EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 6: 1252 - 1266

DOI: https://doi.org/10.12082/dqxxkx.2023.210631

Construction of Ship Activity Knowledge Graph Using Trajectory Semantics

  • LIU Jianxiang ,
  • CHEN Xiaohui , * ,
  • LIU Haiyan ,
  • ZHANG Bing ,
  • XU Li ,
  • LIU Tao ,
  • FU Yumeng
Expand
  • School of Data and Target Engineering, PLA Strategic Support Force Information Engineering University, Zhengzhou 450001, China
*CHEN Xiaohui, E-mail:

Received date: 2021-10-10

  Revised date: 2021-12-17

  Online published: 2023-06-02

Supported by

National Natural Science Foundation of China(41801313)

National Natural Science Foundation of China(41901397)

Fold

Abstract

With the deepening of global economic integration, maritime traffic congestion and ship accidents occur frequently. In order to supervise and analyze the marine ship activities, the traditional methods mainly use the ship positioning data for data mining without combining other marine multi-source data for the analysis of ship spatiotemporal activity process and behavior pattern, and thus lack deep knowledge mining. Therefore, this paper makes comprehensive use of multi-source data and constructs the ship activity knowledge map based on extracting the semantic information of trajectory, which provides an effective way for the transformation of trajectory spatiotemporal point sequence with low knowledge density to high-order semantic knowledge. Specifically, firstly, by analyzing the characteristics and constituent elements of ship activities, the ontology layer of ship activity knowledge map is designed based on the core idea of "process-event-behavior"; Then, the track semantic information is extracted by Stop/Move model, and the ship emergencies are extracted by DMCNN model to complete the filling of instance layer; Finally, the above model and method are verified by constructing a prototype system. The results show that the ship activity knowledge map constructed in this paper can support the knowledge representation of ship routine activities and emergencies, and realize spatiotemporal activity query and backtracking, so as to achieve the effect of semantic enhancement, which has a certain application value.

Key words： Simple Event Model; Stop/Move model; activity knowledge graph; maritime ship incident; DMCNN; AIS; spatio-temporal backtracking

Cite this article

LIU Jianxiang , CHEN Xiaohui , LIU Haiyan , ZHANG Bing , XU Li , LIU Tao , FU Yumeng . Construction of Ship Activity Knowledge Graph Using Trajectory Semantics[J]. Journal of Geo-information Science, 2023 , 25(6) : 1252 -1266 . DOI: 10.12082/dqxxkx.2023.210631

1 引言

随着全球经济一体化的深入推进，船舶数量近年来持续增长，海上船舶活动日益频繁，海上船舶事故时有发生[1]。为了保障海上交通安全高效运转，各国海事主管机构和海岸防卫部门联合建立了全球船舶自动识别和海上交通监控系统（Automatic Identification System，AIS），以增强用户对全球海上交通的综合态势感知能力[2]，运行30年来，AIS积累了海量的船舶定位数据。同时，还有船讯网[3]、沸腾环贸[4]等与海上交通事件有关的公开数据源。这些数据源为海上交通管理提供了巨大的数据驱动型技术创新空间。
许多研究人员尝试将大数据分析技术应用于船舶轨迹分析，助力海上交通监控与管理向智能化发展。传统的方法主要利用船舶定位数据挖掘船舶的常规活动，未结合其他海上多源事件数据深入分析船舶的突发事件和事故，缺少深层次地知识挖掘。因此，如何利用人工智能等前沿技术加强海上交通监控与管理，对船舶轨迹数据和海上多源事件数据挖掘提出了新的需求和挑战。现有的研究中，主要是根据船舶轨迹数据挖掘语义信息，进行船舶活动行为分析[5]。除此之外，一些学者从船舶事件数据出发，研究基于事件分析的船舶活动规律[6]。但是，描述船舶事件的模型以事件为基本单位，并不能表达某一次航行活动过程和船舶的基本行为，然而，为了深入分析船舶事件发生的原因和更为完整地表达船舶活动，往往需要结合船舶航海过程中的所有事件集以及事件发生前后的船舶行为信息，比如，发生撞船事件前后，船舶有无减速行为；发生沉船事件之前，有无碰撞事件。因此，构建一个能刻画船舶航行过程和行为模式的概念模型，是非常有必要的。
海上船舶活动的轨迹数据具有时空特性，基于轨迹时空数据进行建模可以表达船舶航行的时空活动规律。现有的时空数据模型(Spatio-temporal Data Model，STDM)主要可以分为以下4种：面向对象的[7⇓⇓⇓⇓⇓-13]、基于事件的[14⇓⇓-17]、面向过程的[18⇓-20]与基于图论的[21⇓-23]时空数据模型等。面向对象的时空数据模型能够表征时空对象的历史变化，但是难以表达变化过程中的时空对象之间的关系；基于事件的时空数据模型可以更加清晰表达时空变化过程，但是没有更好地体现事件对对象时空变化的驱动性；面向过程的时空数据模型主要表现了时空过程变化的顺序关系和逻辑关系，但在表现变化的因果关系方面有待提高；基于图论的时空数据模型增强了时空变化拓扑语义和因果关系表达，比较适合离散时空变化过程，但表现连续变化需要进一步研究。由于海上船舶时空活动的航迹不固定、船舶事件具有突发性、连续性、相关性等特点，上述时空数据模型难以完整描述船舶时空活动的整个事件和过程。
此外，对船舶活动事件的建模可以基于一般的事件模型进行。目前，学术界用于描述事件模型的有基于概念的事件模型和基于属性的事件模型。其中，基于概念的事件模型主要有SEM（Simple Event Model）模型[24]、EO（Event Ontology Model）模型[25]和CIDOC-CRM（CIDOC Conceptual Reference Model）模型[26]。Hage等[24]提出的SEM本体模型通过定义类、属性和约束来表示和推理事件，其核心类包括事件（Event）、参与者（Actor）、地点（Place）和时间（Time），旨在提升模型的通用性，其他事件均可在此基础上扩充。EO是基于概念的轻量级小型本体，EO的设计非常简单，由4个类(Event和3个隐式类Agent, Factor和Product)和17个属性组成。EO定义最小事件，并依赖外部词汇表来细化所表达的知识，与SEM相同的是，进行了模块化设计，因此灵活度较高，但是，EO没有显式的Actor和Place类。CIDOC-CRM是基于概念的大型本体，没有形式上的限制。它包含140个类和144个属性。其中的一个子集可以用来表示事件。SEM对CIDOC-CRM模型进行了泛化，并添加了View表示。基于属性的事件模型有LODE模型(Linking Open Descriptions of Events)[27]，LODE是基于属性的轻量级本体，包含一个类(Event)和6个属性(atTime、circa、 inSpace、atPlace、involved和involvedAgent)。与EO一样，LODE没有显式的Actor和Place类。相比LODE模型，SEM对事件也提供轻量级描述的元素，但不引入容易导致不一致的强语义定义，此外，SEM利用types、constraints和authority更好地接入外部数据。之后Hage基于SEM模型对船舶轨迹进行建模识别出船舶的事件[6]，实现了从船舶轨迹数据到船舶事件语义信息的转化。但是仅仅基于SEM模型提取的事件，只能描述出船舶的常规事件，仍然不能将船舶活动过程和行为之间的关系表达出来。
传统的船舶活动分析大都是基于轨迹数据进行挖掘，没有结合其他多源的数据，如描述事件的文本数据，但是文本数据中包含了丰富的信息，包括船舶事故、海盗等事件详情。如果可以利用事件抽取的方法，将文本数据进行解析，并且与轨迹数据一同分析，这将会更加完善地表达船舶活动，而构建知识图谱(Knowledge Graph)[28]就是一种融合多源数据信息的有效方式。人工智能领域的知识图谱能表示事物活动过程和对象关系，为解决上述问题提供了一个新的视角，将船舶对象、事故和整个航行过程全部结合起来。构建海上船舶活动知识图谱对船舶活动进行分析，有助于追溯船舶航行的活动过程，挖掘船舶事故发生的原因。领域知识图谱的构建有自顶向下、自底向上和二者结合的等多种方法，近年构建自然灾害应急知识图谱[29]和旅游知识图谱[30]等大都使用自顶向下和自底向上相结合的方法，本文拟构建的船舶活动知识图谱，属于地理领域类知识图谱，在“地理数据爆炸但地理知识贫乏”[31]这一难题的背景下，将船舶活动的时空数据构建成更加符合人类认知的知识图谱显得尤为重要。在地理类知识图谱构建的领域内，文献[32]-[35]均进行了深度思考并给出了有效解决方案，基于“过程-关系”[36]的地理知识图谱表示方法能够很好地表示实体的活动过程。本文考虑SEM模型的适用性，将基于SEM模型进行知识图谱模式层的设计，同时考虑船舶活动数据的实际情况，需要根据数据字段来设计图谱中实体的属性，即采用自顶向下和自底向上相结合的方法构建船舶活动知识图谱。
综上，针对现有的方法不能表达船舶活动的问题，本文以船舶活动轨迹数据和船舶活动事件数据为数据源，以活动知识图谱作为船舶活动数据的组织模型，结合时空过程模型和SEM模型，进行船舶活动知识图谱本体层设计，从而描述船舶活动的过程、事件和行为等高级轨迹语义信息，而后结合轨迹数据和事件数据等对船舶活动知识图谱实例层进行填充，并进行实验验证。

2 船舶活动的特征、分类和组成要素

海上船舶活动相比其他类型的活动具有比较鲜明的特征，如分散性、周期性、可预测性和邻近性等，本文将船舶活动按照不同分类方式划分船舶活动类型，并通过分析海上活动要素的构成，将船舶活动要素构建成船舶活动知识图谱，可以将船舶活动的低阶特征信息变成高阶语义知识，有助于船舶海上交通监控、船舶海上事件分析等。

2.1 船舶活动特征

活动是由共同目的联合起来并完成一定社会职能的行为的总和。活动由目的、动机、行为和共同性构成，具有完整的结构系统。
本文定义船舶活动主要指船舶在海上航行过程中为了共同目的的船舶行为的总和，由活动目的、船舶事件、船舶行为和共同性构成。船舶活动具有以下特征：
（1）空间分散性：由于船舶活动没有交通网的限制，活动范围和轨迹会相对陆地更为自由，因而船舶活动具有空间分散特征。
（2）时序周期性：船舶活动的时间与海洋环境密切相关，海上气候的周期性会影响船舶活动的时间也具有周期性。
（3）行为可预测性：船舶的体积较大，因此船舶活动不会出现跳跃、突然旋转等行为，且船舶活动通常会有一定的航线限制，这样船舶活动的轨迹就具有一定的可预测性。
（4）活动邻近性：由于海上环境复杂，礁石，海冰等容易造成海上事故，因而船舶航行会选择安全的航线，同一航线的船舶活动会具有邻近性。

2.2 船舶活动分类

根据不同的分类方式，可以将船舶活动分为不同的类型。
（1）根据船舶活动性质不同，可以将船舶活动分为军事船舶活动和民事船舶活动2大类。由于本文主要研究民事船舶活动，本文只对民事船舶活动再次进行分类。
（2）根据船舶活动目的不同，可以将船舶活动分为运输活动、海上工程活动、海上工作活动、捕捞活动、救援活动等，其中运输活动还可以再分为客运活动和货运活动；海上工程活动主要指挖泥、打捞、起重和资源开采等活动；海上工作活动主要指引航、拖行、开道、供应和考察等活动。
（3）根据船舶活动海域不同，可以将船舶活动分为内海活动、领海活动和公海活动。其中内海活动指船舶在划定的领海宽度基线以内的海域进行活动，领海活动指船舶在基线向外延伸一定宽度的海域进行活动，公海活动指船舶在一国领海外边缘到其他国家领海外边缘之间的海域进行活动。
（4）根据船舶活动行为不同，可以将船舶活动分为航行活动、停泊活动、作业活动和事故避险活动。其中航行活动指船舶在海上做方向性的漂移运动，停泊活动指船舶靠于码头、泊于锚地或系于浮筒时的行为，作业活动指船舶在实施工程作业和进行海上工作时的行为，事故避险活动指船舶在发生突发事故后，临时主动采取的行为。

2.3 船舶活动组成要素

基于上述船舶活动特征和分类情况，一般的活动组成要素（时间、空间、主体、情景）不能满足描述船舶活动的需求。本文考虑到船舶航行过程和行为模式表达的需求，提出基于“过程-事件-行为”思想将船舶活动分3个粒度递进的层次进行表达：
（1）过程要素(Process)：描述船舶从港口出发直到抵达下一个港口的一次海上航行过程，包括船舶的出发地(Place of Departure)、目的地(Destination)、出发时间(Departure Time)、到达时间(Arrival Time)和船舶主体(Actor)等信息。
（2）事件要素（Event）：描述船舶活动过程中发生的常规事件和突发事件，包括事件的主体 (Actor)、事件开始时间(Time of Start)、事件结束时间（Time of End）、事件开始地点（Place of Start）和事件结束地点（Place of End）等信息。
（3）行为要素(Action)：描述船舶活动过程中基础的行为(如移动和锚定)，包括行为的主体（Actor)、时间(Time)和地点(Place)等信息。
船舶的航行过程包含(contain)了一系列的船舶行为，船舶在航行过程中发生的事件也包含 (contain)了一系列的船舶行为，船舶事件之间存在因果关系(cause)，船舶行为之间存在顺承关系 (followed)。船舶活动的组成要素如图1所示。
图1 船舶活动组成要素

Fig. 1 Elements of ship activities

3 基于SAM模型的船舶活动知识图谱本体构建

知识图谱模式层的设计依靠本体模型的设计来完成，SEM模型是一个通用的事件本体模型，由核心类(Core Classes)、类型系统(Type System)和属性约束(Property Constraints)构成，核心类包括：sem:Event(发生的事件)、sem:Actor(参与者)、sem:Place(何地)、sem:Time(何时)，每个核心类对应有其相关的类型sem:Type，且通常从其他字典引入，例如sem:Place“Beijing”的sem:PlaceType“capital”可以从地名词典TGN(Thesaurus of Geographical Names)中引入。由于SEM模型不能完整表达船舶过程和行为，因此需要结合船舶活动要素进一步扩充。
本文利用SEM模型的类型系统和属性约束规则，采用本体描述语言（Web Ontology Language,OWL）补充概念体系、实体类和实体关系，设计出包括过程-事件-行为的船舶活动本体模型（Ship Activity Model, SAM）。

3.1 基于SAM模型的船舶活动知识图谱本体构建方法

由于船舶活动多源数据缺少规范和标准，难以实现自动构建本体，因此本文主要依靠手工构建船舶活动知识图谱本体模型，具体的方法是基于SAM本体模型，采用七步法构建船舶活动知识图谱本体。七步法主要用于领域本体的构建，具体步骤为：
（1）明确范围。梳理海上船舶活动的大部分核心概念，并搜集船舶活动数据源，如AIS数据和海上事故、海盗事件数据。
（2）考虑重用。本文重用了SEM本体表达船舶事件，重用了OWL术语补充船舶活动的概念体系、实体类和实体关系，重用了W3C WGS84术语表达实体的经纬度信息。
（3）列举术语。根据船舶活动要素、船舶活动分类以及船舶事件的分类归纳出大部分术语，并通过数据属性情况总结一部分术语。
（4）定义类。本文使用自顶向下和自底向上相结合的方式，定义了船舶活动3大核心类（过程- 事件-行为），并通过船舶活动分类和海上事件属性分类对核心类进行了细分。
（5）定义属性。本文定义了3种属性：核心实体属性、类型属性和其他属性，核心实体属性将核心实体之间互相关联，类型属性将每一个核心实体与类相关联，其他属性用于表达数据源、时间戳等信息。
（6）定义约束。本文延用SEM模型中的约束规则，通过sem:Role定义实体的角色，sem:Temporary定义具有外部依赖性的类型，sem:View定义观点，并通过sem:accordingTo与sem:Authority关联。
（7）创建实例。结合船舶活动的分类和船舶事件的分类情况创建类的实例，并直接作为实例的类型。

3.2 SAM本体模型的概念体系

对于海上交通监控而言，对同一次航行过程的不同事件进行分析和挖掘，对于事件间的关联分析和溯源分析具有很重要的意义。现有SEM模型能够根据事件的参与者sem:Actor将船舶事件与同一艘船进行关联，但不能确定是否为同一次出行过程中的事件。本文新增过程实体类sam:Process可以实现这一需求。
SAM模型包括6个核心概念，如图2所示。
图2 船舶活动模型关系

Fig. 2 Ship Activity Model relationship

（1）Process：即过程，表示船舶从港口出发直到抵达下一个港口的一次海上航行过程。
（2）Event：即事件，表示海上船舶状态发生变化的原因，包括自然灾害事件、海上意外事故和其他事故。
（3）Actor：即参与者，表示参与事件的主体，即船舶。
（4）Place：即地点，表示具有空间位置的实体，如一个具体的地点名字或者经纬度。
（5）Time：即时间，表示具有时间特征的实体，如一个时间点或者一个时间段。
（6）Action：即行为，表示船舶活动更基础的动作，如起锚、移动(匀速、加速和减速)和锚定。
本文的海上航行过程类型包括运输(客运与货运)、捕捞、巡航、护航等；本文根据船舶事件提取的途径不同，常规事件根据AIS语义信息提取，突发事件根据描述文本提取，将船舶事件分为常规事件和突发事件，常规事件包括出发、到达、停泊和停靠，突发事件又分为自然灾害事件、海上意外事故和海盗事件，其中自然灾害事件包括海啸、台风、海冰、风暴潮、海浪及其他的海上灾害事件；海上意外事故包括火灾、沉船、碰撞和人员伤亡等事故。船舶行为根据船舶的航行状态分为移动(匀速、加速和减速)、起锚和锚定。

3.3 SAM本体模型的关联关系

通过船舶航行过程的出发时间和到达时间，可以获取此时间段范围内的所有船舶事件和船舶行为之间的时序关系，但是单纯的时序关系往往对船舶活动的分析没有实际意义，因此需要进一步的语义关系表达。COVID-19病例活动知识图谱[37]中实体语义关系包括组成、因果、跟随和并发关系，借鉴上述语义关系的思想，本文描述船舶活动的实体关联关系主要分为3种（表1）：① 过程、事件和行为之间的包含关系；② 事件之间的因果关系；③ 行为之间的顺承关系。
表1 船舶活动语义关联关系

Tab. 1 Semantic association of ship activities

语义关系 SAM表达 主体 客体
包含关系 sam:hasAction 事件 行为
sam:hasEvent 过程 事件
因果关系 sam:cause 事件 事件
顺承关系 sam:followed 行为 行为
（1）contain：包含关系。① sem:Event(船舶事件)包含一系列的sam:Action(船舶行为)，例如船舶事件ex:departure(出发)包含船舶行为ex:weighAnchor(起锚)和ex:accelerate (加速)，这种关系在本文中用sam:hasAction表示；② sam:Process(航行过程)包含一系列的sem:Event(船舶事件)，例如一次船舶航行过程ex:transport(运输)包含了船舶事件ex:departure(出发)和ex:arrival(到达)，这种关系在本文中用sam:hasEvent表示。
（2）cause：因果关系，即某一船舶事件导致了另一船舶事件的发生。例如泰坦尼克号碰撞冰山的船舶事件ex:collision (碰撞)和ex:wreck (沉船)之间存在因果关系，这种关系在本文用sam:cause表示。
（3）followed：顺承关系，即2个船舶行为之间存在不能颠倒的先后关系。例如船舶行为ex:weighAnchor(起锚)在ex:accelerate (加速)之前完成，用sam:followed表示。

3.4 SAM本体模型的属性约束

SAM 模型属性包括3种： 核心实体属性、 类型属性和一些其他属性。 其中核心实体属性有 sam: processProperty、 sem: eventProperty 和 sam: actionProperty； 类型属性有 sem: typeProperty； 其他属性有 sem: accordingTo 和 sem: hasTimeStemp 的子属性。 核心实体属性将核心实体之间互相关联， 类型属性将每一个核心实体与 sem: type相关联， 并用相应的子属性进行表示以方便查询， 如sem: eventType。 而sem: accordingTo 用于关联 sem: View 和 sem: Authority 表示观点。 sem: hasTimeStemp 有7个子属性： 1个表示时间点 sem: hasTimeStemp， 2个表示时间间隔 sem: hasBeginTimeStemp 和 sem: hasEndTimeStemp， 4个表示不确定的时间间隔 sem: hasEarliestBeginTimeStamp、 sem: hasLatestBeginTimeStemp、 sem: hasEarliestEndTimeStamp 和 sem: hasLatestEndTimeStamp。
SAM模型的属性约束继承SEM模型的大部分规则，通过角色sem:Role定义实体的角色，如Actor(“pirate ship”)(海盗船)、Place(“Philippine occupation”)(菲律宾占领区)。sem:Temporary定义具有外部依赖性的类型，如护航编队中的主力舰(capital ship)是依赖护航编队才定义的，而角色sem:Role的定义不依赖外部条件，取决于实体之间的关系。sem:View定义了观点，通过sem:accordingTo与sem:Authority关联展示了上述属性约束的样例（图3），即2019年1月7日美国海军“麦克坎贝尔”号导弹驱逐舰（DDG-85）入侵中国西沙海域进行巡航。
图3 SAM模型中属性约束的样例

Fig. 3 An example of attribute constraint in SAM

4 船舶活动知识图谱实例层填充

根据SAM模型指导数据层的构建，包括实体、属性和关系的提取。数据来源是船舶自动识别系统AIS数据、“沸腾环贸”信息系统的事件数据、全球的港口信息数据。使用轨迹语义提取算法和空间计算方法进行实体与关系的提取。

4.1 海上船舶数据特征分析

本文的AIS数据是2021-01-01到2021-09-30的全球轨迹数据，近2.5亿条记录。AIS采用唯一识别码MMSI对船舶进行编码，包括船舶的静态数据信息和船舶的动态轨迹信息一共30个字段。本文使用的主要字段如下：船舶移动服务标识码、船舶名称、船舶类型名称、船舶装载货物类型、船舶类别、船舶长度、船舶宽度、船舶注册国、目的港、预计到达时间、船舶大类、船舶小类、船舶吃水、经度、纬度、航速、航行状态、数据来源、AIS动态位置更新时间和AIS静态更新时间。
“沸腾环贸”信息系统的事件数据是“沸腾环贸”网站上的海上事故列表和海盗事件列表的结构化数据，2021-01-01—2021-09-30共121条记录，海上事故列表包括10个字段：事故、类型、时间、地点、结果、SOLAS状态、涉及船舶、死亡/失踪数量、受伤数量、事故详情。海盗事件列表包括10个字段：日期、船名、IMO、纬度、经度、区域、国家、行动、结果、详情。
全球港口信息数据包括5737个港口，共9个字段：港口代码、港口名、所在国家、航线、经度、纬度、介绍。
上述数据具有如下特征：① 时序性。AIS轨迹数据和带有日期属性的事件数据均具有明显的时间序列特征，可以提取相应实体的时间属性和时序关系。② 空间相关性。AIS轨迹数据、事件数据和港口数据均有明确的经度和纬度信息，其空间相关性可以通过空间计算来提取。因此，上述数据的时序性可以辅助提取船舶活动实体的时序关系，空间相关性可以辅助船舶活动实体的提取。

4.2 船舶活动轨迹语义提取

由于AIS轨迹数据的组织形式是时空点序列，其语义信息较弱，为了挖掘这些时空点序列数据隐藏的信息与知识，Spaccapietra等[38]提出了Stop/Move模型，以候鸟迁徙轨迹数据为数据源，从时空点序列数据中提取出Stop/Move语义信息，轨迹序列点集合用T表示，stop(停留点)用轨迹点集合S表示，move(移动)用轨迹段集合M表示。
S = p i , p i + 1 , p i + 2 , ⋯ , p i + m - 1 , p i + m
M = < p s t a r t , p e n d >
式中： p i表示轨迹在某个时间段内空间位置基本不发生变化的轨迹点，停留在同一位置的轨迹点只取一个，所以 p i表示的轨迹点之间是离散的；S是T的子集， < p s t a r t和 p e n d表示stop和move的2个分界点。
将轨迹的时空点序列数据转换成上述的Stop/Move语义信息后，再与地理空间要素进行关联，可以挖掘出更高阶的语义知识。本文利用全球港口的位置点数据以及海域划分的面数据与Stop/Move的轨迹点/段集合的空间拓扑关系来提取二者之间的地理关联关系，即上述地理关联关系的提取可以利用点线面之间的拓扑关系来提取，如图4所示。
图4 船舶轨迹与地理要素的地理空间拓扑关系

Fig. 4 Geospatial topological relationship between ship trajectory and geographical elements

4.3 船舶活动实体及关联关系提取

船舶活动模式层定义的核心实体主要是Process（过程）、Event（事件）和Action（行为）、Place（地点)、Time（时间）和Actor（参与者,即船舶）。实体间的关系主要是3种语义关系：contain（包含关系）、cause（因果关系）和followed（顺承关系）。实体及其关联关系的抽取主要通过3个方法进行：① 根据结构化数据表的字段直接映射到实体和属性，根据字段之间的关联映射实体间的关系；② 利用轨迹的语义知识进行抽取，结合Stop/Move模型、港口位置数据和轨迹点的速度值，抽取船舶行为实体，并计算出船舶行为的时间，地点等；③ 从非结构化的文本数据中抽取事件元素和关联关系。

4.3.1 根据数据表的字段直接抽取。

船舶实体、港口实体及其属性的抽取是基于结构化数据直接映射的，船舶实体及属性根据AIS数据的船舶名称字段和其他静态属性字段映射抽取，港口实体及属性根据港口数据的港口名和其他属性字段映射抽取。sem:Event（船舶事件）包括常规事件和突发事件，突发事件的实体抽取依靠海上事故数据的accident（事故）字段和海盗数据的action（行动）字段进行映射；sem:Time（时间）从上述2个数据的time（时间）和date（日期）2个字段进行映射；sem:Place（地点)由海上事故数据的place（地点)和海盗数据的lat（纬度)、lon（经度）进行映射；sem:Actor（参与者）由海盗数据的ship_name（船名）字段进行映射，但是海上事故数据的Actor需要在本节第3种方法中从事故描述文本中进行实体抽取。

4.3.2 利用轨迹的语义知识进行抽取。

过程、事件、行为这3类核心实体是基于轨迹语义信息和地理关联关系提取的，具体方法是：首先将轨迹的时空点序列数据转化为Stop集合和Move集合，然后设计规则提取船舶过程、事件和行为实体，为了获取更加符合人类认知的知识，本文将Stop/Move集合与海域、港口的矢量数据进行地理拓扑关联关系的提取，从而得到“驶入”海域、“停靠”港口等关系。
（1）设计AE（Action Extract）算法对sam:Action（行为）实体进行抽取。将stop集合（S）与港口地点（P）进行距离计算，低于阈值（y1）的stop点（s1）可以认为是停靠点，这里涉及2个船舶行为：① 停靠港口之前的锚定行为（A1）；② 停靠之后的起锚行为（W1）。A1的时间继承s1的开始时间，W1的时间继承s1的结束时间。此外，计算move段集合（M）中各点的加速度（a），根据加速度的正负值判断船舶的加速、减速和匀速航行的行为。
算法1：AE (S,P)
1 A = {},W = {}, s 1 ⊂ S
2 if Distance(s1,P) < y1 then
3 ∃A1,W1
4 A1.Time = s1.Time_start
5 W1.Time = s1.Time_end
6 A1.Actor = W1.Actor = s1. Actor
7 A1.Place = W1. Place = s1.Place
8 return A1,W1
9 end
（2）设计EE（Event Extract）算法对sem:Event(事件)中的常规事件抽取：由时间间隔低于一定阈值(y2)的起锚行为(W2)和加速行为(Ac2)共同构成一个船舶出发事件(D2)，出发时间继承起锚行为的开始时间，出发地点继承起锚行为的地点；同样的，由时间间隔低于一定阈值（y2）的减速行为（De2）和锚定行为（A2)共同构成一个船舶到达事件（Ar2），到达时间继承锚定行为的结束时间，到达地点继承锚定行为的地点，即Ar2=EE（De2, A2）。
算法2：EE (W2, Ac2)
1 D = {}
2 if | W2.Time, Ac2.Time | < y2 then
3 ∃D2
4 D2.Time = W2.Time
5 D2.Place = W2. Place
6 D2.Actor = W2.Actor = Ac2. Actor
7 return D2
8 end
（3）设计PE（Process Extract）算法对sam:Process（过程)实体进行抽取：给每个出发事件（D3）向后匹配一个时间间隔最小，且有相同Actor的到达事件（Ar3），则共同构成一次航行过程（Pr3），出发时间和地点继承出发事件的出发时间和地点，到达时间和地点继承到达事件的结束时间和地点。
算法3：PE (D3,Ar)
1 Pr = {}2 if Ar3.Time - D3.Time is MIN and
3 Ar3.Actor = D3. Actor then ∃Pr3
4 Pr3.Time_start = D3.Time
5 Pr3.Place_start = D3. Place6 Pr3.Time_end = Ar3.Time7 Pr3.Place_end = Ar3. Place8 return Pr39 end

4.3.3 针对突发事件的文本数据，使用DMCNN[39]模型从文本中抽取事件元素和关联关系

DMCNN模型的输入特征是CWF（词嵌入）、PF（位置嵌入）和EF（事件类型嵌入），3个特征共同表达一个词特征，位置嵌入特征指的s是该词相对于触发词及候选论元的位置特征，事件类型特征实际上指的是触发词的类型。这样可以使得文本中的每个词在不同的事件中有了不同的特征。DMCNN模型的卷积层与寻常CNN一致，不同的是在池化的时候，DMCNN进行的是分段池化，其以触发词和候选论文为切分点，保证最后获得的句子级语义特征的独特性。DMCNN模型的分类层将上述词语级特征和句子级特征输入后，输出对应角色的分值。使用DMCNN模型从海上事故数据中的详情文本中抽取海上突发事件，其参数如表2所示。
表2 事件抽取指标

Tab. 2 Event extraction index

参数 DMCNN
trigger_p 0.866 688 610 928 241 9
trigger_r 0.856 752 432 155 657 7
trigger_f 0.857 154 804 574 158 9
对于模式层中定义的3种实体语义关联关系，主要通过实体的时间属性和描述文本来提取。 ① contain (包含关系)的提取。行为与事件之间的包含关系以及事件与过程之间的包含关系通过时间和空间属性来识别。对于同一艘船，如果船舶行为的开始时间与结束时间在该船舶的某一事件的开始时间和结束时间范围内，那么认为该船舶事件与船舶行为之间存在包含关系。船舶过程与船舶事件的包含关系同样也由开始时间和结束时间的包含关系确定。② cause（因果关系）的提取。因果关系主要是指2个突发类型的船舶事件之间的关系，对于属于同一船舶过程的船舶突发事件，通过对描述事件的文本进行自然语言处理，识别“导致”、“因为”、“所致”等触发词，从而建立突发船舶事件之间的因果关系。例如“碰撞冰山导致沉船”便能将船舶事件sam:collision（碰撞）与船舶事件sam:wreck（沉船）之间建立因果关系。③ followed(顺承关系)的提取。顺承关系主要指2个船舶行为之间存在不能颠倒的先后关系。利用属于同一船舶事件的船舶行为的时序关系，结合船舶航行常识，提取出船舶行为的顺承关系。例如船舶行为ex:weighAnchor(起锚)在ex:accelerate（加速）之前完成，二者之间存在顺承关系。

4.4 船舶活动知识图谱实例填充

本文采用自顶向下和自底向上相结合的方法构建船舶活动知识图谱，大部分本体的概念、属性和关系需要人工进行设计，但是实体的拓展属性可以依靠处理过后的结构化数据自动构建。另外实体的抽取只需要人工参与数据预处理，包括轨迹数据的清洗工作和文本数据的标柱工作，其他的图谱实体抽取过程中，可以自动化进行，事件文本中的实体和关系用DMCNN模型自动抽取，轨迹数据中的实体和关系通过语义轨迹模型和地理关联关系抽取的算法自动抽取，其他结构化的数据通过字段直接映射进行自动抽取。图谱的自动更新依靠增量策略自动实现新增、更新等操作。SAM本体模型是基于SEM模型专门针对船舶活动进行设计的，可以考虑推广用于表达其他的活动，具体推广的方法是在“过程-事件-行为” 3个核心实体的基础上，根据活动的其他要素进行补充。本体模型的更新一般来讲频率不高，本文针对船舶活动设计的本体模型比较简便通用，其概念实体的更新可以手动进行，属性的更新可以依据数据情况自动更新，更新策略就是读取数据属性字段进行更新。
船舶活动知识图谱的实例填充如图5和图6所示。图5展示船舶过程(sam:Process)实体关联的图谱实例：CHANGCHENG9HAO(长城9号)船舶运输过程ex:transport-x1于2021-08-10 15:49:01在Yangpu Port (洋浦港)出发，其包含了出发事件ex:departure-x和到达事件ex:arrival-x等船舶事件。
图5 船舶运输过程实例填充

Fig. 5 Sam:Process instance filling

图6 船舶事件与船舶行为实例填充

Fig. 6 Sam:Event and Sam:Action instance filling

上述长城9号的船舶事件又包含了一些船舶行为和事件的属性，如ex:departure-x (出发事件)包含了加速ex:accelerate-x和起锚ex:weigh anchor-x 2个行为，而这2个行为之间存在顺承关系，因为只有先进行起锚行为，才能进行加速行为（图6）。

5 实验验证

5.1 海上船舶知识图谱构建流程

以2020-01—2021-09的AIS数据和“沸腾环贸”海上事件数据作为船舶活动数据，以全球的港口位置数据和全球的海域面划分数据作为基础数据，将船舶活动的语义信息进行挖掘，抽取船舶行为、船舶事件和船舶过程等实体及实体间的关系，构建出船舶活动知识图谱，并应用于船舶活动的查询和可视化。本文使用Protégé构建本体层，用postgresql数据库管理AIS数据，利用python挖掘轨迹的语义信息，以及实体、实体关系的提取，并将知识图谱存储在Neo4j数据库中，利用react框架开发B/S前后端系统，主要用于图谱的概览、查询和可视化应用，如图7所示。基于本文的构建方法，最后构成知识图谱的实体有395 478个。
图7 船舶活动知识图谱应用系统开发流程

Fig. 7 Development process of ship activity knowledge atlas application system

5.2 海上船舶活动知识图谱应用系统概览

基于上述环境开发的船舶活动知识图谱系统，以船舶行为、船舶事件、船舶过程等实体及关系描述了船舶的一般航行活动和突发事件过程，能够对船舶活动进行轨迹分析、事件过程分析和船舶航行关联分析等，如图8所示。
图8 船舶活动知识图谱应用系统概览

Fig.8 Overview of ship activity knowledge atlas application system

5.3 船舶活动查询

船舶活动知识图谱的查询需求大致包括船舶常规活动的查询和突发事件的查询。
（1）常规船舶活动的查询
常规的船舶活动查询主要可以通过船舶名称、活动时间、活动地点等条件进行查询，本文在后端使用Cypher语句进行查询。例如查询船舶名称是CHANGCHENG9HAO(长城9号)的一艘船，近一个月(2021-08—2021-09)在南海海域的活动图谱情况，涉及Actor、Time和Place 3个条件的复合查询。查询结果如图9所示。从图谱中可以看出，长城9号船舶在2021-08-10 15:49:01从洋浦港(Yangpu port)出发，出发事件包括起锚(weigh anchor-10)和加速(accelerate-10) 2个行为，于2021-08-10 15:49:01驶回洋浦港。
图9 常规船舶活动查询结果

Fig. 9 Query results of regular ship activities

（2）突发船舶事件的查询
突发的船舶事件一般指自然灾害事件、海上意外事故和海盗事件。例如，2020-07-25一艘载有4 000 t燃油的巴拿马旗散货船Wakashio在从中国驶往巴西时在毛里求斯附近的礁石上搁浅，这艘散货船从船体裂缝。这是一次船舶搁浅事故，在查询其活动图谱时，根据船舶名称Wakashio以及事件的发生时间2020-07-25作为查询条件。查询结果如图10所示：Wakashio于2020-07-25在毛里求斯的PORT LOUIS (路易港)附近发生事件stranded-1(搁浅)，并在2020-08-15 16:30:00发生事件crack-1(断裂)。
图10 突发船舶事件查询结果

Fig. 10 Query results of ship emergencies

（3）船舶活动的时空查询
前两种查询都是在船舶对象已知的情况下，对船舶的活动进行查询，但现实中还会存在船舶对象未知的情况下，根据时间和空间信息来查询船舶活动。例如：2021-09-12在1°24.72′N，104°55.072′E附近，一艘油轮“Athenia”号遭遇海盗，现在需要查询此时段周围海域的船舶活动情况。这种情况下，图谱的查询条件是时间和空间。其查询结果如图11所示：2021-09-12在1°23.996N，104°55.978E附近，查询返回前10个船舶实体，有“MING SING”号、“SUNLY 11”号、“DSI1081”号、“MARINA 2211” 号、“PULAU MUNGGING”号、“PUTERI ZAMRUD”号、“AVENIR ADVANTAGE”号、“FERRAGAMO DOLPHIN”号、“DDKG2”号、“ASL ABADI 1”号，关联的船舶事件有停泊(berthed-x)，船舶过程有运输(transports-x)。
图11 船舶活动时空查询结果

Fig. 11 Spatio-temporal query results of Ship activity

5.4 船舶活动时空回溯

本文针对船舶活动的时空回溯主要依靠图谱查询结果和对应轨迹的可视化来完成。轨迹的可视化主要通过在地图中显示轨迹点的空间分布，并用箭头按时间顺序进行连接，便于用户查看原始轨迹的分布用以确认图谱表达轨迹语义的准确性。系统界面采用轨迹点的线绘制方法，将图谱查询返回结果中涉及的轨迹在地图中绘制出来，用于直观表达原始的真实数据。
（1）单船舶活动的时空回溯。如图12所示：查询长城9号在洋浦港附近的活动，于2021-08-10 15:49:01从洋浦港出发，于2021-09-06 01:10:57回到洋浦港，图谱与地图中的轨迹相吻合。
图12 单艘船舶活动时空回溯

Fig. 12 Time and space backtracking of single ship activity

（2）多船舶活动的时空回溯。在4.2节中，时空查询返回的结果涉及多艘船舶的轨迹，将其在地图中进行可视化，查询2021-09-12在1°24.72′N，104°55.072′E周围45海里范围内的船舶活动情况，将图谱返回结果中的前10艘船舶活动轨迹在地图中进行绘制，如图13所示。这种可视化方式直接对查询结果有一个直观可视化的展示，既验证了图谱的准确性，也便于进行后续的空间分析。
图13 多艘船舶活动时空回溯

Fig. 13 Time and space backtracking of multiple ship activities

6 结语

在海上船舶活动日益频繁和海上事故频发的背景下，构建船舶活动知识图谱对于管理和分析海上船舶活动具有重要意义。本文构建的船舶活动知识图谱，将多源数据提取的实体和关系融合在一起，可以更加高效地分析船舶活动，将助力海上船舶活动的监控和分析。因此构建知识图谱的价值在于智能搜索分析，传统的多源数据在做关联分析的时候，不仅耗时而且需要人脑参与，但是知识图谱可以将关联的实体与关系以语义网的形式展现，提高了搜索效率，更便于关联分析。例如本文4.3节中的突发船舶事件的查询，依靠传统的方法需要在数据库中检索出对应的事故新闻文本获取时间，地点，船舶名称，事故详情等信息，还需要查询对应的轨迹才能知道船舶从哪里来，执行什么任务，但是依靠本文知识图谱的方法，可以通过涉事船舶名称和时间，直接定位到要查询的事故，其关联的航行过程起点，终点，船舶事件，船舶行为等信息。
本文通过分析船舶活动的组成要素，基于SEM模型和“过程-事件-行为”的思想提出SAM船舶活动本体模型，并对包含、因果和顺承等语义关系进行了表示，从而表达了船舶的常规活动和突发事件等；利用AIS数据、“沸腾环贸”信息系统的事件数据、全球的港口信息数据，使用轨迹语义提取算法和空间计算方法进行实体与关系的提取，利用实体的时空属性特征提取出语义关联关系，进而构建了船舶活动知识图谱的数据层；最后基于Neo4j、node.js、react.js开发了船舶活动知识图谱应用系统，使用Cypher语句实现了图谱的查询，对查询结果和轨迹进行了可视化表达，并用于船舶活动的时空回溯。本文的主要贡献主要有：
（1）基于“过程-事件-行为”的思想，在SEM模型的基础上增加过程(Process)和行为(Action) 2个实体，提出SAM船舶活动本体模型，从船舶行为到航行过程较完整地表达了船舶在海上的活动行为。
（2）通过构建船舶活动知识图谱，实现了从轨迹点序列数据到活动知识图谱的转化，完成了从低阶数据信息中提取到高阶知识的任务。
在后续研究中，仍有很多工作需要继续进行：
（1）船舶行为的表达不够完整，本文目前只考虑了移动(匀速、加速和减速)、起锚和锚定这种是否移动的行为，未考虑航行方向等其他方面的船舶行为。
（2）本文构建了船舶活动知识图谱，但只做了简单的查询和可视化等应用，下一步工作需要对船舶活动知识图谱进行推理应用。
（3）由于AIS数据超大体量的特点，构建过程中，对于AIS数据语义信息提取的速度提升需要进一步研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Zhang Y, Yeung D Y. Overlapping community detection via bounded nonnegative matrix tri-factorization[C]// Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining. 2012:606-614. DOI:10.1145/2339530.2339629

DOI

[2]
Harati-Mokhtari A, Wall A, Brooks P, et al. Automatic Identification System (AIS): Data reliability and human error implications[J]. The Journal of Navigation, 2007, 60(3):373-389. DOI:10.1017/s0373463307004298

DOI

[3]
船讯网.[DB/OL].[2021-10-10]. http://www.shipxy.com/

[ Ship information network.[DB/OL]. [2021-10-10]. http://www.shipxy.com/ ]

[4]
沸腾环贸.[DB/OL].[2021-10-10]. http://www.gogotrade.info/

[Boiling ring trade.[DB/OL]. [2021-10-10]. http://www.gogotrade.info/ ]

[5]
赵斌, 韩晶晶, 史覃覃, 等. 语义轨迹建模与挖掘研究进展[J]. 地球信息科学学报, 2020, 22(4):842-856.

DOI

[ Zhao B, Han J J, Shi T T, et al. Advancements in Semantic Trajectory Modelling and Mining[J]. Journal of Geo-information Science, 2020, 22(4):842-856. ] DOI:10.12082/dqxxkx.2020.190257

DOI

[6]
Hage W, Malaise V, Vries G, et al. Abstracting and reasoning over ship trajectories and web data with the Simple Event Model (SEM)[J]. Multimedia Tools & Applications, 2012, 57(1):175-197. DOI:10.1007/s11042-010-0680-2

DOI

[7]
Worboys M, Hearnshaw H, Maguire D. Object-oriented data modelling for spatial databases[J]. International Journal of Geographical Information Systems, 1990, 4(4):369-383. DOI:10.1080/02693799008941553

DOI

[8]
Worboys M F. A unified model for spatial and temporal information[J]. Computer Journal, 1994, 37(1):34-36. DOI:10.1093/comjnl/37.1.26

DOI

[9]
Wachowicz M, Healey R. Towards temporality in GIS[M]// Innovations in GIS. CRC Press, 1994:118-129.

[10]
龚健雅. GIS中面向对象时空数据模型[J]. 测绘学报, 1997(4):10-19.

[ Gong J Y. An object-oriented spatio-temporal data model In GIS[J]. Acta Geodaetica et Cartographica Sinica, 1997(4):10-19. ] DOI:CNKI:SUN:CHXB.0.1997-04-001

DOI

[11]
舒红, 陈军, 杜道生, 等. 面向对象的时空数据模型[J]. 武汉大学学报·信息科学版, 1997, 22(3):229-233.

[ Shu H, Chen J, Du D S, et al. An object-oriented spatio-temporal data model[J]. Geomatics and Information Science of Wuhan Univers, 1997, 22(3):229-233. ]

[12]
宋玮, 王家耀, 郭金华. 面向对象时空数据模型的研究[J]. 测绘科学技术学报, 2006, 23(4):235-238.

[ Song W, Wai J Y, Guo J H. An Object-Oriented Spatial-temporal Data Model[J]. Journal of Zhengzhou Institute of Surveying and Mapping, 2006, 23(4):235-238. ] DOI:10.3969/j.issn.1673-6338.2006.04.001

DOI

[13]
卢华兴, 刘学军, 任政, 等. 一种面向对象的GIS时空数据模型[J]. 辽宁工程技术大学学报(自然科学版), 2008, 27(3):346-349.

[ Lu H X, Liu X J, Ren Z, et al. New object-oriented spatio-temporal data model[J]. Journal of Liaoning Technical University (Natural Science), 2008, 27(3):346-349. ] DOI:10.3969/j.issn.1008-0562.2008.03.008

DOI

[14]
Peuquet D J, Duan N. An Event-based Spatiotemporal Data Model (ESTDM) for temporal analysis of geographical data[J]. International Journal of Geographical Information Systems, 1995, 9(1):7-24. DOI:10.1080/02693799508902022

DOI

[15]
程昌秀, 周成虎, 陆锋. 对象关系型GIS中改进基态修正时空数据模型的实现[J]. 中国图象图形学报, 2003, 8(6):697-702.

[ Chen C X, Zhou C H, Lu F. The improved base state with amendments spatio-temporal model in the object-relation GIS[J]. Journal of Image and Graphics, 2003, 8(6):697-702. ] DOI:10.3969/j.issn.1006-8961.2003.06.018

DOI

[16]
余志文, 张利田, 邬永宏. 基态修正时空数据模型的进一步扩展[J]. 中山大学学报(自然科学版), 2003, 42(1):100-103.

[ Yu Z W, Zhang L T, Wu Y H. The extention of spatio-temporal data model based on base state with amendments[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2003, 42(1):100-103. ] DOI:10.3321/j.issn:0529-6579.2003.01.026

DOI

[17]
Xia H, Li D, Shao Z. Research and implementation of event-based spatio-temporal data model with integrated vector and raster data structure[J]. Proceedings of SPIE - The International Society for Optical Engineering, 2007, 6790:67901 D. DOI:10.1117/12.748766

DOI

[18]
薛存金, 周成虎, 苏奋振, 等. 面向过程的时空数据模型研究[J]. 测绘学报, 2010, 39(1):95-101.

[ Xue C J, Zhou C H, Su F Z, et al. Research on process-oriented spatio-temporal data model[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(1):95-101. ]

[19]
Pang M Y C, Shi W. Development of a process-based model for dynamic interaction in spatio-temporal GIS[J]. GeoInformatica, 2002, 6(4):323-344. DOI:10.1023/A:1020876609236

DOI

[20]
陈新保, Songnian Li, 李黎, 等. 基于对象-事件-过程的时空数据模型及其应用[J]. 地理与地理信息科学, 2013, 29(3):10-10.

[ Chen X B, Songnian Li, LI L, et al. Object-Event-Process-Based spatiotemporal data model and its application into sea-ice dynamics[J]. Geography and Geo-information Science, 2013, 29(3):10-10. ] DOI:10.7702/dlydlxxkx20130303

DOI

[21]
尹章才, 李霖, 艾自兴. 基于图论的时空数据模型研究[J]. 测绘学报, 2003, 32(2):168-172.

[ Yin Z C, Li L, Ai Z X. A Study of spatio-temporal data model based on graph theory[J]. Acta Geodaetica et Cartographica Sinica, 2003, 32(2):168-172. ] DOI:10.3321/j.issn:1001-1595.2003.02.015

DOI

[22]
黄照强, 冯学智. 基于PETRI网的土地变更时空过程建模[J]. 测绘学报, 2005, 34(3):239-245.

[ Huang Z Q, Feng X Z. A sudy of spatio-temporal process modeling based on Petri Net for land alteration[J]. Acta Geodaetica et Cartographica Sinica, 2005, 34(3):239-245. ] DOI:10.3321/j.issn:1001-1595.2005.03.010

DOI

[23]
尹章才, 李霖. 基于Petri网的时空数据模型研究[J]. 武汉大学学报·信息科学版, 2004, 29(8):740-743.

[ Yin Z C, Li L. Petri Nets-based Spatio-temporal Data Model[J]. Geomatics and Information Science of Wuhan University, 2004, 29(8):740-743. ] DOI:10.3321/j.issn:1671-8860.2004.08.020

DOI

[24]
Hage W R V, Malaisé V, Segers R, et al. Design and use of the Simple Event Model (SEM)[J]. Social Science Electronic Publishing, 2011, 9(2):128-36. DOI:10.2139/ssrn.3199512

DOI

[25]
Orellana D, Renso C. Developing an interactions ontology for characterising pedestrian movement behaviour[M]// Movement-aware applications for sustainable mobility: technologies and approaches. IGI Global, 2010:62-86. DOI:10.4018/978-1-61520-769-5.ch005

DOI

[26]
Doerr M, Ore C E, Stead S. The CIDOC conceptual reference model: a new standard for knowledge sharing[C]// Tutorials, posters, panels and industrial contributions at the 26th international conference on Conceptual modeling-Volume 83. 2007:51-56.

[27]
Shaw R, Troncy R, Hardman L. Lode: Linking open descriptions of events[C]// Asian semantic web conference. Springer, Berlin, Heidelberg, 2009:153-167. DOI:10.1007/978-3-642-10871-6_11

DOI

[28]
AMIT S. Introducing the knowledge graph[R]. America: Official Blog of Google, 2012.

[29]
杜志强, 李钰, 张叶廷, 等. 自然灾害应急知识图谱构建方法研究[J]. 武汉大学学报·信息科学版, 2020, 45(9):1344-1355.

[ Du Z Q, Li Y, Zhang Y T, et al. Knowledge graph construction method on natural disaster emergency[J]. Geomatics and Information Science of Wuhan University, 2020, 45(9):1344-1355. ] DOI:10.13203/j.whugis20200047

DOI

[30]
高嘉良, 仇培元, 余丽, 等. 基于旅游知识图谱的可解释景点推荐[J]. 中国科学:信息科学, 2020(7):1055-1068.

[ Gao J L, Qiu P Y, Yu L, et al. An interpretable attraction recommendation method based on knowledge graph[J]. Science in China(Information Sciences), 2020(7):1055-1068. ]

[31]
林珲, 游兰, 胡传博, 等. 时空大数据时代的地理知识工程展望[J]. 武汉大学学报·信息科学版, 2018, 43(12):452-458.

[ Lin H, You L, Hu C B, et al. Prospect of geo-knowledge engineering in the era of spatio-temporal big data[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12):452-458. ] DOI:10.13203/j.whugis20180318

DOI

[32]
陆锋, 余丽, 仇培元. 论地理知识图谱[J]. 地球信息科学学报, 2017, 19(6):723-734.

DOI

[ Lu F, Yu L, Qiu P Y. On geographic knowledge graph[J]. Journal of Geo-information Science, 2017, 19(6):723-734. ] DOI:10.3724/SP.J.1047.2017.00723

DOI

[33]
许珺, 裴韬, 姚永慧. 地学知识图谱的定义,内涵和表达方式的探讨[J]. 地球信息科学学报, 2010, 12(4):496-502,509.

[ Xu J, Pei T, Yao Y H. Conceptual framework and representation of geographic knowledge map[J]. Journal of Geo-information Science, 2010, 12(4):496-502,509. ]

DOI

[34]
张洪岩, 周成虎, 闾国年, 等. 试论地学信息图谱思想的内涵与传承[J]. 地球信息科学学报, 2020, 22(4):653-661.

DOI

[ Zhang H Y, Zhou C H, Lv G N, et al. The connotation and inheritance of geo-information Tupu[J]. Journal of Geo-information Science, 2020, 22(4):653-661. ] DOI:10.12082/dqxxkx.2020.200167

DOI

[35]
周成虎, 孙九林, 苏奋振, 等. 地理信息科学发展与技术应用[J]. 地理学报, 2020, 75(12):2593-2609.

DOI

[ Zhou C H, Sun J L, Su F Z, et al. Geographic information science development and technological application[J]. Acta Geographica Sinica, 2020, 75(12):2593-2609. ] DOI:10.11821/dlxb202012004

DOI

[36]
张雪英, 张春菊, 吴明光, 等. 顾及时空特征的地理知识图谱构建方法[J]. 中国科学:信息科学, 2020, 50(7):1019-1032.

[ Zhang X Y, Zhang C J, Wu M G, et al. Spatiotemporal features based geographical knowledge graph construction[J]. Science in China (Information Sciences), 2020, 50(7):1019-1032. ]

[37]
陈晓慧, 刘俊楠, 徐立, 等. COVID-19病例活动知识图谱构建——以郑州市为例[J]. 武汉大学学报·信息科学版, 2020, 45(6):816-825.

[ Chen X H, Liu J N, Xu L, et al. Construction of the COVID-19 epidemic cases activity knowledge graph: A case study of Zhengzhou City[J]. Geomatics and Information Science of Wuhan University, 2020, 45(6):816-825. ] DOI:10.13203/j.whugis20200201

DOI

[38]
Spaccapietra S, Parent C, Damiani M L, et al. A conceptual view on trajectories[J]. Data & knowledge engineering, 2008, 65(1):126-146. DOI:10.1016/j.datak.2007.10.008

DOI

[39]
Chen Y, Xu L, Liu K, et al. Event extraction via dynamic multi-pooling convolutional neural networks[C]// Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing (Volume 1:Long Papers). 2015:167-176. DOI:10.3115/v1/p15-1017

DOI

Options
Outlines

/

〈 〉