鬼佬大哥大
  • / 9
  • 下載費用:30 金幣  

一種基于群體感知的突發事件信息收集和管理方法.pdf

摘要
申請專利號:

CN201510336571.7

申請日:

2015.06.17

公開號:

CN105046049A

公開日:

2015.11.11

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06F 19/00申請日:20150617|||公開
IPC分類號: G06F19/00(2011.01)I 主分類號: G06F19/00
申請人: 浙江工商大學
發明人: 劉東升; 周怡; 鄒江波; 王蓓; 王黎明
地址: 310018浙江省杭州市下沙高教園區學正街18號
優先權:
專利代理機構: 杭州天正專利事務所有限公司33201 代理人: 王兵; 黃美娟
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201510336571.7

授權公告號:

||||||

法律狀態公告日:

2017.11.17|||2015.12.09|||2015.11.11

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

一種基于群體感知的突發事件信息收集和管理方法,包括以下步驟:預定義事件分類模型庫、模型組成部分及其權重和匹配問題;采集群體感知信息;構造關鍵字/詞解析器,設定關鍵字/詞與當前模型組成部分相似度閾值;構造事件分類器,識別當前事件模型;判斷是否有未匹配的性組成部分;如沒有未匹配的組成部分,則當前模型的所有組成部分形成對突發事件的完整描述;如有匹配的組成部分,則確定當前事件模型未匹配的組成部分及其對應的問題;確定當前事件相關的全體感知參與者;向當前群體感知參與者定向投放問題,獲取新的群體感知信息;重復執行上述步驟。本發明克服了現有信息來源分散、缺乏導向性及協調性、信息利用率低等缺點,提供了一種充分利用信息來源、內容等的信息收集和管理方法。

權利要求書

1.一種基于群體感知的突發事件信息收集和管理方法,包括以下步驟:
(1)根據經驗預定義的事件模型庫M={m1,m2,…,mj},其中mj為第j個事
件分類模型;模型中按權重從大到小排序的組成部分集合Cj={cj1,cj2,…,cjk}及
對應的權重集合CWj={cwj1,cwj2,…,cwjk},其中cjk為第j個模型的第k個組成
部分,cwjk為第j個模型的第k個組成部分的權重;與各組成部分匹配的問題
Qj={qj1,qj2,…,qjk},qjk為與第j個模型的第k個組成部分匹配的問題;
(2)采集各種信息終端輸入的群體感知信息,構成信息集合I={i1,i2,…,in},
其中in為第n個信息終端輸入的群體感知信息;
(3)構造關鍵字/詞解析器,用所述的解析器將群體感知信息集I中的信息利
用中文分詞技術及去重技術提取關鍵字/詞,構成關鍵字/詞集合W={w1,w2,…,
wm},其中wm為第m個關鍵字/詞;設定關鍵字/詞集合與預定義的事件分類模
型組成部分之間的相似度閾值,所述的相似度以關鍵字/詞的重復程度來表征;
(4)構造一個基于規則或者機器學習的事件分類器,用所述的事件分類器對
事件模型進行識別;事件分類器將當前關鍵字/詞集合K與所述每一個事件模型
M的每一個模型組成部分Cj進行匹配,判斷兩者之間的相似度,進一步確定每
一個事件模型的匹配值,構造匹配值集合S={s1,s2,…,sj},其中sj為第j個模
型的匹配值;
(4.1)取出當前事件模型M的第j個模型Mj的組成部分Cj;
(4.2)取出當前關鍵字/詞集合W中的第m個關鍵字/詞wm;
(4.3)將關鍵字/詞wm與組成部分Cj的所有成員cjk一一進行相似度匹配,若
相似度低于閾值,則舍棄當前成員;若相似度高于閾值,則保留當前成員,并
通過冒泡排序法確定相似度最高的成員;
(4.4)重復4.2至4.3,至所有關鍵字匹配完成;
(4.5)將保留的組成部分各個成員與其對應的權重進行加權求和,得到當前
模型的匹配值sj;
(4.6)重復4.1至4.4,至所有事件模型匹配完成;
(5)根據所述的模型匹配值,確認匹配值最高的為當前突發事件分類模型及
其組成部分,即突發事件模型Mj及其組成部分Cjk;
(6)確定所述突發事件模型Mj中未被匹配到的組成部分RCjr,即缺失信息,
且RCjr是Cjk的一個真子集;
(7)根據RCjr確定問題集合RQjr,即定向投放問題,且RQjr是Qjk的一個真
子集;
(8)識別與所述突發事件相關的一個或多個群體感知參與者P={p1,p2,…,
ps},其中ps是指第s個被識別的群體感知參與者;
(9)向一個或多個所述被識別的群體感知參與者ps定向投放所述的定向投
放問題RQjr,請求獲取缺失信息;
(10)重復步驟2-9,直至當前模型Mj的所有組成部分Cjk匹配完成;
(11)當前模型Mj的所有組成部分Cjk構成對突發事件的完整描述。

說明書

一種基于群體感知的突發事件信息收集和管理方法

技術領域

本發明涉及一種突發事件信息進行處理的方法,更具體的說,是涉及一種
基于群體感知的突發事件信息收集和管理方法。

背景技術

隨著移動通信網絡的快速發展和應用,在一些突發事件中,事件參與者或
現場人員可以通過微博、微信、論壇等網絡媒體,快速得對事件信息進行有效
及時的傳遞。事件參與者或現場人員可以有選擇性得提供一些關于事件的信息,
例如事發地所在的位置信息等。通常情況下,一些事件通常會包括幾個方面。
而事件參與者或現場人員通過網絡媒體傳遞的信息通常來源分散不集中,缺乏
一定的導向性,且信息缺乏相互之間的協調性,從而導致不能對突發事件進行
快速精確描述,就不能夠對事件進行一個全方位的還原呈現。

本發明提出了一種基于群體感知的突發事件信息收集和管理方法。突發事
件信息包括突發事件及其組成部分、突發事件缺失信息、參與突發事件的個體。
其中突發事件及事件組成部分通過群體感知的信息來進行識別的,突發事件缺
失信息來源于被識別的參與突發事件的個體。

發明內容

為克服現有信息來源分散、缺乏導向性及協調性、信息利用率低等缺點,
本發明提供了一種充分利用信息來源、內容等的基于群體感知的突發事件信息
收集和管理方法。

一種基于群體感知的突發事件信息收集和管理方法,包括以下步驟:

(1)根據經驗預定義的事件模型庫M={m1,m2,…,mj},其中mj為第j個事
件分類模型;模型中按權重從大到小排序的組成部分集合Cj={cj1,cj2,…,cjk}及
對應的權重集合CWj={cwj1,cwj2,…,cwjk},其中cjk為第j個模型的第k個組成
部分,cwjk為第j個模型的第k個組成部分的權重;與各組成部分匹配的問題
Qj={qj1,qj2,…,qjk},qjk為與第j個模型的第k個組成部分匹配的問題。

(2)采集各種信息終端輸入的群體感知信息,構成信息集合I={i1,i2,…,in},
其中in為第n個信息終端輸入的群體感知信息;

(3)構造關鍵字/詞解析器,用所述的解析器將群體感知信息集I中的信息利
用中文分詞技術及去重技術提取關鍵字/詞,構成關鍵字/詞集合W={w1,w2,…,
wm},其中wm為第m個關鍵字/詞;設定關鍵字/詞集合與預定義的事件分類模
型組成部分之間的相似度閾值,所述的相似度以關鍵字/詞的重復程度來表征;

(4)構造一個基于規則或者機器學習的事件分類器,用所述的事件分類器對
事件模型進行識別;

(5)根據所述的模型匹配值,確認匹配值最高的為當前突發事件分類模型及
其組成部分,即突發事件模型Mj及其組成部分Cjk;

(6)確定未被匹配到的所述突發事件模型Mj中的組成部分RCjr,即缺失信
息,且RCjr是Cjk的一個真子集;

(7)根據RCjr確定問題集合RQjr,即定向投放問題,且RQjr是Qjk的一個真
子集;

(8)識別一個或多個與所述突發事件相關的群體感知參與者P={p1,p2,…,
ps},其中ps是指第s個被識別的群體感知參與者;

(9)向一個或多個所述被識別的群體感知參與者ps定向投放所述的定向投
放問題RQjr,請求獲取缺失信息;

(10)重復步驟2-9,直至當前模型Mj的所有組成部分Cjk匹配完成。

(11)當前模型Mj的所有組成部分Cjk構成對突發事件的完整描述。

進一步,所述事件分類器是一個基于規則或者機器學習的事件分類器。所
述的事件分類器將當前關鍵字/詞集合K與所述每一個事件模型M的每一個模
型組成部分Cj進行匹配,判斷兩者之間的相似度,進一步確定每一個事件模型
的匹配值,構造匹配值集合S={s1,s2,…,sj},其中sj為第j個模型的匹配值。

進一步,所述的步驟4由以下步驟組成:

(4.1)取出當前事件模型M的第j個模型Mj的組成部分Cj;

(4.2)取出當前關鍵字/詞集合W中的第m個關鍵字/詞wm;

(4.3)將關鍵字wm與組成部分Cj的所有成員cjk一一進行相似度匹配,若相
似度低于閾值,則舍棄當前成員;若相似度高于閾值,則保留當前成員,并通
過冒泡排序法確定相似度最高的成員;

(4.4)重復4.2至4.3,至所有關鍵字匹配完成;

(4.5)將保留的組成部分各個成員與其對應的權重進行加權求和,得到當前
模型的匹配值sj。

與現有技術相比,本發明的有益效果是:

1、解決了對突發事件進行完整信息收集補充和管理使用的方法。現有的
突發事件信息收集方法,僅利用收集到的信息進行報道。本發明同時還利用已
有的信息用于對事件進行完整再現的后續過程。

2、解決了識別突發事件缺失信息的問題。現有的突發事件信息收集方法,
只利用收集到的群體感知信息進行報道。本發明在已有群體感知信息的基礎上,
同時利用語義模型,對突發事件中缺失的重要組成部分信息進行識別。

3、提出了收集缺失信息的方法。本發明利用已有的群體感知信息識別群
體感知的參與者,通過定向投放問題的方式實現關于突發事件缺失信息的收集,
從而完整再現突發事件全貌。

附圖說明

圖1為本發明的總的流程圖

圖2為本發明中的事件分類模型識別的流程圖

圖3為基于本發明的一個定向投放問題的輸入管理的實施例

圖4為基于本發明的一個突發事件完整處理的實施例

具體實施方式

參照附圖1、2,通過具體實施例對本發明進行說明。

基于群體感知的突發事件信息收集和管理方法,包括以下步驟:

(1)根據經驗預定義的事件模型庫M={m1,m2,…,mj},其中mj為第j個事
件分類模型;模型中按權重從大到小排序的組成部分集合Cj={cj1,cj2,…,cjk}及
對應的權重集合CWj={cwj1,cwj2,…,cwjk},其中cjk為第j個模型的第k個組成
部分,cwjk為第j個模型的第k個組成部分的權重;與各組成部分匹配的問題
Qj={qj1,qj2,…,qjk},qjk為與第j個模型的第k個組成部分匹配的問題。

(2)采集各種信息終端輸入的群體感知信息,構成信息集合I={i1,i2,…,in},
其中in為第n個信息終端輸入的群體感知信息;

(3)構造關鍵字/詞解析器,用所述的解析器將群體感知信息集I中的信息利
用中文分詞技術及去重技術提取關鍵字/詞,構成關鍵字/詞集合W={w1,w2,…,
wm},其中wm為第m個關鍵字/詞;設定關鍵字/詞集合與預定義的事件分類模
型組成部分之間的相似度閾值,所述的相似度以關鍵字/詞的重復程度來表征;

(4)構造一個基于規則或者機器學習的事件分類器,用所述的事件分類器對
事件模型進行識別。事件分類器將當前關鍵字/詞集合K與所述每一個事件模型
M的每一個模型組成部分Cj進行匹配,判斷兩者之間的相似度,進一步確定每
一個事件模型的匹配值,構造匹配值集合S={s1,s2,…,sj},其中sj為第j個模
型的匹配值。

(4.1)取出當前事件模型M的第j個模型Mj的組成部分Cj;

(4.2)取出當前關鍵字/詞集合W中的第m個關鍵字/詞wm;

(4.3)將關鍵字wm與組成部分Cj的所有成員cjk一一進行相似度匹配,若相
似度低于閾值,則舍棄當前成員;若相似度高于閾值,則保留當前成員,并通
過冒泡排序法確定相似度最高的成員;

(4.4)重復4.2至4.3,至所有關鍵字匹配完成;

(4.5)將保留的組成部分各個成員與其對應的權重進行加權求和,得到當前
模型的匹配值sj。

(4.6)重復4.1至4.4,至所有事件模型匹配完成;

(5)根據所述的模型匹配值,確認匹配值最高的為當前突發事件分類模型及
其組成部分,即突發事件模型Mj及其組成部分Cjk;

(6)確定所述突發事件模型Mj中未被匹配到的組成部分RCjr,即缺失信息,
且RCjr是Cjk的一個真子集;

(7)根據RCjr確定問題集合RQjr,即定向投放問題,且RQjr是Qjk的一個真
子集;

(8)識別與所述突發事件相關的一個或多個群體感知參與者P={p1,p2,…,
ps},其中ps是指第s個被識別的群體感知參與者;

(9)向一個或多個所述被識別的群體感知參與者ps定向投放所述的定向投
放問題RQjr,請求獲取缺失信息;

(10)重復步驟2-9,直至當前模型Mj的所有組成部分Cjk匹配完成。

(11)當前模型Mj的所有組成部分Cjk構成對突發事件的完整描述。

圖3描述了基于本發明的一個突發事件完整處理的實施例。服務器接收群
體感知信息,并進行事件模型匹配。事件模型中虛線部分為未匹配組成部分,
實線部分為已匹配組成部分。為未匹配的組成部分生成問題后,將問題定向投
放給事故附近被識別的人員。

圖4描述了基于本發明的一個定向投放問題的輸入管理的實施例。對突發
事件的描述可以通過在移動電話或者其他的輸入設備上以“填空”的方式來完
成。服務器向群體感知參與者ps發送突發事件(本實施例中為“交通事故”)
的相關信息。與缺失信息匹配的問題RQjr同時被定向投放給這些群體感知參與
者。

本說明書實施例所述的內容僅僅是對發明構思的實現形式的列舉,本發明
的保護范圍不應當被視為僅限于實施例所陳述的具體形式,本發明的保護范圍
也及于本領域技術人員根據本發明構思所能夠想到的等同技術手段。

關 鍵 詞:
一種 基于 群體 感知 突發事件 信息 收集 管理 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:一種基于群體感知的突發事件信息收集和管理方法.pdf
鏈接地址:http://www.wwszu.club/p-6401564.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大