本发明的实施例一般涉及消防领域，并且更具体地，涉及基于关联分析的火灾隐患评估方法和装置。
背景技术：
针对九小场所、人员密集场所等容易发生火灾的场所进行火灾隐患的监管和防范一直都是消防监管的重点监管对象。而目前对火灾隐患的评估都是基于人工专家经验实现的。
借基于人工专家经验实现的火灾隐患评估分析方法主要缺点为：
1、基于人工专家经验辨识的火灾隐患一般比较宏观，难于做到针对特定场所、特定环境的精准因素辨识。
2、基于人工专家经验辨识的火灾隐患评估方法，一般是过去几十年或过去几年经验的总结，难于根据城市消防安全动态形式，做到动态调整，适应当前城市安全新形式。
3、随着市场经济高速发生，城市化进程不断加快，城市建设日新月异，大量的超高层建筑、地下建筑等新建筑不断涌现，难于依托传统人工经验，实现这些新场所的火灾隐患评估。
技术实现要素：
根据本发明的实施例，提供了一种基于关联分析的火灾隐患评估方案。
在本发明的第一方面，提供了一种基于关联分析的火灾隐患评估方法。
该方法包括：
建立知识库；所述知识库包括因素知识和因素模式知识，所述因素知识是用于表示在一种火灾类型中的单个火灾因素对火灾的影响程度，为一个四元组形式的rule，所述四元组包括knoid、firetypeid、因素名称、重要程度，其中，knoid是因素知识在知识库中的唯一id，firetypeid是与所述单个火灾因素关联的火灾类型id，因素名称是所述单个火灾因素的名称，所述重要程度为用于表征所述单个火灾因素在firetypeid对应的火灾类型中的平均重要程度的数值；所述因素模式知识是用于表示在一种火灾类型中的多个火灾因素共存的模式对火灾的影响程度，为一个三元组形式的rule，所述三元组包括knoid、model、因素模式重要程度；knoid为因素模式知识在知识库中的唯一id；model为与特定火灾类型存在关联关系的多个火灾因素组成的因素模式模型；因素模式重要程度为用于表征该因素模式模型在所述特定火灾类型中的平均重要程度的数值；
获取待评估建筑物的建筑物信息；所述建筑物信息包括建筑物基本信息和建筑物隐患因素信息，所述建筑物隐患因素信息包括一个或多个火灾因素；
判断待评估建筑物的建筑物信息是否符合知识库中的知识；如果建筑物隐患因素信息与因素知识的因素名称一致或与因素模式知识的model一致，则待评估的建筑物信息符合知识库中的知识，输出判断结果t；否则待评估的建筑物信息不符合知识库中的知识，输出判断结果f；
根据判断结果计算待评估建筑物的火灾隐患评估结果：
其中，“rule.重要程度”为知识库中因素知识或因素模式知识的重要程度，0＜rule.重要程度≤1；“rule.result”为待评估建筑物信息是否符合知识库中因素知识或因素模式知识的判断值，如果判断结果为t，则rule.result取值为1；如果判断结果为f，则rule.result取值为0。
进一步地，按照下式计算所述因素知识中的重要程度：
其中，“火灾因素.频率”是针对一种火灾类型，所述单个火灾因素在城市消防火灾事故分析报告中出现的频率；ξ是平衡因子，属于超参数，是一个经验因子。
进一步地，按照下式计算所述因素模式知识中的因素模式重要程度：
因素模式重要程度＝因素模式.置信度×ω
其中，“因素模式.置信度”是所述因素模式的置信度；ω是平衡因子，属于超参数，是一个经验因子。
在本发明的第二方面，提供了一种基于关联分析的火灾隐患评估装置。
该装置包括：
建立模块，用于建立知识库；所述知识库包括因素知识和因素模式知识，所述因素知识是用于表示在一种火灾类型中的单个火灾因素对火灾的影响程度，为一个四元组形式的rule，所述四元组包括knoid、firetypeid、因素名称、重要程度，其中，knoid是因素知识在知识库中的唯一id，firetypeid是与所述单个火灾因素关联的火灾类型id，因素名称是所述单个火灾因素的名称，所述重要程度为用于表征所述单个火灾因素在firetypeid对应的火灾类型中的平均重要程度的数值；所述因素模式知识是用于表示在一种火灾类型中的多个火灾因素共存的模式对火灾的影响程度，为一个三元组形式的rule，所述三元组包括knoid、model、因素模式重要程度；knoid为因素模式知识在知识库中的唯一id；model为与特定火灾类型存在关联关系的多个火灾因素组成的因素模式模型；因素模式重要程度为用于表征该因素模式模型在所述特定火灾类型中的平均重要程度的数值；
获取模块，用于获取待评估建筑物的建筑物信息；所述建筑物信息包括建筑物基本信息和建筑物隐患因素信息，所述建筑物隐患因素信息包括一个或多个火灾因素；
判断模块，用于判断待评估建筑物的建筑物信息是否符合知识库中的知识；如果建筑物隐患因素信息与因素知识的因素名称一致或与因素模式知识的model一致，则待评估的建筑物信息符合知识库中的知识，输出判断结果t；否则待评估的建筑物信息不符合知识库中的知识，输出判断结果f；
计算模块，用于根据判断结果计算待评估建筑物的火灾隐患评估结果：
其中，“rule.重要程度”为知识库中因素知识或因素模式知识的重要程度，0＜rule.重要程度≤1；“rule.result”为待评估建筑物信息是否符合知识库中因素知识或因素模式知识的判断值，如果判断结果为t，则rule.result取值为1；如果判断结果为f，则rule.result取值为0。
进一步地，按照下式计算所述因素知识中的重要程度：
其中，“火灾因素.频率”是针对一种火灾类型，所述单个火灾因素在城市消防火灾事故分析报告中出现的频率；ξ是平衡因子，属于超参数，是一个经验因子。
进一步地，按照下式计算所述因素模式知识中的因素模式重要程度：
因素模式重要程度＝因素模式.置信度×ω
其中，“因素模式.置信度”是所述因素模式的置信度；ω是平衡因子，属于超参数，是一个经验因子。
在本发明的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
在本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本发明的第一方面的方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
本发明借助自然语言处理技术提取出引起火灾事故的关键因素，实现对城市消防火灾事故分析报告的智能分析，对火灾事故关键因素自动提取，极大的提高了火灾事故原因分析的效率，再借助大数据挖掘算法从海量的城市消防火灾事故分析报告中挖掘出引起火灾事故的关键因素模式，基于数据挖掘获取的火灾事故关键因素及模式，构建火灾隐患知识图谱，最后借助该知识图谱进行建筑物火灾隐患评估，实现火灾隐患评估由主要依靠人工经验向数据驱动的智能型火灾隐患评估模式转换，提高了评估的准确性和效率。
附图说明
结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本发明的实施例的基于关联分析的火灾隐患评估方法的流程图；
图2示出了根据本发明的实施例的基于关联分析的火灾隐患评估装置的方框图；
图3示出了能够实施本发明的实施例的示例性电子设备的方框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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全部其他实施例，都属于本发明保护的范围。
另外，本文中术语“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，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明中，通过对城市消防火灾事故分析报告的分析挖掘，借助自然语言处理技术提取出引起火灾事故的关键因素，再借助大数据挖掘算法挖掘出引起火灾事故的关键因素模式，基于数据挖掘获取的火灾事故关键因素及模式，构建火灾隐患知识图谱，最后借助该知识图谱实现建筑物火灾隐患评估，达到了火灾隐患评估由主要依靠人工经验向数据驱动的智能型火灾隐患评估模式转换的目标，同时也提高了评估的准确性和评估效率。
图1示出了本发明实施例的基于关联分析的火灾隐患评估方法的流程图。
该方法包括：
s101、建立知识库；
知识库是知识的集合，主要包含两类知识：因素知识和因素模式知识，其中，因素知识是用于表示在一种火灾类型中的单个火灾因素对火灾的影响程度，因素模式知识是用于表示在一种火灾类型中的多个火灾因素共存的模式对火灾的影响程度。
建立知识库即需要对因素知识和因素模式知识进行提取。
因素知识的提取方法包括：
首先按火灾类型对城市消防火灾事故分析报告进行分类；所述火灾类型例如是“由于装修引起的火灾”。
然后，对每类火灾利用统计方法，统计在本类型火灾中每种火灾因素出现的频率。
其中，火灾因素是借助自然语言处理技术的基于统计的分词算法，从城市消防火灾事故分析报告中提取，并经人工审核后获得的。具体地，基于统计的分词算法，将城市消防火灾事故分析报告中的长句进行分词，提取分词后的火灾因素，例如，某事故分析报告中，有如下表述“存在飞溅焊渣引燃没有及时发现处理”，则分词后的结果为“存在 飞溅 焊渣 引燃 没有 及时 发现 处理”，已构建的火灾隐患知识图谱中有如下火灾隐患知识：“飞溅焊渣”，则我们可以推断，引发该火灾的火灾因素之一为“飞溅焊渣”。
在该步骤中，针对每类火灾，统计火灾因素的出现频率。例如：总共有1万份由于装修引起的火灾事故报告中，火灾因素“飞溅焊渣”在其中的100份事故报告中出现，因此火灾因素“飞溅焊渣”在由于装修引起的火灾类型中出现的频率为0.01；
最后，利用重要程度计算公式计算每种火灾因素的重要程度，计算公式如下所示：
上述公式中的“火灾因素.频率”是前一个步骤计算的该火灾因素的频率；ξ是平衡因子，属于超参数，是一个经验因子。
通过上述方法计算得到的各火灾因素在各种类型火灾中的重要程度即为因素知识；
可选地，因素知识为四元组形式的规则(rule)，表示为(knoid，firetypeid，因素名称，重要程度)，其中，knoid是该rule在知识库中的唯一id，firetypeid是该rule的火灾因素关联的火灾类型id，该火灾类型id对应于特定的火灾类型，因素名称是该火灾因素的名称，重要程度是根据上述方法计算的数值，表征该火灾因素在类型为firetypeid的火灾事故中的平均重要程度。作为一个示例，知识库中的一条因素知识为(knoid1，firetypeid1，“存放液化气”，0.01)表示该条知识的id为1，对于火灾类型id为1的火灾事故，火灾因素“存放液化气”的重要程度值为0.01。由此，通过四元组表达的因素知识可以体现id编码、火灾类型、因素名称和重要程度四个方面的信息，基本可以描述一种火灾因素在一种火灾类型中对火灾的影响程度，是待评估建筑物的判断基础。
因素模式知识的提取方法包括：
首先对城市消防火灾事故分析报告的历史数据进行自动分词，辨析出其中的火灾类型和火灾因素；可选地，通过人工对辨析出的火灾类型和火灾因素进行审核、确认及修改；其次，利用大数据关联挖掘算法，例如“apriori算法”发现其中高频出现的因素模式，例如出现次数高于平均出现次数的因素模式，并获得上述高频出现的每种因素模式的置信度，通过该挖掘算法能获得两种类型的因素模式：类型a{“火灾因素1”，…，“火灾因素n”}->“火灾因素i”和类型b{“火灾因素1”，…，“火灾因素n”}->“火灾类型i”；再次，从上述挖掘出的因素模式中剔除类型a的因素模式，只留下类型b的因素模式；最后，利用重要程度计算公式计算每个因素模式的重要程度，计算公式如下所示：
因素模式重要程度＝因素模式.置信度×ω
上述公式中的“因素模式.置信度”是前一个步骤计算的该因素模式的置信度；ω是平衡因子，属于超参数，是一个经验因子。
通过上述方法计算得到的各因素模式在各种类型火灾中的重要程度即为因素模式知识；
可选地，因素模式知识为三元组形式的规则(rule)，表示为：(knoid，model，因素模式重要程度)，其中knoid是该rule在知识库中的唯一id；model为与火灾类型存在潜在关联关系的多个火灾因素组成的因素模式模型，表达为{因素1，…，因素n}->firetypeid，用于表示多种火灾因素与火灾类型的关联关系，并为火灾类型分配唯一id；因素模式重要程度是根据上述方法计算的数值，表征该因素模式对该火灾类型的重要程度
作为一个示例，知识库中的一条因素模式知识为(knoid2，{“存放液化气”,“飞溅焊渣”}->firetypeid2，0.1)表示该条知识的id为2，该知识表明同时存在“存放液化气”和“飞溅焊渣”因素，在火灾类型为2的火灾事故中的重要程度为0.1。由此，通过三元组表达的因素模式知识可以体现id编码、因素模式的模型和因素模式重要程度三个方面的信息，基本可以描述一组火灾因素组成的模型作为整体在一种火灾类型中对火灾的影响程度，是待评估建筑物的判断基础，也是因素知识的补充数据。
通过建立知识库，建立起了待评估建筑物的大数据判断基础，构建得到火灾隐患知识图谱。
s102、获取待评估建筑物的建筑物信息。
建筑物信息包括建筑物基本信息和建筑物隐患因素信息；其中建筑物基本信息包括建筑物形式信息和建筑物用途信息；建筑物隐患因素信息包括火灾因素信息、建筑物的消防设施信息和该消防设施的状态信息。
待评估的建筑物信息中至少包括火灾因素信息或至少包括建筑物的消防设施信息与该消防设施的状态信息的组合。
在一种实施例中，建筑物基本信息包括建筑物形式和建筑物用途，其中建筑物形式包括高层、超高层、多层、地下等，建筑物用途包括九小场所、体育场馆、幼儿园、商场、饭店、酒吧等。
在一种实施例中，建筑物隐患因素信息包括火灾因素信息，例如“存放液化气”、“飞溅焊渣”等。
在一种实施例中，建筑物隐患因素信息包括建筑物的消防设施信息和该消防设施对应的状态信息，用“&”进行连接，表示状态信息对应的消防设施；例如“安全出口”&“被封闭”、“灭火器”&“过期”等。
从获取的建筑物基本信息中可以提取出分词后的建筑物形式字段，例如“多层”、“高层”以及建筑物用途字段，例如“商场”、“饭店”等，作为与知识库中知识进行比较判断的数据来源基础。
通过提取建筑物隐患因素信息中的火灾因素信息、建筑物的消防设施信息和该消防设施的状态信息，可以生成该建筑物进行火灾隐患评估的关键要素，通过关键要素与知识库中的知识进行判断，使评估结果更加准确。
s103、判断待评估建筑物的建筑物信息是否符合知识库中的知识，输出判断结果。
通过知识推理引擎，根据待评估的建筑物信息，逐条核对该待评估建筑物是否符合知识库中的每一条知识。知识推理引擎是知识推理和演绎的计算机程序。当该建筑物信息符合某条知识时，则知识推理引擎对该条知识的计算结果为ture，简称t；如果该建筑物不符合某条知识时，则知识推理引擎对该条知识的计算结果为false，简称f。
通过知识推理引擎的判断过程，将待评估的建筑物信息与知识库中的知识进行判别，找到建筑物信息中存在火灾隐患的因素，对应知识库中的影响程度因数，对应出该火灾隐患因素对火灾的影响，实现了实现建筑物火灾隐患的智能辅助决策，达到了火灾隐患评估由主要依靠人工经验向数据驱动的智能型火灾隐患评估模式转换的目标，同时，也提高了评估的准确性和评估效率。
在一个实施例中，如果待评估建筑物信息中的建筑物隐患因素信息与知识库中因素知识的因素名称一致，则待评估的建筑物信息符合知识库中的知识，否则待评估的建筑物信息不符合知识库的中知识。例如，获取到待评估建筑物信息为“商场”、“存放液化气”；知识库中有一条知识knoid1：(knoid1，firetypeid1，“存放液化气”，0.01)；即待评估的建筑物信息中“存放液化气”与知识库中名称为“存放液化气”的因素知识一致，判定待评估的建筑物信息符合知识库中的知识，则当前判断结果输出t。那么知识推理引擎基于知识knoid1：(knoid1，“存放液化气”，->firetypeid1，0.01)，可以推断出(“商场”->firetypeid1，0.01)，该结果表明，根据该“商场”本次执法检查结果，可以推断出本商场存在firetypeid1类型火灾隐患，且隐患的影响程度为0.01。
在一个实施例中，如果待评估建筑物信息中的建筑物隐患因素信息与知识库中因素模式知识的model一致，则待评估的建筑物信息符合知识库中的知识，否则待评估的建筑物信息不符合知识库的中知识。例如，待评估建筑物信息为“商场”、“存放液化气”&“飞溅焊渣”；知识库中有一条id为2的知识：(2，{“存放液化气”，“飞溅焊渣”}->2，0.1)；即待评估建筑信息中“存放液化气”和“飞溅焊渣”与知识库中model为“存放液化气”，“飞溅焊渣”的因素模式知识一致，判定待评估的建筑物信息符合知识库中知识，则当前判断结果输出t。那么知识推理引擎基于知识2：(2，{“存放液化气”，“飞溅焊渣”}->2，0.1)，可以推断出(“商场”->2，0.1)，该结果表明，根据该“商场”本次执法检查结果，可以推断出本商场存在firetypeid为2的火灾隐患，且隐患的影响程度为0.1。
在一个实施例中，待评估建筑物信息为“高层”、“窗户”&“关闭”；如果待评估的建筑物信息不符合知识库的中知识，则判断结果输出为f。
s104、根据判断结果以及所述知识库中的知识计算出待评估建筑物的火灾隐患评估结果。
其中，“rule.重要程度”为知识库中的一条知识的重要程度，取值范围为(0,1]；“rule.result”为待评估建筑物信息是否符合知识库中该条知识的判断值，如果判断结果为t，则rule.result取值为1；如果判断结果为f，则rule.result取值为0。将符合知识库的重要程度的值求和，若不小于火灾隐患阈值1，则判定该建筑物有火灾隐患。
在一种实施例中，待评估建筑物信息为“商场”、“存放液化气”&“飞溅焊渣”，知识库中有一条知识knoid2：(knoid2，{“存放液化气”，“飞溅焊渣”}->firetypeid2，0.1)，即待评估建筑信息中““存放液化气”&“飞溅焊渣””与知识库中model为“存放液化气”，“飞溅焊渣”的因素模式知识一致，判定待评估的建筑物信息符合知识库中的该条知识，则判断结果为t。那么知识推理引擎基于知识knoid2：(knoid2，{“存放液化气”，“飞溅焊渣”}->firetypeid2，0.1)，可以推断出(“商场”->firetypeid2，0.1)。如果待评估建筑物信息中有符合知识库中知识的火灾因素一共15条，根据公式：
则对于当前待评估建筑物，知识库中有15条符合的知识，其rule.result取值为1，且每条知识的rule.重要程度为0.1，其求和后为1.5＞1，故当前待测评估建筑物有火灾隐患。
通过上述根据判断结果计算出待评估的建筑物的火灾隐患评估结果的方法，可以全面的将各个火灾隐患因素进行统计，根据其各自不同的重要程度取值进行累加，实现建筑物火灾隐患自动判断评估，输出评估结果，全面客观的对待测建筑物的火灾隐患进行评估，提高了评估的准确性和评估效率。
优选的也可以将待评估的建筑物基本信息和建筑物隐患因素信息以规则形式进行组合。例如(buildingid，“建筑物形式”，“火灾因素”)、(buildingid，“建筑物用途”，“火灾因素”)、(buildingid，“建筑物形式”，“建筑物的消防设施信息”&“该消防设施的状态信息”)等。
作为一种可实现上述方法的实施例，通过自然语言“商场中存放液化气，并且飞溅焊渣，设置有灭火器，但已过期，所有安全出口被封闭。”从中获取到建筑物信息为：
信息1：(buildingid2，“商场”，“存放液化气”)；
信息2：(buildingid1，“商场”，“存放液化气”&“飞溅焊渣”)；
信息3：(buildingid3，“地下”，“灭火器”&“过期”)；
信息4：(buildingid4，“高层”，“安全出口”&“被封闭”)。
将上述待评估的建筑物信息与知识库中的知识进行比较判断：
对应信息1，知识库中有一条知识knoid1：(knoid1，“存放液化气”->firetypeid1，0.01)，其判断结果为t，rule.result取值为1；
对应信息2，知识库中有一条知识knoid2：(knoid2，{“存放液化气”，“飞溅焊渣”}->firetypeid1，0.1)，其判断结果为t，rule.result取值为1；
对应信息3，知识库中有一条知识knoid3：(knoid3，{“灭火器”，“过期”}->firetypeid2，0.7)，其判断结果为t，rule.result取值为1；
对应信息4，知识库中有一条知识knoid4：(knoid4，{“安全出口”，“被封闭”}->firetypeid2，0.3)，其判断结果为t，rule.result取值为1。
根据判断结果计算出待评估的建筑物的火灾隐患评估结果：
根据公式：
最终计算出待评估建筑物的火灾隐患值为1.11＞1，故待评估建筑物存在火灾隐患，输出评估结果。
本发明借助自然语言处理技术提取出引起火灾事故的关键因素，实现对城市消防火灾事故分析报告的智能分析，对火灾事故关键因素自动提取，极大的提高了火灾事故原因分析的效率，再借助大数据挖掘算法从海量的城市消防火灾事故分析报告中挖掘出引起火灾事故的关键因素模式，基于数据挖掘获取的火灾事故关键因素及模式，构建火灾隐患知识图谱，最后借助该知识图谱进行建筑物火灾隐患评估，实现火灾隐患评估由主要依靠人工经验向数据驱动的智能型火灾隐患评估模式转换，提高了评估的准确性和效率。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
图2示出了根据本发明的实施例的基于关联分析的火灾隐患评估装置200的方框图。
装置200包括：
201、建立模块，用于建立知识库；
知识库是知识的集合，主要包含两类知识：因素知识和因素模式知识，其中，因素知识是用于表示在一种火灾类型中的单个起火因素对火灾的影响程度。
在一种实施例中，因素知识利用四元组表示：(knoid，firetypeid，因素名称，重要程度)，其中，knoid是该知识在知识库中唯一id，firetypeid是该隐患因素关联的火灾类型id，因素名称是该隐患因素的名称，重要程度是表征该隐患因素在类型为firetypeid的火灾事故中的平均重要因素，反应了该隐患因素在关联的火灾类型中的影响程度。
在一种实施例中，因素知识：(knoid1，firetypeid1，“存放液化气”，0.01)，表示在知识库中有一条知识id为knoid1的，火灾类型为firetypeid1的火灾历史事故中，“使用液化气”因素的重要性为0.01。
因素知识是借助自然语言处理技术的基于统计的分词算法，从城市消防火灾事故分析报告中提取，并经人工审核后获得。
通过建立模块建立知识库，建立待评估建筑物的大数据判断基础，构建火灾隐患知识图谱。
202、获取模块，用于获取待评估的建筑物信息；
建筑物信息包括建筑物基本信息和建筑物隐患因素信息；其中建筑物基本信息包括建筑物形式信息和建筑物用途信息；建筑物隐患因素信息包括建筑物的消防设施信息和该消防设施的状态信息。
在一种实施例中，建筑物基本信息包括建筑物形式和建筑物用途，其中建筑物形式包括高层、超高层、多层、地下等，建筑物用途包括九小场所、体育场馆、幼儿园、商场、饭店、酒吧等。
在一种实施例中，建筑物隐患因素信息包括建筑物的消防设施信息和该消防设施的状态信息，例如“安全出口”&“被封闭”、“灭火器”&“过期”等。
从获取的建筑物信息中可以提取出建筑物信息，例如“多层”、“商场”、“灭火器”、“过期”，作为与知识库中知识进行比较判断的数据来源基础。
通过提取建筑物信息中的建筑物形式、建筑物用途、建筑物的消防设施信息和该消防设施的状态信息可以初步生成该建筑物进行火灾隐患评估的关键要素，通过关键要素与知识库中的知识进行判断，使评估结果更加准确。
203、判断模块，用于判断待评估的建筑物信息是否符合知识库中的知识，输出判断结果。
通过知识推理引擎，根据待评估的建筑物信息，逐条核对该待评估建筑物是否符合知识库中的每一条知识。知识推理引擎是知识推理和演绎的计算机程序。当该建筑物信息符合某条知识时，则知识推理引擎对该条知识的计算结果为ture；如果该建筑物不符合某条知识时，则知识推理引擎对该条知识的计算结果为false。
通过知识推理引擎的判断过程，将待评估的建筑物信息与知识库中的知识进行判别，找到建筑物信息中存在火灾隐患的因素，对应知识库中的影响程度因数，对应出该火灾隐患因素对火灾的影响，实现了实现建筑物火灾隐患的智能辅助决策，达到了火灾隐患评估由主要依靠人工经验向数据驱动的智能型火灾隐患评估模式转换的目标，同时，也提高了评估的准确性和评估效率。
204、计算模块，用于根据判断结果计算出待评估的建筑物的火灾隐患评估结果。
其中，rule.重要程度为知识库中的某条知识的重要程度，取值范围为(0,1]；rule.result为待评估建筑物是否满足知识库中某条知识的判断值，如果判断结果为t，则rule.result取值为1；如果判断结果为f，则rule.result取值为0。
图3示出了可以用来实施本发明的实施例的电子设备300的示意性框图。如图所示，设备300包括中央处理单元(cpu)301，其可以根据存储在只读存储器(rom)302中的计算机程序指令或者从存储单元308加载到随机访问存储器(ram)303中的计算机程序指令，来执行各种适当的动作和处理。在ram303中，还可以存储设备300操作所需的各种程序和数据。cpu301、rom302以及ram303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。
设备300中的多个部件连接至i/o接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元301执行上文所描述的各个方法和处理，例如方法s101～s104。例如，在一些实施例中，方法s101～s104可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由rom302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到ram303并由cpu301执行时，可以执行上文描述的方法s101～s104的一个或多个步骤。备选地，在其他实施例中，cpu301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法s101～s104。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)等等。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
1.一种基于关联分析的火灾隐患评估方法，其特征在于，包括：
建立知识库；所述知识库包括因素知识和因素模式知识，所述因素知识是用于表示在一种火灾类型中的单个火灾因素对火灾的影响程度，为一个四元组形式的rule，所述四元组包括knoid、firetypeid、因素名称、重要程度，其中，knoid是因素知识在知识库中的唯一id，firetypeid是与所述单个火灾因素关联的火灾类型id，因素名称是所述单个火灾因素的名称，所述重要程度为用于表征所述单个火灾因素在firetypeid对应的火灾类型中的平均重要程度的数值；所述因素模式知识是用于表示在一种火灾类型中的多个火灾因素共存的模式对火灾的影响程度，为一个三元组形式的rule，所述三元组包括knoid、model、因素模式重要程度；knoid为因素模式知识在知识库中的唯一id；model为与特定火灾类型存在关联关系的多个火灾因素组成的因素模式模型；因素模式重要程度为用于表征该因素模式模型在所述特定火灾类型中的平均重要程度的数值；
获取待评估建筑物的建筑物信息；所述建筑物信息包括建筑物基本信息和建筑物隐患因素信息，所述建筑物隐患因素信息包括一个或多个火灾因素；
判断待评估建筑物的建筑物信息是否符合知识库中的知识；如果建筑物隐患因素信息与因素知识的因素名称一致或与因素模式知识的model一致，则待评估的建筑物信息符合知识库中的知识，输出判断结果t；否则待评估的建筑物信息不符合知识库中的知识，输出判断结果f；
根据判断结果计算待评估建筑物的火灾隐患评估结果：
其中，“rule.重要程度”为知识库中因素知识或因素模式知识的重要程度，0＜rule.重要程度≤1；“rule.result”为待评估建筑物信息是否符合知识库中因素知识或因素模式知识的判断值，如果判断结果为t，则rule.result取值为1；如果判断结果为f，则rule.result取值为0。
2.根据权利要求1所述的方法，其特征在于，按照下式计算所述因素知识中的重要程度：
其中，“火灾因素.频率”是针对一种火灾类型，所述单个火灾因素在城市消防火灾事故分析报告中出现的频率；ξ是平衡因子，属于超参数，是一个经验因子。
3.根据权利要求2所述的方法，其特征在于，按照下式计算所述因素模式知识中的因素模式重要程度：
因素模式重要程度＝因素模式.置信度×ω
其中，“因素模式.置信度”是所述因素模式的置信度；ω是平衡因子，属于超参数，是一个经验因子。
4.一种基于关联分析的火灾隐患评估装置，其特征在于，包括：
建立模块，用于建立知识库；所述知识库包括因素知识和因素模式知识，所述因素知识是用于表示在一种火灾类型中的单个火灾因素对火灾的影响程度，为一个四元组形式的rule，所述四元组包括knoid、firetypeid、因素名称、重要程度，其中，knoid是因素知识在知识库中的唯一id，firetypeid是与所述单个火灾因素关联的火灾类型id，因素名称是所述单个火灾因素的名称，所述重要程度为用于表征所述单个火灾因素在firetypeid对应的火灾类型中的平均重要程度的数值；所述因素模式知识是用于表示在一种火灾类型中的多个火灾因素共存的模式对火灾的影响程度，为一个三元组形式的rule，所述三元组包括knoid、model、因素模式重要程度；knoid为因素模式知识在知识库中的唯一id；model为与特定火灾类型存在关联关系的多个火灾因素组成的因素模式模型；因素模式重要程度为用于表征该因素模式模型在所述特定火灾类型中的平均重要程度的数值；
获取模块，用于获取待评估建筑物的建筑物信息；所述建筑物信息包括建筑物基本信息和建筑物隐患因素信息，所述建筑物隐患因素信息包括一个或多个火灾因素；
判断模块，用于判断待评估建筑物的建筑物信息是否符合知识库中的知识；如果建筑物隐患因素信息与因素知识的因素名称一致或与因素模式知识的model一致，则待评估的建筑物信息符合知识库中的知识，输出判断结果t；否则待评估的建筑物信息不符合知识库中的知识，输出判断结果f；
计算模块，用于根据判断结果计算待评估建筑物的火灾隐患评估结果：
其中，“rule.重要程度”为知识库中因素知识或因素模式知识的重要程度，0＜rule.重要程度≤1；“rule.result”为待评估建筑物信息是否符合知识库中因素知识或因素模式知识的判断值，如果判断结果为t，则rule.result取值为1；如果判断结果为f，则rule.result取值为0。
5.根据权利要求4所述的装置，其特征在于，按照下式计算所述因素知识中的重要程度：
其中，“火灾因素.频率”是针对一种火灾类型，所述单个火灾因素在城市消防火灾事故分析报告中出现的频率；ξ是平衡因子，属于超参数，是一个经验因子。
6.根据权利要求5所述的装置，其特征在于，按照下式计算所述因素模式知识中的因素模式重要程度：
因素模式重要程度＝因素模式.置信度×ω
其中，“因素模式.置信度”是所述因素模式的置信度；ω是平衡因子，属于超参数，是一个经验因子。
7.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～3中任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～3中任一项所述的方法。
技术总结