灾害分析方法和电子设备

技术领域

本公开涉及信息处理技术领域，特别涉及一种灾害分析方法和电子设备。

背景技术

近年来，随着应急管理部门的组建在发生危化品灾害事故后，应急管理部门能够根据 事故类型和严重程度启动相应等级的应急预案并统一进行指挥。

而目前的情况下事故类型和严重程度的判定更多依赖人为经验。故此，相关技术中缺 少一种能够分析推理危化品泄漏、爆炸可能带来的次衍生灾害的方法。

发明内容

本公开的目的是提供一种灾害分析方法和电子设备，用于解决在发生灾害事故后，缺 少一种能通过事故相关数据分析推理出次衍生灾害的问题。

第一方面，本公开提供一种电子设备，所述电子设备包括：存储器和控制器，其中：

所述存储器，用于存储可被所述控制器执行的计算机程序；

所述控制器连接所述存储器，被配置为：

获取目标灾害的诱发事件的参数值；所述诱发事件的参数值用于表示所述诱发事件的 严重程度；

采用预先训练的贝叶斯网络模型对所述诱发事件的参数值进行分析，确定基于所述诱 发事件导致的所述目标灾害和次衍生灾害各自的发生概率；其中，所述贝叶斯网络模型是 基于次衍生灾害事理图谱构建的，所述次衍生灾害事理图谱中的实体包括所述诱发事件、 所述目标灾害和由所述目标灾害导致的所述次衍生灾害，且不同实体之间的关系用于表示 实体之间的因果关系；

输出所述目标灾害和所述次衍生灾害各自的发生概率。

在一些可能的实施例中，所述次衍生灾害事理图谱是基于对已知案例的分析结果和专 家知识构建的。

在一些可能的实施例中，所述控制器还被配置为在构建所述次衍生灾害事理图谱时， 基于机器学习的方法对已知案例进行分析，提取三元组，所述三元组中包括原因、因果关 系和基于所述原因导致的事故，其中所述次衍生灾害事理图谱中的实体包括所述原因和所 述事故。

在一些可能的实施例中，预先构建有知识图谱，所述知识图谱中的实体为不同地物以 及不同地物的属性，其中不同地物的属性包括危险标签、位置信息；所述目标灾害和所述 次衍生灾害中的指定灾害和危险标签具有关联关系；

所述控制器确定基于所述诱发事件导致的所述目标灾害和次衍生灾害各自的发生概率 之后，所述控制器还被配置为：

若所述指定灾害的发生概率满足预设的风险点挖掘条件时，从所述知识图谱中搜索满 足预设条件的目标实体；所述预设条件为基于所述目标实体的位置信息确定所述目标实体 与所述诱发事件的发生地之间的距离在指定距离范围内、且所述目标实体具有与所述指定 灾害具有关联关系的危险标签；

若搜索到所述目标实体，则输出所述目标实体。

在一些可能的实施例中，若所述控制器搜索到所述目标实体时，所述控制器还被配置 为：

获取与所述目标实体对应的用于应对灾害的预案；并输出所述预案。

在一些可能的实施例中，所述控制器还被配置为：

根据以下方法训练所述贝叶斯网络模型；

针对每个已知案例分别执行以下操作得到所述已知案例的量化结果；

按照预设量化规则对所述已知案例中的诱发事件的严重程度进行量化处理，得到所述 诱发事件的所述参数值；

基于所述已知案例的所述诱发事件的所述参数值，确定发生所述诱发事件导致所述目 标灾害的条件概率；

对预测地的多个实际状况中的每个目标状况分别执行：

采用预测地的所述目标状况与所述已知案例发生地的案发状况之间的相似度对所述条 件概率进行调整；其中，所述相似度与调整后的条件概率之间存在正相关关系；

基于调整后的所述目标灾害的条件概率，确定所述已知案例中次衍生灾害的发生概率；

在获取各个已知案例的所述量化结果后，采用各个已知案例的量化结果对所述贝叶斯 网络模型进行训练；

所述控制器采用预先训练的贝叶斯网络模型对所述诱发事件的参数值进行分析时，所 述控制器被配置为：

采用与所述预测地的当前状况最接近的目标状况对应的预先训练的贝叶斯网络模型对 所述诱发事件的参数值进行分析。

在一些可能的实施例中，所述控制器采用至少一个随机变量表示所述状况时，所述控 制器还被配置为：

根据以下方法确定所述预测地的所述目标状况与所述已知案例发生地的案发状况之间 的相似度；

分别获取所述预测地和所述已知案例的发生地的各个所述随机变量的量化值；

基于各个所述随机变量的量化值，确定所述预测地的目标状况与所述已知案例的发生 地的案发状况之间的差异度；

采用所述差异度，确定所述预测地的目标状况与所述已知案例的发生地的案发状况之 间的相似度。

在一些可能的实施例中，所述控制器采用所述差异度，确定所述预测地的目标状况与 所述已知案例的发生地的案发状况之间的相似度，所述控制器被配置为：

基于以下公式确定所述预测地的目标状况与所述已知案例的发生地的案发状况之间的 相似度：

其中，ω

第二方面，本公开还提供一种灾害分析方法，所述方法包括：

获取目标灾害的诱发事件的参数值；所述诱发事件的参数值用于表示所述诱发事件的 严重程度；

采用预先训练的贝叶斯网络模型对所述诱发事件的参数值进行分析，确定基于所述诱 发事件导致的所述目标灾害和次衍生灾害各自的发生概率；其中，所述贝叶斯网络模型是 基于次衍生灾害事理图谱构建的，所述次衍生灾害事理图谱中的实体包括所述诱发事件、 所述目标灾害和由所述目标灾害导致的所述次衍生灾害，且不同实体之间的关系用于表示 实体之间的因果关系；

输出所述目标灾害和所述次衍生灾害各自的发生概率。

在一些可能的实施例中，所述次衍生灾害事理图谱是基于对已知案例的分析结果和专 家知识构建的。

在一些可能的实施例中，在构建所述次衍生灾害事理图谱时，基于机器学习的方法对 已知案例进行分析，提取三元组，所述三元组中包括原因、因果关系和基于所述原因导致 的事故，其中所述次衍生灾害事理图谱中的实体包括所述原因和所述事故。

在一些可能的实施例中，预先构建有知识图谱，所述知识图谱中的实体为不同地物以 及不同地物的属性，其中不同地物的属性包括危险标签、位置信息；所述目标灾害和所述 次衍生灾害中的指定灾害和危险标签具有关联关系；

所述确定基于所述诱发事件导致的所述目标灾害和次衍生灾害各自的发生概率之后， 所述方法还包括：

若所述指定灾害的发生概率满足预设的风险点挖掘条件时，从所述知识图谱中搜索满 足预设条件的目标实体；所述预设条件为基于所述目标实体的位置信息确定所述目标实体 与所述诱发事件的发生地之间的距离在指定距离范围内、且所述目标实体具有与所述指定 灾害具有关联关系的危险标签；

若搜索到所述目标实体，则输出所述目标实体。

在一些可能的实施例中，若搜索到所述目标实体时，所述方法还包括：

获取与所述目标实体对应的用于应对灾害的预案；并输出所述预案。

在一些可能的实施例中，所述方法还包括：

根据以下方法训练所述贝叶斯网络模型；

针对每个已知案例分别执行以下操作得到所述已知案例的量化结果；

按照预设量化规则对所述已知案例中的诱发事件的严重程度进行量化处理，得到所述 诱发事件的所述参数值；

基于所述已知案例的所述诱发事件的所述参数值，确定发生所述诱发事件导致所述目 标灾害的条件概率；

对预测地的多个实际状况中的每个目标状况分别执行：

采用预测地的所述目标状况与所述已知案例发生地的案发状况之间的相似度对所述条 件概率进行调整；其中，所述相似度与调整后的条件概率之间存在正相关关系；

基于调整后的所述目标灾害的条件概率，确定所述已知案例中次衍生灾害的发生概率；

在获取各个已知案例的所述量化结果后，采用各个已知案例的量化结果对所述贝叶斯 网络模型进行训练；

所述采用预先训练的贝叶斯网络模型对所述诱发事件的参数值进行分析，包括：

采用与所述预测地的当前状况最接近的目标状况对应的预先训练的贝叶斯网络模型对 所述诱发事件的参数值进行分析。

在一些可能的实施例中，采用至少一个随机变量表示所述状况，所述方法还包括：

根据以下方法确定所述预测地的所述目标状况与所述已知案例发生地的案发状况之间 的相似度；

分别获取所述预测地和所述已知案例的发生地的各个所述随机变量的量化值；

基于各个所述随机变量的量化值，确定所述预测地的目标状况与所述已知案例的发生 地的案发状况之间的差异度；

采用所述差异度，确定所述预测地的目标状况与所述已知案例的发生地的案发状况之 间的相似度。

在一些可能的实施例中，所述采用所述差异度，确定所述预测地的目标状况与所述已 知案例的发生地的案发状况之间的相似度，包括：

基于以下公式确定所述预测地的目标状况与所述已知案例的发生地的案发状况之间的 相似度：

其中，ω

本公开实施例，在发生可能导致目标灾害的诱发事件后，获取目标灾害的诱发事件的 参数值，并采用预先训练的贝叶斯网络模型对诱发事件的参数值进行分析，根据对诱发事 件参数值的分析结果，确定该诱发事件有可能导致的目标灾害和次衍生灾害所发生的概率。 由于，本公开实施例中预先训练的贝叶斯网络模型是基于次衍生灾害事理图谱构建的，因 而，通过该模型对事故数据的分析处理，可得诱发时间可能带来的直接灾害(即目标灾害) 以及次衍生灾害相关影响，以便于实现提前对的灾害进行预防，以此提升城市危灾害处置 中对于灾害风险的预防能力。

本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显 而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在所写的说明书、 权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例中所需要使用的 附图作简单地介绍，显而易见地，下面所介绍的附图仅仅是本公开的一些实施例，对于本 领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的 附图。

图1为本公开一些实施例提供的一种应用场景图；

图2为本公开一些实施例提供的硬件配置框图；

图3为本公开一些实施例提供的危化品灾害事故衍生示意图；

图4为本公开一些实施例提供的次衍生灾害示例图谱示意图；

图5a为本公开一些实施例提供的灾害分析方法整体流程图；

图5b为本公开一些实施例提供的已知案例发生地数据离散化示意图；

图6a为本公开一些实施例提供的灾害分析方法的另一流程示意图；

图6b为本公开一些实施例提供的危化品灾害推理流程图；

图7为本公开一些实施例提供的事理图谱与知识图谱融合示意图；

图8为本公开一些实施例提供的灾害分析方法的再一流程示意图。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、详尽地描述。在本公开实施 例的描述中，除非另有说明，″/″表示或的意思，例如，A/B可以表示A或B；文本中的 ″和/或″仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B， 可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本公开实施 例的描述中，″多个″是指两个或多于两个。

在本公开实施例的描述中，除非另有说明，术语″多个″是指两个或两个以上，其它量词与之类似。应当理解，此处所描述的实施例仅用于说明和解释本公开，并不用于限定本公开，并且在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

为进一步说明本公开实施例提供的技术方案，下面结合附图以及具体实施方式对此进 行详细的说明。虽然本公开实施例提供了如下述实施例或附图所示的方法操作步骤，但基 于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存 在必要因果关系的步骤中，这些步骤的执行顺序不限于本公开实施例提供的执行顺序。方 法在实际的处理过程中或者控制设备执行时，可以按照实施例或者附图所示的方法顺序执 行或者并行执行。

鉴于相关技术中缺少一种能够分析推理目标灾害的诱发时间，可能带来的次衍生灾害 的方法，本公开实施例提供的一种灾害分析方法，该方法的发明构思为：基于用于记录历 史灾害的已知案例构建次衍生灾害事理图谱，然后基于次衍生灾害事理图谱构建贝叶斯网 络模型结构。采用已知案例对叶斯网络模型训练，使之能够基于目标灾害的诱发事件的一 些相关信息，能够推理出诱发时间导致的目标灾害(即目标灾害)，以及由该目标灾害引发 的一系列次衍生灾害，并且能够给出各个灾害的发生概率。基于得到的对目标灾害和次衍 生灾害的推理结果，可作为参考信息供相关部分对灾害进行相应的处理。由此，本公开实 施例中能够融合次衍生灾害事理图谱和贝叶斯网络模型实现对目标灾害和次衍生灾害的合 理推理并给出发生概率，不仅能够为灾害处理提供合理可靠的信息以便于对次衍生灾害能 够提前预防，本公开实施例提供的灾害分析方法还具有泛化能力，不仅适用于危化品灾害 分析，还能够用于任何会导致次衍生灾害的灾害分析，例如地震、台风、海啸等。

进一步的，本公开中不仅能够融合次衍生灾害事理图谱和贝叶斯网络模型提升灾害分 析的泛化能力，为了能够提高贝叶斯网络模型输出的推理结果的准确性，在训练贝叶斯网 络模型时，将预测地的状况和已知案例的状况之间的差异度作为训练的一个重要参数，从 而优化贝叶斯网络模型的预测结果。

此外，本公开实施例中，还能够和知识图谱进行联动，从预测地的各个地物的知识图 谱中挖掘出潜在的风险点并进行预警，还能够进一步和不同风险点的预案进行联动，给出 潜在风险点的预案，以便于为相关人员进行灾害预警和处置输出具有价值的参考信息。

下面结合附图对本公开实施例中的灾害分析方法进行详细说明。

如图1所示，为本公开所提供的一种灾害分析方法的应用环境示意图，该应用环境中 可以包括网络10、服务器20以及至少一个终端设备30，其中：终端设备30中可包括一 些传感器，例如温湿度传感器、火灾传感器、有毒气体传感器等来获取监控区域的一些信 息，并上报给服务器进行处理。不同传感器可以建立物联网，以便于服务器对不同传感器 进行集中管理。此外，终端设备30中还可以包括智能终端设备如智能手机、台式计算机、 智能手表、智能手环、平板电脑、笔记本等，以便于和传感器和服务器20进行通信按需要 获取相应信息。

终端设备30可以采集可能诱发目标灾害的诱发事件的严重程度，并将诱发事件的严重 程度作为参数值上报给服务器20。服务器20内部存储有预先训练好的贝叶斯网络模型， 可对输入的诱发事件的参数值进行分析，推理出该诱发事件导致的目标灾害以及次衍生灾 害的发生概率，并输出给可显示的终端设备30显示。

同时，服务器20可结合应急备案的知识图谱，挖掘出潜在的风险点并给出相关的预案 供灾害处置。

需要说明的是，本公开实施例中，可以由服务器进行灾害分析，也可以由终端进行灾 害分析，也可以灾害分析的部分步骤由服务器执行，部分步骤由终端设备执行，本公开对 此不作限定。

为了便于理解本公开提供的灾害分析方法，图2中示例性示出了用于灾害分析的电子 设备130的硬件配置框图。该电子设备可以是如前文所述的服务器，也可以是具有灾害处 理能力的终端设备。

下面参照图2来描述根据本公开的这种实施方式的电子设备130，图2显示的电子设 备130仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图2所示，电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于：至少一个处理器131、至少一个存储器132、连接不同系统组件(包括存储 器132和处理器131)的总线133。

总线133表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外 围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。

存储器132可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)1321 和/或高速缓存存储器1322，还可以进一步包括只读存储器(ROM)1323。

存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325，这样的程序模块1324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备、监控器、传感器等)通信，还可与一个或者多个使得用户能与电子设备130交互的设备通信，和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且，电子设 备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN)，广域网(WAN) 和/或公共网络，例如因特网)通信。如图2所示，网络适配器136通过总线133与用于 电子设备130的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备130使用 其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱 动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

在一些可能的实施方式中，本公开提供的灾害分析方法的各个方面还可以实现为一种 程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使 电子设备执行本公开上述描述的根据本公开各种示例性实施方式的一灾害分析方法中的步 骤。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或 者可读存储介质。可读存储介质例如可以是——但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷 举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、 只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑 盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

本公开的灾害分析的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程 序代码，并可以在电子设备上运行。然而，本公开的程序产品不限于此，在本公开中，可 读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或 者器件使用或者与其结合使用。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可 读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或 上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可 读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使 用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、 光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码， 程序设计语言包括面向对象的程序设计语言一诸如Java、C++等，还包括常规的过程式程 序设计语言一诸如″C″语言或类似的程序设计语言。程序代码可以完全地在用户电子设备 上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上 部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子 设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网 (WAN)-连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务 提供商来通过因特网连接)。

本公开所提供的一种灾害分析方法中，通过预先训练的贝叶斯网络模型对目标灾害的 诱发事件的严重程度进行分析，根据分析所得结果进而推断出因诱发事件而导致的目标灾 害以及次衍生灾害。下面，针对如何训练得到贝叶斯网络模型，如何通过贝叶斯网络模型 推理目标灾害和次衍生灾害发生概率以及如何挖掘事故潜在的风险点进行详细说明。

需要说明的是，下文以危化品灾害为例对本公开提供的灾害分析方法进行说明，应当 理解的是其它灾害分析方法与危化品灾害分析方法类似，后文不再赘述。

部分1：贝叶斯网络模型的构建

由于本公开中的贝叶斯网络模型是基于事理图谱构建的，因而在模型构建前，需构建 事理图谱，事理图谱的构建流程如下：

首先从大量危化品事故案例中筛选出事故原因(即诱发事件)、引发的次衍生灾害以 及灾害的后果，并结合专家方面给出的经验及结论，建立事故间的演化关系。

为了更能够学习到更多的事故间的演化关系，在一些可能的实施例中，可采用基于机 器学习方法提取各危化品灾害案例中的逻辑三元组关系，以作为事故演化关系的补充。其 中，三元组包括：危化品事故发生的原因、因果关系以及基于该原因所造成的不良结果。

然后，在危化品灾害演化过程的基础上构建危化品灾害模式。为了更直观的表达出危 化品灾害模式，本公开以危化品装置损坏作为事故原因为例进行说明。如图3所示，在危 化品灾害衍生模式示意图中，危化品泄露事故的主要原因为危化品的容器装置受到损坏， 事故所产生的目标灾害为毒物和易燃易爆物的泄露以及火灾，目标灾害所衍生出的次衍生 灾害为中毒、火灾和爆炸，而事故最终会造成环境污染、人员伤亡、交通阻断的严重后果。

最后，基于危化品灾害模式，通过构建事故实体，确立实体间的关系来得到次衍生灾 害事理图谱。以危化品泄露事故为例，次衍生灾害事理图谱如图4所示，图4中箭头表示因果关系，如危化品泄露的诱因有：管道损坏、储罐破裂、生产设备损坏。导致的目标灾 害有危化品泄露事故，进而导致的衍生灾害有易燃易爆气体泄露以及有毒气体泄露。次衍 生灾害有：爆炸、火灾、土地污染、大气污染、水污染、建筑损坏、人员伤亡、交通堵塞、 农作物死亡以及人员中毒。

在得到次衍生灾害事理图谱后，构建贝叶斯网络模型。次衍生灾害事理图谱中的实体 机贝叶斯网络的节点，用于来构建出贝叶斯网络模型结构。

在一些实施例中，贝叶斯网络模型可以对连续的值通过高斯分布的概率密度函数计算 灾害发生概率，即，在满足符合正态分布的条件下进行计算。本公开实施例中为了获得更 精确的结果以及计算过程简便有效，将次衍生灾害事理图谱中相关数据进行离散化，通过 贝叶斯网络结构基于离散值计算和输出次衍灾害生事理图谱中各灾害的发生概率。如表1 所示，为贝叶斯网络模型中不同节点的离散化示例。在表1中，以序号A为例，状态值用 于描述严重程度，严重对应的数值为1、重大对应数值2、一般程度对应数值3。有些节点采用严重程度描述，有些节点可以采用是否发生来描述，例如以农作物死亡为例，其状态值″是″表示发生农作物死亡的发生概率，″否″表示未发生农作物死亡的发生概率。需 要说明的是，具体状态值的设置及其对应数值可根据实际需求设置，表1仅是一种示例， 并不用于限定本公开实施例。

表1贝叶斯网络模型中不同节点的离散化示例

为了完成对贝叶斯网络模型的训练，实施时以已知案例作为训练样本，然后如图5a所 示，在步骤501中：针对每个已知案例分别执行以下操作得到已知案例的量化结果，包括 以下子步骤；

步骤5011：按照预设量化规则对已知案例中的诱发事件的严重程度进行量化处理，得 到诱发事件的参数值；

如表1中A、B、C三项作为诱发事件，得到各个已知案例中诱发事件的参数值。

步骤5012：基于已知案例的诱发事件的参数值，确定发生诱发事件导致目标灾害的条 件概率。

步骤5012中得出的条件概率为离散化后的值，即如表1所述的值。

本公开实施例中，已知案例可来自不同地域，不同情况下诱发的灾害事故。对已知案 例进行学习时，可以无差别的学习。这样得到的贝叶斯网络模型反映的是一个平均情况。 然而灾害分析和地域的状况有关，不同时间或条件下的危化品灾害事故可能造成不同的结 果，(例如，易燃易爆物在降雨条件下泄露，在干燥天气条件下泄露所可能造成的后果完全 不同)。地域的状况例如如表2所示，可包括地形条件(如丘陵、平原等)、气候条件和降雨量有关。当然，具体实施时，地域的状况可以根据实际需求设置，表2仅是一种示例， 并不用于限制本公开实施例。

表2

由于地域状况会影响灾害的情况，故此无差别的学习会导致对预测区域的预测结果和 其实际情况仍会有一定的差别。有鉴于此，本公开实施例中，在训练贝叶斯网络模型时， 可以根据预测地的实际情况和各个已知案例案发状况，进行有差别的学习。其原则可概括 为加大对状况相似的已知案例的学习力度。例如可以采用预测地的实际状况和已知案例的 案发状况的相似度作为权重对目标灾害的发生的条件概率进行调整。然后基于调整后的条 件概率训练贝叶斯网络模型。

在一些实施例中，本公开实施例为了进一步优化贝叶斯网络模型，使之获得更为准确 的推理结果，还可以为同一预测地建立不同状况下的贝叶斯网络模型。可实施为在步骤502 中，在每个目标状况下分别对已知案例进行学习获得相应的贝叶斯网络模型。可包括以下 子步骤：对预测地的多个实际状况中的每个目标状况分别执行：

步骤5021，采用预测地的目标状况与已知案例发生地的案发状况之间的相似度对条件 概率进行调整；其中，相似度与调整后的条件概率之间存在正相关关系。

在一些实施例中，如表2所示，不同地域的状况可以从多个维度来表示，每个维度(如 地形条件、气候条件)分别作为一个随机变量，每个随机变量进行量化后有其相应的取值。 实施时，预测地的目标状况与已知案例发生地的案发状况之间的相似度可实现为包括以下 步骤；

步骤A1：分别获取预测地和已知案例的发生地的各个随机变量的量化值；

步骤A2：基于各个随机变量的量化值，确定预测地的目标状况与已知案例的发生地的 案发状况之间的差异度；

步骤A3：采用差异度，确定预测地的目标状况与已知案例的发生地的案发状况之间的 相似度。

在实施时首先需要对事故预测地的随机变量进行实施勘测，得到预测地的目标状况的 随机变量的数据。然后可根据方差的原理，通过计算已知案例发生地和事故预测地随机变 量的累计平方差之和来得到出事故预测地与事故区域中的差异度b

需要说明的是，针对任一随机变量，计算差异度的方式不限于公式(1)所示，例如，还可以将二者的比值与1的差值作为差异度。

相似度ω

其中，y

可以理解的是，已知案列发生地与事故预测地的相似度越高时，则该区域内发生的同 类事故就越有参考价值。

最后，将所得到的相似度ω

V

其中，p(危化品泄露事故＝1|生产设备损坏＝1)表示，在生产设备损坏，且损坏程度为严重的情况下，出现严重的危化品泄露时候的概率，″＝1″是由于事故状态为严重时，所对应的事故的离散化值为1。

步骤5022，基于调整后的目标灾害的条件概率，确定已知案例中次衍生灾害的发生概 率；

步骤5023，在获取各个已知案例的量化结果后，采用各个已知案例的量化结果对贝叶 斯网络模型进行训练。

如图5b所示，其中序号1-16表示16个已知案例，每行为已知案例离散化后的数值，其中A-U分别表示诱发事件、目标灾害和各种衍生灾害的离散化值。

对于预测地的不同目标状况，可以分别确定每种目标状况下预测地和各个已知案例的 案发状况之间的相似度，然后对于目标灾害(例如危化品泄露)发送的条件概率进行修改。 假设图5b中的D项表示危化品泄露，A-C为三种导致危化品泄露的诱发事件，则对条件 概率进行修正，如V

部分2：推断目标灾害和次衍生灾害的发生概率

基于前文所述，贝叶斯网络模型是基于次衍生灾害事理图谱构建的，次衍生灾害事理 图谱中的实体包括诱发事件、目标灾害和次衍生灾害，实体之间的关系用于表示实体之间 的因果关系。在构建和训练贝叶斯网络模型之后，可以采用该模型对诱发事件的参数值进 行分析处理，对灾害进行推理和预测。如图6a所示，为本公开实施例提供的灾害分析方法 的流程示意图，包括：

步骤601，获取目标灾害的诱发事件的参数值；诱发事件的参数值用于表示诱发事件 的严重程度。

实施时，以次衍生灾害的事理图谱中各目标灾害的诱发事件的为节点，获取各诱发事 件的严重程度，其中，各诱发事件的严重程度包括：诱发事件的严重状态以及各状态所对 应的预设参数值。量化数据如表1所示在此不再赘述。

步骤602，采用预先训练的贝叶斯网络模型对诱发事件的参数值进行分析，确定基于 诱发事件导致的目标灾害和次衍生灾害各自的发生概率。

在另一个实施例中，同一预测地对同一种灾害进行分析的贝叶斯网络模型具有多个。 即，如前文所述的，针对不同目标状况分别训练一个模型。故此，在实施时，得到目标灾害的诱发事件的参数值之后，可以根据预测地的当前状况，寻找与预测地的当前状况最接近的目标状况对应的贝叶斯网络模型。然后采用该贝叶斯网络模型对诱发事件的参数值进行分析得到推理结果。

实施时，为例简便和减少计算量，本公开实施例中不同灾害的发生概率是离散化的结 果。以图6b中的危化品灾害为例，诱发事件即为图中示出的A生产设备损坏、B储罐破裂 以及C管道损坏，各个诱发事件的参数值分别如图6b所示为3、2、1。目标灾害即为图6b中示出的D危化品泄露事故；次衍生灾害包括图6b中示出的E易燃易爆气体泄露和F 有毒气体泄露D、E、F各个灾害的发生概率经贝叶斯网络模型可以推理出各个灾害的发生 概率。其中，图6b中的危化品泄露事故的发生概率包括结果为″严重″时的发生概率70％， 结果为″重大″时的发生概率20％以及结果为″一般″时的发生概率10％。而有毒气体泄 漏的发生概率包括结果为″是″时的发生概率70％以及结果为″否″时的发生概率30％。

步骤603，输出目标灾害和次衍生灾害各自的发生概率。

例如，当有服务器进行灾害分析时，可以将各个灾害的发生概率以图6b所示的形式进 行输出，以便于用户了解灾害的诱发条件以及各个灾害的发生概率。其中，在输出显示时， 如图6b所示可以将发生概率高的灾害进行凸出显示，以便于用户能够关注到危险的灾害。

在另一个实施例中，能够推断灾害的发生概率仅仅是灾害处理的一部分内容，本公开 实施例为了能够提供更为全面的信息，帮助用户进行灾害处置。可以构建预测地的知识图 谱。该知识图谱中包括同一预测地的各个地物及其属性。其属性可包括地理位置、负责人 信息，还可以额外增加危险标签以便于和贝叶斯网络模型的推断结果进行联动。下面对如 何结合知识图谱挖掘潜在风险点进行说明。

部分3：挖掘事故潜在的风险点

实施时，为知识图谱中的各实体添加危险标签，该危险标签与次衍生灾害事理图谱中 目标灾害和次衍生灾害中的指定灾害之间相互关联。次衍生灾害事理图谱和知识图谱联动 时，通过该关联关系挖掘潜在风险点。

如，诱发事件导致的目标灾害和次衍生灾害各自的发生概率被贝叶斯网络模型推测出 来之后，若指定灾害的发生概率满足预设的风险点挖掘条件时，可搜索知识图谱中满足预 设条件的目标实体。其中，预设条件为目标实体与诱发事件的发生地之间的距离在指定距 离内、且目标实体与指定灾害具有关联关系的危险标签。

一个示例性的实施例如图7所示，假设次衍生灾害事理图谱中易燃易爆品泄露会导致 化学火灾爆炸，事理图谱中该实体和知识图谱中的标记易燃易爆的危险标签具有关联关系。 故此，根据贝叶斯网络模型推断出具有化学火灾爆炸的可能性较大时(即满足化学火灾爆 炸的风险点挖掘条件时)，在产生化学火灾爆炸的地域2km范围内，在知识图谱上搜索具 有易燃易爆属性的实体。如图7所示，搜索到加油站1，具有易燃易爆属性，则激活加油站 1的危险标签。被激活的危险标签，将结合其目标实体加油站1，查找出对应的预案并输出 给用户，作为灾害处置的参考信息。例如，如表3所示未通过挖掘定位到的潜在风险点的 示例。

表3

在整体介绍了本公开提供的灾害分析方法之后，为了便于理解在发生危化品灾害事故 后，如何利用本公开所提供的分析方法对可能发生的次衍生灾害进行预防，如图8所示。 为危化品衍生灾害分析方法的整体流程进行说明，包括以下步骤：

步骤801：危化品灾害案例分析，在得到对危化品事故案例中筛选事故原因、引发的 次生灾害和灾害结果之后，结合专家结论及建议，在步骤802：构建危化品次衍得到次衍生灾害事理图谱之后，可以在步骤803中，对事理图谱中各诱发事件的相关参数进行量化操作，同时在步骤804中，基于次衍生灾害事理图谱构建贝叶斯模型结构；然后结合本公 开实施例提供的优化贝叶斯网络模型的方法，在步骤805中，基于已知案例训练贝叶斯网 络模型使之能够计算出危化品灾害事故的目标灾害和次衍生灾害的发生概率。

为了能够进一步挖掘出潜在风险点，在步骤806中，将次衍生灾害事理图谱和知识图 谱进行融合，建立指定灾害和知识图谱中危险标签之间的关联关系。

在接报到事故后，将接报的事故作为诱发事件进行量化得到诱发事件的参数值，然后 在步骤807中，基于训练好的贝叶斯网络模型进行危化品次衍生灾害分析。得到分析结果 后，在步骤808中当分析结果的指定灾害满足风险点挖掘条件时，基于步骤806融合的次 衍生灾害事理图谱和知识图谱，挖掘出潜在的风险点，并查找相应的预案输出显示。如，当发生危化品灾害事故时，次衍生灾害事理图谱中的指定灾害若满足风险点挖掘条件，则根据指定灾害具有关联关系的危险标签，在知识图谱相挖掘出潜在风险点。

此外，为训练出更具有针对性和预测特定区域的贝叶斯网络模型，在执行步骤807危 化品次衍生灾害分析时，需将已知案例发生地与事故预测地中的相关参数待遇本公开所提 供的优化后的贝叶斯公式中进行计算，以此得到危化品灾害事故可能造成次衍生灾害的潜 在风险点。