一种实时决策支持的智能变尺度数据分析方法及系统技术方案

本发明专利技术提供了一种实时决策支持的智能变尺度数据分析方法及系统，涉及智能数据分析技术领域。包括通过思维概念图中的“概念对”得到思维序列，计算思维序列相似性，利用相似性结果聚集思维序列形成分析问题；计算分析问题相似性，聚集相似分析问题，识别思维主题图中的分析主题。根据不同数据分析任务的结构形态特征，确定各分析主题包含的数据分析任务。建立多尺度数据模型。根据数据分析任务判定结果，匹配元数据分析算法，对多尺度数据模型进行变尺度数据分析。本发明专利技术解决了分析主题发现、数据分析任务判定、数据分析层次转换等智能决策技术问题，提升了数据分析任务判定的准确率和效率，实现了对跨行业管理决策场景的实时决策支持。支持。支持。

【技术实现步骤摘要】
一种实时决策支持的智能变尺度数据分析方法及系统


[0001]本专利技术涉及智能数据分析
，特别是指一种实时决策支持的智能变尺度数据分析方法及系统。

技术介绍

[0002]计算机辅助决策一直作为推动企业知识和智力资本高效应用的关键引擎，“实时决策支持”更应该成为人工智能技术的核心能力之一，广泛服务于新一代信息基础设施建设、助力人工智能驱动下的智能经济高质量发展。虽然现有数据驱动的决策分析方法在实际业务场景的决策目标明确后，已经能够从海量、多源、异构业务数据中挖掘出有价值的信息和知识，辅助治理主体和管理者制定政策制度及战术，但由于缺乏初始对于决策需求的自动化、工程化识别方法，导致得到数据挖掘结果的时间往往较大程度滞后于决策需求提出的时刻，甚至必须由分析人员指派分析主题和数据分析任务，决策过程的智能化水平仍亟待提升。
[0003]文献1（王艾. 面向决策支持的变尺度聚类分析技术[D], 北京科技大学, 2020）以推动数据挖掘技术的工程化应用进程为目标，以决策分析场景中常见的聚类数据分析任务为对象，通过模拟分析人员在决策过程中的尺度变换思维特征，建立了变尺度聚类分析方法体系，使得运用其建设的企业决策分析系统具有自动化执行能力。但现有变尺度聚类分析技术仍存在仅能够支撑单一数据分析任务类型（聚类分析）的不足，特别是针对跨行业的实时决策支持场景，缺乏能够匹配其尺度空间（决策问题求解空间）模型的分析主题和分析任务的自动化、智能化识别方法。

技术实现思路

[0004]针对现有技术中分析主题发现、数据分析任务判定、数据分析层次转换等智能决策的问题，本专利技术提出了一种实时决策支持的智能变尺度数据分析方法及系统。
[0005]为解决上述技术问题，本专利技术提供如下技术方案：一方面，提供了一种实时决策支持的智能变尺度数据分析方法，该方法应用于电子设备，包括以下步骤：S1：获取反映企业决策需求的多源异构的原始数据；S2：根据获取的原始数据构建思维概念图模型，根据思维概念图模型确定分析主题；其中，思维概念图模型用于表征决策问题相关的知识经验和业务逻辑；思维概念图模型包括：决策问题的各个方面以及各个角度的概念对集合，以及不同概念对之间的结构联系；S3：识别不同概念对之间的结构形态特征，根据结构形态特征，判定每一个分析主题中包含的数据分析任务；S4：获得数据分析任务的判定结果，根据判定结果，分别为各分析任务匹配元数据
分析算法；采用尺度变换机制对业务数据进行变尺度数据分析，获得解决方案，完成实时决策支持的智能变尺度数据分析。
[0006]可选地，概念对为：认知主体将前驱概念通过想象或联想，直接关联至另外的后继概念，形成的具有偏序关系的思维基本信息单元。
[0007]可选地，步骤S2中，根据获取的原始数据构建思维概念图模型，根据思维概念图模型确定分析主题，包括：S21：根据获取的数据，通过对概念对执行前向扩展、后向扩展或双向扩展过程，生成思维序列；S22：将具有相同概念起点或终点的思维序列进行连接，得到思维概念图模型；S23：计算不同思维序列间相似度，利用思维序列相似度结果对分析问题进行聚集；S24：计算不同分析问题间相似度，利用分析问题相似度结果确定分析主题。
[0008]可选地，步骤S2还包括：计算思维概念图模型中各节点的概念层次权重，用权重建立各分析主题的特征向量，其中包括：分析问题特征判断阈值、思维序列相似度阈值，、分析问题相似度阈值，。
[0009]可选地，步骤S3中，识别不同概念对之间的结构形态特征，根据结构形态特征，判定每一个分析主题中包含的数据分析任务，包括：S31：根据分析主题中每个概念节点的概念层次权重，计算各节点的概念特征；S32：将概念特征数值较大的节点识别为概念中心，根据各概念中心节点的出度和入度，以及不同数据分析任务的结构形态特征，进行数据分析任务判定；其中，出度为概念中心直接可达的节点总数；入度为直接可达概念中心的节点总数。
[0010]可选地，步骤S3还包括：结合挖掘深度参数，，以及思维概念图模型中概念节点总数，，确定概念特征降序排列结果，将排列结果的前个节点确定为概念中心，确定分析任务；其中，数据分析任务判定参数为，。
[0011]可选地，步骤S32中，将概念特征数值较大的节点识别为概念中心，根据各概念中心节点的出度和入度，以及不同数据分析任务的结构形态特征，进行数据分析任务判定，包括：若识别出具有单一概念中心的中心发散型子概念图，则将概念中心节点作为对象，将各关联节点作为属性，构建聚类型数据分析任务，获取业务数据隐藏的概念型陈述性知识；若识别出两个具有整体联系的概念，则将两个概念节点分别作为对象，构建关联规则型数据分析任务，获取业务数据隐藏的命题型陈述性知识；若识别出具有单一概念中心的中心汇聚型子概念图，则将概念中心节点作为类标签，将各关联节点作为决策属性，构建分类预测型数据分析任务，获取业务数据隐藏的命题网络型陈述性知识。
[0012]可选地，步骤S4中，变尺度数据分析包括：
采用保守尺度变换策略进行变尺度数据分析，其中，技术参数适配于选取的元数据分析算法的算法参数及阈值。
[0013]一方面，提供了一种实时决策支持的智能变尺度数据分析系统，该系统应用于电子设备，该系统包括：数据采集模块，用于获取反映企业决策需求的多源异构的原始数据；数据预处理模块，用于根据获取的原始数据构建思维概念图模型，根据思维概念图模型确定分析主题；其中，思维概念图模型用于表征决策问题相关的知识经验和业务逻辑；思维概念图模型包括：决策问题的各个方面以及各个角度的概念对集合，以及不同概念对之间的结构联系；数据分析模块，用于识别不同概念对之间的结构形态特征，根据结构形态特征，判定每一个分析主题中包含的数据分析任务；获得数据分析任务的判定结果，根据判定结果，分别为各分析任务匹配元数据分析算法；采用尺度变换机制对业务数据进行变尺度数据分析，获得解决方案，完成实时决策支持的智能变尺度数据分析。
[0014]可选地，概念对为：认知主体将前驱概念通过想象或联想，直接关联至另外的后继概念，形成的具有偏序关系的思维基本信息单元。
[0015]一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述一种实时决策支持的智能变尺度数据分析方法。
[0016]一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述一种实时决策支持的智能变尺度数据分析方法。
[0017]本专利技术实施例的上述技术方案至少具有如下有益效果：上述方案中，（1）本专利技术的分析主题发现方法，通过提供了思维概念图模型及其“概念对”获取技术，实现了对跨行业领域决策需求的结构化表征，并通过模拟分析人员在决策过程中的思维活动特征，提供了由“思维序列”至“分析问题”再到“分析主题”的自动化、工程化决策需求识别方法，提升了对计算机辅助决策领域的跨行业实时决策支持本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实时决策支持的智能变尺度数据分析方法，其特征在于，包括以下步骤：S1：获取反映企业决策需求的多源异构的原始数据；S2：根据获取的所述原始数据构建思维概念图模型，根据所述思维概念图模型确定分析主题；其中，所述思维概念图模型用于表征决策问题相关的知识经验和业务逻辑；所述思维概念图模型包括：所述决策问题的各个方面以及各个角度的概念对集合，以及不同概念对之间的结构联系；S3：识别不同概念对之间的结构形态特征，根据所述结构形态特征，判定每一个分析主题中包含的数据分析任务；S4：获得数据分析任务的判定结果，根据所述判定结果，分别为各数据分析任务匹配元数据分析算法；采用尺度变换机制对业务数据进行变尺度数据分析，获得解决方案，完成实时决策支持的智能变尺度数据分析。2.根据权利要求1所述的方法，其特征在于，所述概念对为：认知主体将前驱概念通过想象或联想，直接关联至另外的后继概念，形成的具有偏序关系的思维基本信息单元。3.根据权利要求2所述的方法，其特征在于，所述步骤S2中，根据获取的所述原始数据构建思维概念图模型，根据所述思维概念图模型确定分析主题，包括：S21：根据获取的数据，通过对概念对执行前向扩展、后向扩展或双向扩展过程，生成思维序列；S22：将具有相同概念起点或终点的所述思维序列进行连接，得到思维概念图模型；S23：计算不同所述思维序列间相似度，利用思维序列相似度结果对分析问题进行聚集；S24：计算不同分析问题间相似度，利用分析问题相似度结果确定分析主题。4.根据权利要求3所述的方法，其特征在于，所述步骤S2还包括：计算思维概念图模型中各节点的概念层次权重，用权重建立各分析主题的特征向量，其中包括：分析问题特征判断阈值、思维序列相似度阈值，、分析问题相似度阈值，。5.根据权利要求4所述的方法，其特征在于，所述步骤S3中，识别不同概念对之间的结构形态特征，根据所述结构形态特征，判定每一个分析主题中包含的数据分析任务，包括：S31：根据分析主题中每个概念节点的概念层次权重，计算各节点的概念特征；S32：将概念特征数值较大的节点识别为概念中心，根据各概念中心节点的出度和入度，以及不同数据分析任务的结构形态特征，进行数据分析任务判定；其中，出度为概念中心直接可达的节点总数；入度为直接可达概念中心的节点总数。6.根据权利要求5所述的方法，其特征...

【专利技术属性】
技术研发人员：王艾，高学东，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：