基于空间知识/模型库系统的算法管理方法技术方案

本公开的实施例提供了一种基于空间知识/模型库系统的算法管理方法、装置、设备和计算机可读存储介质。所述方法包括：在模型层，对资源层的机器学习算法库中预存的机器学习算法进行分类；根据空间算法描述模型对分类后的机器学习算法进行算法知识的形式化表达；在数据库层，将所述算法知识的形式化表达进行存储，形成知识/模型库；在应用服务层，向应用层提供对所述知识/模型库中的算法知识的数据交互和处理服务。以此方式，可以大幅降低多粒度时空对象在决策中选择与使用机器算法的难度。对象在决策中选择与使用机器算法的难度。对象在决策中选择与使用机器算法的难度。

【技术实现步骤摘要】
基于空间知识/模型库系统的算法管理方法


[0001]本公开的实施例一般涉及数据处理领域，并且更具体地，涉及一种基于空间知识/模型库系统的算法管理方法、装置、设备和计算机可读存储介质。

技术介绍

[0002]空间信息系统改变了传统GIS以地图为模板的间接建模方法，以多粒度时空对象来直接描述从微观到宏观的现实世界，即把现实世界简化、抽象为多粒度时空对象。同一般时空对象相比，多粒度时空对象除了具备时空参考、空间位置、空间形态、属性特征、组成结构和关联关系等特征之外，还具备认知能力和行为能力特征，能够描述具有自主认知和行为能力的“活”的地理实体，能够对外部信息解析产生结果输出。
[0003]多粒度时空对象行为能力和认知能力的形成，依赖于机器学习，即根据数据与场景，选择合适的算法知识，或将算法组合成模型，从而能够对数据进行解析与处理，并对外部输入做出相应的回应，即输出，最终作为决策的依据。
[0004]机器学习算法繁多，但缺乏统一的描述表达，在没有一定机器学习的背景下难以快速的选择最优算法并正确使用。

技术实现思路

[0005]根据本公开的实施例，提供了一种基于空间知识/模型库系统的算法管理方案。
[0006]在本公开的第一方面，提供了一种基于空间知识/模型库系统的算法管理方法。该方法包括：
[0007]在模型层，对资源层的机器学习算法库中预存的机器学习算法进行分类；根据空间算法描述模型对分类后的机器学习算法进行算法知识的形式化表达；
[0008]在数据库层，将所述算法知识的形式化表达进行存储，形成知识/模型库；
[0009]在应用服务层，向应用层提供对所述知识/模型库中的算法知识的数据交互和处理服务。
[0010]进一步地，其特征在于，
[0011]所述空间知识/模型库系统包括资源层、模型层、数据库层、应用服务层和应用层；其中，
[0012]所述资源层，用于整合数据资源；所述数据资源包括硬件资源、机器学习算法库和数据资源；
[0013]所述模型层，用于将所述机器学习算法库中的机器学习算法进行分类，并对分类后的机器学习算法进行描述，形成通用机器学习算法的知识；
[0014]所述数据库层，用于存储所述通用机器学习算法的知识；
[0015]所述应用服务层，用于对所述资源层中的数据进行管理；通过数据接口进行数据交互，向用户和/或程序提供服务；
[0016]所述应用层，用于为客户端提供应用程序的访问功能，实现最终用户的界面操作
和业务活动的控制请求与调用。
[0017]进一步地，根据空间算法描述模型对分类后的机器学习算法进行算法知识的形式化表达包括：
[0018]采用XML知识表示方法对分类后的机器学习算法的元数据、算法特征信息、算法输入信息、算法输出信息、算法运行环境、算法参数信息进行描述，形成所述分类后的机器学习算法的知识。
[0019]进一步地，所述空间算法描述模型包括：
[0020]算法的元数据、算法特征信息、算法输入信息、算法输出信息、算法运行环境、算法参数信息；
[0021]其中，所述算法的元数据包括：版本信息、建立时间和/或联系信息；
[0022]所述算法特征信息包括：算法标识、名称和/或功能；
[0023]所述算法输入信息包括：数据类型、数据量、数据维度和/或数据格式；
[0024]所述算法输出信息包括：数据类型、数据格式、数据精度和/或数据维度；
[0025]所述算法运行环境包括：软件环境和硬件环境；
[0026]所述算法参数信息包括：算法运行参数信息。
[0027]进一步地，还包括：
[0028]通过所述应用服务层对所述空间知识/模型库中的算法知识进行检索和管理。
[0029]进一步地，还包括：
[0030]在所述应用层中制定可视化展示、推荐系统和/或商业智能功能界面。
[0031]在本公开的第二方面，提供了一种基于空间知识/模型库系统的算法管理装置。该装置包括：
[0032]处理模块，用于在模型层，对资源层的机器学习算法库中预存的机器学习算法进行分类；根据空间算法描述模型对分类后的机器学习算法进行算法知识的形式化表达
[0033]存储模块，用于在数据库层，将所述算法知识的形式化表达进行存储，形成知识/模型库；
[0034]交互模块，用于在应用服务层，向应用层提供对所述知识/模型库中的算法知识的数据交互和处理服务。
[0035]在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
[0036]在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面的方法。
[0037]本申请实施例提供的基于空间知识/模型库系统的算法管理方法，通过在模型层，根据事物空间抽象方法和认知模型对资源层的机器学习算法库中预存的机器学习算法进行分类；对分类后的机器学习算法采用XML Schema对空间算法描述模型进行算法知识的形式化表达；在数据库层，将所述算法知识的形式化表达进行存储，形成知识/模型库；在应用服务层，向应用层的web客户端提供对所述知识/模型库中的算法知识的数据交互和处理服务，能够根据其实际需求，有效选择、调用或组合相应机器学习算法，大幅降低了多粒度时空对象在决策中选择与使用机器算法的难度。
[0038]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或
重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
[0039]结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
[0040]图1示出了根据本公开的实施例的基于空间知识/模型库系统的算法管理方法的流程图；
[0041]图2示出了根据本公开的实施例的空间知识/模型库系统的示意图；
[0042]图3示出了根据本公开的实施例的算法元数据的UML结构描述示意图；
[0043]图4示出了根据本公开的实施例的算法特征信息的框架描述示意图；
[0044]图5示出了根据本公开的实施例的算法输入信息的框架描述示意图；
[0045]图6示出了根据本公开的实施例的算法输入信息的结构描述示意图；
[0046]图7示出了根据本公开的实施例的算法输出信息的框架描述示意图；
[0047]图8示出了根据本公开的实施例的算法输出信息的结构描述示意图；
[0048]图9示出了根据本公开的实施例的算法运行环境的框架描述示意图；
[0049]图10示出了根据本公开的实施例的算法运行环境的结构描述示意图；
[0050]图11示出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空间知识/模型库系统的算法管理方法，其特征在于，在模型层，对资源层的机器学习算法库中预存的机器学习算法进行分类；根据空间算法描述模型对分类后的机器学习算法进行算法知识的形式化表达；在数据库层，将所述算法知识的形式化表达进行存储，形成知识/模型库；在应用服务层，向应用层提供对所述知识/模型库中的算法知识的数据交互和处理服务。2.根据权利要求1所述的方法，其特征在于，所述空间知识/模型库系统包括资源层、模型层、数据库层、应用服务层和应用层；其中，所述资源层，用于整合数据资源；所述数据资源包括硬件资源、机器学习算法库和数据资源；所述模型层，用于将所述机器学习算法库中的机器学习算法进行分类，并对分类后的机器学习算法进行描述，形成通用机器学习算法的知识；所述数据库层，用于存储所述通用机器学习算法的知识；所述应用服务层，用于对所述资源层中的数据进行管理；通过数据接口进行数据交互，向用户和/或程序提供服务；所述应用层，用于为客户端提供应用程序的访问功能，实现最终用户的界面操作和业务活动的控制请求与调用。3.根据权利要求1所述的方法，其特征在于，根据空间算法描述模型对分类后的机器学习算法进行算法知识的形式化表达包括：采用XML知识表示方法对分类后的机器学习算法的元数据、算法特征信息、算法输入信息、算法输出信息、算法运行环境、算法参数信息进行描述，形成所述分类后的机器学习算法的知识。4.根据权利要求3所述的方法，其特征在于，所述空间算法描述模型包括：算法的元数据、算法特征信息...

【专利技术属性】
技术研发人员：陈应东，卢伟，官明霖，樊晶晶，
申请(专利权)人：优丹睦风北京科技有限公司，
类型：发明
国别省市：