露天煤礦邊坡安全時序知識圖譜構建方法研究

摘要：針對露天煤礦邊坡安全時序知識圖譜匱乏、數據資源難以有效共享、處理動態知識存在局限等問題，提出一種露天煤礦邊坡安全時序知識圖譜構建方法。基于“頭實體?關系?尾實體?時間戳”的描述模型，指出露天煤礦邊坡安全時序知識圖譜就是邊坡失穩事故、事故應急預案、邊坡監測數據、邊坡風險識別方法4 類本體的概念及關系在時間順序上的形式化表達。首先基于專家先驗知識、文獻資料等建立模式層，分析邊坡失穩事故、事故應急預案、邊坡監測數據、邊坡風險識別方法4 類本體概念的抽象定義及概念間的語義關聯關系，進行知識圖譜概念的框架搭建。然后基于知識圖譜框架，從專業文獻、監測數據等海量數據中進行知識抽取，對冗余實體進行知識融合，實現實體匹配，基于圖數據庫進行知識存儲，最終完成露天煤礦邊坡安全的實體節點、節點屬性、節點關系的數據層構建?，F場驗證結果表明，露天煤礦邊坡安全時序知識圖譜構建方法具備可行性，能夠完整表達露天煤礦實體概念及實體間的聯系，在進行邊坡安全事故搜索時，能夠發現關聯的邊坡監測數據、風險識別方法及應急預案知識，為露天煤礦處理邊坡事故提供技術支撐。

關鍵詞：露天煤礦；邊坡安全；時序知識圖譜；動態知識圖譜；實體抽??；知識融合

中圖分類號：TD67 文獻標志碼：A

0 引言

露天煤礦是我國經濟發展的重要支柱性產業，其邊坡安全隱患不容忽視。露天煤礦邊坡安全影響因素復雜，且邊坡監測系統隨著時間推移形成海量數據，當發生邊坡坍塌事故時，存在反應滯后、分析不足、救援方案決策多依靠經驗判定而導致主觀性強等問題[1-3]，大幅降低了事故的處置效率和決策執行能力。如何從海量數據中獲取關鍵信息，建立信息關系，進行露天煤礦邊坡安全的智能化應急服務，是當前露天煤礦安全建設的主要任務。

知識圖譜是一種基于圖的數據結構[4]，旨在描述客觀世界的概念、實體、事件及其間的關系[5]。知識圖譜在內容推薦系統[6]、自然語言問答[7]及文本信息檢索系統[8]中已展現出顯著優勢，但僅有很少一部分在非常有限的范圍內被轉化為信息與領域知識[9]，領域知識工程的知識圖譜建設少之又少[10]。在煤礦安全領域，許瀚戈等[11]構建了煤礦水害事故領域知識圖譜，整合了水害事故知識，輔助進行水害防治處理。陳堃等[12]對煤礦頂板的主要致災因子進行了知識圖譜構建，實現了致因災害鏈的網絡分析。宋兆雪等[13]繪制了礦井火災可視化知識圖譜，分析了礦井火災的歷史、現狀及研究重點。劉永立等[14]將知識圖譜與應急處置預案進行動態融合，為應急預案的生成提供數據基礎與輔助決策支持。趙佳佳等[15]構建了煤礦熱動力知識圖譜，對熱動力災害的研究方向和研究手段進行了分析。目前，煤礦領域的知識圖譜大多圍繞井工煤礦，露天煤礦與井工煤礦的生產存在差異，安全風險來源也不盡相同，且煤礦領域知識圖譜主要為靜態知識圖譜[16]，基于“實體?關系?實體”進行實體間的關系描述，缺少時間維度，制約了知識圖譜在應用中的效能和潛力[17]。

針對上述問題，本文基于“頭實體?關系?尾實體?時間戳”的描述模型，提出一種露天煤礦邊坡安全時序知識圖譜構建方法，圍繞邊坡失穩事故、事故應急預案、邊坡監測數據、邊坡風險識別方法，建立本體概念，構建時序知識圖譜，從海量異構的數據中，抽取有效信息，實現露天煤礦的智能應急服務。

1 露天煤礦邊坡安全時序知識圖譜定義

時序知識圖譜在傳統靜態知識圖譜上引入時間約束，為事實加上時間戳，將三元組擴展為“實體?關系?實體?時間”四元組，模型A = ｛s，"r，o，"t｝（s為頭實體，r為關系，o為尾實體，t為時間戳，表示事實在該時間戳上有效） ，關注實體和關系隨時間的變化情況[18]。露天煤礦邊坡安全領域中，事故描述復雜、動態監測數據多、模型方法耦合復雜、應急時效性要求高、實體之間的關聯關系復雜且多樣，是典型的復雜知識結構。露天煤礦邊坡安全時序知識圖譜就是邊坡失穩事故、事故應急預案、邊坡監測數據、邊坡風險識別方法4 類本體的概念及關系在時間順序上的形式化表達。

2 露天煤礦邊坡安全時序知識圖譜構建

露天煤礦邊坡安全時序知識圖譜構建流程如圖1所示。首先基于專家先驗知識、文獻資料等建立模式層，分析邊坡失穩事故、事故應急預案、邊坡監測數據、邊坡風險識別方法4 類本體概念的抽象定義及概念間的語義關聯關系，進行知識圖譜概念的框架搭建。然后基于知識圖譜框架，從專業文獻、監測數據等海量數據中進行知識抽取，對冗余實體進行知識融合，實現實體匹配，基于圖數據庫進行知識存儲，最終完成露天煤礦邊坡安全的實體節點、節點屬性、節點關系的數據層構建。

2.1 模式層構建

邊坡失穩事故、事故應急預案、邊坡監測數據、邊坡風險識別方法4 類本體貫穿了“數據?數據分析?事故?事故預案”全過程，因此，露天煤礦邊坡安全時序知識圖譜模式層先構建這4 類本體間的描述模型，再對這4 類本體進行多層次劃分與表達。

邊坡失穩事故、事故應急預案、邊坡監測數據、邊坡風險識別方法4 類本體間的關系如圖2 所示。

1） 邊坡失穩事故本體。邊坡失穩事故本體主要指露天煤礦邊坡失穩事故的所有概念、概念屬性、關聯關系及時間戳的描述。邊坡失穩事故本體概念主要包括露天煤礦邊坡變形、邊坡滑坡、邊坡坍塌。概念屬性主要為基本屬性和事故環境、事故損失。其中基本屬性主要為事故名稱、事故地點、事故類型、事故等級；事故環境為邊坡角度、邊坡高度、降水量等；事故損失包含傷亡人數、經濟損失等。關聯關系為事故之間的聯系，主要為無關系、引發、群發、并發等，例如邊坡變形會引發邊坡滑坡、邊坡滑坡與邊坡坍塌并發等。時間戳為事故發生的時間段。

2） 事故應急預案本體。事故應急預案本體主要指露天煤礦事故應急預案的所有概念、概念屬性、關聯關系、時間戳的描述。應急預案本體概念按照應急階段劃分為應急前準備、應急處置、后期處置。其中應急前準備包括組織體系構建、人員培訓、響應條件設置、救援設備配置、救援人員配置、邊坡風險監測預警、環境監測預警；應急處置包括安全防護、人員轉移策略、救援設備調度策略、救援人員調度策略等；后期處置包括現場清理、原因調查、整改措施等。概念屬性包括應急預案名稱、響應等級、響應條件、所處階段、預案詳細描述等。關聯關系為應急階段之間的聯系，主要為階段前、階段后、并行。時間戳為應急預案制定、更新、修改時間。

3） 邊坡監測數據本體。邊坡監測數據本體主要指露天煤礦邊坡監測數據的所有概念、概念屬性、關聯關系、時間戳的描述。邊坡監測數據本體概念按照露天煤礦存在的邊坡風險進行安全監測，主要涉及邊坡穩定性監測、環境監測。根據GB/T 37697—2019《露天煤礦邊坡變形監測技術規范》，邊坡穩定性監測主要包括地表裂縫監測數據、地表位移監測數據、地下位移監測數據、地表水位監測數據、地下水監測數據、內部應力監測數據等；環境監測主要包括降雨、降雪監測數據。概念屬性包含數據名稱、數據類別、數據采樣頻率、數據覆蓋范圍、數據描述對象、數據來源等。關聯關系為任意2 組監測數據之間的相關性。時間戳為監測數據采集時間。

4） 邊坡風險識別方法本體。邊坡風險識別方法本體主要指用于對露天煤礦邊坡失穩風險進行識別所使用模型方法的概念、概念屬性、關聯關系、時間戳的描述。邊坡風險識別方法本體概念主要是對邊坡變形滑坡的風險識別涉及到的方法，包括異常值剔除、最大最小值歸一化、拉格朗日多項式插值法、反距離插值法、時序分析、卡爾曼濾波法、有限元法、邊界元法、三參量法、切線角算法、深度學習等。概念屬性主要包含方法名稱、方法功能、方法具體描述、應用效果、應用任務名稱等。關聯關系為方法之間的關聯度。時間戳為邊坡風險識別方法提出時間。

2.2 數據層構建

露天煤礦邊坡安全時序知識圖譜數據層根據知識圖譜模式層構建的框架，針對不同的數據結構，設計知識抽取方法，獲取實體及其屬性、關系、時間戳，對冗余的實體進行知識融合，并將融合后的實體四元組按照節點和邊存儲至圖數據庫中。

2.2.1 知識抽取

1） 實體抽取。露天煤礦邊坡安全知識數據來源主要可分為結構化數據、半結構化數據、非結構化數據。結構化數據包括各設備實地監測數據（csv）、地質巖層數據（csv） 、礦山歷史邊坡失穩數據（csv）等。半結構化數據如百科數據（Wikipedia、百度百科等）。非結構化數據主要是純文本形式，如網絡發布的露天煤礦災害的新聞信息、通知公告、專業文獻等文本數據。本文針對不同數據結構設計對應的實體抽取方法，實現多策略知識獲取，并將知識轉換為標準格式。

對于結構化的邊坡設備監測數據，根據表格字段項，建立實體、屬性映射，提取數據名稱、數據類別、數據采樣頻率、數據覆蓋范圍、數據值、數據來源等關鍵信息進行存儲；對于結構化的礦山歷史邊坡失穩數據，建立實體、屬性映射，提取事故名稱、事故地點、事故類型、事故等級、事故發生時的邊坡角度、邊坡高度、降水量、傷亡人數、經濟損失等信息進行存儲。

對于半結構化網頁數據源，基于人工建立的實體匹配規則庫和網絡爬蟲技術，半自動地抽取所需信息。部分實體匹配規則見表1。

對于非結構化數據，主要為文本數據和專業文獻數據，通過長短期記憶（Long Short-Term Memory，LSTM）和條件隨機場（Conditional Random Field，CRF）相結合的抽取模型進行知識抽取，使用BIO（開始（Begin），內部（Inside），外部（Outside））標注形式，把實體、關系、屬性作為主語、謂語、賓語中需要識別的專有名詞，建立標簽字典，通過標注樣本訓練模型，進行實體抽取。

2） 關聯關系抽取。主要是對4 類本體間關聯關系抽取與本體內部關聯關系抽取。

4 類本體間關聯關系抽取。邊坡失穩事故與事故應急預案通過專家先驗知識進行關聯；邊坡失穩事故與邊坡監測數據的時空約束通過事故發生時間、地點與監測時間、位置進行關聯；邊坡失穩事故與邊坡風險識別方法之間主要通過在專業文獻中進行邊坡變形、滑坡、坍塌、方法、模型等關鍵詞的搜索進行關聯；邊坡監測數據與事故應急預案之間的關系為輸入關系；邊坡風險識別方法與事故應急預案之間的關系為輸入關系；邊坡監測數據與邊坡風險識別方法之間的關系為輸入關系。

本體內部關聯關系抽取。邊坡失穩事故及事故應急預案具體實例間的關系可通過專家經驗判定。邊坡監測數據間關系通過互信息法計算任意2 組數據從記錄開始時間到當前時間戳下的關聯程度而得到，互信息能夠衡量2 組數據間的直接關系，互信息值越小，則2 組監測數據間的相關性越小。

設S為包含n個監測數據變量的集合，Ai和Aj（i≠j）為S中的任意2 個變量，集合的互信息值為

邊坡風險識別方法具體實例間的關聯關系為方法之間的關聯度，主要通過方法名稱相似度和方法功能相似度來表示。根據概念屬性中的方法名稱和方法功能2 個屬性，基于Jaccard 算法進行語義相似度計算。Jaccard 相似度是一種用于比較2 個集合相似性的度量方法，2 個句子相同的部分越多，這2 個句子就越相似[19]。

式中：Sa 和Sb為2 個集合；N（Sa∩Sb）為Sa和Sb的交集元素個數；N（Sa ∪Sb）為Sa和Sb的并集元素個數。

Jaccard 相似度的取值范圍為0～1，值越接近1，表示2 個集合的相似度越高，值越接近0，表示2 個集合的相似度越低。

3） 時間抽取。對于結構化的數據，主要為不同設備動態監測數據直接建立字段映射，將時間字段作為時間戳進行存儲；對于半結構化和非結構化數據，時間分為具體時間和時間段，通過正則表達式和規則匹配相結合的方式，提取時間信息，并將時間標準化，時間標準化規則見表2。

2.2.2 知識融合

由于知識表述的多樣性，知識抽取過程中會存在冗余數據，需要對抽取的實體進行融合。實體知識融合主要采用聚類算法實現。基于密度的聚類算法 （Density-Based Spatial Clustering of Applicationswith Noise，DBSCAN） 不需要預設簇的個數，對于不同密度分布的數據可以提供更好的聚類效果[20]。本文采用DBSCAN 進行知識融合，進而得到不同類簇的露天煤礦邊坡安全實體。

DBSCAN 聚類主要涉及樣本點數k 和融合閾值r，其核心思想：選取某個實體作為融合對象，計算其他實體與當前選取實體的融合距離，當融合距離小于融合閾值r 時，歸為一簇?；贒BSCAN 的知識融合流程如圖3 所示。

1） 初始化參數。初始化融合閾值 r 和域內最少的樣本點數 k。

2） 核心點查找。選擇一個未被訪問過的實體作為當前點，然后搜索以該點為中心、融合距離小于 r的全部樣本點。如果這些點的數量不小于設定樣本點數k，則該點被認為是一個核心點，否則該點被認為是噪聲點。

3） 簇擴展。當找到一個核心點時，以此為起點，沿著其連通的點繼續搜索。將所有與其融合距離小于 r 的點都歸入同一個簇中，并標記為已訪問。

4） 多次迭代。重復步驟2）和步驟3），直到所有實體都被訪問過為止。其中對于已經被歸類的實體，不需要再次處理。如果某個點既不是核心點，也不在任何核心點的范圍內，則將其歸為噪聲點。

在進行DBSCAN 聚類時，采用實體Jaccard 相似度作為融合考量因素，選取與當前實體相似度大的實體進行融合，融合距離為

L =N （S a∪S b）/N （Sa ∩Sb）（7）

經過多次實驗，當融合閾值r 為0.76，k 為8 時，融合效果最好。融合結果見表3。

2.2.3 知識存儲

通過知識抽取、知識融合后的知識可以通過圖數據庫進行結構化表示， 圖數據庫采用RDF（Resource Description Framework，資源描述框架）三元組模型和“點?邊”有向圖的形式[21]存儲數據，在圖數據庫中，概念、屬性可存儲為節點，關系可存儲為邊，在實體節點上增加一條timestamp 屬性，存儲時間戳，用圖數據庫進行知識圖譜的存儲可以更加簡潔、明確地描述數據間的復雜關系，更好地表達實體間的關系結構，提升知識圖譜存儲和查詢性能。

3 結果分析

以鄂爾多斯市騰遠煤炭有限責任公司下屬騰遠煤礦為例，對邊坡失穩事故、事故應急預案、邊坡監測數據、邊坡風險識別方法4 類本體的結構化進行描述，構建露天煤礦邊坡安全時序知識圖譜。

騰遠煤礦提供監測數據543 條，根據該數據進行頭實體、關系、尾實體、時間戳提取，以煤礦邊坡風險識別為關鍵詞提取中文文獻173 條，通過網頁提取實體572 條， 進行知識融合后， 共提取實體269條。利用Neo4j 圖數據庫存儲實體及實體屬性關系，某一時間的存儲結果如圖4 所示。

通過露天煤礦邊坡安全時序知識圖譜，針對已發生的事故，可根據時空約束，回溯當日監測數據、邊坡風險識別結果及應急措施，從而優化風險預測方法、加強事故應急工作；針對未發生的安全事故，可快速關聯至監測數據，調用對應的風險識別方法，分析事故風險等級；針對正在發生的安全事故，可根據事故類型約束，及時進行事故監測，基于風險識別方法分析預測事故風險，啟動應急預案。

4 結語

針對露天煤礦邊坡安全時序知識圖譜匱乏，數據資源難以有效共享、處理動態知識存在局限等問題，提出一種基于“頭實體?關系?尾實體?時間戳”描述模型的露天煤礦邊坡安全時序知識圖譜構建方法。面對事故應急需求，分析邊坡失穩事故、事故應急預案、邊坡監測數據、邊坡風險識別方法4 類本體概念與本體間的關聯關系，通過知識抽取、知識融合和知識存儲，實現露天煤礦邊坡安全時序知識圖譜搭建。結果表明，露天煤礦邊坡安全時序知識圖譜構建方法具備可行性，能夠完整表達露天煤礦實體概念及實體間的聯系，在進行邊坡安全事故搜索時，能夠發現關聯的邊坡監測數據、風險識別方法及應急預案知識，為露天煤礦處理邊坡事故提供技術支撐。

現階段，關于露天煤礦邊坡安全知識圖譜的本體和實體數量較少，難以滿足露天煤礦安全生產的實際需求，同時，知識圖譜構建過程是一個不斷迭代更新的過程，今后還需進一步研究小樣本知識圖譜構建，以及如何基于已有知識圖譜進行動態優化調整，實現知識的增量式更新。

參考文獻（References）：

[ 1 ]徐增林，盛泳潘，賀麗榮，等. 知識圖譜技術綜述[J].電子科技大學學報，2016，45（4）：589-606.

XU Zenglin， SHENG Yongpan， HE Lirong， et al.Review on knowledge graph techniques[J]. Journal ofUniversity of Electronic Science andTechnology ofChina，2016，45（4）：589-606.

[ 2 ]范鵬飛. 基于數字孿生的三維智慧礦山可視化系統研究與實現[D]. 煙臺：煙臺大學，2024.

FAN Pengfei. Research and implementation of 3D smartmine visualization system based on digital twinning[D].Yantai：Yantai University，2024.

[ 3 ]牛莉霞，李肖萌. 5G 時代面向情報需求的智慧礦山應急管理新模式研究[J]. 災害學，2024，39（3）：228-234.

NIU Lixia，LI Xiaomeng. Research on the new model ofintelligent mine emergency management oriented tointelligence needs in the 5G era[J]. Journal ofCatastrophology，2024，39（3）：228-234.

[ 4 ]SOWA J F. Principles of semantic networks[J].Behavioral amp; Brain Sciences，1984，23（92）：1-50.

[ 5 ]李涓子，侯磊. 知識圖譜研究綜述[J]. 山西大學學報（自然科學版），2017，40（3）：454-459.

LI Juanzi， HOU Lei. Reviews on knowledge graphresearch[J]. Journal of Shanxi University （NaturalScience Edition），2017，40（3）：454-459.

[ 6 ]CAO Yixin， WANG Xiang， HE Xiangnan， et al.Unifying knowledge graph learning andrecommendation：towards a better understanding of userpreferences[C]. The World Wide Web Conference，SanFrancisco，2019：151-161.

[ 7 ]HUANG Xiao，ZHANG Jingyuan，LI Dingcheng，et al.Knowledge graph embedding based questionanswering[C]. Twelfth ACM International Conferenceon Web Search and Data Mining， Melbourne VIC，2019：105-113.

[ 8 ]DIETZ L， KOTOV A， MEIJ E， et al. Utilizingknowledge graphs for text-centric informationretrieval[C]. The 41st International ACM SIGIRConference on Research amp; Development in InformationRetrieval，Ann Arbor，2018：1387-1390.

[ 9 ]朱建章，石強，陳鳳娥，等. 遙感大數據研究現狀與發展趨勢[J]. 中國圖象圖形學報，2016，21（11）：1425-1439.

ZHU Jianzhang， SHI Qiang， CHEN Feng'e， et al.Research status and development trends of remotesensing big data[J]. Journal of Image and Graphics，2016，21（11）：1425-1439.

[10]劉龍歷，薛勇，光潔，等. 基于本體概念相似度的遙感信息服務匹配研究[J]. 計算機工程與應用， 2016，52（8）：13-18，79.

LIU Longli， XUE Yong， GUANG Jie， et al. Study ofremote sensing information service matching based onsimilarity of ontology concept[J]. ComputerEngineering and Applications，2016，52（8）：13-18，79.

[11]許瀚戈，管華宇，王藝嵐，等. 煤礦水害事故領域知識圖譜的構建及應用[J]. 山西焦煤科技，2024，48（10）：39-44.

XU Hange， GUAN Huayu， WANG Yilan， et al.Construction and application of knowledge graph in thefield of coal mine water damage accidents[J]. ShanxiCoking Coal Science amp; Technology，2024，48（10）：39-44.

[12]陳堃，譚吉玉，丁元春. 煤礦頂板事故的知識發現及災害鏈網絡分析[J]. 煤礦安全，2024，55（8）：249-256.

CHEN Kun， TAN Jiyu， DING Yuanchun. Knowledgediscovery and disaster chain network analysis of coalmine roof accidents[J]. Safety in Coal Mines， 2024，55（8）：249-256.

[13]宋兆雪，張偉，侯玉亭，等. 礦井火災研究領域的知識圖譜分析[J]. 煤炭科技，2023，44（4）：1-6，59.

SONG Zhaoxue， ZHANG Wei， HOU Yuting， et al.Knowledge graph analysis in the field of mine firesresearch[J]. Coal Science amp; Technology Magazine，2023，44（4）：1-6，59.

[14]劉永立， 王海濤. 基于知識圖譜的火災及耦合災害應急處置管理[J]. 煤礦安全，2022，53（9）：144-150.

LIU Yongli，WANG Haitao. Fire and coupling disasteremergency management based on mapping knowledgedomain[J]. Safety in Coal Mines， 2022， 53（9） ：144-150.

[15]趙佳佳， 田世祥， 楊家向， 等. 基于知識圖譜的煤礦熱動力災害可視化研究[J]. 煤礦安全， 2023， 54（3） ：33-39.

ZHAO Jiajia， TIAN Shixiang， YANG Jiaxiang， et al.Study on visualization of thermodynamic disaster in coalmine based on knowledge map[J]. Safety in CoalMines，2023，54（3）：33-39.

[16]吳玉潔，奚雪峰，崔志明. 嵌入式靜態知識圖譜補全研究進展[J]. 計算機工程與應用，2024，60（12）：34-47.

WU Yujie， XI Xuefeng， CUI Zhiming. Advancementsin embedded static knowledge graph completionresearch[J]. Computer Engineering and Applications，2024，60（12）：34-47.

[17]許凱嘉，柳林，王海龍，等. 時序知識圖譜補全研究綜述[J]. 計算機工程與應用，2024，60（22）：38-57.

XU Kaijia， LIU Lin， WANG Hailong， et al. Survey ontemporal knowledge graph completion research[J].Computer Engineering and Applications，2024，60（22）：38-57.

[18]陸佳民，張晶，馮鈞，等. 時序知識圖譜構建研究綜述[J]. 計算機科學與探索，2025，19（2）：295-315.

LU Jiamin， ZHANG Jing， FENG Jun， et al. Survey onconstruction method of temporal knowledge graph[J].Journal of Frontiers of Computer Science andTechnology，2025，19（2）：295-315.

[19]魏嵬，丁香香，郭夢星，等. 文本相似度計算方法綜述[J]. 計算機工程，2024，50（9）：18-32.

WEI Wei， DING Xiangxiang， GUO Mengxing， et al.Review of text similarity calculation methods[J].Computer Engineering，2024，50（9）：18-32.

[20]張文怡. 基于改進Canopy-Kmeans 的專家信息知識圖譜的研究及應用[D]. 武漢：湖北大學，2023.

ZHANG Wenyi. Research and application of expertinformation knowledge map based on improved Canopy-Kmeans[D]. Wuhan：Hubei University，2023.

[21]陳年松. 基礎地理實體關系的知識圖譜構建方法研究[J]. 地理空間信息，2024，22（6）：20-244.

CHEN Niansong. Research on knowledge graphconstruction method of basic geo-entities relationships[J].Geospatial Information，2024，22（6）：20-24.

基金項目：鄂爾多斯市科技重大“揭榜掛帥”項目（JBGS-2023-001）。