CN113255920B - 基于大数据的动态系统事理灾变因果推断方法和系统 - Google Patents

基于大数据的动态系统事理灾变因果推断方法和系统 Download PDF

Info

Publication number
CN113255920B
CN113255920B CN202110723733.8A CN202110723733A CN113255920B CN 113255920 B CN113255920 B CN 113255920B CN 202110723733 A CN202110723733 A CN 202110723733A CN 113255920 B CN113255920 B CN 113255920B
Authority
CN
China
Prior art keywords
variable
catastrophe
time
state
dynamic
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
CN202110723733.8A
Other languages
English (en)
Other versions
CN113255920A (zh
Inventor
王军平
林建鑫
苑瑞文
施金彤
唐永强
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202110723733.8A priority Critical patent/CN113255920B/zh
Publication of CN113255920A publication Critical patent/CN113255920A/zh
Application granted granted Critical
Publication of CN113255920B publication Critical patent/CN113255920B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明属于大数据领域，具体涉及了一种基于大数据的动态复杂系统事理灾变因果推断方法和系统。本发明方法包括：基于动态系统的多元时间序列历史数据，通过求解哈密顿方程，构造出系统演化超图模型；获取当前时刻变量的连续状态数据，通过系统演化超图模型生成不同时刻多元变量因果独立同分布，并进行灾变动力方程求解，识别各时刻的系统灾变临界区域分布，构建事理灾变实例库；对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，基于预设调整策略进行多物理变量状态干预调整。本发明提高了变量节点状态预测的准确度，实现了系统事理灾变临界区域的快速识别，通过干预预防复杂系统内部多元参数突变。

Description

基于大数据的动态系统事理灾变因果推断方法和系统
技术领域
本发明属于大数据智能处理领域，具体涉及了一种基于大数据的动态复杂系统事理灾变因果推断方法和系统。
背景技术
物理系统随着系统内部参数、系统间与环境之间存在依赖、竞争、关联等复杂的作用，形成了各种来源多模态信息模型。各种内部或者外部变量参数之间遵循系统动力学法相互信息作用影响，这种动力学动态扩张相互作用产生测试数据和训练数据来自不同分布空间，从而产生相变现象，使得现有机器学习方法难以准确预测物理系统未来的行为，推断干预的效果以及预测变量间的统计相关性。具体来说就是两个变量在很长一段时间内，看起来都是高度相关的，但是可能突然就变得毫不相关，称之为突变。这种灾变前兆特征真假难辨、症兆隐蔽、波动性强等问题，采用传统非常规突发事件应急预警方式，难以表征动态复杂系统事理灾变的阶跃点和推断成因。
发明内容
为了解决现有技术中的上述问题，即动态系统事理因果表征和推断分析问题，本发明提供了一种基于大数据的动态系统事理灾变因果推断方法，包括以下步骤：
步骤S100，基于动态复杂系统的多元时间序列历史数据，通过求解哈密顿方程，构造出系统演化超图模型；
步骤S200，获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库；
步骤S300，对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，并基于预设的调整策略进行多物理变量状态干预调整。
进一步的，所述构造系统演化超图模型，其构建方法包括：
步骤S110，基于动态复杂系统的多元历史时间序列数据，通过空域循环记忆编码 技术，提取
Figure 768480DEST_PATH_IMAGE001
时刻系统参数变量节点
Figure 694847DEST_PATH_IMAGE002
，其中
Figure 774799DEST_PATH_IMAGE003
表示
Figure 862841DEST_PATH_IMAGE001
时刻第
Figure 395453DEST_PATH_IMAGE004
时序变量节 点，
Figure 859932DEST_PATH_IMAGE005
表示
Figure 810702DEST_PATH_IMAGE001
时刻训练样本数目，通过对变量节点间距离进行欧式几何度量，形成了覆盖多元 变量节点的超边
Figure 69645DEST_PATH_IMAGE006
，并为每个超边赋予权重
Figure 89554DEST_PATH_IMAGE007
，通过Cayley公式，生成了多元关联时序超图 表示模型
Figure 357724DEST_PATH_IMAGE008
；
步骤S120，对多元关联时序超图表示模型
Figure 146688DEST_PATH_IMAGE008
超边
Figure 576533DEST_PATH_IMAGE006
，通过求解哈密顿方程， 构造出超边
Figure 83737DEST_PATH_IMAGE006
动态演化方程
Figure 401937DEST_PATH_IMAGE009
，其中
Figure 45407DEST_PATH_IMAGE010
表示
Figure 911732DEST_PATH_IMAGE001
时刻多元变量相关的初始状 态，
Figure 640654DEST_PATH_IMAGE011
表示
Figure 250627DEST_PATH_IMAGE001
到
Figure 748604DEST_PATH_IMAGE012
区间的新旧变量节点间相关边增减演化状态，进而构造出系统演化超图 模型
Figure 785830DEST_PATH_IMAGE013
，其中，下标
Figure 18360DEST_PATH_IMAGE004
为变量节点的标号。
进一步的，步骤S200中“获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库”，其方法为：
步骤S210，获取某个特定系统当前时刻
Figure 166444DEST_PATH_IMAGE001
变量节点
Figure 784507DEST_PATH_IMAGE003
，通过系统演化超图模型
Figure 992635DEST_PATH_IMAGE013
，生成
Figure 696149DEST_PATH_IMAGE001
时刻的多元变量关联超边的动态演化方程
Figure 647924DEST_PATH_IMAGE014
；
步骤S220，基于所述
Figure 120494DEST_PATH_IMAGE001
时刻多元变量关联超边的动态演化方程
Figure 14369DEST_PATH_IMAGE014
，通过条件因果 独立同分布计算，获取一系列变量
Figure 205179DEST_PATH_IMAGE015
之间结构演化因果分布
Figure 695066DEST_PATH_IMAGE016
；
步骤S230，基于所述不同时刻因果分布
Figure 287722DEST_PATH_IMAGE017
，通过因果变量灾变动力方程求 解，获取各时刻变量节点
Figure 572073DEST_PATH_IMAGE003
状态突变节点和不规则震荡节点；
步骤S240，对各时刻变量节点中的状态突变节点和不规则震荡节点，通过拉格朗日未定乘子法构建多元格兰杰因果关系，获取物理变量灾变曲线，构建事理灾变实例库。
进一步的，步骤S230中“计算未来各时刻变量节点
Figure 250179DEST_PATH_IMAGE003
状态突变节点和不规则震荡 节点”，其方法为：
基于
Figure 560068DEST_PATH_IMAGE018
时刻变量节点标号为
Figure 7230DEST_PATH_IMAGE004
的最优状态数据
Figure 728062DEST_PATH_IMAGE019
，获取
Figure 627884DEST_PATH_IMAGE001
时刻变量节点 标号为
Figure 459574DEST_PATH_IMAGE004
的状态数据
Figure 26822DEST_PATH_IMAGE020
，计算方法如下：
Figure 184134DEST_PATH_IMAGE021
其中，
Figure 823450DEST_PATH_IMAGE022
表示
Figure 458831DEST_PATH_IMAGE001
时刻的所有变量节点状态突变系数，
Figure 146164DEST_PATH_IMAGE005
表示
Figure 208798DEST_PATH_IMAGE001
时刻训练样本数目，
Figure 83213DEST_PATH_IMAGE023
为
Figure 256705DEST_PATH_IMAGE001
时刻的多元变量关联超边的动态演化方程；
通过灾变动力方程求解，获取
Figure 532966DEST_PATH_IMAGE024
的灾变概率分布方程
Figure 517233DEST_PATH_IMAGE025
：
Figure 878945DEST_PATH_IMAGE026
其中，
Figure 856128DEST_PATH_IMAGE027
为
Figure 252474DEST_PATH_IMAGE018
时刻全参数变量因果多条件独立分布
Figure 656911DEST_PATH_IMAGE028
的协方 差，
Figure 505918DEST_PATH_IMAGE029
为不同时间间隔变量节点间依赖关系，
Figure 286792DEST_PATH_IMAGE030
是
Figure 521333DEST_PATH_IMAGE029
的转置矩阵，
Figure 96671DEST_PATH_IMAGE031
为节点
Figure 698554DEST_PATH_IMAGE003
状态突变和不规 则震荡增益系统；
Figure 17540DEST_PATH_IMAGE032
其中，
Figure 122899DEST_PATH_IMAGE033
为
Figure 869138DEST_PATH_IMAGE001
时刻的态势增益，
Figure 692738DEST_PATH_IMAGE035
为
Figure 566147DEST_PATH_IMAGE001
时刻变量节点邻接灾 变熵；
Figure 526013DEST_PATH_IMAGE036
其中，
Figure 708732DEST_PATH_IMAGE037
为系统因果反演系统，
Figure 754049DEST_PATH_IMAGE038
表示超图结构突变系数：
Figure 414837DEST_PATH_IMAGE039
通过不断
Figure 494789DEST_PATH_IMAGE031
计算，获取各时刻变量节点
Figure 582830DEST_PATH_IMAGE003
状态突变和不规则震荡区域分布
Figure 627360DEST_PATH_IMAGE025
；
进一步的，步骤S300中“对事理灾变实例库中各种各样灾变样本，通过灾变区域内 变量节点
Figure 91839DEST_PATH_IMAGE040
状态灾变自损失信息的推理计算，获取物理变量灾变曲线，并基于预设的调整策 略进行多物理变量状态干预调整，干预事理灾变风险发生”，其方法为：
步骤S310，对事理灾变实例库中各种各样灾变样本，进行灾变区域内变量节点
Figure 26297DEST_PATH_IMAGE003
状态灾变自损失信息的推理计算，刻画多物理变量灾变曲线；
步骤S320，对所述多物理变量灾变曲线，借助预设的案例库、专家库、预案库中的一种或多种，基于预设的调整策略进行多物理变量状态干预调整，阻断复杂系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生。
进一步的，步骤S310中“对事理灾变实例库中各种各样灾变样本，进行灾变区域内 变量节点
Figure 285240DEST_PATH_IMAGE003
状态灾变自损失信息的推理计算，刻画多物理变量灾变曲线”，其方法为：
假定研究对象为某一区域，
Figure 305149DEST_PATH_IMAGE001
时刻
Figure 307740DEST_PATH_IMAGE041
表示某变量节点状态：
Figure 113016DEST_PATH_IMAGE005
为当前时刻
Figure 339598DEST_PATH_IMAGE001
所有变量 节点个数，即
Figure 846803DEST_PATH_IMAGE001
时刻训练样本数目，当
Figure 653085DEST_PATH_IMAGE041
不同时刻节点状态相关因数不同分布，某变量节点 相应的灾变区域概率分布为
Figure 562135DEST_PATH_IMAGE042
；
Figure 412148DEST_PATH_IMAGE043
。通过拉格朗日二阶求导，可以构造出多物理变 量灾变曲线：
Figure 406649DEST_PATH_IMAGE044
其中，
Figure 751043DEST_PATH_IMAGE042
为变量节点状态衰减的发生概率，变量节点
Figure 514599DEST_PATH_IMAGE041
状态灾变自损失信息为
Figure 551825DEST_PATH_IMAGE045
。那么该区域内变量节点状态灾变的衰减熵：
Figure 33622DEST_PATH_IMAGE046
进一步的，步骤S320中“对所述多物理变量灾变曲线，借助预设的案例库、反例库中的一种或多种，进行基于预设的调整策略进行多物理变量状态干预调整，阻断复杂系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生”，其方法为：
通过对物理变量灾变曲线，进行灰色度建模分析，将已知数据列构成的灰色模型 （Grey Model）。也就是将序列转化为微分方程，从而建立灰色
Figure 181707DEST_PATH_IMAGE047
模型其中
Figure 550502DEST_PATH_IMAGE048
表示微分方 程的阶数，
Figure 758630DEST_PATH_IMAGE005
表示变量的个数，即：
Figure 462144DEST_PATH_IMAGE049
其中，a表示正反演案例模板，b表示负反演案例模板，
Figure 148340DEST_PATH_IMAGE050
代表第
Figure 152068DEST_PATH_IMAGE051
个负反演案例 模板，
Figure 531097DEST_PATH_IMAGE052
代表中心节点物理变量负灾变灰度，
Figure 721907DEST_PATH_IMAGE053
代表中心节点物理变量正常状态，
Figure 463991DEST_PATH_IMAGE054
代表第
Figure 791067DEST_PATH_IMAGE004
个节点物理变量灾变概率
Figure 606577DEST_PATH_IMAGE055
，
Figure 284683DEST_PATH_IMAGE056
代表超图的因果超边可逆正反演案例
Figure 578261DEST_PATH_IMAGE057
，
Figure 25423DEST_PATH_IMAGE055
代表
Figure 480675DEST_PATH_IMAGE001
时刻的所有物理状态突变系数。
通过对多物理变量灾变曲线进行灰色度建模分析寻求它的统计规律和概率分布，将杂乱无章的原始数据列，通过一定的方法处理，变成比较有规律的时间序列数据，即以数找数的规律，再建立动态模拟。对于原始数据以一定的方法进行处理，其目的是将建立模型提供中间信息，并将原始数据的波动性弱化。新生成的数列给出以单调增长的曲线，增加了原始数据的规律性，而弱化了波动性。一般来讲，对于非负数据，累加可以弱化波动，增加规律性，这样就比较容易用函数取逼近拟合，阻断复杂系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生。
本发明第二实施例，提出了一种基于大数据的动态复杂系统事理灾变因果推断系统，包括第一模块、第二模块、第三模块；
所述第一模块，配置为基于动态系统的多元关联时序超图表示模型，通过求解哈密顿方程，构造出系统演化超图模型；
所述第二模块，配置为获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库；
所述第三模块，配置为对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，并基于预设的调整策略进行多物理变量状态干预调整。
本发明第三实施例，提出了一种电子设备，包括：
至少一个处理器；以及
与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于大数据的动态复杂系统事理灾变因果推断方法。
本发明第四实施例，提出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计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于大数据的动态复杂系统事理灾变因果推断方法。
本发明的有益效果：
本发明基于复杂系统的多元时间序列历史数据构造系统动力学超图模型，并基于当前时刻变量节点的连续状态数据计算未来各时刻的变量节点的状态，提高了变量节点状态预测的准确度，实现了系统事理灾变临界区域的快速识别；通过事理风险因果关联动力学曲线的构建，结合反事实推理方法可以获取复杂系统事理灾变的因果推断关系，提升了对动态系统事理灾变因果预测准确性；基于预设调整策略库，形成干预策略，可以有效的提前干预内部多参数变量特征突变、结构动力学不规则扩展等关键指标，预防复杂系统内部多元参数突变。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于大数据的动态复杂系统事理灾变因果推断方法的流程示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明第一实施例的基于大数据的动态复杂系统事理灾变因果推断方法，包括以下步骤：
步骤S100，基于动态系统的多元关联时序超图表示模型，通过求解哈密顿方程，构造出系统演化超图模型；
步骤S200，获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库；
步骤S300，对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，并基于预设的调整策略进行多物理变量状态干预调整。
为了更清晰地对本发明进行说明，下面结合附图对本发明实施例展开详述。
本发明一种实施例的基于大数据的动态复杂系统事理灾变因果推断方法，包括步骤S100-S300。
步骤S100，基于动态系统的多元时间序列历史数据，通过求解哈密顿方程，构造出系统演化超图模型。
复杂系统（即上述的动态系统）包含许多相互作用的元素，它们通过一个网络相连，并按照一定的动力学法则发生相互作用。对复杂系统分析、预测的基础是其运行过程中全参数变量在时间序列上构成的多元时间序列数据，即系统历史行为数据（即上述的多元时间序列历史数据）。
通过求解哈密顿方程，构造出的系统动力学超图模型，即复杂系统事理动态数字字典，本步骤是从数据、行为构建数字字典的过程。
本实施例中，步骤S100可以通过以下所示的步骤S110-S120进行详细说明。
步骤S110，基于复杂系统的多元历史时间序列数据，通过空域循环记忆编码技术， 提取
Figure 396809DEST_PATH_IMAGE001
时刻系统参数变量节点
Figure 228499DEST_PATH_IMAGE002
，其中
Figure 795747DEST_PATH_IMAGE003
表示
Figure 687479DEST_PATH_IMAGE001
时刻第
Figure 340177DEST_PATH_IMAGE004
时序变量节点，
Figure 975558DEST_PATH_IMAGE005
表示
Figure 646580DEST_PATH_IMAGE001
时刻训练样本数目，通过对变量节点间距离进行欧式几何度量，形成了覆盖多元变量 节点的超边
Figure 709214DEST_PATH_IMAGE006
，并为每个超边赋予权重
Figure 583629DEST_PATH_IMAGE007
，通过Cayley公式，生成了多元关联时序超图表示 模型
Figure 22700DEST_PATH_IMAGE008
；
步骤S120，对多元关联时序超图表示模型
Figure 298961DEST_PATH_IMAGE008
超边
Figure 532496DEST_PATH_IMAGE006
，通过求解哈密顿方程， 构造出超边
Figure 159787DEST_PATH_IMAGE006
动态演化方程
Figure 887702DEST_PATH_IMAGE009
，其中
Figure 18469DEST_PATH_IMAGE010
表示
Figure 422906DEST_PATH_IMAGE001
时刻多元变量相关的初始状 态，
Figure 271913DEST_PATH_IMAGE011
表示
Figure 787208DEST_PATH_IMAGE001
到
Figure 38061DEST_PATH_IMAGE012
区间的新旧变量节点间相关边增减演化状态，进而构造出系统演化超图 模型
Figure 613399DEST_PATH_IMAGE013
，其中，下标
Figure 461619DEST_PATH_IMAGE004
为变量节点的标号。
步骤S200，获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库。
基于获取的当前时刻变量的连续状态数据以及步骤S100中获取的多个复杂系统对应的系统演化超图模型，进行状态变量类型的匹配，获得当前时刻变量的连续状态数据对应的系统因果演化超图模型。
本实施例中，步骤S200可以通过以下所示的步骤S210-S240进行详细说明。
步骤S210，获取某个特定系统当前时刻
Figure 780605DEST_PATH_IMAGE001
变量节点
Figure 885964DEST_PATH_IMAGE003
，通过系统演化超图模型
Figure 632203DEST_PATH_IMAGE013
，生成
Figure 190224DEST_PATH_IMAGE001
时刻的多元变量关联超边的动态演化方程
Figure 578480DEST_PATH_IMAGE014
；
步骤S220，基于所述
Figure 538346DEST_PATH_IMAGE001
时刻多元变量关联超边的动态演化方程
Figure 206218DEST_PATH_IMAGE014
，通过条件因果 独立同分布计算，获取一系列变量
Figure 517114DEST_PATH_IMAGE015
之间结构演化因果分布
Figure 177902DEST_PATH_IMAGE016
；
步骤S230，基于所述不同时刻因果分布
Figure 992275DEST_PATH_IMAGE017
，通过因果变量灾变动力方程求 解，获取各时刻变量节点
Figure 345896DEST_PATH_IMAGE003
状态突变节点和不规则震荡节点；
步骤S240，对各时刻变量节点中的状态突变节点和不规则震荡节点，通过拉格朗日未定乘子法构建多元格兰杰因果关系，获取物理变量灾变曲线，构建事理灾变实例库。
进一步的，步骤S230中“计算未来各时刻变量节点
Figure 144087DEST_PATH_IMAGE003
状态突变节点和不规则震荡 节点”，其方法为：
基于
Figure 608567DEST_PATH_IMAGE018
时刻变量节点标号为
Figure 526713DEST_PATH_IMAGE004
的最优状态数据
Figure 51235DEST_PATH_IMAGE019
，获取
Figure 71144DEST_PATH_IMAGE001
时刻变量节点 标号为
Figure 73735DEST_PATH_IMAGE004
的状态数据
Figure 862699DEST_PATH_IMAGE020
，计算方法如下：
Figure 823702DEST_PATH_IMAGE021
其中，
Figure 65328DEST_PATH_IMAGE022
表示
Figure 622342DEST_PATH_IMAGE001
时刻的所有变量节点状态突变系数，
Figure 531392DEST_PATH_IMAGE005
表示
Figure 132138DEST_PATH_IMAGE001
时刻训练样本数目，
Figure 126639DEST_PATH_IMAGE023
为
Figure 736612DEST_PATH_IMAGE001
时刻的多元变量关联超边的动态演化方程；
通过灾变动力方程求解，获取
Figure 500168DEST_PATH_IMAGE024
的灾变概率分布方程
Figure 271815DEST_PATH_IMAGE025
：
Figure 5809DEST_PATH_IMAGE026
其中，
Figure 153894DEST_PATH_IMAGE027
为
Figure 771957DEST_PATH_IMAGE018
时刻全参数变量因果多条件独立分布
Figure 245664DEST_PATH_IMAGE028
的协方 差，
Figure 949178DEST_PATH_IMAGE029
为不同时间间隔变量节点间依赖关系，
Figure 635374DEST_PATH_IMAGE030
是
Figure 373523DEST_PATH_IMAGE029
的转置矩阵，
Figure 237705DEST_PATH_IMAGE031
为节点
Figure 428515DEST_PATH_IMAGE058
状态突变和不规 则震荡增益系统；
Figure 183981DEST_PATH_IMAGE060
其中，
Figure 776636DEST_PATH_IMAGE062
为
Figure 326566DEST_PATH_IMAGE064
时刻的态势增益，
Figure 4672DEST_PATH_IMAGE035
为
Figure 32671DEST_PATH_IMAGE064
时刻变量节点邻接灾 变熵；
Figure 994680DEST_PATH_IMAGE036
其中，
Figure 715511DEST_PATH_IMAGE037
为系统因果反演系统，
Figure 880913DEST_PATH_IMAGE038
表示超图结构突变系数：
Figure 712603DEST_PATH_IMAGE039
通过不断
Figure 14271DEST_PATH_IMAGE031
计算，获取各时刻变量节点
Figure 906004DEST_PATH_IMAGE003
状态突变和不规则震荡区域分布
Figure 558702DEST_PATH_IMAGE025
；
步骤S300，对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，并基于预设的调整策略进行多物理变量状态干预调整。
通过该步骤，可以提前干预内部多参数变量特征突变、结构动力学不规则扩展等关键指标，预防复杂系统内部多元参数突变。
本实施例中，步骤S300可以通过以下所示的步骤S310-S330进行详细说明。
步骤S310，对事理灾变实例库中各种各样灾变样本，进行灾变区域内变量节点
Figure 944815DEST_PATH_IMAGE003
状态灾变自损失信息的推理计算，刻画多物理变量灾变曲线；
步骤S320，对所述多物理变量灾变曲线，借助预设的案例库、专家库、预案库中的一种或多种，基于预设的调整策略进行多物理变量状态干预调整，阻断系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生。
进一步的，步骤S310中“对事理灾变实例库中各种各样灾变样本，进行灾变区域内 变量节点
Figure 366569DEST_PATH_IMAGE003
状态灾变自损失信息的推理计算，刻画多物理变量灾变曲线”，其方法为：
假定研究对象为某一区域，
Figure 429203DEST_PATH_IMAGE001
时刻
Figure 303618DEST_PATH_IMAGE041
表示某变量节点状态：
Figure 742690DEST_PATH_IMAGE005
为当前时刻
Figure 18951DEST_PATH_IMAGE001
所有变量 节点个数，即
Figure 252486DEST_PATH_IMAGE001
时刻训练样本数目，当
Figure 149552DEST_PATH_IMAGE041
不同时刻节点状态相关因数不同分布，某变量节点 相应的灾变区域概率分布为
Figure 861156DEST_PATH_IMAGE042
；
Figure 257502DEST_PATH_IMAGE043
。通过拉格朗日二阶求导，可以构造出多物理变 量灾变曲线：
Figure 661939DEST_PATH_IMAGE044
其中，
Figure 510946DEST_PATH_IMAGE042
为变量节点状态衰减的发生概率，变量节点
Figure 26241DEST_PATH_IMAGE041
状态灾变自损失信息为
Figure 277094DEST_PATH_IMAGE045
。那么该区域内变量节点状态灾变的衰减熵：
Figure 868743DEST_PATH_IMAGE046
进一步的，步骤S320中“对所述多物理变量灾变曲线，借助预设的案例库、反例库中的一种或多种，进行基于预设的调整策略进行多物理变量状态干预调整，阻断复杂系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生”，其方法为：
通过对物理变量灾变曲线，进行灰色度建模分析，将已知数据列构成的灰色模型 （Grey Model）。也就是将序列转化为微分方程，从而建立灰色
Figure 205046DEST_PATH_IMAGE047
模型其中
Figure 524032DEST_PATH_IMAGE048
表示微分方 程的阶数，
Figure 629392DEST_PATH_IMAGE005
表示变量的个数，即：
Figure 375631DEST_PATH_IMAGE049
其中，a表示正反演案例模板，b表示负反演案例模板，
Figure 933651DEST_PATH_IMAGE050
代表第
Figure 56328DEST_PATH_IMAGE051
个负反演案例 模板，
Figure 531040DEST_PATH_IMAGE052
代表中心节点物理变量负灾变灰度，
Figure 448181DEST_PATH_IMAGE053
代表中心节点物理变量正常状态，
Figure 759076DEST_PATH_IMAGE054
代表第
Figure 419865DEST_PATH_IMAGE004
个节点物理变量灾变概率
Figure 234237DEST_PATH_IMAGE055
，
Figure 587858DEST_PATH_IMAGE056
代表超图的因果超边可逆正反演案例
Figure 136782DEST_PATH_IMAGE057
，
Figure 335682DEST_PATH_IMAGE055
代表
Figure 270140DEST_PATH_IMAGE001
时刻的所有物理状态突变系数。
通过对多物理变量灾变曲线进行灰色度建模分析寻求它的统计规律和概率分布，而是将杂乱无章的原始数据列，通过一定的方法处理，变成比较有规律的时间序列数据，即以数找数的规律，再建立动态模拟。对于原始数据以一定的方法进行处理，其目的是将建立模型提供中间信息，并将原始数据的波动性弱化。新生成的数列给出以单调增长的曲线，增加了原始数据的规律性，而弱化了波动性。一般来讲，对于非负数据，累加可以弱化波动，增加规律性，这样就比较容易用函数取逼近拟合，阻断复杂系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生。
本发明第二实施例的基于大数据的动态复杂系统事理灾变因果推断系统，包括第一模块、第二模块、第三模块；
所述第一模块，配置为基于动态系统的多元关联时序超图表示模型，通过求解哈密顿方程，构造出系统演化超图模型；
所述第二模块，配置为获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库；
所述第三模块，配置为对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，并基于预设的调整策略进行多物理变量状态干预调整。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于大数据的动态复杂系统事理灾变因果推断系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种电子设备，包括：
至少一个处理器；以及
与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于大数据的动态复杂系统事理灾变因果推断方法。
本发明第四实施例的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计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于大数据的动态复杂系统事理灾变因果推断方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、 “第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (7)

1.一种基于大数据的动态系统事理灾变因果推断方法，其特征在于，该方法包括：
步骤S100，基于动态复杂系统的多元时间序列历史数据，通过求解哈密顿方程，构造出系统演化超图模型，具体包括：
步骤S110，基于动态复杂系统的多元历史时间序列数据，通过空域循环记忆编码技术，提取
Figure 134786DEST_PATH_IMAGE001
时刻系统参数变量节点
Figure 161648DEST_PATH_IMAGE002
，其中
Figure 815483DEST_PATH_IMAGE003
表示
Figure 244190DEST_PATH_IMAGE001
时刻第
Figure 302276DEST_PATH_IMAGE004
时序变量节点，
Figure 144330DEST_PATH_IMAGE005
表示
Figure 273960DEST_PATH_IMAGE001
时刻训练样本数目；
通过对变量节点间距离进行欧式几何度量，生成覆盖多元变量节点的超边
Figure 481475DEST_PATH_IMAGE006
，并为每个超边赋予权重
Figure 366255DEST_PATH_IMAGE007
，通过Cayley公式，生成多元关联时序超图表示模型
Figure 367709DEST_PATH_IMAGE008
；
步骤S120，对多元关联时序超图表示模型
Figure 973134DEST_PATH_IMAGE008
的超边
Figure 376433DEST_PATH_IMAGE006
，通过求解哈密顿方程，构造出超边
Figure 166535DEST_PATH_IMAGE006
的动态演化方程
Figure 576656DEST_PATH_IMAGE009
，其中
Figure 313668DEST_PATH_IMAGE010
表示
Figure 368212DEST_PATH_IMAGE001
时刻多元变量相关的初始状态，
Figure 204581DEST_PATH_IMAGE011
表示
Figure 977365DEST_PATH_IMAGE001
到
Figure 252488DEST_PATH_IMAGE012
区间的新旧变量节点间相关边增减演化状态，进而构造出系统演化超图模型
Figure 551751DEST_PATH_IMAGE013
，其中，下标
Figure 886918DEST_PATH_IMAGE004
为变量节点的标号；
步骤S200，获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库，具体包括：
步骤S210，获取某个特定系统当前时刻
Figure 146998DEST_PATH_IMAGE001
的变量节点
Figure 225812DEST_PATH_IMAGE003
，通过系统演化超图模型
Figure 395894DEST_PATH_IMAGE013
，生成该特定系统
Figure 433120DEST_PATH_IMAGE001
时刻的多元变量关联超边的动态演化方程
Figure 383758DEST_PATH_IMAGE014
；
步骤S220，基于所述
Figure 187635DEST_PATH_IMAGE001
时刻多元变量关联超边的动态演化方程
Figure 274540DEST_PATH_IMAGE014
，通过条件因果独立同分布计算，获取一系列变量
Figure 748246DEST_PATH_IMAGE015
之间的结构演化因果分布
Figure 920602DEST_PATH_IMAGE016
；
步骤S230，基于所述因果分布
Figure 278902DEST_PATH_IMAGE017
，通过因果变量灾变动力方程求解，获取各时刻变量节点
Figure 17051DEST_PATH_IMAGE003
状态突变和不规则震荡节点；
步骤S240，对各时刻变量节点中的状态突变节点和不规则震荡节点，通过拉格朗日未定乘子法构建多元格兰杰因果关系，获取物理变量灾变曲线，构建事理灾变实例库；
步骤S300，对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，并基于预设的调整策略进行多物理变量状态干预调整；
其中，步骤S230中各时刻变量节点
Figure 864921DEST_PATH_IMAGE003
状态突变和不规则震荡节点，其获取方法为：
基于
Figure 714453DEST_PATH_IMAGE018
时刻标号为
Figure 673182DEST_PATH_IMAGE004
的变量节点的最优状态数据
Figure 796995DEST_PATH_IMAGE019
，获取
Figure 815767DEST_PATH_IMAGE001
时刻标号为
Figure 634818DEST_PATH_IMAGE004
的变量节点的状态数据
Figure 397238DEST_PATH_IMAGE020
，计算方法为：
Figure 375558DEST_PATH_IMAGE021
其中，
Figure 486603DEST_PATH_IMAGE022
表示
Figure 120846DEST_PATH_IMAGE001
时刻的所有变量节点状态突变系数，
Figure 218115DEST_PATH_IMAGE005
表示
Figure 660729DEST_PATH_IMAGE001
时刻训练样本数目，
Figure 83620DEST_PATH_IMAGE023
为
Figure 939581DEST_PATH_IMAGE001
时刻的多元变量关联超边的动态演化方程；
通过灾变动力方程求解，获取
Figure 965174DEST_PATH_IMAGE024
的灾变概率分布方程
Figure 918087DEST_PATH_IMAGE025
：
Figure 121666DEST_PATH_IMAGE026
其中，
Figure 261661DEST_PATH_IMAGE027
为
Figure 903995DEST_PATH_IMAGE018
时刻全参数变量因果多条件独立分布
Figure 570468DEST_PATH_IMAGE028
的协方差，
Figure 335162DEST_PATH_IMAGE029
为不同时间间隔变量节点间依赖关系，
Figure 837818DEST_PATH_IMAGE030
是
Figure 283843DEST_PATH_IMAGE029
的转置矩阵，
Figure 945769DEST_PATH_IMAGE031
为节点
Figure 997208DEST_PATH_IMAGE032
状态突变和不规则震荡增益系统；
Figure 49478DEST_PATH_IMAGE033
其中，
Figure 95932DEST_PATH_IMAGE034
为
Figure 753309DEST_PATH_IMAGE001
时刻的态势增益，
Figure 594226DEST_PATH_IMAGE035
为
Figure 133792DEST_PATH_IMAGE001
时刻变量节点邻接灾变熵；
Figure 108570DEST_PATH_IMAGE036
其中，
Figure 479508DEST_PATH_IMAGE037
为系统因果反演系统，
Figure 366693DEST_PATH_IMAGE038
表示超图结构突变系数：
Figure 659134DEST_PATH_IMAGE039
。
2.根据权利要求1所述的基于大数据的动态系统事理灾变因果推断方法，其特征在于，步骤S300包括：
步骤S310，对事理灾变实例库中各种各样灾变样本，进行灾变区域内变量节点
Figure 47390DEST_PATH_IMAGE003
状态灾变自损失信息的推理计算，刻画多物理变量灾变曲线；
步骤S320，对所述多物理变量灾变曲线，借助预设的案例库、专家库、预案库中的一种或多种，基于预设的调整策略进行多物理变量状态干预调整，阻断复杂系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生。
3.根据权利要求2所述的基于大数据的动态系统事理灾变因果推断方法，其特征在于，步骤S310中对事理灾变实例库中各种各样灾变样本，进行灾变区域内变量节点
Figure 663048DEST_PATH_IMAGE003
状态灾变自损失信息的推理计算，刻画多物理变量灾变曲线，其方法为：
假定研究对象为某一区域，
Figure 845768DEST_PATH_IMAGE001
时刻
Figure 359926DEST_PATH_IMAGE040
表示某变量节点状态，
Figure 427239DEST_PATH_IMAGE005
为
Figure 772769DEST_PATH_IMAGE001
时刻训练样本数目，当
Figure 329653DEST_PATH_IMAGE040
不同时刻节点状态相关因数不同分布，标号为
Figure 518057DEST_PATH_IMAGE004
的变量节点相应的灾变区域概率分布为
Figure 248116DEST_PATH_IMAGE041
；
Figure 323519DEST_PATH_IMAGE042
，通过拉格朗日二阶求导，构造出多物理变量灾变曲线：
Figure 51304DEST_PATH_IMAGE043
其中，
Figure 602371DEST_PATH_IMAGE041
为变量节点状态衰减的发生概率，变量节点
Figure 263684DEST_PATH_IMAGE040
状态灾变自损失信息为
Figure 521490DEST_PATH_IMAGE044
，则该区域内变量节点状态灾变的衰减熵为：
Figure 482493DEST_PATH_IMAGE045
。
4.根据权利要求3所述的基于大数据的动态系统事理灾变因果推断方法，其特征在于，步骤S320中对所述多物理变量灾变曲线，借助预设的案例库、反例库中的一种或多种，进行基于预设的调整策略进行多物理变量状态干预调整，阻断复杂系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生，其方法为：
通过对物理变量灾变曲线，进行灰色度建模分析，将已知数据列构成灰色模型：
Figure 130643DEST_PATH_IMAGE046
其中，a表示正反演案例模板，b表示负反演案例模板，
Figure 405766DEST_PATH_IMAGE047
代表第
Figure 580396DEST_PATH_IMAGE048
个负反演案例模板，
Figure 836934DEST_PATH_IMAGE049
代表中心节点物理变量负灾变灰度，
Figure 34697DEST_PATH_IMAGE050
代表中心节点物理变量正常状态，
Figure 910249DEST_PATH_IMAGE051
代表第
Figure 814751DEST_PATH_IMAGE004
个节点物理变量灾变概率
Figure 320819DEST_PATH_IMAGE052
，
Figure 802616DEST_PATH_IMAGE053
代表超图的因果超边可逆正反演案例
Figure 340913DEST_PATH_IMAGE054
，
Figure 490135DEST_PATH_IMAGE052
代表
Figure 839208DEST_PATH_IMAGE001
时刻的所有物理状态突变系数。
5.一种基于大数据的动态复杂系统事理灾变因果推断系统，其特征在于，该系统包括第一模块、第二模块和第三模块；
所述第一模块，配置为基于动态系统的多元关联时序超图表示模型，通过求解哈密顿方程，构造出系统演化超图模型，具体包括：
基于动态复杂系统的多元历史时间序列数据，通过空域循环记忆编码技术，提取
Figure 11563DEST_PATH_IMAGE001
时刻系统参数变量节点
Figure 494497DEST_PATH_IMAGE002
，其中
Figure 357280DEST_PATH_IMAGE003
表示
Figure 205150DEST_PATH_IMAGE001
时刻第
Figure 661539DEST_PATH_IMAGE004
时序变量节点，
Figure 557951DEST_PATH_IMAGE005
表示
Figure 416186DEST_PATH_IMAGE001
时刻训练样本数目；
通过对变量节点间距离进行欧式几何度量，生成覆盖多元变量节点的超边
Figure 169378DEST_PATH_IMAGE006
，并为每个超边赋予权重
Figure 506206DEST_PATH_IMAGE007
，通过Cayley公式，生成多元关联时序超图表示模型
Figure 65363DEST_PATH_IMAGE008
；
对多元关联时序超图表示模型
Figure 981367DEST_PATH_IMAGE008
的超边
Figure 843143DEST_PATH_IMAGE006
，通过求解哈密顿方程，构造出超边
Figure 8545DEST_PATH_IMAGE006
的动态演化方程
Figure 230448DEST_PATH_IMAGE009
，其中
Figure 63275DEST_PATH_IMAGE010
表示
Figure 95953DEST_PATH_IMAGE001
时刻多元变量相关的初始状态，
Figure 14231DEST_PATH_IMAGE011
表示
Figure 39824DEST_PATH_IMAGE001
到
Figure 930420DEST_PATH_IMAGE012
区间的新旧变量节点间相关边增减演化状态，进而构造出系统演化超图模型
Figure 524212DEST_PATH_IMAGE013
，其中，下标
Figure 539573DEST_PATH_IMAGE004
为变量节点的标号；
所述第二模块，配置为获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库，具体包括：
获取某个特定系统当前时刻
Figure 181907DEST_PATH_IMAGE001
的变量节点
Figure 723746DEST_PATH_IMAGE003
，通过系统演化超图模型
Figure 347495DEST_PATH_IMAGE013
，生成该特定系统
Figure 240364DEST_PATH_IMAGE001
时刻的多元变量关联超边的动态演化方程
Figure 686389DEST_PATH_IMAGE014
；
基于所述
Figure 958102DEST_PATH_IMAGE001
时刻多元变量关联超边的动态演化方程
Figure 628117DEST_PATH_IMAGE014
，通过条件因果独立同分布计算，获取一系列变量
Figure 870267DEST_PATH_IMAGE015
之间的结构演化因果分布
Figure 182300DEST_PATH_IMAGE016
；
基于所述因果分布
Figure 308519DEST_PATH_IMAGE017
，通过因果变量灾变动力方程求解，获取各时刻变量节点
Figure 352698DEST_PATH_IMAGE003
状态突变和不规则震荡节点；
对各时刻变量节点中的状态突变节点和不规则震荡节点，通过拉格朗日未定乘子法构建多元格兰杰因果关系，获取物理变量灾变曲线，构建事理灾变实例库；
所述第三模块，配置为对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，并基于预设的调整策略进行多物理变量状态干预调整；
其中，各时刻变量节点
Figure 220160DEST_PATH_IMAGE003
状态突变和不规则震荡节点，其获取方法为：
基于
Figure 929359DEST_PATH_IMAGE018
时刻标号为
Figure 503560DEST_PATH_IMAGE004
的变量节点的最优状态数据
Figure 780958DEST_PATH_IMAGE019
，获取
Figure 745503DEST_PATH_IMAGE001
时刻标号为
Figure 868179DEST_PATH_IMAGE004
的变量节点的状态数据
Figure 296887DEST_PATH_IMAGE020
，计算方法为：
Figure 869819DEST_PATH_IMAGE055
其中，
Figure 446294DEST_PATH_IMAGE022
表示
Figure 575924DEST_PATH_IMAGE001
时刻的所有变量节点状态突变系数，
Figure 796821DEST_PATH_IMAGE005
表示
Figure 416021DEST_PATH_IMAGE001
时刻训练样本数目，
Figure 338847DEST_PATH_IMAGE023
为
Figure 272168DEST_PATH_IMAGE001
时刻的多元变量关联超边的动态演化方程；
通过灾变动力方程求解，获取
Figure 737784DEST_PATH_IMAGE024
的灾变概率分布方程
Figure 465569DEST_PATH_IMAGE025
：
Figure 626423DEST_PATH_IMAGE026
其中，
Figure 160172DEST_PATH_IMAGE027
为
Figure 417978DEST_PATH_IMAGE018
时刻全参数变量因果多条件独立分布
Figure 518263DEST_PATH_IMAGE028
的协方差，
Figure 556626DEST_PATH_IMAGE029
为不同时间间隔变量节点间依赖关系，
Figure 566171DEST_PATH_IMAGE030
是
Figure 616166DEST_PATH_IMAGE029
的转置矩阵，
Figure 748070DEST_PATH_IMAGE031
为节点
Figure 211413DEST_PATH_IMAGE032
状态突变和不规则震荡增益系统；
Figure 946019DEST_PATH_IMAGE033
其中，
Figure 240735DEST_PATH_IMAGE034
为
Figure 418906DEST_PATH_IMAGE001
时刻的态势增益，
Figure 103965DEST_PATH_IMAGE035
为
Figure 783208DEST_PATH_IMAGE001
时刻变量节点邻接灾变熵；
Figure 870113DEST_PATH_IMAGE036
其中，
Figure 468454DEST_PATH_IMAGE037
为系统因果反演系统，
Figure 703126DEST_PATH_IMAGE038
表示超图结构突变系数：
Figure 858164DEST_PATH_IMAGE039
。
6.一种电子设备，包括：
至少一个处理器；以及
与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-4任一项所述的基于大数据的动态复杂系统事理灾变因果推断方法。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-4任一项所述的基于大数据的动态复杂系统事理灾变因果推断方法。
CN202110723733.8A 2021-06-29 2021-06-29 基于大数据的动态系统事理灾变因果推断方法和系统 Active CN113255920B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110723733.8A CN113255920B (zh) 2021-06-29 2021-06-29 基于大数据的动态系统事理灾变因果推断方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110723733.8A CN113255920B (zh) 2021-06-29 2021-06-29 基于大数据的动态系统事理灾变因果推断方法和系统

Publications (2)

Publication Number Publication Date
CN113255920A CN113255920A (zh) 2021-08-13
CN113255920B true CN113255920B (zh) 2021-09-28

Family

ID=77190053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110723733.8A Active CN113255920B (zh) 2021-06-29 2021-06-29 基于大数据的动态系统事理灾变因果推断方法和系统

Country Status (1)

Country Link
CN (1) CN113255920B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118821874B (zh) * 2024-09-20 2024-11-22 杭州电子科技大学 一种基于反馈特征提取和因果反演辨识的智能系统评估方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1560158A1 (en) * 2002-10-18 2005-08-03 Japan Science and Technology Agency Learning/thinking machine and learning/thinking method based on structured knowledge, computer system, and information generation method
CN101093559A (zh) * 2007-06-12 2007-12-26 北京科技大学 一种基于知识发现的专家系统构造方法
CN102013150A (zh) * 2010-09-28 2011-04-13 浙江工业大学 基于雨强、斜坡土壤含水量和形变量的地质灾害预测系统
CN102800120A (zh) * 2012-06-15 2012-11-28 北京理工大学 一种基于多智能体的应急灾情态势显示系统和方法
CN105893483A (zh) * 2016-03-29 2016-08-24 天津贝德曼科技有限公司 大数据挖掘过程模型总体框架的构造方法
CN109359391A (zh) * 2018-10-19 2019-02-19 中国地质大学（武汉） 一种基于离散单元法的覆盖型岩溶塌陷灾变演化模拟方法
CN112365078A (zh) * 2020-11-23 2021-02-12 南京莱斯信息技术股份有限公司 一种基于灾害链的多灾种耦合与次生衍生演化预测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10324045B3 (de) * 2003-05-27 2004-10-14 Siemens Ag Verfahren sowie Computerprogramm mit Programmcode-Mitteln und Computerprogramm-Produkt zur Ermittlung eines zukünftigen Systemverhaltens eines dynamischen Systems

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1560158A1 (en) * 2002-10-18 2005-08-03 Japan Science and Technology Agency Learning/thinking machine and learning/thinking method based on structured knowledge, computer system, and information generation method
CN101093559A (zh) * 2007-06-12 2007-12-26 北京科技大学 一种基于知识发现的专家系统构造方法
CN102013150A (zh) * 2010-09-28 2011-04-13 浙江工业大学 基于雨强、斜坡土壤含水量和形变量的地质灾害预测系统
CN102800120A (zh) * 2012-06-15 2012-11-28 北京理工大学 一种基于多智能体的应急灾情态势显示系统和方法
CN105893483A (zh) * 2016-03-29 2016-08-24 天津贝德曼科技有限公司 大数据挖掘过程模型总体框架的构造方法
CN109359391A (zh) * 2018-10-19 2019-02-19 中国地质大学（武汉） 一种基于离散单元法的覆盖型岩溶塌陷灾变演化模拟方法
CN112365078A (zh) * 2020-11-23 2021-02-12 南京莱斯信息技术股份有限公司 一种基于灾害链的多灾种耦合与次生衍生演化预测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向大数据领域的事理认知图谱构建与推断分析;王军平等;《中国科学：信息科学》;20200713;全文 *

Also Published As

Publication number Publication date
CN113255920A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Jiang et al. Holt–Winters smoothing enhanced by fruit fly optimization algorithm to forecast monthly electricity consumption
Yang et al. Use of fuzzy risk assessment in FMEA of offshore engineering systems
Shepperd Software project economics: a roadmap
Saghafian et al. The newsvendor under demand ambiguity: Combining data with moment and tail information
JP2014211837A (ja) イベント解析装置およびコンピュータプログラム
CN110263869B (zh) 一种Spark任务的时长预测方法及装置
JP7294369B2 (ja) 情報処理に用いられる方法、装置、電子機器及びプログラム
Evans Uncertainty and error
Bhardwaj et al. Health insurance amount prediction
Haider et al. Shape-constrained multi-objective genetic programming for symbolic regression
Ahmed et al. Handling imprecision and uncertainty in software development effort prediction: A type-2 fuzzy logic based framework
Zhang et al. SamEn‐SVR: using sample entropy and support vector regression for bug number prediction
CN116028315A (zh) 作业运行预警方法、装置、介质及电子设备
CN113255920B (zh) 基于大数据的动态系统事理灾变因果推断方法和系统
Mori et al. Inference in hybrid Bayesian networks with large discrete and continuous domains
Saurenko et al. Information security incident forecasting
CN117273143B (zh) 基于马尔可夫逻辑网络的时序知识图谱推理方法及系统
CN117973604A (zh) 一种混合预测模型的负荷短期预测方法及系统
Abotaleb Soft Computing-Based Generalized Least Deviation MethodAlgorithm for Modeling and Forecasting COVID-19 usingQuasilinear Recurrence Equations
WO2020075255A1 (ja) 学習装置、学習方法、及びプログラムが格納された非一時的なコンピュータ可読媒体
KR20200063318A (ko) 시간에 기초한 예측 정보를 생성하기 위한 장치 및 방법
Marcek Some statistical and CI models to predict chaotic high-frequency financial data
Karanam et al. Improving Transfer Time Prediction of ML Models via Auto-correcting Dynamical Systems Modeling
Maknickiene et al. Investigation of Prediction Capabilities using RNN Ensembles.
RU2622858C1 (ru) Способ оценки информации об эффективности функционирования системы и устройство на его основе для решения задач управления, контроля и диагностики

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