CN115809736A - 一种基于属性的信息预测方法和相关设备 - Google Patents

一种基于属性的信息预测方法和相关设备 Download PDF

Info

Publication number
CN115809736A
CN115809736A CN202211581333.9A CN202211581333A CN115809736A CN 115809736 A CN115809736 A CN 115809736A CN 202211581333 A CN202211581333 A CN 202211581333A CN 115809736 A CN115809736 A CN 115809736A
Authority
CN
China
Prior art keywords
attribute
data
mapping
relationship network
prediction model
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.)
Granted
Application number
CN202211581333.9A
Other languages
English (en)
Other versions
CN115809736B (zh
Inventor
张晟
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.)
Shenzhen Zhangyu Software Co ltd
Original Assignee
Shenzhen Zhangyu Software Co 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 Shenzhen Zhangyu Software Co ltd filed Critical Shenzhen Zhangyu Software Co ltd
Priority to CN202211581333.9A priority Critical patent/CN115809736B/zh
Publication of CN115809736A publication Critical patent/CN115809736A/zh
Application granted granted Critical
Publication of CN115809736B publication Critical patent/CN115809736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于属性的信息预测方法和相关设备，方法包括:获取对象数据集和所述对象属性集对应的实例数据，所述对象数据集包括对象属性集和映射关系集；根据所述对象属性集和所述映射关系集，构建属性关系网络；基于所述属性关系网络，对所述实例数据进行推演，得到预测模型；将待预测数据输入所述预测模型，并控制所述预测模型对所述待预测数据进行推演，得到与所述待预测数据对应的预测结果。本发明能够建立模式化生成预测模型的方法，即便转换预测的类型、平台等因素，都可快速方便得到高稳定性的预测模型。

Description

一种基于属性的信息预测方法和相关设备
技术领域
本发明涉及信息处理技术领域，特别涉及一种基于属性的信息预测方法和相关设备。
背景技术
随着数字模型的发展，根据一些属性的变化，对结果进行预测的方法越来越多。例如早期对于天气的预测主要根据云朵，现在对天气的预测可根据温度、适度、风速等因素预测。随着发现影响天气的因素越来越多，预测模型也越来越复杂，对于这些因素的利用率反而容易受到干扰而下降。再例如对于用户的价值评价而言，点击率、展示率、投资回报率等评价指标越来越多，对于用户价值的预测并不一定准确。在进行属性扩展后，预测模型的准确度下降。此外，随着影响因素的增加，平台的变更，预测模型越来越复杂，甚至对于之前的模型要推翻重来，这也带来了巨大的时间消耗和成本。这一切都由于这些预测模型的兼容性差，无法适应平台等条件变化。
发明内容
本发明要解决的技术问题在于目前预测的模型具有兼容性差，针对现有技术的不足，提供一种基于属性的信息预测方法和相关设备。
为了解决上述技术问题，本发明所采用的技术方案如下：
一种基于属性的信息预测方法，所述方法包括：
获取对象数据集和所述对象属性集对应的实例数据，所述对象数据集包括对象属性集和映射关系集；
根据所述对象属性集和所述映射关系集，构建属性关系网络；
基于所述属性关系网络，对所述实例数据进行推演，得到预测模型；
将待预测数据输入所述预测模型，并控制所述预测模型对所述待预测数据进行推演，得到与所述待预测数据对应的预测结果。
所述基于属性的信息预测方法，其中，所述根据所述对象属性集和所述映射关系集，构建属性关系网络包括：
根据所述对象属性集和所述映射关系集，生成若干个映射属性集；
根据所述映射属性集，构建属性关系网络。
所述基于属性的信息预测方法，其中，所述属性关系网络包括显性关系网络和隐性关系网络。
所述基于属性的信息预测方法，其中，所述映射关系集包括若干个映射函数，所述映射属性集包括输入子集和输出子集；所述根据所述对象属性集和所述映射关系集，生成若干个映射属性集包括：
针对每一个所述映射函数，将所述对象属性集中与该映射函数中自变量对应的状态属性作为输入子集，与该映射函数中因变量对应的状态属性作为输出子集，得到与该映射函数对应的映射属性集。
所述基于属性的信息预测方法，其中，所述基于所述属性关系网络，对所述实例数据进行推演，得到预测模型包括：
将所述实例数据中的输入数据输入至所述属性关系网络，得到训练数据；
将所述训练数据和所述实例数据中的输出数据进行比较，得到损失值；
基于损失值，对所述属性关系网络进行调整，直至所述属性关系网络收敛，得到预测模型。
所述基于属性的信息预测方法，其中，所述将所述实例数据中的输入数据输入至所述属性关系网络，得到训练数据包括：
根据预设的推演步数和所述映射属性集的数量，将所述输入输入数据输入至所述属性关系网络，得到训练数据。
所述基于属性的信息预测方法，其中，所述基于损失值，对所述属性关系网络进行调整，直至所述属性关系网络收敛，得到预测模型包括：
计算第N个所述训练数据与第N+1个所述训练数据之间的差值，得到稳定差；
当所述稳定差小于预设的阈值时，所述属性关系网络收敛，得到预测模型。
一种基于属性的信息预测装置，包括：
获取模块，用于获取对象数据集和所述对象属性集对应的实例数据，所述对象数据集包括对象属性集和映射关系集；
构建模块，用于根据所述对象属性集和所述映射关系集，构建属性关系网络；
推演模块，用于基于所述属性关系网络，对所述实例数据进行推演，得到预测模型；
预测模块，用于将待预测数据输入所述预测模型，并控制所述预测模型对所述待预测数据进行推演，得到与所述待预测数据对应的预测结果。
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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于属性的信息预测方法中的步骤。
一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如上任一所述的基于属性的信息预测方法中的步骤。
有益效果：本发明提供一种基于属性的信息预测方法和相关设备，首先获取对象数据集，该对象数据集包括由状态属性组成的对象属性集和由映射关系组成的映射关系集。对象属性集和映射关系集可根据用户需求、平台变化等进行调整。但是后续都会统一建立属性关系网络，基于属性关系网络对实例数据进行推演，直至属性关系网络稳定，得到预测模型。最后在将待预测的数据输入到预测模型中进行预测，得到预测结果。若需要变更对象属性的类型以及映射关系，则直接在原有的基础上进行变动，后续自动得到预测模型，不需要重新构建模型，自动快速且方便，极大地提高了预测方法在不同环境中的应用。
附图说明
图1为本发明提供的基于属性的信息预测方法的流程图。
图2为本发明提供的基于属性的信息预测方法的显性关系网络示意图。
图3为本发明提供的基于属性的信息预测方法的隐性关系网络示意图。
图4为本发明提供的基于属性的信息预测方法的属性关系网络的示意图。
图5为本发明提供的基于属性的信息预测装置的结构示意图。
图6为本发明提供的终端设备的结构原理图。
具体实施方式
本发明提供一种基于属性的信息预测方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
如图1所示，本实施提供了一种基于属性的信息预测方法，为方便说明，以常见的服务器作为执行主体进行描述，此处的服务器可替换为平板、电脑等具有数据处理功能的设备，基于属性的信息预测方法包括以下步骤：
S10、获取对象数据集和所述对象数据集对应的实例数据。
具体地，对象数据集是指需要研究的对象数据的集合，该数据集可包括对象的属性、对象的属性之间的映射关系等。用描述描述如下：
Km＝(Nm,Am,Rm)，m∈M(2.1)
Figure BDA0003986594700000051
Figure BDA0003986594700000052
其中m为某一客观对象，M为客观对象集合，Nm为概念属性集，即对象的概念及属性名称集，Am为对象属性集，Am S为对象的状态属性集，Am I为对象的输入属性集，Am O为对象的输出属性集，Rm为对象属性集中各个属性之间的映射关系的集合，描述属性状态变化及相互作用关系。此处，对象数据集中的定义、属性名称等可基于研究对象的类型和内容进行调整，避免产生后续推理上的歧义或冲突。
对象属性集中的用来描述某个属性的性质，可形式化表示为：
Ka＝(pa,da,fa)，a∈Am(2.4)
其中pa描述属性的可测特征，例如属性的取值类型，取值长度等，如果属性的取值类型为离散型数据，或区间型数据，则可对属性的取值进行描述。若属性可测，da为测度量纲。fa描述属性变化规律，可为时变函数。
同理，映射关系可表示为：
Figure BDA0003986594700000053
其中pr描述关系r具有的映射属性(如逻辑、函数映射、模糊、随机、规则等)，
Figure BDA0003986594700000054
为r的输入属性集，
Figure BDA0003986594700000055
为r的输出属性集，fr为广义映射函数，Ar O＝fr(Ar I)，
Figure BDA0003986594700000056
由上述对象属性集中和映射属性集的形式化表示可知，从事物对象、事物属性以及属性间映射关系三个角度给出了事物或概念的结构化知识表示，该表示方式更具本原性、通用性以及可扩展性，且结构简洁、清晰。此外，将对象属性集分解为输入属性、状态属性以及输出属性，借助关系模型，可实现对象间关联关系的隐性描述，从而使后续用户价值挖掘网络的自动生成得以实现，并一定程度上保证了所生成用户价值挖掘网络的完整性与可扩展性。
为方便说明，本实施例以预测水库、大坝与洪水进展为对象进行描述。洪水的发生进展与河段、大坝和水库有关，因此将河段、大坝和水库作为客观对象m，因此对象数据集可表现为：
K水库＝(N水库，A水库，R水库)，其中
Figure BDA0003986594700000061
K大坝＝(N大坝，A大坝，R大坝)，其中
Figure BDA0003986594700000062
K河段＝(N河段，A河段，R河段)，其中
Figure BDA0003986594700000063
输入的对象数据集包括概念属性集(Nm)、对象属性集(Am)和映射关系集(Rm)。概念属性集用于定义存在的对象一级该对象对应的概念和属性，概念属性集包括大坝的地理位置、水库的名称等。本实施例中Nm包括N大坝、N水库和N河段。
对象属性集包括状态属性值，用于描述对象的性质，该性质包括输入型也包括输出型，据此状态属性值还可分为输入属性值和输出属性值，根据状态属性值的类型，对象属性集包括内部属性集(AS)、输入属性集(AI)和输出属性集(AO)，内部属性集包括所有的状态属性值，值得注意的是，在一个输入属性集中作为输入值，在另一个输出属性集中可能作为输出属性值。本实施例中，A的上标为I都表示输入型(input)，上标为O表示输出型(output)，后文不再一一解释。
例如对应概念属性集N水库，其对应的对象属性集为A水库，A水库包括A水库 S和A水库 O，具体为：
Figure BDA0003986594700000064
Figure BDA00039865947000000710
Figure BDA0003986594700000071
同理，A大坝包括A大坝S、A大坝 O和A大坝 I，具体为：
Figure BDA0003986594700000072
Figure BDA0003986594700000073
Figure BDA0003986594700000074
同理，A河段包括A河段 S、A河段 O和A河段 I，具体为：
Figure BDA0003986594700000075
Figure BDA0003986594700000076
Figure BDA0003986594700000077
映射关系集是指用于关联对象属性集中各个状态属性值的映射函数，例如将某两个输入属性值作为映射函数的因变量，另一输出值作为映射函数的自变量。在本实施例中，映射关系集包括以下关系：
溃坝历时计算关系：
T1＝[(v1-v2)T-(W-W0)]/(v1-v2)(5.1)；
溃口宽度计算关系：
b＝kW1/4B1/4H1/2(5.2)；
坝址最大流计算关系：
Qm＝0.91(B/b)1/4bh3/2(5.3)；
洪水演进距离计算关系：
Figure BDA0003986594700000078
L处最大流计算关系：
Qlm＝W/[W/Qm+L/(KV)](5.5)；
最大流到达时间计算关系：
Figure BDA0003986594700000079
L处洪水恢复历时计算关系：
T3＝2W/Qlm+T1(5.7)；
演化时长计算关系：
T＝T+Δt(5.8)。
其中，b为溃坝溃口宽度，B为主坝长度，Qm为坝址最大流，T1为溃坝历时，L为T1时洪水到达处与大坝的距离，Qlm为L处的洪水最大流量，T为演化时长，T2为L处的洪水达到最大的时间，T3为L处洪水恢复历时，W为总库容，W0为水库初始水量，H为坝高，V为L处历史最大流速(可由历史统计数据获得)，H0为溃坝前上游水深，h0为洪水到达前下游断面水深，hm为L处最大流量时的平均水深(可由监测点给出的数值计算得出)，h为溃坝溃口时水深，v1为水库入库流量，v2为泄水建筑物的下泄量，Δt为推理周期的时间步长，其为已知量，例如前后两次推理对应的实例数据来源的时间间隔。k、K、K1、K2为相关经验系数，为可调整的参数。
S20、根据所述对象属性集和所述映射关系集，构建属性关系网络。
具体地，如图4所示，由于对象属性集中的各个状态属性，可以依据映射关系集中的映射关系确定其对应的属性，因此基于映射关系集，可将对象属性集中的各个属性搭建形成属性关系网络。例如针对每一个对象属性集中的状态属性，然后基于映射关系，确定其对应的状态属性，最后形成属性关系网络。还可根据映射关系集，对象属性集拆分为若干个映射属性集，具体包括：
A10、根据所述对象属性集和所述映射关系集，生成若干个映射属性集。
具体地，映射属性集用于构建关键模型，针对一个映射函数而言，并不一定将对象属性集中的所有状态属性都会用上，可能仅仅是其中的几个状态属性。针对映射关系集中的任意一映射函数，将与该映射函数关联的状态属性挑选出来，得到与该映射函数对应的映射属性集。
进一步地，针对映射函数，存在因变量和自变量，将对应输入的自变量的状态属性作为该映射属性集中的输入子集，将对应输出的因变量的状态属性作为该映射属性集中的输出子集，可得到映射属性集中的输入子集和输出子集。
本实施例中，映射子集包括以下：
Figure BDA0003986594700000091
Figure BDA0003986594700000092
Figure BDA0003986594700000093
Figure BDA0003986594700000094
Figure BDA0003986594700000095
Figure BDA0003986594700000096
Figure BDA0003986594700000097
Figure BDA0003986594700000098
A20、根据所述映射属性集，构建属性关系网络。
具体地，基于映射属性集，可构建网络式的属性关系网络。可表述为：
KN＝(V,E) (4.1.1)；
V＝∪vm，m∈M (4.1.2)；
vm＝(Nm,Am) (4.1.3)；
E＝Er∪Ed (4.1.4)；
Figure BDA0003986594700000099
Figure BDA00039865947000000910
其中，KN表示对象网络，为网络的节点集合，E为网络边的集合，vm为网络任意节点，Er为通过隐性描述节点间属性关系生成的对象网络边的集合，Ed为通过显性描述节点间属性关系生成的对象网络边的集合。
具体地，给定任意对象网络节点vq、vg及vh，若其状态属性(包括内部状态属性及输出属性)分别为：
Aq S＝{q1,q2,q3,q4}；Ag S＝{g1,g2,g3,g4}；Ah S＝{h1,h2,h3,h4}
其输出属性集分别为
Aq O＝{q2,q4}；Ag O＝{g2,g4}；Ah O＝{h2,h4}
最终构建的网络模型可如图2和图3所示，其中，在图2中表明不同的对象属性集之间存在关联，图3表明不同的对象属性集之间不存在关联。
若将节点的外部输入属性(其它节点的输出属性)也作为本节点的属性，则有：
Aq I＝{g2,g4}；Ag I＝{q2,q4}；Ah I＝Φ；
若有g2＝h2，g4＝h4，则图2中的网络将演变为如图3所示的网络。
由上可知，属性关系网络的节点间属性关系存在显性和隐性两种，故分为显性关系网络和隐性关系网络，隐性关系网络描述的基本思想是将某一节点的外部输入属性(其它节点的输出属性)作为本节点的自有属性，将不同节点间的属性关系隐含为节点自有属性间的映射关系。隐性关系网络减少了关联关系描述的工作量，增强了对象网络的可扩展性；另一方面，在前述对象数据集的支持下，通过不同节点属性的交集(如属性概念名称相等)，即可自动生成对象及其属性间的关联关系，一定程度上实现了对象网络的自动生成。通过属性关系网络的构建，原先并不存在直接关系的属性之间也建立了联系，在后续进行推演时，对于每一个映射关系可更为全面和可靠的确定。
概念属性集中的概念，以及对象属性集中的属性，都会随着对数据的研究日益增加，它们之间的关系和影响也异常复杂且难以被发现，通过对象网络模型，可以比较容易的去挖掘出它们之间存在的潜在关系，并且在不影响其他属性及其对应关系的基础上，增加属性的深度，在新增或删减某一属性时不需要从头开始搭建模型，在原有的属性关系网络中进行修改即可，提高了预测方法的适用性。
S30、基于所述属性关系网络，对所述实例数据进行推演，得到预测模型。
具体地，构建属性关系网络后，将实例数据输入至属性关系网络中，对该属性关系网络中需要确定的参数进行计算和调整，直至该属性关系网络收敛，整个网络稳定，得到预测模型。
B10、将所述实例数据中的输入数据输入至所述属性关系网络，得到训练数据。
具体地，实例数据是实际测量得到的数据，根据数据对应的状态属性为输入属性还是输出属性，实例数据包括输入数据和输出数据。将输入数据输入至属性关系网络，得到训练数据。训练数据即基于输入时属性关系网络中映射关系，对输入数据进行处理得到的输出结果。
溃坝洪水模型网络的输入数据的集合X为：
Figure BDA0003986594700000111
集合X中的属性相当于网络推理的外生变量，即可调整的参数，在推理之初给定初始值。
网络推理过程中的输出集合Y为：
Figure BDA0003986594700000112
集合Y中的元素可用于支持后续的决策。
由于属性关系网络一般存在多个映射关系交错关联，若一次性输入所有的输入数据，在后续对映射函数中的参数调整过程中，常常需要大量的时间，导致处理效率低。
实例化一个水库、一个大坝以及一个河段，可给定W＝11500000m3，W0＝5500000m3，v1＝2000000m3/s，v2＝1000000m3/s，B＝244m，H＝60m，V＝2.5m/s，H0＝60m，k＝0.065，K＝0.32，K1＝0.0007，K3＝1.0，h0＝0，hm＝1.0。
因此，在本实施例中可预先设定推演步数，推演步数是指推演所计算的映射关系的数量。例如第一次计算的映射关系的数量为3，第二次计算的映射关系的数量为5，第三次映射关系的数量为7，第四次映射关系的数量为8……以此类推，直至推演的映射关系的数量与属性关系网络中映射关系的总数相等。设置推演步数的方式可设定每一次推演对应的映射关系的数量，设置前后两次推演对应的映射关系的数量的固定差值，设置映射关系逐渐增加的推演的次数等方式，在此不再一一赘述。在前后两次推演所采用的映射关系可由不存在重叠演变为重叠。
因此，根据预设的推演步数和所述映射属性集的数量，将所述输入输入数据输入至所述所述属性关系网络，得到每一次推演所输出的数据，即训练数据。训练数据可以是整个属性关系网络输出的数据，也可以是属性关系网络中部分映射关系所输出的数据。预先可为映射关系中的参数设置初始值，在后续对参数进行调整。
进一步地，为了更好地调整参数，在一种实现方式中，针对每一个映射关系，在实例数据中选择对应的预处理数据。例如映射关系为y＝kx+a，k和a为待初始化的参数，预处理数据中包括x和y的值。因此根据预处理数据，可反向确定该映射关系中各个参数的初始值。
在输入数据输入至属性关系网络时，可基于时间不长，选择合适的输入数据，例如时间不长为10s，第一次输入的输入数据来源于t＝0s的实例数据，第二次推理对应的输入数据来源于t＝10s的实例数据，第三次推理对应的输入数据来源于t＝20s的实例数据。
B20、将所述训练数据和所述实例数据中的输出数据进行比较，得到损失值。
具体地，训练数据是通过属性关系网络计算得到的，与实例数据中真实的输出数据之间仍然存在差异。因此将训练数据和输出数据进行比较，可得到损失值。损失值可采用差值、百分比等方式表现。
B30、基于损失值，对所述属性关系网络进行调整，直至所述属性关系网络收敛，得到预测模型。
具体地，得到损失值后，可反向对映射关系中的参数进行调整，直至属性关系网络收敛，得到预测模型。
进一步地，属性关系网络的收敛可采用推演次数、训练数据与输出数据之间的差值等方式判断。为了验证属性关系网络的稳定性，本实施例采用前后推演之间的变化来判断属性关系网络的稳定性。
对于每一次推演都可得到一个训练数据，计算第N个训练数据和第N+1个训练数据之间的差值，得到稳定差。稳定差可以通过差值、百分数等方式表现。预先设定一阈值，当稳定差小于该阈值，则说明前后两次推演参数调整已经趋于真实情况，属性关系网络相对稳定，因此将此时的属性关系网络作为预测模型。
本实施例中设定的收敛条件为连续两次推理计算得到的L处最大流之差小于50m3/s。第1个推理周期开始时可计算关系为3个，在推理开始的第6秒钟(溃坝历时：94.0s)发生溃坝，溃口宽度为118.74m；第2个推理周期开始时可计算关系为5个，计算得到坝址最大流为60127.05m3/s，洪水演进到距大坝3366.50m处；第3个推理周期开始时可计算关系为7个，计算得到洪水演进到距大坝4268.45m处，该处最大流为6056.96m3/s，需经1735.21s(从溃坝开始时计算)到达；第4个推理周期开始时本例中涉及到的8个关系全部变为可计算关系，计算得到洪水演进到距大坝5045.13m处，该处最大流为5205.23m3/s，需经2192.78s到达，经4812.63s恢复常态(从溃坝开始时计算)……第22个推理周期计算得到洪水演进到距大坝13449.01m处，该处最大流为2064.31m3/s，需经8652.45s到达，经13335.73s恢复常态；第23个推理周期计算得到洪水演进到距大坝13795.68m处，该处最大流为2014.18m3/s，需经8966.29s到达，经13713.07s恢复常态；第24个推理周期计算得到洪水演进到距大坝14135.92m处，该处最大流为1967.28m3/s，需经9277.40s到达，经14085.26s恢复常态。此时，ΔQlm＝(2014.18-1967.28)m3/s＝46.9m3/s<50m3/s，推理结束，得到了稳定的预测模型。
实验结果表明，水库溃坝，洪水发生；随着时间的推移，洪水向前推进，推进过程中洪峰(L处最大流)逐渐减弱；当各处洪峰值趋于相同时，洪水退去，符合溃坝洪水的演化规律。
S40、将待预测数据输入所述预测模型，并控制所述预测模型对所述待预测数据进行推演，得到与所述待预测数据对应的预测结果。
具体地，待预测数据是指采集到的可以作为输入数据的数据，将待预测数据输入至预测模型中，预测模型对待预测数据进行推演，由于此时预测模型已经基于之前的实例数据得到一个稳定性高且接近真实的结果，因此，预测模型能够对待预测数据推演得到对应的预测结果。
除了上述预测洪水、预测天气外，本方案还可预测用户的挖掘价值、交通状况等，以用户的价值挖掘为例，m包括点击率，展示率，eCpm(Effective Cost Per Mille，千次展示收益)，CPC(Cost Per Click,每次点击付费广告的收入)，ROI((Return On Investment,转换成本单价)等等。
基于述基于属性的信息预测方法，本发明还提供了一种基于属性的信息预测装置，如图5所示，包括：
获取模块，用于获取对象数据集和所述对象属性集对应的实例数据，所述对象数据集包括对象属性集和映射关系集；
构建模块，用于根据所述对象属性集和所述映射关系集，构建属性关系网络；
推演模块130，用于基于所述属性关系网络，对所述实例数据进行推演，得到预测模型；
预测模块，用于将待预测数据输入所述预测模型，并控制所述预测模型对所述待预测数据进行推演，得到与所述待预测数据对应的预测结果。
其中，所述构建模块120包括：
生成单元，用于根据所述对象属性集和所述映射关系集，生成若干个映射属性集；
构建单元，用于根据所述映射属性集，构建属性关系网络。
其中，属性关系网络包括显性关系网络和隐性关系网络。
其中，所述映射关系集包括若干个映射函数，所述映射属性集包括输入子集和输出子集；所述生成单元具体用于：
针对每一个所述映射函数，将所述对象属性集中与该映射函数中自变量对应的状态属性作为输入子集，与该映射函数中因变量对应的状态属性作为输出子集，得到与该映射函数对应的映射属性集。
其中，所述推演模块130包括：
输入单元，用于将所述实例数据中的输入数据输入至所述属性关系网络，得到训练数据；
比较单元，用于将所述训练数据和所述实例数据中的输出数据进行比较，得到损失值；
调整单元，用于基于损失值，对所述属性关系网络进行调整，直至所述属性关系网络收敛，得到预测模型。
其中，所述输入单元具体用于：
根据预设的推演步数和所述映射属性集的数量，将所述输入输入数据输入至所述属性关系网络，得到训练数据。
其中，所述调整单元具体用于：
计算第N个所述训练数据与第N+1个所述训练数据之间的差值，得到稳定差；
当所述稳定差小于预设的阈值时，所述属性关系网络收敛，得到预测模型。
基于上述基于属性的信息预测方法，本发明还提供了一种终端设备，如图6所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑命令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑命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计算机可读存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序命令或模块。处理器20通过运行存储在存储器22中的软件程序、命令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态计算机可读存储介质。
此外，上述计算机可读存储介质以及终端设备中的多条命令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
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)

1.一种基于属性的信息预测方法，其特征在于，所述方法包括：
获取对象数据集和所述对象属性集对应的实例数据，所述对象数据集包括对象属性集和映射关系集；
根据所述对象属性集和所述映射关系集，构建属性关系网络；
基于所述属性关系网络，对所述实例数据进行推演，得到预测模型；
将待预测数据输入所述预测模型，并控制所述预测模型对所述待预测数据进行推演，得到与所述待预测数据对应的预测结果。
2.根据权利要求1所述基于属性的信息预测方法，其特征在于，所述根据所述对象属性集和所述映射关系集，构建属性关系网络包括：
根据所述对象属性集和所述映射关系集，生成若干个映射属性集；
根据所述映射属性集，构建属性关系网络。
3.根据权利要求2所述基于属性的信息预测方法，其特征在于，所述属性关系网络包括显性关系网络和隐性关系网络。
4.根据权利要求2所述基于属性的信息预测方法，其特征在于，所述映射关系集包括若干个映射函数，所述映射属性集包括输入子集和输出子集；所述根据所述对象属性集和所述映射关系集，生成若干个映射属性集包括：
针对每一个所述映射函数，将所述对象属性集中与该映射函数中自变量对应的状态属性作为输入子集，与该映射函数中因变量对应的状态属性作为输出子集，得到与该映射函数对应的映射属性集。
5.根据权利要求2所述基于属性的信息预测方法，其特征在于，所述基于所述属性关系网络，对所述实例数据进行推演，得到预测模型包括：
将所述实例数据中的输入数据输入至所述属性关系网络，得到训练数据；
将所述训练数据和所述实例数据中的输出数据进行比较，得到损失值；
基于损失值，对所述属性关系网络进行调整，直至所述属性关系网络收敛，得到预测模型。
6.根据权利要求4所述基于属性的信息预测方法，其特征在于，所述将所述实例数据中的输入数据输入至所述属性关系网络，得到训练数据包括：
根据预设的推演步数和所述映射属性集的数量，将所述输入输入数据输入至所述属性关系网络，得到训练数据。
7.根据权利要求4所述基于属性的信息预测方法，其特征在于，所述基于损失值，对所述属性关系网络进行调整，直至所述属性关系网络收敛，得到预测模型包括：
计算第N个所述训练数据与第N+1个所述训练数据之间的差值，得到稳定差；
当所述稳定差小于预设的阈值时，所述属性关系网络收敛，得到预测模型。
8.一种基于属性的信息预测装置，其特征在于，所述基于属性的信息预测装置包括：
获取模块，用于获取对象数据集和所述对象属性集对应的实例数据，所述对象数据集包括对象属性集和映射关系集；
构建模块，用于根据所述对象属性集和所述映射关系集，构建属性关系网络；
推演模块，用于基于所述属性关系网络，对所述实例数据进行推演，得到预测模型；
预测模块，用于将待预测数据输入所述预测模型，并控制所述预测模型对所述待预测数据进行推演，得到与所述待预测数据对应的预测结果。
9.一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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1～7任意一项所述的基于属性的信息预测方法中的步骤。
10.一种终端设备，其特征在于，包括：处理器、存储器及通信总线；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1～7任意一项所述的基于属性的信息预测方法中的步骤。
CN202211581333.9A 2022-12-07 2022-12-07 一种基于属性的信息预测方法和相关设备 Active CN115809736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211581333.9A CN115809736B (zh) 2022-12-07 2022-12-07 一种基于属性的信息预测方法和相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211581333.9A CN115809736B (zh) 2022-12-07 2022-12-07 一种基于属性的信息预测方法和相关设备

Publications (2)

Publication Number Publication Date
CN115809736A true CN115809736A (zh) 2023-03-17
CN115809736B CN115809736B (zh) 2023-10-31

Family

ID=85485533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211581333.9A Active CN115809736B (zh) 2022-12-07 2022-12-07 一种基于属性的信息预测方法和相关设备

Country Status (1)

Country Link
CN (1) CN115809736B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574244A (zh) * 2024-01-15 2024-02-20 成都秦川物联网科技股份有限公司 基于物联网的超声波水表故障预测方法、装置及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445121A (zh) * 2021-12-27 2022-05-06 天翼云科技有限公司 一种广告点击率预测模型构建及广告点击率预测方法
CN114860884A (zh) * 2022-05-23 2022-08-05 中国科学院空天信息创新研究院 一种面向动态分析的时空知识图谱构建系统和方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445121A (zh) * 2021-12-27 2022-05-06 天翼云科技有限公司 一种广告点击率预测模型构建及广告点击率预测方法
CN114860884A (zh) * 2022-05-23 2022-08-05 中国科学院空天信息创新研究院 一种面向动态分析的时空知识图谱构建系统和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
于海峰;王延章;卢小丽;王宁;: "基于知识元的突发事件风险熵预测模型研究", 系统工程学报, no. 01, pages 119 - 128 *
刘家玮;刘波;龚梦星;黄天天;: "基于决策树算法的山洪灾害三维动态预测模型", 计算机与数字工程, no. 11, pages 24 - 31 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574244A (zh) * 2024-01-15 2024-02-20 成都秦川物联网科技股份有限公司 基于物联网的超声波水表故障预测方法、装置及设备
CN117574244B (zh) * 2024-01-15 2024-04-02 成都秦川物联网科技股份有限公司 基于物联网的超声波水表故障预测方法、装置及设备

Also Published As

Publication number Publication date
CN115809736B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
Lin et al. Gaussian process regression-based forecasting model of dam deformation
Barati Application of excel solver for parameter estimation of the nonlinear Muskingum models
Zhang et al. Stochastic model predictive control using a combination of randomized and robust optimization
Zhu et al. A multi-criteria decision-making model dealing with correlation among criteria for reservoir flood control operation
Ganji et al. Advance first order second moment (AFOSM) method for single reservoir operation reliability analysis: a case study
CN108334660A (zh) 一种基于数据同化的强冲积河流的水沙预测方法和系统
CN115809736A (zh) 一种基于属性的信息预测方法和相关设备
Ghasemlounia et al. Developing a novel framework for forecasting groundwater level fluctuations using Bi-directional Long Short-Term Memory (BiLSTM) deep neural network
CN104407688A (zh) 基于树回归的虚拟化云平台能耗测量方法及系统
CN104636834B (zh) 一种改进的联合概率规划模型系统优化方法
CN109460608B (zh) 一种基于模糊时间序列的高陡边坡形变预测的方法
Yi et al. Intelligent prediction of transmission line project cost based on least squares support vector machine optimized by particle swarm optimization
Montero et al. Simplified hydraulic modelling in model predictive control of flood mitigation measures along rivers
CN112564951A (zh) 一种规避告警风暴的方法、装置、计算机设备和存储介质
Yu et al. Arbitrarily modulated Markov decision processes
CN117077294B (zh) 基于参数化的结构网格生成方法、装置、设备及介质
WO2024098950A1 (zh) 水动力模型参数优化、水位流量变化过程模拟方法及装置
Crossley et al. Local time stepping for modeling open channel flows
CN109345021A (zh) 一种采用lstm建模预测劳动力需求增量的方法
CN116029462B (zh) 渠池闸门流量预测模型的训练方法
CN117151187A (zh) 闸门开度预测模型训练应用方法、装置、设备和存储介质
Li et al. The extreme counts: modeling the performance uncertainty of cloud resources with extreme value theory
CN110275895A (zh) 一种缺失交通数据的填充设备、装置及方法
CN114596702A (zh) 一种交通状态预测模型构建方法及交通状态预测方法
CN113688755A (zh) 基于六边形格网的多流向流域特征提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant