[发明专利]一种基于个体复杂关系的监管场所安全预警方法及装置

说明书

本发明公开了一种基于个体复杂关系的监管场所安全预警方法及装置，在时间窗口内获取所有个体时间快照，采用CNN卷积神经网络进行时间信息融合，采用第一GCN图神经网络获取个人之间关系矩阵和时间个体信息表示矩阵，融合了空间的风险，使得具有空间相似性的个体，相互协同学习，学习得到的权重矩阵，能够获取到空间维度的相似性。采用第二GCN图神经网络融合区域和个体的关系，使得风险指数从个体过度到区域。采用第三GCN图神经网络通过整体和区域的关系将区域的风险信息融合到整体风险中，来预测出下一个时间周期的整体风险。本发明技术方案融合了多种关系，能够准确预测整体风险。

技术领域

本申请属于安全生产技术领域，尤其涉及一种基于个体复杂关系的监管场所安全预警方法及装置。

背景技术

安全一直是生产及社会安定的重要环节，不注重安全，往往会带来巨大的代价。安全不仅仅体现在安全生产，还体现在社会生活的方方面面，例如消防安全、交通安全、危险品处理、治安、踩踏事件等等。如何预警并消除安全隐患，一直是重中之重。

然而，目前的安全防范，往往注重单方面的安全检查和风险防范，而忽视了广泛范围内多种因素结合的安全预警和防范。

发明内容

本申请的目的是提供一种基于个体复杂关系的监管场所安全预警方法及装置，通过监管场所内个体的复杂关系来预测整个监管场所的安全风险。

为了实现上述目的，本申请技术方案如下：

一种基于个体复杂关系的监管场所安全预警方法，所述监管场所包括K个区域及分布在各个区域中的个体，所述基于个体复杂关系的监管场所安全预警方法，包括：

获取每个个体的单位时间安全指数值x_d，以D个单位时间为一个时间窗口，生成每个个体在时间窗口t内的时间快照将所有个体的时间快照组合为对应的个体安全矩阵其中N为个体的数量；

将T个时间窗口的个体安全矩阵输入到预先构建的CNN卷积神经网络模型，获得时间信息嵌入表示矩阵X¹；

将时间信息嵌入表示矩阵X¹输入到预先构建的第一GCN图神经网络模型，获得个体之间关系矩阵A₁∈R^N×N和时间个体信息表示矩阵X²∈R^N×D×T：

获取个体与区域关系矩阵A₂∈R^N×K，其中K为区域数量，将所述关系矩阵A₂∈R^N×K和时间个体信息表示矩阵X²∈R^N×D×T一起输入到第二GCN图神经网络模型，获得区域安全表示矩阵X³∈R^K×D×T；

获取区域关系矩阵A₃∈R^K×1，将所述区域关系矩阵A₃和区域安全表示矩阵X³∈R^K×D×T一起输入第三GCN图神经网络模型，预测出下一时间周期的整体安全向量

进一步的，所述T个时间窗口的个体安全矩阵表示为X⁰，t属于{0，1，...，T}，所述CNN卷积神经网络模型数学表达式如下：

X¹＝σ₀(X⁰*q)

其种σ₀是激活函数，q是卷积核。

进一步的，所述第一GCN图神经网络模型数学表达式如下：