馮 鈞，王云峰，鄔 煒，朱躍龍

(河海大學(xué)計(jì)算機(jī)與信息學(xué)院，江蘇 南京 211100)

城市內(nèi)澇受到自然環(huán)境和工程的影響變化頻繁，實(shí)時(shí)分析城市內(nèi)澇的成因有助于為城市內(nèi)澇災(zāi)害決策和應(yīng)急響應(yīng)機(jī)制提供幫助。當(dāng)前水利領(lǐng)域的知識(shí)和數(shù)據(jù)日趨豐富，利用事理圖譜在關(guān)聯(lián)知識(shí)和演化推理的強(qiáng)大能力，構(gòu)建城市內(nèi)澇事理圖譜，并以此作為城市內(nèi)澇實(shí)時(shí)成因分析的基礎(chǔ)。

城市內(nèi)澇事理圖譜的構(gòu)建主要包含因果關(guān)系抽取和事件抽取。因果關(guān)系抽取是從語(yǔ)料中抽取因果關(guān)系句，通常采用模板匹配方法[1-5]。例如，Radinsky等[2]通過(guò)因果模板匹配的方法從新聞標(biāo)題中自動(dòng)抽取因果對(duì)。事件抽取是從關(guān)系句中抽取事件，在領(lǐng)域中通常使用機(jī)器學(xué)習(xí)方法[6-9]。例如，余輝等[9]在雙向長(zhǎng)短期記憶網(wǎng)絡(luò)(bi-directional long short-term memory，BiLSTM)上用條件隨機(jī)場(chǎng)(conditional random field，CRF)抽取中文臨床指南中的治療事件。根據(jù)城市內(nèi)澇事理領(lǐng)域特點(diǎn)，因果關(guān)系抽取采用基于模板匹配的方法、事件抽取采用基于機(jī)器學(xué)習(xí)的方法。

傳統(tǒng)的內(nèi)澇成因分析一般構(gòu)建物理水文模型[10]或通過(guò)統(tǒng)計(jì)分析系統(tǒng)性成因[11-12]。例如，李芮等[10]構(gòu)建城市排澇模型，對(duì)不同工程和自然條件進(jìn)行模擬并總結(jié)影響效果。以上方法對(duì)內(nèi)澇成因一般規(guī)律進(jìn)行總結(jié)，但難以應(yīng)用于實(shí)時(shí)分析，目前多采用貝葉斯網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)成因分析[13-14]，但貝葉斯網(wǎng)絡(luò)方法缺乏空間可擴(kuò)展性。例如，Li等[13]基于本體簇建立貝葉斯網(wǎng)絡(luò)并用于地震突發(fā)事件的演化分析和決策支持。

實(shí)時(shí)性、空間可擴(kuò)展性是城市內(nèi)澇決策的需求，同時(shí)也是難點(diǎn)。因此提出從水利文本中構(gòu)建事理圖譜，再利用事理圖譜對(duì)不同時(shí)空?qǐng)鼍跋聝?nèi)澇事件的成因進(jìn)行分析，最終能夠確定內(nèi)澇成因。

1 方 法 介 紹

1.1 總體框架

首先構(gòu)建城市內(nèi)澇事理圖譜，隨后在事理圖譜上開展成因分析應(yīng)用，總體框架如圖1所示。

圖1 總體框架Fig.1 Proposed framework

a. 事理圖譜構(gòu)建包含因果關(guān)系抽取和事件抽取。首先從水利領(lǐng)域語(yǔ)料中抽取出包含因果關(guān)系的句子，然后從因果關(guān)系句中抽取出結(jié)構(gòu)化的事件信息，融合手工構(gòu)建的規(guī)則形成城市內(nèi)澇事理圖譜。

b. 成因分析應(yīng)用包含場(chǎng)景生成和成因推理。首先將事理圖譜和前期已構(gòu)建的水利知識(shí)圖譜作為輸入生成場(chǎng)景，再使用場(chǎng)景生成貝葉斯網(wǎng)絡(luò)用于成因推理，最終輸出內(nèi)澇成因文本和演化路徑。

1.2 事理圖譜構(gòu)建

設(shè)計(jì)一種基于模式匹配和深度神經(jīng)網(wǎng)絡(luò)的事理圖譜構(gòu)建方法，旨在利用規(guī)則模板庫(kù)抽取中文因果事件句，基于投票機(jī)制的深度神經(jīng)網(wǎng)絡(luò)融合方法抽取因果句中的事件，從而構(gòu)建領(lǐng)域事理圖譜并進(jìn)行簡(jiǎn)單應(yīng)用。事理圖譜構(gòu)建流程如圖2所示。

圖2 事理圖譜構(gòu)建流程Fig.2 Flow chart of event logic graph construction

1.2.1 因果關(guān)系抽取

提出一種基于領(lǐng)域因果關(guān)系模板庫(kù)的因果關(guān)系抽取方法。結(jié)合基于句法結(jié)構(gòu)的核函數(shù)和基于語(yǔ)義特征的BERT模型計(jì)算語(yǔ)義相似度，抽取因果關(guān)系連接詞，從而構(gòu)建領(lǐng)域因果關(guān)系模板庫(kù)?；贐ootstrapping思想，根據(jù)模板庫(kù)制定規(guī)則，抽取出更多語(yǔ)料中的因果關(guān)系句。

1.2.1.1 模板獲取

由于包含相同因果關(guān)系連接詞的句子通常結(jié)構(gòu)類似，因此對(duì)句子進(jìn)行句法分析(syntactic parsing, SP)得到句法結(jié)構(gòu)樹。使用兩個(gè)句法樹之間的公共子樹數(shù)目衡量它們之間的相似度，通過(guò)比較相似度抽取與語(yǔ)料庫(kù)中句法結(jié)構(gòu)相似的句子。但僅用這種方法會(huì)造成候選句中存在結(jié)構(gòu)相似但語(yǔ)義不同的問(wèn)題，因此再利用BERT模型表達(dá)句子的語(yǔ)義特征，獲得一批句法結(jié)構(gòu)和語(yǔ)義特性相似的因果關(guān)系實(shí)例句。

1.2.1.2 模板泛化

為了充分利用因果關(guān)系實(shí)例的協(xié)同過(guò)濾能力，需要將前面抽取得到的模板進(jìn)行泛化。城市內(nèi)澇更關(guān)注因果連接詞的位置，因此選擇K-means算法做聚類，計(jì)算基于句法結(jié)構(gòu)的卷積樹核相似性。

1.2.2 事件抽取

首先，基于觸發(fā)詞聚類方法，結(jié)合水文領(lǐng)域特性構(gòu)建事件框架；其次，根據(jù)預(yù)先定義的事件框架，結(jié)合事件觸發(fā)詞和領(lǐng)域特征詞構(gòu)造規(guī)則，定位事件觸發(fā)詞并識(shí)別事件類型；然后，利用觸發(fā)詞與詞性的特征，提出了基于Attention機(jī)制的雙向LSTM結(jié)合CRF模型的事件元素抽取方法，并采用投票機(jī)制融合；最后，借助同義詞詞典實(shí)現(xiàn)事件實(shí)例中同義詞的融合，實(shí)現(xiàn)事件抽取。

a. 事件框架的構(gòu)建。事件類型的定義包括觸發(fā)詞的聚類及事件類型的定義。首先選取句子中的核心謂詞組成候選觸發(fā)詞集合，并按照系動(dòng)詞、助動(dòng)詞等做細(xì)化過(guò)濾；然后，基于HowNet做詞義相似度計(jì)算，并對(duì)候選觸發(fā)詞進(jìn)行聚類。人工調(diào)整聚類后的結(jié)果，形成觸發(fā)詞-事件類型對(duì)照表。

b. 事件類型識(shí)別。主要任務(wù)是定位觸發(fā)詞和識(shí)別事件類型。在系統(tǒng)中對(duì)含有觸發(fā)詞的句子進(jìn)行預(yù)處理，如詞性標(biāo)注、分詞、句法分析等，抽取事件觸發(fā)詞并識(shí)別事件類型。

d. 事件融合?？紤]到利用觸發(fā)詞-事件類型表抽取出的事件實(shí)例存在較多冗余，利用同義詞詞典將表達(dá)同一個(gè)事實(shí)的數(shù)據(jù)進(jìn)行合并，實(shí)現(xiàn)事件融合。

1.2.3 融合

將抽取的因果關(guān)系與事件相互結(jié)合，形成事理圖譜。事理圖譜的節(jié)點(diǎn)表示抽象事件，邊表示事件間的因果關(guān)系，抽象事件包含事件類型和事件元素。

為了將事理圖譜應(yīng)用于成因分析，考慮到領(lǐng)域的特殊性，對(duì)自動(dòng)生成的事理圖譜進(jìn)行人工篩選處理，并對(duì)事理圖譜的節(jié)點(diǎn)進(jìn)行拓展定義。將事件元素拓展為對(duì)象實(shí)例化規(guī)則、屬性實(shí)例化規(guī)則和狀態(tài)實(shí)例化規(guī)則，三者均為產(chǎn)生式規(guī)則。對(duì)象實(shí)例化用于指導(dǎo)對(duì)象實(shí)例化，即通過(guò)事件元素實(shí)例(后文使用對(duì)象表示事件元素的實(shí)例)找到其他對(duì)象。屬性實(shí)例化規(guī)則用于提取對(duì)象的某個(gè)屬性。狀態(tài)實(shí)例化規(guī)則抽取每個(gè)屬性的監(jiān)測(cè)數(shù)據(jù)并映射為預(yù)定義的狀態(tài)。

1.3 成因分析應(yīng)用

1.3.1 場(chǎng)景生成

借助事理圖譜的關(guān)聯(lián)能力和定義的規(guī)則自動(dòng)生成以內(nèi)澇點(diǎn)為中心的對(duì)象因果關(guān)系圖譜，并融入對(duì)象屬性形成對(duì)象屬性因果關(guān)系圖譜，最后將各屬性的狀態(tài)進(jìn)行實(shí)例化形成內(nèi)澇點(diǎn)分析場(chǎng)景，這稱為場(chǎng)景生成。包括對(duì)象實(shí)例化、屬性實(shí)例化和狀態(tài)實(shí)例化3個(gè)步驟。

a. 對(duì)象實(shí)例化。使用內(nèi)澇事理圖譜的節(jié)點(diǎn)間關(guān)系，以及事理圖譜中定義的規(guī)則，從已構(gòu)建的水利知識(shí)圖譜中獲取對(duì)象，形成對(duì)象因果關(guān)系圖譜，這稱為對(duì)象實(shí)例化。對(duì)象實(shí)例化采用反向遍歷，直至終止條件。

將事理圖譜看作非確定型自動(dòng)機(jī)，將水利知識(shí)圖譜看作自動(dòng)機(jī)可接受語(yǔ)言。自動(dòng)機(jī)接受根據(jù)當(dāng)前對(duì)象和實(shí)例化規(guī)則產(chǎn)生的對(duì)象集合。對(duì)象實(shí)例化如圖3(a)所示，定義了從當(dāng)前事理節(jié)點(diǎn)Vi的對(duì)象Ii尋找相鄰事理節(jié)點(diǎn)Vj的對(duì)象Ij的產(chǎn)生式規(guī)則，記作Λr(Ii,Ij)InstanceOf(Ij,Vj)。

圖3 內(nèi)澇場(chǎng)景生成流程Fig.3 Flow chart of waterlogging scene generation

c. 狀態(tài)實(shí)例化。對(duì)對(duì)象屬性因果關(guān)系圖譜的屬性狀態(tài)進(jìn)行實(shí)例化以形成內(nèi)澇點(diǎn)分析場(chǎng)景，稱為狀態(tài)實(shí)例化。離散貝葉斯網(wǎng)絡(luò)的構(gòu)建需要考慮時(shí)序數(shù)據(jù)范圍和狀態(tài)離散化。從場(chǎng)次事件結(jié)果出發(fā)，反向計(jì)算確定時(shí)序數(shù)據(jù)范圍。隨后將屬性狀態(tài)劃分為離散狀態(tài)。

將事件發(fā)生時(shí)刻記為te，將場(chǎng)景開始時(shí)刻記為ts，時(shí)序數(shù)據(jù)長(zhǎng)度設(shè)為d=te-ts，2個(gè)對(duì)象Ii、Ij間的影響時(shí)間記為Δti,j。如圖3(c)所示，對(duì)于Ii的任意狀態(tài)qi,*進(jìn)行實(shí)例化，若已知其后置實(shí)例Ij的時(shí)序數(shù)據(jù)范圍為(tj,tj+d)，則Ii的時(shí)序數(shù)據(jù)范圍為(tj-Δti,j,tj-Δti,j+d)。對(duì)圖譜中屬性u(píng)的時(shí)序數(shù)據(jù)值，首先使用映射規(guī)則f表示為場(chǎng)景特征q的連續(xù)值，再根據(jù)離散化規(guī)則g將該值進(jìn)行離散化，狀態(tài)實(shí)例化可記為q=g(f(u))。

1.3.2 成因推理

成因推理用于預(yù)測(cè)場(chǎng)景中對(duì)象的未知狀態(tài)并根據(jù)干涉得到的因果效應(yīng)的強(qiáng)弱判斷主要成因。因?yàn)槌梢蚍治鼍哂胁淮_定性，且內(nèi)澇點(diǎn)分析場(chǎng)景結(jié)構(gòu)為有向圖，因此采用離散動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)算法用于成因推理。將內(nèi)澇點(diǎn)分析場(chǎng)景作為貝葉斯網(wǎng)絡(luò)的輸入，對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行訓(xùn)練并以此進(jìn)行成因分析。

1.3.2.1 貝葉斯網(wǎng)絡(luò)參數(shù)訓(xùn)練

離散動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)由離散靜態(tài)貝葉斯網(wǎng)絡(luò)發(fā)展而來(lái)。離散靜態(tài)貝葉斯網(wǎng)絡(luò)是一種表示因果關(guān)系的有向無(wú)環(huán)圖模型，節(jié)點(diǎn)的狀態(tài)采用離散化的表示方法。離散動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)合貝葉斯網(wǎng)絡(luò)和馬爾可夫過(guò)程對(duì)動(dòng)態(tài)數(shù)據(jù)進(jìn)行建模[15]。針對(duì)城市內(nèi)澇事理圖譜成因分析應(yīng)用的離散動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(以下簡(jiǎn)稱為貝葉斯網(wǎng)絡(luò))需要滿足3個(gè)假設(shè)。

假設(shè)1(馬爾可夫性)：貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)在下一時(shí)刻僅影響自身和當(dāng)前時(shí)刻直接相連的節(jié)點(diǎn)。

假設(shè)2(結(jié)構(gòu)不變性)：貝葉斯網(wǎng)絡(luò)在任意時(shí)刻的結(jié)構(gòu)均保持不變。

假設(shè)3(穩(wěn)態(tài)性)：屬性節(jié)點(diǎn)的狀態(tài)轉(zhuǎn)移概率分布不隨時(shí)間的變化而變化。

定義貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)V為對(duì)象屬性因果關(guān)系圖譜的屬性，弧E為屬性間的因果關(guān)系。根據(jù)假設(shè)1，任意時(shí)刻節(jié)點(diǎn)連接的節(jié)點(diǎn)集合保持不變，且相鄰時(shí)刻節(jié)點(diǎn)自身連接。根據(jù)假設(shè)2，任意時(shí)刻的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)保持穩(wěn)定。因果演化規(guī)律不應(yīng)受時(shí)間影響，因此根據(jù)假設(shè)3，任意相鄰時(shí)間的狀態(tài)轉(zhuǎn)移概率參數(shù)是共享不變的。貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)如圖4(a)所示，其中s表示一個(gè)完整的場(chǎng)景。

將內(nèi)澇點(diǎn)分析場(chǎng)景按時(shí)間分割時(shí)序數(shù)據(jù)，形成時(shí)間片并連接，形成貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)。貝葉斯網(wǎng)絡(luò)的參數(shù)訓(xùn)練方法如下：訓(xùn)練貝葉斯網(wǎng)絡(luò)的狀態(tài)轉(zhuǎn)移概率參數(shù)P(即共享的狀態(tài)轉(zhuǎn)移概率分布)，設(shè)場(chǎng)景s的時(shí)間長(zhǎng)度為d，貝葉斯網(wǎng)絡(luò)的最大時(shí)間窗口為n，則對(duì)于任意場(chǎng)景s，抽取d-n個(gè)樣本，采用EM算法進(jìn)行訓(xùn)練。由于城市內(nèi)澇應(yīng)用中，自動(dòng)監(jiān)測(cè)站點(diǎn)數(shù)據(jù)無(wú)法保證完整性，因此采用EM算法能計(jì)算未觀測(cè)到的變量的期望值，從而求得貝葉斯網(wǎng)絡(luò)的參數(shù)。訓(xùn)練過(guò)程如圖4(b)所示。

圖4 離散動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)Fig.4 Discrete dynamic Bayesian network

1.3.2.2 成因分析

成因分析方法用于分析場(chǎng)景中對(duì)象對(duì)結(jié)果的影響程度，如圖5所示。為了分析各個(gè)對(duì)象的因果效應(yīng)，需要對(duì)每個(gè)對(duì)象分別采取干涉的方法，即將對(duì)象Ii的若干狀態(tài)集合{xi}改變?yōu)轭A(yù)設(shè)的缺省狀態(tài)，并移除指向此狀態(tài)的弧，更新Ii的所有子節(jié)點(diǎn)狀態(tài)和其他未觀測(cè)的節(jié)點(diǎn)狀態(tài)，并得到干涉情況下的結(jié)果預(yù)測(cè)值。記真實(shí)場(chǎng)次發(fā)生結(jié)果為Yreal，記干涉后的場(chǎng)次發(fā)生結(jié)果為Ytreat，則因果效應(yīng)可記為Ei=Ytreat-Yreal。

圖5 成因分析方法Fig.5 Cause analysis method

其中，采用貝葉斯網(wǎng)絡(luò)更新對(duì)象狀態(tài)的方法如下：設(shè)分析場(chǎng)景s的時(shí)間范圍為(0,1,…,d-1)，貝葉斯網(wǎng)絡(luò)的最大時(shí)間窗口為n。對(duì)(max(d-n,0),…,d-1)各時(shí)間片的xi狀態(tài)進(jìn)行調(diào)整，隨后更新每個(gè)時(shí)刻各個(gè)節(jié)點(diǎn)的狀態(tài)，直到d-1時(shí)刻更新結(jié)束，并將d-1時(shí)刻的結(jié)果作為結(jié)果預(yù)測(cè)值。

對(duì)所有節(jié)點(diǎn)均進(jìn)行因果效應(yīng)分析后，對(duì)因果效應(yīng)Ei進(jìn)行排序，得到主要成因。

2 試 驗(yàn) 設(shè) 計(jì)

東門商業(yè)街地處深圳市羅湖區(qū)中心地段，地理范圍為114°06′55.5″E～114°07′19.9″E、22°32′33.9″N～22°32′52.5″N，面積達(dá)17.6萬(wàn)m2，地理位置如圖6所示。深圳易出現(xiàn)短時(shí)強(qiáng)降雨的現(xiàn)象，受此影響，東門商業(yè)街易發(fā)生內(nèi)澇。由于東門商業(yè)街周邊交通密集、商業(yè)較為發(fā)達(dá)，內(nèi)澇將造成較大經(jīng)濟(jì)損失。因此以東門商業(yè)街作為研究區(qū)域。

圖6 研究區(qū)域示意圖Fig.6 Schematic diagram of study area

2.1 數(shù)據(jù)集

2.1.1 事理圖譜構(gòu)建數(shù)據(jù)集

試驗(yàn)數(shù)據(jù)共441篇文檔，其中323篇來(lái)源于《水科學(xué)進(jìn)展》《水文》《水利信息化》等相關(guān)學(xué)術(shù)期刊論文，57篇來(lái)源于《中國(guó)水利網(wǎng)》《太湖流域管理局》等相關(guān)網(wǎng)站新聞文本，61篇來(lái)源于《中國(guó)水旱災(zāi)害公報(bào)》、深圳三防工作手冊(cè)、深圳市臺(tái)風(fēng)暴雨綜述等相關(guān)工作報(bào)告。平均每篇文檔的長(zhǎng)度為415字，標(biāo)簽數(shù)目為6個(gè)，每個(gè)標(biāo)簽下平均文檔數(shù)目為72篇。首先對(duì)收集到的數(shù)據(jù)集做降噪處理，僅保留文本。然后進(jìn)行文本分句、分詞、詞性標(biāo)注等操作，將文檔組織成需要的輸入格式。使用jieba工具進(jìn)行分詞，LTP工具對(duì)文本進(jìn)行詞性標(biāo)注。

2.1.2 成因分析應(yīng)用數(shù)據(jù)集

水利知識(shí)圖譜的基礎(chǔ)數(shù)據(jù)來(lái)自深圳智慧水務(wù)大數(shù)據(jù)中心的水務(wù)大數(shù)據(jù)基礎(chǔ)庫(kù)，對(duì)象空間拓?fù)鋽?shù)據(jù)來(lái)自深圳市廣匯源環(huán)境水務(wù)有限公司，監(jiān)測(cè)數(shù)據(jù)來(lái)自深圳智慧水務(wù)一期工程綜合監(jiān)測(cè)管理平臺(tái)。實(shí)例化規(guī)則由專家經(jīng)驗(yàn)指導(dǎo)構(gòu)建。

為了分析東門商業(yè)街的內(nèi)澇事件，以東門商業(yè)街為中心，沿布吉河構(gòu)建水利知識(shí)圖譜，涉及的對(duì)象分為流域?qū)ο?、管網(wǎng)對(duì)象、水利工程和市政對(duì)象。構(gòu)建的水利知識(shí)圖譜示例如圖7所示。

圖7 水利知識(shí)圖譜示意圖Fig.7 Schematic diagram of hydraulic knowledge graph

2.2 試驗(yàn)步驟

2.2.1 事理圖譜構(gòu)建

a. 因果關(guān)系抽取。將提出的基于領(lǐng)域因果關(guān)系模板庫(kù)的因果關(guān)系抽取方法與采用一般因果關(guān)系模板庫(kù)和基于句法結(jié)構(gòu)擴(kuò)展的模板庫(kù)進(jìn)行對(duì)比試驗(yàn)。其中一般因果關(guān)系模板庫(kù)使用通用的連接詞進(jìn)行模板匹配；基于句法結(jié)構(gòu)擴(kuò)展的模板庫(kù)根據(jù)相似性抽取因果關(guān)系。

b. 事件抽取。針對(duì)事件類型識(shí)別與事件元素識(shí)別兩步工作，分別設(shè)計(jì)事件類型識(shí)別試驗(yàn)與事件元素識(shí)別試驗(yàn)。

2.2.2 成因分析應(yīng)用

東門商業(yè)街內(nèi)澇事件的成因分析主要考慮實(shí)時(shí)監(jiān)測(cè)值和外部因素成因。以用戶選擇的內(nèi)澇點(diǎn)處的內(nèi)澇事件為輸入，包含內(nèi)澇發(fā)生時(shí)間、內(nèi)澇點(diǎn)淹沒深度、淹沒流速、淹沒歷時(shí)。通過(guò)成因分析，系統(tǒng)將返回此內(nèi)澇事件的主要成因。

2.2.2.1 場(chǎng)景生成

事理圖譜的形成需要以2.2.1節(jié)構(gòu)建的事理圖譜為原始輸入，專家經(jīng)驗(yàn)指導(dǎo)手工調(diào)整，形成有關(guān)成因分析的子圖，再為不同的事件節(jié)點(diǎn)增加實(shí)例化規(guī)則。

構(gòu)建深圳河流域城市內(nèi)澇事理圖譜抽象結(jié)構(gòu)如圖8所示，其中事理圖譜的接受態(tài)使用雙層圓圈表示。(a)從內(nèi)澇節(jié)點(diǎn)出發(fā)，反向?qū)嵗敝两邮軕B(tài);(b)當(dāng)完成對(duì)象實(shí)例化后，需要正向遍歷完成各個(gè)對(duì)象的屬性實(shí)例化;(c)當(dāng)完成對(duì)象因果關(guān)系圖譜的屬性實(shí)例化后，需要對(duì)這些屬性的狀態(tài)進(jìn)行反向?qū)嵗?，確定狀態(tài)的時(shí)序數(shù)據(jù)范圍，再進(jìn)行特征提取;(d)生成內(nèi)澇場(chǎng)景。

圖8 城市內(nèi)澇事理圖譜Fig.8 Event logic graph for urban waterlogging

2.2.2.2 成因推理

使用內(nèi)澇場(chǎng)景生成貝葉斯網(wǎng)絡(luò)。以事件發(fā)生時(shí)間為起點(diǎn)，向前搜索內(nèi)澇場(chǎng)景直至場(chǎng)景中的對(duì)象發(fā)生變化為止，將這些場(chǎng)景用于貝葉斯網(wǎng)絡(luò)的參數(shù)訓(xùn)練。

將貝葉斯網(wǎng)絡(luò)用于成因分析。首先進(jìn)行獨(dú)立的重復(fù)干涉試驗(yàn)，將每個(gè)對(duì)象的狀態(tài)分別采用干涉方法設(shè)置為缺省狀態(tài)。對(duì)于東門商業(yè)街內(nèi)澇事件來(lái)說(shuō)，提取晴天場(chǎng)景中的對(duì)象狀態(tài)作為缺省狀態(tài)。再更新其他節(jié)點(diǎn)狀態(tài)，并得到預(yù)測(cè)結(jié)果，將預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果之差作為此對(duì)象對(duì)內(nèi)澇事件的因果效應(yīng)。隨后將因果效應(yīng)進(jìn)行排序并輸出成因和關(guān)聯(lián)對(duì)象。

3 試 驗(yàn) 結(jié) 果

3.1 事理圖譜構(gòu)建結(jié)果

3.1.1 因果關(guān)系抽取結(jié)果

由表1可知，領(lǐng)域因果關(guān)系模板庫(kù)方法在準(zhǔn)確率、召回率和F1方面都有所提升。這說(shuō)明本文提出的方法篩選出新的因果關(guān)系連接詞并進(jìn)行泛化，對(duì)模板可信度有較好的平衡。

表1 因果關(guān)系抽取試驗(yàn)結(jié)果Table 1 Experimental results of causality extraction

3.1.2 事件抽取結(jié)果

針對(duì)事件類型識(shí)別與事件元素識(shí)別工作，分別設(shè)計(jì)事件類型識(shí)別試驗(yàn)與事件元素識(shí)別試驗(yàn)，試驗(yàn)結(jié)果如表2所示。

表2 事件類型與事件元素試驗(yàn)結(jié)果Table 2 Experimental results of event type extraction and event element extraction

事件類型識(shí)別部分，由于本文提出的方法抽取規(guī)則制定的比較詳細(xì)，因此召回率降低，但是抽取的大部分事件類型都是正確的，準(zhǔn)確率大幅度上升，非常適用于內(nèi)澇應(yīng)用場(chǎng)景。

事件元素識(shí)別部分，基于Attention機(jī)制的雙向LSTM結(jié)合CRF模型在3種抽取方法中效果最好?；谕镀睓C(jī)制融合3種方法后，能充分利用各個(gè)算法模型的優(yōu)勢(shì)，試驗(yàn)結(jié)果得到小幅度的提升。

3.2 成因分析應(yīng)用結(jié)果

選取2018年8月29日深圳特大暴雨導(dǎo)致的東門商業(yè)街內(nèi)東門中路內(nèi)澇點(diǎn)內(nèi)澇災(zāi)害事件作為驗(yàn)證。根據(jù)分析報(bào)告和現(xiàn)場(chǎng)調(diào)研，東門商業(yè)街的內(nèi)澇成因主要是降雨過(guò)大、管道設(shè)計(jì)標(biāo)準(zhǔn)偏低、雨水口堵塞。東門商業(yè)街的排澇水力聯(lián)系概化圖如圖9所示。

圖9 研究區(qū)域水力聯(lián)系概化Fig.9 Generalized diagram of hydraulic connection in study area

試驗(yàn)得到的演化機(jī)理和成因如圖10所示，主要分為降雨過(guò)大、落葉導(dǎo)致的雨水篦子堵塞和管網(wǎng)老舊導(dǎo)致排水能力不足3類成因，基本符合真實(shí)場(chǎng)景下內(nèi)澇事件的發(fā)生機(jī)理。在與真實(shí)情況的對(duì)比中，發(fā)現(xiàn)羅雨泵站的6臺(tái)泵機(jī)中有1臺(tái)未工作，但未構(gòu)成主要的內(nèi)澇成因。根據(jù)現(xiàn)場(chǎng)調(diào)研，了解到東門商業(yè)街土地硬化面積隨時(shí)間變化較快，因此區(qū)域匯水面積增長(zhǎng)較快，老舊管道設(shè)計(jì)標(biāo)準(zhǔn)難以滿足排水需求，造成了管道排水能力不足。所以，羅雨泵站未工作的泵機(jī)未對(duì)管道排水造成太大影響。這表明試驗(yàn)得到的成因與真實(shí)的成因相符。

圖10 成因分析應(yīng)用試驗(yàn)結(jié)果Fig.10 Experiment result of causal analysis application

4 結(jié) 論

a. 為了分析變化的時(shí)空?qǐng)鼍跋碌膬?nèi)澇成因，提出了一種構(gòu)建城市內(nèi)澇事理圖譜，并在事理圖譜上開展成因分析應(yīng)用的框架。

b. 提出事理圖譜構(gòu)建方法，利用句法結(jié)構(gòu)和語(yǔ)義特征抽取中文城市內(nèi)澇語(yǔ)料庫(kù)中的因果關(guān)系句，使用基于投票機(jī)制的深度神經(jīng)網(wǎng)絡(luò)融合方法從因果關(guān)系句中抽取因果事件，形成事理圖譜。

c. 提出成因分析方法，利用事理圖譜自動(dòng)構(gòu)建內(nèi)澇場(chǎng)景，通過(guò)構(gòu)建的場(chǎng)景自動(dòng)形成貝葉斯網(wǎng)絡(luò)用于成因分析。分析結(jié)果表明,提出的事理圖譜構(gòu)建方法能準(zhǔn)確捕獲領(lǐng)域文本中描述的事理，提出的成因分析方法能在變化的時(shí)空?qǐng)鼍跋聦?shí)時(shí)分析內(nèi)澇成因。