CN113946635A - 一种基于时空特征的关系收敛方法、装置、设备及存储介质 - Google Patents

一种基于时空特征的关系收敛方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113946635A
CN113946635A CN202111561005.8A CN202111561005A CN113946635A CN 113946635 A CN113946635 A CN 113946635A CN 202111561005 A CN202111561005 A CN 202111561005A CN 113946635 A CN113946635 A CN 113946635A
Authority
CN
China
Prior art keywords
data
target
event
space
initial
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
CN202111561005.8A
Other languages
English (en)
Inventor
贾晓丰
江茜
肖益
张晰
李宝东
穆显显
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.)
Taiji Computer Corp Ltd
Original Assignee
Taiji Computer Corp 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 Taiji Computer Corp Ltd filed Critical Taiji Computer Corp Ltd
Priority to CN202111561005.8A priority Critical patent/CN113946635A/zh
Publication of CN113946635A publication Critical patent/CN113946635A/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
    • G06F16/20—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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提出一种基于时空特征的关系收敛方法、装置、设备及存储介质，该方法包括获取多个初始时间数据、多个初始空间数据，以及多个事件数据；对多个初始时间数据分别进行预处理，以得到多个目标时间数据；对多个初始空间数据分别进行预处理，以得到多个目标空间数据；结合时空推理和数据挖掘方法，对多个目标时间数据和多个目标空间数据以及多个事件数据进行时空融合处理，以得到目标收敛关系，目标收敛关系用于描述多个目标时间数据、多个目标空间数据以及多个事件数据之间的关联关系。通过本公开能够准确地确定不同维度数据之间的目标收敛关系，有效提升大规模复杂维度数据之间强关系的收敛准确度。

Description

一种基于时空特征的关系收敛方法、装置、设备及存储介质
技术领域
本公开涉及大数据技术领域，尤其涉及一种基于时空特征的关系收敛方法、装置、设备及存储介质。
背景技术
事件的发生受到众多因素的影响，在一定空间范围内可能存在多尺度的时空依赖，如是否及时响应、是否无偏差、是否完整、是否可行等，随着物联网、云计算、人工智能、大数据等技术的发展，对带有时空属性的大规模复杂维度数据之间的关系收敛，逐渐受到越来越多的关注。
相关技术中，对大规模复杂维度数据之间强关系的收敛准确度不高。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本公开的目的在于提出一种基于时空特征的关系收敛方法、装置、设备及存储介质，能够准确地确定不同维度数据之间的目标收敛关系，有效提升大规模复杂维度数据之间强关系的收敛准确度。
为达到上述目的，本公开第一方面实施例提出的基于时空特征的关系收敛方法，包括：获取多个初始时间数据、多个初始空间数据，以及多个事件数据；对多个初始时间数据分别进行预处理，以得到多个目标时间数据；对多个初始空间数据分别进行预处理，以得到多个目标空间数据；结合时空推理和数据挖掘方法，对多个目标时间数据和多个目标空间数据以及多个事件数据进行时空融合处理，以得到目标收敛关系，目标收敛关系用于描述多个目标时间数据、多个目标空间数据以及多个事件数据之间的关联关系。
本公开第一方面实施例提出的基于时空特征的关系收敛方法，通过获取多个初始时间数据、多个初始空间数据，以及多个事件数据，然后对多个初始时间数据分别进行预处理，以得到多个目标时间数据，对多个初始空间数据分别进行预处理，以得到多个目标空间数据，之后结合时空推理和数据挖掘方法，对多个目标时间数据和多个目标空间数据以及多个事件数据进行时空融合处理，以得到目标收敛关系，目标收敛关系用于描述多个目标时间数据、多个目标空间数据以及多个事件数据之间的关联关系，由于是对多个初始时间数据进行预处理，能够使得不同的初始时间数据具有相同的时间间隔，由于是对多个初始空间数据进行预处理，能够搭建空间坐标，便于对空间位置进行描述，由于是根据时空推理和数据挖掘确定目标收敛关系，能够准确地确定不同维度数据之间的目标收敛关系，有效提升大规模复杂维度数据之间强关系的收敛准确度。
为达到上述目的，本公开第二方面实施例提出的基于时空特征的关系收敛装置，包括：第一获取模块，用于获取多个初始时间数据、多个初始空间数据，以及多个事件数据；第一处理模块，用于对多个初始时间数据分别进行预处理，以得到多个目标时间数据；第二处理模块，用于对多个初始空间数据分别进行预处理，以得到多个目标空间数据；第三处理模块，用于结合时空推理和数据挖掘方法，对多个目标时间数据和多个目标空间数据以及多个事件数据进行时空融合处理，以得到目标收敛关系，目标收敛关系用于描述多个目标时间数据、多个目标空间数据以及多个事件数据之间的关联关系。
本公开第二方面实施例提出的基于时空特征的关系收敛装置，通过获取多个初始时间数据、多个初始空间数据，以及多个事件数据，然后对多个初始时间数据分别进行预处理，以得到多个目标时间数据，对多个初始空间数据分别进行预处理，以得到多个目标空间数据，之后结合时空推理和数据挖掘方法，对多个目标时间数据和多个目标空间数据以及多个事件数据进行时空融合处理，以得到目标收敛关系，目标收敛关系用于描述多个目标时间数据、多个目标空间数据以及多个事件数据之间的关联关系，由于是对多个初始时间数据进行预处理，能够使得不同的初始时间数据具有相同的时间间隔，由于是对多个初始空间数据进行预处理，能够搭建空间坐标，便于对空间位置进行描述，由于是根据时空推理和数据挖掘确定目标收敛关系，能够准确地确定不同维度数据之间的目标收敛关系，有效提升大规模复杂维度数据之间强关系的收敛准确度。
根据本公开第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开第一方面实施例的基于时空特征的关系收敛方法。
根据本公开第四方面，提出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本公开第一方面实施例的基于时空特征的关系收敛方法。
根据本公开第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开第一方面实施例的基于时空特征的关系收敛方法。
本公开附加的方面和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，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本公开一实施例提出的基于时空特征的关系收敛方法的流程示意图；
图2是本公开另一实施例提出的基于时空特征的关系收敛方法的流程示意图；
图3是本公开另一实施例提出的基于时空特征的关系收敛方法的流程示意图；
图4是本公开另一实施例提出的多目标分级最优化模型训练示意图；
图5是根据本公开一实施例提出的基于时空特征的关系收敛装置的结构示意图；
图6是根据本公开另一实施例提出的基于时空特征的关系收敛装置的结构示意图；
图7示出了适于用来实现本公开实施方式的示例性电子设备的框图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本公开，而不能理解为对本公开的限制。相反，本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本公开一实施例提出的基于时空特征的关系收敛方法的流程示意图。
本实施例以基于时空特征的关系收敛方法被配置为基于时空特征的关系收敛装置中来举例说明，本实施例中基于时空特征的关系收敛方法可以被配置在基于时空特征的关系收敛装置中，基于时空特征的关系收敛装置可以设置在服务器中，或者也可以设置在电子设备中，对此不作限制。
本实施例以基于时空特征的关系收敛方法被配置在电子设备中为例。其中，电子设备例如智能手机、平板电脑、个人数字助理、电子书等具有各种操作系统的硬件设备。
需要说明的是，本公开实施例的执行主体，在硬件上可以例如为服务器或者电子设备中的中央处理器（Central Processing Unit，CPU），在软件上可以例如为服务器或者电子设备中的相关的后台服务，对此不作限制。
如图1所示，该基于时空特征的关系收敛方法，包括：
S101：获取多个初始时间数据、多个初始空间数据，以及多个事件数据。
其中，按时间顺序取得的一系列观测值，可以被称为时间序列，事件可以随时间序列的变化而发生变化，与时间序列相关的数据可以被称为初始时间数据。初始时间数据可以被分为年度数据、季度数据、月度数据等，也可以按照周、天、时、分、秒为周期进行划分，对此不作限制。
其中，用于表示空间内的实体的地理位置和分布特征等信息的数据，可以被称为初始空间数据，初始空间数据可以根据空间内的实体或事件随地理位置的不同而发生变化，初始空间数据的表现形式可以例如是二维平面结构或三维立体结构等，对此不作限制。
其中，用于描述在特定时间区间、特定地理范围之内所发生的事件的数据，可以被称为事件数据，事件数据中每一条记录都可以是特定的人或事物，且包括该人或事物的相关信息，例如发生的时间、地理位置等信息，事件数据可以和时间数据相关，根据侧重点的不同，时间数据本身也可以作为事件数据，时间数据更侧重于事件发生的时间，或时间变量，事件数据更侧重于在某个时间序列上发生的事件，事件数据可以与坐标值相关联，根据坐标值映射在空间数据中，进而对空间数据产生影响。
本公开实施例中，获取多个初始时间数据、多个初始空间数据，以及多个事件数据，可以是记录某特定时间区间、特定地理范围之内所发生的事件，并将记录数据分为多个初始时间数据、多个初始空间数据，以及多个事件数据，也可以是根据某一特定的事件，记录该事件产生的时间数据和空间数据，并将其作为多个初始时间数据、多个初始空间数据，对此不作限制。
举例而言，可以对城市区域内的降雨情况进行记录，将一年的降雨事件，降雨区域及降雨大小等数据划分为多个初始时间数据、多个初始空间数据，以及多个事件数据。
S102：对多个初始时间数据分别进行预处理，以得到多个目标时间数据。
本公开实施例中，多个初始时间数据可能具有相同或不同的数据结构，也可能代表着相同或不同的时间起点或时间间隔，可以使用汇总或填充的方式，对多个初始时间数据分别进行预处理。
举例而言，以周和月为单位的混合初始时间数据，则可以对以周为单位的混合初始时间数据进行汇总，以获得均匀的以月为单位的混合初始时间数据，或者，也可以将间隔设置为一周，并将以月为单位的混合初始时间数据中所有缺失周插入空白值或使用指定的填充函数外推缺失值来填充，使之成为四个以周为单位的混合初始时间数据。
可选地，本公开实施例中，对多个初始时间数据分别进行预处理，可以是根据至少部分初始时间数据的时间变量类型，对至少部分初始时间数据进行汇总处理，至少部分初始时间数据对应的时间间隔值小于间隔阈值，至少部分初始时间数据对应相同时间变量类型，和/或根据至少部分初始时间数据的时间变量类型，对至少部分初始时间数据中的空白值和/或空值进行填充处理，至少部分初始时间数据对应相同时间变量类型，以及对汇总处理后初始时间数据，和/或对填充处理后初始时间数据进行合并处理，以得到相应目标时间数据，由于是对初始时间数据进行汇总和/或填充处理，能够将不同来源、不同时间间隔的初始时间数据转变为相同时间间隔的目标时间数据，统一初始时间数据的时间间隔，便于记录与分析。
其中，对初始时间数据进行记录的数据类型，可以被称为时间变量类型，例如部分初始时间数据采用表格的形式记录，部分采用时间轴的形式记录。
本公开实施例中，对至少部分具有相同时间变量类型的初始时间数据，可以通过数据汇总或数据填充等形式对数据进行预处理，汇总处理可以是根据预先设置的汇总函数汇总具有相同时间变量类型的部分初始时间数据。
举例而言，当该部分初始时间数据是以离散性数据格式进行记录，可以通过众数、第一个和最后一个非空数等汇总其中的非空值数据，当该部分初始时间数据是以连续性数据格式进行记录，则可以通过均值、合计、众数、最小值和最大值等来汇总。
本公开实施例中，对初始时间数据进行填充处理，可以使用替换初始时间数据中的数值或字符串的形式，与汇总处理相对应，可以使用预先设置的填充函数替换具有相同时间变量类型的部分初始时间数据中的数值或字符串，也可以使用固定的数值对其进行替换，对此不作限制。
举例而言，当具有相同时间变量类型的部分初始时间数据是以离散性数据格式进行记录，可以使用特定的非空值来替换或者填充该部分初始时间数据的数值或字符串，当具有相同时间变量类型的部分初始时间数据是以连续性数据格式进行记录，可以使用部分区域内连续的多个数值的平均值进行记录，并替换该部分的数值或字符串。
S103：对多个初始空间数据分别进行预处理，以得到多个目标空间数据。
本公开实施例中，可以使用点、线、面以及实体等基本空间数据结构来表示多个初始空间数据，多个初始空间数据可以拥有不同的表达方式，例如部分初始空间数据的坐标是多个单维坐标形式，如用三个单独的字段 x, y, z 分别表示三维坐标，部分初始空间数据的坐标为多维坐标形式，如用一个列表[x, y, z]来表示三维坐标，初始空间数据表达方式的不同使得对初始空间数据的统计与运用十分不便，因此需要对多个初始空间数据进行预处理。
可选地，本公开实施例中，对多个初始空间数据分别进行预处理可以是确定与多个初始空间数据分别对应的多个空间坐标系，根据参考空间坐标系分别对多个空间坐标系进行坐标映射处理，以得到多个目标空间坐标系，将多个初始空间数据分别映射至相应多个目标空间坐标系之中，以得到多个目标空间数据，通过参考空间坐标系对多个空间坐标系的映射，及多个初始空间数据对多个目标空间坐标系的映射，进而使得不同格式的初始空间数据能够映射在同一参考坐标系产生的多个空间坐标系，提升初始空间数据的一致性，有效减少因空间坐标代表含义不同导致产生偏差。
本公开实施例中，对多个初始空间数据分别进行预处理，可以是根据需要将空间坐标转化为二维或三维的空间坐标系，也可以是预先设置参考空间坐标系，之后根据需要将多个初始空间数据转变为适合该参考空间坐标系的目标空间数据，对此不作限制。
本公开实施例中，对于一个初始空间数据，例如地图，坐标或经纬度值等，均需要关联一个参考空间坐标系，该参考空间坐标系定义了初始空间数据中坐标值的原点，单位，正方向等，坐标系的种类可以归纳为地理坐标系和投影坐标系两大类，地理坐标系是一种球面坐标系统，以经纬度为地图的存储单位，投影坐标系，是平面坐标系统，可以选择一个或多个初始空间数据，指定要转换的参考空间坐标系，并将初始空间数据转换为适合该参考空间坐标系的目标空间数据，一个初始空间数据通常包含一种类型的空间数据结构，当需要包含多种空间数据结构的复杂的空间坐标系时，可以对多个空间坐标系进行迭加，对此不作限制。
S104：结合时空推理和数据挖掘方法，对多个目标时间数据和多个目标空间数据以及多个事件数据进行时空融合处理，以得到目标收敛关系，目标收敛关系用于描述多个目标时间数据、多个目标空间数据以及多个事件数据之间的关联关系。
其中，根据多个目标时间数据与多个目标空间数据对其中的关联关系进行推理，可以被称为时空推理，经过时空推理和数据挖掘等方法，得到的用于描述多个目标时间数据、多个目标空间数据以及多个事件数据之间的关联关系，可以被称为目标收敛关系。
本公开实施例中，多个目标时间数据和多个目标空间数据间可以具有复杂的时间关系和空间关系，例如隐含在多个目标时间数据和多个目标空间数据中可度量的和不可度量的时间关系和空间关系，可以设置数据挖掘系统，挖掘其中复杂的时间关系和空间关系，通过时空推理和数据挖掘相结合的方法得到目标收敛关系。
本实施例中，通过获取多个初始时间数据、多个初始空间数据，以及多个事件数据，然后对多个初始时间数据分别进行预处理，以得到多个目标时间数据，对多个初始空间数据分别进行预处理，以得到多个目标空间数据，之后结合时空推理和数据挖掘方法，对多个目标时间数据和多个目标空间数据以及多个事件数据进行时空融合处理，以得到目标收敛关系，目标收敛关系用于描述多个目标时间数据、多个目标空间数据以及多个事件数据之间的关联关系，由于是对多个初始时间数据进行预处理，能够使得不同的初始时间数据具有相同的时间间隔，由于是对多个初始空间数据进行预处理，能够搭建空间坐标，便于对空间位置进行描述，由于是根据时空推理和数据挖掘确定目标收敛关系，能够准确地确定不同维度数据之间的目标收敛关系，有效提升大规模复杂维度数据之间强关系的收敛准确度。
图2是本公开另一实施例提出的基于时空特征的关系收敛方法的流程示意图。
如图2所示，该基于时空特征的关系收敛方法，包括：
S201：获取多个初始时间数据、多个初始空间数据，以及多个事件数据。
S202：对多个初始时间数据分别进行预处理，以得到多个目标时间数据。
S203：对多个初始空间数据分别进行预处理，以得到多个目标空间数据。
S201- S203的描述说明可以具体参见上述实施例，在此不再赘述。
S204：对事件数据进行解析处理，以得到事件描述信息，事件描述信息至少包括：事件信息、事件地理信息、事件时间信息。
其中，事件数据中记录的用于表示特定的人或事物，且包括该人或事物的相关信息，可以被称为事件描述信息，事件描述信息中可以包含用于描述事件本体的事件信息，用于描述事件地理位置、空间坐标等的事件地理信息和用于描述事件起始时间等信息的事件时间信息。
本公开实施例中，对事件数据中记录的信息进行解析，得到事件信息、事件地理信息、事件时间信息，可以是分类多种数据序列，根据事件信息、事件地理信息、事件时间信息等信息所属的数据序列的差异对其进行解析，也可以是根据关键字或自定义的条件对不同信息进行识别与解析，对此不作限制。
S205：根据事件地理信息从多个目标空间数据之中确定出匹配的目标空间数据。
本公开实施例中，根据事件地理信息从多个目标空间数据之中确定出匹配的目标空间数据，可以是根据事件地理信息，在多个目标空间数据中选择与之对应的多个表示地理位置或分布特征等信息的目标空间数据。
举例而言，当事件地理信息中用于表示某一点的地理位置的信息，则可以从多个目标空间数据之中确定与该点对应的目标空间数据，例如该点在坐标轴的表示为（x，y，z）等信息。
S206：根据事件时间信息从多个目标时间数据之中确定出匹配的目标时间数据。
本公开实施例中，根据事件时间信息从多个目标时间数据之中确定出匹配的目标时间数据，可以是根据事件时间信息中包含的时间周期、起始时间、终止时间等多个信息，从多个目标时间数据之中确定与时间周期、起始时间、终止时间等多个信息对应的目标时间数据。
举例而言，某一事件起始时间为9月20日，终止时间为9月30日，可以从事件时间信息中确定与目标时间数据，如“start：9.20，end：9.30”等形式的目标时间数据。
S207：结合时空推理和数据挖掘方法，对匹配的目标空间数据和匹配的目标时间数据以及相应事件数据进行时空融合处理，以得到目标收敛关系。
本公开实施例中，对事件数据，以及与该事件数据中事件地理信息相匹配的多个目标空间数据，和与该事件数据中事件时间信息相匹配的多个目标时间数据进行融合，得到适用于该事件的多个目标空间数据以及多个事件数据之间的关联关系。
本实施例中，通过获取多个初始时间数据、多个初始空间数据，以及多个事件数据，对多个初始时间数据分别进行预处理，以得到多个目标时间数据，对多个初始空间数据分别进行预处理，以得到多个目标空间数据，之后对事件数据进行解析处理，以得到事件描述信息，事件描述信息至少包括：事件信息、事件地理信息、事件时间信息，根据事件地理信息从多个目标空间数据之中确定出匹配的目标空间数据，根据事件时间信息从多个目标时间数据之中确定出匹配的目标时间数据，然后结合时空推理和数据挖掘方法，对匹配的目标空间数据和匹配的目标时间数据以及相应事件数据进行时空融合处理，以得到目标收敛关系，由于是对事件信息、事件地理信息、事件时间信息分别确定与之匹配的多个目标空间数据和目标时间数据，能够对事件数据进行处理，提升事件数据对时空推理和数据挖掘等方法的处理效果，更加准确地描述目标收敛关系。
图3是本公开另一实施例提出的基于时空特征的关系收敛方法的流程示意图。
如图3所示，该基于时空特征的关系收敛方法，包括：
S301：获取多个初始时间数据、多个初始空间数据，以及多个事件数据。
S302：对多个初始时间数据分别进行预处理，以得到多个目标时间数据。
S303：对多个初始空间数据分别进行预处理，以得到多个目标空间数据。
S304：对事件数据进行解析处理，以得到事件描述信息，事件描述信息至少包括：事件信息、事件地理信息、事件时间信息。
S305：根据事件地理信息从多个目标空间数据之中确定出匹配的目标空间数据。
S306：根据事件时间信息从多个目标时间数据之中确定出匹配的目标时间数据。
S301- S306的描述说明可以具体参见上述实施例，在此不再赘述。
S307：获取样本空间数据和样本时间数据。
其中，从多个目标空间数据中选择一个或多个作为样本的目标空间数据，可以被称为样本空间数据，从多个目标时间数据中选择一个或多个作为样本的目标时间数据，可以被称为样本时间数据，样本空间数据可以与样本时间数据相对应。
本公开实施例中，对样本空间数据和样本时间数据的获取，可以是确定多个事件数据中某一特定事件对应的一个或多个目标空间数据和一个或多个目标时间数据，并将其作为样本空间数据和样本时间数据，也可以对某一时间段内某一事件的状态进行确定，得到与之对应的事件数据、样本时间数据和样本空间数据，对此不作限制。
S308：获取初始关系图谱，初始关系图谱包括：多个实体，实体的标签、状态特征，以及不同实体之间的关联关系。
本公开实施例中，对初始关系图谱的获取，可以是根据事件数据、样本空间数据和样本时间数据对初始关系图谱进行自定义，初始关系图谱包括：多个实体，实体的标签、状态特征，以及不同实体之间的关联关系。
S309：根据多个事件数据处理初始关系图谱，以得到目标关系图谱，目标关系图谱包括：多个实体、实体的标签、在事件数据的影响下状态特征的变化信息，以及关联关系的变化信息。
本公开实施例中，可以根据多个事件数据的变化新信息，和与之对应的样本时间数据、样本空间数据等的变化信息，对初始关系图谱进行处理，得到目标关系图谱。
本公开实施例中，可以定义初始关系图谱
Figure 395624DEST_PATH_IMAGE001
，其中
Figure 808151DEST_PATH_IMAGE002
可以表示初始关系图谱中节点的集合，
Figure 882155DEST_PATH_IMAGE003
可以表示不同实体之间关联关系的集合，则
Figure 63737DEST_PATH_IMAGE004
可以表示初始关系图谱的节点，
Figure 253410DEST_PATH_IMAGE005
可以表示初始关系图谱中的多个实体，
Figure 481129DEST_PATH_IMAGE006
表示实体的标签；
Figure 47240DEST_PATH_IMAGE007
表示初始关系图谱中的一条边，
Figure 348908DEST_PATH_IMAGE008
和
Figure 522532DEST_PATH_IMAGE009
表示两个不同节点，
Figure 909651DEST_PATH_IMAGE010
表示节点间的关系。
本公开实施例中，对于在事件数据的影响下状态特征的变化信息的确定，可以如下:在事件数据的影响下，受样本时间数据与样本空间数据约束的动态的初始关系图谱，可以用公式表示为:
Figure 279452DEST_PATH_IMAGE011
，当事件发生动态变化后，实体
Figure 966785DEST_PATH_IMAGE012
的状态特征
Figure 763840DEST_PATH_IMAGE013
跟随样本时间数据和样本空间数据更新过程如下：
Figure 372676DEST_PATH_IMAGE014
；
其中，
Figure 123332DEST_PATH_IMAGE015
表示消息聚合函数，
Figure 134013DEST_PATH_IMAGE016
表示事件数据未发生变化时(可以是事件未发生时)所处时间点，
Figure 101969DEST_PATH_IMAGE017
表示事件数据发生变化，导致不同实体之间的关联关系发生震荡的持续时间，
Figure 198101DEST_PATH_IMAGE018
表示可学习的参数,
Figure 706443DEST_PATH_IMAGE019
表示实体
Figure 571631DEST_PATH_IMAGE020
周围的节点，由此，得出实体的状态特征以及不同实体之间的关联关系随样本时间数据与样本空间数据的变化而发生动态改变，通过聚合与实体
Figure 710488DEST_PATH_IMAGE020
周围相邻的动态信息，可以更新自身的状态特征，得出在事件数据的影响下状态特征的变化信息。
本公开另一些实施例中，对于给定事件数据，推理多个实体受事件数据影响下所产生的变化信息的公式可以如下：
Figure 372545DEST_PATH_IMAGE021
。
其中，
Figure 622261DEST_PATH_IMAGE022
表示状态融合函数，用于将受事件影响下的状态特征
Figure 607534DEST_PATH_IMAGE013
和未受事件影响的原始状态特征
Figure 979610DEST_PATH_IMAGE023
融合，获得实体
Figure 50334DEST_PATH_IMAGE024
在事件影响下产生的标签
Figure 103740DEST_PATH_IMAGE025
，
Figure 989526DEST_PATH_IMAGE026
表示可学习的参数。
本公开另一些实施例中，实体的标签的变化信息的确定可以如下：预先定义损失函数，在给定事件数据情况下，实体状态的收敛用公式表示为：
Figure 470186DEST_PATH_IMAGE027
，
其中，
Figure 762627DEST_PATH_IMAGE028
表示在
Figure 947620DEST_PATH_IMAGE029
实体
Figure 641907DEST_PATH_IMAGE030
的标签，
Figure 293468DEST_PATH_IMAGE031
表示
Figure 338785DEST_PATH_IMAGE032
实体
Figure 547043DEST_PATH_IMAGE030
通过模型推理出的实体的标签，
Figure 95836DEST_PATH_IMAGE033
表示的差异函数用于计算两者之间的差异，根据不同的标签类型，
Figure 183878DEST_PATH_IMAGE033
可以具有不同的表现形式。
Figure 513228DEST_PATH_IMAGE034
表示正则惩罚函数。
S310：根据状态特征的变化信息和关联关系的变化信息，确定与样本空间数据和样本时间数据存在强关联关系的事件数据并作为样本事件数据，并将强关联关系作为标注收敛关系。
本公开实施例中，对于给定多个事件数据，可以在初始关系图谱中利用梯度下降法搜索最优解，根据当前实体状态特征的相似性，定义各个实体之间的关系强度公式：
Figure 712128DEST_PATH_IMAGE035
；
其中，
Figure 115428DEST_PATH_IMAGE036
表示关系强度，
Figure 685955DEST_PATH_IMAGE037
表示当前实体状态特征的相似度，由此，当相似度越高，表明事件数据与样本空间数据和样本时间数据存在强关联关系，设置相似度阈值，确定具有强关联关系的事件数据作为样本事件数据，并将强关联关系作为标注收敛关系。
S311：将匹配的目标空间数据和匹配的目标时间数据以及相应事件数据输入至关系精准收敛模型之中，以得到关系精准收敛模型输出的目标收敛关系。
其中，预先采用时空推理和数据挖掘方法获取样本空间数据、样本时间数据，以及与样本空间数据和样本时间数据对应的样本事件数据，结合样本空间数据、样本时间数据，以及样本事件数据之间的标注收敛关系，训练初始的最优化模型和给定约束的多目标分级最优化模型，直至最优化模型和多目标分级最优化模型收敛，将训练得到的最优化模型和多目标分级最优化模型共同作为关系精准收敛模型。
本公开实施例中，图4是本公开另一实施例提出的多目标分级最优化模型训练示意图，如图4所示，对于给定约束条件的多目标分级最优化模型，可以定义多目标的优先级，例如设置多目标为完整性、及时性、可行性，可以定义优先级为完整性>及时性>可行性，则根据定义得到公式：
Figure 440285DEST_PATH_IMAGE038
；
其中，
Figure 177296DEST_PATH_IMAGE039
为决策变量向量，
Figure 497419DEST_PATH_IMAGE040
代表完整性，
Figure 927264DEST_PATH_IMAGE041
代表及时性，
Figure 903310DEST_PATH_IMAGE042
代表可行性，对于完整性的约束可以预先给定约束条件为完整性
Figure 444013DEST_PATH_IMAGE043
，保证完整性的优先级最高，给定目标函数：
Figure 166112DEST_PATH_IMAGE044
，其中，
Figure 501279DEST_PATH_IMAGE045
分别表示与预先设置的目标期望值（100%）相比的超过值和不足值，
Figure 230200DEST_PATH_IMAGE046
表示在同一优先级中不同目标的正、负偏差变量的权系数；在保证完整性的前提下可以尽量提高及时性，及时性的求解为给定约束的单向优化问题：
Figure 371331DEST_PATH_IMAGE047
，其中
Figure 869309DEST_PATH_IMAGE048
代表给定的最大响应时间，表示
Figure 375377DEST_PATH_IMAGE049
需要在0和
Figure 903179DEST_PATH_IMAGE050
之间约束，
Figure 785684DEST_PATH_IMAGE049
越接近0，则表示及时性越强；在优先保证完整性和及时性的前提下，可以对可行性进行约束，可行性的约束求解为区间动态优化问题：
Figure 138168DEST_PATH_IMAGE051
，通过给定约束条件，对多目标分级最优化模型进行训练，并将训练后的多目标分级模型作为关系精准收敛模型。
本公开实施例中，根据样本事件数据的变化，以及强关系精准收敛模型，可以触发基于时空映射的关系震荡，实现基于时空映射的强关系精准收敛，根据样本事件数据类型的不同，关系结构可以发生不同模式的震荡，例如全域震荡、有限震荡和定向震荡等。
其中，当样本事件数据的时空属性（即样本时间数据和样本空间数据）及影响对象（即受到样本事件数据影响的其他实体）无法完全确定时，样本事件数据的输入导致的实体属性和实体间的关系变化在复杂关系结构中进行全域传播，可以被称为全域震荡，当样本事件数据的时空属性或影响对象确定时，样本事件数据的输入导致的实体属性和关系变化在复杂关系结构中的有限范围进行传播，可以被称为有限震荡，根据影响对象的不同，有限震荡可以划分为有限实体遮盖、有限属性增强、有限关系传递等；当样本事件数据的时空属性或影响对象完全确定时，样本事件数据的输入导致的实体属性和实体间的关系变化发生定向传播，影响范围能够快速收敛并形成特定实体间的样本事件关系，可以被称为定向震荡。对三种不同模式的震荡，可以根据强弱关系、显隐关系和时变关系三个维度对样本事件数据进行基于复杂关系震荡理论的关系建模，得到关系精准收敛模型，实现基于时空约束和事件驱动下的强关系精准收敛。其中，强关系可以指实体之间相对静态、对实体影响程度较大的关系，比如人的家庭关系（父子、母女等），弱关系可以指实体之间相对动态、对实体影响程度较小的关系，比如人的同乘关系（同车、同船等），强弱关系可以随时间、空间的变化相互转化，对此不做限制，实体之间的直接关系可以被称为显性关系，肢体之间的间接关系可以被称为隐性关系，当强弱关系和显隐关系随时间变化，可以被称为时变关系。
本实施例中，通过获取多个初始时间数据、多个初始空间数据，以及多个事件数据，对多个初始时间数据分别进行预处理，以得到多个目标时间数据，对多个初始空间数据分别进行预处理，以得到多个目标空间数据，对事件数据进行解析处理，以得到事件描述信息，事件描述信息至少包括：事件信息、事件地理信息、事件时间信息，根据事件地理信息从多个目标空间数据之中确定出匹配的目标空间数据，根据事件时间信息从多个目标时间数据之中确定出匹配的目标时间数据，获取样本空间数据和样本时间数据，获取初始关系图谱，初始关系图谱包括：多个实体，实体的标签、状态特征，以及不同实体之间的关联关系，根据多个事件数据处理初始关系图谱，以得到目标关系图谱，目标关系图谱包括：多个实体、实体的标签、在事件数据的影响下状态特征的变化信息，以及关联关系的变化信息，根据状态特征的变化信息和关联关系的变化信息，确定与样本空间数据和样本时间数据存在强关联关系的事件数据并作为样本事件数据，并将强关联关系作为标注收敛关系，将匹配的目标空间数据和匹配的目标时间数据以及相应事件数据输入至关系精准收敛模型之中，以得到关系精准收敛模型输出的目标收敛关系，由于是对事件数据进行解析处理，匹配的目标空间数据和匹配的目标时间数据以及相应事件数据进行时空融合处理，能够对事件数据进行处理，将目标空间数据和目标时间数据以及相应事件数据有效地结合，更加准确地描述事件数据对关联关系的影响，由于是通过关系精准收敛模型的搭建，得到关系精准收敛模型输出的目标收敛关系，能够更加准确地描述实体状态特征以及实体之间的关系的动态变化情况，构建多目标分级最优化模型，基于模型对多目标优先级进行确定，进而确定关系收敛的最优解，由于是根据多个事件数据处理初始关系图谱，根据状态特征的变化信息和关联关系的变化信息确定样本事件数据和标注收敛关系，确定样本空间数据和样本时间数据存在的强关联关系，能够提高对强关联关系确定的准确率，实现基于时空映射的强关系精准收敛。
图5是根据本公开一实施例提出的基于时空特征的关系收敛装置的结构示意图。
如图5所示，该基于时空特征的关系收敛装置50，包括：
第一获取模块501，用于获取多个初始时间数据、多个初始空间数据，以及多个事件数据；
第一处理模块502，用于对多个初始时间数据分别进行预处理，以得到多个目标时间数据；
第二处理模块503，用于对多个初始空间数据分别进行预处理，以得到多个目标空间数据；
第三处理模块504，用于结合时空推理和数据挖掘方法，对多个目标时间数据和多个目标空间数据以及多个事件数据进行时空融合处理，以得到目标收敛关系，目标收敛关系用于描述多个目标时间数据、多个目标空间数据以及多个事件数据之间的关联关系。
在本公开的一些实施例中，如图6所示，图6是根据本公开另一实施例提出的基于时空特征的关系收敛装置的结构示意图，第一处理模块502，具体用于：
根据至少部分初始时间数据的时间变量类型，对至少部分初始时间数据进行汇总处理，至少部分初始时间数据对应的时间间隔值小于间隔阈值，至少部分初始时间数据对应相同时间变量类型；和/或
根据至少部分初始时间数据的时间变量类型，对至少部分初始时间数据中的空白值和/或空值进行填充处理，至少部分初始时间数据对应相同时间变量类型；以及
对汇总处理后初始时间数据，和/或对填充处理后初始时间数据进行合并处理，以得到相应目标时间数据。
在本公开的一些实施例中，如图6所示，第二处理模块503，具体用于：
确定与多个初始空间数据分别对应的多个空间坐标系；
根据参考空间坐标系分别对多个空间坐标系进行坐标映射处理，以得到多个目标空间坐标系；
将多个初始空间数据分别映射至相应多个目标空间坐标系之中，以得到多个目标空间数据。
在本公开的一些实施例中，如图6所示，还包括：
解析模块505，用于在结合时空推理和数据挖掘方法，对多个目标时间数据和多个目标空间数据以及多个事件数据进行时空融合处理，以得到目标收敛关系之前，对事件数据进行解析处理，以得到事件描述信息，事件描述信息至少包括：事件信息、事件地理信息、事件时间信息；
第一确定模块506，用于根据事件地理信息从多个目标空间数据之中确定出匹配的目标空间数据；
第二确定模块507，用于根据事件时间信息从多个目标时间数据之中确定出匹配的目标时间数据；
则第三处理模块504，具体用于：
结合时空推理和数据挖掘方法，对匹配的目标空间数据和匹配的目标时间数据以及相应事件数据进行时空融合处理，以得到目标收敛关系。
在本公开的一些实施例中，如图6所示，第三处理模块50，具体用于：
将匹配的目标空间数据和匹配的目标时间数据以及相应事件数据输入至关系精准收敛模型之中，以得到关系精准收敛模型输出的目标收敛关系；
其中，预先采用时空推理和数据挖掘方法获取样本空间数据、样本时间数据，以及与样本空间数据和样本时间数据对应的样本事件数据，结合样本空间数据、样本时间数据，以及样本事件数据之间的标注收敛关系，训练初始的最优化模型和给定约束的多目标分级最优化模型，直至最优化模型和多目标分级最优化模型收敛，将训练得到的最优化模型和多目标分级最优化模型共同作为关系精准收敛模型。
在本公开的一些实施例中，如图6所示，装置还包括：
第二获取模块508，用于获取样本空间数据和样本时间数据；
第三获取模块509，用于获取初始关系图谱，初始关系图谱包括：多个实体，实体的标签、状态特征，以及不同实体之间的关联关系；
第四处理模块510，用于根据多个事件数据处理初始关系图谱，以得到目标关系图谱，目标关系图谱包括：多个实体、实体的标签、在事件数据的影响下状态特征的变化信息，以及关联关系的变化信息；
第三确定模块511，用于根据状态特征的变化信息和关联关系的变化信息，确定与样本空间数据和样本时间数据存在强关联关系的事件数据并作为样本事件数据，并将强关联关系作为标注收敛关系。
与上述图1至图4实施例提供的基于时空特征的关系收敛方法相对应，本公开还提供一种基于时空特征的关系收敛装置，由于本公开实施例提供的基于时空特征的关系收敛装置与上述图1至图4实施例提供的基于时空特征的关系收敛方法相对应，因此在基于时空特征的关系收敛方法的实施方式也适用于本公开实施例提供的基于时空特征的关系收敛装置，在本公开实施例中不再详细描述。
本实施例中，通过获取多个初始时间数据、多个初始空间数据，以及多个事件数据，然后对多个初始时间数据分别进行预处理，以得到多个目标时间数据，对多个初始空间数据分别进行预处理，以得到多个目标空间数据，之后结合时空推理和数据挖掘方法，对多个目标时间数据和多个目标空间数据以及多个事件数据进行时空融合处理，以得到目标收敛关系，目标收敛关系用于描述多个目标时间数据、多个目标空间数据以及多个事件数据之间的关联关系，由于是对多个初始时间数据进行预处理，能够使得不同的初始时间数据具有相同的时间间隔，由于是对多个初始空间数据进行预处理，能够搭建空间坐标，便于对空间位置进行描述，由于是根据时空推理和数据挖掘确定目标收敛关系，能够准确地确定不同维度数据之间的目标收敛关系，有效提升大规模复杂维度数据之间强关系的收敛准确度。
为了实现上述实施例，本公开还提出一种非临时性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本公开前述实施例提出的基于时空特征的关系收敛方法。
为了实现上述实施例，本公开还提出一种电子设备，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，处理器执行程序时，实现如本公开前述实施例提出的基于时空特征的关系收敛方法。
为了实现上述实施例，本公开还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本公开前述实施例提出的基于时空特征的关系收敛方法。
图7示出了适于用来实现本公开实施方式的示例性电子设备的框图。图7显示的电子设备12仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件（包括系统存储器28和处理单元16）的总线18。总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（Industry Standard Architecture；以下简称：ISA）总线，微通道体系结构（MicroChannel Architecture；以下简称：MAC）总线，增强型ISA总线、视频电子标准协会（VideoElectronics Standards Association；以下简称：VESA）局域总线以及外围组件互连（Peripheral Component Interconnection；以下简称：PCI）总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（Random Access Memory；以下简称：RAM）30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质（图7未显示，通常称为“硬盘驱动器”）。
尽管图7中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如：光盘只读存储器（Compact Disc Read OnlyMemory；以下简称：CD-ROM）、数字多功能只读光盘（Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM）或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本公开各实施例的功能。
具有一组（至少一个）程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14（例如键盘、指向设备、显示器24等）通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络（例如局域网（Local Area Network；以下简称：LAN），广域网（Wide Area Net work；以下简称：WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的基于时空特征的关系收敛方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
需要说明的是，在本公开的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (14)

1.一种基于时空特征的关系收敛方法，其特征在于，包括：
获取多个初始时间数据、多个初始空间数据，以及多个事件数据；
对所述多个初始时间数据分别进行预处理，以得到多个目标时间数据；
对所述多个初始空间数据分别进行预处理，以得到多个目标空间数据；
结合时空推理和数据挖掘方法，对所述多个目标时间数据和所述多个目标空间数据以及所述多个事件数据进行时空融合处理，以得到目标收敛关系，所述目标收敛关系用于描述所述多个目标时间数据、所述多个目标空间数据以及所述多个事件数据之间的关联关系。
2.如权利要求1所述的方法，其特征在于，所述对所述多个初始时间数据分别进行预处理，以得到多个目标时间数据，包括：
根据至少部分初始时间数据的时间变量类型，对所述至少部分初始时间数据进行汇总处理，所述至少部分初始时间数据对应的时间间隔值小于间隔阈值，所述至少部分初始时间数据对应相同所述时间变量类型；和/或
根据至少部分初始时间数据的时间变量类型，对所述至少部分初始时间数据中的空白值和/或空值进行填充处理，所述至少部分初始时间数据对应相同所述时间变量类型；以及
对所述汇总处理后初始时间数据，和/或对所述填充处理后初始时间数据进行合并处理，以得到相应所述目标时间数据。
3.如权利要求1所述的方法，其特征在于，所述对所述多个初始空间数据分别进行预处理，以得到多个目标空间数据，包括：
确定与所述多个初始空间数据分别对应的多个空间坐标系；
根据参考空间坐标系分别对所述多个空间坐标系进行坐标映射处理，以得到多个目标空间坐标系；
将所述多个初始空间数据分别映射至相应所述多个目标空间坐标系之中，以得到所述多个目标空间数据。
4.如权利要求1所述的方法，其特征在于，在所述结合时空推理和数据挖掘方法，对所述多个目标时间数据和所述多个目标空间数据以及所述多个事件数据进行时空融合处理，以得到目标收敛关系之前，还包括：
对所述事件数据进行解析处理，以得到事件描述信息，所述事件描述信息至少包括：事件信息、事件地理信息、事件时间信息；
根据所述事件地理信息从所述多个目标空间数据之中确定出匹配的目标空间数据；
根据所述事件时间信息从所述多个目标时间数据之中确定出匹配的目标时间数据；
则所述结合时空推理和数据挖掘方法，对所述多个目标时间数据和所述多个目标空间数据以及所述多个事件数据进行时空融合处理，以得到目标收敛关系，包括：
结合所述时空推理和数据挖掘方法，对所述匹配的目标空间数据和所述匹配的目标时间数据以及相应所述事件数据进行时空融合处理，以得到目标收敛关系。
5.如权利要求4所述的方法，其特征在于，所述结合所述时空推理和数据挖掘方法，对所述匹配的目标空间数据和所述匹配的目标时间数据以及相应所述事件数据进行时空融合处理，以得到目标收敛关系，包括：
将所述匹配的目标空间数据和所述匹配的目标时间数据以及相应所述事件数据输入至关系精准收敛模型之中，以得到所述关系精准收敛模型输出的所述目标收敛关系；
其中，预先采用所述时空推理和数据挖掘方法获取样本空间数据、样本时间数据，以及与所述样本空间数据和所述样本时间数据对应的样本事件数据，结合所述样本空间数据、所述样本时间数据，以及所述样本事件数据之间的标注收敛关系，训练初始的最优化模型和给定约束的多目标分级最优化模型，直至所述最优化模型和所述多目标分级最优化模型收敛，将训练得到的所述最优化模型和所述多目标分级最优化模型共同作为所述关系精准收敛模型。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
获取样本空间数据和样本时间数据；
获取初始关系图谱，所述初始关系图谱包括：多个实体，所述实体的标签、状态特征，以及不同所述实体之间的关联关系；
根据多个事件数据处理所述初始关系图谱，以得到目标关系图谱，所述目标关系图谱包括：所述多个实体、所述实体的标签、在所述事件数据的影响下所述状态特征的变化信息，以及所述关联关系的变化信息；
根据所述状态特征的变化信息和所述关联关系的变化信息，确定与所述样本空间数据和样本时间数据存在强关联关系的事件数据并作为所述样本事件数据，并将所述强关联关系作为所述标注收敛关系。
7.一种基于时空特征的关系收敛装置，其特征在于，包括：
第一获取模块，用于获取多个初始时间数据、多个初始空间数据，以及多个事件数据；
第一处理模块，用于对所述多个初始时间数据分别进行预处理，以得到多个目标时间数据；
第二处理模块，用于对所述多个初始空间数据分别进行预处理，以得到多个目标空间数据；
第三处理模块，用于结合时空推理和数据挖掘方法，对所述多个目标时间数据和所述多个目标空间数据以及所述多个事件数据进行时空融合处理，以得到目标收敛关系，所述目标收敛关系用于描述所述多个目标时间数据、所述多个目标空间数据以及所述多个事件数据之间的关联关系。
8.如权利要求7所述的装置，其特征在于，所述第一处理模块，具体用于：
根据至少部分初始时间数据的时间变量类型，对所述至少部分初始时间数据进行汇总处理，所述至少部分初始时间数据对应的时间间隔值小于间隔阈值，所述至少部分初始时间数据对应相同所述时间变量类型；和/或
根据至少部分初始时间数据的时间变量类型，对所述至少部分初始时间数据中的空白值和/或空值进行填充处理，所述至少部分初始时间数据对应相同所述时间变量类型；以及
对所述汇总处理后初始时间数据，和/或对所述填充处理后初始时间数据进行合并处理，以得到相应所述目标时间数据。
9.如权利要求7所述的装置，其特征在于，所述第二处理模块，具体用于：
确定与所述多个初始空间数据分别对应的多个空间坐标系；
根据参考空间坐标系分别对所述多个空间坐标系进行坐标映射处理，以得到多个目标空间坐标系；
将所述多个初始空间数据分别映射至相应所述多个目标空间坐标系之中，以得到所述多个目标空间数据。
10.如权利要求7所述的装置，其特征在于，还包括：
解析模块，用于在所述结合时空推理和数据挖掘方法，对所述多个目标时间数据和所述多个目标空间数据以及所述多个事件数据进行时空融合处理，以得到目标收敛关系之前，对所述事件数据进行解析处理，以得到事件描述信息，所述事件描述信息至少包括：事件信息、事件地理信息、事件时间信息；
第一确定模块，用于根据所述事件地理信息从所述多个目标空间数据之中确定出匹配的目标空间数据；
第二确定模块，用于根据所述事件时间信息从所述多个目标时间数据之中确定出匹配的目标时间数据；
则所述第三处理模块，具体用于：
结合所述时空推理和数据挖掘方法，对所述匹配的目标空间数据和所述匹配的目标时间数据以及相应所述事件数据进行时空融合处理，以得到目标收敛关系。
11.如权利要求10所述的装置，其特征在于，所述第三处理模块，具体用于：
将所述匹配的目标空间数据和所述匹配的目标时间数据以及相应所述事件数据输入至关系精准收敛模型之中，以得到所述关系精准收敛模型输出的所述目标收敛关系；
其中，预先采用所述时空推理和数据挖掘方法获取样本空间数据、样本时间数据，以及与所述样本空间数据和所述样本时间数据对应的样本事件数据，结合所述样本空间数据、所述样本时间数据，以及所述样本事件数据之间的标注收敛关系，训练初始的最优化模型和给定约束的多目标分级最优化模型，直至所述最优化模型和所述多目标分级最优化模型收敛，将训练得到的所述最优化模型和所述多目标分级最优化模型共同作为所述关系精准收敛模型。
12.如权利要求11所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取样本空间数据和样本时间数据；
第三获取模块，用于获取初始关系图谱，所述初始关系图谱包括：多个实体，所述实体的标签、状态特征，以及不同所述实体之间的关联关系；
第四处理模块，用于根据多个事件数据处理所述初始关系图谱，以得到目标关系图谱，所述目标关系图谱包括：所述多个实体、所述实体的标签、在所述事件数据的影响下所述状态特征的变化信息，以及所述关联关系的变化信息；
第三确定模块，用于根据所述状态特征的变化信息和所述关联关系的变化信息，确定与所述样本空间数据和样本时间数据存在强关联关系的事件数据并作为所述样本事件数据，并将所述强关联关系作为所述标注收敛关系。
13.一种电子设备，其特征在于，包括：
至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-6任一项所述的基于时空特征的关系收敛方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-6任一项所述的基于时空特征的关系收敛方法。
CN202111561005.8A 2021-12-20 2021-12-20 一种基于时空特征的关系收敛方法、装置、设备及存储介质 Pending CN113946635A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111561005.8A CN113946635A (zh) 2021-12-20 2021-12-20 一种基于时空特征的关系收敛方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111561005.8A CN113946635A (zh) 2021-12-20 2021-12-20 一种基于时空特征的关系收敛方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113946635A true CN113946635A (zh) 2022-01-18

Family

ID=79339396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111561005.8A Pending CN113946635A (zh) 2021-12-20 2021-12-20 一种基于时空特征的关系收敛方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113946635A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131938A (zh) * 2023-10-26 2023-11-28 合肥工业大学 基于图深度学习的动态隐性关系挖掘方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131938A (zh) * 2023-10-26 2023-11-28 合肥工业大学 基于图深度学习的动态隐性关系挖掘方法和系统
CN117131938B (zh) * 2023-10-26 2024-01-19 合肥工业大学 基于图深度学习的动态隐性关系挖掘方法和系统

Similar Documents

Publication Publication Date Title
Li et al. Geospatial big data handling theory and methods: A review and research challenges
US20160299962A1 (en) Measuring and displaying facets in context-based conformed dimensional data gravity wells
US6574619B1 (en) System and method for providing cross-dimensional computation and data access in an on-line analytical processing (OLAP) environment
US20170017683A1 (en) Systems And Methods For Storing And Interacting With Data From Heterogeneous Data Sources
Nys et al. CityJSON building generation from airborne LiDAR 3D point clouds
Ye et al. Development of a highly flexible mobile GIS-based system for collecting arable land quality data
US10650559B2 (en) Methods and systems for simplified graphical depictions of bipartite graphs
CN111316332A (zh) 空间数据处理系统及方法
EP2341451A1 (en) Optimizing data transfer time on graphics processor units
US9015608B2 (en) Regenerating a user interface area
US20110225541A1 (en) Interactive representation of clusters of geographical entities
WO2022188331A1 (zh) 数据血缘关系展示方法、装置、电子设备及存储介质
CN113946635A (zh) 一种基于时空特征的关系收敛方法、装置、设备及存储介质
US9135749B2 (en) Method and apparatus for processing three-dimensional model data
Wang et al. Integration of 3DGIS and BIM and its application in visual detection of concealed facilities
US20230022253A1 (en) Fast and accurate prediction methods and systems based on analytical models
JP2023534086A (ja) 道路データ処理方法、装置、デバイス、記憶媒体、及びプログラム
CN111753027B (zh) 一种面向多实体的隐式知识图谱表示的方法及装置
US8775463B2 (en) Detection and display of semantic errors in a reporting tool
Coors et al. Integrating quality management into a 3D geospatial server
Bai et al. Determining topological relations of uncertain spatiotemporal data based on counter-clock-wisely directed triangle
CN112364116A (zh) 建立地下管线三维模型与目标gis系统关联的方法及系统
Praschl et al. Extending 3D geometric file formats for geospatial applications
Xu et al. Research on Building Space Model Method Based on Big Data Map Visual Design
Krumm et al. Spatial Gems, Volume 1

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220118

RJ01 Rejection of invention patent application after publication