【技术实现步骤摘要】
本专利技术属于面向复杂系统的多源异构数据建模与分析，具体涉及基于子空间序列的多维数据建模与分析方法及系统。
技术介绍
1、目前，对复杂系统的分析，均是基于系统的建模与分析方法,例如基于向量自动回归(var)模型的时间序列预测、基于贝叶斯网络的概率图模型等,前述方法主要是基于统计建模思想,其依赖大量历史数据进行参数训练,对数据质量和数量较敏感，因此，这些方法多局限于线性建模,对非线性复杂系统的建模能力较弱，分析准确性较低；另外，像神经网络等非线性建模方法,则依赖于大规模标注的训练数据,无法很好的利用建模中已有的结构知识,如此，则会导致建模解释性较差；基于前述阐述，总体来说,现有技术对复杂动态系统的建模与分析仍存在明显缺陷，不能对复杂动态系统进行准确的分析；由此，如何提供一种能够适用于非线性复杂系统，且分析准确率高的多维数据建模与分析方法，已成为一个亟待解决的问题。
技术实现思路
1、本专利技术的目的是提供一种基于子空间序列的多维数据建模与分析方法及系统，用以解决现有技术无法对复杂动态系统进行准确的分析的问题。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、第一方面，提供了一种基于子空间序列的多维数据建模与分析方法，包括：
4、获取待分析目标的数据集合，其中，所述数据集合中包括有待分析目标的多个第一维度的数据，其中，所述待分析目标包括目标城市，且所述第一维度用于表征数据种类；
5、从所述数据集合中选取出若干指定第一维度的数据，并
6、构建出所有子空间共同的子空间序列，其中，所述子空间序列用于表征数据的逻辑顺序；
7、基于所述子空间序列，对所述子空间序列与各个子空间进行对偶关系映射处理，以为各个子空间中的每个子空间实例建立序列编号，其中，任一子空间中的子空间实例用于表征该任一子空间中的一个数据；
8、利用建立了序列编号的各个子空间，构建出包含有所有子空间的子空间关联网络图，其中，所述子空间关联网络图表示为g＝{v,e,g}，v为节点集合，e为节点边集合，g为图属性集合，所述节点集合中的各节点为各子空间中的子空间实例，且任一节点使用对应子空间实例的序列编号表示；
9、对所述子空间关联网络图进行数据挖掘处理，得到更新后的子空间关联网络图；
10、利用更新后的子空间关联网络图，得出所述待分析目标的分析结果，其中，所述分析结果包括所述目标城市的城市状态预测结果，且所述城市状态预测结果包括交通流量预测结果、空气质量预测结果和/或人流分布预测结果。
11、基于上述公开的内容，本专利技术先获取待分析目标(如目标城市)的数据集合(即多维数据空间)，然后，选择出指定第一维度的数据(即选择出关键种类的数据)，来构建出对应的子空间；而后，引入能够反映数据逻辑顺序的子空间序列，来对各个子空间中的每个子空间实例进行编号，以利用子空间序列来追踪每个子空间状态的动态演化轨迹；在完成各子空间中实例的编号后，则可利用建立了序列编号的各个子空间，来构建出子空间关联网络图；如此，相当于构建了各个子空间的关系图谱,明确了各个子空间节点之间的依赖与约束关系；接着，对子空间关联网络图进行数据挖掘，以进一步的挖掘图谱中各节点间的拓扑关系，从而完善子空间关联网络图；最后，利用完善后的子空间关联网络图，即可完成对目标城市的状态分析，从而得出目标城市在不同状态时的交通流量、空气质量和/或人流分布等指标的预测结果。
12、通过上述设计，本专利技术提供了一种通用的基于子空间序列的过程建模方法,旨在支持利用多源异构数据进行复杂动态过程的表示建模和关联分析，该方法通过子空间序列的抽象化表示和动态建模，实现对复杂系统的多角度分析、动态演化预测和关联效应分析，其创新之处在于引入了序列维度，构建了基于图模型的子空间间的依赖关系，并同时结合了序列依赖与拓扑约束；如此，可增强建模的准确性，从而提高对系统分析的准确性；同时，本方法无需依赖于大规模标注的训练数据以及历史参数，因此，非常适用于非线性复杂系统的分析；此外，通过数据挖掘来进一步的挖掘图谱中各节点间的拓扑关系，并以此来更新子空间关联网络图；基于此，可实现对子空间网络整体结构的深入分析，从而能够确定出全局性的关联模式和重要节点，可进一步的增加建模精度，从而提高对系统分析(即目标城市状态预测)的准确性；由此，本专利技术非常适用于在复杂系统的分析领域的大规模应用与推广。
13、在一个可能的设计中，所述数据集合还包括有多个第二维度的数据，其中，所述第二维度用于表征数据逻辑维度，且数据逻辑维度包括时间维度和/或事件维度；
14、其中，构建出所有子空间共同的子空间序列，包括：
15、从所述数据集合中选择出全部第二维度的数据或若干第二维度的数据；
16、基于选择出的第二维度的数据，构建出所有子空间共同的子空间序列，其中，所述子空间序列包括时间序列和/或事件发生序列。
17、在一个可能的设计中，对所述子空间关联网络图进行数据挖掘处理，得到更新后的子空间关联网络图，包括：
18、获取各个子空间的特征描述信息，其中，各个子空间的特征描述信息表示形式相同，且任一子空间的特征描述信息包括向量表示信息、张量表示信息、图表示信息、深度表示信息以及语义表示信息中的一种或多种；
19、基于各个子空间的特征描述信息，并利用数据挖掘算法，对所述子空间关联网络图进行数据挖掘处理，以在数据挖掘后，得到所述更新后的子空间关联网络图。
20、在一个可能的设计中，获取各个子空间的特征描述信息，包括：
21、利用特征表示算法，提取出各个子空间对应的特征描述信息，其中，特征表示算法包括向量表示算法、张量表示算法、图表示算法、深度表示算法以及语义表示算法中的一种或多种。
22、在一个可能的设计中，所述数据挖掘算法包括图卷积网络算法、网络嵌入算法、网络动态建模算法、多粒度语义学习算法、强化学习算法和/或小波网络算法。
23、在一个可能的设计中，利用更新后的子空间关联网络图，得出所述待分析目标的分析结果，包括：
24、利用增量学习算法或迁移学习算法，对所述更新后的子空间关联网络图中的各个子空间进行局部状态预测处理，以得到各个子空间的局部状态预测结果；
25、利用各个子空间的局部状态预测结果，得出所述待分析目标的分析结果。
26、在一个可能的设计中，在得出所述待分析目标的分析结果后，所述方法还包括：
27、基于所述待分析目标的分析结果，调整所述子空间关联网络图，以实现子空间关联网络图的反馈学习。
28、第二方面，提供了一种基于子空间序列的多维数据建模与分析系统，包括：
29、获取单元，用于获取待分析目标的数据集合，其中，所述数据集合中包括有待分析目标的多个第一维度的数据，其中，所述待分析目标包括目标城本文档来自技高网...
【技术保护点】
1.一种基于子空间序列的多维数据建模与分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述数据集合还包括有多个第二维度的数据，其中，所述第二维度用于表征数据逻辑维度，且数据逻辑维度包括时间维度和/或事件维度；
3.根据权利要求1所述的方法，其特征在于，对所述子空间关联网络图进行数据挖掘处理，得到更新后的子空间关联网络图，包括：
4.根据权利要求3所述的方法，其特征在于，获取各个子空间的特征描述信息，包括：
5.根据权利要求4所述的方法，其特征在于，其中，所述数据挖掘算法包括图卷积网络算法、网络嵌入算法、网络动态建模算法、多粒度语义学习算法、强化学习算法和/或小波网络算法。
6.根据权利要求1所述的方法，其特征在于，利用更新后的子空间关联网络图，得出所述待分析目标的分析结果，包括：
7.根据权利要求1所述的方法，其特征在于，在得出所述待分析目标的分析结果后，所述方法还包括：
8.一种基于子空间序列的多维数据建模与分析系统，其特征在于，包括：
9.一种电子设备，其特
10.一种包含指令的计算机程序产品，其特征在于，当指令在计算机上运行时，使计算机执行如权利要求1～7任意一项所述的基于子空间序列的多维数据建模与分析方法。
...【技术特征摘要】
1.一种基于子空间序列的多维数据建模与分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述数据集合还包括有多个第二维度的数据，其中，所述第二维度用于表征数据逻辑维度，且数据逻辑维度包括时间维度和/或事件维度；
3.根据权利要求1所述的方法，其特征在于，对所述子空间关联网络图进行数据挖掘处理，得到更新后的子空间关联网络图，包括：
4.根据权利要求3所述的方法，其特征在于，获取各个子空间的特征描述信息，包括：
5.根据权利要求4所述的方法，其特征在于，其中，所述数据挖掘算法包括图卷积网络算法、网络嵌入算法、网络动态建模算法、多粒度语义学习算法、强化学习算法和/或小波网络算法。
6.根据权利要求1所述的方法...
【专利技术属性】
技术研发人员：王娟，
申请(专利权)人：生泰仁合智能科技深圳有限公司，
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。