一种动态时空事件预测方法及系统技术方案

本发明专利技术公开了一种动态时空事件预测方法及系统，包括将事件行为信息、地点信息及其交互特征信息嵌入到事件潜在特征，利用嵌入后的事件潜在特征构建事件数据二部图；分别计算不同事件地点和不同事件行为之间的紧密程度，得到地点边权值矩阵及行为边权值矩阵；对事件数据二部图进行更新，得到地点加权有向图和行为加权有向图；进行随机游走采样，利用图卷积网络，分别对地点节点邻居的特征及行为节点邻居的特征进行聚合、拼接，将聚合后的邻居特征输入至多层感知机预测模型中，进行预测，得到事件预测结果；本发明专利技术将带有注意力机制的图卷积网络来聚合行为、地点邻居特征，并利用多层感知机预测模型进行预测，预测结果准确率更高、误差更小。

【技术实现步骤摘要】
一种动态时空事件预测方法及系统
本专利技术属于图数据挖掘
，特别涉及一种动态时空事件预测方法及系统。
技术介绍
预测未来事件对我们的日常生活有着重要意义，特别是严重威胁公民生命财产安全的事件，对加强公共安全工作刻不容缓；针对未来事件的预测问题，如何有效合理地对时空数据进行建模来进行动态事件推理仍然是一个挑战。近年来，许多研究通过挖掘时空数据来推断可能发生的事件；其中，根据研究动机，将研究现状分为三类：即数据驱动模型、特征回归模型和动态过程描述模型；传统的算法通常采用基于特征的回归算法或具有时空分布的拟合方法来解决动态事件推理难题；上述推理方法模型基本都是基于很强的参数假设，需要进行明显改进；特别是，它们通常将空间影响和时间影响分开考虑，难以对事件之间的相互影响进行动态描述。随着互联网技术的快速发展，公开的异构数据提供了一个了解事件动态过程的机会，可以揭示事件之间的规律和相互影响。如何通过对多个时空数据的综合研究，来构建动态事件模式是事件推断问题的研究重点。
技术实现思路
针对现有技术中存在的技术问题，本本文档来自技高网...

【技术保护点】
1.一种动态时空事件预测方法，其特征在于，包括以下步骤：/n步骤1、获取多源时空事件数据集，利用行为-地点共进化模型，将事件行为、事件地点及事件行为与地点间的交互特征嵌入到事件潜在特征，得到嵌入后的事件潜在特征；利用嵌入后的事件潜在特征构建事件数据二部图；/n步骤2、利用事件数据二部图，分别计算不同事件地点或不同事件行为之间的紧密程度，得到地点边权值矩阵W及行为边权值矩阵S；分别利用地点边权值矩阵W及行为边权值矩阵S对事件数据二部图进行更新，得到地点加权有向图G

【技术特征摘要】
1.一种动态时空事件预测方法，其特征在于，包括以下步骤：
步骤1、获取多源时空事件数据集，利用行为-地点共进化模型，将事件行为、事件地点及事件行为与地点间的交互特征嵌入到事件潜在特征，得到嵌入后的事件潜在特征；利用嵌入后的事件潜在特征构建事件数据二部图；
步骤2、利用事件数据二部图，分别计算不同事件地点或不同事件行为之间的紧密程度，得到地点边权值矩阵W及行为边权值矩阵S；分别利用地点边权值矩阵W及行为边权值矩阵S对事件数据二部图进行更新，得到地点加权有向图G1和行为加权有向图G2；
步骤3、分别对地点加权有向图G1的节点及行为加权有向图G2的节点进行随机游走采样，利用图卷积网络，分别对地点节点邻居的特征及行为节点邻居的特征进行聚合、拼接，得到聚合后的邻居特征；将聚合后的邻居特征输入至多层感知机预测模型中，进行预测，得到事件预测结果。


2.根据权利要求1所述的一种动态时空事件预测方法，其特征在于，步骤1中，具体包括以下步骤：
步骤11、获取多源时空事件数据集，提取事件行为信息、事件地点属性、事件发生时间及事件行为与地点间的交互特征；其中，事件地点属性包括地点经纬度；
步骤12、利用行为-地点共进化模型，将事件行为信息、事件地点属性、事件发生时间及事件行为与地点间的交互特征信息，嵌入到事件潜在特征中，得到嵌入后的事件潜在特征列表O；
步骤13、利用嵌入后的事件潜在特征列表O，构建事件数据二部图。


3.根据权利要求2所述的一种动态时空事件预测方法，其特征在于，步骤12中，嵌入后的事件潜在特征O的表达式为：



其中，i为事件序号，ei为第i个事件，N为事件总数量；ai为第i个事件行为，其中，ai∈{a1,a2,...,am}，m为事件行为种类个数；li为第i个事件地点，其中，li∈{l1,l2,...,ln}，n为事件地点种类个数；bi为事件行为与地点的交互特征。


4.根据权利要求2所述的一种动态时空事件预测方法，其特征在于，步骤13中，事件数据二部图中包括行为嵌入特征及地点嵌入特征
其中，行为嵌入特征的表达式为：



其中，a为事件行为，为事件行为a第k次的发生时间，W1、W2、W3及W4分别为权重矩阵，σ(*)为sigmoid函数；为事件行为a第k次随时间演进的交互特征；-为事件行为a第k次发生的前一时间；为事件行为a第k-1次的发生时间；fa(*)为事件行为a的嵌入特征；ql(*)为事件地点l的嵌入特征；
地点嵌入特征的表达式为：



其中，l为事件地点，为事件地点l发生第k次事件后的地点嵌入特征，为事件地点l第k次事件发生时间，W5、W6、W7及W8分别为权重矩阵；为事件地点l发生第k-1次事件时的时间，-为事件地点l发生第k次事件时的前一时间，为事件地点l第k次随时间演进的交互特征。


5.根据权利要求1所述的一种动态时空事件预测方法，其特征在于，步骤2中，具体为：
步骤21、根据不同地点间的距离及交通数据的乘积大小，计算不同地点的紧密程度，得到地点边权值矩阵W；根据不同行为间的共同发生次数大小，计算不同行为的紧密程度，得到行为边权值矩阵S；
步骤22、利用地点边权值矩阵W对事件数据二部图进行更新，得到地点加权有向图G1；利用行为边权值矩阵S对事件数据二部图进行更新，得到行为加权有向图G2。


6.根据权利要求1所述的一种动态时空事件预测方法，其特征在于，地点边权值矩阵W的表达式为：



其中，wij为地点节点vi与地点节点vj的边权值，τ为事件地点距离的影响权重，β为交通流量的影响权重，ρ是两个事件地点间的距离衰减参数，cij是事件地点li和事件地点lj的交通流量大小；
行为边权值矩阵S的表达式为：



其中，sij为行为节点si与行为节点sj的边权值；δij是事件行为ai和事件行为aj的共同出现频率，B是时间窗长度，M是时间窗口内共同出现的事件行为数量，η是距离衰减参数。


7.根据权利要求1所述的一种动态时空事件预测方法，其特征在于，步骤3中，具体包括以下步骤：
步骤31、对地点加权有向图G1的节点，采用随机游走采样策略，选择地点节点最接近的邻居；对行为加权有向图G2的节点，采用随机游走采样策略，选择行为节点最接近的邻居；
步...

【专利技术属性】
技术研发人员：刘晓明，张占伟，吴少聪，张兆晗，沈超，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61