警情信息識別學(xué)習(xí)模型應(yīng)用研究

鄭建波

摘要：

當(dāng)前，消防警情處理主要依賴于人工接警，存在效率低、誤差率高以及分析結(jié)果相對片面等問題。本文結(jié)合了自然語言處理中的文本相似度分析等算法模型構(gòu)建警情信息識別學(xué)習(xí)模型，經(jīng)研究發(fā)現(xiàn)模型識別準(zhǔn)確率高于主流平臺通用模型識別準(zhǔn)確率。基于該模型，可將模型引入消防接處警平臺，面向消防指揮系統(tǒng)提供接處警業(yè)務(wù)、接處警信息支撐、智能化后臺支撐、聯(lián)網(wǎng)匯聚和運(yùn)行監(jiān)控等服務(wù)，能夠提高消防接處警效率，降低人工座席效率低可能造成的消防救援延誤、火情擴(kuò)大等風(fēng)險(xiǎn)，實(shí)現(xiàn)消防救援指揮系統(tǒng)數(shù)字化、智慧化發(fā)展。

關(guān)鍵詞：消防救援；警情信息識別學(xué)習(xí)模型；識別準(zhǔn)確率；NLP模型

當(dāng)前，隨著我國社會經(jīng)濟(jì)快速發(fā)展和消防救援隊(duì)伍“全災(zāi)種、大應(yīng)急”職能擴(kuò)展，消防救援指揮中心承接應(yīng)急救援警情數(shù)量激增、處置警情日益復(fù)雜。在日益復(fù)雜的消防警情處置情況下，對接警人員素質(zhì)、效率要求不斷提高[1]。四川省全年話務(wù)量約170萬通，出警約29萬次，火災(zāi)約13萬起，火災(zāi)約占五成，以瀘州市為例，僅“十三五”期間，瀘州市消防接警23萬余通，年均話務(wù)量4萬通，接警出動次數(shù)3萬余起，其中消防火災(zāi)警情1萬余起，在119警情信息中占比四成。現(xiàn)有接警系統(tǒng)報(bào)警渠道采用人工接警方式面臨排隊(duì)過多、信息記錄時(shí)間過長、報(bào)警人員反饋內(nèi)容不精確和不清晰等問題[2]，進(jìn)而影響接警效率和消防救援調(diào)度指揮效率。

針對人工智能在自然語言識別和處理方面的發(fā)展，將其應(yīng)用于自動識別和篩選警情信息，可以顯著提高消防報(bào)警處理效率，同時(shí)減少人工接警時(shí)的低效率問題。然而，目前市面上的主流警情識別學(xué)習(xí)模型，如阿里巴巴和科大訊飛開發(fā)的綜合性NLP模型，盡管在技術(shù)上較為先進(jìn)，但實(shí)際應(yīng)用效果并不理想。特別是在消防行業(yè)中，這些模型的匹配度只有30%到50%。其主要問題包括地址提取效果不佳，依賴于平臺自有或第三方共享的地址庫，這在互聯(lián)網(wǎng)熱度不高的城市尤其突出。此外，這些模型高度依賴于互聯(lián)網(wǎng)，而消防接警單位可能因業(yè)務(wù)原因而面臨互聯(lián)網(wǎng)接入不友好問題。基于此，有必要在消防接警系統(tǒng)中引入機(jī)器學(xué)習(xí)模型，通過整合消防系統(tǒng)數(shù)據(jù)，借助機(jī)器學(xué)習(xí)算法、相似度分析等算法[3]，通過實(shí)際消防場景中測試模型效果，并根據(jù)反饋進(jìn)行調(diào)整，以確保模型能夠有效滿足實(shí)際需求，實(shí)現(xiàn)消防接警業(yè)務(wù)數(shù)據(jù)智能識別，尤其是及時(shí)、盡早處置早期消防預(yù)警，提高消防系統(tǒng)現(xiàn)場處置能力和效率。

一、警情信息識別學(xué)習(xí)模型構(gòu)建思路

消防警情信息識別學(xué)習(xí)模型是消防指揮中心接警、處警并為現(xiàn)場提供輔助預(yù)案的核心系統(tǒng)，是基于深度學(xué)習(xí)已建異構(gòu)數(shù)據(jù)，并識別模型用于實(shí)時(shí)警情內(nèi)容分析、篩選、梳理、推理等業(yè)務(wù)邏輯設(shè)定，達(dá)到消防警情信息自動識別、精準(zhǔn)推導(dǎo)的目標(biāo)，為消防警情信息處置和消防處警提供全方位支撐。

警情信息識別學(xué)習(xí)模型由數(shù)據(jù)層、業(yè)務(wù)邏輯層和表示層組成。數(shù)據(jù)層：基于消防現(xiàn)有系統(tǒng)各子系統(tǒng)平臺數(shù)據(jù)，經(jīng)數(shù)據(jù)清洗、篩選后存儲至基礎(chǔ)數(shù)據(jù)庫和業(yè)務(wù)數(shù)據(jù)庫，基礎(chǔ)數(shù)據(jù)包括警情類型、地址、車輛、建筑物結(jié)構(gòu)等基礎(chǔ)信息，業(yè)務(wù)數(shù)據(jù)包括樓層、被困人員、受傷人數(shù)、時(shí)序信息等。通過NLP模型分析消防警情信息、案情內(nèi)容，從中提取關(guān)鍵信息。業(yè)務(wù)邏輯層：構(gòu)建消防專用字典庫和日常用語詞典庫，結(jié)合數(shù)據(jù)分析和機(jī)器學(xué)習(xí)技術(shù)，對自然語言和文本相鄰進(jìn)行實(shí)時(shí)處理。基于人工智能和機(jī)器學(xué)習(xí)等技術(shù)，可實(shí)現(xiàn)警情信息高效識別和提取。結(jié)果分析：經(jīng)業(yè)務(wù)邏輯層識別和分析接警信息，將分析結(jié)果在表示層輸出，供消防救援指揮調(diào)度處理。結(jié)果分析是警情處理的核心層，通過警情信息智能識別并關(guān)聯(lián)處境預(yù)案，能夠?yàn)橄谰樘幚硖峁Q策依據(jù)和參考[4]。

二、警情信息識別學(xué)習(xí)模型構(gòu)建

（一）警情信息識別學(xué)習(xí)模型流程

當(dāng)前，自然語言分析模型（NLP）包括人工規(guī)則法、統(tǒng)計(jì)學(xué)習(xí)法和融合法等，為提高消防警情信息識別學(xué)習(xí)準(zhǔn)確度和效率，可將人工規(guī)則方法和統(tǒng)計(jì)學(xué)習(xí)方法融合，以此提高消防警情信息識別準(zhǔn)確度。根據(jù)NLP流程，原始文本輸入、自然語言輸入后，系統(tǒng)自動識別、分詞、詞性標(biāo)注和命名實(shí)體識別、語法分析和語義分析等，將日常語句識別、分解、標(biāo)注和識別為計(jì)算機(jī)可理解的內(nèi)容，以此構(gòu)建基于本地的消防警情信息識別模型。

（二）建立語義庫

由于消防接警信息內(nèi)容較為復(fù)雜，且報(bào)警人在報(bào)警時(shí)通常驚慌失措、不能全面完整描述警情，加之方言、口音等因素影響，可能存在模型識別自然語言時(shí)存在無法準(zhǔn)確理解的問題。在人工接警和引導(dǎo)報(bào)警描述的情況下，報(bào)警人也存在短時(shí)間內(nèi)無法陳述完整警情要素的問題，導(dǎo)致消防接警信息識別難度較大。如報(bào)警人信息中“有東西燒起來了”泛指火災(zāi)警情，但如模型中并無該語料，則模型難以理解和識別事故主體。由此反映出消防接警信息中，類似“燒起來”“起火了”“燃起來”的同義詞和衍生詞較多，為了提升接警信息學(xué)習(xí)模型識別和分析能力，模型構(gòu)建前，針對性組建消防接警場景語義詞典編輯錄入團(tuán)隊(duì)，針對性收集和錄入消防應(yīng)急類語料，包括警情類型、地址信息、被困人員、單位名稱等。

（三）模型構(gòu)建

消防警情信息識別學(xué)習(xí)模型構(gòu)建時(shí)，模型訓(xùn)練采用貝葉斯和主成分分析法構(gòu)建模型，可表示為：

CNB=argmaxP（ci）∏P（wi|cj）

式中，argmax為接警信息極性類型，P（ci）為極性類型發(fā)生概率，∏P（wi|cj）為極性前提下各類詞匯出現(xiàn)乘積。

P（w|c）=count（w，c）+1count（c）+|V|

式中，V為訓(xùn)練文本詞匯量。

基于當(dāng)前訓(xùn)練文本模型訓(xùn)練，將訓(xùn)練文本分詞后轉(zhuǎn)換為語料庫中語料并轉(zhuǎn)換為向量，實(shí)現(xiàn)輸入文本標(biāo)準(zhǔn)化和PCA降維處理，模型輸出結(jié)果為PNC三元組信息。

考慮到口音對接警信息識別學(xué)習(xí)模型準(zhǔn)確性的影響，模型引入本地口音模型訓(xùn)練機(jī)制，在確保語音數(shù)據(jù)保密性的基礎(chǔ)上，提供適應(yīng)本地口音的糾偏機(jī)制。系統(tǒng)提供語音標(biāo)注工具，并支持智能語音識別模型本地自動化數(shù)據(jù)訓(xùn)練、模型效果評估和模型發(fā)布。通過將自然語言識別模型和語音模型接入接處警系統(tǒng)，持續(xù)提高本地口音模型識別準(zhǔn)確率[5]。

（四）消防警情信息識別的地址庫

為了提高消防警情處理的效率，所需地址信息必須具備以下特點(diǎn)：易于快速記憶和輸入、能指導(dǎo)出動車輛迅速到達(dá)現(xiàn)場以及確保車輛能夠順利通行。為此，建議采取以下優(yōu)化措施。建立專業(yè)的消防行業(yè)地址數(shù)據(jù)庫：結(jié)合政府提供的地址信息、互聯(lián)網(wǎng)地址資源以及歷史警情處理記錄，構(gòu)建一個(gè)專為消防行業(yè)設(shè)計(jì)的地址數(shù)據(jù)庫。這個(gè)數(shù)據(jù)庫應(yīng)包含精確、易于理解和使用的地名信息。

利用語音分析技術(shù)：通過高級的語音分析技術(shù)，自動識別和轉(zhuǎn)錄報(bào)警時(shí)提供的地址信息，建立與消防行業(yè)地址數(shù)據(jù)庫的關(guān)聯(lián)關(guān)系。這樣可以在接警時(shí)迅速準(zhǔn)確地識別和記錄地址信息。

實(shí)現(xiàn)地址信息的歸一化處理：通過技術(shù)手段，將接收到的各種格式和表述的地址信息轉(zhuǎn)換成統(tǒng)一標(biāo)準(zhǔn)的格式。這將有助于提高地址信息處理的效率和準(zhǔn)確性，減少誤解和延誤。

進(jìn)行持續(xù)更新和維護(hù)：確保地址數(shù)據(jù)庫保持最新狀態(tài)，定期更新和校正地址信息，尤其是針對新開發(fā)區(qū)域和變更地名的情況。

（五）消防警情信息識別學(xué)習(xí)模型測試

通過引入某地區(qū)近3年消防接處警樣本數(shù)據(jù)，并利用近半年消防接處警數(shù)據(jù)作為實(shí)驗(yàn)樣本，對該模型識別準(zhǔn)確性進(jìn)行分析。測試樣本數(shù)據(jù)采集異構(gòu)數(shù)據(jù)（互聯(lián)網(wǎng)數(shù)據(jù)和指揮網(wǎng)數(shù)據(jù)）39980條，導(dǎo)入模型中進(jìn)行語義識別后，輸出地址匹配結(jié)果3591條，未匹配到場景8738條，語義優(yōu)先匹配結(jié)果30447條，合并匹配到場景結(jié)果31242條，匹配到場景占比為78.14%，顯著高于阿里、科大訊飛等平臺通用模型識別準(zhǔn)確率，表明該模型在消防接處警領(lǐng)域適用性良好[6]。

三、模型應(yīng)用

消防警情信息識別學(xué)習(xí)模型應(yīng)用于消防智能接處警系統(tǒng)，主要涉及接處警業(yè)務(wù)模塊。接處警業(yè)務(wù)模塊是模型功能實(shí)現(xiàn)的核心部分，該功能模塊基于模型訓(xùn)練輸出后接入接警警情受理、力量調(diào)度、綜合報(bào)警審理模塊等。

（一）警情受理過程應(yīng)用

為進(jìn)一步提升警情受理效率和準(zhǔn)確性，該模塊利用了警情信息識別學(xué)習(xí)模型，集成了語音識別和智能語義分析等先進(jìn)技術(shù)。系統(tǒng)能夠?qū)崿F(xiàn)實(shí)時(shí)的語音轉(zhuǎn)譯功能，獨(dú)立處理報(bào)警人和接警人的語音，確保信息的清晰和準(zhǔn)確性。在接警人員忙碌無法立即應(yīng)答時(shí)，系統(tǒng)自動啟動接警并進(jìn)行錄音，保障了警情不會錯(cuò)過。

更重要的是，系統(tǒng)將接警的語音信息轉(zhuǎn)換為文字記錄，這樣的設(shè)計(jì)既方便了后續(xù)查閱和分析，也有助于精確存檔。通過人工智能與接警員的緊密協(xié)作，系統(tǒng)能在接警員與報(bào)警人對話的過程中迅速而準(zhǔn)確識別出關(guān)鍵信息，如警情類型、發(fā)生地點(diǎn)、涉及人員和車輛、具體樓層、火情狀況、被困人數(shù)和傷者情況等。

這種優(yōu)化后的模塊顯著提升了接警員處理警情效率，使得他們能夠更快速響應(yīng)緊急情況，為消防滅火和救援工作爭取到了寶貴的時(shí)間。這不僅提高了警情處理質(zhì)量，也增強(qiáng)了緊急響應(yīng)能力，為保護(hù)公共安全提供了有力的技術(shù)支持[7]。

（二）力量調(diào)度模塊

力量調(diào)度模塊通過分析和學(xué)習(xí)歷史的調(diào)派方案，能夠智能提供推薦的調(diào)度方案。這種方法的優(yōu)勢在于它結(jié)合了神經(jīng)網(wǎng)絡(luò)在理解上下文聯(lián)系方面的強(qiáng)大能力，從而可以擴(kuò)大學(xué)習(xí)和分析的范圍，力量調(diào)度模塊不僅能夠?qū)Φ胤綄用妫ㄈ缡小⑹。┑恼{(diào)度方案進(jìn)行優(yōu)化，還能實(shí)現(xiàn)國家層面力量的調(diào)度，確保各級調(diào)度的統(tǒng)一性和協(xié)調(diào)性。這在大型災(zāi)害或緊急情況下尤為關(guān)鍵，能夠確保資源得到最有效的分配和利用。

此外，通過引入智能推薦系統(tǒng)，可以顯著減少接警員在調(diào)度消防力量時(shí)依賴于主觀經(jīng)驗(yàn)的隨意性和盲目性。這不僅提高了調(diào)度效率和準(zhǔn)確性，還有助于防止因人為判斷失誤而導(dǎo)致的資源浪費(fèi)或延誤響應(yīng)。綜合來看，這種技術(shù)的應(yīng)用極大提高了消防力量調(diào)度的科學(xué)性和高效性，對于提升緊急響應(yīng)能力和保障公共安全具有重要意義。

（三）警情受理終端模塊

警情受理終端模塊是消防救援站警情處理的關(guān)鍵部分，該模塊專為消防救援站的警情受理端設(shè)計(jì)，能夠自動接收和處理處警通知單。這個(gè)系統(tǒng)的核心在于它的及時(shí)反饋能力，快速準(zhǔn)確了解警情的相關(guān)信息。

利用警情信息識別學(xué)習(xí)模型中的語義分析技術(shù)，該模塊可以迅速提取現(xiàn)場的關(guān)鍵信息，如人員傷亡、被困情況、燃燒面積等。這種高效的信息處理能力是提高警情處理效率的重要因素。

此外，該模塊還融合了警情預(yù)警、警情升級和力量調(diào)度功能，形成了一個(gè)高效的增援調(diào)派系統(tǒng)。這意味著，一旦警情發(fā)生變化或需要額外支援時(shí)，系統(tǒng)可以迅速做出響應(yīng)，并調(diào)度必要的增援力量。這不僅提高了警情處置效率，也確保了增援力量的及時(shí)補(bǔ)充，提升了整體的應(yīng)急響應(yīng)能力[8]。

（四）綜合報(bào)警審理模塊

綜合報(bào)警審理模塊是一個(gè)多功能的接警系統(tǒng)，它整合了來自多個(gè)渠道的報(bào)警信息，包括消防技防系統(tǒng)、公眾號、網(wǎng)頁、小程序和APP等。這種綜合性的設(shè)計(jì)使得模塊能夠有效處理來自不同來源的報(bào)警信息，確保不遺漏任何一個(gè)警情。

結(jié)語

消防接處警工作是消防救援隊(duì)伍業(yè)務(wù)的關(guān)鍵組成，是形成消防救援隊(duì)伍核心戰(zhàn)斗力的重要步驟，同時(shí)也是服務(wù)社會發(fā)展、與群眾緊密聯(lián)系的重要橋梁。基于人工智能技術(shù)建設(shè)消防警情信息識別學(xué)習(xí)模型，能夠充分發(fā)揮信息技術(shù)優(yōu)勢，改善消防接處警人工處理面臨的效率低、成本高等問題。為建設(shè)規(guī)范、高效、專業(yè)的指揮調(diào)度中樞奠定堅(jiān)實(shí)基礎(chǔ)，為應(yīng)對各類緊急情況提供迅速而有力支援，有助于提高應(yīng)急響應(yīng)速度，更能夠有效協(xié)調(diào)和調(diào)度各方資源，確保消防救援工作更為有序、高效。

參考文獻(xiàn)

[1]

雷興豪，董雷.NLP在智能消防接處警系統(tǒng)中的應(yīng)用研究[J].電子設(shè)計(jì)工程，2023，31（03）：43-48.

[2]林曉冬.基于卷積神經(jīng)網(wǎng)絡(luò)的消防智能決策系統(tǒng)的研究[J].電信快報(bào)，2022（09）：23-26+33.

[3]雷興豪.NLP在智能消防接處警系統(tǒng)中的應(yīng)用[D].武漢郵電科學(xué)研究院，2023.

[4]林曉冬.人工智能深度匹配學(xué)習(xí)在消防警情分析上的應(yīng)用[J].電信快報(bào)，2020（10）：25-28.

[5]王艷紅.基于云模型的消防救援戰(zhàn)勤保障能力評價(jià)[J].武警學(xué)院學(xué)報(bào)， 2021，37（06）： 26-30.

[6]李文艷，郭裴裴.消防應(yīng)急救援人員能力評估模型研究[J].武警學(xué)院學(xué)報(bào)， 2019，35（06）： 27-32.

[7]王超.網(wǎng)絡(luò)優(yōu)化模型在消防應(yīng)急救援方案中的應(yīng)用[J].中國科技信息，2011（07）： 205-206.

[8]郝然.消防救援最短路線模型及其求解策略[J].中國科技信息，2010（19）：29-30.