CN114943421A - 多类卫星协同任务筹划方法、装置、电子设备及存储介质 - Google Patents
多类卫星协同任务筹划方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114943421A CN114943421A CN202210442948.7A CN202210442948A CN114943421A CN 114943421 A CN114943421 A CN 114943421A CN 202210442948 A CN202210442948 A CN 202210442948A CN 114943421 A CN114943421 A CN 114943421A
- Authority
- CN
- China
- Prior art keywords
- observation
- task
- requirement
- satellite
- demand
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Radio Relay Systems (AREA)
Abstract
本申请提供了多类卫星协同任务筹划方法、装置、电子设备及存储介质,涉及卫星观测技术领域,具体为:获取多个事件信息或者用户需求;其中,一个事件信息或用户需求对应生成一个观测任务;基于预先训练完成的需求理解模型从每个事件信息或用户需求中得到对应的规则化需求要素集合;基于预先训练完成的需求推理模型得到观测卫星要素集合;基于规则化需求要素集合和观测卫星要素集合得到每个观测任务的任务筹划解空间,所述任务筹划解空间包括多个观测需求;计算各观测任务的任务优先级;对于按照任务优先级降序排列的各观测任务,通过匹配可用观测卫星资源,生成各观测任务的任务筹划结果。本申请能够实现遥感卫星协同观测任务的自动化快速筹划。
Description
技术领域
本申请涉及卫星观测技术领域,尤其是涉及多类卫星协同任务筹划方法、装置、电子设备及存储介质。
背景技术
遥感卫星具有覆盖范围广、运行时间长、不受地域或天候限制等优势,遥感卫星对地观测数据在资源勘测、灾害监测、地理测绘等工业、科研和国防领域均发挥着重要作用。面向多样化观测需求,研究卫星观测任务效率及收益最大化的方法,也具有十分重要的意义。
传统的对地观测任务规划模式为:地面控制中心就用户所提交的任务集合,根据所掌握的在轨卫星参数信息,通过计算生成特定的观测计划表,上注观测动作指令给对应的卫星,使卫星按照计划完成观测任务。在这一任务模式中,待执行的观测任务集合依赖于人的判断与筹划,当观测需求不断增加时,筹划任务的效率与效益受到严重制约。因此,亟待提升地面控制中心观测任务筹划的自动化水平。然而,目前在卫星任务规划领域相关研究工作中,绝大多数都针对卫星资源调度问题,根据不同卫星类型任务特点及应用场景,提出了针对性的资源调度算法。这些算法普遍以待观测任务集合已经筹划完毕为前提,以该任务集合为计算对象,面向在轨卫星进行卫星执行任务的动作集合求解。
随着遥感卫星应用领域逐步拓展,观测任务需求越来越呈现出动态性和多样性特点。动态性是指任务需求产生的随机和多发,多样性是指观测要求的特异性,例如快速响应要求任务执行的时效性,重要目标协同观测要求参与任务的卫星载荷类型与时序依赖关系,长周期监测要求多颗卫星对同一区域接力观测。在地面控制中心进行任务筹划的过程中,会根据观测任务对应事件隐含的要求,人为地从事件信息解析出任务类型、观测目标、适合的卫星资源等,并为观测任务匹配所需要的卫星数量、载荷类型、是否需要协同、是否需要接力等,这就要求任务筹划作业人员具有专业知识与业务经验,以保证在尽量短的时间内将若干时间周期内需要执行的任务进行准确的需求筹划。目前缺乏一种协同任务自动筹划方法。
发明内容
有鉴于此,本申请提供了多类卫星协同任务筹划方法、装置、电子设备及存储介质,以解决目前缺乏多类卫星协同任务自动筹划方法的技术问题。
第一方面,本申请实施例提供了一种多类卫星协同任务筹划方法,包括:
获取多个事件信息或者用户需求;其中,一个事件信息或用户需求对应生成一个观测任务;
基于预先训练完成的需求理解模型,从每个事件信息或用户需求的文本信息中抽取关键词,得到对应的规则化需求要素集合;
基于预先训练完成的需求推理模型,对每个规则化需求要素集合进行推理,得到观测卫星要素集合;
基于规则化需求要素集合和观测卫星要素集合得到每个观测任务的任务筹划解空间,所述任务筹划解空间包括多个观测需求;
按照任务重要程度、任务紧急程度和任务适配性,计算各观测需求的需求优先级;将各观测任务的所有观测需求的需求优先级的和作为各观测任务的任务优先级;
对于按照任务优先级降序排列的各观测任务,通过匹配可用观测卫星资源,获取各观测任务的按照需求优先级降序排列的各观测需求的需求筹划结果,生成各观测任务的任务筹划结果。
进一步的,所述方法还包括:
获取卫星地面控制中心历史数据,包括多个原始事件信息和多个原始用户需求,以及地面控制中心专业人员对各个原始事件信息和各个原始用户需求进行人为解析后,得到的对应的规则化需求要素集合和观测卫星要素集合;所述规则化需求要素至少包括:用户类型、用户级别、事件名称、事件来源、事件类型、事件时间、事件区域、观测目标、目标类型和观测周期;所述观测卫星要素集合至少包括:卫星类型、卫星型号、协同关系、传感器类型、传感器模式和传感器分辨率;
基于卫星地面控制中心历史数据建立需求理解样本数据集,所述需求理解样本数据集包括多个需求理解样本,每个需求理解样本包括:原始事件信息或原始用户需求,以及解析得到的规则化需求要素集合;
基于卫星地面控制中心历史数据建立需求推理样本数据集,所述需求推理样本数据集包括多个需求推理样本,每个需求理解样本包括:规则化需求要素集合和对应的观测卫星要素集合。
进一步的,所述需求理解模型为引入注意力机制的Bi-LSTM模型,所述方法还包括:利用所述需求理解样本数据集对需求理解模型进行训练的步骤。
进一步的,所述需求推理模型为RATE网络,所述方法还包括:利用所述需求推理样本数据集对需求推理模型进行训练的步骤。
进一步的,每个观测需求包含用户类型、用户级别、事件类型、事件来源、观测目标、目标类型、观测周期、卫星类型、卫星型号、协同关系、传感器类型、传感器模式和传感器分辨率。
进一步的,任务重要程度的元素包括:用户类型、用户级别和事件来源;任务紧急程度的元素包括:事件类型和目标类型;任务适配性的元素包括:观测目标、卫星类型和传感器类型;
按照任务重要程度、任务紧急程度和任务适配性,计算各观测需求的需求优先级;包括:
分别获取用户类型、用户级别、事件来源、事件类型、目标类型、观测目标、卫星类型和传感器类型的优先级分值;
利用预先设定的各元素的权重,计算所有元素的加权和,得到各观测需求的需求优先级。
进一步的,对于按照任务优先级降序排列的各观测任务,通过匹配可用观测卫星资源,获取各观测任务的按照需求优先级降序排列的各观测需求的需求筹划结果,生成各观测任务的任务筹划结果;包括:
将各观测任务按照任务优先级降序进行排序;将每个观测任务的任务筹划解空间中的各观测需求按照需求优先级降序进行排序;
对于一个观测需求,在当前时刻可用观测卫星资源中,根据卫星类型、卫星型号、传感器类型和传感器分辨率匹配可用的卫星资源,并生成该观测需求的需求筹划结果,若无法匹配,则该观测需求无可用卫星资源;
将一个观测任务的任务筹划解空间中的所有需求筹划结果的集合作为该观测任务的任务筹划结果。
第二方面,本申请实施例提供了一种多类卫星协同任务筹划装置,包括:获取单元,用于获取多个事件信息或者用户需求;其中,一个事件信息或用户需求对应生成一个观测任务;
需求理解单元,用于基于预先训练完成的需求理解模型,从每个事件信息或用户需求的文本信息中抽取关键词,得到对应的规则化需求要素集合;
需求推理单元,用于基于预先训练完成的需求推理模型,对每个规则化需求要素集合进行推理,得到观测卫星要素集合;
观测需求获取单元,用于基于规则化需求要素集合和观测卫星要素集合得到每个观测任务的任务筹划解空间,所述任务筹划解空间包括多个观测需求;
优先级评估单元,用于按照任务重要程度、任务紧急程度和任务适配性,计算各观测需求的需求优先级;将各观测任务的所有观测需求的需求优先级的和作为各观测任务的任务优先级;
任务筹划单元,用于对于按照任务优先级降序排列的各观测任务,通过匹配可用观测卫星资源,获取各观测任务的按照需求优先级降序排列的各观测需求的需求筹划结果,生成各观测任务的任务筹划结果。
第三方面,本申请实施例提供了一种电子设备,包括:存储器、处理器和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,所述处理器执行所述计算机程序时实现本申请实施例的方法。
第四方面,本申请实施例提供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,所述计算机指令被处理器执行时实现本申请实施例的方法。
本申请面向不同行业不同用户的多样化动态对地观测需求,能够快速筹划卫星观测任务,实现自动化卫星协同观测任务筹划。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,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为本申请实施例提供的多类卫星协同任务筹划方法的流程图;
图2为本申请实施例提供的需求理解模型的结构组成图;
图3为本申请实施例提供的需求推理模型的处理流程图;
图4为本申请实施例提供的多类卫星协同任务筹划装置的功能结构图;
图5为本申请实施例提供的电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
首先对本申请的设计思想进行简要说明。
针对目前缺乏一种多类卫星协同任务自动筹划方法的技术问题,本申请实施例提供一种多类卫星协同任务筹划方法,面向不同行业不同用户的多样化动态对地观测需求,快速筹划卫星观测任务,实现自动化卫星协同观测任务筹划。具体技术方案如下:
历史数据分析:基于地面控制中心历史事件信息与对应的任务需求筹划结果,建立历史数据样本集,样本数据包括用户类型、用户级别、事件名称、事件来源、事件类型、事件时间、事件区域、观测目标、目标类型、观测周期、卫星类型、卫星型号、协同关系、传感器类型、传感器模式和传感器分辨率。其中,由于单个事件对应的观测任务可能由多颗卫星协同配合完成,因此样本数据结构中,观测卫星相关信息存储数组为二维矩阵结构,以此表示顺序执行该观测任务的多颗卫星信息队列;
需求理解模型构建:针对输入的文本信息,进行文本关键词提取,将包含有关键词汇和关联关系的不定长中间抽象结果以具有统一长度和结构的抽象特征向量进行表示;
需求推理模型构建:针对输入的事件信息和用户需求,挖掘事件信息和用户需求中隐含的观测任务需求,根据不规则的事件信息和用户需求信息,推理出规则表达的卫星观测任务必要属性集合;
模型训练与优化:利用历史数据样本集,进行需求理解模型和需求推理模型训练与优化,根据训练过程中模型在训练集和测试集上的中间结果,对数据增强方式、网络参数进行微调,实现模型网络权重的迭代优化,完成需求理解和需求推理的模型训练与优化;
需求自动生成:获取多个事件信息或者用户需求;其中,一个事件信息或用户需求对应生成一个观测任务;基于预先训练完成的需求理解模型,从每个事件信息或用户需求的文本信息中抽取关键词,得到对应的规则化需求要素集合;基于预先训练完成的需求推理模型,对每个规则化需求要素集合进行推理,得到观测卫星要素集合;基于规则化需求要素集合和观测卫星要素集合得到每个观测任务的任务筹划解空间,所述任务筹划解空间包括多个观测需求;
需求优先级评估:任务重要程度、任务紧急程度和任务适配性是需求优先级的重要排序依据,对用户类型、用户级别、事件来源、事件类型、目标类型、观测目标、卫星类型和传感器类型进行加权计算,得到观测需求的优先级;将各观测任务的所有观测需求的需求优先级的和作为各观测任务的任务优先级;
任务自动筹划:首先对自动生成的各观测任务属性集合按照任务筹划规则进行要素补齐,其次将补齐后的观测任务按照对应优先级排序,生成当前时刻任务筹划结果。
本申请通过利用历史数据构建语义理解样本和观测任务匹配规则知识库,设计引入注意力机制提升自然语言处理算法抽取精度,实现从模糊的用户需求描述和不规则事件信息中提取观测任务需求要素,进而运用匹配规则推理该任务所需的协同观测卫星资源及工作模式,将需求要素按照用户、目标、资源不同维度进行精细分类并赋权重以进行需求优先级排序,通过需求理解、需求推理、优先级排序等步骤实现观测任务自主快速筹划,改变当前卫星地面控制中心“被动接收需求”的任务模式为“主动生成需求”,实现自主响应用户关切,提升任务筹划效率和卫星观测效益。
本申请提供了基于自然语言处理的观测需求理解算法,解决了从不规则的事件和用户需求表达中抽取观测任务相关要素的问题。从用户需求挖掘观测任务需求,实现自主响应用户关切,提升任务筹划效率和卫星观测效益。
在介绍了本申请实施例的设计思想之后,下面对本申请实施例提供的技术方案进行说明。
如图1所示,本申请实施例提供了一种多类卫星协同任务筹划方法,包括:
步骤101:获取多个事件信息或者用户需求;其中,一个事件信息或用户需求对应生成一个观测任务;
步骤102:基于预先训练完成的需求理解模型,从每个事件信息或用户需求的文本信息中抽取关键词,得到对应的规则化需求要素集合;
在该步骤之前,需要首先建立和训练需求理解模型和需求推理模型,包括:
步骤S1:获取卫星地面控制中心历史数据;
数据覆盖不同传感器类型的多类协同观测任务筹划信息,信息要素包含原始事件信息OM(Original Message)和原始用户需求描述CM(Customer Message),以及地面控制中心专业人员对事件类型和用户需求进行人为解析后记录的规则化需求要素集合,包含用户类型、用户级别、事件名称、事件来源、事件类型、事件时间、事件区域、观测目标、目标类型和观测周期,并且包含计算得出的计划完成该观测任务的观测卫星要素集合,包括:卫星类型、卫星型号、协同关系、传感器类型、传感器模式和传感器分辨率;
步骤S2:将历史数据划分为两个数据集,其中,需求理解样本数据集包含原始事件信息和原始用户需求,需求推理样本数据集包含规则化需求要素集合和观测卫星要素集合;
步骤S3:采用引入注意力机制的Bi-LSTM模型构建需求理解模型;
需求理解模型结构如图2所示,模型捕获原始事件信息和原始用户需求描述中的上下文信息,在共享层特征的基础上引入实体识别NER任务和关系抽取RE任务两个模块,并为重要关键词分配较高权重,对序列信息维护并标注时序性。
步骤S4:通过RATE网络构建需求推理模型;
采用基于前向规则快速匹配的观测需求推理算法,解析规则文件并将获取的规则放置于一个规则链表中,通过形成一个RATE网络进行模式匹配,并基于时间冗余性和结构相似性特征提高推理计算时模式匹配的计算效率。其中,规则文件规定的即事件、用户需求与观测任务解空间的关联关系,RATE网络流通过程即为信息匹配过程。
步骤S5:模型训练与优化;
分别利用需求理解样本数据集和需求推理样本数据集,训练需求理解模型和需求推理模型,同时根据训练过程中模型在训练集和测试集上的中间结果,对数据增强方式、网络参数进行微调,实现模型网络权重的迭代优化,完成需求理解和需求推理的模型的优化;
在本实施例中,基于训练完成的需求理解模型,从事件信息或用户需求中抽取关键词,通过聚类和剪枝生成由不规则的原始信息解析的规则化需求要素集合;
步骤103:基于预先训练完成的需求推理模型,对每个规则化需求要素集合进行推理,得到观测卫星要素集合;
如图3所示,利用RATE网络,进行任务筹划解空间元素ORE推理,推理过程包含三种匹配操作:一是alpha节点匹配,针对规则条件中的单个模式匹配;二是beta节点的匹配,针对多个模式之间的匹配,如果规则有k个模式,就会有k-1个beta节点,k-1次beta匹配;三是filter节点规则实例化,利用匹配成功的triple组合实例化规则的结论部分,产生新的triple。
步骤104:基于规则化需求要素集合和观测卫星要素集合得到每个观测任务的任务筹划解空间,所述任务筹划解空间包括多个观测需求;
其中,每个观测需求包含用户类型、用户级别、事件类型、事件来源、观测目标、目标类型、观测周期、卫星类型、卫星型号、协同关系、传感器类型、传感器模式和传感器分辨率。
步骤105:按照任务重要程度、任务紧急程度和任务适配性,计算各观测需求的需求优先级;将各观测任务的所有观测需求的需求优先级的和作为各观测任务的任务优先级;
任务重要程度的元素包括:用户类型、用户级别和事件来源;任务紧急程度的元素包括:事件类型和目标类型;任务适配性的元素包括:观测目标、卫星类型和传感器类型;
在该步骤中,分别获取用户类型、用户级别、事件来源、事件类型、目标类型、观测目标、卫星类型和传感器类型的优先级分值;然后利用预先设定的各元素的权重,计算所有元素的加权和,得到各观测需求的需求优先级。
步骤106:对于按照任务优先级降序排列的各观测任务,通过匹配可用观测卫星资源,获取各观测任务的按照需求优先级降序排列的各观测需求的需求筹划结果,生成各观测任务的任务筹划结果。
在本实施例中,该步骤包括:
对自动生成的各观测任务属性集合按照任务筹划规则进行要素补齐,例如,规则化需求解析结果中用户级别空缺时,默认补0位。
将各观测任务按照任务优先级降序进行排序;将各个观测任务的各观测需求,按照需求优先级降序进行排序;
对于一个观测需求,在当前时刻可用观测卫星资源中,根据卫星类型、卫星型号、传感器类型和传感器分辨率匹配可用的卫星资源,并生成该观测需求的需求筹划结果,若无法匹配,则该观测需求无可用卫星资源;
将一个观测任务的任务筹划解空间中的所有需求筹划结果的集合作为该观测任务的任务筹划结果。
基于上述实施例,本申请实施例提供了一种多类卫星协同任务筹划装置,参阅图4所示,本申请实施例提供的多类卫星协同任务筹划装置200至少包括:
获取单元201,用于获取多个事件信息或者用户需求;其中,一个事件信息或用户需求对应生成一个观测任务;
需求理解单元202,用于基于预先训练完成的需求理解模型,从每个事件信息或用户需求的文本信息中抽取关键词,得到对应的规则化需求要素集合;
需求推理单元203,用于基于预先训练完成的需求推理模型,对每个规则化需求要素集合进行推理,得到观测卫星要素集合;
观测需求获取单元204,用于基于规则化需求要素集合和观测卫星要素集合得到每个观测任务的任务筹划解空间,所述任务筹划解空间包括多个观测需求;
优先级评估单元205,用于按照任务重要程度、任务紧急程度和任务适配性,计算各观测需求的需求优先级;将各观测任务的所有观测需求的需求优先级的和作为各观测任务的任务优先级;
任务筹划单元206,用于对于按照任务优先级降序排列的各观测任务,通过匹配可用观测卫星资源,获取各观测任务的按照需求优先级降序排列的各观测需求的需求筹划结果,生成各观测任务的任务筹划结果。
需要说明的是,本申请实施例提供的多类卫星协同任务筹划装置200解决技术问题的原理与本申请实施例提供的多类卫星协同任务筹划方法相似,因此,本申请实施例提供的多类卫星协同任务筹划装置200的实施可以参见本申请实施例提供的多类卫星协同任务筹划方法的实施,重复之处不再赘述。
基于上述实施例,本申请实施例还提供了一种电子设备,参阅图5所示,本申请实施例提供的电子设备300至少包括:处理器301、存储器302和存储在存储器302上并可在处理器301上运行的计算机程序,处理器301执行计算机程序时实现本申请实施例提供的多类卫星协同任务筹划方法。
本申请实施例提供的电子设备300还可以包括连接不同组件(包括处理器301和存储器302)的总线303。其中,总线303表示几类总线结构中的一种或多种,包括存储器总线、外围总线、局域总线等。
存储器302可以包括易失性存储器形式的可读介质,例如随机存储器(RandomAccess Memory,RAM)3021和/或高速缓存存储器3022,还可以进一步包括只读存储器(ReadOnly Memory,ROM)3023。
存储器302还可以包括具有一组(至少一个)程序模块3025的程序工具3024,程序模块3025包括但不限于:操作子系统、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。
电子设备300也可以与一个或多个外部设备304(例如键盘、遥控器等)通信,还可以与一个或者多个使得用户能与电子设备300交互的设备通信(例如手机、电脑等),和/或,与使得电子设备300与一个或多个其它电子设备300进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(Input/Output,I/O)接口305进行。并且,电子设备300还可以通过网络适配器306与一个或者多个网络(例如局域网(Local AreaNetwork,LAN),广域网(Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图5所示,网络适配器306通过总线303与电子设备300的其它模块通信。应当理解,尽管图5中未示出,可以结合电子设备300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、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks,RAID)子系统、磁带驱动器以及数据备份存储子系统等。
需要说明的是,图5所示的电子设备300仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,该计算机指令被处理器执行时实现本申请实施例提供的多类卫星协同任务筹划方法。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,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,或者对其中部分或者全部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申请各实施例技术方案的范围。
Claims (10)
1.一种多类卫星协同任务筹划方法,其特征在于,包括:
获取多个事件信息或者用户需求,其中,一个事件信息或用户需求对应生成一个观测任务;
基于预先训练完成的需求理解模型,从每个事件信息或用户需求的文本信息中抽取关键词,得到对应的规则化需求要素集合;
基于预先训练完成的需求推理模型,对每个规则化需求要素集合进行推理,得到观测卫星要素集合;
基于规则化需求要素集合和观测卫星要素集合得到每个观测任务的任务筹划解空间,所述任务筹划解空间包括多个观测需求;
按照任务重要程度、任务紧急程度和任务适配性,计算各观测需求的需求优先级;将各观测任务的所有观测需求的需求优先级的和作为各观测任务的任务优先级;
对于按照任务优先级降序排列的各观测任务,通过匹配可用观测卫星资源,获取各观测任务的按照需求优先级降序排列的各观测需求的需求筹划结果,生成各观测任务的任务筹划结果。
2.根据权利要求1所述的多类卫星协同任务筹划方法,其特征在于,所述方法还包括:
获取卫星地面控制中心历史数据,包括多个原始事件信息和多个原始用户需求,以及地面控制中心专业人员对各原始事件信息和各原始用户需求进行人为解析后,得到的对应的规则化需求要素集合和观测卫星要素集合;所述规则化需求要素至少包括:用户类型、用户级别、事件名称、事件来源、事件类型、事件时间、事件区域、观测目标、目标类型和观测周期;所述观测卫星要素集合至少包括:卫星类型、卫星型号、协同关系、传感器类型、传感器模式和传感器分辨率;
基于卫星地面控制中心历史数据建立需求理解样本数据集,所述需求理解样本数据集包括多个需求理解样本,每个需求理解样本包括:原始事件信息或原始用户需求,以及解析得到的规则化需求要素集合;
基于卫星地面控制中心历史数据建立需求推理样本数据集,所述需求推理样本数据集包括多个需求推理样本,每个需求理解样本包括:规则化需求要素集合和对应的观测卫星要素集合。
3.根据权利要求2所述的多类卫星协同任务筹划方法,其特征在于,所述需求理解模型为引入注意力机制的Bi-LSTM模型,所述方法还包括:利用所述需求理解样本数据集对需求理解模型进行训练的步骤。
4.根据权利要求2所述的多类卫星协同任务筹划方法,其特征在于,所述需求推理模型为RATE网络,所述方法还包括:利用所述需求推理样本数据集对需求推理模型进行训练的步骤。
5.根据权利要求1所述的多类卫星协同任务筹划方法,其特征在于,每个观测需求包含用户类型、用户级别、事件类型、事件来源、观测目标、目标类型、观测周期、卫星类型、卫星型号、协同关系、传感器类型、传感器模式和传感器分辨率。
6.根据权利要求5所述的多类卫星协同任务筹划方法,其特征在于,任务重要程度的元素包括:用户类型、用户级别和事件来源;任务紧急程度的元素包括:事件类型和目标类型;任务适配性的元素包括:观测目标、卫星类型和传感器类型;
按照任务重要程度、任务紧急程度和任务适配性,计算各观测需求的需求优先级;包括:
分别获取用户类型、用户级别、事件来源、事件类型、目标类型、观测目标、卫星类型和传感器类型的优先级分值;
利用预先设定的各元素的权重,计算所有元素的加权和,得到各观测需求的需求优先级。
7.根据权利要求6所述的多类卫星协同任务筹划方法,其特征在于,对于按照任务优先级降序排列的各观测任务,通过匹配可用观测卫星资源,获取各观测任务的按照需求优先级降序排列的各观测需求的需求筹划结果,生成各观测任务的任务筹划结果;包括:
将各观测任务按照任务优先级降序进行排序,将每个观测任务的任务筹划解空间中的各观测需求按照需求优先级降序进行排序;
对于一个观测需求,在当前时刻可用观测卫星资源中,根据卫星类型、卫星型号、传感器类型和传感器分辨率匹配可用的卫星资源,并生成该观测需求的需求筹划结果,若无法匹配,则该观测需求无可用卫星资源;
将一个观测任务的任务筹划解空间中的所有需求筹划结果的集合作为该观测任务的任务筹划结果。
8.一种多类卫星协同任务筹划装置,其特征在于,包括:
获取单元,用于获取多个事件信息或者用户需求;其中,一个事件信息或用户需求对应生成一个观测任务;
需求理解单元,用于基于预先训练完成的需求理解模型,从每个事件信息或用户需求的文本信息中抽取关键词,得到对应的规则化需求要素集合;
需求推理单元,用于基于预先训练完成的需求推理模型,对每个规则化需求要素集合进行推理,得到观测卫星要素集合;
观测需求获取单元,用于基于规则化需求要素集合和观测卫星要素集合得到每个观测任务的任务筹划解空间,所述任务筹划解空间包括多个观测需求;
优先级评估单元,用于按照任务重要程度、任务紧急程度和任务适配性,计算各观测需求的需求优先级;将各观测任务的所有观测需求的需求优先级的和作为各观测任务的任务优先级;
任务筹划单元,用于对于按照任务优先级降序排列的各观测任务,通过匹配可用观测卫星资源,获取各观测任务的按照需求优先级降序排列的各观测需求的需求筹划结果,生成各观测任务的任务筹划结果。
9.一种电子设备,其特征在于,包括:存储器、处理器和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,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的多类卫星协同任务筹划方法。
10.一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存储有计算机指令,所述计算机指令被处理器执行时实现如权利要求1-7任一项所述的多类卫星协同任务筹划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210442948.7A CN114943421A (zh) | 2022-04-25 | 2022-04-25 | 多类卫星协同任务筹划方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210442948.7A CN114943421A (zh) | 2022-04-25 | 2022-04-25 | 多类卫星协同任务筹划方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114943421A true CN114943421A (zh) | 2022-08-26 |
Family
ID=82906684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210442948.7A Pending CN114943421A (zh) | 2022-04-25 | 2022-04-25 | 多类卫星协同任务筹划方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943421A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822863A (zh) * | 2023-06-21 | 2023-09-29 | 北京市遥感信息研究所 | 一种多平台协同感知的智能规划方法与系统 |
CN116883704A (zh) * | 2023-06-27 | 2023-10-13 | 中国空间技术研究院 | 巨型星座的协同对地观测任务规划优化方法、设备及介质 |
CN116976075A (zh) * | 2023-06-06 | 2023-10-31 | 北京市遥感信息研究所 | 一种空间异构遥感卫星协同智能规划方法和系统 |
CN117220761A (zh) * | 2023-11-08 | 2023-12-12 | 江苏开放大学(江苏城市职业学院) | 一种双层海事卫星通信星座多任务效能评估方法和系统 |
CN117560068A (zh) * | 2024-01-11 | 2024-02-13 | 中国电子科技集团公司第五十四研究所 | 一种面向多平台协同观测的卫星任务规划方法 |
CN117829277A (zh) * | 2024-03-04 | 2024-04-05 | 中国人民解放军国防科技大学 | 面向多类型卫星的应急观测任务调度方法、系统及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210700A (zh) * | 2019-04-19 | 2019-09-06 | 中国科学院遥感与数字地球研究所 | 面向应急响应的基于任务优先级的多星动态任务规划方法 |
CN110795214A (zh) * | 2019-10-15 | 2020-02-14 | 航天恒星科技有限公司 | 一种遥感卫星自主任务筹划方法及装置 |
CN111027801A (zh) * | 2019-10-29 | 2020-04-17 | 合肥工业大学 | 基于任务邀请的卫星筛选方法和系统 |
US10762458B1 (en) * | 2013-10-24 | 2020-09-01 | Planet Labs, Inc. | Satellite scheduling system |
CN112529322A (zh) * | 2020-12-18 | 2021-03-19 | 航天恒星科技有限公司 | 一种多目标优化的卫星联合任务筹划方法 |
CN113962525A (zh) * | 2021-09-23 | 2022-01-21 | 北京市遥感信息研究所 | 一种基于可配置准则的遥感卫星任务决策方法 |
-
2022
- 2022-04-25 CN CN202210442948.7A patent/CN114943421A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10762458B1 (en) * | 2013-10-24 | 2020-09-01 | Planet Labs, Inc. | Satellite scheduling system |
CN110210700A (zh) * | 2019-04-19 | 2019-09-06 | 中国科学院遥感与数字地球研究所 | 面向应急响应的基于任务优先级的多星动态任务规划方法 |
CN110795214A (zh) * | 2019-10-15 | 2020-02-14 | 航天恒星科技有限公司 | 一种遥感卫星自主任务筹划方法及装置 |
CN111027801A (zh) * | 2019-10-29 | 2020-04-17 | 合肥工业大学 | 基于任务邀请的卫星筛选方法和系统 |
CN112529322A (zh) * | 2020-12-18 | 2021-03-19 | 航天恒星科技有限公司 | 一种多目标优化的卫星联合任务筹划方法 |
CN113962525A (zh) * | 2021-09-23 | 2022-01-21 | 北京市遥感信息研究所 | 一种基于可配置准则的遥感卫星任务决策方法 |
Non-Patent Citations (1)
Title |
---|
刘伟等: ""对地观测卫星的多目标分配方法"", 《计算机仿真》, vol. 24, no. 11, 30 November 2007 (2007-11-30), pages 35 - 37 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976075A (zh) * | 2023-06-06 | 2023-10-31 | 北京市遥感信息研究所 | 一种空间异构遥感卫星协同智能规划方法和系统 |
CN116822863A (zh) * | 2023-06-21 | 2023-09-29 | 北京市遥感信息研究所 | 一种多平台协同感知的智能规划方法与系统 |
CN116883704A (zh) * | 2023-06-27 | 2023-10-13 | 中国空间技术研究院 | 巨型星座的协同对地观测任务规划优化方法、设备及介质 |
CN116883704B (zh) * | 2023-06-27 | 2024-05-03 | 中国空间技术研究院 | 巨型星座的协同对地观测任务规划优化方法、设备及介质 |
CN117220761A (zh) * | 2023-11-08 | 2023-12-12 | 江苏开放大学(江苏城市职业学院) | 一种双层海事卫星通信星座多任务效能评估方法和系统 |
CN117220761B (zh) * | 2023-11-08 | 2024-01-19 | 江苏开放大学(江苏城市职业学院) | 一种双层海事卫星通信星座多任务效能评估方法和系统 |
CN117560068A (zh) * | 2024-01-11 | 2024-02-13 | 中国电子科技集团公司第五十四研究所 | 一种面向多平台协同观测的卫星任务规划方法 |
CN117560068B (zh) * | 2024-01-11 | 2024-03-12 | 中国电子科技集团公司第五十四研究所 | 一种面向多平台协同观测的卫星任务规划方法 |
CN117829277A (zh) * | 2024-03-04 | 2024-04-05 | 中国人民解放军国防科技大学 | 面向多类型卫星的应急观测任务调度方法、系统及装置 |
CN117829277B (zh) * | 2024-03-04 | 2024-05-31 | 中国人民解放军国防科技大学 | 面向多类型卫星的应急观测任务调度方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114943421A (zh) | 多类卫星协同任务筹划方法、装置、电子设备及存储介质 | |
Tuli et al. | COSCO: Container orchestration using co-simulation and gradient based optimization for fog computing environments | |
US10725827B2 (en) | Artificial intelligence based virtual automated assistance | |
Chen et al. | Optimal team deployment in urban search and rescue | |
US11062240B2 (en) | Determining optimal workforce types to fulfill occupational roles in an organization based on occupational attributes | |
Cunha et al. | Job placement advisor based on turnaround predictions for HPC hybrid clouds | |
He et al. | Scheduling multiple agile earth observation satellites with an edge computing framework and a constructive heuristic algorithm | |
Briceno et al. | Heuristics for robust resource allocation of satellite weather data processing on a heterogeneous parallel system | |
Tran et al. | Using Fuzzy Clustering Chaotic-based Differential Evolution to solve multiple resources leveling in the multiple projects scheduling problem | |
Etemadi et al. | A learning-based resource provisioning approach in the fog computing environment | |
CN115794341A (zh) | 基于人工智能的任务调度方法、装置、设备及存储介质 | |
Wang et al. | An order-based estimation of distribution algorithm for stochastic hybrid flow-shop scheduling problem | |
Andreeva-Mori et al. | Particle swarm optimization/greedy-search algorithm for helicopter mission assignment in disaster relief | |
Nawrocki et al. | Data-driven adaptive prediction of cloud resource usage | |
Bao et al. | An effective method for satellite mission scheduling based on reinforcement learning | |
Davami et al. | Distributed scheduling method for multiple workflows with parallelism prediction and DAG prioritizing for time constrained cloud applications | |
Cellary | Non-technical challenges of industry 4.0 | |
Tang et al. | A cyber-enabled spatial decision support system to inventory Mangroves in Mozambique: coupling scientific workflows and cloud computing | |
Geeta et al. | Multi-objective cloud load-balancing with hybrid optimization | |
Noaeen et al. | Let’s hear it from retta: A requirements elicitation tool for traffic management systems | |
Raman et al. | Forecasting the PV power utilizing a combined convolutional neural network and long short-term memory model | |
Cho et al. | Optimal continuous-time job scheduling for multiple low earth orbit satellites | |
Vubangsi et al. | Design and implementation of a conference attendance monitoring system using blockchain and AI technologies | |
Javed et al. | Random neural network learning heuristics | |
CN112016673A (zh) | 一种基于优化lstm的移动设备用户认证方法及装置 |
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 |