滅火救援專業(yè)知識庫構(gòu)建及其應(yīng)用研究

黃禮彬

摘要：近年來，消防人員面對的滅火救援任務(wù)種類多、難度大。目前，缺少對復(fù)雜環(huán)境下滅火救援知識的綜合整理，沒有形成公共滅火救援專業(yè)知識庫；消防人員難以全面、快速掌握復(fù)雜的救援知識，容易導(dǎo)致救援時操作不當(dāng)發(fā)生危險。針對這些問題，對滅火救援知識庫的構(gòu)建方法進行研究，收集、整理大量滅火救援知識，形成大規(guī)模綜合滅火救援專業(yè)知識庫并精簡滅火救援知識庫。為提高知識庫的實用性，對知識庫的檢索方法進行了研究，提出了基于文本檢索的智能匹配算法，在2個專業(yè)知識庫上進行實驗驗證，結(jié)果表明該智能匹配算法檢索速度快、準(zhǔn)確率高，為消防救援工作高質(zhì)量發(fā)展和數(shù)字化轉(zhuǎn)型奠定了基礎(chǔ)。

關(guān)鍵詞：滅火救援；知識庫構(gòu)建；知識匹配；輔助決策

中圖分類號：D631.6? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ? ?文章編號：2096-1227（2023）09-0019-05

1 引言

滅火救援任務(wù)主要包括各類火災(zāi)的撲救（如建筑火災(zāi)、危險化學(xué)品火災(zāi)、船舶火災(zāi)等），事故救援（如高空救援、臺風(fēng)救援、道路交通事故救援等），危險化學(xué)品處置等災(zāi)害事故的救援。近些年來隨著城市的快速發(fā)展，滅火救援具有種類繁多、突發(fā)性強、救援難度高、危害性大等新特點[1]。

為降低救援時危險發(fā)生的可能性，要求消防員了解各種災(zāi)害發(fā)生對應(yīng)的救援知識，如針對高層建筑火災(zāi)發(fā)生或特定種類危險化學(xué)品爆炸的救援知識。目前，已有各種災(zāi)害救援的知識庫，但較為分散，缺少針對復(fù)雜環(huán)境下的綜合救援知識庫，且大多數(shù)救援知識庫信息不準(zhǔn)確、冗余、不夠直觀，對實際救援的幫助有限。另一方面，面對復(fù)雜繁多的救援知識，消防人員難以全面了解與掌握，在具體救援過程中不能快速準(zhǔn)確地制定相關(guān)救援策略或方法，局限性較大。

針對這些問題，本文研究了滅火救援知識庫構(gòu)建的一般方法，構(gòu)建面向復(fù)雜環(huán)境的專業(yè)滅火救援知識庫，總結(jié)準(zhǔn)確、精簡、必要的救援知識。首先從各類災(zāi)害救援文件、書籍、公開資料等收集了大規(guī)模的各類型救援知識數(shù)據(jù)集；再按照災(zāi)害的類別歸類整理，進行數(shù)據(jù)清洗去除對救援過程貢獻(xiàn)度較小的數(shù)據(jù)；對每條知識數(shù)據(jù)按照提示對象、提示類型進行人工標(biāo)記，形成大規(guī)模、帶標(biāo)記的救援知識庫。為了進一步提升其在實際救援過程中的可用性，本文將所構(gòu)建的滅火救援知識庫進行二次篩選，形成小規(guī)模的精簡知識庫。對每個災(zāi)害救援類型下的知識進行篩選，選擇重要度較高的知識并簡化描述，最終形成簡要、精確的知識庫用于消防救援輔助決策。此外，對構(gòu)建的知識庫進行基于檢索的匹配驗證，結(jié)果表明，本文提出的知識庫能夠依據(jù)給定的查詢條件，快速準(zhǔn)確地匹配到相關(guān)知識，驗證了其有效性。本文主要貢獻(xiàn)包括：

第一，提出了救援知識庫構(gòu)建的一般方法，構(gòu)建了大規(guī)模、多類型的綜合救援知識庫，包括火災(zāi)災(zāi)害、搶險救援2大類，26小類，及一類安全警示綜合知識。較為全面地對各類型災(zāi)害救援知識進行了總結(jié)。

第二，構(gòu)建了用于適用于救援輔助決策的兩級知識庫體系。為了在實際救援中發(fā)揮作用，本文對構(gòu)建的大規(guī)模知識庫進行了二次篩選，從中選擇重要的知識項并簡化描述，形成的簡要、精確小規(guī)模救援知識庫可用于消防救援輔助決策系統(tǒng)。此外，本文所構(gòu)建的小規(guī)模消防知識庫已集成到上海市寶山區(qū)消防輔助決策管理系統(tǒng)作為基礎(chǔ)知識數(shù)據(jù)庫使用。

第三，提出了智能匹配算法，可依據(jù)給定關(guān)鍵詞進行知識匹配。數(shù)據(jù)驗證結(jié)果表明了所提出方法的有效性。

2 相關(guān)工作

孫伯春[1]對滅火救援中導(dǎo)致消防員傷亡的各類原因進行了分析總結(jié)，認(rèn)為缺少必要的自我保護與各類型災(zāi)害的救援知識是其主要原因。因此，總結(jié)并給出若干滅火救援知識。劉卓洋[2]將災(zāi)害類型劃分為火災(zāi)與搶險救援兩大類，依照火災(zāi)、其他災(zāi)害事故等級劃分給出了救援基本原則，消防力量調(diào)派原則以及災(zāi)害現(xiàn)場戰(zhàn)術(shù)方案選擇的相關(guān)知識。李勇和李躍龍[3]在分析消防知識本體的基礎(chǔ)上，建立了消防知識字典，并依據(jù)知識類型進行本體的概念劃分，構(gòu)建了消防知識本體庫。

此外，相關(guān)研究工作針對特定災(zāi)害類型給出了對應(yīng)的搶險救援知識。如汪永明[4]針對高層建筑滅火救援面臨的問題，從戰(zhàn)斗編成的編制思路、類型與構(gòu)成、應(yīng)用模式、展開程序4個角度提出了救援知識。劉國[5]針對大型石油化工儲罐火災(zāi)提出了若干撲救對策、滅火劑選擇等知識。鄭天峰[6]針對地鐵坍塌事故，分析災(zāi)害發(fā)生原因，給出地鐵坍塌事故處置程序的注意事項。

綜上所述，已有研究在構(gòu)建災(zāi)害救援知識庫取得了一定的進展，但構(gòu)建的綜合知識庫對應(yīng)的災(zāi)害類型不夠全面，而針對特定災(zāi)害類型的知識庫包含的知識項也相對較少，知識條目沒有按照適用對象等進行標(biāo)注，難以真正滿足實際的需求。此外，知識項的描述通常過于冗長，增加了救援人員了解掌握的難度與成本，也難以應(yīng)用于消防救援輔助決策系統(tǒng)。

3 滅火救援專業(yè)知識庫構(gòu)建

為了構(gòu)建滅火救援的綜合知識庫，本文對知識庫的構(gòu)建方法進行研究，提出了知識庫構(gòu)建的一般步驟，按照知識粒度從粗到細(xì)逐步細(xì)分知識。利用滅火救援的類型及特點提出知識標(biāo)注的規(guī)則，形成大規(guī)模、精細(xì)化、有標(biāo)注的滅火救援知識庫。進一步，按照適用性、重要程度等規(guī)則從知識庫篩選出少量知識，形成小規(guī)模知識庫。圖1給出了滅火救援知識庫構(gòu)建的一般框架圖。

如圖1所示，本文提出的知識庫構(gòu)建方法分為7個部分，本章將依照每個部分具體介紹其構(gòu)建過程。

3.1? 大規(guī)模災(zāi)害救援知識收集

以“災(zāi)害”“火災(zāi)”“搶險救援”等關(guān)鍵詞從各種渠道（如國家有關(guān)部門下發(fā)文件、學(xué)術(shù)論文、網(wǎng)絡(luò)等）收集大量災(zāi)害救援相關(guān)的原始知識數(shù)據(jù)作為源知識。

3.2? 依災(zāi)害類別劃分救援源知識

按照國家有關(guān)部門下發(fā)文件，將災(zāi)害類型分為2層，第1層包含“火災(zāi)”“搶險救援”和“安全警示”三大類。“火災(zāi)”“搶險救援”又分為“高層建筑火災(zāi)撲救”“多層建筑火災(zāi)撲救”等26個二級類別，如圖2所示。

此外，災(zāi)害發(fā)生通常具有多元性，二級災(zāi)害類型可同時屬于“火災(zāi)”和“搶險救援”，對應(yīng)關(guān)系見表1所示，其中數(shù)字代表圖2中災(zāi)害類型對應(yīng)序號（按照從左到右，從上到下的順序）。

3.3? 知識數(shù)據(jù)清洗

知識數(shù)據(jù)清洗包含以下步驟：①依照關(guān)鍵詞從各個渠道收集的源知識帶有較多噪聲，如某些條目僅簡單對災(zāi)害類型、危害程度描述，對實際救援過程的指導(dǎo)或貢獻(xiàn)度較小。因此對源知識數(shù)據(jù)進行數(shù)據(jù)清洗，去除噪聲數(shù)據(jù)，保留貢獻(xiàn)度較大的知識。②對多個數(shù)據(jù)源獲取的知識包含重復(fù)的知識項，保留描述精確、簡短的知識項。③精簡知識中描述的冗余部分，使其更直觀。

3.4? 細(xì)粒度類別標(biāo)注

數(shù)據(jù)清洗過濾之后進一步對每條知識細(xì)粒度標(biāo)注，明確知識面向的對象、應(yīng)用范圍。使得所構(gòu)建的知識庫不僅具有豐富的救援知識，同時減少相關(guān)人員使用知識庫的成本，有針對性地了解與學(xué)習(xí)。具體地，對“火災(zāi)災(zāi)害”和“搶險救援”的26個二級類別知識項，依據(jù)本文提出的“適用對象”“詳細(xì)類型”進行標(biāo)注；對“安全警示”知識項，依據(jù)“適用對象”進行標(biāo)注?！斑m用對象”包括消防戰(zhàn)斗員、消防指揮員、消防駕駛員3種對象類型；“詳細(xì)類型”包括的兩級標(biāo)記見圖3所示。

依據(jù)圖3，為“火災(zāi)”和“搶險救援”的每條知識標(biāo)記1個“適用對象”標(biāo)簽，2個“詳細(xì)類型”標(biāo)簽。如某條知識可標(biāo)注為{標(biāo)簽1：消防指揮員，標(biāo)簽2：戰(zhàn)術(shù)要點，標(biāo)簽3：進攻途徑}。為“安全警示”的每條知識標(biāo)記一個“適用對象”標(biāo)簽，如{標(biāo)簽1：消防戰(zhàn)斗員}。細(xì)粒度標(biāo)注使知識項具有更明確的指向性，可用性更強。完整的標(biāo)注示例見表2所示。

3.5? 大規(guī)模知識庫構(gòu)建

在原始救援知識數(shù)據(jù)處理、細(xì)粒度類別標(biāo)注基礎(chǔ)上，本文構(gòu)建了大規(guī)模的綜合救援知識庫，該救援知識庫不僅包含了豐富的災(zāi)害類型，對每個災(zāi)害類型下的知識，又按照一定的規(guī)則進行了詳細(xì)標(biāo)注。所構(gòu)建的大規(guī)模救援知識庫可用于消防救援決策輔助系統(tǒng)中作為基礎(chǔ)數(shù)據(jù)庫使用，也可用于相關(guān)救援人員學(xué)習(xí)、訓(xùn)練過程中對救援的重要知識進行了解與掌握。因此，我們直接使用數(shù)據(jù)庫對知識庫進行儲存與管理，便于后期的知識修改。

3.6? 知識二次篩選與簡化

由于災(zāi)害發(fā)生具有突發(fā)性、偶然性，消防員不具有充足時間對救援現(xiàn)場進行全面了解與掌握。在這種情況下，大規(guī)模知識庫難以被集成到滅火救援輔助決策系統(tǒng)中用于對消防員進行提示與警示。為在實際應(yīng)用中知識庫能夠快速準(zhǔn)確地依據(jù)檢索項進行知識匹配，在構(gòu)建大規(guī)模救援知識庫的基礎(chǔ)上對知識庫進行二次篩選與簡化，從中過濾并選擇重要度高、適用性廣的知識項。

3.7? 小規(guī)模知識庫構(gòu)建與部署

利用二次篩選與簡化步驟得到的知識項構(gòu)建小規(guī)模救援知識庫。因小規(guī)模知識庫具有簡要、精確的特點，可將其部署到消防救援決策系統(tǒng)用于輔助救援現(xiàn)場快速決策指揮、制定戰(zhàn)術(shù)等。

4 滅火救援知識庫應(yīng)用驗證與可視化

4.1? 滅火救援知識智能匹配算法

如圖4所示，在實際救援任務(wù)時接警員需要依據(jù)報警人提供的線索將險情信息以本文形式輸入輔助決策系統(tǒng)，系統(tǒng)使用智能匹配算法檢索與給定信息相關(guān)度最高的若干條知識，最后人工進行篩選或直接推送。

在知識庫中，知識項主要以句子表示為主，而接警員輸入的險情信息也以若干句子組成。因此，本文提出了滅火救援知識智能匹配方法對知識庫中與給定關(guān)鍵字相關(guān)度高的知識項進行檢索。給定和表示由m個詞向量組成的句A和n個詞向量組成的句子B。為了獲取到較好的文本匹配效果，

使用長短期記憶網(wǎng)絡(luò)（Long-Short Term Memory， LSTM）[7]對句子級信息進行編碼表示，使具有相似語義句子間的特征表示距離近，反之距離遠(yuǎn)。考慮到句子中包含的信息存在較高的噪聲與冗余對匹配效果造成一定的干擾，在句子級別的語義表示外，使用注意力機制[8]對獲得句子中各個詞的權(quán)重，加權(quán)求和作為句子表征。最后，在匹配過程中，分別從句子級、詞級計算匹配得分，再依據(jù)給定的權(quán)重對句子級、詞級距離得分進行加權(quán)求和得到最后的匹配分?jǐn)?shù)。匹配算法框架如圖5所示。

圖5? 基于注意力機制和LSTM的滅火救援知識匹配算法

將詞向量化表示的句子A和B輸入LSTM獲得隱層表示HA和HB作為句子級語義向量表示；將HA和HB輸入注意力模塊計算句子中各個詞的權(quán)重值aA、aB，

其中，η為溫度系數(shù)用于非極大抑制（Non-Maximum Suppression，NMS），mA和mB表示經(jīng)過注意力模塊輸出的權(quán)重向量，

其中，tanh（·）為激活函數(shù)，WA，WAA，WAB，WB，WBB，WBA，WC為可學(xué)習(xí)的參數(shù)矩陣。最后，依據(jù)注意力模塊獲得的權(quán)重值aA和aB，對句A、B進行加權(quán)求和，獲得詞級別的語義向量表示VA和VB，

在分別獲得句子級、詞級的語義向量表示后，分別計算得到句子級、詞級的交互向量，

將交互向量輸入全連接網(wǎng)絡(luò)得到句子級相似度得分score（FH）和score（FV）。最后，加權(quán)得到最終的相似度得分s，

4.2? 數(shù)據(jù)驗證

在數(shù)據(jù)驗證階段，以本文構(gòu)建的大規(guī)模救援知識庫為基礎(chǔ)，并收集了上海市寶山區(qū)2018年到2021年之間的真實滅火救援記錄數(shù)據(jù)作為數(shù)據(jù)集，包括18149條險情描述以及其對應(yīng)的匹配知識項。將該數(shù)據(jù)集進行劃分，分別作為訓(xùn)練集與驗證集。選取相似度得分最高的K條知識項作為預(yù)測結(jié)果（K基于相似度閾值自適應(yīng)選?。c真實結(jié)果進行比較。評價指標(biāo)選擇準(zhǔn)確率（Accuracy）、精準(zhǔn)度（Precision）和F值（F1-score）。表3給出了數(shù)據(jù)驗證的結(jié)果，從結(jié)果可以看出，本文提出的大規(guī)模滅火救援知識庫實現(xiàn)了較高的準(zhǔn)確度，驗證了其有效性。

4.3? 滅火救援知識可視化

由于知識庫中包含大量的文本信息，難以了解所構(gòu)建知識庫中一些共有、通用的信息。而通過可視化，我們可以直觀了解不同知識條目中共有的信息，發(fā)現(xiàn)不同知識之間的共性規(guī)律。本章對所構(gòu)建的小規(guī)模救援知識庫進行了簡要的數(shù)據(jù)分析與可視化。對各個災(zāi)害類型的知識條數(shù)進行統(tǒng)計，利用文本分析方法對知識庫文本進行處理并可視化，依據(jù)可視化結(jié)果對知識庫簡要分析。

小規(guī)模知識庫統(tǒng)計：表4給出了知識庫詳細(xì)統(tǒng)計信息，包括“火災(zāi)”“搶險救援”兩大類中26個子類以及“安全警示”類對應(yīng)的知識項數(shù)量。從表4可以看出，小規(guī)模知識庫包含“火災(zāi)”與“搶險救援”兩大類知識數(shù)量共計283條，“安全警示”類知識項356條（按照“適用對象”分為“消防戰(zhàn)斗員”138條，“消防指揮員”173條，“消防駕駛員”45條）。三大類知識總計639條。

知識庫文本分析與可視化：首先對“火災(zāi)”與“搶險救援”2類小規(guī)模知識庫進行合并，利用文本分析方法對知識庫分詞、去停用詞、詞性標(biāo)注等，得到知識庫重要詞匯集合。按照詞匯的出現(xiàn)頻率，選取30個高頻詞進行可視化，結(jié)果如圖6所示。其中，“設(shè)置”“避開”“確?！钡仍~匯在多個知識項中出現(xiàn)的頻率較高，可認(rèn)為其在知識條目中作用較高。

與之類似，“安全警示”類小規(guī)模知識庫的高頻詞匯可視化結(jié)果如圖7和所示。其中“嚴(yán)禁”“泄漏”“防護”等詞匯高頻出現(xiàn)，表示“安全警示”類包含“嚴(yán)禁”“泄漏”“防護”的知識條目相對較多。最后，可利用數(shù)據(jù)分析、可視化結(jié)果調(diào)整優(yōu)化知識庫中的知識。

5 結(jié)論

針對目前已有滅火救援綜合知識庫對應(yīng)的災(zāi)害類型不夠全面、特定災(zāi)害類型的知識庫包含的知識項也相對較少等問題。本文對滅火救援知識庫的構(gòu)建方法進行了研究，提出了構(gòu)建救援專業(yè)知識庫的一般方法流程，依據(jù)所提出的方法步驟構(gòu)建了大規(guī)模的綜合知識庫，并按照實際救援需求進一步構(gòu)建了精簡的小規(guī)模知識庫。為知識庫在實際救援系統(tǒng)中發(fā)揮作用，本文提出了基于關(guān)鍵字的智能匹配算法，從知識庫中匹配與給定關(guān)鍵詞相關(guān)度較高的知識。此外，所構(gòu)建的小規(guī)模消防知識庫與知識匹配算法已被部署到上海市寶山區(qū)消防輔助決策管理系統(tǒng)中使用。

參考文獻(xiàn)：

[1]孫伯春.堅持以人為本提高應(yīng)戰(zhàn)能力——關(guān)于消防指戰(zhàn)員在滅火搶險救援中自我防護問題的探討[J].消防科學(xué)與技術(shù)，2004（2）：182-187.

[2]劉卓洋.基于GIS的消防指揮信息支持系統(tǒng)設(shè)計與實現(xiàn)[D].唐山：河北理工大學(xué)，2007.

[3]李勇，李躍龍.基于本體的消防知識構(gòu)建技術(shù)研究[J].計算機工程與科學(xué)，2008（5）：132-134+153.

[4]汪永明.高層建筑滅火救援戰(zhàn)斗編成的創(chuàng)新與實踐[J].消防科學(xué)與技術(shù)，2021，40（9）：1394-1397.

[5]劉國.大型石油化工儲罐火災(zāi)的處置措施[J].現(xiàn)代職業(yè)安全，2014（8）：64-67.

[6]鄭天峰.淺析地鐵坍塌事故搶險救援對策和啟示[J].消防科學(xué)與技術(shù)，2009，28（5）：365-369.

[7]Van Houdt G，Mosquera C，Nápoles G.A review on the long short-term memory model[J].Artificial Intelligence Review： An International Science and Engineering Journal，2020，53（8）.

[8]Vaswani，A.，Shazeer，N.，Parmar，N.，et al.Attention is all you

need[J].Advances in neural information processing systems，

2017（30）.

Construction and application of fire fighting and rescue professional knowledge base

Huang Libin

（Baoshan District Fire and Rescue Brigade， Shanghai 201901）

Abstract： In recent years， firefighters face many types of fire fighting and rescue tasks and they are difficult. At present， there is a lack of comprehensive sorting of fire fighting and rescue knowledge in complex environments， and a professional knowledge base for public fire fighting and rescue has not been formed. It is difficult for firefighters to fully and quickly master complex rescue knowledge， which can easily lead to the danger of improper operation during rescue. Aiming at these problems， the construction method of fire fighting and rescue knowledge base is studied. A large amount of fire fighting and rescue knowledge is collected and sorted out. A large-scale comprehensive fire fighting and rescue professional knowledge base is formed， and the fire fighting and rescue knowledge base is simplified. In order to improve the practicability of the knowledge base， the retrieval method of the knowledge base is studied. And an intelligent matching algorithm based on text retrieval is proposed. The experimental verification is carried out on two professional knowledge bases. The results show that the intelligent matching algorithm has fast retrieval speed and accuracy. It lays the foundation for the high-quality development and digital transformation of fire and rescue work.

Keywords： fire fighting and rescue; knowledge base construction; knowledge matching; auxiliary decision-making