CN111191040A - 城市运行知识图谱构建方法、装置和计算机设备 - Google Patents
城市运行知识图谱构建方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111191040A CN111191040A CN201911106955.4A CN201911106955A CN111191040A CN 111191040 A CN111191040 A CN 111191040A CN 201911106955 A CN201911106955 A CN 201911106955A CN 111191040 A CN111191040 A CN 111191040A
- Authority
- CN
- China
- Prior art keywords
- data
- space
- thematic
- city operation
- correlation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000006243 chemical reaction Methods 0.000 claims abstract description 21
- 238000010219 correlation analysis Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 15
- 230000001364 causal effect Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000000699 topical effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 18
- 230000006872 improvement Effects 0.000 abstract description 7
- 238000005065 mining Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 239000000126 substance Substances 0.000 description 15
- 238000012098 association analyses Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 14
- 230000007613 environmental effect Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种城市运行知识图谱构建方法、装置和计算机设备,所述方法包括:获取城市运行专题数据;将城市运行专题数据按照时空数据的格式进行转换,并将格式转换后的时空数据进行要素归集,得到专题要素时空数据集;通过预设的要素关联分析算法,计算至少两个的专题要素时空数据集之间的关联系数;所述关联系数用于确定城市运行数据中的关联要素;根据关联要素的关联信息,构建城市运行知识图谱;城市运行知识图谱用于发送至终端,供终端进行图谱展示。采用本方法,不仅能提高海量异构城市数据的处理效率,为城市运行的潜在规律挖掘提供有效技术改善,还能为智慧城市相关应用服务提供数据支撑,同时满足用户对城市运行可视化监控的需求。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种城市运行知识图谱构建方法、装置、计算机可读存储介质和计算机设备。
背景技术
随着科技的不断发展与进步,智慧城市的建设已成为当前科技创新的前进动力之一,而建设智慧城市不仅需对海量城市数据资源进行有效存储、计算与分析,更需从海量数据中挖掘潜在价值、探究城市运行规律,为城市运营决策提供有力支撑。
然而,现有技术中涉及对海量城市数据的分析,无论是构建知识图谱还是搭建分析框架,通常采用为数据添加语义标注或语料分词的技术,虽然可实现一定领域内的数据分析,但是存在对异构性海量数据处理不规范的问题,以致未能满足用户对城市运行规律深入挖掘的需求。
因此,现有技术中的城市数据分析方法存在数据处理效率低的问题。
发明内容
基于此,有必要针对现有技术中数据处理效率低的技术问题,提供一种城市运行知识图谱构建方法、装置、计算机可读存储介质和计算机设备。
一方面,本发明实施例提供一种城市运行知识图谱构建方法,包括:获取城市运行专题数据;将所述城市运行专题数据按照时空数据的格式进行转换,并将格式转换后的时空数据进行要素归集,得到专题要素时空数据集;通过预设的要素关联分析算法,计算至少两个的专题要素时空数据集之间的关联系数;所述关联系数用于确定所述城市运行数据中的关联要素;根据所述关联要素的关联信息,构建城市运行知识图谱;所述城市运行知识图谱用于发送至终端,供所述终端进行图谱展示。
另一方面,本发明实施例提供一种城市运行知识图谱构建装置,包括:数据获取模块,用于获取城市运行专题数据;格式转换模块,用于将所述城市运行专题数据按照时空数据的格式进行转换,并将格式转换后的时空数据进行要素归集,得到专题要素时空数据集;关联分析模块,用于通过预设的要素关联分析算法,计算至少两个的专题要素时空数据集之间的关联系数;所述关联系数用于确定所述城市运行数据中的关联要素;图谱构建模块,用于根据所述关联要素的关联信息,构建城市运行知识图谱;所述城市运行知识图谱用于发送至终端,供所述终端进行图谱展示。
又一方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:获取城市运行专题数据;将所述城市运行专题数据按照时空数据的格式进行转换,并将格式转换后的时空数据进行要素归集,得到专题要素时空数据集;通过预设的要素关联分析算法,计算至少两个的专题要素时空数据集之间的关联系数;所述关联系数用于确定所述城市运行数据中的关联要素;根据所述关联要素的关联信息,构建城市运行知识图谱;所述城市运行知识图谱用于发送至终端,供所述终端进行图谱展示。
再一方面,本发明实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:获取城市运行专题数据;将所述城市运行专题数据按照时空数据的格式进行转换,并将格式转换后的时空数据进行要素归集,得到专题要素时空数据集;通过预设的要素关联分析算法,计算至少两个的专题要素时空数据集之间的关联系数;所述关联系数用于确定所述城市运行数据中的关联要素;根据所述关联要素的关联信息,构建城市运行知识图谱;所述城市运行知识图谱用于发送至终端,供所述终端进行图谱展示。
上述城市运行知识图谱构建方法、装置、计算机可读存储介质和计算机设备,通过获取城市运行专题数据,并将城市运行专题数据按照时空数据的格式进行转换,得到专题要素时空数据集后进而通过预设的要素关联分析算法计算专题要素之间的关联系数,从而确定关联要素,以便利用关联要素的关联信息构建城市运行知识图谱。采用本方法,不仅能提高海量异构城市数据的处理效率,为城市运行的潜在规律挖掘提供有效技术改善,还能为智慧城市相关应用服务提供数据支撑,同时满足用户对城市运行可视化监控的需求。
附图说明
图1为一个实施例中城市运行知识图谱构建方法的应用环境图;
图2为一个实施例中计算机设备的结构框图;
图3为一个实施例中城市运行知识图谱构建方法的流程示意图;
图4为一个实施例中时空数据格式转换步骤的流程示意图;
图5为一个实施例中关联要素确定步骤的流程示意图;
图6为一个实施例中城市运行知识图谱构建步骤的流程示意图;
图7为一个实施例中图谱节点连接线箭头方向确定步骤的流程示意图;
图8为另一个实施例中图谱节点连接线箭头方向确定步骤的流程示意图;
图9为一个实施例中数据清洗结构化处理步骤的流程示意图;
图10为一个实施例中城市运行专题数据的结构化处理示意图;
图11为一个实施例中用户指示展示城市运行知识图谱的变化示意图;
图12为一个实施例中城市运行知识图谱构建装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
首先需要说明的是,本发明实施例所涉及的术语“第一\第二”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”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”区分的对象在适当情况下可以互换,以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
图1为一个实施例中城市运行知识图谱构建方法的应用环境图。参照图1,该应用环境包括服务器110和终端120,两者之间通过网络建立通信连接,网络包含但不限于:广域网、城域网或局域网。
其中,服务器110基于获取的城市运行专题数据,比如城市运行专题数据1、城市运行专题数据2等,将按照时空数据的格式进行数据转换,并将格式转换后的时空数据进行要素归集,得到专题要素时空数据集,进而通过预设的要素关联分析算法,计算至少两个的专题要素时空数据集之间的关联系数,以便确定城市运行专题数据中的关联要素,最终利用关联要素的关联信息构建城市运行知识图谱,而城市运行知识图谱用于发送至终端120,供终端120根据用户需求指示展示该城市运行知识图谱中不同区域范围的专题图谱情况。例如,A市某景区的环保专题情况。
进一步地,终端120具体可以是台式终端或移动终端,移动终端具体可以是手机、平板电脑、笔记本电脑等中的至少一种,而通过本发明方法构建的城市运行知识图谱,可应用于智慧城市的各类服务建设,例如:市政规划服务、生态与环境治理服务、公共安全服务、交通管控服务以及民生服务等。服务器110可以用独立的服务器,或者是多个服务器组成的服务器集群来实现。
图2示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器110。如图2所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现管理权限转让同步更新方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行城市运行知识图谱构建方法。
本领域技术人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
如图3所示,在一个实施例中,提供了一种城市运行知识图谱构建方法。本实施例主要以该方法应用于上述图1中的服务器110来举例说明。参照图3,该城市运行知识图谱构建方法具体包括如下步骤:
S302,获取城市运行专题数据。
其中,城市运行专题数据可以是指城市运行中所产生各领域的基本数据,例如,交通、环保、教育、医疗、人口、化工、企业等专题数据。
具体地,服务器110可通过网络获取各数据平台的实时数据,进而根据数据来源或数据分析,将所有的城市运行数据分专题存储,包括交通、环保、教育、医疗、人口、化工、企业等专题数据。
S304,将所述城市运行专题数据按照时空数据的格式进行转换,并将格式转换后的时空数据进行要素归集,得到专题要素时空数据集。
其中,时空数据可以是指同时具有时间和空间维度的数据,现实世界中的数据超过80%与地理位置有关,时空大数据包括时间、空间、专题属性三维信息。
其中,时空数据格式可以是包括数据实体信息、时间戳、空间坐标的元组格式,例如,空气质量PM2.5的时空数据格式可以表示为{PM2.5含量,时间戳,空间坐标}的元组形式。
其中,元素归集可以是指将数据以元素为单位进行集合归类,例如,将环保专题数据中的“空气质量”信息进行元素归集,得到环保专题下空气质量元素的相关数据集合。
其中,专题要素时空数据集可以是指以要素为单位的、具有时空数据格式的数据集合,例如,环保专题空气质量要素的数据集合。
具体地,由于城市运行专题数据均存在时间与空间信息,而对于异构性差异较大的各领域城市运行专题数据,服务器110在进行数据分析之前,首先需对数据进行格式统一化处理,由于时空数据格式可体现不同数据的时间、空间、专题属性,该技术应用于本申请不仅能为城市运行知识图谱的构建提供效率改善,还能结合GIS(Geographic InformationSystem)地理信息系统,以GIS图层为基础呈现可视化的城市运行情况
例如,可以将格式转换后的时空数据以专题要素为单位进行分类归集,分类归集方法可采用预先设置的专题要素填空法(如环保专题主要包括三要素:空气质量、水质、土壤,将环保专题数据进行三项分类),也可采用时空数据实体语义归类法(解析专题数据中实体名词语义,按语义映射分类,如“PM.5”映射为“空气质量”、“30℃”映射为“气温”),得到的专题要素时空数据集可以是以GIS图层形式存储。
S306,通过预设的要素关联分析算法,计算至少两个的专题要素时空数据集之间的关联系数;所述关联系数用于确定所述城市运行数据中的关联要素。
其中,要素关联分析算法可以是分析要素之间相似度或关联性的预设算法,例如,分析要素之间相似度的欧几里得距离算法、分析要素之间频繁项集关联性的Apriori算法。
具体地,服务器110可依据实际应用场景需求,在至少一个候选的要素关联分析算法中匹配最佳算法,用以计算至少两个的专题要素时空数据集之间的关联系数。同时,该至少两个的专题要素时空数据集可以是同一专题中的两个要素,也可以是分别所属不同专题的要素。
例如,环保类专题要素与化工类专题要素之间的关联系数。
S308,根据所述关联要素的关联信息,构建城市运行知识图谱;所述城市运行知识图谱用于发送至终端,供所述终端进行图谱展示。
其中,关联信息可以包括关联要素数量、关联系数大小以及关联要素因果关系等。
其中,知识图谱是一种图结构、揭示实体之间关系的语义网络知识库,其基本组成单位是“实体,关系,实体”三元组,该实体作为图谱中的节点、关系作为图谱中两个实体之间的关系连线组成节点关系网。
具体地,服务器110要构建城市运行知识图谱,首先要确定城市运行专题数据中相关联的关联要素,利用关联要素的关联嘻嘻构建城市运行知识图谱,该城市运行知识图谱可应用于特定应用程序开发,用户可在终端120通过点击特定应用程序的相关功能查看城市运行知识图谱,从而获取城市运行潜在规律。
本实施例中,通过获取城市运行专题数据,并将城市运行专题数据按照时空数据的格式进行转换,得到专题要素时空数据集后进而通过预设的要素关联分析算法计算专题要素之间的关联系数,从而确定关联要素,以便利用关联要素的关联信息构建城市运行知识图谱。采用本方法,不仅能提高海量异构城市数据的处理效率,为城市运行的潜在规律挖掘提供有效技术改善,还能为智慧城市相关应用服务提供数据支撑,同时满足用户对城市运行可视化监控的需求。
如图4所示,在一个实施例中,步骤S304中将所述城市运行专题数据按照时空数据的格式进行转换,并将格式转换后的时空数据进行要素归集,得到专题要素时空数据集,具体包括如下步骤:
S3042,将所述城市运行专题数据按照时空数据的格式进行转换,得到时空数据元组集合。
其中,时空数据元组集合可以是指包括数据集合的时空数据元组。
具体地,服务器110将城市运行专题数据以时空数据的形式结构化处理后,均可转换为时空数据元组。
例如,空气PM2.5数据均转化为{PM2.5含量,时间戳,空间坐标}的元组形式。
S3044,根据所述时空数据元组集合中的实体词性进行要素归集分类,得到专题要素时空数据集;所述专题要素时空数据集用于通过GIS图层形式存储,以便所述终端进行GIS动态展示。
具体地,时空数据元组集合中的实体词性可以是时空数据三元组中第一元的实体名词词性,服务器110根据时空数据元组集合中的实体词性进行要素归集分类,可以是依据预设的语义映射关系进行要素归集分类,也可以是在该时空数据元组集合中重新定义的要素类别。
例如,时空数据元组为{PM2.5含量,时间戳,空间坐标}中的第一元实体名词为“PM2.5含量”,可按预设的语义映射得到归属于“空气质量”元素,也可重新定义为“PM2.5”,则后续元素以此元素命名作为归类依据。
本实施例中,通过识别时空数据元组集合中的实体词性进行要素归集分类,可进一步提高海量异构城市数据的处理效率。
如图5所示,在一个实施例中,步骤S306中通过预设的要素关联分析算法,计算至少两个的专题要素时空数据集之间的关联系数之后,具体包括如下步骤:
S502,确定预设的要素关联阈值。
其中,要素关联阈值可以是判定要素是否关联的临界值,例如,关联系数的取值范围为0~1,则要素关联阈值可以是0.6。
具体地,要素关联阈值的设定可以根据实际应用情况确定,例如,可根据数据比例确定,也可根据实际情况总结确定,还可根据用户对要素关联性强度需求确定,因此,要素关联阈值的确定在本申请中不作具体限制。
S504,若所述关联系数大于或等于所述要素关联阈值,则确定所述至少两个的专题要素时空数据集对应的专题要素为关联要素。
具体地,服务器110在计算得到至少两个要素之间的关联系数后,可将该关联系数与预设的要素关联阈值进行匹配,若满足阈值要求则判定对应两个要素为关联要素,以此类推,可确定城市运行专题数据中的所有关联要素。
本实施例中,通过设置要素关联阈值来判定关联要素,可适应性满足不同情况不同需求程度的关联要素,不仅能进一步提高海量异构城市数据的处理效率,还能为城市运行知识图谱的应用增添多功能选择,以满足不同场景对关联要素的具体判定。
如图6所示,在一个实施例中,步骤S308中根据所述关联要素的关联信息,构建城市运行知识图谱,具体包括如下步骤:
S3082,根据所述关联要素的要素关联数量,确定图谱节点大小;所述图谱节点大小与所述要素关联数量成正比。
其中,要素关联数量可以是指一个要素与之关联的其他要素的总数量,例如,2、3、4等。
其中,图谱节点大小可以是随要素关联数量递增而节点半径递增的节点面积,例如,A要素的要素关联数量为3(与A要素存在关联关系的要素数量为3),则图谱节点大小可以是半径为3*k的圆面积π(3k)2,k可以是根据实际情况确定的任意正数。
具体地,服务器110要构建城市运行知识图谱,首先统计各个关联要素的要素关联数量,即可通过预置的要素关联数量-图谱节点大小关系来确定该关联要素在图谱中的节点面积。
例如,环保专题中,要素为“空气质量”的关联要素包括“风力”、“气温”、“公路流量”、“化工企业用电量”以及“景区人流”,则“空气质量”的要素关联数量为5,其在图谱中的节点大小依据要素关联数量-图谱节点大小关系确定,为半径为5mm的圆面积。
S3084,根据所述关联要素的关联系数,确定图谱节点连接线宽;所述图谱节点连接线宽与所述关联系数成正比。
具体地,图谱节点连接线宽的粗细可以由关联要素的关联系数确定。
例如,A要素与B要素之间的关联系数为0.1,则两个要素在图谱中的节点连接线宽为1/4pt;A要素与B要素之间的关联系数为0.2,则两个要素在图谱中的节点连接线宽为1/2pt,关联系数越高则图谱节点连接线宽越粗,两者之间可具有预设的比例映射关系。
S3086,根据所述关联要素的因果关系,确定图谱节点连接线箭头方向。
具体地,服务器110可根据前后时间关联性来确定要素间的“因果”关系,继而确定两个具有关联关系的要素之间,何为“因”,何为“果”,而在城市运行专题数据中,确定关联要素的因果关系可逐级查询某专题某元素的核心影响效因,进而追踪到问题本质。
例如,存在关联关系的A要素与B要素,选取A要素在一段时间内容的时空数据集合,并将该一段时间内的A要素时空数据集B要素时空数据集合进行关联分析,得到多个关联系数,进而根据关联系数变化趋势确定两要素之间的因果关系。
S3088,根据所述图谱节点大小、所述图谱节点连接线宽以及所述图谱节点连接线箭头方向,构建所述城市运行知识图谱。
具体地,综合图谱节点大小、图谱节点连接线宽以及图谱节点连接线箭头方向等信息,服务器110即可构建城市运行知识图谱。
本实施例中,通过分析关联要素的要素关联数量、关联系数以及因果关系,不仅可构建仅呈现要素之间关联关系的知识图谱,还可构建具有实体结果导向因素、实体影响范围等更多潜在信息的知识图谱,为智慧城市相关应用服务提供数据支撑,同时满足用户对城市运行可视化监控的需求。
如图7所示,在一个实施例中,所述根据所述关联要素的因果关系,确定图谱节点连接线箭头方向,具体还包括如下步骤:
S702,确定所述关联要素中的第一要素与第二要素。
具体地,服务器110分析两个关联要素的因果关系,可随机确定其中一个要素为第一要素,则另一个要素为第二要素。
例如,存在关联关系的两个要素“空气质量”与“化工企业用电量”中,若“空气质量”为第一要素,则“化工企业用电量”为第二要素。
S704,计算预设时段内所述第一要素与当前时刻所述第二要素之间的关联系数,得到关联系数时序变化趋势。
具体地,服务器110将获取第一要素在预设的前后一段时间内的时空数据集,同时获取在当前时间片第二要素的时空数据集,则到第一要素在预设时段内的N个时空数据集,使之与当前时刻第二要素的时空数据集进行关联计算,最终得到预设时段内第一要素与当前时刻第二要素之间的关联系数时序变化趋势。
例如,预设时段内第一要素A的时空数据集为A0、A1、A2……An,当前时刻第二要素的时空数据集为B0,则将计算得到n个关联系数,该n个关联系数针对第一要素A而言,为按照时序变化的关联系数时序变化趋势。
S706,根据所述关联系数时序变化趋势,确定所述图谱节点连接线箭头方向。
具体地,服务器110将根据关联系数时序变化趋势,按预定方向确定规则确定图谱节点连接线箭头方向。
例如,关联系数时序变化趋势为递增趋势时,第一要素A与第二要素B之间的图谱节点连接线箭头方向为A指向B,由此得到第一要素A为“因”要素、第二要素B为“果”要素。
本实施例中,通过计算关联系数时序变化趋势来确定图谱节点连接线箭头方向,可进一步提高海量异构城市数据的处理效率。
如图8所示,在一个实施例中,所述根据所述关联系数时序变化趋势,确定所述图谱节点连接线箭头方向,具体包括如下步骤:
S802,若所述关联系数时序变化趋势为递增变化趋势,则确定所述第一要素为所述关联要素中的因要素、所述第二要素为果要素。
具体地,关联系数时序变化趋势为递增变化趋势,可说明第一要素在一段时间内的变化会导致与第二要素之间的关联性增强,则第一要素是导致第二要素存在的一个原因,则第一要素为因要素、第二要素为果要素。
例如,“化工企业用电量”作为第一要素,其在一段时间内的数据变化会导致与“空气质量”第二要素之间的关联性增强,则说明“化工企业用电量”是影响“空气质量”的关键因素,“化工企业用电量”为因要素、“空气质量”为果要素。
S804,若所述关联系数时序变化趋势为递减变化趋势,则确定所述第一要素为所述关联要素中的果要素、所述第二要素为因要素。
具体地,关联系数时序变化趋势为递增变化趋势,可说明第一要素在一段时间内的变化会导致与第二要素之间的关联性减弱,则无法说明第一要素是导致第二要素存在的一个原因。
例如,将上述实施例说明进行反推,“化工企业用电量”无法作为“空气质量”的果要素,即“空气质量”的变化不会导致“化工企业用电量”呈一定趋势变化。
S806,在所述关联要素中确定所述因要素指向所述果要素的方向,作为所述图谱节点连接线箭头方向。
具体地,图谱节点连接线箭头方向是说明因果关系的有效方式,在城市运行知识图谱中,关联要素之间节点连接线箭头方向即可说明两要素之间的因果关系,便于用户直观获取城市运行实体导向诱因。
本实施例中,通过分析具体的关联系数时序变化趋势确定所述图谱节点连接线箭头方向,可进一步提高海量异构城市数据的处理效率。
如图9所示,在一个实施例中,步骤S302中获取城市运行专题数据之后,具体包括如下步骤:
S902,获取GIS基础数据。
其中,GIS基础数据可以是包括测绘地图、卫星影像、地名地址、行政划区等的空间地理数据。
具体地,服务器110可基于GIS地理信息系统获取相应城市中的GIS基础数据。
S904,对所述城市运行专题数据进行数据清洗,并将清洗后的城市运行专题数据与所述GIS基础数据进行空间地理框架匹配,以便将所述城市运行专题数据按照时空数据的格式进行转换;所述GIS基础数据包括测绘地图、卫星影像、地名地址以及行政区划中的至少一个。
其中,数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序,包括检查数据一致性,处理无效值、缺失值等。
具体地,可参阅图10所示对城市运行专题数据的结构化处理示意图。所有城市运行专题数据以时空数据的形式结构化处理后,均可转换为时空数据元组。由于同一城市采用同一标准的空间地理框架,所有的城市运行数据均为同规模的标准数据集,结合GIS基础数据,每个城市运行要素的时空数据集均可通过GIS图层,在GIS平台上以可视化动态方式展示城市运行各业务领域数据的时空分布。
本实施例中,通过对GIS基础数据的获取与匹配,不仅可实现对城市运行专题数据的结构化处理,还能将处理后的时空数据集以GIS图层样式进行存储、展示,为用户提供可视化的城市运行情况。
在一个实施例中,所述要素关联分析算法包括欧几里得距离算法、皮尔逊相关系数算法、汉明距离算法、DTW距离算法、KL散度算法、Apriori算法、FP-Growth算法中的至少一种。
其中,欧几里得距离(欧氏距离)是最常见的距离度量,衡量的是多维空间中各个点之间的绝对距离,在计算相似度(比如人脸识别)的场景下,欧几里得距离是比较直观、比较常见的一种相似度算法,欧氏距离越小,相似度越大;欧氏距离越大,相似度越小。
其中,皮尔逊相关系数(Pearson correlation coefficient)又称皮尔逊积矩相关系数(Pearson product-moment correlation coefficient),是用于度量两个变量X和Y之间的相关(线性相关),其值介于-1与1之间。
其中,汉明距离是使用在数据传输差错控制编码里面的,汉明距离是一个概念,它表示两个(相同长度)字对应位不同的数量,我们以d(x,y)表示两个字x,y之间的汉明距离。
其中,DTW距离算法是一种衡量两个长度不同的时间序列的相似度的方法。
其中,KL散度算法是一个从信息论、熵的角度考量距离的一个量计算方式。
其中,Apriori算法是一种挖掘关联规则的频繁项集算法,其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。
其中,FP-Growth算法是指将提供频繁项集的数据库压缩到一棵频繁模式树(FP-tree),但仍保留项集关联信息的计算策略。
具体地,在其他实施例中,要素关联分析算法还可以是机器学习方法,如深度学习方法等。
本实施例中,通过提供多类型的要素关联分析算法,具体算法的选择依赖于具体应用中的实现效果,进一步提高海量异构城市数据的处理效率。
应该理解的是,虽然图3-9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图3-9中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为了便于本领域技术人员深入理解本申请实施例,以下将结合图11说明一个具体示例。图11是本申请实施例的用户指示展示城市运行知识图谱的变化示意图,该示意图以产品角度的知识图谱变化样式呈现。从图中可见,在一种实际情况中,用户需要分析某景区的环保情况,点击选择环保专题,展示出此专题相关要素有3个:空气质量、水质和土壤;进一步点击选择空气质量,展开显示与该要素具有一级关联性的要素:风力、气温、公路流量、化工企业用电量、景区人流;通过一级关联知识图谱可以看出当前要素“空气质量”的所有关联要素中,“化工企业用电量”是关联性最强的“因”要素,点击选择该要素,展开该要素的所有关联要素:化工企业分布、化工企业产能、环评整改记录,其中“环评整改记录”与“化工企业用电量”连接线最粗,即为该层影响要素中的核心影响效因。
其中,需要说明的是,表达要素的每个节点的大小与此要素的一级关联要素数量成正比,节点越大,说明对该要素的影响要素越多,城市运行决策中,该要素的调整较为复杂,会受到多种因素影响;连接线的宽度与关联系数成正比,连接线越宽,说明连接的两个关联要素之间关联系数越大;箭头方向根据前后时间关联性来确定要素间的“因果”关系,点击主要的“因”关联要素,展开该要素的关联要素。
本实施例中,通过对城市运行知识图谱的多级展开,可以直观显示用户所关注的城市运行专题中,不同层级要素各自对应的核心影响要素,可进一步满足用户对城市运行可视化监控的需求。
如图12所示,在一个实施例中,提供了一种城市运行知识图谱构建装置1200,该装置1200可设置于智慧城市服务系统中,用于执行上述城市运行知识图谱构建方法,城市运行知识图谱构建装置1200具体包括:数据获取模块1202、格式转换模块1204、关联分析模块1206以及图谱构建模块1208,其中:
数据获取模块1202,用于获取城市运行专题数据;
格式转换模块1204,用于将所述城市运行专题数据按照时空数据的格式进行转换,并将格式转换后的时空数据进行要素归集,得到专题要素时空数据集;
关联分析模块1206,用于通过预设的要素关联分析算法,计算至少两个的专题要素时空数据集之间的关联系数;所述关联系数用于确定所述城市运行数据中的关联要素;
图谱构建模块1208,用于根据所述关联要素的关联信息,构建城市运行知识图谱;所述城市运行知识图谱用于发送至终端,供所述终端进行图谱展示。
在一个实施例中,格式转换模块1204还用于将所述城市运行专题数据按照时空数据的格式进行转换,得到时空数据元组集合;根据所述时空数据元组集合中的实体词性进行要素归集分类,得到专题要素时空数据集;所述专题要素时空数据集用于通过GIS图层形式存储,以便所述终端进行GIS动态展示。
在一个实施例中,城市运行知识图谱构建装置1200还包括关联要素确定模块,用于确定预设的要素关联阈值;若所述关联系数大于或等于所述要素关联阈值,则确定所述至少两个的专题要素时空数据集对应的专题要素为关联要素。
在一个实施例中,图谱构建模块1208还用于根据所述关联要素的要素关联数量,确定图谱节点大小;所述图谱节点大小与所述要素关联数量成正比;以及,根据所述关联要素的关联系数,确定图谱节点连接线宽;所述图谱节点连接线宽与所述关联系数成正比;以及,根据所述关联要素的因果关系,确定图谱节点连接线箭头方向;根据所述图谱节点大小、所述图谱节点连接线宽以及所述图谱节点连接线箭头方向,构建所述城市运行知识图谱。
在一个实施例中,图谱构建模块1208还用于确定所述关联要素中的第一要素与第二要素;计算预设时段内所述第一要素与当前时刻所述第二要素之间的关联系数,得到关联系数时序变化趋势;根据所述关联系数时序变化趋势,确定所述图谱节点连接线箭头方向。
在一个实施例中,图谱构建模块1208还用于若所述关联系数时序变化趋势为递增变化趋势,则确定所述第一要素为所述关联要素中的因要素、所述第二要素为果要素;若所述关联系数时序变化趋势为递减变化趋势,则确定所述第一要素为所述关联要素中的果要素、所述第二要素为因要素;在所述关联要素中确定所述因要素指向所述果要素的方向,作为所述图谱节点连接线箭头方向。
在一个实施例中,城市运行知识图谱构建装置1200还包括数据清洗模块,用于获取GIS基础数据;对所述城市运行专题数据进行数据清洗,并将清洗后的城市运行专题数据与所述GIS基础数据进行空间地理框架匹配,以便将所述城市运行专题数据按照时空数据的格式进行转换;所述GIS基础数据包括测绘地图、卫星影像、地名地址以及行政区划中的至少一个。
在一个实施例中,所述要素关联分析算法包括欧几里得距离算法、皮尔逊相关系数算法、汉明距离算法、DTW距离算法、KL散度算法、Apriori算法、FP-Growth算法中的至少一种。
本实施例中,通过获取城市运行专题数据,并将城市运行专题数据按照时空数据的格式进行转换,得到专题要素时空数据集后进而通过预设的要素关联分析算法计算专题要素之间的关联系数,从而确定关联要素,以便利用关联要素的关联信息构建城市运行知识图谱。采用本方案,不仅能提高海量异构城市数据的处理效率,为城市运行的潜在规律挖掘提供有效技术改善,还能为智慧城市相关应用服务提供数据支撑,同时满足用户对城市运行可视化监控的需求。
在一个实施例中,本申请提供的城市运行知识图谱构建装置可以实现为一种计算机程序的形式,计算机程序可在如图2所示的计算机设备上运行。计算机设备的存储器中可存储组成该城市运行知识图谱构建装置的各个程序模块,比如,图12所示的数据获取模块1202、格式转换模块1204、关联分析模块1206以及图谱构建模块1208。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的城市运行知识图谱构建方法中的步骤。
例如,图2所示的计算机设备可以通过如图12所示的城市运行知识图谱构建装置中的数据获取模块1202执行步骤S302,计算机设备可通过格式转换模块1204执行步骤S304,计算机设备可通过关联分析模块1206执行步骤S306,计算机设备可通过图谱构建模块1208执行步骤S308。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述城市运行知识图谱构建方法的步骤。此处城市运行知识图谱构建方法的步骤可以是上述各个实施例的城市运行知识图谱构建方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述城市运行知识图谱构建方法的步骤。此处城市运行知识图谱构建方法的步骤可以是上述各个实施例的城市运行知识图谱构建方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种城市运行知识图谱构建方法,其特征在于,包括如下步骤:
获取城市运行专题数据;
将所述城市运行专题数据按照时空数据的格式进行转换,并将格式转换后的时空数据进行要素归集,得到专题要素时空数据集;
通过预设的要素关联分析算法,计算至少两个的专题要素时空数据集之间的关联系数;所述关联系数用于确定所述城市运行数据中的关联要素;
根据所述关联要素的关联信息,构建城市运行知识图谱;所述城市运行知识图谱用于发送至终端,供所述终端进行图谱展示。
2.根据权利要求1所述的方法,其特征在于,所述将所述城市运行专题数据按照时空数据的格式进行转换,并将格式转换后的时空数据进行要素归集,得到专题要素时空数据集,包括:
将所述城市运行专题数据按照时空数据的格式进行转换,得到时空数据元组集合;
根据所述时空数据元组集合中的实体词性进行要素归集分类,得到专题要素时空数据集;所述专题要素时空数据集用于通过GIS图层形式存储,以便所述终端进行GIS动态展示。
3.根据权利要求1所述的方法,其特征在于,在所述通过预设的要素关联分析算法,计算至少两个的专题要素时空数据集之间的关联系数之后,还包括:
确定预设的要素关联阈值;
若所述关联系数大于或等于所述要素关联阈值,则确定所述至少两个的专题要素时空数据集对应的专题要素为关联要素。
4.根据权利要求1所述的方法,其特征在于,所述根据所述关联要素的关联信息,构建城市运行知识图谱,包括:
根据所述关联要素的要素关联数量,确定图谱节点大小;所述图谱节点大小与所述要素关联数量成正比;以及,
根据所述关联要素的关联系数,确定图谱节点连接线宽;所述图谱节点连接线宽与所述关联系数成正比;以及,
根据所述关联要素的因果关系,确定图谱节点连接线箭头方向;
根据所述图谱节点大小、所述图谱节点连接线宽以及所述图谱节点连接线箭头方向,构建所述城市运行知识图谱。
5.根据权利要求4所述的方法,其特征在于,所述根据所述关联要素的因果关系,确定图谱节点连接线箭头方向,包括:
确定所述关联要素中的第一要素与第二要素;
计算预设时段内所述第一要素与当前时刻所述第二要素之间的关联系数,得到关联系数时序变化趋势;
根据所述关联系数时序变化趋势,确定所述图谱节点连接线箭头方向。
6.根据权利要求5所述的方法,其特征在于,所述根据所述关联系数时序变化趋势,确定所述图谱节点连接线箭头方向,包括:
若所述关联系数时序变化趋势为递增变化趋势,则确定所述第一要素为所述关联要素中的因要素、所述第二要素为果要素;
若所述关联系数时序变化趋势为递减变化趋势,则确定所述第一要素为所述关联要素中的果要素、所述第二要素为因要素;
在所述关联要素中确定所述因要素指向所述果要素的方向,作为所述图谱节点连接线箭头方向。
7.根据权利要求1所述的方法,其特征在于,在所述获取城市运行专题数据之后,还包括:
获取GIS基础数据;
对所述城市运行专题数据进行数据清洗,并将清洗后的城市运行专题数据与所述GIS基础数据进行空间地理框架匹配,以便将所述城市运行专题数据按照时空数据的格式进行转换;所述GIS基础数据包括测绘地图、卫星影像、地名地址以及行政区划中的至少一个。
8.根据权利要求1所述的方法,其特征在于,所述要素关联分析算法包括欧几里得距离算法、皮尔逊相关系数算法、汉明距离算法、DTW距离算法、KL散度算法、Apriori算法、FP-Growth算法中的至少一种。
9.一种城市运行知识图谱构建装置,其特征在于,所述装置包括:
数据获取模块,用于获取城市运行专题数据;
格式转换模块,用于将所述城市运行专题数据按照时空数据的格式进行转换,并将格式转换后的时空数据进行要素归集,得到专题要素时空数据集;
关联分析模块,用于通过预设的要素关联分析算法,计算至少两个的专题要素时空数据集之间的关联系数;所述关联系数用于确定所述城市运行数据中的关联要素;
图谱构建模块,用于根据所述关联要素的关联信息,构建城市运行知识图谱;所述城市运行知识图谱用于发送至终端,供所述终端进行图谱展示。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911106955.4A CN111191040A (zh) | 2019-11-13 | 2019-11-13 | 城市运行知识图谱构建方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911106955.4A CN111191040A (zh) | 2019-11-13 | 2019-11-13 | 城市运行知识图谱构建方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111191040A true CN111191040A (zh) | 2020-05-22 |
Family
ID=70705738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911106955.4A Pending CN111191040A (zh) | 2019-11-13 | 2019-11-13 | 城市运行知识图谱构建方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191040A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782823A (zh) * | 2020-07-30 | 2020-10-16 | 国网江苏省电力有限公司南通供电分公司 | 知识图谱在违章大数据分析中的应用 |
CN111897972A (zh) * | 2020-08-06 | 2020-11-06 | 南方电网科学研究院有限责任公司 | 一种数据轨迹可视化方法和装置 |
CN111914569A (zh) * | 2020-08-10 | 2020-11-10 | 哈尔滨安天科技集团股份有限公司 | 基于融合图谱的预测方法、装置、电子设备及存储介质 |
CN111984688A (zh) * | 2020-08-19 | 2020-11-24 | 中国银行股份有限公司 | 业务知识关联关系的确定方法及装置 |
CN112948595A (zh) * | 2021-03-30 | 2021-06-11 | 中国科学院自动化研究所 | 城市群运行状态知识图谱构建方法、系统及设备 |
CN113010621A (zh) * | 2020-12-07 | 2021-06-22 | 厦门渊亭信息科技有限公司 | 基于gis与知识图谱的可视化整合装置、方法及计算设备 |
CN113112790A (zh) * | 2021-03-09 | 2021-07-13 | 华东师范大学 | 一种结合知识图谱的城市道路运行态势监测方法 |
CN114065058A (zh) * | 2022-01-17 | 2022-02-18 | 成都明途科技有限公司 | 城市推荐方法、装置、电子设备及计算机可读存储介质 |
CN116167440A (zh) * | 2023-04-26 | 2023-05-26 | 北京大学 | 基于网格时空知识图谱的时空知识规则判定方法及相关设备 |
CN117150091A (zh) * | 2023-11-01 | 2023-12-01 | 四川易利数字城市科技有限公司 | 一种预处理精细化城市空间信息图谱反演方法 |
CN117172322A (zh) * | 2023-11-03 | 2023-12-05 | 中国标准化研究院 | 一种建立数字乡村知识图谱的方法 |
-
2019
- 2019-11-13 CN CN201911106955.4A patent/CN111191040A/zh active Pending
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782823A (zh) * | 2020-07-30 | 2020-10-16 | 国网江苏省电力有限公司南通供电分公司 | 知识图谱在违章大数据分析中的应用 |
CN111897972A (zh) * | 2020-08-06 | 2020-11-06 | 南方电网科学研究院有限责任公司 | 一种数据轨迹可视化方法和装置 |
CN111897972B (zh) * | 2020-08-06 | 2023-10-17 | 南方电网科学研究院有限责任公司 | 一种数据轨迹可视化方法和装置 |
CN111914569B (zh) * | 2020-08-10 | 2023-07-21 | 安天科技集团股份有限公司 | 基于融合图谱的预测方法、装置、电子设备及存储介质 |
CN111914569A (zh) * | 2020-08-10 | 2020-11-10 | 哈尔滨安天科技集团股份有限公司 | 基于融合图谱的预测方法、装置、电子设备及存储介质 |
CN111984688A (zh) * | 2020-08-19 | 2020-11-24 | 中国银行股份有限公司 | 业务知识关联关系的确定方法及装置 |
CN111984688B (zh) * | 2020-08-19 | 2023-09-19 | 中国银行股份有限公司 | 业务知识关联关系的确定方法及装置 |
CN113010621A (zh) * | 2020-12-07 | 2021-06-22 | 厦门渊亭信息科技有限公司 | 基于gis与知识图谱的可视化整合装置、方法及计算设备 |
CN113010621B (zh) * | 2020-12-07 | 2023-09-12 | 厦门渊亭信息科技有限公司 | 基于gis与知识图谱的可视化整合装置、方法及计算设备 |
CN113112790B (zh) * | 2021-03-09 | 2023-04-18 | 华东师范大学 | 一种结合知识图谱的城市道路运行态势监测方法 |
CN113112790A (zh) * | 2021-03-09 | 2021-07-13 | 华东师范大学 | 一种结合知识图谱的城市道路运行态势监测方法 |
CN112948595A (zh) * | 2021-03-30 | 2021-06-11 | 中国科学院自动化研究所 | 城市群运行状态知识图谱构建方法、系统及设备 |
CN114065058B (zh) * | 2022-01-17 | 2022-04-08 | 成都明途科技有限公司 | 城市推荐方法、装置、电子设备及计算机可读存储介质 |
CN114065058A (zh) * | 2022-01-17 | 2022-02-18 | 成都明途科技有限公司 | 城市推荐方法、装置、电子设备及计算机可读存储介质 |
CN116167440A (zh) * | 2023-04-26 | 2023-05-26 | 北京大学 | 基于网格时空知识图谱的时空知识规则判定方法及相关设备 |
CN116167440B (zh) * | 2023-04-26 | 2023-09-05 | 北京大学 | 基于网格时空知识图谱的时空知识规则判定方法及相关设备 |
CN117150091A (zh) * | 2023-11-01 | 2023-12-01 | 四川易利数字城市科技有限公司 | 一种预处理精细化城市空间信息图谱反演方法 |
CN117150091B (zh) * | 2023-11-01 | 2024-01-02 | 四川易利数字城市科技有限公司 | 一种预处理精细化城市空间信息图谱反演方法 |
CN117172322A (zh) * | 2023-11-03 | 2023-12-05 | 中国标准化研究院 | 一种建立数字乡村知识图谱的方法 |
CN117172322B (zh) * | 2023-11-03 | 2024-03-12 | 中国标准化研究院 | 一种建立数字乡村知识图谱的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191040A (zh) | 城市运行知识图谱构建方法、装置和计算机设备 | |
Fröhlich et al. | Regional resilience: a stretched concept? | |
Wang et al. | Machine learning-based regional scale intelligent modeling of building information for natural hazard risk management | |
Daraganova et al. | Networks and geography: Modelling community network structures as the outcome of both spatial and network processes | |
Jiang et al. | The evolution of natural cities from the perspective of location-based social media | |
Brown et al. | Path dependence and the validation of agent‐based spatial models of land use | |
AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
Long et al. | Mapping block-level urban areas for all Chinese cities | |
Chang et al. | Comparative analysis of trip generation models: results using home-based work trips in the Seoul metropolitan area | |
Wang et al. | Comparative performance of logistic regression and survival analysis for detecting spatial predictors of land-use change | |
Hadayeghi et al. | Development of planning-level transportation safety models using full Bayesian semiparametric additive techniques | |
Gomez et al. | Hierarchical infrastructure network representation methods for risk-based decision-making | |
CN110515986B (zh) | 一种社交网络图的处理方法、装置及存储介质 | |
Cromley et al. | A quantile regression approach to areal interpolation | |
Omrani et al. | Multi-label class assignment in land-use modelling | |
Sahu et al. | Bayesian spatio-temporal joint disease mapping of Covid-19 cases and deaths in local authorities of England | |
Zhou et al. | A comparative study of various supervised learning approaches to selective omission in a road network | |
Represa et al. | Data mining paradigm in the study of air quality | |
DeBock et al. | A comparative evaluation of probabilistic regional seismic loss assessment methods using scenario case studies | |
Cai et al. | Discovering regions of anomalous spatial co-locations | |
Crosby et al. | Embedding road networks and travel time into distance metrics for urban modelling | |
Bajat et al. | Spatial hedonic modeling of housing prices using auxiliary maps | |
Li et al. | A spatial dynamic model of population changes in a vulnerable coastal environment | |
Hu et al. | Adaptive multi-scale population spatialization model constrained by multiple factors: A case study of Russia | |
CN116523622A (zh) | 对象风险预测方法和装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |