【技术实现步骤摘要】
本专利技术属于数据孪生工作过程挖掘相关，更具体地，涉及一种面向数字孪生场景的多模态数据实时语义提取方法及系统。
技术介绍
1、数字孪生技术的实现包括以下环节：1.建模，即确定孪生体所需反映的维度、时空尺度，根据实体物理对象的特性和行为创建数字模型；2.融合，即通过采集现实物体的实测数据校正虚拟模型，使其能更准确反映物体的各项特征；3.交互，即根据物理世界的数据信息在虚拟空间动态反映物体在现实中的变化；4.服务，即利用虚拟空间中的数字孪生体预测现实中物体的潜在风险和运营状态，从而实现对现实对象的全生命周期数字化管理等功能。
2、对数字孪生而言，场景内物理实体运行过程中积累了海量多源异构多模态数据，这些数据贯穿了数字孪生“建模-融合-交互-服务”的全周期应用流程。因此，建立数据实时驱动的孪生模型成为实现数字孪生系统的关键问题。目前的数字孪生数据处理方法基本都是基于流式数据的单一映射，即通过统一的通讯架构连接物理实体及其对应的传感器，进而实现数据实时可视化及历史存储功能。该方法具有应用便捷、适用范围广等优点，是目前处理孪生数据的主流方法。
3、然而现有的通过统一通讯架构处理多模态数据的方法，仅实现了孪生数据的存储及可视化功能，当孪生场景内的物理实体数量增多导致出现海量数据时，该方法提供的数据处理功能不再直观便捷，与此同时，数据查询及处理的计算开销也会不断增加，无法满足数字孪生系统数据挖掘的需求。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了
2、为实现上述目的，按照本专利技术的一个方面，提供了一种面向数字孪生场景的多模态数据实时语义提取方法，包括：s1：对孪生场景及其内部的研究对象进行分类，并依据分类概念大小进行公式化描述，以构建施工场景本体模型；s2：对施工场景本体模型中的研究对象在预设时间段内的轨迹进行噪声清洗，获取相邻数据点间的代价函数，依据所述代价函数获得特征点，各特征点组成简化轨迹；s3：生成沿简化轨迹的滑动窗口，对滑动窗口内前预设数量的和后预设数量的特征点分别进行插值运算获得前预测点和后预测点，将前预测点和后预测点的中心点与滑动窗口的中心特征点进行比较获得偏差；s4：由高斯过程回归获得自适应阈值，将所述偏差与自适应阈值进行比较，获得简化轨迹的实时分割点；s5：重复以上步骤s3和s4获得简化轨迹的所有分割点，获得轨迹段；s6：获取孪生场景内的运行数据，将轨迹段转化为结构化轨迹序列，基于时序特点和空间特点将所述运行数据和结构化轨迹序列进行融合，获得多源异构数据；s7：采用时空分类器对所述多源异构数据进行处理获得高阶时空数据语义信息；s8：采用语义web规则语言对所述高阶时空数据语义信息进行处理实现实时语义提取和孪生工作流程建立。
3、优选地，步骤s1还包括将实体场景中的传感器映射至孪生场景中。
4、优选地，将实体场景中的传感器映射至孪生场景中具体步骤为：选取部分本体，获取实体场景中本体与孪生场景中本体的相似性，生成训练集；采用所述训练集对神经网络进行训练；采用训练好的神经网络对剩余本体进行匹配。
5、优选地，采用莱文斯坦距离获取实体场景中本体与孪生场景中本体的相似性。
6、优选地，步骤s1还包括基于rdf图数据模型嵌套正则路径构建场景的物联数据web实现孪生数据存储和同步更新。
7、优选地，步骤s2中的代价函数mdl为：
8、mdl＝l(h)+l(d|h)
9、
10、
11、其中，l(h)为描述压缩模型所需要的长度，l(d/h)为描述利用压缩模型所编码的数据所需要的长度，len(pcjpcj+1)为pcj、pcj+1两点的欧式距离，dt为两数据点的时间戳间隔；d⊥为两线段的垂直距离，dθ为两线段的角度距离。
12、优选地，步骤s2中依据所述代价函数获得特征点，各特征点组成简化轨迹具体步骤为：
13、计算数据点与前一特征点间的mdl与l(h)，若mdl>l(h)，则该数据点的上一点作为特征点。
14、优选地，采用高斯过程回归模型对偏差进行拟合，生成自适应阈值ξ：
15、预测模型参数根据历史轨迹数据进行自适应训练获取，在第i+1个滑动窗口处的自适应阈值ξ表示为：
16、ξ＝f(pi,pi-1，…，pi-k+1)
17、其中，f表示为高斯过程回归预测方程；{pi,pi-1,…,pi-k+1}为简化后的有序轨迹点，k为回归预测时输入的历史轨迹长度。
18、优选地，步骤s4具体为：若偏差大于自适应阈值，则将该特征点作为分割点，否则不作为分割点。
19、本申请另一方面提供了一种面向数字孪生场景的多模态数据实时语义提取系统，所述系统包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时执行如上所述的多模态数据实时语义提取方法。
20、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，本专利技术提供的面向数字孪生场景的多模态数据实时语义提取方法及系统主要具有以下有益效果：
21、1.本申请针对原始轨迹数据使用考虑时间步长的方式进行分割，并结合代价函数，在保留数据时序性的同时极大地提升了压缩实时性与效率，通过滑动窗口算法与自适应阈值结合，增强轨迹分割实时性的同时降低了计算开销。
22、2.本申请对所述多源异构数据在时间和空间维度进行处理，实现特征提取与集成，获得高阶时空数据语义信息，进一步采用语义web规则语言对所述高阶时空数据语义信息进行处理，实现对大范围场景内多源异构数据的实时语义提取。
23、3.使用预设的关系类型对本体模型中的概念进行规范化表征，同时基于rdf图数据模型嵌套正则路径构建场景的物联数据web，实现数字孪生场景内事件实例的高效存储与查询。
本文档来自技高网...【技术保护点】
1.一种面向数字孪生场景的多模态数据实时语义提取方法，其特征在于，包括：
2.根据权利要求1所述的多模态数据实时语义提取方法，其特征在于，步骤S1还包括将实体场景中的传感器映射至孪生场景中。
3.根据权利要求2所述的多模态数据实时语义提取方法，其特征在于，将实体场景中的传感器映射至孪生场景中具体步骤为：
4.根据权利要求2或3所述的多模态数据实时语义提取方法，其特征在于，采用莱文斯坦距离获取实体场景中本体与孪生场景中本体的相似性。
5.根据权利要求1所述的多模态数据实时语义提取方法，其特征在于，步骤S1还包括基于RDF图数据模型嵌套正则路径构建场景的物联数据Web实现孪生数据存储和同步更新。
6.根据权利要求1所述的多模态数据实时语义提取方法，其特征在于，步骤S2中的代价函数MDL为：
7.根据权利要求6所述的多模态数据实时语义提取方法，其特征在于，步骤S2中依据所述代价函数获得特征点，各特征点组成简化轨迹具体步骤为：
8.根据权利要求1所述的多模态数据实时语义提取方法，其特征在于，采用高斯过程回
9.根据权利要求1或8所述的多模态数据实时语义提取方法，其特征在于，步骤S4具体为：
10.一种面向数字孪生场景的多模态数据实时语义提取系统，其特征在于，所述系统包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时执行如上权利要求1～9任意一项所述的多模态数据实时语义提取方法。
...【技术特征摘要】
1.一种面向数字孪生场景的多模态数据实时语义提取方法，其特征在于，包括：
2.根据权利要求1所述的多模态数据实时语义提取方法，其特征在于，步骤s1还包括将实体场景中的传感器映射至孪生场景中。
3.根据权利要求2所述的多模态数据实时语义提取方法，其特征在于，将实体场景中的传感器映射至孪生场景中具体步骤为：
4.根据权利要求2或3所述的多模态数据实时语义提取方法，其特征在于，采用莱文斯坦距离获取实体场景中本体与孪生场景中本体的相似性。
5.根据权利要求1所述的多模态数据实时语义提取方法，其特征在于，步骤s1还包括基于rdf图数据模型嵌套正则路径构建场景的物联数据web实现孪生数据存储和同步更新。
6.根据权利要求1所述...
【专利技术属性】
技术研发人员：谢远龙，徐磊，王书亭，张鑫，罗庆良，肖瑞康，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。