置预案传给智能场景推演模型，智能场景推演模型并将生成的处置预案存入风险处置知识库中。7.根据权利要求1所述的一种监管场景下的突发事件智能推演方法，其特征在于，智能场景推演模型采用若干个stpn网络进行迭代，stpn网络包括一个图神经网络gnn和一个循环神经网络gru；输入信息包括历史时刻的场景信息、当前时刻的场景信息、未来时刻的场景信息，所述未来时刻的场景信息通过当前时刻场景信息和处置预案计算得到，即x’i
＝x
i-δ
i
，x’i
为未来时刻的场景信息，x
i
为场景信息的第i维数据；δ
i
表示处置预案中第i维数据指标的差值数据；智能场景推演模型输出风险预测值及处置预案中数据指标的差值数据δ。8.根据权利要求1所述的一种监管场景下的突发事件智能推演方法，其特征在于，步骤6中，若风险处置知识库中不存在与输入的场景数据完全相同的案例时，则将风险预测值超过阈值时的场景数据以及风险处置知识库中与步骤5采集到的场景数据相似度最高场景的处置预案输入到智能场景推演模型中进行迭代训练，最终得到满足风险阈值且训练过程中风险值最小时所对应的处置预案数据项作为最终的处置预案；具体过程为：6-1，风险处置知识库将风险预测值超过阈值时的场景数据x＝[x1，...，x
i
，...，x
m
]，i＝1、2、...、m，x
i
为第i种场景数据，m为场景数据中数据的种类总数，以及与步骤5采集到的场景数据相似度最高场景的处置预案δ输入到智能场景推演模型，智能场景推演模型从风险预警模型使用的stpn网络的输入中获取x对应的过去一周内的数据，即x
t-24*7
到x
t-1
，x
t-24*7
表示t时刻之前第7天的0时的数据，x
t-1
表示t时刻前一个小时的数据；然后将风险处置知识库传入的x作为x
t
加入到输入stpn网络中进行训练，则加入到输入stpn网络中进行训练，则表示stpn网络训练的整个过程，y
t 1
，
…
y
t 24
表示t时刻之后第1、2、3
……
24时的风险预测值；6-2，判断y
t 1
，
…
y
t 24
是否均小于阈值β，若y
t 1
，
…
y
t 24
中存在若干个大于等于阈值β，则对处置预案中数据指标的差值数据δ进行调整，每次调整的步长为得到δ
*i
，δ
*i
表示调整后处置预案中数据指标的差值数据；并对风险处置知识库传入的数据或上次训练时传入的数据[x1，...，x
i
，...，x
m
]，进行
迭代，得到x
′
t
＝[x
′1，...，x
′
i
，...，x
′
m
]，且x
′
i
＝x
i-δ
*i
，x
′
i
为迭代后的第i种场景数据，然后将x
′
t
输入stpn网络中进行再次训练；直至满足所有的y
t 1
，
…
y
t 24
均小于阈值β，则结束训练，然后输出及δ
*
，δ
*
满足δ
*
＝[δ
*1
，...，δ
*i
，...，δ
*m
]；若所有的y
t 1
，
…
y
t 24
均小于阈值β，则结束训练，并输出δ。9.一种监管场景下的突发事件智能推演系统，其特征在于，用于实现权利要求1-8任一所述的一种监管场景下的突发事件智能推演方法，包括数据采集模块、数据融合模块、突发事件预警模块、风险处置知识库和场景智能推演模块，数据采集模块，用于执行步骤1，采集不同区域的场景数据；数据融合模块，用于执行步骤2，对数据采集模块采集的场景数据进行预处理；突发事件预警模块，用于执行步骤5，预测下一时刻场景的风险预测值；风险处置知识库，用于根据采集到的场景信息输出处置预案，或得到与采集到的场景信息相似度最高场景的处置预案；场景智能推演模块，用于执行步骤6，得到下一时刻场景的处置预案。10.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述的一种监管场景下的突发事件智能推演方法的步骤。

技术总结
本发明涉及一种监管场景下的突发事件智能推演方法、系统、设备及存储介质，推演方法包括：采集不同区域的场景数据，并针对场景的风险值进行评分；进行数据预处理；将处理后的数据输入到风险预警模型中进行训练，得到训练好的风险预警模型；构建风险处置知识库；采用训练好的风险预警模型中，得到下一时刻场景的风险预测值；风险处置知识库输出该案例对应的处置预案；或通过智能场景推演模型中进行迭代训练，最终得到满足风险阈值且训练过程中风险值最小时所对应的处置预案数据项作为最终的处置预案；采用了模型学习和处置知识库相结合的方式进行场景风险的预警和推演，提升了结果的科学性和合理性。科学性和合理性。科学性和合理性。


技术研发人员：李玉军 刘保臣 郝庆浩 崔岩 郭润东
受保护的技术使用者：中国社会科学院社会学研究所
技术研发日：2022.02.21
技术公布日：2022/5/31