灭火救援专业知识库构建及其应用研究

黄礼彬

摘要：近年来，消防人员面对的灭火救援任务种类多、难度大。目前，缺少对复杂环境下灭火救援知识的综合整理，没有形成公共灭火救援专业知识库；消防人员难以全面、快速掌握复杂的救援知识，容易导致救援时操作不当发生危险。针对这些问题，对灭火救援知识库的构建方法进行研究，收集、整理大量灭火救援知识，形成大规模综合灭火救援专业知识库并精简灭火救援知识库。为提高知识库的实用性，对知识库的检索方法进行了研究，提出了基于文本检索的智能匹配算法，在2个专业知识库上进行实验验证，结果表明该智能匹配算法检索速度快、准确率高，为消防救援工作高质量发展和数字化转型奠定了基础。

关键词：灭火救援；知识库构建；知识匹配；辅助决策

中图分类号：D631.6      文献标识码：A       文章编号：2096-1227（2023）09-0019-05

1 引言

灭火救援任务主要包括各类火灾的扑救（如建筑火灾、危险化学品火灾、船舶火灾等），事故救援（如高空救援、台风救援、道路交通事故救援等），危险化学品处置等灾害事故的救援。近些年来随着城市的快速发展，灭火救援具有种类繁多、突发性强、救援难度高、危害性大等新特点[1]。

為降低救援时危险发生的可能性，要求消防员了解各种灾害发生对应的救援知识，如针对高层建筑火灾发生或特定种类危险化学品爆炸的救援知识。目前，已有各种灾害救援的知识库，但较为分散，缺少针对复杂环境下的综合救援知识库，且大多数救援知识库信息不准确、冗余、不够直观，对实际救援的帮助有限。另一方面，面对复杂繁多的救援知识，消防人员难以全面了解与掌握，在具体救援过程中不能快速准确地制定相关救援策略或方法，局限性较大。

针对这些问题，本文研究了灭火救援知识库构建的一般方法，构建面向复杂环境的专业灭火救援知识库，总结准确、精简、必要的救援知识。首先从各类灾害救援文件、书籍、公开资料等收集了大规模的各类型救援知识数据集；再按照灾害的类别归类整理，进行数据清洗去除对救援过程贡献度较小的数据；对每条知识数据按照提示对象、提示类型进行人工标记，形成大规模、带标记的救援知识库。为了进一步提升其在实际救援过程中的可用性，本文将所构建的灭火救援知识库进行二次筛选，形成小规模的精简知识库。对每个灾害救援类型下的知识进行筛选，选择重要度较高的知识并简化描述，最终形成简要、精确的知识库用于消防救援辅助决策。此外，对构建的知识库进行基于检索的匹配验证，结果表明，本文提出的知识库能够依据给定的查询条件，快速准确地匹配到相关知识，验证了其有效性。本文主要贡献包括：

第一，提出了救援知识库构建的一般方法，构建了大规模、多类型的综合救援知识库，包括火灾灾害、抢险救援2大类，26小类，及一类安全警示综合知识。较为全面地对各类型灾害救援知识进行了总结。

第二，构建了用于适用于救援辅助决策的两级知识库体系。为了在实际救援中发挥作用，本文对构建的大规模知识库进行了二次筛选，从中选择重要的知识项并简化描述，形成的简要、精确小规模救援知识库可用于消防救援辅助决策系统。此外，本文所构建的小规模消防知识库已集成到上海市宝山区消防辅助决策管理系统作为基础知识数据库使用。

第三，提出了智能匹配算法，可依据给定关键词进行知识匹配。数据验证结果表明了所提出方法的有效性。

2 相关工作

孙伯春[1]对灭火救援中导致消防员伤亡的各类原因进行了分析总结，认为缺少必要的自我保护与各类型灾害的救援知识是其主要原因。因此，总结并给出若干灭火救援知识。刘卓洋[2]将灾害类型划分为火灾与抢险救援两大类，依照火灾、其他灾害事故等级划分给出了救援基本原则，消防力量调派原则以及灾害现场战术方案选择的相关知识。李勇和李跃龙[3]在分析消防知识本体的基础上，建立了消防知识字典，并依据知识类型进行本体的概念划分，构建了消防知识本体库。

此外，相关研究工作针对特定灾害类型给出了对应的抢险救援知识。如汪永明[4]针对高层建筑灭火救援面临的问题，从战斗编成的编制思路、类型与构成、应用模式、展开程序4个角度提出了救援知识。刘国[5]针对大型石油化工储罐火灾提出了若干扑救对策、灭火剂选择等知识。郑天峰[6]针对地铁坍塌事故，分析灾害发生原因，给出地铁坍塌事故处置程序的注意事项。

综上所述，已有研究在构建灾害救援知识库取得了一定的进展，但构建的综合知识库对应的灾害类型不够全面，而针对特定灾害类型的知识库包含的知识项也相对较少，知识条目没有按照适用对象等进行标注，难以真正满足实际的需求。此外，知识项的描述通常过于冗长，增加了救援人员了解掌握的难度与成本，也难以应用于消防救援辅助决策系统。

3 灭火救援专业知识库构建

为了构建灭火救援的综合知识库，本文对知识库的构建方法进行研究，提出了知识库构建的一般步骤，按照知识粒度从粗到细逐步细分知识。利用灭火救援的类型及特点提出知识标注的规则，形成大规模、精细化、有标注的灭火救援知识库。进一步，按照适用性、重要程度等规则从知识库筛选出少量知识，形成小规模知识库。图1给出了灭火救援知识库构建的一般框架图。

如图1所示，本文提出的知识库构建方法分为7个部分，本章将依照每个部分具体介绍其构建过程。

3.1  大规模灾害救援知识收集

以“灾害”“火灾”“抢险救援”等关键词从各种渠道（如国家有关部门下发文件、学术论文、网络等）收集大量灾害救援相关的原始知识数据作为源知识。

3.2  依灾害类别划分救援源知识

按照国家有关部门下发文件，将灾害类型分为2层，第1层包含“火灾”“抢险救援”和“安全警示”三大类。“火灾”“抢险救援”又分为“高层建筑火灾扑救”“多层建筑火灾扑救”等26个二级类别，如图2所示。

此外，灾害发生通常具有多元性，二级灾害类型可同时属于“火灾”和“抢险救援”，对应关系见表1所示，其中数字代表图2中灾害类型对应序号（按照从左到右，从上到下的顺序）。

3.3  知识数据清洗

知识数据清洗包含以下步骤：①依照关键词从各个渠道收集的源知识带有较多噪声，如某些条目仅简单对灾害类型、危害程度描述，对实际救援过程的指导或贡献度较小。因此对源知识数据进行数据清洗，去除噪声数据，保留贡献度较大的知识。②对多个数据源获取的知识包含重复的知识项，保留描述精确、简短的知识项。③精简知识中描述的冗余部分，使其更直观。

3.4  细粒度类别标注

数据清洗过滤之后进一步对每条知识细粒度标注，明确知识面向的对象、应用范围。使得所构建的知识库不仅具有丰富的救援知识，同时减少相关人员使用知识库的成本，有针对性地了解与学习。具体地，对“火灾灾害”和“抢险救援”的26个二级类别知识项，依据本文提出的“适用对象”“详细类型”进行标注；对“安全警示”知识项，依据“适用对象”进行标注。“适用对象”包括消防战斗员、消防指挥员、消防驾驶员3种对象类型；“详细类型”包括的两级标记见图3所示。

依据图3，为“火灾”和“抢险救援”的每条知识标记1个“适用对象”标签，2个“详细类型”标签。如某条知识可标注为{标签1：消防指挥员，标签2：战术要点，标签3：进攻途径}。为“安全警示”的每条知识标记一个“适用对象”标签，如{标签1：消防战斗员}。细粒度标注使知识项具有更明确的指向性，可用性更强。完整的标注示例见表2所示。

3.5  大规模知识库构建

在原始救援知识数据处理、细粒度类别标注基础上，本文构建了大规模的综合救援知识库，该救援知识库不僅包含了丰富的灾害类型，对每个灾害类型下的知识，又按照一定的规则进行了详细标注。所构建的大规模救援知识库可用于消防救援决策辅助系统中作为基础数据库使用，也可用于相关救援人员学习、训练过程中对救援的重要知识进行了解与掌握。因此，我们直接使用数据库对知识库进行储存与管理，便于后期的知识修改。

3.6  知识二次筛选与简化

由于灾害发生具有突发性、偶然性，消防员不具有充足时间对救援现场进行全面了解与掌握。在这种情况下，大规模知识库难以被集成到灭火救援辅助决策系统中用于对消防员进行提示与警示。为在实际应用中知识库能够快速准确地依据检索项进行知识匹配，在构建大规模救援知识库的基础上对知识库进行二次筛选与简化，从中过滤并选择重要度高、适用性广的知识项。

3.7  小规模知识库构建与部署

利用二次筛选与简化步骤得到的知识项构建小规模救援知识库。因小规模知识库具有简要、精确的特点，可将其部署到消防救援决策系统用于辅助救援现场快速决策指挥、制定战术等。

4 灭火救援知识库应用验证与可视化

4.1  灭火救援知识智能匹配算法

如图4所示，在实际救援任务时接警员需要依据报警人提供的线索将险情信息以本文形式输入辅助决策系统，系统使用智能匹配算法检索与给定信息相关度最高的若干条知识，最后人工进行筛选或直接推送。

在知识库中，知识项主要以句子表示为主，而接警员输入的险情信息也以若干句子组成。因此，本文提出了灭火救援知识智能匹配方法对知识库中与给定关键字相关度高的知识项进行检索。给定和表示由m个词向量组成的句A和n个词向量组成的句子B。为了获取到较好的文本匹配效果，

使用长短期记忆网络（Long-Short Term Memory， LSTM）[7]对句子级信息进行编码表示，使具有相似语义句子间的特征表示距离近，反之距离远。考虑到句子中包含的信息存在较高的噪声与冗余对匹配效果造成一定的干扰，在句子级别的语义表示外，使用注意力机制[8]对获得句子中各个词的权重，加权求和作为句子表征。最后，在匹配过程中，分别从句子级、词级计算匹配得分，再依据给定的权重对句子级、词级距离得分进行加权求和得到最后的匹配分数。匹配算法框架如图5所示。

图5  基于注意力机制和LSTM的灭火救援知识匹配算法

将词向量化表示的句子A和B输入LSTM获得隐层表示HA和HB作为句子级语义向量表示；将HA和HB输入注意力模块计算句子中各个词的权重值aA、aB，

其中，η为温度系数用于非极大抑制（Non-Maximum Suppression，NMS），mA和mB表示经过注意力模块输出的权重向量，

其中，tanh（·）为激活函数，WA，WAA，WAB，WB，WBB，WBA，WC为可学习的参数矩阵。最后，依据注意力模块获得的权重值aA和aB，对句A、B进行加权求和，获得词级别的语义向量表示VA和VB，

在分别获得句子级、词级的语义向量表示后，分别计算得到句子级、词级的交互向量，

将交互向量输入全连接网络得到句子级相似度得分score（FH）和score（FV）。最后，加权得到最终的相似度得分s，

4.2  数据验证

在数据验证阶段，以本文构建的大规模救援知识库为基础，并收集了上海市宝山区2018年到2021年之间的真实灭火救援记录数据作为数据集，包括18149条险情描述以及其对应的匹配知识项。将该数据集进行划分，分别作为训练集与验证集。选取相似度得分最高的K条知识项作为预测结果（K基于相似度阈值自适应选取），与真实结果进行比较。评价指标选择准确率（Accuracy）、精准度（Precision）和F值（F1-score）。表3给出了数据验证的结果，从结果可以看出，本文提出的大规模灭火救援知识库实现了较高的准确度，验证了其有效性。

4.3  滅火救援知识可视化

由于知识库中包含大量的文本信息，难以了解所构建知识库中一些共有、通用的信息。而通过可视化，我们可以直观了解不同知识条目中共有的信息，发现不同知识之间的共性规律。本章对所构建的小规模救援知识库进行了简要的数据分析与可视化。对各个灾害类型的知识条数进行统计，利用文本分析方法对知识库文本进行处理并可视化，依据可视化结果对知识库简要分析。

小规模知识库统计：表4给出了知识库详细统计信息，包括“火灾”“抢险救援”两大类中26个子类以及“安全警示”类对应的知识项数量。从表4可以看出，小规模知识库包含“火灾”与“抢险救援”两大类知识数量共计283条，“安全警示”类知识项356条（按照“适用对象”分为“消防战斗员”138条，“消防指挥员”173条，“消防驾驶员”45条）。三大类知识总计639条。

知识库文本分析与可视化：首先对“火灾”与“抢险救援”2类小规模知识库进行合并，利用文本分析方法对知识库分词、去停用词、词性标注等，得到知识库重要词汇集合。按照词汇的出现频率，选取30个高频词进行可视化，结果如图6所示。其中，“设置”“避开”“确保”等词汇在多个知识项中出现的频率较高，可认为其在知识条目中作用较高。

与之类似，“安全警示”类小规模知识库的高频词汇可视化结果如图7和所示。其中“严禁”“泄漏”“防护”等词汇高频出现，表示“安全警示”类包含“严禁”“泄漏”“防护”的知识条目相对较多。最后，可利用数据分析、可视化结果调整优化知识库中的知识。

5 结论

针对目前已有灭火救援综合知识库对应的灾害类型不够全面、特定灾害类型的知识库包含的知识项也相对较少等问题。本文对灭火救援知识库的构建方法进行了研究，提出了构建救援专业知识库的一般方法流程，依据所提出的方法步骤构建了大规模的综合知识库，并按照实际救援需求进一步构建了精简的小规模知识库。为知识库在实际救援系统中发挥作用，本文提出了基于关键字的智能匹配算法，从知识库中匹配与给定关键词相关度较高的知识。此外，所构建的小规模消防知识库与知识匹配算法已被部署到上海市宝山区消防辅助决策管理系统中使用。

参考文献：

[1]孙伯春.坚持以人为本提高应战能力——关于消防指战员在灭火抢险救援中自我防护问题的探讨[J].消防科学与技术，2004（2）：182-187.

[2]刘卓洋.基于GIS的消防指挥信息支持系统设计与实现[D].唐山：河北理工大学，2007.

[3]李勇，李跃龙.基于本体的消防知识构建技术研究[J].计算机工程与科学，2008（5）：132-134+153.

[4]汪永明.高层建筑灭火救援战斗编成的创新与实践[J].消防科学与技术，2021，40（9）：1394-1397.

[5]刘国.大型石油化工储罐火灾的处置措施[J].现代职业安全，2014（8）：64-67.

[6]郑天峰.浅析地铁坍塌事故抢险救援对策和启示[J].消防科学与技术，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