警情信息识别学习模型应用研究

当前,消防警情处理主要依赖于人工接警,存在效率低、误差率高以及分析结果相对片面等问题。本文结合了自然语言处理中的文本相似度分析等算法模型构建警情信息识别学习模型,经研究发现模型识别准确率高于主流平台通用模型识别准确率。基于该模型,可将模型引入消防接处警平台,面向消防指挥系统提供接处警业务、接处警信息支撑、智能化后台支撑、联网汇聚和运行监控等服务,能够提高消防接处警效率,降低人工座席效率低可能造成的消防救援延误、火情扩大等风险,实现消防救援指挥系统数字化、智慧化发展。

基于BERT-CRF模型的火灾事故案例实体识别研究

为实现火灾事故调查档案的关键信息抽取,提出一种基于BERT-CRF模型的文本命名实体识别方法。通过对161篇事故报告进行实体标注及数据增强,构建了火灾事故文本语料集;基于BERT预训练模型,对语料集中的句子序列进行双向特征提取,深度挖掘事故文本上下文的语义信息;结合CRF模型,充分考虑标签转移规则,对关键实体进行预测。试验表明:本文方法在火灾事故案例实体识别任务中的精确率、召回率以及F1值分别为76.36%、86.19%、80.97%,优于BERT和BERT-BiLSTM-CRF模型,且训练时长较BERT-BiLSTMCRF模型缩短61 s。本文方法可为火灾调查知识库、案卷编制等下游系统提供准确的实体构建服务。

NLP在智能消防接处警系统中的应用研究

随着城市工业化、现代化进程的持续加快,城市规模扩张、工程建设量急剧增加导致火灾事故频发,对消防救援队伍的响应速度、救援资源调度分配、现场救援作业、科学施救、重点单位预案等综合能力提出更高要求,使信息化手段全面融合消防业务管理和实战应用。为适应城市消防指挥中心的接处警工作要求,针对当前大多数接处警系统信息录入、力量调配效率偏低等问题,提出一种基于ALBERT-BiLSTM-CRF的预训练模型,在接处警系统中对警情要素进行提取,在自行构建的警情语料库中进行实验,基于ALBERT-BiLSTM-CRF的消防警情要素实体识别模型,即将自然语言处理技术运用于消防火灾警情接处警系统中,所得到的警情文本实体识别的F1值为81.660%,该领域需要对语音信息转文本信息后进行快速提取,验证了该模型在保证时间开销和识别准确率的条件下可以提高接警录入效率,并辅助消防人员快速作出救援决策。