滅火救援專業知識庫構建及其應用研究

黃禮彬

摘要：近年來，消防人員面對的滅火救援任務種類多、難度大。目前，缺少對復雜環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知識庫；消防人員難以全面、快速掌握復雜的救援知識，容易導致救援時操作不當發生危險。針對這些問題，對滅火救援知識庫的構建方法進行研究，收集、整理大量滅火救援知識，形成大規模綜合滅火救援專業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個專業知識庫上進行實驗驗證，結果表明該智能匹配算法檢索速度快、準確率高，為消防救援工作高質量發展和數字化轉型奠定了基礎。

關鍵詞：滅火救援；知識庫構建；知識匹配；輔助決策

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

1 引言

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

為降低救援時危險發生的可能性，要求消防員了解各種災害發生對應的救援知識，如針對高層建筑火災發生或特定種類危險化學品爆炸的救援知識。目前，已有各種災害救援的知識庫，但較為分散，缺少針對復雜環境下的綜合救援知識庫，且大多數救援知識庫信息不準確、冗余、不夠直觀，對實際救援的幫助有限。另一方面，面對復雜繁多的救援知識，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確地制定相關救援策略或方法，局限性較大。

針對這些問題，本文研究了滅火救援知識庫構建的一般方法，構建面向復雜環境的專業滅火救援知識庫，總結準確、精簡、必要的救援知識。首先從各類災害救援文件、書籍、公開資料等收集了大規模的各類型救援知識數據集；再按照災害的類別歸類整理，進行數據清洗去除對救援過程貢獻度較小的數據；對每條知識數據按照提示對象、提示類型進行人工標記，形成大規模、帶標記的救援知識庫。為了進一步提升其在實際救援過程中的可用性，本文將所構建的滅火救援知識庫進行二次篩選，形成小規模的精簡知識庫。對每個災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，對構建的知識庫進行基于檢索的匹配驗證，結果表明，本文提出的知識庫能夠依據給定的查詢條件，快速準確地匹配到相關知識，驗證了其有效性。本文主要貢獻包括：

第一，提出了救援知識庫構建的一般方法，構建了大規模、多類型的綜合救援知識庫，包括火災災害、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害救援知識進行了總結。

第二，構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揮作用，本文對構建的大規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、精確小規模救援知識庫可用于消防救援輔助決策系統。此外，本文所構建的小規模消防知識庫已集成到上海市寶山區消防輔助決策管理系統作為基礎知識數據庫使用。

第三，提出了智能匹配算法，可依據給定關鍵詞進行知識匹配。數據驗證結果表明了所提出方法的有效性。

2 相關工作

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

此外，相關研究工作針對特定災害類型給出了對應的搶險救援知識。如汪永明[4]針對高層建筑滅火救援面臨的問題，從戰斗編成的編制思路、類型與構成、應用模式、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，分析災害發生原因，給出地鐵坍塌事故處置程序的注意事項。

綜上所述，已有研究在構建災害救援知識庫取得了一定的進展，但構建的綜合知識庫對應的災害類型不夠全面，而針對特定災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，也難以應用于消防救援輔助決策系統。

3 滅火救援專業知識庫構建

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

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

3.1? 大規模災害救援知識收集

以“災害”“火災”“搶險救援”等關鍵詞從各種渠道（如國家有關部門下發文件、學術論文、網絡等）收集大量災害救援相關的原始知識數據作為源知識。

3.2? 依災害類別劃分救援源知識

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

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

3.3? 知識數據清洗

知識數據清洗包含以下步驟：①依照關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害類型、危害程度描述，對實際救援過程的指導或貢獻度較小。因此對源知識數據進行數據清洗，去除噪聲數據，保留貢獻度較大的知識。②對多個數據源獲取的知識包含重復的知識項，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? 細粒度類別標注

數據清洗過濾之后進一步對每條知識細粒度標注，明確知識面向的對象、應用范圍。使得所構建的知識庫不僅具有豐富的救援知識，同時減少相關人員使用知識庫的成本，有針對性地了解與學習。具體地，對“火災災害”和“搶險救援”的26個二級類別知識項，依據本文提出的“適用對象”“詳細類型”進行標注；對“安全警示”知識項，依據“適用對象”進行標注。“適用對象”包括消防戰斗員、消防指揮員、消防駕駛員3種對象類型；“詳細類型”包括的兩級標記見圖3所示。

依據圖3，為“火災”和“搶險救援”的每條知識標記1個“適用對象”標簽，2個“詳細類型”標簽。如某條知識可標注為{標簽1：消防指揮員，標簽2：戰術要點，標簽3：進攻途徑}。為“安全警示”的每條知識標記一個“適用對象”標簽，如{標簽1：消防戰斗員}。細粒度標注使知識項具有更明確的指向性，可用性更強。完整的標注示例見表2所示。

3.5? 大規模知識庫構建

在原始救援知識數據處理、細粒度類別標注基礎上，本文構建了大規模的綜合救援知識庫，該救援知識庫不僅包含了豐富的災害類型，對每個災害類型下的知識，又按照一定的規則進行了詳細標注。所構建的大規模救援知識庫可用于消防救援決策輔助系統中作為基礎數據庫使用，也可用于相關救援人員學習、訓練過程中對救援的重要知識進行了解與掌握。因此，我們直接使用數據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

由于災害發生具有突發性、偶然性，消防員不具有充足時間對救援現場進行全面了解與掌握。在這種情況下，大規模知識庫難以被集成到滅火救援輔助決策系統中用于對消防員進行提示與警示。為在實際應用中知識庫能夠快速準確地依據檢索項進行知識匹配，在構建大規模救援知識庫的基礎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? 小規模知識庫構建與部署

利用二次篩選與簡化步驟得到的知識項構建小規模救援知識庫。因小規模知識庫具有簡要、精確的特點，可將其部署到消防救援決策系統用于輔助救援現場快速決策指揮、制定戰術等。

4 滅火救援知識庫應用驗證與可視化

4.1? 滅火救援知識智能匹配算法

如圖4所示，在實際救援任務時接警員需要依據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，系統使用智能匹配算法檢索與給定信息相關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鍵字相關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，

使用長短期記憶網絡（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。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重，加權求和作為句子表征。最后，在匹配過程中，分別從句子級、詞級計算匹配得分，再依據給定的權重對句子級、詞級距離得分進行加權求和得到最后的匹配分數。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重值aA、aB，

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

其中，tanh（·）為激活函數，WA，WAA，WAB，WB，WBB，WBA，WC為可學習的參數矩陣。最后，依據注意力模塊獲得的權重值aA和aB，對句A、B進行加權求和，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絡得到句子級相似度得分score（FH）和score（FV）。最后，加權得到最終的相似度得分s，

4.2? 數據驗證

在數據驗證階段，以本文構建的大規模救援知識庫為基礎，并收集了上海市寶山區2018年到2021年之間的真實滅火救援記錄數據作為數據集，包括18149條險情描述以及其對應的匹配知識項。將該數據集進行劃分，分別作為訓練集與驗證集。選取相似度得分最高的K條知識項作為預測結果（K基于相似度閾值自適應選取），與真實結果進行比較。評價指標選擇準確率（Accuracy）、精準度（Precision）和F值（F1-score）。表3給出了數據驗證的結果，從結果可以看出，本文提出的大規模滅火救援知識庫實現了較高的準確度，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，發現不同知識之間的共性規律。本章對所構建的小規模救援知識庫進行了簡要的數據分析與可視化。對各個災害類型的知識條數進行統計，利用文本分析方法對知識庫文本進行處理并可視化，依據可視化結果對知識庫簡要分析。

小規模知識庫統計：表4給出了知識庫詳細統計信息，包括“火災”“搶險救援”兩大類中26個子類以及“安全警示”類對應的知識項數量。從表4可以看出，小規模知識庫包含“火災”與“搶險救援”兩大類知識數量共計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”與“搶險救援”2類小規模知識庫進行合并，利用文本分析方法對知識庫分詞、去停用詞、詞性標注等，得到知識庫重要詞匯集合。按照詞匯的出現頻率，選取30個高頻詞進行可視化，結果如圖6所示。其中，“設置”“避開”“確保”等詞匯在多個知識項中出現的頻率較高，可認為其在知識條目中作用較高。

與之類似，“安全警示”類小規模知識庫的高頻詞匯可視化結果如圖7和所示。其中“嚴禁”“泄漏”“防護”等詞匯高頻出現，表示“安全警示”類包含“嚴禁”“泄漏”“防護”的知識條目相對較多。最后，可利用數據分析、可視化結果調整優化知識庫中的知識。

5 結論

針對目前已有滅火救援綜合知識庫對應的災害類型不夠全面、特定災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建方法進行了研究，提出了構建救援專業知識庫的一般方法流程，依據所提出的方法步驟構建了大規模的綜合知識庫，并按照實際救援需求進一步構建了精簡的小規模知識庫。為知識庫在實際救援系統中發揮作用，本文提出了基于關鍵字的智能匹配算法，從知識庫中匹配與給定關鍵詞相關度較高的知識。此外，所構建的小規模消防知識庫與知識匹配算法已被部署到上海市寶山區消防輔助決策管理系統中使用。

參考文獻：

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

[2]劉卓洋.基于GIS的消防指揮信息支持系統設計與實現[D].唐山：河北理工大學，2007.

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

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

[5]劉國.大型石油化工儲罐火災的處置措施[J].現代職業安全，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].消防科學與技術，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