基于城市公共基础设施运行的决策案例精化方法及系统与流程

1.本发明涉及公共基础设施决策案例精化的技术领域，具体地，涉及一种基于城市公共基础设施运行的决策案例精化方法及系统。


背景技术：

2.城市信息化、城市体征监控建设过程中对城市公共基础设施的运行需要进行非常多的决策案例进行设计、整合、处置，最终达到闭环，使城市发生各种类型的事件都能及时、快速、精准的进行告警并处置，以此来提升城市治理效率和保障城市安全。那么涉及到的诸如消防、城运、交通等等如此之多的公共基础设施运行的决策案例则需要大量的人力去参考政策法规、参考行业规范等进行定义、规范和制定，其复杂性和低效率是较为核心的痛点。在此背景下智能化的决策案例生产方式显得颇为迫切。智慧城市建设的高速发展，将智能化的能力赋能到城市公共管理活动有着良好的发展前景，在此基础上产生了很多应用需求。
3.公开号为cn113988677a的中国发明专利文献公开了一种基于智慧城市规划一体化城市规划决策支持系统，包括：数据采集模块、数据验证模块、文件管理模块、数据编辑模块、城市三维模型构建模块、规划目标确定模块、城市资源确定模块、规划分析模块、参考图生成模块、校验模块、评价模块、结果输出模块、数据管理模块、数据查询模块。
4.针对上述中的相关技术，发明人认为城市公共基础设施的运行中决策案例定义及制定复杂。


技术实现要素：

5.针对现有技术中的缺陷，本发明的目的是提供一种基于城市公共基础设施运行的决策案例精化方法及系统。
6.根据本发明提供的一种基于城市公共基础设施的决策案例精化方法，包括如下步骤：
7.知识图谱精化步骤：精化知识图谱；
8.决策案例精化步骤：基于精化的知识图谱对城市公共基础设施的决策案例进行精化。
9.优选的，所述知识图谱精化步骤包括如下步骤：
10.缺失知识补充步骤：基于众包的知识图谱缺失进行知识挖掘补充；
11.知识图谱纠错步骤：基于众包的知识图谱进行纠错；
12.众包质量控制步骤：基于众包过程中的质量控制。
13.优选的，在所述缺失知识补充步骤中，对常识性知识和衍生性知识进行基于众包的知识图谱缺失知识挖掘：
14.对于常识性知识，面向推理任务的常识性知识收集，通过自然语言处理将常识性知识转化成知识图谱中的知识，同时，选择问题抛给众包；选择问题包括：选择机器与人工
推理具有预定偏差的领域、问题覆盖预定知识点以及问题之间具有预定重叠；
15.对于衍生性知识，基于歧义消解的衍生性知识补充：将推理过程中的关联实体，连同关联实体所在的源知识一起呈现到众包面前，使众包根据源知识判断关联实体的语义是否一致；如果不一致，说明推理不正确，若整条推理链中的关联实体语义一致，接受推理结果；将机器预定部分给众包完成。
16.优选的，所述知识图谱纠错步骤包括如下步骤：
17.基于深度语义的错误知识定位步骤：对于基于深度语义的错误知识定位，通过算法找出疑似出错点给众包辨别知识是否出错，定位筛选出深层语义错误；采用定义深度语义依赖规则筛选错误；在知识图谱中应用深度语义依赖规则，采用查询处理算法，找到疑似错误点；
18.众包问题建立步骤：将预定错误的知识整理成众包问题发布；在投向众包前，通过预先判断的机制、可信度判断来判断知识是否出错；
19.众包纠错扩散步骤：对于众包纠错扩散，当收到众包反馈后，将原先错误的知识删除，并增添纠正过的知识。
20.优选的，所述众包质量控制步骤包括如下步骤：
21.用户专长建模步骤：判断出用户擅长的问题；
22.用户任务分配步骤：针对主动众包模型，判断分配精化任务能得到满意结果的用户；
23.最终答案推断步骤：当用户的反馈不一致时，推理出预定答案。
24.优选的，所述众包质量控制还包括阶段步骤：
25.众包前的质量控制步骤，任务发包之前制定好任务设计策略和激励分配策略；
26.众包过程中的质量控制步骤：众包过程中通过制定过程提高众包任务完成的质量；
27.众包后的质量控制步骤：在获得用户返回的答案后综合推断出结果。
28.根据本发明提供的一种基于城市公共基础设施的决策案例精化系统，包括如下模块：
29.知识图谱精化模块：精化知识图谱；
30.决策案例精化模块：基于精化的知识图谱对城市公共基础设施的决策案例进行精化。
31.优选的，所述知识图谱精化模块包括如下模块：
32.缺失知识补充模块：基于众包的知识图谱缺失进行知识挖掘补充；
33.知识图谱纠错模块：基于众包的知识图谱进行纠错；
34.众包质量控制模块：基于众包过程中的质量控制。
35.优选的，在所述缺失知识补充模块中，对常识性知识和衍生性知识进行基于众包的知识图谱缺失知识挖掘：
36.对于常识性知识，面向推理任务的常识性知识收集，通过自然语言处理将常识性知识转化成知识图谱中的知识，同时，选择问题抛给众包；选择问题包括：选择机器与人工推理具有预定偏差的领域、问题覆盖预定知识点以及问题之间具有预定重叠；
37.对于衍生性知识，基于歧义消解的衍生性知识补充：将推理过程中的关联实体，连
同关联实体所在的源知识一起呈现到众包面前，使众包根据源知识判断关联实体的语义是否一致；如果不一致，说明推理不正确，若整条推理链中的关联实体语义一致，接受推理结果；将机器预定部分给众包完成。
38.优选的，所述知识图谱纠错模块包括如下模块：
39.基于深度语义的错误知识定位模块：对于基于深度语义的错误知识定位，通过算法找出疑似出错点给众包辨别知识是否出错，定位筛选出深层语义错误；采用定义深度语义依赖规则筛选错误；在知识图谱中应用深度语义依赖规则，采用查询处理算法，找到疑似错误点；
40.众包问题建立模块：将预定错误的知识整理成众包问题发布；在投向众包前，通过预先判断的机制、可信度判断来判断知识是否出错；
41.众包纠错扩散模块：对于众包纠错扩散，当收到众包反馈后，将原先错误的知识删除，并增添纠正过的知识。
42.与现有技术相比，本发明具有如下的有益效果：
43.1、本发明解决城市公共基础设施的运行中决策案例定义及制定复杂的问题；
44.2、本发明解决城市公共基础设施的运行中决策案例定义低效率的问题，有效提高城市公共基础设施运行决策案例的产生效率；
45.3、本发明有效提高城市公共基础设施运行决策的准确度。
附图说明
46.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
47.图1为基于众包理论的知识图谱精化技术图；
48.图2为基于歧义消解的衍生性知识补充原理图。
具体实施方式
49.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
50.本发明实施例公开了一种基于城市公共基础设施运行的决策案例精化方法，如图1和图2所示，包括如下步骤：知识图谱精化步骤：精化知识图谱；决策案例精化步骤：基于精化的知识图谱对城市公共基础设施的决策案例进行精化。
51.知识图谱是一种强大的知识引擎。为了保证知识的覆盖度，使用基于数据驱动的方式从互联网中自动爬取知识是目前知识图谱构建的主要方法。然而由于知识的长尾效应和数据处理能力的限制，目前大型知识图谱都存在覆盖度与精确度上的不足，因此，知识图谱的精化已成为目前知识图谱领域的研究重点、难点和热点。在本发明中，我们采用众包方法为知识图谱进行精化，包括缺失知识的补充和错误知识的纠正，主要包括：基于众包的知识图谱缺失知识和错误知识的定位、面向知识图谱精化的众包问题设计、众包反馈的质量控制等。图1描述了本发明采用的知识图谱精化研究方案。
52.5.1基于众包的知识图谱缺失知识挖掘：
53.众包所擅长挖掘的长尾知识可以分为两类：(1)常识性知识，这一类知识往往是被作为知识推理中的源知识，不能由其他知识反向推理衍生而出，而且常识性知识是推理任务中不可或缺的部分。(2)衍生性知识，即由知识图谱内的其他源知识推理衍生而出的新知识。
54.对于常识性知识，本发明提出一种面向具体推理任务的常识性知识收集方法。这里，需要研究合适的自然语言处理方法将它转化成知识图谱中的知识。同时，为了节省众包资源，需要仔细斟酌哪些问题可以抛给众包，选择的原则包括：尽量选择机器与人工推理偏差较大的领域；问题所覆盖的知识点不能太多也不能太少；问题之间的重叠不能太多等。因此，在本发明中需要引导性问题的评价模型。
55.对于衍生性知识，目前最大的问题在于推理环节中涉及的实体具有二义性。本发明研究基于歧义消解的衍生性知识补充(如图2所示)。具体来说，就是将推理过程中的关联实体，连同它们所在的源知识一起呈现到众包面前，让后者根据这些源知识判断其中的关联实体的语义是否一致。如果不一致，就说明这条推理不正确，只有整条推理链中的关联实体语义上都一致，推理结果才可以接受。同样，只有将机器最不确定的部分让众包完成才可以节省众包资源。本发明对于其他常见关系的判断方式，筛选出需要向众包提问释义的推理链实体。
56.5.2基于众包的知识图谱纠错算法：
57.知识图谱纠错的研究主要分为三个步骤：(1)基于深度语义的错误知识定位；(2)众包问题设计；(3)众包纠错扩散。通过知识图谱纠错算法可以提高知识图谱质量。
58.对于基于深度语义的错误知识定位，由于知识图谱中知识总量庞大，不可能把所有知识都呈现给众包纠错，通过算法找出疑似出错点让众包辨别知识是否出错。在这一步骤中需要着重研究如何定位筛选出这一类深层语义错误。本发明采用定义深度语义依赖规则的方式来筛选这一类错误。然而，要在大规模的知识图谱中应用深度语义依赖规则，需要一种高效的查询处理算法实现，如上面例子中找到带环的传递性关系是一个np-hard的问题，如何高效地找到疑似错误点，将是本项研究中的重点。查询处理算法举例：可通过标准化查询语言sparql实现。由于知识图谱以三元组的形式存储，这些三元组可以直接用关系型数据库中的关系表存储，然后把sparql查询转换成sql查询，从而利用关系型数据库实现sparql查询。
59.众包问题设计，由机器对所有实体对进行匹配分析，计算他们的相似度，对于模棱两可的实体对，通过众包问题生成策略产生众包任务，并交予众包平台。待众包结果返回后，经过验证分析，如果仍然存在疑似错误的匹配，则需循环抛给众包平台，继续完成实体对齐任务，直至所有疑似错误都被消除。对于众包问题设计，即使定位到错误，也不能直接将错误中牵涉的所有知识呈现给众包，这样做可能会分散众包的注意力，从而导致需要更多的金钱和时间开销。应该将最有可能错误的知识整理成众包问题发布。然而，在投向众包以前，系统并不知道哪一条知识更容易出错，因此需要预先判断的机制和其他重要关系的可信度判断方法。另外，有一些知识可能被多个冲突涵盖，因此对每条知识众包纠错的收益并不相同，在生成问题时需要同时考虑这种收益。
60.对于众包纠错扩散，当收到众包反馈以后，需要将原先错误的知识删除，并增添纠
正过的知识。本发明采用基于深度语义的错误知识定位中的高效定位方法判断是否会有新的冲突产生。
61.5.3众包质量控制：
62.众包的工作方式。可以帮助任务需求者获得大量自由工作者(worker)，通过利用这些工作者的智慧解决实际问题.然而，有的众包工作者为了使自己的利益最大化，没有认真地为任务需求者工作，所提交的结果质量低下，违背了需求者发布任务的初衷，甚至产生了适得其反的结果，然而，准确识别出欺骗类型的工作者是一项具有挑战性的工作，而且识别欺骗类型工作者的过程，也需要任务需求者投入大量时间，众包虽然使得我们比以前更容易收集到大规模的数据，但是如果关心数据的质量，则必须考虑质量控制问题。
63.针对知识图谱精化这一任务，众包的质量控制主要设立在这三个层面：(1)用户专长建模，即判断出某一用户具体对哪一类问题擅长；(2)用户任务分配，即针对主动众包模型，判断某一精化任务应该分配给哪些用户能得到满意的结果；(3)当用户的反馈不一致时，推理出最合理的答案。
64.众包质量控制方法根据众包前中后三个阶段分为如下三类。
65.1)众包前的质量控制，主要是任务发包之前制定好任务设计策略和激励分配策略。
66.众包前的质量控制主要关注如何更合理地分配众包任务和激励。本发明提出了一种基于问题难度的不均衡工人分配策略，即事先对众多任务的难易程度做出预判，再根据难易程度分配工人的数量(越难的任务分配越多的工人)。
67.众包系统常用的激励机制有以下四种：名誉度：类似于游戏的等级制度，是一种虚拟的奖励，在有些系统中，某些等级就代表某种特权。快感：基于游戏的隐式众包常常采用的激励机制，让工人从游戏中获得快感，同时完成众包任务。金钱激励：目前众包平台中采用得最多的激励机制社交影响，利用社交需求激励工人参与众包任务，并让其在社交网络中受到关注。
68.2)众包过程中的质量控制，是指在众包过程中通过设计一些精细的过程提高众包任务完成的质量。
69.众包过程中的质量控制的目的是防止众包工人不认真完成任务而出现质量问题。本发明采用回溯法剔除只为获得奖励而胡乱完成任务的工人，它会在任务中不定时向工人提问“前一道任务的关键字是什么”这一类问题。此外，本发明还在任务中插入一些已经知道标准答案的任务，如果工人在这些任务上返回了一定量的错误结果，其就会被剔除。
70.3)众包后的质量控制，是指在获得工人返回的答案后综合推断出真实的结果。
71.众包后的质量控制主要关注从众多众包答案中推断出真实的结果。具体来说，就是将同一任务同时发给了多个工人，得到冗余结果，再根据一系列的概率模型计算、推断出真实的结果。本发明采用众数投票的结果聚合方法，将结果中出现最多的答案当作最终结果。
72.为了获得更加准确的聚合结果，可从众包任务中噪声来源的角度(例如，标注者的投入程度、标注者的专业程度、标注者潜意识的正确与否和标注任务本身的难度)出发，对标注结果进行质量评估后再进行聚合；也可借助隐马尔可夫模型聚合带有序列属性的众包答案，从而得到最佳的标注结果，并在此基础上，在众多普通标注者的标注结果中，提取其
公有的部分以使得最终结果接近专家标注。即提出一种对抗网络模型，在模型中分别学习标注者的公有信息和属于不同标注者的私有信息，同时以判别不同标注者作为目标进行对抗式学习，从而提高公有模块的学习质量，使其收敛于专家标注的数据分布。
73.责任部门对城市公共基础设施运行的决策案例需求量大，且对决策案例复杂度要求较高，可通过基于知识图谱精化方法，提升决策案例的精准度。
74.该方法的出现对城市信息化、体征化建设的效率提高非常关键，因此针对城市公共基础设施的运行决策案例库去创造一套知识图谱决策案例精化方法应运而生。
75.对城市公共基础设施运行态势监测，重点在于预防设施潜在的危险状况，将公共设施实时运行数据以及可能发生的情况，预先转化成知识规则，基于这个知识库，监测基础设施的运行状况，在情况变化时计算出潜在的风险。基于知识图谱精化方法，实现高覆盖、高精准率，实现对城市公共设施运行态势监测，能够更好的整合分析城市多源异构数据，完整描述事件之间的深度关联，提供公共基础设施运行的决策能力。
76.本发明基于众包的知识图谱缺失知识挖掘：众包所擅长挖掘的长尾知识可以分为两类：(1)常识性知识，(2)衍生性知识。本发明基于众包的知识图谱纠错算法：知识图谱纠错的研究主要分为三个步骤：(1)基于深度语义的错误知识定位；(2)众包问题设计；(3)众包纠错扩散。本发明基于众包质量控制：众包质量控制包括：(1)用户专长建模，即判断出某一用户具体对哪一类问题擅长；(2)用户任务分配，即针对主动众包模型，判断某一精化任务应该分配给哪些用户能得到满意的结果；(3)当用户的反馈不一致时，推理出最合理的答案。
77.本发明还提供一种基于城市公共基础设施的决策案例精化系统，所述基于城市公共基础设施的决策案例精化系统可以通过执行所述基于城市公共基础设施的决策案例精化方法的流程步骤予以实现，即本领域技术人员可以将所述基于城市公共基础设施的决策案例精化方法理解为所述基于城市公共基础设施的决策案例精化系统的优选实施方式。
78.该系统包括如下模块：
79.知识图谱精化模块：精化知识图谱。
80.知识图谱精化模块包括如下模块：
81.缺失知识补充模块：基于众包的知识图谱缺失进行知识挖掘补充。对常识性知识和衍生性知识进行基于众包的知识图谱缺失知识挖掘。对于常识性知识，面向推理任务的常识性知识收集，通过自然语言处理将常识性知识转化成知识图谱中的知识，同时，选择问题抛给众包；选择问题包括：选择机器与人工推理具有预定偏差的领域、问题覆盖预定知识点以及问题之间具有预定重叠；对于衍生性知识，基于歧义消解的衍生性知识补充：将推理过程中的关联实体，连同关联实体所在的源知识一起呈现到众包面前，使众包根据源知识判断关联实体的语义是否一致；如果不一致，说明推理不正确，若整条推理链中的关联实体语义一致，接受推理结果；将机器预定部分给众包完成。
82.知识图谱纠错模块：基于众包的知识图谱进行纠错。知识图谱纠错模块包括如下模块：基于深度语义的错误知识定位模块：对于基于深度语义的错误知识定位，通过算法找出疑似出错点给众包辨别知识是否出错，定位筛选出深层语义错误；采用定义深度语义依赖规则筛选错误；在知识图谱中应用深度语义依赖规则，采用查询处理算法，找到疑似错误点。众包问题建立模块：将预定错误的知识整理成众包问题发布；在投向众包前，通过预先
判断的机制、可信度判断来判断知识是否出错。众包纠错扩散模块：对于众包纠错扩散，当收到众包反馈后，将原先错误的知识删除，并增添纠正过的知识。
83.众包质量控制模块：基于众包过程中的质量控制。
84.决策案例精化模块：基于精化的知识图谱对城市公共基础设施的决策案例进行精化。
85.本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
86.以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。