基于人工智能的石油安全智能推演系统及其方法

1.本技术涉及智能化推演技术领域，并且更具体地，涉及一种基于人工智能的石油安全智能推演系统及其方法。


背景技术：

2.目前，虽然国际上石油的产量、消费量、进口量、出口量、价格等长期处于不断波动状态，但石油供需总体保持平衡，即达到动态的石油安全。当某个或某些事件发生时，将会打破这种平衡而导致石油安全问题，这将涉及石油全产业链的上中下游，也就是说，石油的生产、运输、加工、消费等各环节均可能因单一或多个事件发生而受多种因素影响到整个产业链，进而打破地区性、全国性乃至全球性的石油安全平衡。然而，传统石油安全战略分析方法存在数据更新不及时、处理复杂数据困难、效率较低等不足，难以适应大数据时代快速分析的要求。
3.因此，期望一种优化的基于人工智能的石油安全智能推演系统。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于人工智能的石油安全智能推演系统及其方法，其获取石油预测相关数据和突发事件的文本描述；采用基于深度学习的人工智能技术，挖掘所述石油预测相关数据的各个参数数据的关联特征和所述突发事件的文本语义理解特征间的关联性特征分布信息，以此来精准地对于产油国的输出量进行预测，保证石油的安全。
5.第一方面，提供了一种基于人工智能的石油安全智能推演方法，其包括：
6.获取石油预测相关数据，其中，所述石油预测相关数据包括石油储产销贸价数据、石油运输数据、海运安全数据、待预测国家的gdp数据、所述被预测国家的各个省份的社会经济数据、汽车量和石油产量以及所述被预测国家的多家加油站数据；
7.获取突发事件的文本描述；
8.将所述突发事件的文本描述通过包含词嵌入层的上下文编码器以得到突发事件语义理解特征向量；
9.将所述石油预测相关数据排列为输入向量后通过包含多个全连接层的深度神经网络模型以得到石油预测相关深度特征向量；
10.对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵；
11.对所述事件相关石油预测特征矩阵进行特征分布调制以得到调制后事件相关石油预测特征矩阵；
12.将所述调制后事件相关石油预测特征矩阵通过解码器以得到解码值，所述解码值用于表示影响的产油国输出。
13.在上述基于人工智能的石油安全智能推演方法中，将所述突发事件的文本描述通
过包含词嵌入层的上下文编码器以得到突发事件语义理解特征向量，包括：对所述突发事件的文本描述进行分词处理以将所述突发事件的文本描述转化为由多个词组成的词序列；
14.使用所述包含词嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，使用所述包含词嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述突发事件语义理解特征向量。
15.在上述基于人工智能的石油安全智能推演方法中，使用所述包含词嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述突发事件语义理解特征向量，包括：将所述词向量的序列进行一维排列以得到全局突发事件特征向量；计算所述全局突发事件特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述突发事件语义理解特征向量。
16.在上述基于人工智能的石油安全智能推演方法中，将所述石油预测相关数据排列为输入向量后通过包含多个全连接层的深度神经网络模型以得到石油预测相关深度特征向量，包括：使用所述深度神经网络模型的多个全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
17.其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。
18.在上述基于人工智能的石油安全智能推演方法中，对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵，包括：以如下公式对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵；其中，所述公式为：
[0019][0020]
其中v1表示所述突发事件语义理解特征向量，表示所述突发事件语义理解特征向量的转置向量，vc表示所述石油预测相关深度特征向量，m表示所述事件相关石油预测特征矩阵，表示向量相乘。
[0021]
在上述基于人工智能的石油安全智能推演方法中，对所述事件相关石油预测特征矩阵进行特征分布调制以得到调制后事件相关石油预测特征矩阵，包括：将所述事件相关石油预测特征矩阵展开为事件相关石油预测特征向量；对所述事件相关石油预测特征向量进行正定赋范空间的几何约束重参数化以得到调制后事件相关石油预测特征向量；以及，对所述调制后事件相关石油预测特征向量进行维度重构以得到所述调制后事件相关石油预测特征矩阵。
[0022]
在上述基于人工智能的石油安全智能推演方法中，对所述事件相关石油预测特征向量进行正定赋范空间的几何约束重参数化以得到调制后事件相关石油预测特征向量，包括：以如下公式对所述事件相关石油预测特征向量进行正定赋范空间的几何约束重参数化
以得到所述调制后事件相关石油预测特征向量；其中，所述公式为：
[0023][0024]
其中，v是所述事件相关石油预测特征向量，v
t
是所述事件相关石油预测特征向量的转置向量，vi和vi′
分别是所述事件相关石油预测特征向量和所述调制后事件相关石油预测特征向量的第i个位置的特征值，且v是行向量形式，μ和
[0025]
σ是所述优化特征向量的各个位置特征值集合的均值和方差，表示向量的二范数的平方，||
·
||f表示矩阵的frobenius范数，exp(
·
)表示计算以数值为幂的自然指数函数值。
[0026]
在上述基于人工智能的石油安全智能推演方法中，将所述调制后事件相关石油预测特征矩阵通过解码器以得到解码值，所述解码值用于表示影响的产油国输出，包括：使用所述解码器以如下公式对所述调制后事件相关石油预测特征矩阵进行解码回归以得到所述解码值；其中，所述公式为：其中md表示所述调制后事件相关石油预测特征矩阵，y表示解码值，w表示权重矩阵，b表示偏置向量，
[0027]
表示矩阵乘。
[0028]
第二方面，提供了一种基于人工智能的石油安全智能推演系统，其包括：
[0029]
数据获取模块，用于获取石油预测相关数据，其中，所述石油预测相关数据包括石油储产销贸价数据、石油运输数据、海运安全数据、待预测国家的gdp数据、所述被预测国家的各个省份的社会经济数据、汽车量和石油产量以及所述被预测国家的多家加油站数据；
[0030]
文本描述获取模块，用于获取突发事件的文本描述；
[0031]
上下文编码模块，用于将所述突发事件的文本描述通过包含词嵌入层的上下文编码器以得到突发事件语义理解特征向量；
[0032]
深度编码模块，用于将所述石油预测相关数据排列为输入向量后通过包含多个全连接层的深度神经网络模型以得到石油预测相关深度特征向量；
[0033]
关联编码模块，用于对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵；
[0034]
特征分布调制模块，用于对所述事件相关石油预测特征矩阵进行特征分布调制以得到调制后事件相关石油预测特征矩阵；
[0035]
解码模块，用于将所述调制后事件相关石油预测特征矩阵通过解码器以得到解码值，所述解码值用于表示影响的产油国输出。
[0036]
在上述基于人工智能的石油安全智能推演系统中，所述上下文编码模块，包括：分词单元，用于对所述突发事件的文本描述进行分词处理以将所述突发事件的文本描述转化为由多个词组成的词序列；映射单元，用于使用所述包含词嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，语义编码单元，用于使用所述包含词嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述突发事件语义理解特征向量。
[0037]
与现有技术相比，本技术提供的基于人工智能的石油安全智能推演系统及其方法，其获取石油预测相关数据和突发事件的文本描述；采用基于深度学习的人工智能技术，
挖掘所述石油预测相关数据的各个参数数据的关联特征和所述突发事件的文本语义理解特征间的关联性特征分布信息，以此来精准地对于产油国的输出量进行预测，保证石油的安全。
附图说明
[0038]
为了更清楚地说明本技术实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1为根据本技术实施例的基于人工智能的石油安全智能推演方法的场景示意图。
[0040]
图2为根据本技术实施例的基于人工智能的石油安全智能推演方法的流程图。
[0041]
图3为根据本技术实施例的基于人工智能的石油安全智能推演方法的架构示意图。
[0042]
图4为根据本技术实施例的基于人工智能的石油安全智能推演方法中步骤130的子步骤的流程图。
[0043]
图5为根据本技术实施例的基于人工智能的石油安全智能推演方法中步骤133的子步骤的流程图。
[0044]
图6为根据本技术实施例的基于人工智能的石油安全智能推演方法中步骤160的子步骤的流程图。
[0045]
图7为根据本技术实施例的基于人工智能的石油安全智能推演系统的框图。
具体实施方式
[0046]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0047]
除非另有说明，本技术实施例所使用的所有技术和科学术语与本技术的技术领域的技术人员通常理解的含义相同。本技术中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本技术的范围。
[0048]
在本技术实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0049]
需要说明的是，本技术实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本技术的实施例可以除了在这里图示或描述的那些以外的顺序实施。
[0050]
如上所述，石油的生产、运输、加工、消费等各环节均可能因单一或多个事件发生
而受多种因素影响到整个产业链，进而打破地区性、全国性乃至全球性的石油安全平衡。然而，传统石油安全战略分析方法存在数据更新不及时、处理复杂数据困难、效率较低等不足，难以适应大数据时代快速分析的要求。因此，期望一种优化的基于人工智能的石油安全智能推演系统。
[0051]
相应地，考虑到在实际进行石油安全智能推演的过程中，基于石油的相关数据来对于在突发事件下的产油国输出进行预测是关键，但是，由于所述石油的相关数据包括有石油储产销贸价数据、石油运输数据、海运安全数据、待预测国家的gdp数据、所述被预测国家的各个省份的社会经济数据、汽车量和石油产量以及所述被预测国家的多家加油站数据，并且这些数据间具有着相互的关联关系，难以对于有效信息进行准确地提取。同时，还考虑到由于突发事件大多数都是以文本的形式出现，因此，如何准确地对于所述突发事件进行语义理解是关键。在此过程中，难点在于如何准确地挖掘出所述石油预测相关数据的各个参数数据的关联特征和所述突发事件的文本语义理解特征间的关联性特征分布信息，以此来精准地对于产油国的输出量进行预测，保证石油的安全。
[0052]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0053]
深度学习以及神经网络的发展为挖掘所述石油预测相关数据的各个参数数据的关联特征和所述突发事件的文本语义理解特征间的关联性特征分布信息提供了新的解决思路和方案。
[0054]
具体地，在本技术的技术方案中，首先，获取石油预测相关数据，所述石油预测相关数据包括石油储产销贸价数据、石油运输数据、海运安全数据、待预测国家的gdp数据、所述被预测国家的各个省份的社会经济数据、汽车量和石油产量以及所述被预测国家的多家加油站数据。接着，考虑到由于所述石油预测相关数据中的各个参数数据间具有着关联关系，为了探究这些参数数据间的关联性特征信息，以此来准确地进行产油国的输出预测，在本技术的技术方案中，进一步将所述石油预测相关数据排列为输入向量后通过包含多个全连接层的深度神经网络模型中进行处理，以提取出所述石油预测相关数据的各个参数数据的高维隐含关联特征信息，从而得到石油预测相关深度特征向量。
[0055]
然后，对于突发事件来说，获取突发事件的文本描述，考虑到由于所述突发事件的文本描述中是由多个词组成的，并且各个词之间具有着上下文的语义关联，为了能够提取出所述突发事件的文本描述中关于突发事件的文本语义特征信息，进一步将所述突发事件的文本描述通过包含词嵌入层的上下文编码器中进行编码，以提取出所述突发事件的文本描述中基于全局的上下文语义关联特征信息，从而得到突发事件语义理解特征向量。
[0056]
进一步地，对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码，以此来融合所述石油预测相关数据中各个参数数据项的协同关联性特征和所述突发事件的文本上下文语义特征，从而得到具有这两者的关联性特征分布信息的事件相关石油预测特征矩阵。接着，再将所述事件相关石油预测特征矩阵作为解码特征矩阵通过解码器中进行解码回归，以得到用于表示影响的产油国输出的解码值。也就是，以所述石油预测相关数据中各个参数数据项的协同关联性特征和所述突发事件的文本上下文语义特征间的关联性特征分布信息来进行解码回归来对于产油国的输出值进行精准预测，从而
保证石油安全。
[0057]
特别地，在本技术的技术方案中，这里，对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵时，考虑到所述突发事件语义理解特征向量表示突发事件的文本描述的上下文文本语义特征，而所述石油预测相关深度特征向量表示石油预测相关数据的加权关联特征，其间的逐位置特征关联将具有较大的不一致性，因此，对于通过关联编码得到的所述事件相关石油预测特征矩阵来说，其整体特征分布存在离散化的问题，从而使得所述事件相关石油预测特征矩阵在通过解码器进行解码回归时相对于预定目标解码值的收敛性差，这样，就会影响解码器的训练速度和解码值的准确性。
[0058]
因此，在本技术的技术方案中，首先将所述事件相关石油预测特征矩阵展开为事件相关石油预测特征向量，再对所述事件相关石油预测特征向量，例如记为v进行正定赋范空间的几何约束重参数化，具体为：
[0059][0060]
μ和σ是特征集合vi∈v的均值和方差，表示向量的二范数的平方，||
·
||f表示矩阵的frobenius范数，vi和vi″
分别是校正前和校正后的所述事件相关石油预测特征向量v的第i个位置的特征值，且v是行向量形式。
[0061]
这里，所述事件相关石油预测特征向量v的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系，通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影，来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性，以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间。这样，就提高所述事件相关石油预测特征向量v整体的特征分布在解码回归域内相对于目标解码值的收敛性，从而提升了解码器的训练速度和解码值的准确性。这样，能够基于实际突发事件情况来对于产油国的石油输出值进行精准预测，从而保证石油安全。
[0062]
图1为根据本技术实施例的基于人工智能的石油安全智能推演方法的场景示意图。如图1所示，在该应用场景中，首先，获取石油预测相关数据(例如，如图1中所示意的c1)，其中，所述石油预测相关数据包括石油储产销贸价数据、石油运输数据、海运安全数据、待预测国家的gdp数据、所述被预测国家的各个省份的社会经济数据、汽车量和石油产量以及所述被预测国家的多家加油站数据和突发事件的文本描述(例如，如图1中所示意的c2)；然后，将获取的石油预测相关数据和突发事件的文本描述输入至部署有基于人工智能的石油安全智能推演算法的服务器(例如，如图1中所示意的s)中，其中所述服务器能够基于人工智能的石油安全智能推演算法对所述石油预测相关数据和所述突发事件的文本描述进行处理，以生成用于表示影响的产油国输出的解码值。
[0063]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0064]
在本技术的一个实施例中，图2为根据本技术实施例的基于人工智能的石油安全智能推演方法的流程图。如图2所示，根据本技术实施例的基于人工智能的石油安全智能推演方法100，包括：110，获取石油预测相关数据，其中，所述石油预测相关数据包括石油储产
销贸价数据、石油运输数据、海运安全数据、待预测国家的gdp数据、所述被预测国家的各个省份的社会经济数据、汽车量和石油产量以及所述被预测国家的多家加油站数据；120，获取突发事件的文本描述；130，将所述突发事件的文本描述通过包含词嵌入层的上下文编码器以得到突发事件语义理解特征向量；140，将所述石油预测相关数据排列为输入向量后通过包含多个全连接层的深度神经网络模型以得到石油预测相关深度特征向量；150，对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵；160，对所述事件相关石油预测特征矩阵进行特征分布调制以得到调制后事件相关石油预测特征矩阵；以及，170，将所述调制后事件相关石油预测特征矩阵通过解码器以得到解码值，所述解码值用于表示影响的产油国输出。
[0065]
图3为根据本技术实施例的基于人工智能的石油安全智能推演方法的架构示意图。如图3所示，在该网络架构中，首先，获取石油预测相关数据，其中，所述石油预测相关数据包括石油储产销贸价数据、石油运输数据、海运安全数据、待预测国家的gdp数据、所述被预测国家的各个省份的社会经济数据、汽车量和石油产量以及所述被预测国家的多家加油站数据；然后，获取突发事件的文本描述；接着，将所述突发事件的文本描述通过包含词嵌入层的上下文编码器以得到突发事件语义理解特征向量；然后，将所述石油预测相关数据排列为输入向量后通过包含多个全连接层的深度神经网络模型以得到石油预测相关深度特征向量；接着，对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵；然后，对所述事件相关石油预测特征矩阵进行特征分布调制以得到调制后事件相关石油预测特征矩阵；以及，最后，将所述调制后事件相关石油预测特征矩阵通过解码器以得到解码值，所述解码值用于表示影响的产油国输出。
[0066]
具体地，在步骤110中，获取石油预测相关数据，其中，所述石油预测相关数据包括石油储产销贸价数据、石油运输数据、海运安全数据、待预测国家的gdp数据、所述被预测国家的各个省份的社会经济数据、汽车量和石油产量以及所述被预测国家的多家加油站数据。
[0067]
相应地，考虑到在实际进行石油安全智能推演的过程中，基于石油的相关数据来对于在突发事件下的产油国输出进行预测是关键，但是，由于所述石油的相关数据包括有石油储产销贸价数据、石油运输数据、海运安全数据、待预测国家的gdp数据、所述被预测国家的各个省份的社会经济数据、汽车量和石油产量以及所述被预测国家的多家加油站数据，并且这些数据间具有着相互的关联关系，难以对于有效信息进行准确地提取。同时，还考虑到由于突发事件大多数都是以文本的形式出现，因此，如何准确地对于所述突发事件进行语义理解是关键。在此过程中，难点在于如何准确地挖掘出所述石油预测相关数据的各个参数数据的关联特征和所述突发事件的文本语义理解特征间的关联性特征分布信息，以此来精准地对于产油国的输出量进行预测，保证石油的安全。
[0068]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0069]
深度学习以及神经网络的发展为挖掘所述石油预测相关数据的各个参数数据的关联特征和所述突发事件的文本语义理解特征间的关联性特征分布信息提供了新的解决
思路和方案。
[0070]
具体地，在本技术的技术方案中，首先，获取石油预测相关数据，所述石油预测相关数据包括石油储产销贸价数据、石油运输数据、海运安全数据、待预测国家的gdp数据、所述被预测国家的各个省份的社会经济数据、汽车量和石油产量以及所述被预测国家的多家加油站数据。
[0071]
具体地，在步骤120和步骤130中，获取突发事件的文本描述；以及，将所述突发事件的文本描述通过包含词嵌入层的上下文编码器以得到突发事件语义理解特征向量。然后，对于突发事件来说，获取突发事件的文本描述，考虑到由于所述突发事件的文本描述中是由多个词组成的，并且各个词之间具有着上下文的语义关联，为了能够提取出所述突发事件的文本描述中关于突发事件的文本语义特征信息，进一步将所述突发事件的文本描述通过包含词嵌入层的上下文编码器中进行编码，以提取出所述突发事件的文本描述中基于全局的上下文语义关联特征信息，从而得到突发事件语义理解特征向量。
[0072]
图4为根据本技术实施例的基于人工智能的石油安全智能推演方法中步骤130的子步骤的流程图，如图4所示，将所述突发事件的文本描述通过包含词嵌入层的上下文编码器以得到突发事件语义理解特征向量，包括：131，对所述突发事件的文本描述进行分词处理以将所述突发事件的文本描述转化为由多个词组成的词序列；132，使用所述包含词嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，133，使用所述包含词嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述突发事件语义理解特征向量。
[0073]
其中，图5为根据本技术实施例的基于人工智能的石油安全智能推演方法中步骤133的子步骤的流程图，如图5所示，使用所述包含词嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述突发事件语义理解特征向量，包括：1331，将所述词向量的序列进行一维排列以得到全局突发事件特征向量；1332，计算所述全局突发事件特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；1333，分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；1334，将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，1335，分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述突发事件语义理解特征向量。
[0074]
具体地，在步骤140中，将所述石油预测相关数据排列为输入向量后通过包含多个全连接层的深度神经网络模型以得到石油预测相关深度特征向量。接着，考虑到由于所述石油预测相关数据中的各个参数数据间具有着关联关系，为了探究这些参数数据间的关联性特征信息，以此来准确地进行产油国的输出预测，在本技术的技术方案中，进一步将所述石油预测相关数据排列为输入向量后通过包含多个全连接层的深度神经网络模型中进行处理，以提取出所述石油预测相关数据的各个参数数据的高维隐含关联特征信息，从而得到石油预测相关深度特征向量。
[0075]
其中，将所述石油预测相关数据排列为输入向量后通过包含多个全连接层的深度神经网络模型以得到石油预测相关深度特征向量，包括：使用所述深度神经网络模型的多个全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位
置的特征值的高维隐含特征，其中，所述公式为：其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。
[0076]
具体地，在步骤150中，对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵。进一步地，对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码，以此来融合所述石油预测相关数据中各个参数数据项的协同关联性特征和所述突发事件的文本上下文语义特征，从而得到具有这两者的关联性特征分布信息的事件相关石油预测特征矩阵。
[0077]
其中，对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵，包括：以如下公式对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵；其中，所述公式为：
[0078][0079]
其中v1表示所述突发事件语义理解特征向量，表示所述突发事件语义理解特征向量的转置向量，表示所述石油预测相关深度特征向量，m表示所述事件相关石油预测特征矩阵，表示向量相乘。
[0080]
具体地，在步骤160中，对所述事件相关石油预测特征矩阵进行特征分布调制以得到调制后事件相关石油预测特征矩阵。图6为根据本技术实施例的基于人工智能的石油安全智能推演方法中步骤160的子步骤的流程图，如图6所示，对所述事件相关石油预测特征矩阵进行特征分布调制以得到调制后事件相关石油预测特征矩阵，包括：161，将所述事件相关石油预测特征矩阵展开为事件相关石油预测特征向量；162，对所述事件相关石油预测特征向量进行正定赋范空间的几何约束重参数化以得到调制后事件相关石油预测特征向量；以及，163，对所述调制后事件相关石油预测特征向量进行维度重构以得到所述调制后事件相关石油预测特征矩阵。
[0081]
特别地，在本技术的技术方案中，这里，对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵时，考虑到所述突发事件语义理解特征向量表示突发事件的文本描述的上下文文本语义特征，而所述石油预测相关深度特征向量表示石油预测相关数据的加权关联特征，其间的逐位置特征关联将具有较大的不一致性，因此，对于通过关联编码得到的所述事件相关石油预测特征矩阵来说，其整体特征分布存在离散化的问题，从而使得所述事件相关石油预测特征矩阵在通过解码器进行解码回归时相对于预定目标解码值的收敛性差，这样，就会影响解码器的训练速度和解码值的准确性。
[0082]
因此，在本技术的技术方案中，首先将所述事件相关石油预测特征矩阵展开为事件相关石油预测特征向量，再对所述事件相关石油预测特征向量，例如记为v进行正定赋范空间的几何约束重参数化，也就是，对所述事件相关石油预测特征向量进行正定赋范空间的几何约束重参数化以得到调制后事件相关石油预测特征向量，包括：以如下公式对所述事件相关石油预测特征向量进行正定赋范空间的几何约束重参数化以得到所述调制后事件相关石油预测特征向量；其中，所述公式为：
[0083][0084]
其中，v是所述事件相关石油预测特征向量，v
t
是所述事件相关石油预测特征向量的转置向量，vi和vi′
分别是所述事件相关石油预测特征向量和所述调制后事件相关石油预测特征向量的第i个位置的特征值，且v是行向量形式，μ和
[0085]
σ是所述优化特征向量的各个位置特征值集合的均值和方差，表示向量的二范数的平方，||
·
||f表示矩阵的frobenius范数，exp(
·
)表示计算以数值为幂的自然指数函数值。
[0086]
这里，所述事件相关石油预测特征向量v的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系，通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影，来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性，以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间。这样，就提高所述事件相关石油预测特征向量v整体的特征分布在解码回归域内相对于目标解码值的收敛性，从而提升了解码器的训练速度和解码值的准确性。这样，能够基于实际突发事件情况来对于产油国的石油输出值进行精准预测，从而保证石油安全。
[0087]
具体地，在步骤170中，将所述调制后事件相关石油预测特征矩阵通过解码器以得到解码值，所述解码值用于表示影响的产油国输出。接着，再将所述事件相关石油预测特征矩阵作为解码特征矩阵通过解码器中进行解码回归，以得到用于表示影响的产油国输出的解码值。也就是，以所述石油预测相关数据中各个参数数据项的协同关联性特征和所述突发事件的文本上下文语义特征间的关联性特征分布信息来进行解码回归来对于产油国的输出值进行精准预测，从而保证石油安全。
[0088]
其中，将所述调制后事件相关石油预测特征矩阵通过解码器以得到解码值，所述解码值用于表示影响的产油国输出，包括：使用所述解码器以如下公式对所述调制后事件相关石油预测特征矩阵进行解码回归以得到所述解码值；其中，所述公式为：
[0089]
其中md表示所述调制后事件相关石油预测特征矩阵，y表示解码值，w表示权重矩阵，b表示偏置向量，表示矩阵乘。
[0090]
综上，基于本技术实施例的基于人工智能的石油安全智能推演方法100被阐明，其获取石油预测相关数据和突发事件的文本描述；采用基于深度学习的人工智能技术，挖掘所述石油预测相关数据的各个参数数据的关联特征和所述突发事件的文本语义理解特征间的关联性特征分布信息，以此来精准地对于产油国的输出量进行预测，保证石油的安全。
[0091]
在本技术的一个实施例中，图7为根据本技术实施例的基于人工智能的石油安全智能推演系统的框图。如图7所示，根据本技术实施例的基于人工智能的石油安全智能推演系统200，包括：数据获取模块210，用于获取石油预测相关数据，其中，所述石油预测相关数据包括石油储产销贸价数据、石油运输数据、海运安全数据、待预测国家的gdp数据、所述被预测国家的各个省份的社会经济数据、汽车量和石油产量以及所述被预测国家的多家加油站数据；文本描述获取模块220，用于获取突发事件的文本描述；上下文编码模块230，用于将所述突发事件的文本描述通过包含词嵌入层的上下文编码器以得到突发事件语义理解
特征向量；深度编码模块240，用于将所述石油预测相关数据排列为输入向量后通过包含多个全连接层的深度神经网络模型以得到石油预测相关深度特征向量；
[0092]
关联编码模块250，用于对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵；特征分布调制模块260，用于对所述事件相关石油预测特征矩阵进行特征分布调制以得到调制后事件相关石油预测特征矩阵；以及，解码模块270，用于将所述调制后事件相关石油预测特征矩阵通过解码器以得到解码值，所述解码值用于表示影响的产油国输出。
[0093]
在一个具体示例中，在上述基于人工智能的石油安全智能推演系统中，所述上下文编码模块，包括：分词单元，用于对所述突发事件的文本描述进行分词处理以将所述突发事件的文本描述转化为由多个词组成的词序列；映射单元，用于使用所述包含词嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，语义编码单元，用于使用所述包含词嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述突发事件语义理解特征向量。
[0094]
在一个具体示例中，在上述基于人工智能的石油安全智能推演系统中，所述语义编码单元，包括：排列子单元，用于将所述词向量的序列进行一维排列以得到全局突发事件特征向量；计算子单元，用于计算所述全局突发事件特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化处理子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；激活子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，加权子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述突发事件语义理解特征向量。
[0095]
在一个具体示例中，在上述基于人工智能的石油安全智能推演系统中，所述深度编码模块，用于：使用所述深度神经网络模型的多个全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是输入向量，y是输出向量，w是权重矩阵，
[0096]
b是偏置向量，表示矩阵乘。
[0097]
在一个具体示例中，在上述基于人工智能的石油安全智能推演系统中，所述关联编码模块，用于：以如下公式对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵；其中，所述公式为：
[0098][0099]
其中v1表示所述突发事件语义理解特征向量，表示所述突发事件语义理解特征向量的转置向量，vc表示所述石油预测相关深度特征向量，m表示所述事件相关石油预测特征矩阵，表示向量相乘。
[0100]
在一个具体示例中，在上述基于人工智能的石油安全智能推演系统中，所述特征分布调制模块，包括：矩阵展开单元，用于将所述事件相关石油预测特征矩阵展开为事件相关石油预测特征向量；参数化单元，用于对所述事件相关石油预测特征向量进行正定赋范空间的几何约束重参数化以得到调制后事件相关石油预测特征向量；以及，维度重构单元，
用于对所述调制后事件相关石油预测特征向量进行维度重构以得到所述调制后事件相关石油预测特征矩阵。
[0101]
在一个具体示例中，在上述基于人工智能的石油安全智能推演系统中，所述参数化单元，用于：以如下公式对所述事件相关石油预测特征向量进行正定赋范空间的几何约束重参数化以得到所述调制后事件相关石油预测特征向量；其中，所述公式为：
[0102][0103]
其中，v是所述事件相关石油预测特征向量，v
t
是所述事件相关石油预测特征向量的转置向量，vi和vi″
分别是所述事件相关石油预测特征向量和所述调制后事件相关石油预测特征向量的第i个位置的特征值，且v是行向量形式，μ和
[0104]
σ是所述优化特征向量的各个位置特征值集合的均值和方差，表示向量的二范数的平方，||
·
||f表示矩阵的frobenius范数，exp(
·
)表示计算以数值为幂的自然指数函数值。
[0105]
在一个具体示例中，在上述基于人工智能的石油安全智能推演系统中，所述解码模块，用于：使用所述解码器以如下公式对所述调制后事件相关石油预测特征矩阵进行解码回归以得到所述解码值；
[0106]
其中，所述公式为：其中md表示所述调制后事件相关石油预测特征矩阵，y表示解码值，w表示权重矩阵，b表示偏置向量，表示矩阵乘。
[0107]
这里，本领域技术人员可以理解，上述基于人工智能的石油安全智能推演系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的基于人工智能的石油安全智能推演方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0108]
如上所述，根据本技术实施例的基于人工智能的石油安全智能推演系统100可以实现在各种终端设备中，例如用于基于人工智能的石油安全智能推演的服务器等。在一个示例中，根据本技术实施例的基于人工智能的石油安全智能推演系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于人工智能的石油安全智能推演系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于人工智能的石油安全智能推演系统100同样可以是该终端设备的众多硬件模块之一。
[0109]
替换地，在另一示例中，该基于人工智能的石油安全智能推演系统100与该终端设备也可以是分立的设备，并且基于人工智能的石油安全智能推演系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0110]
本技术还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
[0111]
在本技术的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
[0112]
应可以理解，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁
盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0113]
本技术实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
[0114]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
[0115]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
[0116]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0117]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0118]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0119]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0120]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0121]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实
施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种基于人工智能的石油安全智能推演方法，其特征在于，包括：获取石油预测相关数据，其中，所述石油预测相关数据包括石油储产销贸价数据、石油运输数据、海运安全数据、待预测国家的gdp数据、所述被预测国家的各个省份的社会经济数据、汽车量和石油产量以及所述被预测国家的多家加油站数据；获取突发事件的文本描述；将所述突发事件的文本描述通过包含词嵌入层的上下文编码器以得到突发事件语义理解特征向量；将所述石油预测相关数据排列为输入向量后通过包含多个全连接层的深度神经网络模型以得到石油预测相关深度特征向量；对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵；对所述事件相关石油预测特征矩阵进行特征分布调制以得到调制后事件相关石油预测特征矩阵；将所述调制后事件相关石油预测特征矩阵通过解码器以得到解码值，所述解码值用于表示影响的产油国输出。2.根据权利要求1所述的基于人工智能的石油安全智能推演方法，其特征在于，将所述突发事件的文本描述通过包含词嵌入层的上下文编码器以得到突发事件语义理解特征向量，包括：对所述突发事件的文本描述进行分词处理以将所述突发事件的文本描述转化为由多个词组成的词序列；使用所述包含词嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；使用所述包含词嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述突发事件语义理解特征向量。3.根据权利要求2所述的基于人工智能的石油安全智能推演方法，其特征在于，使用所述包含词嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述突发事件语义理解特征向量，包括：将所述词向量的序列进行一维排列以得到全局突发事件特征向量；计算所述全局突发事件特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述突发事件语义理解特征向量。4.根据权利要求3所述的基于人工智能的石油安全智能推演方法，其特征在于，将所述石油预测相关数据排列为输入向量后通过包含多个全连接层的深度神经网络模型以得到石油预测相关深度特征向量，包括：
使用所述深度神经网络模型的多个全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。5.根据权利要求4所述的基于人工智能的石油安全智能推演方法，其特征在于，对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵，包括：以如下公式对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵；其中，所述公式为：其中v1表示所述突发事件语义理解特征向量，表示所述突发事件语义理解特征向量的转置向量，v
c
表示所述石油预测相关深度特征向量，m表示所述事件相关石油预测特征矩阵，表示向量相乘。6.根据权利要求5所述的基于人工智能的石油安全智能推演方法，其特征在于，对所述事件相关石油预测特征矩阵进行特征分布调制以得到调制后事件相关石油预测特征矩阵，包括：将所述事件相关石油预测特征矩阵展开为事件相关石油预测特征向量；对所述事件相关石油预测特征向量进行正定赋范空间的几何约束重参数化以得到调制后事件相关石油预测特征向量；对所述调制后事件相关石油预测特征向量进行维度重构以得到所述调制后事件相关石油预测特征矩阵。7.根据权利要求6所述的基于人工智能的石油安全智能推演方法，其特征在于，对所述事件相关石油预测特征向量进行正定赋范空间的几何约束重参数化以得到调制后事件相关石油预测特征向量，包括：以如下公式对所述事件相关石油预测特征向量进行正定赋范空间的几何约束重参数化以得到所述调制后事件相关石油预测特征向量；其中，所述公式为：其中，v是所述事件相关石油预测特征向量，v
t
是所述事件相关石油预测特征向量的转置向量，v
i
和v
i
′
分别是所述事件相关石油预测特征向量和所述调制后事件相关石油预测特征向量的第i个位置的特征值，且v是行向量形式，μ和σ是所述优化特征向量的各个位置特征值集合的均值和方差，表示向量的二范数的平方，||
·
||
f
表示矩阵的frobenius范数，exp（
·
）表示计算以数值为幂的自然指数函数值。8.根据权利要求7所述的基于人工智能的石油安全智能推演方法，其特征在于，将所述调制后事件相关石油预测特征矩阵通过解码器以得到解码值，所述解码值用于表示影响的产油国输出，包括：使用所述解码器以如下公式对所述调制后事件相关石油预测特征矩阵
进行解码回归以得到所述解码值；其中，所述公式为：其中m
d
表示所述调制后事件相关石油预测特征矩阵，y表示解码值，w表示权重矩阵，b表示偏置向量，表示矩阵乘。9.一种基于人工智能的石油安全智能推演系统，其特征在于，包括：数据获取模块，用于获取石油预测相关数据，其中，所述石油预测相关数据包括石油储产销贸价数据、石油运输数据、海运安全数据、待预测国家的gdp数据、所述被预测国家的各个省份的社会经济数据、汽车量和石油产量以及所述被预测国家的多家加油站数据；文本描述获取模块，用于获取突发事件的文本描述；上下文编码模块，用于将所述突发事件的文本描述通过包含词嵌入层的上下文编码器以得到突发事件语义理解特征向量；深度编码模块，用于将所述石油预测相关数据排列为输入向量后通过包含多个全连接层的深度神经网络模型以得到石油预测相关深度特征向量；关联编码模块，用于对所述突发事件语义理解特征向量和所述石油预测相关深度特征向量进行关联编码以得到事件相关石油预测特征矩阵；特征分布调制模块，用于对所述事件相关石油预测特征矩阵进行特征分布调制以得到调制后事件相关石油预测特征矩阵；解码模块，用于将所述调制后事件相关石油预测特征矩阵通过解码器以得到解码值，所述解码值用于表示影响的产油国输出。10.根据权利要求9所述的基于人工智能的石油安全智能推演系统，其特征在于，所述上下文编码模块，包括：分词单元，用于对所述突发事件的文本描述进行分词处理以将所述突发事件的文本描述转化为由多个词组成的词序列；映射单元，用于使用所述包含词嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；语义编码单元，用于使用所述包含词嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述突发事件语义理解特征向量。

技术总结
本发明公开了一种基于人工智能的石油安全智能推演系统及其方法，涉及智能化推演技术领域，其获取石油预测相关数据和突发事件的文本描述；采用基于深度学习的人工智能技术，挖掘所述石油预测相关数据的各个参数数据的关联特征和所述突发事件的文本语义理解特征间的关联性特征分布信息，以此来精准地对于产油国的输出量进行预测，保证石油的安全。保证石油的安全。保证石油的安全。


技术研发人员：王永志 王安建 代涛 赵黎冬 王嘉翔
受保护的技术使用者：吉林大学
技术研发日：2023.03.21
技术公布日：2023/7/20