警情信息識別學習模型應用研究

鄭建波

摘要：

當前，消防警情處理主要依賴于人工接警，存在效率低、誤差率高以及分析結果相對片面等問題。本文結合了自然語言處理中的文本相似度分析等算法模型構建警情信息識別學習模型，經研究發現模型識別準確率高于主流平臺通用模型識別準確率?；谠撃Ｐ?，可將模型引入消防接處警平臺，面向消防指揮系統提供接處警業務、接處警信息支撐、智能化后臺支撐、聯網匯聚和運行監控等服務，能夠提高消防接處警效率，降低人工座席效率低可能造成的消防救援延誤、火情擴大等風險，實現消防救援指揮系統數字化、智慧化發展。

關鍵詞：消防救援；警情信息識別學習模型；識別準確率；NLP模型

當前，隨著我國社會經濟快速發展和消防救援隊伍“全災種、大應急”職能擴展，消防救援指揮中心承接應急救援警情數量激增、處置警情日益復雜。在日益復雜的消防警情處置情況下，對接警人員素質、效率要求不斷提高[1]。四川省全年話務量約170萬通，出警約29萬次，火災約13萬起，火災約占五成，以瀘州市為例，僅“十三五”期間，瀘州市消防接警23萬余通，年均話務量4萬通，接警出動次數3萬余起，其中消防火災警情1萬余起，在119警情信息中占比四成。現有接警系統報警渠道采用人工接警方式面臨排隊過多、信息記錄時間過長、報警人員反饋內容不精確和不清晰等問題[2]，進而影響接警效率和消防救援調度指揮效率。

針對人工智能在自然語言識別和處理方面的發展，將其應用于自動識別和篩選警情信息，可以顯著提高消防報警處理效率，同時減少人工接警時的低效率問題。然而，目前市面上的主流警情識別學習模型，如阿里巴巴和科大訊飛開發的綜合性NLP模型，盡管在技術上較為先進，但實際應用效果并不理想。特別是在消防行業中，這些模型的匹配度只有30%到50%。其主要問題包括地址提取效果不佳，依賴于平臺自有或第三方共享的地址庫，這在互聯網熱度不高的城市尤其突出。此外，這些模型高度依賴于互聯網，而消防接警單位可能因業務原因而面臨互聯網接入不友好問題?；诖耍斜匾谙澜泳到y中引入機器學習模型，通過整合消防系統數據，借助機器學習算法、相似度分析等算法[3]，通過實際消防場景中測試模型效果，并根據反饋進行調整，以確保模型能夠有效滿足實際需求，實現消防接警業務數據智能識別，尤其是及時、盡早處置早期消防預警，提高消防系統現場處置能力和效率。

一、警情信息識別學習模型構建思路

消防警情信息識別學習模型是消防指揮中心接警、處警并為現場提供輔助預案的核心系統，是基于深度學習已建異構數據，并識別模型用于實時警情內容分析、篩選、梳理、推理等業務邏輯設定，達到消防警情信息自動識別、精準推導的目標，為消防警情信息處置和消防處警提供全方位支撐。

警情信息識別學習模型由數據層、業務邏輯層和表示層組成。數據層：基于消防現有系統各子系統平臺數據，經數據清洗、篩選后存儲至基礎數據庫和業務數據庫，基礎數據包括警情類型、地址、車輛、建筑物結構等基礎信息，業務數據包括樓層、被困人員、受傷人數、時序信息等。通過NLP模型分析消防警情信息、案情內容，從中提取關鍵信息。業務邏輯層：構建消防專用字典庫和日常用語詞典庫，結合數據分析和機器學習技術，對自然語言和文本相鄰進行實時處理。基于人工智能和機器學習等技術，可實現警情信息高效識別和提取。結果分析：經業務邏輯層識別和分析接警信息，將分析結果在表示層輸出，供消防救援指揮調度處理。結果分析是警情處理的核心層，通過警情信息智能識別并關聯處境預案，能夠為消防警情處理提供決策依據和參考[4]。

二、警情信息識別學習模型構建

（一）警情信息識別學習模型流程

當前，自然語言分析模型（NLP）包括人工規則法、統計學習法和融合法等，為提高消防警情信息識別學習準確度和效率，可將人工規則方法和統計學習方法融合，以此提高消防警情信息識別準確度。根據NLP流程，原始文本輸入、自然語言輸入后，系統自動識別、分詞、詞性標注和命名實體識別、語法分析和語義分析等，將日常語句識別、分解、標注和識別為計算機可理解的內容，以此構建基于本地的消防警情信息識別模型。

（二）建立語義庫

由于消防接警信息內容較為復雜，且報警人在報警時通常驚慌失措、不能全面完整描述警情，加之方言、口音等因素影響，可能存在模型識別自然語言時存在無法準確理解的問題。在人工接警和引導報警描述的情況下，報警人也存在短時間內無法陳述完整警情要素的問題，導致消防接警信息識別難度較大。如報警人信息中“有東西燒起來了”泛指火災警情，但如模型中并無該語料，則模型難以理解和識別事故主體。由此反映出消防接警信息中，類似“燒起來”“起火了”“燃起來”的同義詞和衍生詞較多，為了提升接警信息學習模型識別和分析能力，模型構建前，針對性組建消防接警場景語義詞典編輯錄入團隊，針對性收集和錄入消防應急類語料，包括警情類型、地址信息、被困人員、單位名稱等。

（三）模型構建

消防警情信息識別學習模型構建時，模型訓練采用貝葉斯和主成分分析法構建模型，可表示為：

CNB=argmaxP（ci）∏P（wi|cj）

式中，argmax為接警信息極性類型，P（ci）為極性類型發生概率，∏P（wi|cj）為極性前提下各類詞匯出現乘積。

P（w|c）=count（w，c）+1count（c）+|V|

式中，V為訓練文本詞匯量。

基于當前訓練文本模型訓練，將訓練文本分詞后轉換為語料庫中語料并轉換為向量，實現輸入文本標準化和PCA降維處理，模型輸出結果為PNC三元組信息。

考慮到口音對接警信息識別學習模型準確性的影響，模型引入本地口音模型訓練機制，在確保語音數據保密性的基礎上，提供適應本地口音的糾偏機制。系統提供語音標注工具，并支持智能語音識別模型本地自動化數據訓練、模型效果評估和模型發布。通過將自然語言識別模型和語音模型接入接處警系統，持續提高本地口音模型識別準確率[5]。

（四）消防警情信息識別的地址庫

為了提高消防警情處理的效率，所需地址信息必須具備以下特點：易于快速記憶和輸入、能指導出動車輛迅速到達現場以及確保車輛能夠順利通行。為此，建議采取以下優化措施。建立專業的消防行業地址數據庫：結合政府提供的地址信息、互聯網地址資源以及歷史警情處理記錄，構建一個專為消防行業設計的地址數據庫。這個數據庫應包含精確、易于理解和使用的地名信息。

利用語音分析技術：通過高級的語音分析技術，自動識別和轉錄報警時提供的地址信息，建立與消防行業地址數據庫的關聯關系。這樣可以在接警時迅速準確地識別和記錄地址信息。

實現地址信息的歸一化處理：通過技術手段，將接收到的各種格式和表述的地址信息轉換成統一標準的格式。這將有助于提高地址信息處理的效率和準確性，減少誤解和延誤。

進行持續更新和維護：確保地址數據庫保持最新狀態，定期更新和校正地址信息，尤其是針對新開發區域和變更地名的情況。

（五）消防警情信息識別學習模型測試

通過引入某地區近3年消防接處警樣本數據，并利用近半年消防接處警數據作為實驗樣本，對該模型識別準確性進行分析。測試樣本數據采集異構數據（互聯網數據和指揮網數據）39980條，導入模型中進行語義識別后，輸出地址匹配結果3591條，未匹配到場景8738條，語義優先匹配結果30447條，合并匹配到場景結果31242條，匹配到場景占比為78.14%，顯著高于阿里、科大訊飛等平臺通用模型識別準確率，表明該模型在消防接處警領域適用性良好[6]。

三、模型應用

消防警情信息識別學習模型應用于消防智能接處警系統，主要涉及接處警業務模塊。接處警業務模塊是模型功能實現的核心部分，該功能模塊基于模型訓練輸出后接入接警警情受理、力量調度、綜合報警審理模塊等。

（一）警情受理過程應用

為進一步提升警情受理效率和準確性，該模塊利用了警情信息識別學習模型，集成了語音識別和智能語義分析等先進技術。系統能夠實現實時的語音轉譯功能，獨立處理報警人和接警人的語音，確保信息的清晰和準確性。在接警人員忙碌無法立即應答時，系統自動啟動接警并進行錄音，保障了警情不會錯過。

更重要的是，系統將接警的語音信息轉換為文字記錄，這樣的設計既方便了后續查閱和分析，也有助于精確存檔。通過人工智能與接警員的緊密協作，系統能在接警員與報警人對話的過程中迅速而準確識別出關鍵信息，如警情類型、發生地點、涉及人員和車輛、具體樓層、火情狀況、被困人數和傷者情況等。

這種優化后的模塊顯著提升了接警員處理警情效率，使得他們能夠更快速響應緊急情況，為消防滅火和救援工作爭取到了寶貴的時間。這不僅提高了警情處理質量，也增強了緊急響應能力，為保護公共安全提供了有力的技術支持[7]。

（二）力量調度模塊

力量調度模塊通過分析和學習歷史的調派方案，能夠智能提供推薦的調度方案。這種方法的優勢在于它結合了神經網絡在理解上下文聯系方面的強大能力，從而可以擴大學習和分析的范圍，力量調度模塊不僅能夠對地方層面（如市、?。┑恼{度方案進行優化，還能實現國家層面力量的調度，確保各級調度的統一性和協調性。這在大型災害或緊急情況下尤為關鍵，能夠確保資源得到最有效的分配和利用。

此外，通過引入智能推薦系統，可以顯著減少接警員在調度消防力量時依賴于主觀經驗的隨意性和盲目性。這不僅提高了調度效率和準確性，還有助于防止因人為判斷失誤而導致的資源浪費或延誤響應。綜合來看，這種技術的應用極大提高了消防力量調度的科學性和高效性，對于提升緊急響應能力和保障公共安全具有重要意義。

（三）警情受理終端模塊

警情受理終端模塊是消防救援站警情處理的關鍵部分，該模塊專為消防救援站的警情受理端設計，能夠自動接收和處理處警通知單。這個系統的核心在于它的及時反饋能力，快速準確了解警情的相關信息。

利用警情信息識別學習模型中的語義分析技術，該模塊可以迅速提取現場的關鍵信息，如人員傷亡、被困情況、燃燒面積等。這種高效的信息處理能力是提高警情處理效率的重要因素。

此外，該模塊還融合了警情預警、警情升級和力量調度功能，形成了一個高效的增援調派系統。這意味著，一旦警情發生變化或需要額外支援時，系統可以迅速做出響應，并調度必要的增援力量。這不僅提高了警情處置效率，也確保了增援力量的及時補充，提升了整體的應急響應能力[8]。

（四）綜合報警審理模塊

綜合報警審理模塊是一個多功能的接警系統，它整合了來自多個渠道的報警信息，包括消防技防系統、公眾號、網頁、小程序和APP等。這種綜合性的設計使得模塊能夠有效處理來自不同來源的報警信息，確保不遺漏任何一個警情。

結語

消防接處警工作是消防救援隊伍業務的關鍵組成，是形成消防救援隊伍核心戰斗力的重要步驟，同時也是服務社會發展、與群眾緊密聯系的重要橋梁?；谌斯ぶ悄芗夹g建設消防警情信息識別學習模型，能夠充分發揮信息技術優勢，改善消防接處警人工處理面臨的效率低、成本高等問題。為建設規范、高效、專業的指揮調度中樞奠定堅實基礎，為應對各類緊急情況提供迅速而有力支援，有助于提高應急響應速度，更能夠有效協調和調度各方資源，確保消防救援工作更為有序、高效。

參考文獻

[1]

雷興豪，董雷.NLP在智能消防接處警系統中的應用研究[J].電子設計工程，2023，31（03）：43-48.

[2]林曉冬.基于卷積神經網絡的消防智能決策系統的研究[J].電信快報，2022（09）：23-26+33.

[3]雷興豪.NLP在智能消防接處警系統中的應用[D].武漢郵電科學研究院，2023.

[4]林曉冬.人工智能深度匹配學習在消防警情分析上的應用[J].電信快報，2020（10）：25-28.

[5]王艷紅.基于云模型的消防救援戰勤保障能力評價[J].武警學院學報， 2021，37（06）： 26-30.

[6]李文艷，郭裴裴.消防應急救援人員能力評估模型研究[J].武警學院學報， 2019，35（06）： 27-32.

[7]王超.網絡優化模型在消防應急救援方案中的應用[J].中國科技信息，2011（07）： 205-206.

[8]郝然.消防救援最短路線模型及其求解策略[J].中國科技信息，2010（19）：29-30.