一种事故灾情信息实时监测与区域重建方法及系统

1.本技术涉及适用于特定应用的数据处理方法技术领域，特别涉及一种事故灾情信息实时监测与区域重建方法及系统。


背景技术：

2.目前，城市发展正处在公共安全事故灾情易发、频发阶段，城市事故灾害总量居高不下，突发事故灾害的风险评估、监测、预测、预警、应急救援和综合保障面临着极大的挑战。
3.随着深度学习技术的迅速发展，其在事故灾情预测和处理研究方面表现出了巨大的潜力和应用价值。中国专利申请cn103984708a，公开了一种巨灾风险大数据处理的应急分解分拣方法及系统，该系统能够有效快速地对事故灾情产生的大数据进行应急分拣处理以供事故灾情监测、预测和预警使用，但这种方法依赖大量采集数据，在数据不足的情况下难以达到系统预设效果，存在较大不足。
4.因此，需要提供一种针对上述现有技术不足的改进技术方案。


技术实现要素：

5.本技术的目的在于提供一种事故灾情信息实时监测与区域重建方法及系统，以解决或缓解上述现有技术中存在的问题。
6.为了实现上述目的，本技术提供如下技术方案：本技术提供了一种事故灾情信息实时监测与区域重建方法，该方法包括：获取所述事故灾情的实时数据；所述事故灾情的实时数据通过事故现场处理人员携带的可穿戴式实时监测设备采集得到；根据所述事故灾情的实时数据，基于预先构建的事故灾情信息预测模型，对所述事故灾情的时空演化规律进行预测，得到所述事故灾情的预测结果；其中，所述事故灾情信息预测模型至少包括深度学习模型，所述深度学习模型基于卷积神经网络与长短时记忆神经网络构建；根据所述事故灾情的预测结果，通过预先构建的事故灾情风险评估模型，对所述事故灾情进行区域风险重建。
7.优选地，所述获取所述事故灾情的实时数据，包括：通过所述可穿戴式实时监测设备采集事故现场的原始实时数据；对所述原始实时数据依次进行主成分分析和局部线性嵌入分析，得到分析结果；对所述分析结果进行数据特征筛选，得到所述事故灾情的实时数据。
8.优选地，所述可穿戴式实时监测设备至少包括金属氧化物半导体传感器和红外气体传感器，所述金属氧化物半导体传感器与所述红外气体传感器通过微机电传感系统集成于较小的单元中，且可动态切换，实现实时监测设备的微型化。
9.优选地，所述方法还包括：
基于所述深度学习模型，根据所述事故灾情的实时数据和预先获取的所述事故灾情的环境数据，构建所述事故灾情的三维细节流场；根据所述事故灾情的三维细节流场和所述事故灾情的实时数据，基于所述事故灾情信息预测模型中的数据同化模型，对所述事故灾情的泄漏源项信息进行反演，以对所述事故灾情中的危险物质的时空演化规律进行预测，得到所述事故灾情的预测结果。
10.优选地，所述深度学习模型为根据预先获取的所述事故灾情的环境数据进行训练得到的。
11.优选地，所述事故灾情的环境数据包括所述事故所在地的气象数据、所述事故所在地的流场数据、所述事故所在地的三维地图、所述事故所在地的地下管网数据中的一种或多种。
12.优选地，所述方法还包括：基于不同的存储策略，分别对所述事故灾情的实时数据和所述事故灾情的环境数据进行存储。
13.优选地，所述事故灾情风险评估模型包括剂量反应模型、概率后果模型、人员密度模型、等效气体云模型中的一个或多个；其中，所述剂量反应模型用于计算所述事故中有毒气体对人体伤害的风险；所述等效气体云模型用于根据所述实时数据中的泄漏物质浓度评估爆炸蒸汽云的体积；所述概率后果模型和所述人员密度模型用于根据所述剂量反应模型的计算结果以及所述等效气体云模型的评估结果，计算所述事故中的个人风险。
14.优选地，所述方法还包括：通过预先布设在所述事故灾情现场的物联网设备，获取所述事故灾情的实时数据。
15.本技术实施例还提供一种事故灾情信息实时监测与区域重建系统，包括：数据获取单元，配置为获取所述事故灾情的实时数据；所述事故灾情的实时数据通过事故现场处理人员携带的可穿戴式实时监测设备采集得到；灾情预测单元，配置为根据所述事故灾情的实时数据，基于预先构建的事故灾情信息预测模型，对所述事故灾情的时空演化规律进行预测，得到所述事故灾情的预测结果；其中，所述事故灾情信息预测模型至少包括深度学习模型，所述深度学习模型基于卷积神经网络与长短时记忆神经网络构建；区域重建单元，配置为根据所述事故灾情的预测结果，通过预先构建的事故灾情风险评估模型，对所述事故灾情进行区域风险重建。
16.有益效果：本技术实施例提供一种事故灾情信息实时监测与区域重建方法及系统，首先，获取的事故灾情的实时数据，然后基于预先构建的事故灾情信息预测模型，对事故灾情的时空演化规律进行预测，得到事故灾情的预测结果，这样，能够实时提供事故现场信息，并且根据实时监测的数据对事故灾情的演化进行快速预判，为事故现场处理人员提供所处环境的安全性预判与预警；最后根据事故灾情的预测结果，通过预先构建的事故灾情风险评估模型进行区域风险重建。这样，通过深度学习模型预先构建事故所在地的三维细节流场，大幅度降低事故的流场计算负担；同时，通过事故灾情风险评估模型实现对事故突发时初始
信息不足的情况下的区域重建，实现风险预警和应急决策。
附图说明
17.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。其中：图1为根据本技术的一些实施例提供的一种事故灾情信息实时监测与区域重建方法的流程示意图；图2为根据本技术的一些实施例提供的一种事故灾情信息实时监测与区域重建方法的技术逻辑图；图3为根据本技术的一些实施例提供的深度学习模型的结构示意图；图4为根据本技术的一些实施例提供的深度学习模型的训练步骤示意图；图5为根据本技术的一些实施例提供的数据同化模型对泄漏源项信息进行反演的流程示意图；图6为根据本技术的一些实施例提供的基于该方法对城市燃气泄漏事故的泄漏源项中泄漏位置的预测结果示意图；图7为根据本技术的一些实施例提供的基于该方法对城市燃气泄漏事故的泄漏源项中泄漏速率的预测结果示意图；图8为根据本技术的一些实施例提供的基于该方法对城市燃气泄漏事故的危险物质分布的预测结果示意图；图9为根据本技术的一些实施例提供的基于该方法对城市地下燃气泄漏事故扩散场景下的区域风险重构结果示意图；图10为根据本技术的一些实施例提供的一种事故灾情信息实时监测与区域重建系统的结构示意图。
具体实施方式
18.下面将参考附图并结合实施例来详细说明本技术。各个示例通过本技术的解释的方式提供而非限制本技术。实际上，本领域的技术人员将清楚，在不脱离本技术的范围或精神的情况下，可在本技术中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本技术包含归入所附权利要求及其等同物的范围内的此类修改和变型。
19.示例性方法面对复杂多样的事故灾情场景下各类不确定性突发状况，相关部门需及时对其进行有效的实时监测并提供预测、预警、应急处理等决策分析。此外，对事故现场处理人员而言，事故灾情的风险预测、预警的及时性和准确性，不仅决定了他们对事故的应对能力，甚至有可能影响到他们的生命安全。在城市事故灾情的应急处置中，如何利用多源异构监测数据，为事故现场处理人员提供安全辅助决策的同时，实现事故灾情区域风险重建，从而为事故灾情的风险预测、预警提供及时、准确的信息来源，是本领域面临的一大难题。相关技术中，对于事故灾情信息监测多采用传统传感器网络进行，其在事故灾情信息的监测和数据处理利用方面存在欠缺，难以实现初始突发事故时事故源项信息不足情况下的区域风险
重建，并且，通过传统的方法得到的风险预测结果的定量化、全面性不足，难以满足事故灾情风险预测、预警以及应急处置的需求。
20.为此，本技术实施例提供一种事故灾情信息实时监测与区域重建方法，通过事故现场处理人员携带的可穿戴式实时监测设备（应急人员佩戴终端）采集多模态（即数据有多个来源和类型）事故灾情信息实时数据，并融合其他多模态数据，构建事故灾情信息预测模型，进而根据事故灾情信息预测模型的预测结果，基于事故灾情风险评估模型进行区域风险重建，从而综合利用多源异构数据实现事故灾情演化过程的监测、预测，并实现初始突发事故时危险物质源项信息不足情况下的区域风险重建，为事故灾情现场和抢险人员的应急响应提供智能辅助决策，为事故灾情的预测预警和安全防控提供支撑。
21.图1为根据本技术的一些实施例提供的一种事故灾情信息实时监测与区域重建方法的流程示意图；图2为根据本技术的一些实施例提供的一种事故灾情信息实时监测与区域重建方法的技术逻辑图；如图1、图2所示，该方法包括：步骤s101、获取所述事故灾情的实时数据；所述事故灾情的实时数据通过事故现场处理人员（应急人员）携带的可穿戴式实时监测设备采集得到。
22.本技术实施例中，所述事故灾情可以是危险物质泄漏事故引发的灾害，比如城市地下直埋管线事故、综合管廊燃气泄漏事故等。
23.所述事故灾情的实时数据可以是反映事故现场危险物质动态的泄漏程度的数据，比如危险物质的浓度数据。
24.本公开实施例中，这些浓度数据可以由事故现场处理人员携带的可穿戴式实时监测设备采集得到。如此，通过实时监测设备提供事故现场的实时数据，基于事故灾情信息预测模型对事故演变规律进行预测，基于事故灾情风险评估模型根据事故演变规律预测的结果进行区域风险水平计算，在事故初始阶段信息不足的情况下快速实现事故的预测、风险评估，从而大大促进了事故灾情现场事故处理人员的应急决策效率。
25.在另一些可选实施例中，获取事故灾情的实时数据，具体为：通过可穿戴式实时监测设备采集事故现场的原始实时数据；对原始实时数据依次进行主成分分析和局部线性嵌入分析，得到分析结果；对分析结果进行数据特征筛选，得到事故灾情的实时数据。
26.实际应用中，可穿戴式实时监测设备可以包括gps人员定位模块，用于提供事故现场处理人员在事故灾情现场的空间位置信息，并与事故灾情信息感知模块采集的实时危险物质泄漏信息融合，得到危险物质的时空信息，作为原始实时数据进行后续的处理。
27.在一些场景中，所述方法可以基于云端、边端融合技术实现，此时，可穿戴式实时监测设备作为边端设备还可以包括数据传输模块，用于将可穿戴式实时监测设备采集的事故灾情的实时数据传输至云端的预先构建的事故灾情信息预测模型，和/或接收云端的事故灾情信息预测模型得到的事故灾情预测结果，和/或，接收云端的事故灾情风险评估模型区域重建得到的当前区域的风险水平，进而根据事故灾情预测结果和当前区域的风险水平，进行现场应急处置决策。
28.在一些可选实施例中，可穿戴式实时监测设备还可以包括事故灾情信息感知模块，所述事故灾情信息感知模块包括金属氧化物半导体传感器和红外气体传感器，所述金属氧化物半导体传感器与所述红外气体传感器通过微机电传感系统集成于较小的单元中，且可动态切换，实现实时监测设备的微型化。此外，利用金属氧化物半导体微机电传感系统
具有高灵敏度、低检出限的优势，以及红外气体传感器具有的大量程的特点，二者动态切换，实现浓度范围全面覆盖，保证监测数据具有较高的精度，且具有较广的监测覆盖范围。
29.实际应用时，金属氧化物半导体微机电传感系统基于微机电传感元件，以及微处理器技术构建，使可穿戴式实时监测设备具有整体结构的小型化以及低功耗的特点，从而克服传统工业监测场景下监测设备便携性差、家用监测场景下监测设备的额定监测浓度上限较低，不适用于事故现场处理人员佩戴的问题。
30.在一些实施例中，可穿戴式实时监测设备还包括数据预处理模块及数据特征筛选模块，用于对获取的原始实时数据进行处理和数据特征筛选，实现分层分级的数据汇聚、融合，以及多模态数据的降维，以减少实时数据的传输量，提高低通量网络状况下的高效传输。
31.具体实施时，可穿戴式实时监测设备由事故现场处理人员佩戴，能够通过动态感知事故灾情的时空信息以获取事故现场的多模态灾情原始实时数据，并依次对获取的原始实时数据进行主成分分析和局部线性嵌入分析，得到分析结果；对上述分析结果进行数据特征筛选，得到事故灾情的实时数据。
32.其中，主成分分析（principal component analysis，pca）通过正交化线性变换，把多模态的原始实时数据从第一坐标系变换到第二坐标系，使得多模态的原始实时数据的任何投影的第一大方差在第一个坐标系（称为第一主成分）上，第二大方差在第二个坐标（第二主成分）上，依次类推，从而将可能存在相关性的多模态原始实时数据转换为一组线性不相关的变量，最大程度保留多模态原始实时数据的信息量的同时，减少多模态原始实时数据的维度，进而降低可穿戴式实时监测设备与云端之间的数据传输量和后续数据处理的计算量。
33.局部线性嵌入分析(locally linear embedding，简称lle)通过获取多模态原始实时数据中每一个样本点的k个邻近点，然后对每个样本点求它在邻域中的k个近邻线性关系，得到线性关系权重系数w，最后，利用线性关系权重系数w在低维空间中对多模态原始实时数据进行重构，以实现将多模态原始实时数据映射到低维空间，同时保留原始实时数据中的局部线性特征，在数据降维的同时减少局部特征损失带来的误差。
34.通过主成分分析和局部线性嵌入分析实现原始实时数据的降维之后，对上述分析结果进行数据特征筛选，得到事故灾情的实时数据。
35.具体实施时，对降维后的数据进行特征筛选在云端进行。对降维后的数据进行特征重要性分析、皮尔逊相关性分析或皮尔曼相关性分析实现数据的筛选。
36.在另一些可选实施例中，事故灾情的实时数据也可以通过预先布设在事故灾情现场的物联网设备获取。此时，边端也可以包括这些物联网设备，具体包括但不限于：图像采集装置、温度传感器、浓度传感器、红外传感器等。如此，与可穿戴式实时监测设备形成有效补充，使得采集到的事故现场的实时数据更准确、全面。
37.本技术实施例通过事故现场处理人员携带的可穿戴式实时监测设备，可实时提供事故现场动态信息，并为事故现场处理人员提供所处环境的安全性判断预警，满足事故灾情信息预测模型预测事故灾害演化规律的需求。
38.步骤s102、根据事故灾情的实时数据，基于预先构建的事故灾情信息预测模型，对事故灾情的时空演化规律进行预测，得到事故灾情的预测结果；其中，事故灾情信息预测模
型至少包括深度学习模型，深度学习模型基于卷积神经网络与长短时记忆神经网络构建。
39.具体实施时，预先构建的事故灾情信息预测模型可以部署在云端，也可以部署在边端。其中，将事故灾情信息预测模型部署在云端，能够充分利用云端资源的动态可扩展特性，减小边端的处理压力。
40.实际应用中，基于步骤s101所获取的事故灾情的实时数据，与其他多源异构数据融合，构建多模态数据池，为事故灾情信息预测模型提供大量的数据支撑。其中，多模态数据池可以部署在云端，可存储边端上传的实时数据和云端互联数据。具体的，多模态数据池至少包括事故灾情的实时数据和事故灾情的环境数据（云端互联数据）。事故灾情的实时数据也称为事故异常数据，其特点是体量小、实时性强；事故灾情的环境数据通过云端互联得到，也称为常态数据，其特点是大体量、数据涉及范围广。基于多模态数据池中的多源异构数据，通过云端的事故灾情信息预测模型的常态参数学习和灾情态势演化预测，以模型预测结果为基础实现基于数据驱动的区域风险重建，对城市事故灾害现场和抢险人员的应急响应提供智能辅助决策。
41.在一些可选实施例中，事故灾情的环境数据包括事故所在地的气象数据、事故所在地的流场数据、事故所在地的三维地图、事故所在地的地下管网数据中的一种或多种。
42.考虑到事故灾情的实时数据和事故灾情的环境数据具有不同的数据属性特征，在本技术的一些可选实施例中，基于不同的存储策略，分别对事故灾情的实时数据和事故灾情的环境数据进行存储。例如，对于事故灾情的环境数据，由于其在非事故的场景下也可以进行持续地监测，其数据量大，来源稳定，更新频率高，数据属性稳定，且需实时与云端进行交互，对数据库要求具有较高的并发能力、高吞吐量和高稳定性，故采用opentsdb（opentime series database，简称opentsdb）接收各类物联网传感器的监测数据，使用spark分布式数据库进行数据存储服务；由于事故发生的频率相对较低，事故异常数据（如危险物质浓度）的数据量较少，故采用结构化数据库（例如greenplum）进行存储。
43.本技术实施例中，事故灾情信息预测模型至少包括深度学习模型，深度学习模型基于卷积神经网络（cnn）与长短时记忆神经网络（lstm）构建。如此，基于大体量的事故灾情的环境数据，对深度学习模型进行参数学习与训练，在此基础上预先构建城市范围内事故灾情的三维细节流场，能够大幅度降低事故场景下的流场计算负担。
44.在一些可选实施例中，所述方法还包括：基于深度学习模型，根据事故灾情的实时数据和预先获取的事故灾情的环境数据，构建事故灾情的三维细节流场；根据事故灾情的三维细节流场和事故灾情的实时数据，基于事故灾情信息预测模型中的数据同化模型，对事故灾情的泄漏源项信息进行反演，以对事故灾情中的危险物质的时空演化规律进行预测，得到事故灾情的预测结果。
45.在一具体的应用场景中，深度学习模型为根据预先获取的事故灾情的环境数据进行训练得到的。
46.图3为根据本技术的一些实施例提供的深度学习模型的结构示意图；如图3所示，该深度学习模型包括输入层、隐藏层和输出层。
47.其中，输入层用于接收事故灾情的环境数据，以对深度学习模型进行参数学习和训练。
48.隐藏层用于根据输入层的输入数据进行参数学习，并根据深度学习模型的预测误
差调整所学习到的参数，直至预测误差收敛。具体的，隐藏层包括卷积神经网络中的特征提取模块、池化模块，以及多个lstm单元，每一个lstm单元对应一个时间点。
49.输出层用于将深度学习模型的预测结果格式化输出，以供后续使用。
50.这里，输入层的输入参数可以包括事故所在地的气象数据、事故所在地的流场数据、事故所在地的城市土地类型数据、事故所在地的三维地图、事故所在地的地下管网数据等，输出层输出的预测结果包括三维速度流场、环境温度分布、湍流演化信息等。
51.本技术实施例中，深度学习模型基于城市尺度构建，构建完成后可基于城市三维地图、城市气象数据、城市土地类型数据、城市内布置的具有固定位置的传感器回传数据、城市流场模拟计算数据进行参数学习训练，使用rmse函数、r2函数对深度学习模型的预测性能指标进行修正，并对深度学习模型的预测效果进行评估。当突发事故灾情时，该深度学习模型可快速定位事故灾情区域，高效预测事故灾情区域附近的流场相关信息。
52.具体应用时，根据预先获取的事故灾情的环境数据进行训练对深度学习模型进行训练，具体步骤如图4所示：步骤s112、基于卷积神经网络（cnn）对三维细节流场进行特征提取。
53.具体应用时，基于气象数据和三维地图数据计算得到城市的三维细节流场，该三维细节流场为一连串的点数据，每一个点数据中包括{x，y，z}坐标信息以及流场在x、y、z三个坐标方向上的速度分量{u，v，w}，使用cnn对三维细节流场中的点数据进行数据化处理，以便lstm进行后续操作。
54.其中，对多个训练样本，训练时，首先从训练样本集中取一个样本，输入深度学习模型；然后通过卷积神经网络对训练样本进行多次特征提取，得到卷积神经网络的输出。这里，卷积神经网络的特征提取操作是通过多次卷积处理得到的。
55.步骤s122、基于长短时记忆神经网络对三维细节流场进行预测。
56.将上述卷积神经网络的输出作为长短时记忆神经网络的输入，经过多个lstm单元对三维细节流场进行预测。
57.具体地，lstm基于循环神经网络（rnn），是一种专门用来处理时间序列数据的改进性多层感知器网络。在lstm中，时序数据的输出与前期的输入、输出的各个部分有着很强的相关性，即输出依赖于输入和前期的“记忆”。作为rnn的一个改进版本，lstm还包括了前向传播计算、穿越时间的反向传播算法（bptt）和adam参数优化算法。不同之处在于，lstm对rnn进行了一定的改造，对记忆信息进行了筛选，只传输需要记忆的信息。这样就避免了模型在反向传播的过程中由于依赖序列的增长和乘法项的增加而导致的梯度消失或梯度爆炸的问题。
58.实际应用中，lstm单元时间点t的单元状态用表示，该单元状态决定了流场预测输出值。具体来说，lstm通过三个门对单元状态和预测输出值进行控制，分别是更新门、遗忘门和输出门。
59.其中，遗忘门用来控制内存中之前的状态是否会被遗忘，如果遗忘门的值是0，lstm会遗忘(忽略)上一时间点（t-1）lstm单元的状态；如果遗忘门的值是1，lstm会记得(保持)上一个lstm单元的状态；如果是0到1之间的值，代表lstm会记得之前的状态多大程度，用公式（1）表示，公式（1）如下：
（1）式中，表示遗忘门的输出值，与lstm单元状态具有相同的维度；表示sigmoid的函数，通过该函数可以保证遗忘门的输出值在[0，1]之间；表示遗忘门的权重，表示遗忘门的偏差，和为可学习的参数；表示上一时间点（t-1）的三维细节流场预测输出值。
[0060]
候选值为当前时间点可能会存入当前单元状态的信息。候选值能多大程度的存入当前单元状态取决于更新门，候选值用公式（2）表示，公式（2）如下：（2）式中，表示t时刻候选值，由于候选值所使用的函数为tanh，其取值范围为[-1,1]；wc表示候选值的权重；bc表示候选值的偏差。
[0061]
lstm的更新门用于控制候选值能多大程度的存入lstm的当前单元状态。如果更新门的值是0，意味着防止候选值存入单元状态；如果更新门的值是1，意味着完全允许候选值存入单元状态，更新门用公式（3）表示，公式（3）如下：（3）式中，表示更新门；wi表示更新门的权重，bi表示更新门的偏差。
[0062]
lstm的单元状态是时间序列间传递的"记忆"，当前lstm的单元状态由上一时间点（t-1）的lstm单元状态和当前时间点的候选值组成，用公式（4）表示，公式（4）如下：（4）式中，表示上一时间点（t-1）的lstm单元状态。
[0063]
公式（4）即为lstm单元状态的计算公式，由上述推导过程可知，遗忘门控制上一个时间点的lstm单元状态有多少被保存到当前时间点的lstm单元状态中；候选值由更新门控制，以确定当前时间点lstm可能存入当前单元状态的信息。
[0064]
输出门用于控制当前时间点lstm的输出值，其取值范围为[0，1]，用公式（5）表示，公式（5）如下：（5）式中，表示当前时间点（t时刻）lstm的输出值；wo表示输出门的权重；bo表示输出门的偏差。
[0065]
本技术实施例中，针对事故灾情场景下的流场计算强度大，计算资源耗费多等制约事故灾情及风险高效率预测的问题，采用基于卷积神经网络和长短时记忆神经网络构建的深度学习模型，利用大体量常态数据进行参数学习与训练，预先构建城市范围内三维细
节流场，得到数字城市孪生体，以降低事故场景下的流场计算负担。
[0066]
在一些具体的场景中，根据事故灾情的三维细节流场和事故灾情的实时数据，基于事故灾情信息预测模型中的数据同化模型，对事故灾情的泄漏源项信息进行反演，以对事故灾情中的危险物质的时空演化规律进行预测，得到事故灾情的预测结果。
[0067]
通过事故灾情信息预测模型中的数据同化模型，能够在事故场景下根据事故灾情的实时危险物质浓度数据实时重建事故现场当前态势，并对危险物质泄漏的时空演化规律进行预测。
[0068]
其中，数据同化模型基于迭代集合卡尔曼滤波算法（ienkf）构建，以对事故灾情的泄漏源项信息进行反演以及危险物质的时空演化规律进行预测。
[0069]
具体实施时，基于事故灾情的实时数据，通过数据同化模型对事故灾情的泄漏源项信息进行反演的具体流程如图5所示：步骤s1021、基于危险物质在计算域中的浓度和深度学习模型预测得到的泄漏源项，计算泄漏源项信息的协方差矩阵，用公式（6）表示，公式（6）如下：（6）式中，f表示为状态矩阵，状态矩阵f由多个状态向量组成；表示n时刻状态矩阵f中的第e个状态向量，每一个状态向量由事故灾情现场的实时采集到的危险物质浓度数据和深度学习模型预测得到的泄漏源项组成；表示数据同化模型，用于计算状态矩阵f的时间步进；表示数据同化模型的预测结果；表示状态矩阵f中e个集合的平均值，每一个集合对应状态矩阵f的一个列向量；表示状态矩阵f的协方差矩阵。
[0070]
步骤s1022、当某时刻存在可用的观测值（事故灾情的实时数据），如多模态灾情信息实时监测设备或物联网监测数据时，通过观测值更新状态矩阵f中所有的状态向量，用公式（7）表示，公式（7）如下：（7）式中，k
n 1
表示n 1时刻迭代集合卡尔曼滤波的增益矩阵，用于平衡预测值与观测
值，降低后验误差以得到最优估计；h表示投影算子；h
*
表示h的伴随算子；表示观测协方差矩阵；表示阻尼系数，取值为0~1；表示n 1时刻第e个集合的观测值；表示观测误差；i表示单位矩阵；y表示实时监测设备获取的监测数据（危险物质浓度）。
[0071]
本技术实施例中，根据事故灾情的实时数据，通过数据同化模型实时重建事故灾情现场当前态势，并预测危险物质时空演化规律，为事故现场处理人员提供实时的预测结果，提高现场应急处置的决策效率。
[0072]
步骤s103、根据事故灾情的预测结果，通过预先构建的事故灾情风险评估模型，对事故灾情进行区域风险重建。
[0073]
基于上述的事故灾情信息预测模型（包括深度学习预测模型、数据同化修正模型）得到的事故灾情的预测结果，通过事故灾情风险评估模型对事故灾情情景下的风险隐患进行辨识、评估和评价，进而得到事故灾情区域的风险水平，为个人风险预警、区域风险分析、灾情态势研判、资源调度指挥提供有效的支撑。
[0074]
在一些可选实施例中，事故灾情风险评估模型包括剂量反应模型（dose-response模型）、概率后果模型（probit模型）、人员密度模型、等效气体云模型（q9模型）中的一个或多个；其中，剂量反应模型用于计算事故中有毒气体对人体伤害的风险；q9模型用于根据实时数据中的泄漏物质浓度评估爆炸蒸汽云的体积；概率后果模型和人员密度模型用于根据剂量反应模型的计算结果以及q9模型的评估结果，计算事故中的个人风险。
[0075]
以城市范围内燃气泄漏事故为例，通过剂量反应模型、概率单位模型、人员密度模型和q9模型，实现对事故灾情进行实数动态评估和区域风险重建。例如，计算事故灾害情景下的人员死亡率、二次爆炸事故的后果等。
[0076]
其中，剂量反应模型和概率单位模型用公式（8）表示，公式（8）如下：（8）式中，d表示某一位置人员对释放的有毒气体的吸入剂量，表示危险物质在区域内点的浓度；t表示时间；t0表示事故泄漏开始时间；t1表示评估截止时间；n表示模型常数，取值为2.0；p表示人员致死率；y为与d有关的参数；a和b为常数，取值为a=-16.29，b=1.0，可根据不同的危险物质种类进行确定；x为积分变量。
[0077]
人员密度模型可根据特定区域的人员统计数据（如人口分布、人口出现概率、人口密度）进行不同时间尺度的转换得到。例如，每年/每月/每周城市范围内特定区域的人员出现概率。
[0078]
q9模型用公式（9）表示，公式（9）如下： （9）式中，q9表示危险物质的化学计量浓度所占有的体积，可用于将不同梯度的浓度场转换为均质可燃气体，方便计算和评估；v表示危险物质的体积；s表示危险物质的层流点火速度；e为危险物质的体积膨胀率。
[0079]
示例性的，图6为根据本技术的一些实施例提供的基于该方法对城市燃气泄漏事故的泄漏源项中泄漏位置的预测结果示意图；图7为根据本技术的一些实施例提供的基于该方法对城市燃气泄漏事故的泄漏源项中泄漏速率的预测结果示意图；图8为根据本技术的一些实施例提供的基于该方法对城市燃气泄漏事故的危险物质分布的预测结果示意图，如图6、图7、图8所示，该城市燃气泄漏事故中，地下燃气的实际泄漏位置和泄漏速率分别为20m和0.56 m
³
/s，由图6、图7可以看出，通过本技术实施例提供的方法，能够实现城市地下燃气泄漏事故泄漏位置以及泄漏速率的后验概率分布预测，且与事故发生的实际泄漏位置和实际泄漏速率之间的误差较小。从图8的危险物质分布预测结果可以看出，三角为泄漏位置，阴影部分为易燃易爆区域，根据该分布图可为城市地下燃气泄漏事故灾情现场的事故处理人员制定应急处置措施提供辅助决策，并为城市事故灾情演化规律的预测预警提供支撑。
[0080]
图9为根据本技术的一些实施例提供的基于该方法对城市地下燃气泄漏事故扩散场景下的区域风险重构结果示意图；在图9中，对风险进行四个等级的划分，得到不同区域内的风险等级，分别用序号
①②③④
标识，其中，
①
对应高风险区域；
②
对应中风险区域；
③
对应低风险区域；
④
对应无风险区域，此外，图中白色方框为建筑物，曲线包围区域为泄漏物质的分布，易燃易爆区域为根据不同物质的燃爆特性确定，如甲烷（5%~15%）。从图9可以看出，在综合考虑事故灾情现场周围各类风险因素后，其风险预测结果趋势与直接预测的危险物质分布计算结果并不完全一致，以
③
区域为例，尽管该区域内存在较大体积处于易燃易爆区域范围内的危险物质；但由于该区域内不存在大型建筑设施，导致点火可能性较低，且人员较少、人员密度低，最终该区域的风险等级仅为低风险。
[0081]
需要说明的是，上述直接预测的危险物质分布为根据事故现场的实时数据得到的实时危险物质分布，而本技术通过区域风险重构，考虑了风险因素后，在预测结果中引入了不确定性，可能与直接预测结果产生偏差，但更能呈现事故发生后的不确定性（比如，在人员密集处有危险物质则风险高，没有人员处即使有危险物质风险也不会太高）。
[0082]
综上所述，本技术实施例中，通过适用于事故现场处理人员的便携式多模态灾情信息实时监测设备，对边端数据（事故现场）进行动态采集，并融合其他多类数据构建云端多模态数据池。多模态数据池中的多源异构数据用于云端事故灾情信息预测模型的常态参数学习和灾情态势演化预测，以模型预测结果为基础，实现城市事故灾害演化预测以及区域风险重建。本实施例利用云端服务器协同边端预处理得到数据及云端数据进行高效低容量二次计算预测，实现对初始突发事件源项信息不足情况下基于数据驱动的区域风险重建，对城市事故灾害现场和抢险人员的应急响应提供智能辅助决策。
[0083]
示例性系统图10为根据本技术的一些实施例提供的一种事故灾情信息实时监测与区域重建
系统的结构示意图，如图10所示，该系统包括：数据获取单元1001、灾情预测单元1002、区域重建单元1003。其中，数据获取单元1001，配置为获取所述事故灾情的实时数据；所述事故灾情的实时数据通过事故现场处理人员携带的可穿戴式实时监测设备采集得到。
[0084]
灾情预测单元1002，配置为根据所述事故灾情的实时数据，基于预先构建的事故灾情信息预测模型，对所述事故灾情的时空演化规律进行预测，得到所述事故灾情的预测结果；其中，所述事故灾情信息预测模型至少包括深度学习模型，所述深度学习模型基于卷积神经网络与长短时记忆神经网络构建。
[0085]
区域重建单元1003，配置为根据所述事故灾情的预测结果，通过预先构建的事故灾情风险评估模型，对所述事故灾情进行区域风险重建。
[0086]
本技术实施例提供的一种事故灾情信息实时监测与区域重建系统能够实现上述任一事故灾情信息实时监测与区域重建方法的步骤、流程，并达到相同的技术效果，在此不再一一赘述。
[0087]
以上所述仅为本技术的优选实施例，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。