CN111783032B - 目标时空观测数据的获得方法、装置、设备及存储介质 - Google Patents

目标时空观测数据的获得方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111783032B
CN111783032B CN202010617219.1A CN202010617219A CN111783032B CN 111783032 B CN111783032 B CN 111783032B CN 202010617219 A CN202010617219 A CN 202010617219A CN 111783032 B CN111783032 B CN 111783032B
Authority
CN
China
Prior art keywords
matrix
observation
sub
observation data
continuation parameter
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.)
Active
Application number
CN202010617219.1A
Other languages
English (en)
Other versions
CN111783032A (zh
Inventor
王雅晴
熊辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010617219.1A priority Critical patent/CN111783032B/zh
Publication of CN111783032A publication Critical patent/CN111783032A/zh
Application granted granted Critical
Publication of CN111783032B publication Critical patent/CN111783032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了目标时空观测数据的获得方法、装置、设备及存储介质，涉及计算机视觉、数据挖掘和机器学习领域。具体实现方案为：获取原始时空观测数据，所述原始时空观测数据包括观测地点和观测时间点的联合关系矩阵；根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点；以及根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据，可以实现对时空观测数据的预测。

Description

目标时空观测数据的获得方法、装置、设备及存储介质
技术领域
本申请实施例涉及大搜索中的数据挖掘和机器学习，尤其涉及一种目标时空观测数据的获得方法、装置、设备及存储介质。
背景技术
时空观测数据指携带时间和空间信息的观测数据。常见的时空观测数据包括气象站记录的不同时刻的温度、降雨量以及环境监测站记录的不同时刻的空气质量相关指数如二氧化碳含量、二氧化氮含量等。受监测成本限制，气象站和环境监测站的数量均是有限的，人们只能获得少数地点的观测数据。而实际的需求则是检测全国范围内各个地点的气象和环境。如何预测未被检测到的地点的气象和环境数据，成为了一项难题。
发明内容
本申请提供了一种目标时空观测数据的获得方法、装置、设备以及存储介质。
根据本申请的第一方面，提供了一种目标时空观测数据的获得方法，包括：
获取原始时空观测数据，所述原始时空观测数据包括观测地点和观测时间点的联合关系矩阵；
根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点；以及
根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据。
根据本申请的第二方面，提供了一种目标时空观测数据的获得装置，包括：
获取模块，用于获取原始时空观测数据，所述原始时空观测数据包括观测地点和观测时间点的联合关系矩阵；
确定模块，用于根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点；以及所述确定模块，还用于根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据。
根据本申请的第三方面，至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的方法。
根据本申请第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述第一方面所述的方法。
根据本申请的第五方面，提供了一种计算机程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
本申请中的一个实施例具有如下优点或有益效果：通过获取原始时空观测数据，所述原始时空观测包括观测地点和观测时间点的联合关系矩阵；根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点；以及根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据，能够充分利用时空观测数据的局部延续性和全局延续性来实现对时空观测数据的预测。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例的应用场景示意图；
图2为本申请一实施例提供的目标时空观测数据的获得方法的流程示意图；
图3为本申请另一实施例提供的目标时空观测数据的获得方法的流程示意图；
图4为本申请一实施例提供的目标时空观测数据的获得装置的结构示意图；
图5为本申请另一实施例提供的目标时空观测数据的获得装置的结构示意图；以及
图6是用来实现本申请实施例的目标时空观测数据获得方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1为本申请实施例的应用场景示意图，如图1所示，为时空观测数据预测场景的示意图，在图1中，以观测值为温度为例，可以理解的是，该观测值也可以为不同时刻的降雨量以及环境监测站记录的不同时刻的空气质量相关指数如二氧化碳含量、二氧化氮含量等，由于直接监测所有地点的气象和环境指数是不现实的。对于那些未被气象站或环境监测站覆盖的区域，就需要利用它们与已观测点在空间和时间上存在的关系来进行预测。具体而言，假设时空观测数据被记录在矩阵X∈Rm×n中，其中m为观测地点的个数，n为观测时间点的个数。在m个观测地点中，只有少部分地点有值，而多数地点没有值。即矩阵X存在很多行或列的值未知。经典的矩阵补全方法无法用于矩阵存在整行、整列值未知的情况，因此不能用于解决我们的问题。
图2为本申请一实施例提供的目标时空观测数据的获得方法的流程示意图，需要说明的是，本申请下述实施例中以执行主体为目标时空观测数据的获得装置为例进行介绍。如图2所示，本实施例提供的目标时空观测数据的获得方法可以包括：
步骤S101、获取原始时空观测数据，所述原始时空观测数据包括观测地点和观测时间点的联合关系矩阵。
举例来说，该原始时空观测数据可以为X∈Rm×n。
步骤S102、根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点。
具体来说，本实施例使用了时空观测数据的局部延续性和全局延续性两种特性对原始数据的联合关系矩阵进行几何矩阵补全，其中，由于临近观测地点的观测值可能更接近，举例来说，北京和天津的天气情况更为接近，而北京和广州的天气情况则相差较大，所以将观测地点之间的关系矩阵作为局部延续参数；此外，由于不同地点、时间下观测数据的变化规律是有限的，即不同地点、时间是高度相关的。这表现在矩阵上，就是矩阵具有低秩结构，该低秩结构通常通过低秩约束项来获得，如凸低秩约束项(矩阵的核范式||X||*，定义为矩阵的奇异值之和)和非凸低秩约束项，而非凸低秩约束项被验证具有更好的矩阵补全效果，所以将联合关系矩阵对应的非凸低秩约束项作为全局延续参数。进一步地，第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点。
步骤S103、根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据。
具体来说，根据第一子矩阵和所述二子矩阵，可以确定出目标时空观测数据对应的矩阵，目标时空观测数据可以为预测出的目标时空观测数据。
综上所述，本申请实施例中，通过获取原始时空观测数据，所述原始时空观测包括观测地点和观测时间点的联合关系矩阵；根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点；以及根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据，能够充分利用时空观测数据的局部延续性和全局延续性来实现对未被检测到的点的观测值的有效预测。
在一个实施例中，该全局延续参数采用如下公式确定：
Figure GDA0002912461910000051
其中，g(W,H)为所述全局延续参数，W为所述第一子矩阵，H为所述第二子矩阵，‖.‖F为矩阵的F范数，(.)T代表矩阵的转置，λ为超参数。
几何矩阵补全效果，由用于确保局部延续性的观测地点之间的关系矩阵和用于确保全局延续性的非凸低秩约束项共同影响。但由于非凸低秩约束项是直接施加在整个矩阵上，因此它对矩阵补全效果的影响比观测地点之间的关系矩阵大。
但是，现有技术中效果最好的非凸低秩约束项(nonconvex regularizer)，均存在求解速度过慢，算法需要定制的问题。因此，我们首先考虑以下非凸低秩项：
r′(X)＝‖X‖*-λ‖X‖F
其中‖X‖*为矩阵的核范式，‖X‖F为矩阵的F范数，定义为矩阵元素的平方和再开平方，λ为超参数。为了计算核范式，需要获得矩阵的奇异值。这就需要进行奇异值分解操作(singular value decomposition,SVD)。但是这一操作的计算复杂度很高，需要O(min(mn2,m2n))。因此，这一非凸约束项的计算并不比现有的非凸低秩约束项高效。
但是，利用以下性质
Figure GDA0002912461910000061
可以将r′(X)写为如下分解形式：
Figure GDA0002912461910000062
g(W,H)为所述全局延续参数，
Figure GDA0002912461910000063
为所述第一子矩阵，/>
Figure GDA0002912461910000064
为所述第二子矩阵，其中，k一般远小于m和n，‖.‖F为矩阵的F范数，(.)T代表矩阵的转置，λ为超参数。
由于不需要直接计算奇异值，无需进行昂贵的奇异值分解操作，求解速度被大大加快。而由于r′(X)与g(W,H)是等价的，因此可以保有非凸低秩约束项的良好的补全效果。
本实施例的非凸低秩约束项用于矩阵补全中，具有求解速度快，预测效果好，所需训练样本少的优点。
在一个实施例中，步骤S102具体采用如下公式：
Figure GDA0002912461910000065
其中，X为所述联合关系矩阵，W为所述第一子矩阵，H为所述第二子矩阵，g(W,H)为所述全局延续参数，Ω∈Rm×n记录了X中非零值的位置(即Ωij＝1如果Xij有数值，反之数据缺失为0)，PΩ(.)代表按照Ω取出X中对应的值，即[PΩ(X)]ij＝Oij如果Ωij＝1，反之为0。(.)T代表矩阵的转置，trace(.)是矩阵的际，l(W)为所述局部延续参数，α和β为超参数。具体地，α,β可以是控制两个约束项的超参数。
在一个实施例中，步骤S103具体采用如下公式：
Figure GDA0002912461910000066
其中，
Figure GDA0002912461910000067
为用于表示所述目标时空观测数据的观测矩阵，W为所述第一子矩阵，H为所述第二子矩阵，(.)T代表矩阵的转置。
具体地，学习到的
Figure GDA0002912461910000068
和/>
Figure GDA0002912461910000069
可以构成/>
Figure GDA00029124619100000610
作为最后预测出的完整的观测矩阵。由于k一般远小于m和n，所需要学习的参数规模从O(mn)缩小为O(k(m+n))。对应的，所需要的观测值规模也减少了。
最终得到的
Figure GDA00029124619100000611
将包含所有地点、时间的观测值。要获取某一未观测地点i的观测值，可以提取/>
Figure GDA00029124619100000612
中对应的行/>
Figure GDA00029124619100000613
综上所述，本申请实施例中，通过获取原始时空观测数据，所述原始时空观测包括观测地点和观测时间点的联合关系矩阵；根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点；以及根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据，能够充分利用时空观测数据的局部延续性和全局延续性来实现对未被检测到的点的观测值的有效预测，并且由于全局延续参数采用新型的非凸低秩项，因此具有求解速度快，预测效果好，所需训练样本少的优点。
图3为本申请另一实施例提供的目标时空观测数据的获得方法的流程示意图。在上述实施例的基础上，还包括步骤S104和S105。如图3所示，本实施例的方法可以包括：
步骤S104、计算不同观测地点之间的距离，并将计算得到的距离转换成相似度矩阵。
步骤S105、从所述相似度矩阵中抽取拉普拉斯矩阵，并使用所述拉普拉斯矩阵构建所述局部延续参数。
具体来说，对于局部延续参数，首先计算不同观测值间的距离，将其转换成相似度，最后从相似度矩阵中抽取拉普拉斯矩阵，并构成全局延续参数(也可以称为拉普拉斯约束项)。
在一个实施例中，所述局部延续参数采用如下公式确定：
l(X)＝trace(XTLrX)
其中，l(X)为所述局部延续参数，trace(.)是矩阵的际，X为所述联合关系矩阵，(.)T代表矩阵的转置，Lr为所述拉普拉斯矩阵。
在一个实施例中，所述拉普拉斯矩阵采用如下公式确定：
Figure GDA0002912461910000071
其中，Lr为所述拉普拉斯矩阵，Dr＝diag(∑jAr(i,j)，Ar为所述相似度矩阵，I为单位矩阵，
Figure GDA0002912461910000072
d(i,j)为m个观测地点间的距离，其中，i＝1,…,m,j＝1,…m。
具体来说，首先使用半正矢公式计算所有m个观测地点间的距离d(i,j),i＝1,…,m,j＝1,…m，其是一种根据两点的经度和纬度来确定大圆上两点之间距离的计算方法。然后，将所得距离作为输入，通过高斯相似度计算公式
Figure GDA0002912461910000081
获得地点i和地点j的相似度，σ为超参数。这样矩阵Ar∈Rm×m就记录了m个观测地点间的相似度，数值越大越相似。通过Ar，实际上建模得到了定义在不同观测地点上的无向图Gr，其点为各观测点，点与点之间边上的权重为Ar中记录的相似度。我们可以抽取其标准化后的拉普拉斯矩阵
Figure GDA0002912461910000082
其中，Dr＝diag(∑jAr(i,j),I为对角线为1其余位置为0的单位矩阵。最后，我们构建拉普拉斯约束项如下:
l(X)＝trace(XTLrX)
其中，trace(.)是矩阵的际，它对矩阵主对角线上的元素进行求和操作。利用这一约束项，我们就可以使临近的地点观测值更接近。
步骤S101、获取原始时空观测数据，所述原始时空观测数据包括观测地点和观测时间点的联合关系矩阵。
步骤S102、根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点。
步骤S103、根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据。
本实施例中的步骤S101-S103与图2中的S101-S103类似，此处不再赘述。
综上所述，本申请实施例中，通过获取原始时空观测数据，所述原始时空观测包括观测地点和观测时间点的联合关系矩阵；根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点；以及根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据，能够充分利用时空观测数据的局部延续性和全局延续性来实现对未被检测到的点的观测值的有效预测，并且由于全局延续参数采用新型的非凸低秩项且局部延续参数为观测地点之间的关系矩阵，因此具有求解速度快，预测效果好，所需训练样本少的优点。
在一个实施例中，所述第一子矩阵和所述二子矩阵均通过梯度下降算法进行优化。
具体来说，参数W和H可以通过简单的梯度下降算法进行优化，所有的超参数都将通过额外的验证集上选取，不需要定制算法。因此很适合在应用中推广。
在一个实施例中，所述梯度下降算法包括随机梯度下降算法。
具体来说，从优化模型参数的角度，可以使用随机梯度下降算法(stochasticgradient descent)进行而不是(批量)梯度下降算法。随机选择一个样本来更新模型参数，很有可能加快算法的收敛速度。
图4为本申请一实施例提供的目标时空观测数据的获得装置的结构示意图。如图4所示，本实施例提供的目标时空观测数据的获得装置包括：
获取模块41，用于获取原始时空观测数据，所述原始时空观测数据包括观测地点和观测时间点的联合关系矩阵；
确定模块42，用于根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点；以及
所述确定模块42，还用于根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据。
在一个实施例中，所述全局延续参数采用如下公式确定：
Figure GDA0002912461910000091
其中，g(W,H)为所述全局延续参数，W为所述第一子矩阵，H为所述第二子矩阵，‖.‖F为矩阵的F范数，(.)T代表矩阵的转置，λ为超参数。
在一个实施例中，所述确定模块42，具体用于具体采用如下公式来根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定所述第一子矩阵和所述第二子矩阵：
Figure GDA0002912461910000101
其中，X为所述联合关系矩阵，W为所述第一子矩阵，H为所述第二子矩阵，g(W,H)为所述全局延续参数，Ω∈Rm×n记录了X中非零值的位置，PΩ(.)代表按照Ω取出X中对应的值，(.)T代表矩阵的转置，trace(.)是矩阵的际，l(W)为所述局部延续参数，α和β为超参数。
图5为本申请另一实施例提供的目标时空观测数据的获得装置的结构示意图。如图5所示，本实施例提供的目标时空观测数据的获得装置在图4所述实施例的基础上，还包括：
计算抽取模块43，用于在所述确定模块42根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵之前，计算不同观测地点之间的距离，并将计算得到的距离转换成相似度矩阵，以及从所述相似度矩阵中抽取拉普拉斯矩阵，并使用所述拉普拉斯矩阵构建所述局部延续参数。
在一个实施例中，所述局部延续参数采用如下公式确定：
l(X)＝trace(XTLrX)
其中，l(X)为所述局部延续参数，trace(.)是矩阵的际，X为所述联合关系矩阵，(.)T代表矩阵的转置，Lr为所述拉普拉斯矩阵。
在一个实施例中，所述拉普拉斯矩阵采用如下公式确定：
Figure GDA0002912461910000102
其中，Lr为所述拉普拉斯矩阵，Dr＝diag(∑jAr(i,j)，Ar为所述相似度矩阵，I为单位矩阵，
Figure GDA0002912461910000103
d(i,j)为m个观测地点间的距离，其中，i＝1,…,m,j＝1,…m。
在一个实施例中，所述确定模块具体用于：具体采用如下公式根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据：
Figure GDA0002912461910000104
其中，
Figure GDA0002912461910000105
为用于表示所述目标时空观测数据的观测矩阵，W为所述第一子矩阵，H为所述第二子矩阵，(.)T代表矩阵的转置。
在一个实施例中，所述第一子矩阵和所述二子矩阵均通过梯度下降算法进行优化。
在一个实施例中，所述梯度下降算法包括随机梯度下降算法。
本申请各实施例提供的目标时空观测数据的获得装置可用于执行如前述各对应的实施例所示的方法，其实现方式与原理相同，不再赘述。
本申请实施例提供的目标时空观测数据的获得方法及装置，应用于大搜索中的数据挖掘和机器学习，通过获取原始时空观测数据，所述原始时空观测包括观测地点和观测时间点的联合关系矩阵；根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点；以及根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据，能够充分利用时空观测数据的局部延续性和全局延续性来实现对时空观测数据的预测。
根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的目标时空观测数据获得方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的目标时空观测数据的获得方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的目标时空观测数据的获得方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的目标时空观测数据的获得方法的方法对应的程序指令/模块(例如，附图4所示的获取模块41和确定模块42)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的目标时空观测数据的获得方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据目标时空观测数据获得方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至目标时空观测数据获得方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
目标时空观测数据获得方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与目标时空观测数据获得方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算机程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算机程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过获取原始时空观测数据，所述原始时空观测包括观测地点和观测时间点的联合关系矩阵；根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点；以及根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据，能够充分利用时空观测数据的局部延续性和全局延续性来实现对时空观测数据的预测。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种目标时空观测数据的获得方法，包括：
获取原始时空观测数据，所述原始时空观测数据包括观测地点和观测时间点的联合关系矩阵；
计算不同观测地点之间的距离，并将计算得到的距离转换成相似度矩阵；
从所述相似度矩阵中抽取拉普拉斯矩阵，并使用所述拉普拉斯矩阵构建局部延续参数；
根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点；以及
根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据；
所述全局延续参数采用如下公式确定：
Figure QLYQS_1
其中，/>
Figure QLYQS_2
为所述全局延续参数，/>
Figure QLYQS_3
为所述第一子矩阵，/>
Figure QLYQS_4
为所述第二子矩阵，/>
Figure QLYQS_5
为矩阵的F范数，/>
Figure QLYQS_6
代表矩阵的转置，/>
Figure QLYQS_7
为超参数；
其中，所述局部延续参数采用如下公式确定：
Figure QLYQS_8
其中， />
Figure QLYQS_9
为所述局部延续参数，/>
Figure QLYQS_10
是矩阵的迹，/>
Figure QLYQS_11
为所述联合关系矩阵，/>
Figure QLYQS_12
代表矩阵的转置， />
Figure QLYQS_13
为所述拉普拉斯矩阵；
其中，所述拉普拉斯矩阵采用如下公式确定：
Figure QLYQS_15
其中， />
Figure QLYQS_18
为所述拉普拉斯矩阵，/>
Figure QLYQS_25
为所述相似度矩阵， />
Figure QLYQS_17
为单位矩阵，/>
Figure QLYQS_21
为m个观测地点间的距离，其中，
Figure QLYQS_24
所述/>
Figure QLYQS_27
矩阵确定方式如下：使用半正矢公式，根据两点的经度和纬度来确定大圆上两点之间距离的计算方法计算所有m个观测地点间的距离
Figure QLYQS_14
将所得距离作为输入，通过高斯相似度计算公式
Figure QLYQS_19
获得地点i和地点j的相似度，/>
Figure QLYQS_22
为超参数，矩阵/>
Figure QLYQS_26
记录了m个观测地点间的相似度；通过/>
Figure QLYQS_16
建模得到定义在不同观测地点上的无向图/>
Figure QLYQS_20
，其点为各观测点，点与点之间边上的权重为/>
Figure QLYQS_23
中记录的相似度。
2. 根据权利要求1所述的方法，其中，所述根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据，具体采用如下公式：
Figure QLYQS_28
其中， />
Figure QLYQS_29
为用于表示所述目标时空观测数据的观测矩阵，/>
Figure QLYQS_30
为所述第一子矩阵，/>
Figure QLYQS_31
为所述第二子矩阵，/>
Figure QLYQS_32
代表矩阵的转置。
3.根据权利要求1或2所述的方法，其中，所述第一子矩阵和所述第二子矩阵均通过梯度下降算法进行优化。
4.根据权利要求3所述的方法，其中，所述梯度下降算法包括随机梯度下降算法。
5.一种目标时空观测数据的获得装置，包括：
获取模块，用于获取原始时空观测数据，所述原始时空观测数据包括观测地点和观测时间点的联合关系矩阵；
确定模块，用于根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵，其中，所述局部延续参数包括观测地点之间的关系矩阵，所述全局延续参数包括所述联合关系矩阵对应的非凸低秩约束项，所述第一子矩阵用于表征观测地点，所述第二子矩阵用于表征观测时间点；以及
所述确定模块，还用于根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据；
所述全局延续参数采用如下公式确定：
Figure QLYQS_33
其中，/>
Figure QLYQS_34
为所述全局延续参数，/>
Figure QLYQS_35
为所述第一子矩阵，/>
Figure QLYQS_36
为所述第二子矩阵，/>
Figure QLYQS_37
为矩阵的F范数，/>
Figure QLYQS_38
代表矩阵的转置，/>
Figure QLYQS_39
为超参数；
还包括：计算抽取模块，用于在所述确定模块根据所述联合关系矩阵、所述原始时空观测数据的局部延续参数、以及所述原始时空观测数据的全局延续参数，确定第一子矩阵和第二子矩阵之前，计算不同观测地点之间的距离，并将计算得到的距离转换成相似度矩阵，以及从所述相似度矩阵中抽取拉普拉斯矩阵，并使用所述拉普拉斯矩阵构建所述局部延续参数；
其中，所述局部延续参数采用如下公式确定：
Figure QLYQS_40
其中， />
Figure QLYQS_41
为所述局部延续参数，/>
Figure QLYQS_42
是矩阵的迹，/>
Figure QLYQS_43
为所述联合关系矩阵，/>
Figure QLYQS_44
代表矩阵的转置， />
Figure QLYQS_45
为所述拉普拉斯矩阵；
其中，所述拉普拉斯矩阵采用如下公式确定：
Figure QLYQS_47
其中， />
Figure QLYQS_52
为所述拉普拉斯矩阵，/>
Figure QLYQS_55
为所述相似度矩阵， />
Figure QLYQS_48
为单位矩阵，/>
Figure QLYQS_50
为m个观测地点间的距离，其中，
Figure QLYQS_58
所述/>
Figure QLYQS_59
矩阵确定方式如下：使用半正矢公式，根据两点的经度和纬度来确定大圆上两点之间距离的计算方法计算所有m个观测地点间的距离
Figure QLYQS_46
将所得距离作为输入，通过高斯相似度计算公式
Figure QLYQS_51
获得地点i和地点j的相似度，/>
Figure QLYQS_54
为超参数，矩阵/>
Figure QLYQS_57
记录了m个观测地点间的相似度；通过/>
Figure QLYQS_49
建模得到定义在不同观测地点上的无向图/>
Figure QLYQS_53
，其点为各观测点，点与点之间边上的权重为/>
Figure QLYQS_56
中记录的相似度。
6.根据权利要求5所述的装置，其中，所述确定模块具体用于：具体采用如下公式根据所述第一子矩阵和所述二子矩阵，确定所述目标时空观测数据：
Figure QLYQS_60
其中， />
Figure QLYQS_61
为用于表示所述目标时空观测数据的观测矩阵，/>
Figure QLYQS_62
为所述第一子矩阵，/>
Figure QLYQS_63
为所述第二子矩阵，
Figure QLYQS_64
代表矩阵的转置。
7.根据权利要求5或6所述的装置，其中，所述第一子矩阵和所述第二子矩阵均通过梯度下降算法进行优化。
8.根据权利要求7所述的装置，其中，所述梯度下降算法包括随机梯度下降算法。
9. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
CN202010617219.1A 2020-06-30 2020-06-30 目标时空观测数据的获得方法、装置、设备及存储介质 Active CN111783032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010617219.1A CN111783032B (zh) 2020-06-30 2020-06-30 目标时空观测数据的获得方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010617219.1A CN111783032B (zh) 2020-06-30 2020-06-30 目标时空观测数据的获得方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111783032A CN111783032A (zh) 2020-10-16
CN111783032B true CN111783032B (zh) 2023-07-04

Family

ID=72760354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010617219.1A Active CN111783032B (zh) 2020-06-30 2020-06-30 目标时空观测数据的获得方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111783032B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010138536A1 (en) * 2009-05-27 2010-12-02 Yin Zhang Method and apparatus for spatio-temporal compressive sensing
CN106157339A (zh) * 2016-07-05 2016-11-23 华南理工大学 基于低秩顶点轨迹子空间提取的动画网格序列压缩算法
JP2018022237A (ja) * 2016-08-01 2018-02-08 日本電信電話株式会社 予測装置、予測方法及びプログラム
CN108415883A (zh) * 2018-02-13 2018-08-17 中国科学院西安光学精密机械研究所 基于子空间聚类的凸非负矩阵分解方法
WO2019056572A1 (zh) * 2017-09-25 2019-03-28 深圳大学 隐私保护协同Web服务质量预测的基于模型的协同过滤方法
CN110032704A (zh) * 2018-05-15 2019-07-19 腾讯科技（深圳）有限公司 数据处理方法、装置、终端及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010138536A1 (en) * 2009-05-27 2010-12-02 Yin Zhang Method and apparatus for spatio-temporal compressive sensing
CN106157339A (zh) * 2016-07-05 2016-11-23 华南理工大学 基于低秩顶点轨迹子空间提取的动画网格序列压缩算法
JP2018022237A (ja) * 2016-08-01 2018-02-08 日本電信電話株式会社 予測装置、予測方法及びプログラム
WO2019056572A1 (zh) * 2017-09-25 2019-03-28 深圳大学 隐私保护协同Web服务质量预测的基于模型的协同过滤方法
CN108415883A (zh) * 2018-02-13 2018-08-17 中国科学院西安光学精密机械研究所 基于子空间聚类的凸非负矩阵分解方法
CN110032704A (zh) * 2018-05-15 2019-07-19 腾讯科技（深圳）有限公司 数据处理方法、装置、终端及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Reduced-rank space-time adaptive processing to radar measure data;Xiao-Qin Wen 等;《Proceedings of the 10th World Congress on Intelligent Control and Automation》;全文 *
块对角拉普拉斯约束的平滑聚类算法;郑建炜;朱文博;王万良;陈婉君;;计算机辅助设计与图形学学报(第01期);全文 *
基于低秩和局部约束矩阵估计的链接预测方法;刘冶;印鉴;邓泽亚;王智圣;潘炎;;计算机科学与探索(第03期);全文 *

Also Published As

Publication number Publication date
CN111783032A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN111582453B (zh) 生成神经网络模型的方法和装置
CN109902186B (zh) 用于生成神经网络的方法和装置
CN111523597B (zh) 目标识别模型训练方法、装置、设备以及存储介质
CN110633797B (zh) 网络模型结构的搜索方法、装置以及电子设备
US20190318256A1 (en) Method, apparatus and system for estimating causality among observed variables
US11521370B2 (en) Point cloud data processing method, apparatus, electronic device and computer readable storage medium
CN111311321B (zh) 用户消费行为预测模型训练方法、装置、设备及存储介质
CN111582479B (zh) 神经网络模型的蒸馏方法和装置
CN111695695B (zh) 用户决策行为量化分析方法及装置
CN112559870B (zh) 多模型融合方法、装置、电子设备和存储介质
CN111553279B (zh) 兴趣点的表征学习、识别方法、装置、设备及存储介质
CN110795569A (zh) 知识图谱的向量表示生成方法、装置及设备
CN110580520A (zh) 基于超网络的模型结构采样、装置以及电子设备
CN112148975A (zh) 会话推荐方法、装置及设备
CN112001265B (zh) 视频事件识别方法、装置、电子设备及存储介质
CN111767833A (zh) 模型生成方法、装置、电子设备及存储介质
CN112288483A (zh) 用于训练模型的方法和装置、用于生成信息的方法和装置
CN112380104A (zh) 用户属性识别方法、装置、电子设备及存储介质
CN111640103A (zh) 图像检测方法、装置、设备以及存储介质
CN111783032B (zh) 目标时空观测数据的获得方法、装置、设备及存储介质
CN112580723A (zh) 多模型融合方法、装置、电子设备和存储介质
US11830207B2 (en) Method, apparatus, electronic device and readable storage medium for point cloud data processing
Bosma et al. Estimating solar and wind power production using computer vision deep learning techniques on weather maps
CN115618099A (zh) 神经网络架构搜索的方法、装置及电子设备
CN111753960B (zh) 模型训练及图像处理方法、装置、电子设备、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
GR01 Patent grant
GR01 Patent grant