(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210953424.4 (22)申请日 2022.08.10 (71)申请人 北京市科 学技术研究院 地址 100089 北京市海淀区西三环北路27 号 (72)发明人 刘克会　王艳霞　邓楠　徐栋　 刘欢　 (74)专利代理 机构 合肥鸿知运知识产权代理事 务所(普通 合伙) 34180 专利代理师 高小改 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/26(2012.01) (54)发明名称 一种基于因果学习的城市公共设施安全风 险评估方法 (57)摘要 本发明公开了一种基于因果学习的城市公 共设施安全风险评估方法， 包括有以下步骤： ST 一、 数据收集； ST二、 因果影响因素(特征)发现； ST三、 利用ST二选择的特征进行机器学习， 用于 风险评估， 本发 明涉及城市安全风险评估技术领 域。 本发明， 解决了传统的城市基础设施风险评 估方法通常不具备一般化的基础设施安全风险 分析能力， 同时， 针对某项 灾害故障风险， 通 常存 在大量低相关度与无关特征， 低相关度与无关特 征可能对现有方法造成较大干扰， 难以准确获取 精确有效的风险评估结果的问题。 权利要求书3页 说明书11页 附图1页 CN 115330177 A 2022.11.11 CN 115330177 A 1.一种基于因果学习的城市公共设施安全风险评估方法， 其特征在于， 包括有以下步 骤： ST一、 数据收集： 步骤a1， 通过搜集某一段时间的城市公共设施风险相关信息， 作为设施评估的原始数 据； ST、 因果影响因素(特 征)发现： 步骤b1， 令T表示 风险评估结果， 风险评估结果T发现其影响因素集 合PC； 步骤b2， 使用直接因果 集合发现算法寻找风险评估目标T的直接因果 集合PC； ST三、 利用ST选择的特 征进行机器学习， 用于风险评估： 步骤c1， 城市公共设施的安全风险评估需要对风险评估结果进行分级； 步骤c2， 构建有序l ogistic回归 模型； 步骤c3， 本步骤对有序 logistic回归进行参数估计， 对新的风险评估目标T的风险级别 进行预测。 2.根据权利要求1所述的一种基于因果学习的城市公共设施安全风险评估方法， 其特 征在于： 所述 步骤a1中， 原 始数据记录 了多种城市基础设施及其周边情况的相关信息 。 3.根据权利要求1所述的一种基于因果学习的城市公共设施安全风险评估方法， 其特 征在于： 所述步骤b1中， PC表示和风险评估结果T有直接因果关系的影响因素集合， 首先我 们初始化因果影响因素集 合PC为空集。 4.根据权利要求1所述的一种基于因果学习的城市公共设施安全风险评估方法， 其特 征在于： 所述 步骤b2中， 算法具体为： 步骤b2‑1， 将直接因果集合PC初始化为空集， 令CanPC表示备选 的可能监测目标集合， 其初始包 含除了T以外的所有监测目标U ‑{T}； 步骤b2‑2， 本步骤发现备选的直接因果监测目标； 对于每个属于备选监测目标集合 CanPC的监测目标 X， 令Sep[X]表示X的条件集 合， 并利用以下公式计算Sep[X]： 其中Z是直接因果集合PC的子集， dep(T， X|Z)的作用是计算以监测目标集合Z为条件 下， 风险评估目标T和监测目标X的相关性； dep(T， X|Z＝z)是在监测目标集合Z的状态 为z的 条件下， T， X的独立性分析量， 其中， r表示T的可能状态数量， c表示X的可能状态数量； O(i， j)表示在所有满足Z＝z的数据中， 风险评估目标T的状态 为i， 且监测目标X状态 为j的次数；权　利　要　求　书 1/3 页 2 CN 115330177 A 2E(i， j)表 示在所有满足Z＝z的状态中， 风险评估目标T取为第i个可能值， 且监测目标X取第 j个可能值的期 望次数； Num(Z＝z)表 示所有满足Z＝z的数据数量； 在本方法中， 判断以监测 目标集合Z为条件， 监测目标X和监测目标Y的状态是否独立均采用上述计算dep(X， Y|Z)的 做法； 如果 dep(X， Y|Z)＜0.05， 则认为以监测目标集合Z为条件， 监测目标X和监测目标Y的 状态是独立的； 类似的， 判断监测目标X和Y的状态是否独立采用计算dep(X， Y)的做法， 如果 dep(X， Y)＜0.05， 则认为监测目标X和监测目标Y的状态是独立的； 该步骤接下来判断以Sep [X]为条件， 风险评估目标T和监测目标X是否是独立的； 如果以Sep[X]为条件， T和X独立， 就 从备选监测目标集 合CanPC中去掉 监测目标 X； 步骤b2‑3， 对于每对属于CanPC的监测目标X， Y， 如果X和Y不独立且以Y为条件， 风险评 估目标T的状态与X独立， 就从备选监测目标集 合CanPC中去掉 监测目标 X； 步骤b2‑4， 本步骤为备选监测目标计算一个相关度评分并选择相关度评分最优的监测 目标作为风险评估目标T的直接因果； 对于每个属于备选监测目标集合CanP C的监测目标X， 计算其相应的相关度评分Score[X]为： Score[X]＝dep(T， X|Sep[X]) 令Y为CanPC中相关度评分最大的监测目标， 即： Y＝arg maxX∈CanPCScore[X] 将Y添加到直接因果 集合PC中， 并从CanPC中把Y去除； 步骤b2‑5， 删除直接因果集合PC中可能是错误判断的监测目标； 对于PC中的任意一个 监测目标X， 取Z为PC ‑{X}的任意一个子集； 如果以Z为条件， T和X独立， 那么把直接因果集合 PC中的监测目标 X删去； 步骤b2‑6， 重复步骤b2 ‑5， 直到该步骤对PC中每个可能监测目标X和每个可能子集Z都 进行过一次； 步骤b2‑7， 重复步骤b2 ‑2到步骤b2 ‑6， 直到备选监测目标集合CanPC中不再有剩余的监 测目标。 5.根据权利要求1所述的一种基于因果学习的城市公共设施安全风险评估方法， 其特 征在于： 所述 步骤c2中， l ogistic回归 模型的定义如下： 上式中xk代表上个步骤中求解的因果特征， 属于与风险评估目标T有 直接因果 关系的监 测目标集合中的元素， βk表示每个xk的相关系数， K表示监测目标集合的大小； α 表示整个模 型的截距， ∈为误差项， 一般由于测量或者观测误差引起， y*代表我们所观测到的风险评估 目标T的风险程度包含的某种趋势， 但是这种内在趋势不能被直接测量出来； 当实际观测的 反应变量， 即风险评估目标T的风险级别有J种类别时(j＝1， 2， …， J)， 相应取值为y＝1， y＝ 2， ...， y＝J， 各反应变量取值之间的关系为(y＝1)＜(y＝2)＜ …＜(y＝J)， 这样一来各 自 变量取值共有J ‑1个末知的断点， 这些断点将各相邻的类别划分开(如同一条线段上的点， 根据某种规则找出它上面的J ‑1个点， 将线段 再分为J段)； 形式化的描述 为： 如果y*≤ μ1， 那么y＝1； 如果 μ1＜y*≤ μ2， 那么y＝2； …权　利　要　求　书 2/3 页 3 CN 115330177 A 3