CN114186168A - 面向智能城市网络资源的相关性分析方法及装置 - Google Patents

面向智能城市网络资源的相关性分析方法及装置 Download PDF

Info

Publication number
CN114186168A
CN114186168A CN202111404951.1A CN202111404951A CN114186168A CN 114186168 A CN114186168 A CN 114186168A CN 202111404951 A CN202111404951 A CN 202111404951A CN 114186168 A CN114186168 A CN 114186168A
Authority
CN
China
Prior art keywords
correlation
kernel
obtaining
operation data
intelligent city
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
CN202111404951.1A
Other languages
English (en)
Inventor
杨杨
高志鹏
葛忠迪
龚兴乐
胡皓
吕睿
龙雨寒
刘澳伦
赵斌男
高博文
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 University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202111404951.1A priority Critical patent/CN114186168A/zh
Publication of CN114186168A publication Critical patent/CN114186168A/zh
Priority to PCT/CN2022/104835 priority patent/WO2023093070A1/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Complex Calculations (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供一种面向智能城市网络资源的相关性分析方法及装置，所述方法包括：获取智能城市网络的多组不同的属性变量，并基于典型相关分析得到所述属性变量的最优相关系数；基于多核模型将所述最优相关系数对应的属性变量映射至子空间，得到网络运行数据特征向量；其中，所述多核模型是基于多种核函数进行线性组合建立的；基于欧式距离度量计算所述网络运行数据特征向量的距离，并根据所述距离和所述核函数线性组合的权重得到网络运行数据特征向量的相关性。本发明通过将多种核函数与典型相关分析相结合，从而能够对非线性的网络数据进行处理，得到更加准确的网络数据的相关性大小。

Description

面向智能城市网络资源的相关性分析方法及装置
技术领域
本发明涉及信息处理技术领域，尤其涉及一种面向智能城市网络资源的相关性分析方法及装置。
背景技术
随着信息技术的不断革新进步，智能城市的建设被逐步提上日程，成为了目前网络设施建议以及城市未来规划建设的重点。庞大的城市信息建设工程需要强大的网络基础设施支撑，复杂的网络结构会产生海量的网络数据，网络运行所产生的属性数据大多是高维非线性的，其中包含了网络流量大小，网络传播方法，网络地址等相关重要信息，也有较为隐秘的网络属性。因此如何从海量的网络数据中提取出关键可供分析研究的相关特征数据成为了当下研究的重点，这也是智能城市建设中网络建设所需要突破的重点问题之一。
现有技术中进行线性特征提取的方法常用典型相关性分析(CCA) 进行网络数据的相关性分析，典型相关性分析(CCA)能够学习到使两组异构数据线性相关性最大化的公共子空间，并完成异构数据到公共子空间的映射。但是仅仅通过典型相关性分析的线性映射很难提取到有效且关键的特征。
因此，本课题亟需解决现有技术中难以对网络数据进行非线性特征提取的问题。
发明内容
本发明提供一种面向智能城市网络资源的相关性分析方法及装置，用以解决现有技术中难以对网络数据进行非线性特征提取的缺陷，实现对网络数据的线性提取从而进行相关性分析。
本发明提供一种面向智能城市网络资源的相关性分析方法，包括：
获取智能城市网络的多组不同的属性变量，并基于典型相关分析得到所述属性变量的最优相关系数；
基于多核模型将所述最优相关系数对应的属性变量映射至子空间，得到网络运行数据特征向量；其中，所述多核模型是基于多种核函数进行线性组合建立的；
基于欧式距离度量计算所述网络运行数据特征向量的距离，并根据所述距离和所述核函数线性组合的权重得到网络运行数据特征向量的相关性。
根据本发明提供的一种面向智能城市网络资源的相关性分析方法，所述多核模型是基于多种核函数进行线性组合建立的，具体包括：
获取多种类型的核函数，对所述核函数根据不同的权重进行线性组合，得到多种核函数权重累加以及线性组合后的多核模型；
其中，所述核函数包括多项式核函数、指数核函数、高斯核函数以及线性核函数中的至少一个。
根据本发明提供的一种面向智能城市网络资源的相关性分析方法，所述基于多核模型将所述最优相关系数对应的两组属性变量映射至子空间，得到网络运行数据特征向量，具体包括：
基于多核模型中的每一种核函数，获得所述最优相关系数对应的两组属性变量映射到子空间的两组特征向量；
所述基于欧式距离度量计算所述网络运行数据特征向量的距离，具体包括：
基于欧式距离度量计算每一种核函数对应的两组特征向量的距离。
根据本发明提供的一种面向智能城市网络资源的相关性分析方法，所述根据所述距离和所述核函数的权重得到网络运行数据特征向量的相关性，具体包括：
根据每一种核函数在所述多核模型中的权重与每一种核函数对应的两组特征向量的距离，得到每一种核函数的相关性数值；
将每一种核函数的相关性数值进行求和，得到所述网络运行数据特征向量的相关性。
根据本发明提供的一种面向智能城市网络资源的相关性分析方法，所述基于典型相关分析得到所述属性变量的最优相关系数，具体包括：
基于典型相关分析，得到所述属性变量进行线性组合的系数向量和线性组合后的典型变量；
获取所述典型变量的相关系数，调整所述系数向量使所述相关系数为最优值，得到最优相关系数。
根据本发明提供的一种面向智能城市网络资源的相关性分析方法，还包括：
将多组所述属性变量两两组合，分别求得每个组合对应的相关系数；
将相关系数最大的组合确认为所述最优相关系数对应的两组属性变量。
本发明还提供一种面向智能城市网络资源的相关性分析装置，包括：
最优相关系数获取模块，用于获取智能城市网络的多组不同的属性变量，并基于典型相关分析得到所述属性变量的最优相关系数；
特征向量获取模块，用于基于多核模型将所述最优相关系数对应的属性变量映射至子空间，得到网络运行数据特征向量；其中，所述多核模型是基于多种核函数进行线性组合建立的；
相关性分析模块，用于基于欧式距离度量计算所述网络运行数据特征向量的距离，并根据所述距离和所述核函数线性组合的权重得到网络运行数据特征向量的相关性。
本发明还提供一种电子设备，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，所述处理器执行所述程序时实现如上述任一种所述面向智能城市网络资源的相关性分析方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述面向智能城市网络资源的相关性分析方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述面向智能城市网络资源的相关性分析方法的步骤。
本发明提供的面向智能城市网络资源的相关性分析方法及装置，通过典型相关性分析得到智能城市网络的属性变量的最优相关系数，并将最优相关系数对应的属性变量通过多核模型映射到子空间。本发明通过将多种核函数与典型相关分析相结合，从而能够对非线性的网络数据进行处理，得到更加准确的网络数据的相关性大小。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的面向智能城市网络资源的相关性分析方法的流程示意图之一；
图2是本发明提供的面向智能城市网络资源的相关性分析方法的流程示意图之二；
图3是本发明提供的面向智能城市网络资源的相关性分析装置的结构示意图之一；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图2描述本发明提供的面向智能城市网络资源的相关性分析方法。
参照图1，本发明提供的面向智能城市网络资源的相关性分析方法，包括以下步骤：
步骤110：获取智能城市网络的多组不同的属性变量，并基于典型相关分析得到所述属性变量的最优相关系数；
在实际的城市信息建设工程中，需要强大的网络基础设施支撑。由于智能城市网络结构的复杂性，会产生海量的网络数据。网络运行所产生的属性数据大多是高维非线性的，其中包含了网络流量大小、网络传播方法以及网络地址等相关重要信息，也有较为隐秘的网络属性。
本实施例中将智能城市网络中的属性变量分为多组，根据典型相关分析算法得到这些属性变量的最优相关系数。
典型相关分析算法(CCA，Canonical Correlation Analysis)是一种利用综合变量对之间的相关关系来反映两组指标之间的整体相关性的多元统计分析方法。基本原理是：为了从总体上把握两组指标之间的相关关系，分别在两组变量中提取有代表性的两个综合变量，利用这两个综合变量之间的相关关系来反映两组指标之间的整体相关性。
本实施例中，在多组属性变量中选取两组相关性最大的属性变量，从这两组属性变量中得到最优相关系数。通过典型相关分析算法是得两个属性变量之间的相关值达到最大化。
步骤120：基于多核模型将所述最优相关系数对应的属性变量映射至子空间，得到网络运行数据特征向量；其中，所述多核模型是基于多种核函数进行线性组合建立的；
具体地，本实施例中将最优相关系数对应的两组属性变量，将该网络数据的属性变量的对应特征向量通过多核模型投影到高维空间，得到网络运行数据特征向量。
其中，多核模型是根据选择的多种核函数，构建这些核函数的线性组合，对每种核函数赋予其权重，根据权重组成线性组合，得到多核模型。本实例中的多核模型的核函数类型应不少于一种。
步骤130：基于欧式距离度量计算所述网络运行数据特征向量的距离，并根据所述距离和所述核函数线性组合的权重得到网络运行数据特征向量的相关性。
欧式距离度量也称欧几里得度量，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
本实施例中，通过欧式距离度量，计算两组经过映射得到的网络运行数据特征向量之间的距离，并根据计算得到的距离以及每种核函数在多核模型中所占的权重，计算得到络运行数据特征向量的相关性，即经过映射前的两组属性变量的相关性。
本发明实施例提供的面向智能城市网络资源的相关性分析方法，通过典型相关性分析得到智能城市网络的属性变量的最优相关系数，并将最优相关系数对应的属性变量通过多核模型映射到子空间。本发明通过将多种核函数与典型相关分析相结合，从而能够对非线性的网络数据进行处理，得到更加准确的网络数据的相关性大小。
基于上述实施例，所述多核模型是基于多种核函数进行线性组合建立的，具体包括：
获取多种类型的核函数，对所述核函数根据不同的权重进行线性组合，得到多种核函数权重累加以及线性组合后的多核模型；
其中，所述核函数包括多项式核函数、指数核函数、高斯核函数以及线性核函数中的至少一个。
本实施例中，多核模型是根据选择的多种核函数，构建这些核函数的线性组合，对每种核函数赋予其权重，根据权重组成线性组合，得到多核模型。具体应用中，可通过权值调整来调节不同核函数所发挥作用的大小从而使多核方法在不同场合都能达到总体最优的效果。
通过将多种不同的核函数进行线性组合而得到多核模型，其中，核函数的类型以及数量包括但不限于以上四种，也可以为以上四种中的任一种，在此不做具体限定。
基于上述实施例，所述基于多核模型将所述最优相关系数对应的两组属性变量映射至子空间，得到网络运行数据特征向量，具体包括：
基于多核模型中的每一种核函数，获得所述最优相关系数对应的两组属性变量映射到子空间的两组特征向量；
本实施例中，通过多核模型中的每个核函数将最优相关系数对应的两组属性变量映射到子空间，得到映射后的两组特征向量。
所述基于欧式距离度量计算所述网络运行数据特征向量的距离，具体包括：
基于欧式距离度量计算每一种核函数对应的两组特征向量的距离。
本实施例中，在获得每一种核函数对应的特征向量之后，计算每个核函数的对应的特征向量的距离。
基于上述实施例，所述根据所述距离和所述核函数的权重得到网络运行数据特征向量的相关性，具体包括：
根据每一种核函数在所述多核模型中的权重与每一种核函数对应的两组特征向量的距离，得到每一种核函数的相关性数值；
将每一种核函数的相关性数值进行求和，得到所述网络运行数据特征向量的相关性。
具体如以下公式所示：
Figure RE-GDA0003492017200000091
Figure RE-GDA0003492017200000101
Figure RE-GDA0003492017200000102
其中，
Figure RE-GDA0003492017200000103
为经过多核模型映射后的特征向量
Figure RE-GDA0003492017200000104
和
Figure RE-GDA0003492017200000105
之间的距离；
Cr(Ai，Bi)为计算得出的相关性的大小，Wd为每种核函数对应的权值。
基于上述实施例，所述基于典型相关分析得到所述属性变量的最优相关系数，具体包括：
基于典型相关分析，得到所述属性变量进行线性组合的系数向量和线性组合后的典型变量；
获取所述典型变量的相关系数，调整所述系数向量使所述相关系数为最优值，得到最优相关系数。
本实施例中，将两组属性变量进行线性组合，采用相关系数最大的一对线性组合的系数向量来表示两组属性变量的相关性。两组属性变量经过线性组合便得到了两组典型变量，而线性组合的系数便为系数向量。其中，属性变量、系数向量和典型变量之间的关系如下所示：
U＝a1X1+a2X2+…+apXp＝aX (3)
V＝b1Y1+b2Y2+…+bqYq＝bY (4)
其中，U和V为经过线性组合后的典型变量；a1、a2……ap和 b1、b2……bq为系数向量；X＝(X1，X2，…，XP)和 Y＝(Y1，Y2，…，Yq)为属性变量。
相关系数用于描述两组典型变量之间相关性大小，相关系数越大则表示两组典型变量之间的相关性越大。其中，相关系数和典型变量的关系如下所示：
Figure RE-GDA0003492017200000111
Cov(U，V)＝aTCov(X，Y)b＝aTΣ12b (6)
Var(U)＝aTCov(X)a＝aTΣ11a＝1 (7)
Var(V)＝bTCov(Y)b＝bTΣ22b＝1 (8)
其中，ρ为U和V的相关系数，Cov(U，V)为U和V的协方差， Var(U)为U的样本方差，Var(V)为V的样本方差。
在实际应用过程中，可调整系数向量从而改变ρ的取值，使得典型变量具有较大的相关性。
基于上述实施例，本发明提供的面向智能城市网络资源的相关性分析方法，还包括以下步骤：
将多组所述属性变量两两组合，分别求得每个组合对应的相关系数；
将相关系数最大的组合确认为所述最优相关系数对应的两组属性变量。
具体地，本实施例将获取的智能城市网络的多组属性变量根据排列组合方式两两进行组合。分别对每个组合进行典型相关分析，求得每个组合的相关系数，把相关系数最大的确认为最优相关系数。相应地，对相关系数最大的组合通过多核函数进行映射和相关性分析。
参照图2，以下结合具体实例，对本发明提供的面向智能城市网络资源的相关性分析进行具体描述。
步骤210：采用归一化后的四个同维度属性向量X1、X2、X3 和X4；
其中：
X1＝(0.0068，0.3573，0.8925，…，0.0391)，
X2＝(0.9432，0.0033，0.3819，…，0.8239)，
X3＝(0.1670，0.0329，0.9028，…，0.6193)，
X4＝(0.2931，0.8352，0.0091，…，0.4890)。
将四个向量X1、X2、X3以及X4依次分为(X1，X2)，(X1， X3)，(X1，X4)，(X2，X3)，(X2，X4)，(X3，X4)六组向量对。并将它们代入以下公式(10)-(14)，分别得到各向量对对应的a，b系数以及最优的ρ值。
Figure RE-GDA0003492017200000121
对公式(9)求导，得到：
Figure RE-GDA0003492017200000122
Figure RE-GDA0003492017200000123
令导数为零后，得到方程组：
Σ12b-λΣ11a＝0 (12)
Σ21a-θΣ22b＝0 (13)
上式中，第一个等式左乘aT，第二个等式右乘bT，再根据 aT∑11a＝1，bT∑22b＝1，得到λ＝θ＝aT∑12b，λ即是Corr(U，V)，只需求出最大λ即可。
最终可以推导出：
Figure RE-GDA0003492017200000131
根据公式(10)-(14)，求得的a，b系数以及最优的ρ值如下表所示：
表1：
Figure RE-GDA0003492017200000132
步骤220：选择多种不同的核函数，构建它们之间的线性组合关系；
如以下公式所示：
Figure RE-GDA0003492017200000133
具体地，采用多项式核函数K1，指数核函数K2，高斯核函数 K3以及线性核函数K4来构建线性它们的线性组合多核函数K，即本实例中的多核模型。根据公式(15)，分别取θ1＝e，θ2＝2，θ3＝2e，
Figure RE-GDA0003492017200000141
其中θ1、θ2、θ3以及θ4为每个核函数对应的权值，代入以下公式得到多核模型的表达式：
Figure RE-GDA0003492017200000142
步骤230：采用步骤220中的四种核函数将步骤210中相关系数最大的属性映射至10维子空间，得到相应的网络运行数据特征向量；
根据上表的数据可知，相关系数最大的属性组合为(X2，X4)。因此，选择组合(X2，X4)进行映射得到网络运行数据特征向量。
K1、K2、K3以及K4四种核函数分别对应的网络运行数据特征向量如下所示：
Figure RE-GDA0003492017200000143
Figure RE-GDA0003492017200000144
Figure RE-GDA0003492017200000145
Figure RE-GDA0003492017200000146
Figure RE-GDA0003492017200000147
Figure RE-GDA0003492017200000148
Figure RE-GDA0003492017200000149
Figure RE-GDA00034920172000001410
步骤240：根据网络运行数据特征向量，计算两组属性之间的相关性大小。
具体地，计算向量组合(X2,X4)经过映射后得到的网络运行数据特征向量的距离，从而得到两种属性之间的相关性大小。
由公式(1)计算得，
Figure RE-GDA0003492017200000151
Figure RE-GDA0003492017200000152
以e为单位距离，设置Wd分别为W1＝e，W2＝2e，W3＝4e，W4＝0.5e；
由公式(2)计算得到Cr(X2,X4)＝25.4985e，即得到两组属性之间的相关性大小为25.4985e。
下面对本发明提供的面向智能城市网络资源的相关性分析装置进行描述，下文描述的面向智能城市网络资源的相关性分析装置与上文描述的面向智能城市网络资源的相关性分析方法可相互对应参照。
参照图3，本发明提供一种面向智能城市网络资源的相关性分析装置，包括：
最优相关系数获取模块310，用于获取智能城市网络的多组不同的属性变量，并基于典型相关分析得到所述属性变量的最优相关系数；
特征向量获取模块320，用于基于多核模型将所述最优相关系数对应的属性变量映射至子空间，得到网络运行数据特征向量；其中，所述多核模型是基于多种核函数进行线性组合建立的；
相关性分析模块330，用于基于欧式距离度量计算所述网络运行数据特征向量的距离，并根据所述距离和所述核函数线性组合的权重得到网络运行数据特征向量的相关性。
本发明实施例提供的面向智能城市网络资源的相关性分析装置，通过典型相关性分析得到智能城市网络的属性变量的最优相关系数，并将最优相关系数对应的属性变量通过多核模型映射到子空间。本发明通过将多种核函数与典型相关分析相结合，从而能够对非线性的网络数据进行处理，得到更加准确的网络数据的相关性大小。
可选地，特征向量获取模块具体用于：获取多种类型的核函数，对所述核函数根据不同的权重进行线性组合，得到多种核函数权重累加以及线性组合后的多核模型；
其中，所述核函数包括多项式核函数、指数核函数、高斯核函数以及线性核函数中的至少一个。
可选地，特征向量获取模块还用于：基于多核模型中的每一种核函数，获得所述最优相关系数对应的两组属性变量映射到子空间的两组特征向量；
相关性分析模块具体用于：基于欧式距离度量计算每一种核函数对应的两组特征向量的距离。
可选地，相关性分析模块还用于：根据每一种核函数在所述多核模型中的权重与每一种核函数对应的两组特征向量的距离，得到每一种核函数的相关性数值；
将每一种核函数的相关性数值进行求和，得到所述网络运行数据特征向量的相关性。
可选地，最优相关系数获取模块具体用于：基于典型相关分析，得到所述属性变量进行线性组合的系数向量和线性组合后的典型变量；
获取所述典型变量的相关系数，调整所述系数向量使所述相关系数为最优值，得到最优相关系数。
可选地，本发明提供的面向智能城市网络资源的相关性分析装置，还包括以下模块：
组合模块：将多组所述属性变量两两组合，分别求得每个组合对应的相关系数；
确认模块：将相关系数最大的组合确认为所述最优相关系数对应的两组属性变量。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行面向智能城市网络资源的相关性分析方法，该方法包括：
获取智能城市网络的多组不同的属性变量，并基于典型相关分析得到所述属性变量的最优相关系数；
基于多核模型将所述最优相关系数对应的属性变量映射至子空间，得到网络运行数据特征向量；其中，所述多核模型是基于多种核函数进行线性组合建立的；
基于欧式距离度量计算所述网络运行数据特征向量的距离，并根据所述距离和所述核函数线性组合的权重得到网络运行数据特征向量的相关性。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的面向智能城市网络资源的相关性分析方法，该方法包括：
获取智能城市网络的多组不同的属性变量，并基于典型相关分析得到所述属性变量的最优相关系数；
基于多核模型将所述最优相关系数对应的属性变量映射至子空间，得到网络运行数据特征向量；其中，所述多核模型是基于多种核函数进行线性组合建立的；
基于欧式距离度量计算所述网络运行数据特征向量的距离，并根据所述距离和所述核函数线性组合的权重得到网络运行数据特征向量的相关性。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的面向智能城市网络资源的相关性分析方法，该方法包括：
获取智能城市网络的多组不同的属性变量，并基于典型相关分析得到所述属性变量的最优相关系数；
基于多核模型将所述最优相关系数对应的属性变量映射至子空间，得到网络运行数据特征向量；其中，所述多核模型是基于多种核函数进行线性组合建立的；
基于欧式距离度量计算所述网络运行数据特征向量的距离，并根据所述距离和所述核函数线性组合的权重得到网络运行数据特征向量的相关性。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种面向智能城市网络资源的相关性分析方法，其特征在于，包括：
获取智能城市网络的多组不同的属性变量，并基于典型相关分析得到所述属性变量的最优相关系数；
基于多核模型将所述最优相关系数对应的属性变量映射至子空间，得到网络运行数据特征向量；其中，所述多核模型是基于多种核函数进行线性组合建立的；
基于欧式距离度量计算所述网络运行数据特征向量的距离，并根据所述距离和所述核函数线性组合的权重得到网络运行数据特征向量的相关性。
2.根据权利要求1所述的面向智能城市网络资源的相关性分析方法，其特征在于，所述多核模型是基于多种核函数进行线性组合建立的，具体包括：
获取多种类型的核函数，对所述核函数根据不同的权重进行线性组合，得到多种核函数权重累加以及线性组合后的多核模型；
其中，所述核函数包括多项式核函数、指数核函数、高斯核函数以及线性核函数中的至少一个。
3.根据权利要求1所述的面向智能城市网络资源的相关性分析方法，其特征在于，所述基于多核模型将所述最优相关系数对应的两组属性变量映射至子空间，得到网络运行数据特征向量，具体包括：
基于多核模型中的每一种核函数，获得所述最优相关系数对应的两组属性变量映射到子空间的两组特征向量；
所述基于欧式距离度量计算所述网络运行数据特征向量的距离，具体包括：
基于欧式距离度量计算每一种核函数对应的两组特征向量的距离。
4.根据权利要求1所述的面向智能城市网络资源的相关性分析方法，其特征在于，所述根据所述距离和所述核函数的权重得到网络运行数据特征向量的相关性，具体包括：
根据每一种核函数在所述多核模型中的权重与每一种核函数对应的两组特征向量的距离，得到每一种核函数的相关性数值；
将每一种核函数的相关性数值进行求和，得到所述网络运行数据特征向量的相关性。
5.根据权利要求1所述的面向智能城市网络资源的相关性分析方法，其特征在于，所述基于典型相关分析得到所述属性变量的最优相关系数，具体包括：
基于典型相关分析，得到所述属性变量进行线性组合的系数向量和线性组合后的典型变量；
获取所述典型变量的相关系数，调整所述系数向量使所述相关系数为最优值，得到最优相关系数。
6.根据权利要求1-5任一所述的面向智能城市网络资源的相关性分析方法，其特征在于，还包括：
将多组所述属性变量两两组合，分别求得每个组合对应的相关系数；
将相关系数最大的组合确认为所述最优相关系数对应的两组属性变量。
7.一种面向智能城市网络资源的相关性分析装置，其特征在于，包括：
最优相关系数获取模块，用于获取智能城市网络的多组不同的属性变量，并基于典型相关分析得到所述属性变量的最优相关系数；
特征向量获取模块，用于基于多核模型将所述最优相关系数对应的属性变量映射至子空间，得到网络运行数据特征向量；其中，所述多核模型是基于多种核函数进行线性组合建立的；
相关性分析模块，用于基于欧式距离度量计算所述网络运行数据特征向量的距离，并根据所述距离和所述核函数线性组合的权重得到网络运行数据特征向量的相关性。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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至6任一项所述面向智能城市网络资源的相关性分析方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述面向智能城市网络资源的相关性分析方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述面向智能城市网络资源的相关性分析方法的步骤。
CN202111404951.1A 2021-11-24 2021-11-24 面向智能城市网络资源的相关性分析方法及装置 Pending CN114186168A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111404951.1A CN114186168A (zh) 2021-11-24 2021-11-24 面向智能城市网络资源的相关性分析方法及装置
PCT/CN2022/104835 WO2023093070A1 (zh) 2021-11-24 2022-07-11 面向智能城市网络资源的相关性分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111404951.1A CN114186168A (zh) 2021-11-24 2021-11-24 面向智能城市网络资源的相关性分析方法及装置

Publications (1)

Publication Number Publication Date
CN114186168A true CN114186168A (zh) 2022-03-15

Family

ID=80602493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111404951.1A Pending CN114186168A (zh) 2021-11-24 2021-11-24 面向智能城市网络资源的相关性分析方法及装置

Country Status (2)

Country Link
CN (1) CN114186168A (zh)
WO (1) WO2023093070A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023093070A1 (zh) * 2021-11-24 2023-06-01 北京邮电大学 面向智能城市网络资源的相关性分析方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971548B (zh) * 2017-05-18 2019-06-07 福州大学 可优化的自适应多核支持向量机的短时交通流预测方法
US20190196499A1 (en) * 2017-12-26 2019-06-27 Samsung Electronics Co., Ltd. System and method for providing overhead camera-based precision localization for intelligent vehicles
CN114186168A (zh) * 2021-11-24 2022-03-15 北京邮电大学 面向智能城市网络资源的相关性分析方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023093070A1 (zh) * 2021-11-24 2023-06-01 北京邮电大学 面向智能城市网络资源的相关性分析方法及装置

Also Published As

Publication number Publication date
WO2023093070A1 (zh) 2023-06-01

Similar Documents

Publication Publication Date Title
AU2017322386B2 (en) Updating attribute data structures to indicate joint relationships among attributes and predictive outputs for training automated modeling systems
WO2021082480A1 (zh) 一种图像分类的方法及相关装置
CN109615128A (zh) 房地产客户成交概率预测方法、装置及服务器
CN111461164B (zh) 样本数据集的扩容方法及模型的训练方法
CN109190672A (zh) 电力系统运行工况无监督聚类方法及装置
WO2020007177A1 (zh) 计算机执行的报价方法、报价装置、电子设备及存储介质
CN109800815B (zh) 基于随机森林模型的训练方法、小麦识别方法和训练系统
CN110795613B (zh) 商品搜索方法、装置、系统及电子设备
CN113254716A (zh) 视频片段检索方法、装置、电子设备和可读存储介质
CN104035978B (zh) 社团发现方法及系统
CN114186168A (zh) 面向智能城市网络资源的相关性分析方法及装置
CN111506624B (zh) 一种电力缺失数据辨识方法和相关装置
CN113515519A (zh) 图结构估计模型的训练方法、装置、设备及存储介质
CN116467466A (zh) 基于知识图谱的编码推荐方法、装置、设备及介质
CN116910587A (zh) 一种基于数据分布差异的聚类联邦方法及装置
CN115408379A (zh) 终端重复数据的确定方法、装置、设备和计算机存储介质
CN111459990B (zh) 对象处理方法、系统及计算机可读存储介质和计算机设备
CN111784381A (zh) 基于隐私保护和som网络的电力客户细分方法及系统
CN111428741B (zh) 网络社区的发现方法、装置、电子设备及可读存储介质
CN117807237B (zh) 基于多元数据融合的论文分类方法、装置、设备及介质
Li et al. Cloud platform protocol data graph structure modeling method based on spectral clustering
CN115221366B (zh) 城市轨道交通网络中关键节点的识别方法及装置
CN114756546A (zh) 智慧城市融合网络运维数据特征提取和分析方法
US20230306044A1 (en) Systems and Methods for Numeric Network Extraction
CN113807749B (zh) 一种对象评分方法和装置

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