Nothing Special   »   [go: up one dir, main page]

CN117952485B - 一种基于数字孪生的社区应急方法、装置及介质 - Google Patents

一种基于数字孪生的社区应急方法、装置及介质 Download PDF

Info

Publication number
CN117952485B
CN117952485B CN202410174226.7A CN202410174226A CN117952485B CN 117952485 B CN117952485 B CN 117952485B CN 202410174226 A CN202410174226 A CN 202410174226A CN 117952485 B CN117952485 B CN 117952485B
Authority
CN
China
Prior art keywords
emergency
target
deduction
community
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410174226.7A
Other languages
English (en)
Other versions
CN117952485A (zh
Inventor
李雄
熊宇涵
倪晓升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202410174226.7A priority Critical patent/CN117952485B/zh
Publication of CN117952485A publication Critical patent/CN117952485A/zh
Application granted granted Critical
Publication of CN117952485B publication Critical patent/CN117952485B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于数字孪生的社区应急方法、装置及介质，方法包括：基于目标数据构建数字孪生模型，通过历史数据训练数字孪生模型生成推演模型；设置决策初始条件并输入至推演模型进行多分支推演仿真生成预推演结果；当目标社区发生突发情况时判断突发情况与各预推演结果对应的初始情况是否一致，若一致则选取一致的预推演结果作为目标推演结果；若不一致则确定突发情况的影响范围以确定目标推演结果；根据结构组分、目标推演结果和预设评价指标确定目标应急链路，最后生成并输出社区应急处理指令。本发明能够适应动态变化的突发事件并考虑资源分配与居民逃生路线，提供合适且响应实际的应急处理方案，提高全方位资源的统筹性。

Description

一种基于数字孪生的社区应急方法、装置及介质
技术领域
本发明涉及社区应急技术领域，尤其涉及一种基于数字孪生的社区应急方法、装置及介质。
背景技术
现代社区生活人群密度大，应急突发事件的发生可能会对群众人身安全造成威胁，如自然灾害、公共卫生事件、战争、暴乱等。在危急情况下，需要合理分配已有的人力资源以及物资资源，设置合适的人员疏散通道以及相关安保人员与救助资源预分配与再分配，以应对紧急事件的发生，在最短的时间内将突发事件造成的影响降至最低。
在目前的应急处理方法中，大多还是依靠人为经验，这种方法受到个人认知偏差、资源统筹困难以及判断失误等因素的影响，进而导致应急资源出现分配不均衡、逃生通道设置不合理等现象，可能将对社区居民的人身安全造成不可逆转的影响。随着计算机技术的发展，可利用智能算法对现存资源分配与逃生道路分配，但仍无法实时感知社区情况，难以适应动态变化的受灾环境，且输出结果多为数据形式，无法呈现即时且可解释性强的资源分配方案。
同时，目前的社区应急方法多是从单一维度考虑，无法一同统筹考虑民众疏散路线以及后续资源分配问题，这将使得前后资源补给割裂，疏散后群众可能无法得到充足的医疗资源与食物资源。
因此，在社区发生突发事件时，现存社区应急方法难以适应动态变化的突发事件，且提供的社区应急处理方案无法同时满足应急性能、安全性能及统筹性能的要求。
发明内容
本发明提供了一种基于数字孪生的社区应急方法、装置及介质，解决了现存社区应急方法难以适应动态变化的突发事件，且提供的社区应急处理方案无法同时满足应急性能、安全性能及统筹性能的要求的技术问题。
本发明提供的一种基于数字孪生的社区应急方法，方法包括：
获取目标社区的目标数据和历史数据，并基于所述目标数据确定目标社区的结构组分；
基于所述目标数据构建数字孪生模型，通过所述历史数据训练所述数字孪生模型，生成推演模型；
设置多种决策初始条件并输入至所述推演模型进行多分支推演仿真，生成多种预推演结果；由各分支推演仿真对应的决策初始条件和结构组分形成每种预推演结果对应的初始情况；
通过监测设备实时监控目标社区是否发生突发情况，若发生，则判断所述突发情况与所述初始情况是否一致；
若一致，则选取与所述突发情况一致的初始情况对应的预推演结果作为目标推演结果；若不一致，则确定所述突发情况的影响范围，并基于所述影响范围确定目标推演结果；
根据所述结构组分、所述目标推演结果和预设评价指标确定所述突发情况关联的目标应急链路，根据所述目标应急链路生成并输出社区应急处理指令。
优选的，所述目标数据包括社区数据、环境数据和居民数据；所述数字孪生模型的构建步骤，包括：
基于所述社区数据、环境数据和居民数据分别构建数字孪生社区模型、数字孪生环境模型和数字孪生居民分布模型；
将所述数字孪生社区模型、所述数字孪生环境模型和所述数字孪生居民分布模型相互关联，生成数字孪生模型。
优选的，所述若不一致，则确定所述突发情况的影响范围，并基于所述影响范围确定目标推演结果的步骤，包括：
若不一致，基于所述结构组分和所述预推演结果确定所述突发情况的影响范围；
根据所述影响范围从所有所述预推演结果内确定所述突发情况对应的相近预推演结果；
采用推演算法对所述预推演结果进行小范围重推演，生成目标推演结果。
优选的，所述若不一致，基于所述结构组分和所述预推演结果确定所述突发情况的影响范围的步骤，包括：
若不一致，以节点图的形式记录所述结构组分与所述预推演结果的关系；
采用图神经网络对所述节点图进行学习，生成因果相关模型；
通过所述因果相关模型根据所述突发情况确定所述突发情况的影响范围。
优选的，所述采用图神经网络对所述节点图进行学习，生成因果相关模型的步骤，包括：
采用图神经网络学习并更新节点图上各节点的表示向量，并通过函数汇聚节点表示信息，得到所述节点图的图级别的表示向量，其中聚合过程与读出过程分别为：
h＝readout({hi|i∈V})
式中，表示节点i在l层的特征向量；δ为非线性激活函数；Agg为特征向量的聚合函数；Ni为节点i的邻居节点，readout为读出函数，V为节点图上节点集合，h为节点图向量；
让所述节点图的图表示经过多个不同的多层感知机模型与分类器模型，分离出不同的因果特征；所述因果特征表示突发情况的一种初始影响范围的影响特征；
对分离后的因果特征进行重新组合，得到一个干预后的新的图表示，重新估计结构组分和初始影响范围的因果关系；
将不同的因果关系以不同权重汇聚到同一个损失函数，并优化模型的参数，得到与因果特征相关的因果相关模型；
其中，λm表示第m个权重值，m表示分类数量，M表示样本数量，N表示序列个数，yij表示分类真实值，表示分类预测值，下小标表示不同的分类类别。
优选的，所述根据所述结构组分、所述目标推演结果和预设评价指标确定突发情况关联的目标应急链路，并根据所述目标应急链路生成并输出社区应急处理指令的步骤，包括：
根据所述结构组分和所述目标推演结果构建目标社区的应急网络；
基于预设评价指标设置相应的优先等级，按照预设评价指标的优先等级从所述应急网络内提取所述突发情况关联的目标应急链路；
根据所述目标应急链路生成并输出用于指导社区居民进行逃生路线选择和资源分配的社区应急处理指令。
优选的，所述根据所述结构组分和所述目标推演结果构建目标社区的应急网络的步骤，包括：
根据所述结构组分的分布、种类和数量构建应急处理模型；
基于所述应急处理模型和所述目标推演结果构建目标社区的应急网络。
优选的，所述社区应急处理指令包括人员指引指令、信号指令和分配指令；所述根据所述目标应急链路生成用于并输出指导社区居民进行逃生路线选择和资源分配的社区应急处理指令的步骤，包括：
根据所述目标应急链路生成并输出人员指引指令和分配指令；
基于所述应急处理模型确定所述突发情况的突发事件等级；
结合所述突发事件等级和所述目标应急链路，生成并输出逃生路线上的信号指令。
本发明还提供了一种基于数字孪生的社区应急装置，所述装置包括：
数据获取模块，用于获取目标社区的目标数据和历史数据，并基于所述目标数据确定目标社区的结构组分；
推演模型生成模块，用于基于所述目标数据构建数字孪生模型，通过所述历史数据训练所述数字孪生模型，生成推演模型；
预推演结果生成模块，用于设置多种决策初始条件并输入至所述推演模型进行多分支推演仿真，生成多种预推演结果；由各分支推演仿真对应的决策初始条件和结构组分形成每种预推演结果对应的初始情况；
监控模块，用于通过监测设备实时监控目标社区是否发生突发情况，若发生，则判断所述突发情况与所述初始情况是否一致；
目标推演结果确定模块，用于若一致，则选取与所述突发情况一致的初始情况对应的预推演结果作为目标推演结果；若不一致，则确定所述突发情况的影响范围，并基于所述影响范围确定目标推演结果；
社区应急处理指令输出模块，用于根据所述结构组分、所述目标推演结果和预设评价指标确定所述突发情况关联的目标应急链路，并根据所述目标应急链路生成并输出社区应急处理指令。
本发明还提供了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计算机程序，所述计算机程序被处理器执行时实现如上任一所述的基于数字孪生的社区应急方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明提供了一种基于数字孪生的社区应急方法、装置及介质，方法包括：获取目标社区的目标数据和历史数据，并基于目标数据确定目标社区的结构组分；基于目标数据构建数字孪生模型，通过历史数据训练数字孪生模型，生成推演模型；设置多种决策初始条件并输入至推演模型进行多分支推演仿真，生成多种预推演结果；由各分支推演仿真对应的决策初始条件和结构组分形成每种预推演结果对应的初始情况；通过监测设备实时监控目标社区是否发生突发情况，若发生，则判断突发情况与初始情况是否一致；若一致，则选取与突发情况一致的初始情况对应的预推演结果作为目标推演结果；若不一致，则确定突发情况的影响范围，并基于影响范围确定目标推演结果；根据结构组分、目标推演结果和预设评价指标确定突发情况关联的目标应急链路，根据目标应急链路生成并输出社区应急处理指令。
本发明运用数字孪生思想，在数字空间中进行多分支推演及决策模拟，实时感知社区情况，在社区发生突发事件时，能够适应动态变化的突发事件，快速且准确地为社区居民提供安全且合适的社区应急处理方案，合理分配应急资源，能够在社区突发事件中，统筹全方位资源，提高社区应急处理的合理性与可解释性，从而解决了现存社区应急方法难以适应动态变化的突发事件，且提供的社区应急处理方案无法同时满足应急性能、安全性能及统筹性能的要求的技术问题。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于数字孪生的社区应急方法的步骤流程图；
图2为本发明可选实施例提供的一种基于数字孪生的社区应急方法的步骤流程图；
图3为本发明可选实施例提供的一种基于数字孪生的社区应急方法的处理流程图；
图4为本发明可选实施例所构建的应急网络及目标应急链路的示意图；
图5为本发明实施例提供的一种基于数字孪生的社区应急装置的结构框图。
具体实施方式
本发明实施例提供了一种基于数字孪生的社区应急方法、装置及介质，用于解决现存社区应急方法难以适应动态变化的突发事件，且提供的社区应急处理方案无法同时满足应急性能、安全性能及统筹性能的要求的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种基于数字孪生的社区应急方法的步骤流程图。
本发明提供的一种基于数字孪生的社区应急方法，包括：
步骤101，获取目标社区的目标数据和历史数据，并基于目标数据确定目标社区的结构组分。
本实施例中的目标社区是指若干社会群体或社会组织聚集在某一个领域里所形成的一个生活上相互关联的大集体，该社区可以是居住社区、商业社区、工业社区等；
目标数据包括社区数据、环境数据和居民数据，用于构建数字孪生模型；其中，社区数据包括目标社区中的建筑地理位置分布数据、建筑物外观几何数据和建筑物内部几何数据等；环境数据包括目标社区的周边环境与道路数据等；居民数据包括目标社区的居民分布区域、数量数据及居民个体健康情况数据等；
在数据采集上可以通过相关信息采集设备和历史建造记录、居民生活记录采集所需数据；信息采集设备可以包括GPS数据传感器、摄像头、光学相机和卫星遥感等，历史建造记录可以是建筑物图纸等；其中GPS数据传感器主要用于社区中建筑物位置，以确定交通运输设备的方位；摄像头可以用于获取社区在日常运行过程中的图像数据；卫星遥感可获得社区整体的建筑分布、道路分布以及空地分布，历史建造记录与光学相机可获得建筑物的外观几何数据和内部几何数据；居民生活记录及医疗体检记录可获得居民的空间位置分布及健康情况数据。
历史数据包括目标社区历史食物资源消耗数据、历史应急情况演习数据、历史居民行径数据、历史医疗资源消耗数据、历史居民个体尺寸数据等；其中，采集的历史数据，可从历史数据库中所记载的医疗资源消耗、食物资源消耗、人群中指引人员的数量以及居民行径路线中进行提取，以采集相关数据，供后续多分支情况应急疏散路线仿真推演。
结构组分主要分为建筑物结构组分与环境结构组分两部分，可通过目标数据确定；建筑物结构组分包括楼层、阶梯、房间、楼层中的通道与围墙等因素，环境结构组分主要包括环境空地、建筑物、围墙、道路等因素。
步骤102，基于目标数据构建数字孪生模型，通过历史数据训练数字孪生模型，生成推演模型。
本实施例运用数字孪生思想，将数字孪生融合物理模型、信息网络、历史数据等多方面资源，在虚拟空间中完成实体映射，能够实时感知物理空间的变化，与先进算法相结合，在数字空间中进行多分支推演及决策模拟，以实时感知目标社区情况。
步骤103，设置多种决策初始条件并输入至推演模型进行多分支推演仿真，生成多种预推演结果；由各分支推演仿真对应的决策初始条件和结构组分形成每种预推演结果对应的初始情况。
需要说明的是，决策初始条件是指一些意外状况，如目标社区的某区域发生火灾等情况；决策初始条件可通过计算机算法随机生成，可选择的生成算法包括生成对抗网络、扩散模型、朴素高斯混合模型等一种或多种的组合；
将决策初始条件输入至推演模型进行多分支推演仿真，使得决策初始条件与实际的物理模型相对应，产生相应的房屋倒塌/即将倒塌、毒气扩散等过程；其中，多分支推演仿真是指由一个或多个结构组分在不同地点的损坏/缺失/倒塌等以及相关有毒气体等决策初始条件情况下对应的人群疏散路线预选择、疏解目的地的资源预分配以及疏散路线上的资源与人员预分配选择；
可以理解的是，一个决策初始条件关联着多种预推演结果，各预推演结果也对应着不同的结构组分的划分情况；因此在本实施例中，每种预推演结果与各分支推演仿真对应的决策初始条件和结构组分所形成的初始情况存在一一对应关系。
由于社区应急问题多样，在发生紧急情况时进行大规模推演将十分浪费时间，耽误社区应急处理进行，因此需对应急情况预推演并进行存储，在突发情况来临时进行影响范围匹配及小范围重推演，节约推演时间以快速响应突发情况。
步骤104，通过监测设备实时监控目标社区是否发生突发情况，若发生，则判断突发情况与初始情况是否一致。
需要说明的是，可以通过一种或多种监测设备判断目标社区的突发情况的发生；其中，监测设备可以包括：成像卫星、气体传感器、环境传感器、摄像头、位移传感器以及应变传感器等，以实时监控社区是否发生突发情况；通过监控手段，对目标社区进行实时监测，以判断突发情况发生的具体位置与内容。
步骤105，若一致，则选取与突发情况一致的初始情况对应的预推演结果作为目标推演结果；若不一致，则确定突发情况的影响范围，并基于影响范围确定目标推演结果。
本方法能够应对动态变化的突发事件，若突发情况与初始情况相一致，则直接以与突发情况一致的初始情况对应的预推演结果作为后续的目标推演结果；若突发情况与初始情况不一致，则确定突发情况的影响范围以对预推演结果进行更新，得到目标推演结果；其中，突发情况的影响范围是指突发情况对目标社区的哪些区域造成了影响；
本实施例结合预推演结果和突发情况的影响范围以获得目标推演结果，若目标社区发生突发情况，则确定突发情况的影响范围，基于影响范围对预推演结果进行推演更新，以获得目标推演结果，进而解决了现存社区应急方法难以适应动态变化的突发事件的问题。
步骤106，根据结构组分、目标推演结果和预设评价指标确定突发情况关联的目标应急链路，根据目标应急链路生成并输出社区应急处理指令。
其中，预设评价指标可以包括人员伤亡、疏散时间、人群密度分布与资源利用分布等；目标应急链路能快速且有效地分析事故原因，实现应急方案的快速响应，为实现应急方法的安全性与全面性提供有效的决策支撑；根据目标应急链路生成并输出社区应急处理指令，将处理指令下发至物理空间中，以指导社区居民进行逃生路线选择和资源分配。
本申请实施例提供了一种基于数字孪生的社区应急方法，包括：获取目标社区的目标数据和历史数据，并基于目标数据确定目标社区的结构组分；基于目标数据构建数字孪生模型，通过历史数据训练数字孪生模型，生成推演模型；设置多种决策初始条件并输入至推演模型进行多分支推演仿真，生成多种预推演结果；由各分支推演仿真对应的决策初始条件和结构组分形成每种预推演结果对应的初始情况；通过监测设备实时监控目标社区是否发生突发情况，若发生，则判断突发情况与初始情况是否一致；若一致，则选取与突发情况一致的初始情况对应的预推演结果作为目标推演结果；若不一致，则确定突发情况的影响范围，并基于影响范围确定目标推演结果；根据结构组分、目标推演结果和预设评价指标确定突发情况关联的目标应急链路，根据目标应急链路生成并输出社区应急处理指令。
本方法运用数字孪生思想，在数字空间中进行多分支推演及决策模拟，实时感知社区情况，在社区发生突发事件时，能够适应动态变化的突发事件，快速且准确地为社区居民提供安全且合适的社区应急处理方案，合理分配应急资源分配，能够在社区突发事件中，统筹全方位资源，提高社区应急处理的合理性与可解释性。
请参阅图2和图3，图2为本发明可选实施例提供的一种基于数字孪生的社区应急方法的步骤流程图，图3为本发明可选实施例提供的社区应急方法的处理流程图。
本发明提供的一种基于数字孪生的社区应急方法，包括：
步骤201，获取目标社区的目标数据和历史数据，并基于目标数据确定目标社区的结构组分。
在本申请实施例中，步骤201的具体实施过程与步骤101类似，在此不再赘述。
步骤202，基于目标数据构建数字孪生模型，通过历史数据训练数字孪生模型，生成推演模型。
其中，数字孪生模型的构建步骤，具体包括：基于社区数据、环境数据和居民数据分别构建数字孪生社区模型、数字孪生环境模型和数字孪生居民分布模型；将数字孪生社区模型、数字孪生环境模型和数字孪生居民分布模型相互关联，生成数字孪生模型。
本实施例构建的数字孪生社区模型、数字孪生环境模型和数字孪生居民分布模型均构建有对应的几何模型和物理模型；具体的，基于目标社区、目标社区周边环境以及居住居民的几何外观模型，可选用unity、UE4等三维建模软件进行模型构建，所构建的几何外观模型以及组分的连接关系和约束关系应与实际情况一致；目标社区、目标社区周边环境以及居住居民的物理行为与交互模型，可选用unity、ANSYS、ABAQUS、COMSOL等物理仿真软件进行模型构建，所构建的物理属性与交互关系应与实际情况一致；
在几何模型和物理模型构建完成后，所有的几何模型和物理模型应当绑定在同一场景，以此实现数字孪生社区模型、数字孪生社区环境模型和数字孪生居民居住模型的相互关联进而得到数字孪生模型，数字孪生模型能完整映射自物理空间，便于后续科学全面地进行模拟推演，进而提高社区应急处理的准确性；数字孪生模型的构建，可以有效、全面及准确地实现社区物理实体的数字化描述；
特别的是，当几何模型和物理模型绑定在同一场景时，还需验证其仿真性能是否与实际要求相一致，可采用监测设备对目标社区进行信息采集，将监测设备采集的情况反馈至数字孪生模型中以模拟现实情况，若不一致则需判断不一致的组分并进行反馈更新；例如在构建数字孪生模型后，发现实际的楼梯组分出现断裂导致该楼梯不能通行或者可通行区域大幅缩减致使可通行人员大幅减少，此时需对模型进行更新调整。
步骤203，设置多种决策初始条件并输入至推演模型进行多分支推演仿真，生成多种预推演结果；由各分支推演仿真对应的决策初始条件和结构组分形成每种预推演结果对应的初始情况。
需要说明的是，预推演结果包括推演的人群疏散路线、资源分配比例结果；在多分支推演完成后，对预推演结果进行结构化存储以避免目标社区在发生紧急情况时耽误应急处理时间，从而节约目标社区在发生紧急情况时的推演时间；
可以理解的是，各预推演结果属于不同的决策初始条件和结构组分组合(即初始情况)，各预推演结果以结构组分和决策初始条件进行区分，并记录各个结构组分所属的预推演结果。
步骤204，通过监测设备实时监控目标社区是否发生突发情况，若发生，则判断突发情况与初始情况是否一致。
需要说明的是，在目标社区发生突发情况后，为适应动态变化且复杂的突发情况，需判断突发情况与初始情况是否一致；具体的，先判断突发情况所属状况条件与各初始情况对应的决策初始条件是否一致，若一致，则选取该决策初始条件关联的初始情况作为中间初始情况；接着，判断突发情况所属结构组分与各中间初始情况对应的结构组分是否一致，若一致，则判定突发情况与该中间初始情况相一致；反之，则判定突发情况与初始情况不匹配；其中，状况条件可以为自然灾害、公共卫生事件、战争、暴乱等。
步骤205，若一致，则选取与突发情况一致的初始情况对应的预推演结果作为目标推演结果；若不一致，则确定突发情况的影响范围，并基于影响范围确定目标推演结果。
需要说明的是，若突发情况与所有初始情况均不一致，为了节约推演时长以更快地响应应急方案，可以通过对突发情况的影响范围的确定以快速得到目标推演结果。
其中，若不一致，则确定突发情况的影响范围，并基于影响范围确定目标推演结果的步骤，包括以下子步骤：
子步骤S10，若不一致，基于结构组分和预推演结果确定突发情况的影响范围。
在子步骤S10中，首先以节点图的形式记录结构组分与预推演结果的关系；接着采用图神经网络对节点图进行学习，生成因果相关模型；最后通过因果相关模型根据突发情况确定突发情况的影响范围。
具体的，将结构组分转化为序列形式，序列形式的数据可以直观地代换成节点图上的节点，相当于将不同结构组分以节点图的形式进行表示，等同于数据维度的一维特征的节点相互连接；
在社区突发情况判断中，因果学习可以帮助我们理解和分析不同因素之间的因果关系，本实施例采用图神经网络对节点图进行学习，其中学习过程具体包括：
使用图神经网络模型学习并更新节点图上各节点的表示向量，并通过函数汇聚节点表示信息，得到节点图的图级别的表示向量，其中聚合过程与h读出过程分别为：
h＝readout({hi|i∈V})
其中，表示节点i在l+1层的特征向量，表示节点i在l层的特征向量；δ为非线性激活函数；Agg为特征向量的聚合函数；Ni为节点i的邻居节点，readout为读出函数，V为节点图上节点集合，h为节点图向量；
让节点图的图表示经过多个不同的多层感知机模型与分类器模型，分离出不同的因果特征，其中各因果特征表示突发情况的一种初始影响范围的影响特征；分类器可选择决策树、支持向量机、最近领模型、卷积神经网络等一种或多种方式实现；对分离后的因果特征进行随机重新组合，得到一个干预后的新的图表示，重新估计结构组分和初始影响范围的因果关系；
将不同的因果关系以不同权重汇聚到同一个损失函数，并以此优化模型的参数，得到与因果特征相关的因果相关模型以预测突发情况的影响范围，其中因果相关模型如下：
其中，λm表示第m个权重值，0≤λm≤1，m表示分类数量，M表示样本数量，N表示序列个数，yij表示分类真实值，表示分类预测值，下小标表示不同的分类类别。
子步骤S11，根据影响范围从所有预推演结果内确定突发情况对应的相近预推演结果。
可以理解的是，当得到突发情况的影响范围后，为了节省推演时间，可根据影响范围从所有预推演结果内确定突发情况对应的一个或多个相近预推演结果。
子步骤S12，采用推演算法对预推演结果进行小范围重推演，生成目标推演结果。
在子步骤S12中，推演算法可采用群智能优化算法、深度强化学习算法等一种或多种的组合，结合预推演结果以对受影响的区域进行小范围重推演。
在步骤205中，根据突发情况与初始情况的匹配程度，以判断是否需要对预推演结果进行推演更新；二者若不一致，则基于结构组分与预推演结果构建因果相关模型，判断突发情况的影响范围；再根据确定的影响范围，与所有预推演结果相比对，筛选出相近推演结果，再对相近推演结果进行小范围重推演，生成小范围重推演结果，最后选取小范围重推演结果作为目标推演结果；
需要说明的是，在得到预推演结果和结构组分后，便可构建因果相关模型，当目标社区发生突发情况且突发情况与初始情况不一致时，通过因果相关模型确定突发情况的影响范围，以快速更新预推演结果，生成突发情况的目标推演结果。
步骤206，根据结构组分和目标推演结果构建目标社区的应急网络。
步骤206具体包括：根据结构组分的分布、种类和数量构建应急处理模型；基于应急处理模型和目标推演结果构建目标社区的应急网络。
本步骤提供的应急网络是基于居民位置、阶梯、走廊、房间、道路等不同结构组分形成的节点并根据实际情况中的空间分布与推演情况而构建的，由多个多种类型节点连接所构成；具体的，应急网络由居民位置、阶梯、走廊、房间、道路、空地、医疗补给点、食品补给点等关键位置的结构组分构成的多条链路组成。
步骤207，基于预设评价指标设置相应的优先等级，按照预设评价指标的优先等级从应急网络内提取突发情况关联的目标应急链路。
需要说明的是，在日常状态下，基于案例库中的预推演结果，通过人员伤亡、逃生时间、应急响应时间等预设评价指标进行综合评估，实时评估应急网络整体的应急处理能力，即能承受多大的灾难，判断是否需要增加其他应急节点，以提高处理能力，并对突发情况对应的应急网络适应性增加相应的应急节点；
可以理解的是，在社区应急状态下，应当针对当下情况选择最合适的应急方法，需要针对突发情况确定不同的预设评价指标对应的比重，或者说，通过设置预设评价指标的策略优先级，进而选择最合适的处理方法；例如，通过设置居民群众在某一区域的人员优先撤离为第一要素，从而在确定处理方法时，挑选相关的处理方法，即在应急网络内提取出目标应急链路，以作为后续的决策依据；其中，目标应急链路的提取还需考虑时间窗口，如人群疏散时间窗口，物资运达时间窗口等；
需要说明的是，应急网络的连接链路顺序应与目标推演结果相同，目标应急链路应当为一条由居民位置至疏散点的应急链，以指引居民进行避险以及后续的资源补给。
示例性的，请参阅图4，本实施例将推演后的更新的逃生路线与实际建筑空间相结合，建模为应急网络，根据所构建的应急网络，以人群伤亡最少为预设评价指标，并检测各节点的各项应急指标，对不同节点进行挑选，选择出时间最短的人群疏散链路，由人群聚集地出发3，经由过道2使用消防栓，由于拐角2人群时间窗口短，需分别从拐角2到达楼梯2和楼梯4领取防毒面罩，以在较短时间内疏散人群，从楼梯走至空地4，同时物资集中地2的物资经过道路2道路3到达道路4，由道路四到达空地；其中，节点应急指标包括有毒气体浓度、墙体破损程度、易受军事打击程度等因素；
在实际应用中，应急链路的提取可通过贪心算法、动态规划、群智能算法、图神经网络等一种或多种方法根据不同的指标进行提取。
步骤208，根据目标应急链路生成并输出用于指导社区居民进行逃生路线选择和资源分配的社区应急处理指令。
其中，社区应急处理指令包括人员指引指令、信号指令和分配指令；
步骤208包括以下子步骤：
子步骤S20，根据目标应急链路生成并输出人员指引指令和分配指令。
可以理解的是，社区应急处理指令应当下发至目标社区的物理空间中；具体的，通过广播进行人员指引，通过可视化方法进行人员指令，通过上级指令下达进行相关物资与人员的预分配与分配，以指导社区居民进行逃生路线选择和资源分配。
子步骤S21，基于应急处理模型确定突发情况的突发事件等级。
子步骤S22，结合突发事件等级和目标应急链路，生成并输出逃生路线上的信号指令。
可以理解的是，信号指令可以包括安保信号、消防信号、报警信号及逃生路线上的信号灯指引信号等指令；通过应急处理模型确定突发情况的突发事件等级，以触发不同突发事件等级对应的安保信号、消防信号、报警信号及逃生路线上的信号灯指引信号等，为居民提供逃离和避险指示，节约社区应急处理时间。
本实施例提供的社区应急处理指令能高效地为社区居民呈现即时且可解释性强的资源分配方案和疏散路线，提高社区应急处理的统筹性。
本申请可选实施例提供了一种基于数字孪生的社区应急方法，包括：获取目标社区的目标数据和历史数据，并基于目标数据确定目标社区的结构组分；基于目标数据构建数字孪生模型，通过历史数据训练数字孪生模型，生成推演模型；设置多种决策初始条件并输入至推演模型进行多分支推演仿真，生成多种预推演结果；由各分支推演仿真对应的决策初始条件和结构组分形成每种预推演结果对应的初始情况；通过监测设备实时监控目标社区是否发生突发情况，若发生，则判断突发情况与初始情况是否一致；若一致，则选取与突发情况一致的初始情况对应的预推演结果作为目标推演结果；若不一致，则确定突发情况的影响范围，并基于影响范围确定目标推演结果；根据结构组分和目标推演结果构建目标社区的应急网络；基于预设评价指标设置相应的优先等级，按照预设评价指标的优先等级从应急网络内提取突发情况关联的目标应急链路；根据目标应急链路生成并输出用于指导社区居民进行逃生路线选择和资源分配的社区应急处理指令。
在本方法中，将预推演结果用于社区危急时刻应急处理，能够全方位考量多维度因素，在应急时刻前对资源进行预分配，在紧急时刻结合逃生路线选择和资源分配，得到最优处理方法；同时，面对应急处理过程中的突发情况时，结合数字孪生特点，能够确定突发情况的影响范围，快速修改应急处理决策方案，更新决策结果并进行指令下达；该方法用于社区应急情况处理等方面，与传统的社区应急方法相比，本发明同时考虑了资源预分配、资源分配与居民逃生路线三方面问题，并能够根据已有的预推演结果，动态响应实际的处理方案，为实现高效且安全性的应急处理方法提供决策帮助，在社区突发事件中，统筹全方位资源，提高社区应急处理的合理性与可解释性。
请参阅图5，图5为本发明实施例提供的一种基于数字孪生的社区应急装置的结构框图。
本发明提供的一种基于数字孪生的社区应急装置，包括：
数据获取模块501，用于获取目标社区的目标数据和历史数据，并基于目标数据确定目标社区的结构组分；
推演模型生成模块502，用于基于目标数据构建数字孪生模型，通过历史数据训练数字孪生模型，生成推演模型；
预推演结果生成模块503，用于设置多种决策初始条件并输入至推演模型进行多分支推演仿真，生成多种预推演结果；由各分支推演仿真对应的决策初始条件和结构组分形成每种预推演结果对应的初始情况；
监控模块504，用于通过监测设备实时监控目标社区是否发生突发情况，若发生，则判断所述突发情况与所述初始情况是否一致；
目标推演结果确定模块505包括目标推演结果确定第一子模块和目标推演结果确定第二子模块；
目标推演结果确定第一子模块用于，若一致，则选取与所述突发情况一致的初始情况对应的预推演结果作为目标推演结果；目标推演结果确定第二子单元，用于若不一致，则确定所述突发情况的影响范围，并基于所述影响范围确定目标推演结果；
社区应急处理指令输出模块506，用于根据结构组分、目标推演结果和预设评价指标确定突发情况关联的目标应急链路，并根据目标应急链路生成并输出社区应急处理指令。
其中，目标数据包括社区数据、环境数据和居民数据；数字孪生模型的构建步骤，包括：
基于社区数据、环境数据和居民数据分别构建数字孪生社区模型、数字孪生环境模型和数字孪生居民分布模型；
将数字孪生社区模型、数字孪生环境模型和数字孪生居民分布模型相互关联，生成数字孪生模型。
目标推演结果确定第二子模块具体用于，若不一致，基于结构组分和预推演结果确定突发情况的影响范围；根据影响范围从所有预推演结果内确定突发情况对应的相近预推演结果；采用推演算法对预推演结果进行小范围重推演，生成目标推演结果。
社区应急处理指令输出模块506包括：
应急网络子模块，用于根据结构组分和目标推演结果构建目标社区的应急网络；
目标应急链路提取子模块，用于基于预设评价指标设置相应的优先等级，按照预设评价指标的优先等级从应急网络内提取突发情况关联的目标应急链路；
社区应急处理指令输出子模块，用于根据目标应急链路生成并输出用于指导社区居民进行逃生路线选择和资源分配的社区应急处理指令。
其中，应急网络子模块具体用于，根据结构组分的分布、种类和数量构建应急处理模型；基于应急处理模型和目标推演结果构建目标社区的应急网络。
其中，社区应急处理指令包括人员指引指令、信号指令和分配指令；社区应急处理指令输出子模块具体用于，根据目标应急链路生成并输出人员指引指令和分配指令；基于应急处理模型确定突发情况的突发事件等级；结合突发事件等级和目标应急链路，生成并输出逃生路线上的信号指令。
本装置还包括：
接口模块：用于接收数字孪生模型构建所需的数据和仿真推演结果数据；存储模块，用于通过数字孪生模型对实时状态数据进行参数化存储。
本申请还提供了一种电子设备，设备包括处理器以及存储器；
存储器用于存储存储指令；其中，指令用于实现如上任意一项实施例的基于数字孪生的社区应急方法；
处理器，用于执行存储器中的指令。
本申请还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如任意一项实施例的基于数字孪生的社区应急方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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全部或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-OnlyMemory)、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。
以上所述，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。

Claims (7)

1.一种基于数字孪生的社区应急方法，其特征在于，所述方法包括：
获取目标社区的目标数据和历史数据，并基于所述目标数据确定目标社区的结构组分；
基于所述目标数据构建数字孪生模型，通过所述历史数据训练所述数字孪生模型，生成推演模型；
设置多种决策初始条件并输入至所述推演模型进行多分支推演仿真，生成多种预推演结果；由各分支推演仿真对应的决策初始条件和结构组分形成每种预推演结果对应的初始情况；
通过监测设备实时监控目标社区是否发生突发情况，若发生，则判断所述突发情况与所述初始情况是否一致；
若一致，则选取与所述突发情况一致的初始情况对应的预推演结果作为目标推演结果；若不一致，则确定所述突发情况的影响范围，并基于所述影响范围确定目标推演结果；
根据所述结构组分、所述目标推演结果和预设评价指标确定所述突发情况关联的目标应急链路，根据所述目标应急链路生成并输出社区应急处理指令；
所述若不一致，则确定所述突发情况的影响范围，并基于所述影响范围确定目标推演结果的步骤，包括：
若不一致，基于所述结构组分和所述预推演结果确定所述突发情况的影响范围；
根据所述影响范围从所有所述预推演结果内确定所述突发情况对应的相近预推演结果；
采用推演算法对所述预推演结果进行小范围重推演，生成目标推演结果；
所述若不一致，基于所述结构组分和所述预推演结果确定所述突发情况的影响范围的步骤，包括：
若不一致，以节点图的形式记录所述结构组分与所述预推演结果的关系；
采用图神经网络对所述节点图进行学习，生成因果相关模型；
通过所述因果相关模型根据所述突发情况确定所述突发情况的影响范围；
所述采用图神经网络对所述节点图进行学习，生成因果相关模型的步骤，包括：
采用图神经网络学习并更新节点图上各节点的表示向量，并通过函数汇聚节点表示信息，得到所述节点图的图级别的表示向量，其中聚合过程与读出过程分别为：
；
；
式中，表示节点在层的特征向量；为非线性激活函数；为特征向量的聚合函数；为节点的邻居节点，为读出函数，为节点图上节点集合，为节点图向量；
让所述节点图的图表示经过多个不同的多层感知机模型与分类器模型，分离出不同的因果特征；所述因果特征表示突发情况的一种初始影响范围的影响特征；
对分离后的因果特征进行重新组合，得到一个干预后的新的图表示，重新估计结构组分和初始影响范围的因果关系；
将不同的因果关系以不同权重汇聚到同一个损失函数，并优化模型的参数，得到与因果特征相关的因果相关模型；
；
其中，表示第个权重值，表示分类数量，表示样本数量，表示序列个数，表示分类真实值，表示分类预测值，下小标表示不同的分类类别。
2.根据权利要求1所述的社区应急方法，其特征在于，所述目标数据包括社区数据、环境数据和居民数据；所述数字孪生模型的构建步骤，包括：
基于所述社区数据、环境数据和居民数据分别构建数字孪生社区模型、数字孪生环境模型和数字孪生居民分布模型；
将所述数字孪生社区模型、所述数字孪生环境模型和所述数字孪生居民分布模型相互关联，生成数字孪生模型。
3.根据权利要求1所述的社区应急方法，其特征在于，所述根据所述结构组分、所述目标推演结果和预设评价指标确定突发情况关联的目标应急链路，并根据所述目标应急链路生成并输出社区应急处理指令的步骤，包括：
根据所述结构组分和所述目标推演结果构建目标社区的应急网络；
基于预设评价指标设置相应的优先等级，按照预设评价指标的优先等级从所述应急网络内提取所述突发情况关联的目标应急链路；
根据所述目标应急链路生成并输出用于指导社区居民进行逃生路线选择和资源分配的社区应急处理指令。
4.根据权利要求3所述的社区应急方法，其特征在于，所述根据所述结构组分和所述目标推演结果构建目标社区的应急网络的步骤，包括：
根据所述结构组分的分布、种类和数量构建应急处理模型；
基于所述应急处理模型和所述目标推演结果构建目标社区的应急网络。
5.根据权利要求4所述的社区应急方法，其特征在于，所述社区应急处理指令包括人员指引指令、信号指令和分配指令；所述根据所述目标应急链路生成用于并输出指导社区居民进行逃生路线选择和资源分配的社区应急处理指令的步骤，包括：
根据所述目标应急链路生成并输出人员指引指令和分配指令；
基于所述应急处理模型确定所述突发情况的突发事件等级；
结合所述突发事件等级和所述目标应急链路，生成并输出逃生路线上的信号指令。
6.一种基于数字孪生的社区应急装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标社区的目标数据和历史数据，并基于所述目标数据确定目标社区的结构组分；
推演模型生成模块，用于基于所述目标数据构建数字孪生模型，通过所述历史数据训练所述数字孪生模型，生成推演模型；
预推演结果生成模块，用于设置多种决策初始条件并输入至所述推演模型进行多分支推演仿真，生成多种预推演结果；由各分支推演仿真对应的决策初始条件和结构组分形成每种预推演结果对应的初始情况；
监控模块，用于通过监测设备实时监控目标社区是否发生突发情况，若发生，则判断所述突发情况与所述初始情况是否一致；
目标推演结果确定模块，包括目标推演结果确定第一子模块和目标推演结果确定第二子模块；目标推演结果确定第一子模块，用于若一致，则选取与所述突发情况一致的初始情况对应的预推演结果作为目标推演结果；目标推演结果确定第二子模块，用于若不一致，则确定所述突发情况的影响范围，并基于所述影响范围确定目标推演结果；
社区应急处理指令输出模块，用于根据所述结构组分、所述目标推演结果和预设评价指标确定所述突发情况关联的目标应急链路，并根据所述目标应急链路生成并输出社区应急处理指令；
目标推演结果确定第一子模块具体用于，若不一致，基于所述结构组分和所述预推演结果确定所述突发情况的影响范围；根据所述影响范围从所有所述预推演结果内确定所述突发情况对应的相近预推演结果；采用推演算法对所述预推演结果进行小范围重推演，生成目标推演结果；
所述若不一致，基于所述结构组分和所述预推演结果确定所述突发情况的影响范围的步骤，包括：
若不一致，以节点图的形式记录所述结构组分与所述预推演结果的关系；
采用图神经网络对所述节点图进行学习，生成因果相关模型；
通过所述因果相关模型根据所述突发情况确定所述突发情况的影响范围；
所述采用图神经网络对所述节点图进行学习，生成因果相关模型的步骤，包括：
采用图神经网络学习并更新节点图上各节点的表示向量，并通过函数汇聚节点表示信息，得到所述节点图的图级别的表示向量，其中聚合过程与读出过程分别为：
；
；
式中，表示节点在层的特征向量；为非线性激活函数；为特征向量的聚合函数；为节点的邻居节点，为读出函数，为节点图上节点集合，为节点图向量；
让所述节点图的图表示经过多个不同的多层感知机模型与分类器模型，分离出不同的因果特征；所述因果特征表示突发情况的一种初始影响范围的影响特征；
对分离后的因果特征进行重新组合，得到一个干预后的新的图表示，重新估计结构组分和初始影响范围的因果关系；
将不同的因果关系以不同权重汇聚到同一个损失函数，并优化模型的参数，得到与因果特征相关的因果相关模型；
；
其中，表示第个权重值，表示分类数量，表示样本数量，表示序列个数，表示分类真实值，表示分类预测值，下小标表示不同的分类类别。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的基于数字孪生的社区应急方法。
CN202410174226.7A 2024-02-07 2024-02-07 一种基于数字孪生的社区应急方法、装置及介质 Active CN117952485B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410174226.7A CN117952485B (zh) 2024-02-07 2024-02-07 一种基于数字孪生的社区应急方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410174226.7A CN117952485B (zh) 2024-02-07 2024-02-07 一种基于数字孪生的社区应急方法、装置及介质

Publications (2)

Publication Number Publication Date
CN117952485A CN117952485A (zh) 2024-04-30
CN117952485B true CN117952485B (zh) 2024-09-27

Family

ID=90796001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410174226.7A Active CN117952485B (zh) 2024-02-07 2024-02-07 一种基于数字孪生的社区应急方法、装置及介质

Country Status (1)

Country Link
CN (1) CN117952485B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118248020B (zh) * 2024-05-29 2024-08-02 三峡金沙江川云水电开发有限公司 水电站应急逃生演练方法、系统、存储介质及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3158765A1 (en) * 2019-11-25 2021-06-03 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
CN114818278A (zh) * 2022-04-07 2022-07-29 清华大学 一种基于数字孪生自组织建模的生产过程重构方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115277789B (zh) * 2022-08-26 2024-03-26 中国长江三峡集团有限公司 一种梯级水电站安全防护系统及方法
CN116738815A (zh) * 2023-01-13 2023-09-12 国网青海省电力公司海北供电公司 一种电力应急预案推演方法、系统、电子设备及存储介质
CN116307757B (zh) * 2023-01-18 2024-02-20 辽宁荣科智维云科技有限公司 一种数据智能交互方法、交互系统、计算机设备及应用

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3158765A1 (en) * 2019-11-25 2021-06-03 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
CN114818278A (zh) * 2022-04-07 2022-07-29 清华大学 一种基于数字孪生自组织建模的生产过程重构方法

Also Published As

Publication number Publication date
CN117952485A (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
Xu et al. Real‐time regional seismic damage assessment framework based on long short‐term memory neural network
CN110264672A (zh) 一种地质灾害的预警系统
KR101442658B1 (ko) 대피시뮬레이션을 제공하는 재난대피 시스템 및 방법
Li et al. A household-level approach to staging wildfire evacuation warnings using trigger modeling
CN112199882B (zh) 一种火灾下人员疏散过程模拟方法、疏散预警方法及系统
US20070038383A1 (en) System and method for zero latency, high fidelity emergency assessment of airborne chemical, biological and radiological threats by optimizing sensor placement
Jough et al. Prediction of seismic collapse risk of steel moment frame mid-rise structures by meta-heuristic algorithms
CN117952485B (zh) 一种基于数字孪生的社区应急方法、装置及介质
US20100280755A1 (en) Method, apparatus, and system for rapid assessment
Saengtabtim et al. Predictive analysis of the building damage from the 2011 Great East Japan tsunami using decision tree classification related algorithms
CN114862070A (zh) 预测人群疏散能力瓶颈的方法、装置、设备及存储介质
Plant et al. Combining expert system and GIS technology to implement a state-transition model of oak woodlands
Li et al. Extraction and modelling application of evacuation movement characteristic parameters in real earthquake evacuation video based on deep learning
CN116884192A (zh) 一种电力生产作业风险预警方法、系统和设备
Li et al. Dynamic risk assessment of emergency evacuation in large public buildings: A case study
KR102495864B1 (ko) 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램
Aydin et al. Heuristics based optimization for multidepot drone location and routing problem to detect post-earthquake damages
Cao et al. Field detection of indoor fire threat situation based on LSTM-Kriging network
CN114881309A (zh) 一种城市活力与碳排空间特征相关性的测度方法
Sun et al. Study on safe evacuation routes based on crowd density map of shopping mall
CN118297395A (zh) 台风影响范围的预测与预警方法、装置、设备和介质
Pollino et al. An open source GIS system for earthquake early warning and post-event emergency management
Şimşek et al. The role and applications of artificial intelligence (AI) in disaster management
Li Modeling wildfire evacuation as a coupled human-environmental system using triggers
Green et al. Modeling wildfire using evolutionary cellular automata

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant