火灾风险评估方法、系统、终端设备及介质与流程

1.本发明涉及数据管理技术领域，尤其是涉及一种火灾风险评估方法、系统、终端设备以及计算机可读存储介质。


背景技术：

2.现有火灾风险评估模型主要通过模糊综合评价法、层次分析法、商权法等方法来进行评估，但是这些方法无法表征同一层级或者跨层级指标之间互相影响关系；并且现有评估模型主要依靠专家进行特征变量打分；另外，现有贝叶斯网络模型的条件概率主要通过层次分析法或者专家经验来设置，不够准确。
3.综上，现有的火灾风险评估模型人工参与度高、评估精度低且应用场景有限。


技术实现要素：

4.本发明的主要目的在于提供一种火灾风险评估方法、系统、终端设备以及计算机可读存储介质，旨在提升针对动态火灾进行风险评估时的评估效率。
5.所述火灾风险评估方法，包括以下步骤：
6.构建火灾风险结构方程模型，对所述火灾风险结构方程模型进行训练得到模型输出参量，将所述模型输出参量通过知识图谱进行展示，并获取所述模型输出参量中的路径系数；
7.获取动态火灾发展影响参量，并基于所述动态火灾发展影响参量和所述路径系数，通过动态贝叶斯网络确定火灾演变趋势概率；
8.基于所述火灾演变趋势概率、预设的动态火灾评估指标体系和预设专家知识得到动态火灾评估网络，以通过所述动态火灾评估网络对火灾进行风险量化评估。
9.可选地，所述将所述模型输出参量通过知识图谱进行展示的步骤，包括：
10.根据预设的火灾风险特征变量、所述火灾风险特征变量对应的中间变量和预设火灾参数，构建知识图谱中的本体以及所述本体之间的关系；
11.根据所述本体和所述本体之间的关系将所述模型输出参量通过知识图谱进行展示。
12.可选地，所述确定动态火灾发展影响参量，并基于所述动态火灾发展影响参量和所述路径系数，通过动态贝叶斯网络得到火灾演变趋势概率的步骤，包括：
13.确定动态火灾发展影响参量，并根据所述路径系数确定所述动态火灾发展影响参量的条件概率；
14.基于所述动态火灾发展影响参量的火灾发展阶段主框架和所述条件概率，通过动态贝叶斯网络得到火灾演变趋势概率。
15.可选地，所述构建火灾风险结构方程模型的步骤，包括：
16.基于所述火灾风险特征变量构建火灾风险结构方程模型。
17.可选地，在所述构建火灾风险结构方程模型的步骤之后，并在所述对所述火灾风
险结构方程模型进行训练得到模型输出参量的步骤之前，还包括：
18.将预设的多源异构数据导入所述火灾风险结构方程模型，以根据所述多源异构数据对所述火灾风险特征变量进行打分，其中，所述多源异构数据包括：数值、图片、视频、excel、pdf和word。
19.可选地，在所述基于所述火灾演变趋势概率、预设的动态火灾评估指标体系和预设专家知识得到动态火灾评估网络的步骤之后，还包括：
20.通过预设测试数据对所述动态火灾评估网络进行评测，并将评测后的动态火灾评估网络通过知识图谱进行展示。
21.可选地，所述对所述火灾风险结构方程模型进行训练得到模型输出参量的步骤，包括：
22.针对所述灾风险结构方程模型进行模型识别、模型估计和模型评价得到模型输出参量，以完成对所述火灾风险结构方程模型的训练。
23.为实现上述目的，本发明还提供一种火灾风险评估系统，所述火灾风险评估系统，包括：
24.获取模块，用于构建火灾风险结构方程模型，对所述火灾风险结构方程模型进行训练得到模型输出参量，将所述模型输出参量通过知识图谱进行展示，并获取所述模型输出参量中的路径系数；
25.确定模块，用于获取动态火灾发展影响参量，并基于所述动态火灾发展影响参量和所述路径系数，通过动态贝叶斯网络确定火灾演变趋势概率；
26.得到模块，用于基于所述火灾演变趋势概率、预设的动态火灾评估指标体系和预设专家知识得到动态火灾评估网络，以通过所述动态火灾评估网络对火灾进行风险量化评估。
27.其中，本发明火灾风险评估系统的各个功能模块各自在运行时均实现如上所述的火灾风险评估方法的步骤。
28.为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的火灾风险评估程序，所述火灾风险评估程序被所述处理器执行时实现如上所述的火灾风险评估方法的步骤。
29.此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有火灾风险评估程序，所述火灾风险评估程序被处理器执行时实现如上所述的火灾风险评估方法的步骤。
30.此外，为实现上述目的，本发明还提供计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上所述的火灾风险评估方法的步骤。
31.本发明提供一种火灾风险评估、系统、终端设备、计算机可读存储介质以及计算机程序产品，构建火灾风险结构方程模型，对所述火灾风险结构方程模型进行训练得到模型输出参量，将所述模型输出参量通过知识图谱进行展示，并获取所述模型输出参量中的路径系数；获取动态火灾发展影响参量，并基于所述动态火灾发展影响参量和所述路径系数，通过动态贝叶斯网络确定火灾演变趋势概率；基于所述火灾演变趋势概率、预设的动态火灾评估指标体系和预设专家知识得到动态火灾评估网络，以通过所述动态火灾评估网络对火灾进行风险量化评估。
32.在本发明中，构建火灾风险结构方程模型，同时基于火灾风险结构方程模型输出的路径系数确定各个动态火灾发展影响参量的条件概率，以基于该条件概率和动态火灾发展影响参量，通过动态贝叶斯网络得到火灾演变趋势概率，最终得到动态火灾评估网络，因此，本发明利用知识图谱来展示结构方程模型分析结果，丰富了展示效果，能够更直观的看到特征变量间的影响关系；利用火灾风险结构方程模型的路径系数来支撑动态贝叶斯网络的条件概率，能够更加准确的反应特征变量间的关系，减少了后续模型调优的难度。进而，本发明实现了高效的火灾风险量化评估。
附图说明
33.图1为本发明实施例方案涉及的硬件运行环境的结构示意图；
34.图2为本发明火灾风险评估方法一实施例的流程示意图；
35.图3为本发明火灾风险评估方法一实施例的火灾风险评估模型架构示意图示意图；
36.图4为本发明火灾风险评估方法一实施例的结构方程模型输出结果示意图示意图；
37.图5为本发明火灾风险评估方法一实施例的结构方程模型输出结果的知识图谱示意图；
38.图5-1为本发明火灾风险评估方法一实施例的结构方程模型输出结果的知识图谱局部示意图；
39.图5-2为本发明火灾风险评估方法一实施例的结构方程模型输出结果的知识图谱局部模拟展示示意图；
40.图6为本发明火灾风险评估方法一实施例的火灾发展阶段主框架示意图示意图；
41.图7为本发明火灾风险评估方法一实施例的动态火灾评估指标体系示意图；
42.图8为本发明火灾风险评估方法一实施例的动态火灾评估网络示意图；
43.图8-1为本发明火灾风险评估方法一实施例的动态火灾评估网络局部示意图；
44.图9为本发明火灾风险评估方法一实施例的动态火灾评估网络条件概率示意图；
45.图10为本发明火灾风险评估方法一实施例的结构方程模型示意图；
46.图11为本发明火灾风险评估方法一实施例的结构方程模型训练示意图；
47.图12为本发明火灾风险评估方法一实施例的结构方程模型训练代码示意图示意图；
48.图13为本发明火灾风险评估方法一实施例的动态火灾评估网络的测试数据示意图；
49.图14为本发明火灾风险评估方法一实施例的动态火灾评估网络的测试结果示意图；
50.图15为本发明火灾风险评估方法一实施例的动态火灾评估网络的火灾因子节点示意图；
51.图16为本发明火灾风险评估方法一实施例的动态火灾评估网络的火灾因子关系示意图；
52.图17为本发明火灾风险评估方法一实施例的动态火灾评估网络的火灾因子节点
关系示意图；
53.图18为本发明火灾风险评估方法一实施例的动态火灾评估网络导入知识图谱展示平台整体示意图；
54.图18-1为本发明火灾风险评估方法一实施例的动态火灾评估网络导入知识图谱展示平台局部第一示意图；
55.图18-2为本发明火灾风险评估方法一实施例的动态火灾评估网络导入知识图谱展示平台局部第二示意图；
56.图19为本发明火灾风险评估系统一实施例的功能模块示意图。
57.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
58.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
59.如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
60.需要说明的是，本发明实施例终端设备可以是用于实现多类型数据源的数据抽取的终端设备，该终端设备具体可以是智能手机、个人计算机和服务器等。
61.如图1所示，该设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
62.本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
63.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及火灾风险评估程序。操作系统是管理和控制设备硬件和软件资源的程序，支持火灾风险评估程序以及其它软件或程序的运行。在图1所示的设备中，用户接口1003主要用于与客户端进行数据通信；网络接口1004主要用于与服务器建立通信连接；而处理器1001可以用于调用存储器1005中存储的火灾风险评估程序，并执行以下操作：
64.构建火灾风险结构方程模型，对所述火灾风险结构方程模型进行训练得到模型输出参量，将所述模型输出参量通过知识图谱进行展示，并获取所述模型输出参量中的路径系数；
65.获取动态火灾发展影响参量，并基于所述动态火灾发展影响参量和所述路径系数，通过动态贝叶斯网络确定火灾演变趋势概率；
66.基于所述火灾演变趋势概率、预设的动态火灾评估指标体系和预设专家知识得到动态火灾评估网络，以通过所述动态火灾评估网络对火灾进行风险量化评估。
67.进一步地，处理器1001还可以用于调用存储器1005中存储的火灾风险评估程序，还执行以下操作：
68.根据预设的火灾风险特征变量、所述火灾风险特征变量对应的中间变量和预设火
灾参数，构建知识图谱中的本体以及所述本体之间的关系；
69.根据所述本体和所述本体之间的关系将所述模型输出参量通过知识图谱进行展示。
70.进一步地，处理器1001还可以用于调用存储器1005中存储的火灾风险评估程序，还执行以下操作：
71.确定动态火灾发展影响参量，并根据所述路径系数确定所述动态火灾发展影响参量的条件概率；
72.基于所述动态火灾发展影响参量的火灾发展阶段主框架和所述条件概率，通过动态贝叶斯网络得到火灾演变趋势概率。
73.进一步地，处理器1001还可以用于调用存储器1005中存储的火灾风险评估程序，还执行以下操作：
74.基于所述火灾风险特征变量构建火灾风险结构方程模型。
75.进一步地，在所述构建火灾风险结构方程模型的步骤之后，并在所述对所述火灾风险结构方程模型进行训练得到模型输出参量的步骤之前，处理器1001还可以用于调用存储器1005中存储的火灾风险评估程序，还执行以下操作：
76.将预设的多源异构数据导入所述火灾风险结构方程模型，以根据所述多源异构数据对所述火灾风险特征变量进行打分，其中，所述多源异构数据包括：数值、图片、视频、excel、pdf和word。
77.进一步地，在所述基于所述火灾演变趋势概率、预设的动态火灾评估指标体系和预设专家知识得到动态火灾评估网络的步骤之后，处理器1001还可以用于调用存储器1005中存储的火灾风险评估程序，还执行以下操作：
78.通过预设测试数据对所述动态火灾评估网络进行评测，并将评测后的动态火灾评估网络通过知识图谱进行展示。
79.进一步地，处理器1001还可以用于调用存储器1005中存储的火灾风险评估程序，还执行以下操作：
80.针对所述灾风险结构方程模型进行模型识别、模型估计和模型评价得到模型输出参量，以完成对所述火灾风险结构方程模型的训练。
81.参照图2，图2为本发明火灾风险评估方法第一实施例的流程示意图。
82.在本实施例中，提供了火灾风险评估方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以不同于此处的顺序执行所示出或描述的步骤。
83.在本实施例中，构建了火灾风险评估模型架构，如图3所示，火灾风险评估模型架构包括结构方程模型和动态贝叶斯网络模型。模型架构是模型的建模思路，在本实施例中建模思路包括入模数据、计算逻辑、输出结果三部分内容。在构建结构方程模型时，将45个基础特征变量和8个中间特征变量作为特征变量进行入模，进而基于结构方程模型的计算逻辑得到特征变量之间的相互影响以及各特征变量对人员伤亡、火灾数量和财产损失的影响。同时，将根据结构方程模型得到的各特征变量之间的条件概率输入至动态贝叶斯网络模型，再通过动态贝叶斯网络模型中的93个特征变量最终输出火灾发生概率。
84.步骤s10，构建火灾风险结构方程模型，并对所述火灾风险结构方程模型进行训练得到模型输出参量，将所述模型输出参量通过知识图谱进行展示，并获取所述模型输出参
量中的路径系数；
85.终端设备首先构建火灾风险结构方程模型，进一步对该火灾风险结构方程模型进行训练，并得到模型输出结果，为了增加了可视化程度，将模型输出结果通过知识图谱进行展示，同时从模型输出参量中获取路径系数，以基于该路径系数确定动态贝叶斯网络的条件概率。
86.具体地，例如，如图4所示，在图4中将结构方程模型的输出结果以表格方式进行显示。其中，自变量表示一对关系的“因”，因变量表示一对关系的“果”，每一个变量既可以是因(果)，也可以成为另一对关系的果(因)，例如在“建筑防火间距——防火墙/门/阀”这对关系中，建筑防火间距对防火墙/门/阀的影响是0；在“消防资金投入——防火墙/门/阀”这对关系中，消防资金投入对防火墙/门/阀的影响系数为0.9，表示消防资金投入越多，防火墙/门/阀的安全性越高；在“消防安全常识教育——用电器故障隐患”这对关系中，消防安全常识教育对用电器故障隐患的影响系数是-0.9，表示消防安全教育越多，用电器故障隐患越少。
87.进一步地，在上述步骤s10中，“将所述模型输出参量通过知识图谱进行展示”，可以包括：
88.步骤s101，根据预设的火灾风险特征变量、所述火灾风险特征变量对应的中间变量和预设火灾参数，构建知识图谱中的本体以及所述本体之间的关系；
89.步骤s102，基于所述本体和所述本体之间的关系得到知识图谱数据，基于所述知识图谱数据将所述模型输出参量通过知识图谱进行展示。
90.需要说明的是，在本实施例中，使用专业的知识图谱展示工具deepfinder展示结构方程模型的结果。deepfinder工具支持多种知识图谱的导入，支持多元异构数据的导入。知识图谱的构建分为三个步骤，分别是构建本体、构建关系和导入数据。
91.具体地，例如，构建包含原始特征变量、原始特征变量对应的中间变量和预设火灾参数的本体，其中，预设火灾参数包括：火灾数量、人员伤亡和财产损失；基于结构方程模型的知识图谱各节点之间的关系比较单一，在本实施例中节点之间的关系为因果关系，即“导致”，进而，由本体和关系共同构成了知识图谱数据；最终，基于知识图谱数据将模型输出参量通过知识图谱进行展示，结构方程模型的知识图谱如图5所示，为了更清晰的展示模型结论，用知识图谱模拟展示了图4中结构方程模型的输出结果，图5-1为图5的局部展示图，为了更清晰的展示知识图谱模型结论，模拟展示知识图谱，如图5-2所示，其中，在“建筑防火间距——防火墙/门/阀”这对关系中，建筑防火间距对防火墙/门/阀的影响是0；在“消防资金投入——防火墙/门/阀”这对关系中，消防资金投入对防火墙/门/阀的影响系数为0.9，表示消防资金投入越多，防火墙/门/阀的安全性越高；在“消防安全常识教育——用电器故障隐患”这对关系中，消防安全常识教育对用电器故障隐患的影响系数是-0.9，表示消防安全教育越多，用电器故障隐患越少。
92.进一步地，所述火灾风险评估方法，还包括：
93.步骤s20，确定动态火灾发展影响参数，并基于所述动态火灾发展影响参数的状态和所述路径系数，通过动态贝叶斯网络得到火灾演变趋势概率；
94.终端设备需要预先结合业务专家知识和消防专业知识，确定火灾动态演化的不同阶段及其动态火灾发展影响参数，并结合火灾风险结构方程模型的模型输出参量中的路径
系数，通过动态贝叶斯网络确定火灾演变趋势概率。
95.进一步地，上述步骤s20中，“确定动态火灾发展影响参数，并基于所述动态火灾发展影响参数和所述路径系数，通过动态贝叶斯网络得到火灾演变趋势概率”，可以包括：
96.步骤s201，确定动态火灾发展影响参数，并根据所述路径系数确定所述动态火灾发展影响参数的条件概率；
97.步骤s202，基于所述动态火灾发展影响参量的火灾发展阶段主框架和所述条件概率，通过动态贝叶斯网络得到火灾演变趋势概率。
98.结合业务专家知识和消防专业知识，确定火灾动态演化的不同阶段及其影响因素确定包含起火、火势增长、火势蔓延和烟气传播、蔓延至邻近建筑物、火灾导致人员撤离、财产损失等参数的动态火灾发展影响参量，并根据火灾风险结构方程模型输出的路径系数确定各个动态火灾发展影响参量的条件概率，同时构建包含各个动态火灾发展影响参量的火灾发展框架，根据该火灾发展框架和各个动态火灾发展影响参量的条件概率，通过动态贝叶斯网络得到火灾演变趋势概率。
99.具体地，例如，在确定包含起火、火势增长、火势蔓延和烟气传播、蔓延至邻近建筑物、火灾导致人员撤离、财产损失等参量的动态火灾发展影响参量后，通过不断迭代构建火灾发展阶段主框架，如图6所示，箭头代表了每个阶段的主要影响参数，方向由“因”指向“果”，以基于该火灾发展阶段主框架进一步确定火灾演变趋势概率。
100.需要说明的是，在本实施例中，通过火灾风险结构方程模型的模型输出参量中的路径系数确定动态贝叶斯网络的条件概率，相比于现有技术中通过层次分析法或者专家经验来设置条件概率的方法，本发明采用结构方程的路径系数来支撑动态贝叶斯网络的条件概率，能够更加准确的反应特征变量间的关系，减少了后续模型调优的难度。
101.步骤s30，基于所述火灾演变趋势概率、预设的动态火灾评估指标体系和预设专家知识得到动态火灾评估网络，以通过所述动态火灾评估网络对火灾进行风险量化评估。
102.需要说明的是，在本实施例中，在基于动态火灾评估指标体系构建动态火灾评估网络之前，需要预先构建动态火灾评估指标体系，如图7所示，在该动态火灾评估指标体系中，包含了大量与火灾发展相关的基础特征变量和中间特征变量，基于基础特征变量、中间特征变量以及各特征变量之间的关系构建动态火灾评估指标体系，得到的动态火灾评估网络如图8所示。
103.具体地，例如，如图8-1所示，以a32(消防有效性)节点为例进行参数设计动态火灾评估网络，在图8-1中，节点a32(消防有效性)条件概率如图9所示，a26有两个状态，high代表消防力量数量多，low代表消防力量质量好；同理可得a40节点、a32节点相应含义。p(a32/a26,a40)代表a26、a40同时发生的条件下，a32节点发生的概率。对于表格中p(a32/a26,a40)概率每一行相加的概率和是1。
104.在本实施例中，终端设备首先构建火灾风险结构方程模型，进一步对该火灾风险结构方程模型进行训练，并得到模型输出结果，为了增加了可视化程度，将模型输出结果通过知识图谱进行展示，同时从模型输出参量中获取路径系数。结合业务专家知识和消防专业知识，确定火灾动态演化的不同阶段及其影响因素确定包含起火、火势增长、火势蔓延和烟气传播、蔓延至邻近建筑物、火灾导致人员撤离、财产损失等参数的动态火灾发展影响参量，并根据火灾风险结构方程模型输出的路径系数确定各个动态火灾发展影响参量的条件
概率，同时构建包含各个动态火灾发展影响参量的火灾发展框架，根据该火灾发展框架和各个动态火灾发展影响参量的条件概率，通过动态贝叶斯网络得到火灾演变趋势概率。基于火灾演变趋势概率、动态火灾评估指标体系和预设专家知识得到动态火灾评估网络，以通过所述动态火灾评估网络对火灾进行风险量化评估。
105.在本发明中，采用多源异构数据为火灾风险特征变量进行打分，并基于火灾风险特征变量构建火灾风险结构方程模型，同时基于火灾风险结构方程模型输出的路径系数确定各个动态火灾发展影响参量的条件概率，以基于该条件概率和动态火灾发展影响参量，通过动态贝叶斯网络得到火灾演变趋势概率，最终得到动态火灾评估网络，因此，本发明基于多源异构数据能够更全面的建立特征变量的数值信息库，提高模型评估结果的准确性；利用知识图谱来展示结构方程模型分析结果，丰富了展示效果，能够更直观的看到特征变量间的影响关系；利用火灾风险结构方程模型的路径系数来支撑动态贝叶斯网络的条件概率，能够更加准确的反应特征变量间的关系，减少了后续模型调优的难度。进而，本发明实现了高效的火灾风险量化评估。
106.进一步地，基于上述本发明火灾风险评估方法的第一实施例，提出火灾风险评估方法的第二实施例。
107.在本实施例中，上述步骤s10中，“构建火灾风险结构方程模型”，可以包括：
108.步骤s103，基于所述火灾风险特征变量构建火灾风险结构方程模型。
109.需要说明的是，在本实施例中，通过咨询专家和查阅文档等手段，基于火灾风险特征变量构建火灾风险结构方程模型。在该火灾风险结构方程模型中，展示火灾风险特征变量与中间特征变量的关系、火灾风险特征变量之间的关系及其对火灾数量、人员伤亡、经济损失的影响。
110.具体地，例如，如图10所示，终端设备在确定火灾风险特征变量和中间特征变量后，将基于火灾风险特征变量和中间特征变量得到特征变量之间的相互影响以及各特征变量对人员伤亡、火灾数量和财产损失的影响，完成对火灾风险结构方程模型的构建。
111.另外，在本实施例中，结构方程模型核心算法的计算逻辑为：
112.x＝λx
·
ξ δ
113.y＝λy
·
η ε
114.其中，x表示由外生指标组成的向量，y表示由内生指标组成的向量；λx表示外生指标与外生潜变量之间的关系；λy表示内生指标与内生潜变量之间的关系；δ表示示外生指标x的误差项；ε表示内生指标y的误差项；η表示内因潜变量；ξ表示外因潜变量。
115.进一步地，在上述步骤s10，“构建火灾风险结构方程模型”之后，以及“对所述火灾风险结构方程模型进行训练得到模型输出参量”之前，还包括：
116.步骤s40，将预设的多源异构数据导入所述火灾风险结构方程模型，以根据所述多源异构数据对所述火灾风险特征变量进行打分，其中，所述多源异构数据包括：数值、图片、视频、excel、pdf和word。
117.需要说明的是，在本实施例中，提取多元异构数据来作为特征变量打分依据之一，以基于多源异构数据建立更全面的火灾风险特征变量的数值信息库，进而提高模型评估结果的准确性。
118.具体地，例如，在本实施例中结构方程模型所使用的多源异构数据包括数值、图
片、视频、excel、pdf和word等六种。对于数值型数据的处理，主要使用数据清洗和特征工程两种技术，纳入结构方程模型；对于excel数据直接提取信息并纳入结构方程模型；对于图片、pdf、视频数据，首先采用光学字符识别(ocr)技术，将原始信息转化为数值型数据，然后对数值型数据进行去噪和特征工程技术，整理成规范干净的数据纳入结构方程模型；对于word数据主要使用自然语义处理(nlp)技术，提取火灾事故调查的相关信息，纳入结构方程模型。
119.进一步地，上述步骤s10中，“对所述火灾风险结构方程模型进行训练得到模型输出参量”，可以包括：
120.步骤s103，针对所述灾风险结构方程模型进行模型识别、模型估计和模型评价得到模型输出参量，以完成对所述火灾风险结构方程模型的训练。
121.模型训练的过程包括模型设定、模型识别、测量、参数估计、模型修改、拟合优度评估和模型评估共7个步骤，如图11所示，在本实施例中使用python3去对结构方程模型进行训练，训练过程的部分代码如图12所示，并在训练完成后得到结构方程模型的输出结果，
122.进一步地，在上述步骤s30，“基于所述火灾演变趋势概率、预设的动态火灾评估指标体系和预设专家知识得到动态火灾评估网络”之后，还包括：
123.步骤s50，通过预设测试数据对所述动态火灾评估网络进行评测，并将评测后的动态火灾评估网络通过知识图谱进行展示。
124.在通过火灾演变趋势概率、动态火灾评估指标体系和预设专家知识得到动态火灾评估网络后，将进一步根据预设测试数据对动态火灾评估网络进行评测，以确定该动态火灾评估网络是否能够应用于实际火灾评估。
125.具体地，例如，在本实施例中使用深圳市179个老旧小区住宅测试了模型结果。如图13所示，测试数据来源于深圳市179个老旧小区住宅进行人工填入相关特征变量评价分数，每一个单元格取值1-10。将上述测试数据动态接入小区的前54列特征库进行动态火灾评估网络的相关节点的起火概率预测；运行贝叶斯网络python程序即可动态推理出起火、火势增长、火灾蔓延与烟气传播、火灾导致人员撤离、蔓延至相邻建筑物、财产损失、人员伤亡等节点的起火概率，测试结果如图14所示，实际起火小区为[0,2,27,38,86,87,118,119,123,126,129,140,141,153,166,167]，而预测起火小区为[0,2,27,56,86,87,118,119,123,126,129,141,153,166,178]，预测结果正确的起火小区包括：[0,2,27,86,118,119,123,126,129,141,153,167]，此时，此次评测的精确率为0.8125，召回率为0.8125，f1分数为0.8125，且auc(用于二分类模型的评价指标，auc为roc曲线下方的面积)为0.9225460122699387，可见，本实施例中构建的动态火灾评估网络能够对火灾进行精准预测。
[0126]
进而，将评测后的动态火灾评估网络通过知识图谱进行展示，包括构建本体、构建关系以及导入知识图谱平台。如图15所示，本体包括用电量、短路隐患、接触不良、漏电隐患和接触不良等火灾因子节点，将个节点发生概率初始值默认为0.5；对于火灾中的关系比较简单，是单纯的“导致”关系，如图16所示，在知识图谱展示平台中火灾因子的关系为“causes”，构建的火灾因子关系如图17所示，火灾因子节点的关系包括：用电量causes线路故障、短路隐患causes线路故障以及接触不良causes线路故障等关系；将上述过程建立的动态火灾评估网络导入知识图谱展示平台，如图18所示，图18为将动态火灾评估网络导入
知识图谱展示平台的整体示意图，图18-1和图18-2为局部示意图，可见，两图中展示了当节点“可燃物”概率由0.2上升到0.6时，“起火”节点概率由0.2上升到0.3，整个基于动态火灾评估网络的知识图谱支持火灾发展中动态评估各个节点的概率。
[0127]
在本实施例中，通过咨询专家和查阅文档等手段，基于火灾风险特征变量构建火灾风险结构方程模型。提取多元异构数据来作为特征变量打分依据之一，以基于多源异构数据建立更全面的火灾风险特征变量的数值信息库，进而提高模型评估结果的准确性。在通过火灾演变趋势概率、动态火灾评估指标体系和预设专家知识得到动态火灾评估网络后，将进一步根据预设测试数据对动态火灾评估网络进行评测，以确定该动态火灾评估网络是否能够应用于实际火灾评估，并将评测后的动态火灾评估网络通过知识图谱进行展示。
[0128]
本发明通过模型推理对火灾风险进行量化评估，可以实现对风险的量化，满足了对火灾动态风险评估的要求，为当前消防建设提供了重要的模型支撑。
[0129]
此外，本发明实施例还提出一种火灾风险评估系统，参照图19，图19为本发明火灾风险评估一实施例的功能模块示意图。如图19所示，本发明火灾风险评估系统，包括：
[0130]
获取模块，用于构建火灾风险结构方程模型，对所述火灾风险结构方程模型进行训练得到模型输出参量，将所述模型输出参量通过知识图谱进行展示，并获取所述模型输出参量中的路径系数；
[0131]
确定模块，用于获取动态火灾发展影响参量，并基于所述动态火灾发展影响参量和所述路径系数，通过动态贝叶斯网络确定火灾演变趋势概率；
[0132]
得到模块，用于基于所述火灾演变趋势概率、预设的动态火灾评估指标体系和预设专家知识得到动态火灾评估网络，以通过所述动态火灾评估网络对火灾进行风险量化评估。
[0133]
进一步地，所述获取模块，包括：
[0134]
第一构建单元，用于根据预设的火灾风险特征变量、所述火灾风险特征变量对应的中间变量和预设火灾参数，构建知识图谱中的本体以及所述本体之间的关系；
[0135]
展示单元，用于根据所述本体和所述本体之间的关系将所述模型输出参量通过知识图谱进行展示。
[0136]
进一步地，所述确定模块，包括：
[0137]
确定单元，用于确定动态火灾发展影响参量，并根据所述路径系数确定所述动态火灾发展影响参量的条件概率；
[0138]
得到单元，用于基于所述动态火灾发展影响参量的火灾发展阶段主框架和所述条件概率，通过动态贝叶斯网络得到火灾演变趋势概率。
[0139]
进一步地，所述获取模块，还包括：
[0140]
第二构建单元，用于基于所述火灾风险特征变量构建火灾风险结构方程模型。
[0141]
进一步地，所述火灾风险评估系统，还包括：
[0142]
打分模块，用于将预设的多源异构数据导入所述火灾风险结构方程模型，以根据所述多源异构数据对所述火灾风险特征变量进行打分，其中，所述多源异构数据包括：数值、图片、视频、excel、pdf和word。
[0143]
进一步地，所述火灾风险评估系统，还包括：
[0144]
测评单元，用于通过预设测试数据对所述动态火灾评估网络进行评测，并将评测后的动态火灾评估网络通过知识图谱进行展示。
[0145]
进一步地，所述获取模块，还包括：
[0146]
训练模块，用于针对所述灾风险结构方程模型进行模型识别、模型估计和模型评价得到模型输出参量，以完成对所述火灾风险结构方程模型的训练。
[0147]
本发明火灾风险评估系统的各个功能模块的具体实施方式与上述火灾风险评估方法各实施例基本相同，在此不做赘述。
[0148]
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有火灾风险评估程序，所述火灾风险评估程序被处理器执行时实现如上所述的火灾风险评估方法的步骤。
[0149]
本发明火灾风险评估系统和计算机可读存储介质的各实施例，均可参照本发明火灾风险评估方法各个实施例，此处不再赘述。
[0150]
此外，本发明实施例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，所述计算机程序被处理器执行时实现如以上火灾风险评估方法的任一项实施例所述的火灾风险评估方法的步骤。
[0151]
本发明计算机程序产品的具体实施例与上述火灾风险评估方法的各实施例基本相同，在此不作赘述。
[0152]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0153]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0154]
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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可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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0155]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。