CN113434701A - 一种车联网知识图谱的构建、更新方法及系统 - Google Patents

一种车联网知识图谱的构建、更新方法及系统 Download PDF

Info

Publication number
CN113434701A
CN113434701A CN202110805581.6A CN202110805581A CN113434701A CN 113434701 A CN113434701 A CN 113434701A CN 202110805581 A CN202110805581 A CN 202110805581A CN 113434701 A CN113434701 A CN 113434701A
Authority
CN
China
Prior art keywords
entity
data
relationship
vehicles
types
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
Application number
CN202110805581.6A
Other languages
English (en)
Inventor
彭朝晖
曹瑞
厉浩
宋巧
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202110805581.6A priority Critical patent/CN113434701A/zh
Publication of CN113434701A publication Critical patent/CN113434701A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于知识图谱技术领域，提供了一种车联网知识图谱的构建、更新方法及系统。构建方法包括，将车联网数据划分为动态运行数据和静态车体数据，分别对动态运行数据、静态车体数据进行数据特点分析；依据数据特点分析结果，定义实体类型；在不同实体类型之间定义关系类型，表达数据之间的关联关系；将车联网机理知识划分为不同的机理类型；为不同的机理类型匹配不同的实体类型和关系类型的组合。

Description

一种车联网知识图谱的构建、更新方法及系统
技术领域
本发明属于知识图谱技术领域，尤其涉及一种车联网知识图谱的构建、更新方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着车联网技术的日益普及，商用卡车的实时运行数据变得容易获取，为了充分利用车联网数据，需要综合分析多种车况之间的约束及关联，充分准确地挖掘车联网数据中有价值的信息，为行车问题提供可行的解释与支持。然而，车联网数据之间的关系复杂，除了车载传感器实时采集到的结构化数据外，还包括很多机理知识信息，且数据具有很强的时序性特点。知识图谱能够充分表示出不同因素之间的相互关联。
当前，领域知识图谱的通用构建方法相对成熟，但是在与制造业车联网进行结合时，需要充分考虑车联网数据的特点，针对性地构建知识图谱，细化知识表示。制造业车辆网数据具有时序性明显、多模态、实时性强的特点，并且存在公式与规则机理知识，通用的知识图谱构建方法无法完成对这些知识的表示。总体来说，车联网知识图谱的研究面临以下几个问题：(1)缺少车联网数据与机理知识的统一建模表示方法，难以将数据与机理知识有效表示在知识图谱结构中；(2)难以反映车联网数据时序上的特点，静态的知识图谱结构难以反映时序关联。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种车联网知识图谱的构建、更新方法及系统。第一部分是融合机理知识的车联网知识图谱构建方案，通过细化的本体定义，对车联网的数据和机理进行统一建模表达；第二部分是考虑数据时序特点的车联网知识图谱更新方案，通过神经网络方法对车联网数据进行时序性表达，在此基础上计算相关的关联系数，并对车联网知识图谱中的相关信息进行更新。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种车联网知识图谱的构建方法。
一种车联网知识图谱的构建方法，包括：
将车联网数据划分为动态运行数据和静态车体数据，分别对动态运行数据、静态车体数据进行数据特点分析；
依据数据特点分析结果，定义实体类型；
在不同实体类型之间定义关系类型，表达数据之间的关联关系；
将车联网机理知识划分为不同的机理类型；
为不同的机理类型匹配不同的实体类型和关系类型的组合。
进一步的，所述实体类型包括：状态实体、部件实体、概念实体、布尔实体、数值实体、条件实体、公式机理实体和规则机理实体；
定义1—状态实体：一个状态实体是描述汽车某一属性的节点S，包括汽车静态信息与动态运行车况；
定义2—部件实体：一个部件实体是描述汽车系统真实存在的某一具体部件的节点P；
定义3—概念实体：一个概念实体是描述一个具体物理特性的节点C；
定义4—布尔实体：一个布尔实体是描述一个逻辑布尔值信息的节点B；
定义5—数值实体：一个数值实体是描述一个参数相关值的节点V；
定义6—条件实体：一个条件实体是描述汽车某一属性需要满足条件的节点R，由比较操作符与阈值组成；
定义7—公式机理实体：一个公式机理实体是描述一条公式机理的节点FM；
定义8—规则机理实体：一个规则机理实体是描述一条规则机理的节点RM。
进一步的，所述关系类型包括：has关系、instanceof关系、coherence关系、constraint关系、params关系、condition关系、ensure关系、satisfied关系和leadto关系；
定义9—has关系：描述部件实体Pi与状态实体Sj之间的拥有关系，三元组描述为<Pi,has,Sj>；
定义10—instanceof关系：描述状态实体Si是概念实体Cj的一个实例关系，三元组描述为<Si,instanceof,Cj>；
定义11—coherence关系：描述状态实体Si与状态实体Sj之间的关联关系，三元组描述为<Si,coherence,Sj>；
定义12—constraint关系：描述公式机理实体FMi与状态实体Sj之间的约束关系，三元组描述为<Sj,constraint,FMi>；
定义13—params关系：描述公式机理实体FMi与数值实体Vj之间的约束关系，三元组描述为<FMi,params,Vj>；
定义14—condition关系：若规则机理中，状态实体Si能够满足条件实体Rj的约束，并且该约束的满足作为规则机理的前置条件，则状态实体Si与条件实体Rj间存在condition关系，三元组描述为<Si,condition,Rj>；
定义15—ensure关系：若规则机理中，状态实体Si需要保证符合条件实体Rj的约束，则状态实体Si与条件实体Rj间存在ensure关系，三元组描述为<Si,ensure,Rj>；
定义16—satisfied关系：描述规则机理中的前置条件关系；
定义17—leadto关系：描述规则机理中的后置效果关系。
进一步的，所述机理类型包括：无参公式机理、有参公式机理、规则机理。
本发明的第二个方面提供一种车联网知识图谱的构建系统。
一种车联网知识图谱的构建系统，包括：
数据特点分析模块，其被配置为：将车联网数据划分为动态运行数据和静态车体数据，分别对动态运行数据、静态车体数据进行数据特点分析；
实体类型定义模块，其被配置为：依据数据特点分析结果，定义实体类型；
关联关系定义模块，其被配置为：在不同实体类型之间定义关系类型，表达数据之间的关联关系；
机理类型划分模块，其被配置为：将车联网机理知识划分为不同的机理类型；
匹配模块，其被配置为：为不同的机理类型匹配不同的实体类型和关系类型的组合。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的一种车联网知识图谱的构建方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的一种车联网知识图谱的构建方法中的步骤。
本发明的第五个方面提供一种车联网知识图谱的更新方法。
一种车联网知识图谱的更新方法，包括：
筛选车联网实时数据，得到车辆运行时刻的时序数据；
基于时序数据，按照车辆的发动机类型和轴距组合类型对车体类型进行划分；
对每类车体的时序数据进行LSTM神经网络的训练，对得到的输出集进行相关系数计算，得到考虑时序特点的车况信息关联程度，对采用第一个方面所述的车联网知识图谱的构建方法构建的车联网知识图谱的相关信息进行更新。
本发明的第六个方面提供一种车联网知识图谱的更新系统。
一种车联网知识图谱的更新系统，包括：
数据筛选模块，其被配置为：筛选车联网实时数据，得到车辆运行时刻的时序数据；
车体类型划分模块，其被配置为：基于时序数据，按照车辆的发动机类型和轴距组合类型对车体类型进行划分；
更新模块，其被配置为：对每类车体的时序数据进行LSTM神经网络的训练，对得到的输出集进行相关系数计算，得到考虑时序特点的车况信息关联程度，对采用第一个方面所述的车联网知识图谱的构建方法构建的车联网知识图谱的相关信息进行更新。
本发明的第七个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第五个方面所述的一种车联网知识图谱的更新方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明采用车联网知识图谱的构建方法，解决了车联网数据和机理统一建模表示的问题，使数据与机理知识有效表示在知识图谱结构中。
本发明采用车联网知识图谱的更新方法，将车联网数据时序性特点实时反映在车联网知识图谱中，充分将车联网数据时序性的特点在静态的知识图谱结构中进行表达。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例中车联网知识图谱的构建方法流程图；
图2是本发明实施例中无参公式机理的表示示例图；
图3是本发明实施例中有参公式机理的表示示例图；
图4是本发明实施例中规则机理的表示示例图；
图5是本发明实施例中车联网知识图谱的更新方法结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，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，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照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，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使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，或者可以使用专用硬件与计算机指令的组合来实现。
正如本发明在背景技术中介绍的，本发明所要解决的技术问题是：传统的知识图谱构建方法不足以将车联网数据和机理知识进行统一建模，也不能充分将车联网数据时序性的特点在静态的知识图谱结构中进行表达。为了解决上述的技术问题，本发明采用了多种实施方式解决至少一种问题，下面进行介绍：
实施例一
如图1所示，本实施例提供了一种车联网知识图谱的构建方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
S101：将车联网数据划分为动态运行数据和静态车体数据，分别对动态运行数据、静态车体数据进行数据特点分析；
将车联网数据划分为动态运行数据和静态车体数据两部分，分别对两部分数据进行数据特点和语义的分析。
具体的，将车联网数据划分为动态运行数据和静态车体数据两部分，针对静态车体数据，按照数据所描述的静态特性进行实体的定义。针对动态运行数据，在不同的车况信息中，抽象提炼出新的实体，从不同方面对动态运行数据的语义信息进行描述，比如从发动机相关的动态运行数据中提炼出发动机这个部件实体，对这些数据进行集中约束。
S102：依据数据特点分析结果，定义实体类型；
对于实体部分，总共定义八类实体对数据进行描述，这八类实体分别为状态实体、部件实体、概念实体、布尔实体、数值实体、条件实体、公式机理实体和规则机理实体，每类实体用于特定数据或逻辑的描述。我们对8类实体进行介绍。其中定义1～定义3用于将车联网的结构化数据表示成知识图谱中的实体结构，定义4～定义5用于描述车联网中的值信息，包括参数及布尔值，定义6～定义8用于描述车联网中的机理信息。
定义1(状态实体).一个状态实体是描述汽车某一属性的节点S，包括汽车静态信息与动态运行车况。
定义2(部件实体).一个部件实体是描述汽车系统真实存在的某一具体部件的节点P。
定义3(概念实体).一个概念实体是描述一个具体物理特性的节点C。
例如，状态实体有瞬时油耗、发动机转速、发动机温度、油箱液位等，这些状态实体反映了商用车的属性信息及车况信息。部件实体由状态实体抽象而来，比如发动机、油箱这些商用车中真实存在的部件。概念实体包括温度、压力、速度等，这些物理特性反映了商用车运行过程中的不同车况。
定义4(布尔实体).一个布尔实体是描述一个逻辑布尔值信息的节点B。
定义5(数值实体).一个数值实体是描述一个参数相关值的节点V。
例如，数值实体有长时燃油修正系数、短时燃油修正系数、标准空燃比等，在车联网知识中，需要对此类固定的参数进行表示。
定义6(条件实体).一个条件实体是描述汽车某一属性需要满足条件的节点R，由比较操作符与阈值组成。
定义7(公式机理实体).一个公式机理实体是描述一条公式机理的节点FM。
定义8(规则机理实体).一个规则机理实体是描述一条规则机理的节点RM。
例如，车联网知识中含有机理知识，这些机理知识以公式或者规则的形式出现，我们通过定义公式机理实体及规则机理实体对两类机理知识进行唯一标识，并对相关机理信息在实体属性中进行记录，并通过构建机理实体与其他实体间的关系对机理知识的逻辑进行表示。
S103：在不同实体类型之间定义关系类型，表达数据之间的关联关系；
对于关系部分，总共定义九类关系，这些关系用于描述不同实体之间的依赖及约束。下面分别对这九类关系进行介绍。
定义9(has关系).描述部件实体Pi与状态实体Sj之间的拥有关系，三元组描述为<Pi,has,Sj>。i，j分别为实体序号，0≤i≤Np，0≤j≤Ns,N为对应实体总数,不同类型实体总数N不同，同类型实体不同序号的实体各不相同，比如部件实体Ci，部件实体Cj和部件实体Ck，代表三个不同的部件实体。
例如，部件实体发动机拥有状态实体转速这个属性，则发动机与转速间存在has关系，三元组表示为<发动机,has,转速>。部件实体油箱拥有状态实体液位这个属性，则油箱与液位间存在has关系，三元组表示为<油箱,has,液位>。
定义10(instanceof关系).描述状态实体Si是概念实体Cj的一个实例关系，三元组描述为<Si,instanceof,Cj>。
例如，状态实体燃油温度与状态实体排气温度都是温度这个概念实体在不同场景下的具象表现，所以燃油温度和排气温度分别与温度存在instanceof关系，三元组表示分别为<燃油温度,instanceof,温度>和<排气温度,instanceof,温度>。
定义11(coherence关系).描述状态实体Si与状态实体Sj之间的关联关系，三元组描述为<Si,coherence,Sj>。
例如，当车辆速度上升时，仪表车速也会上升，这两个状态实体间存在非常强的关联程度，一个状态实体的变化会引起另一个状态实体的变化，则车辆速度与仪表车速间存在coherence关系，三元组表示为<仪表车速,coherence,车辆速度>。
定义12(constraint关系).描述公式机理实体FMi与状态实体Sj之间的约束关系，三元组描述为<Sj,constraint,FMi>。
定义13(params关系).描述公式机理实体FMi与数值实体Vj之间的约束关系，三元组描述为<FMi,params,Vj>。
定义14(condition关系).若规则机理中，状态实体Si能够满足条件实体Rj的约束，并且该约束的满足作为规则机理的前置条件，则状态实体Si与条件实体Rj间存在condition关系，三元组描述为<Si,condition,Rj>。
定义15(ensure关系).若规则机理中，状态实体Si需要保证符合条件实体Rj的约束，则状态实体Si与条件实体Rj间存在ensure关系，三元组描述为<Si,ensure,Rj>。
定义16(satisfied关系).描述规则机理中的前置条件关系。若规则机理中的前置条件由单一因素制约，则存在规则机理实体RMi与条件实体Rj之间的satisfied关系，三元组描述为<RMi,satisfied,Rj>。若规则机理中的前置条件由多个因素制约，则存在规则机理实体RMi和布尔实体Bj之间的satisfied关系，三元组描述为<RMi,satisfied,Bj>。
定义17(leadto关系).描述规则机理中的后置效果关系。若规则机理中的后置效果表现为单一因素的制约，则存在规则机理实体RMi与条件实体Rj之间的leadto关系，三元组描述为<RMi,leadto,Rj>。若规则机理中的后置效果表现为多个因素制约，则存在规则机理实体RMi和布尔实体Bj之间的leadto关系，三元组描述为<RMi,leadto,Bj>。
S104：将车联网机理知识划分为不同的机理类型；
车联网的机理知识主要以无参公式机理、有参公式机理、规则机理的形式表现出来，本实施例的车联网知识图谱需要对这一类机理知识进行处理与表达。因此，在上述定义的实体和关系中通过不同的组合完成对机理知识的统一建模。
S105：为不同的机理类型匹配不同的实体类型和关系类型的组合。
对于无参公式机理，如图2所示，发动机的功率和曲轴的转速及扭矩之间存在公式关系，发动机功率＝曲轴的转速*扭矩*1/9550，在发动机输出功率不变的情况下，如果要节省油耗，在调节曲轴的转速和扭矩的同时需要满足上述公式的约束。对于上述机理知识，本发明构建一个机理实体，将此机理实体关联到涉及到的状态实体上，并对属性进行设置，上述机理知识的描述如图2所示。
对于有参公式机理，如图3所示，车联网知识中并非所有的公式约束都是单纯建立在状态实体之间的，有一些公式约束的机理知识涉及到一系列参数，这些参数一般是由专家进行多方面的考察权衡进行设置的，因此，本实施例通过建立数值实体对这些参数进行表达，并设置对应的关系在知识图谱结构中进行体现。比如，对于发动机的瞬时油耗计算，涉及到发动机进气量、标准空燃比、燃油修正系数的互相作用，存在公式约束如下。
Figure BDA0003166252110000121
其中，mf表示发动机的瞬时油耗，ma表示发动机的进气量，
Figure BDA0003166252110000122
表示长时燃油修正系数，
Figure BDA0003166252110000123
表示短时燃油修正系数，λ0表示标准空燃比。此公式约束涉及到3个参数，本实施例构建相应的机理约束如图3所示。
对于规则机理，如图4所示，这一类的机理知识具有很强的逻辑性，本实施例将各种条件及其之间逻辑关系通过布尔实体进行表示，并对相应条件下产生影响的节点进行关联，比如在发动机工作时，需要冷却系统配合将发动机的温度维持在安全范围内，因此存在这样的机理知识：当发动机温度超过95℃或者当发动机转速超过1000rpm且车速超过20km/h时，开启冷却风扇并将冷却液温度维持在70℃以上。对于上述机理知识，首先，需要对该机理的逻辑关系进行梳理，通过条件实体对相应的状态节点进行条件描述，然后用布尔实体将每个前置条件的逻辑关系进行表述，布尔实体可以后接其余的布尔实体用以表示复杂的逻辑，将最后的布尔实体与机理实体进行关联。对于前置条件产生的后置效果，也采用上述的逻辑进行机理的描述，并设置相关的因果关联，上述机理知识的详细描述如图4所示。
实施例二
本实施例提供了一种车联网知识图谱的构建系统。
一种车联网知识图谱的构建系统，包括：
数据特点分析模块，其被配置为：将车联网数据划分为动态运行数据和静态车体数据，分别对动态运行数据、静态车体数据进行数据特点分析；
实体类型定义模块，其被配置为：依据数据特点分析结果，定义实体类型；
关联关系定义模块，其被配置为：在不同实体类型之间定义关系类型，表达数据之间的关联关系；
机理类型划分模块，其被配置为：将车联网机理知识划分为不同的机理类型；
匹配模块，其被配置为：为不同的机理类型匹配不同的实体类型和关系类型的组合。
此处需要说明的是，上述数据特点分析模块、实体类型定义模块、关联关系定义模块、机理类型划分模块和匹配模块对应于实施例一中的步骤S101至S105，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的一种车联网知识图谱的构建方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的一种车联网知识图谱的构建方法中的步骤。
实施例五
本实施例提供了一种车联网知识图谱的更新方法。
如图5所示，状态实体之间的相关程度的变化是由实时变换的车况数据反映出来的，车辆在不同的发动机类型下各个车况间的关联程度并非一成不变，并且由于不同的发动机类型工作方式各有不同，需要从不同车型的角度给出对数据更加精确的时序性表达。因此，本实施例采用长短期记忆神经网络(LSTM)算法，对划分后的数据分别进行时序特征的提取，得到新的向量表示，在此基础上进行相关性程度的计算与更新。具体的步骤如下：
筛选车联网实时数据，得到车辆运行时刻的时序数据；
基于时序数据，按照车辆的发动机类型和轴距组合类型对车体类型进行划分；
数据的预处理。将传感器每30秒回传的数据进行处理，考虑到本发明的车联网知识图谱是面向车辆行驶车况展开应用的，而商用车在非行驶状态下的分析需求较小，更多考虑的是在行驶状态下的车况信息，因此首先筛选出商用车运行时刻的时序数据，并且对车辆类型依据发动机类型和轴距的不同组合分成15类，分别进行后面的计算。
对每类车体的时序数据进行LSTM神经网络的训练，对得到的输出集进行相关系数计算，得到考虑时序特点的车况信息关联程度，对采用实施例一所述的车联网知识图谱的构建方法构建的车联网知识图谱的相关信息进行更新。
通过LSTM算法进行时序信息表示。针对筛选出来的数据，每10个时序作为时间步，使用LSTM算法对其进行处理，其中前九个时序数据为训练样本，第十个时序作为标签，从而得到每一段连续数据的预测状态向量，此状态向量经LSTM算法融合得到了时序特征的表示。
首先，需要确定在神经网络训练中哪些信息需要被丢弃，LSTM神经网络使用遗忘门来实现信息的丢弃，在这里本实施例将时刻t的状态向量与前一时刻处理过后的状态向量进行拼接，然后通过线性变化加sigmoid操作得到一组0到1之间的数字向量，每个值代表着对应位置的状态信息是否被保留，1表示保留，0表示丢弃，公式化表述如下：
ft＝σ(Wf·[ht-1,xt]+bf)
其中，Wf表示遗忘门的权重矩阵，ht-1表示前一时刻神经元输出，xt表示当前输入，bf表示遗忘门的偏置项，σ表示sigmoid函数，ft表示上一时刻保留到本时刻状态的信息。
下面需要确定哪些新时刻的信息需要被保存，LSTM神经网络使用输入门来实现新时刻输入信息的保留，本实施例通过一个函数变换完成此功能，公式化表述如下：
it＝σ(Wi·[ht-1,xt]+bi)
其中，Wi表示输入门的权重矩阵，ht-1表示前一时刻神经元输出，xt表示当前输入，bi表示输入门的偏置项，σ表示sigmoid函数，it表示当前时刻输入保留到本时刻状态的信息。
然后使用一个tanh层创建一个新的候选值向量，公式化表述如下：
Figure BDA0003166252110000161
其中，Wc表示tanh层权重矩阵，ht-1表示前一时刻神经元输出，xt表示当前输入，bc表示tanh层偏置项，
Figure BDA0003166252110000162
表示新创建的候选值向量。
至此，便可以在Ct-1的基础上得到新的状态信息表示Ct，公式化表述如下：
Figure BDA0003166252110000163
其中，Ct-1表示前一时刻状态信息，Ct为当前状态信息，ft表示上一时刻保留到本时刻状态的信息，it表示当前时刻输入保留到本时刻状态的信息，
Figure BDA0003166252110000164
表示新创建的候选值向量。
最后一步，需要确定输出，LSTM神经网络使用输出门实现信息输出。首先用一个sigmoid层确定需要被输出到下一时刻的信息，公式化描述如下：
Ot＝σ(Wo·[ht-1,xt]+bo)
其中，Wo表示输出门的权重矩阵，ht-1表示前一时刻神经元输出，xt表示当前输入，bo表示输出门的偏置项，σ表示sigmoid函数，Ot表示当前输入参与到输出的信息。
然后使用tanh对更新后的状态向量进行处理，并将其与sigmoid层的输出相乘，作为输出，公式化描述如下：
ht＝Ot*tanh(Ct)
其中，Ot表示当前输入参与到输出的信息，Ct为当前状态信息，ht表示当前时刻的输出。
关联程度计算。汇总每一个经LSTM算法处理得到的状态向量，得到一个状态矩阵M，对此状态矩阵中任意两个不同的状态向量X、Y进行皮尔逊相关系数ρX,Y的计算，并对结果进行归一化处理，将相关程度系数进行更新，设定阈值为0.6，将相关程度系数超过阈值的新关联进行添加，并对低于阈值的失效关联进行删除。皮尔逊相关系数计算的公式化表述如下，以此相关系数作为两个状态实体间的关联程度的表示，并在知识图谱中进行相关的更新操作。
Figure BDA0003166252110000171
其中，cov表示向量间的协方差，σX、σY分别为X、Y标准差，μX、μY分别表示X、Y数学期望，E表示数学期望运算，ρX,Y为对应向量的相关系数。
实施例六
本实施例提供了一种车联网知识图谱的更新系统。
一种车联网知识图谱的更新系统，包括：
数据筛选模块，其被配置为：筛选车联网实时数据，得到车辆运行时刻的时序数据；
车体类型划分模块，其被配置为：基于时序数据，按照车辆的发动机类型和轴距组合类型对车体类型进行划分；
更新模块，其被配置为：对每类车体的时序数据进行LSTM神经网络的训练，对得到的输出集进行相关系数计算，得到考虑时序特点的车况信息关联程度，对采用实施例一所述的车联网知识图谱的构建方法构建的车联网知识图谱的相关信息进行更新。
实施例七
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例五所述的一种车联网知识图谱的更新方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车联网知识图谱的构建方法，其特征在于，包括：
将车联网数据划分为动态运行数据和静态车体数据，分别对动态运行数据、静态车体数据进行数据特点分析；
依据数据特点分析结果，定义实体类型；
在不同实体类型之间定义关系类型，表达数据之间的关联关系；
将车联网机理知识划分为不同的机理类型；
为不同的机理类型匹配不同的实体类型和关系类型的组合。
2.根据权利要求1所述的车联网知识图谱的构建方法，其特征在于，所述实体类型包括：状态实体、部件实体、概念实体、布尔实体、数值实体、条件实体、公式机理实体和规则机理实体；
定义1—状态实体：一个状态实体是描述汽车某一属性的节点S，包括汽车静态信息与动态运行车况；
定义2—部件实体：一个部件实体是描述汽车系统真实存在的某一具体部件的节点P；
定义3—概念实体：一个概念实体是描述一个具体物理特性的节点C；
定义4—布尔实体：一个布尔实体是描述一个逻辑布尔值信息的节点B；
定义5—数值实体：一个数值实体是描述一个参数相关值的节点V；
定义6—条件实体：一个条件实体是描述汽车某一属性需要满足条件的节点R，由比较操作符与阈值组成；
定义7—公式机理实体：一个公式机理实体是描述一条公式机理的节点FM；
定义8—规则机理实体：一个规则机理实体是描述一条规则机理的节点RM。
3.根据权利要求1所述的车联网知识图谱的构建方法，其特征在于，所述关系类型包括：has关系、instanceof关系、coherence关系、constraint关系、params关系、condition关系、ensure关系、satisfied关系和leadto关系；
定义9—has关系：描述部件实体Pi与状态实体Sj之间的拥有关系，三元组描述为<Pi,has,Sj>；
定义10—instanceof关系：描述状态实体Si是概念实体Cj的一个实例关系，三元组描述为<Si,instanceof,Cj>；
定义11—coherence关系：描述状态实体Si与状态实体Sj之间的关联关系，三元组描述为<Si,coherence,Sj>；
定义12—constraint关系：描述公式机理实体FMi与状态实体Sj之间的约束关系，三元组描述为<Sj,constraint,FMi>；
定义13—params关系：描述公式机理实体FMi与数值实体Vj之间的约束关系，三元组描述为<FMi,params,Vj>；
定义14—condition关系：若规则机理中，状态实体Si能够满足条件实体Rj的约束，并且该约束的满足作为规则机理的前置条件，则状态实体Si与条件实体Rj间存在condition关系，三元组描述为<Si,condition,Rj>；
定义15—ensure关系：若规则机理中，状态实体Si需要保证符合条件实体Rj的约束，则状态实体Si与条件实体Rj间存在ensure关系，三元组描述为<Si,ensure,Rj>；
定义16—satisfied关系：描述规则机理中的前置条件关系；
定义17—leadto关系：描述规则机理中的后置效果关系。
4.根据权利要求1所述的车联网知识图谱的构建方法，其特征在于，所述机理类型包括：无参公式机理、有参公式机理、规则机理。
5.一种车联网知识图谱的构建系统，其特征在于，包括：
数据特点分析模块，其被配置为：将车联网数据划分为动态运行数据和静态车体数据，分别对动态运行数据、静态车体数据进行数据特点分析；
实体类型定义模块，其被配置为：依据数据特点分析结果，定义实体类型；
关联关系定义模块，其被配置为：在不同实体类型之间定义关系类型，表达数据之间的关联关系；
机理类型划分模块，其被配置为：将车联网机理知识划分为不同的机理类型；
匹配模块，其被配置为：为不同的机理类型匹配不同的实体类型和关系类型的组合。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的一种车联网知识图谱的构建方法中的步骤。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的一种车联网知识图谱的构建方法中的步骤。
8.一种车联网知识图谱的更新方法，其特征在于，包括：
筛选车联网实时数据，得到车辆运行时刻的时序数据；
基于时序数据，按照车辆的发动机类型和轴距组合类型对车体类型进行划分；
对每类车体的时序数据进行LSTM神经网络的训练，对得到的输出集进行相关系数计算，得到考虑时序特点的车况信息关联程度，对采用权利要求1-4任一项所述的车联网知识图谱的构建方法构建的车联网知识图谱的相关信息进行更新。
9.一种车联网知识图谱的更新系统，其特征在于，包括：
数据筛选模块，其被配置为：筛选车联网实时数据，得到车辆运行时刻的时序数据；
车体类型划分模块，其被配置为：基于时序数据，按照车辆的发动机类型和轴距组合类型对车体类型进行划分；
更新模块，其被配置为：对每类车体的时序数据进行LSTM神经网络的训练，对得到的输出集进行相关系数计算，得到考虑时序特点的车况信息关联程度，对采用权利要求1-4任一项所述的车联网知识图谱的构建方法构建的车联网知识图谱的相关信息进行更新。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求8中任一项所述的一种车联网知识图谱的更新方法中的步骤。
CN202110805581.6A 2021-07-16 2021-07-16 一种车联网知识图谱的构建、更新方法及系统 Pending CN113434701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110805581.6A CN113434701A (zh) 2021-07-16 2021-07-16 一种车联网知识图谱的构建、更新方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110805581.6A CN113434701A (zh) 2021-07-16 2021-07-16 一种车联网知识图谱的构建、更新方法及系统

Publications (1)

Publication Number Publication Date
CN113434701A true CN113434701A (zh) 2021-09-24

Family

ID=77760687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110805581.6A Pending CN113434701A (zh) 2021-07-16 2021-07-16 一种车联网知识图谱的构建、更新方法及系统

Country Status (1)

Country Link
CN (1) CN113434701A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609052A (zh) * 2017-08-23 2018-01-19 中国科学院软件研究所 一种基于语义三角的领域知识图谱的生成方法及装置
CN110019825A (zh) * 2017-07-25 2019-07-16 华为技术有限公司 一种分析数据语义的方法及装置
CN110941723A (zh) * 2019-11-18 2020-03-31 广东宜学通教育科技有限公司 一种知识图谱的构建方法、系统及存储介质
CN111753100A (zh) * 2020-06-30 2020-10-09 广州小鹏车联网科技有限公司 一种针对车载应用的知识图谱生成方法和服务器
CN111858957A (zh) * 2020-07-20 2020-10-30 上海汽车集团股份有限公司 一种知识图谱自动构建方法及系统
CN112131401A (zh) * 2020-09-14 2020-12-25 腾讯科技（深圳）有限公司 一种概念知识图谱构建方法和装置
CN112714032A (zh) * 2021-03-29 2021-04-27 网络通信与安全紫金山实验室 无线网络协议知识图谱构建分析方法、系统、设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110019825A (zh) * 2017-07-25 2019-07-16 华为技术有限公司 一种分析数据语义的方法及装置
CN107609052A (zh) * 2017-08-23 2018-01-19 中国科学院软件研究所 一种基于语义三角的领域知识图谱的生成方法及装置
CN110941723A (zh) * 2019-11-18 2020-03-31 广东宜学通教育科技有限公司 一种知识图谱的构建方法、系统及存储介质
CN111753100A (zh) * 2020-06-30 2020-10-09 广州小鹏车联网科技有限公司 一种针对车载应用的知识图谱生成方法和服务器
CN111858957A (zh) * 2020-07-20 2020-10-30 上海汽车集团股份有限公司 一种知识图谱自动构建方法及系统
CN112131401A (zh) * 2020-09-14 2020-12-25 腾讯科技（深圳）有限公司 一种概念知识图谱构建方法和装置
CN112714032A (zh) * 2021-03-29 2021-04-27 网络通信与安全紫金山实验室 无线网络协议知识图谱构建分析方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
US20210390420A1 (en) Machine learning optimisation method
Pasula et al. Approximate inference for first-order probabilistic languages
WO2022257730A1 (zh) 实现隐私保护的多方协同更新模型的方法、装置及系统
CN111597631B (zh) 基于自适应代理模型的汽车风阻系数优化方法
CN112434171A (zh) 一种基于强化学习的知识图谱推理补全方法及系统
CN111459988B (zh) 一种机器学习流水线自动化设计的方法
CN112214499B (zh) 图数据处理方法、装置、计算机设备和存储介质
CN113537580B (zh) 一种基于自适应图学习的公共交通客流预测方法及系统
CN111914094A (zh) 一种基于三元交互的知识图谱表示学习方法
Dekhovich et al. Continual prune-and-select: class-incremental learning with specialized subnetworks
Soroush et al. A hybrid customer prediction system based on multiple forward stepwise logistic regression mode
Zhang et al. Recover fair deep classification models via altering pre-trained structure
Taylor et al. Reputation assessment: a review and unifying abstraction
CN111507499B (zh) 预测用模型的构建方法、测试方法、装置及系统
CN113434701A (zh) 一种车联网知识图谱的构建、更新方法及系统
Crosscombe et al. Exploiting vagueness for multi-agent consensus
US20210133610A1 (en) Learning model agnostic multilevel explanations
CN111882124B (zh) 一种基于生成对抗模仿学习的同质平台发展效应预测方法
CN110766144B (zh) 基于多层分解模糊神经网络的原子之间标量耦合常数预测系统
CN114417497A (zh) 基于元学习的内嵌物理知识的神经网络初始化设计方法
Thorsell Vehicle speed-profile prediction without spatial information
CN113283589A (zh) 事件预测系统的更新方法及装置
CN112131569A (zh) 一种基于图网络随机游走的风险用户预测方法
Rajasekhar Nicodemus A methodology to assess and improve the physics consistency of an artificial neural network regression model for engineering applications
US20220405599A1 (en) Automated design of architectures of artificial neural networks

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