一种基于现实网络图的图神经网络的城市数据实时管理方法及其系统技术方案

本发明专利技术涉及一种基于现实网络图的图神经网络的城市数据实时管理方法及其系统，其中方法包括如下步骤：S1建立城市传感器现实网络3D模型；S2根据S1建立的3D模型建立3D图神经网络；S3将S1中的各类传感器代表的多协议数据传送到服务器中，并基于3D图神经网络构建注意力模型，建立数据异常的感知模型；S4所述服务器利用S3建立的感知模型实现各类传感器产生的多协议数据的异常监测。实现了城市中大气温度和地面温度、大气湿度和路段上空气湿度、水位、水质、有害气体泄露、汽车尾气、指示当地(local)温度、湿度的高效、精确的多协议大数据的管理。的管理。的管理。

【技术实现步骤摘要】
一种基于现实网络图的图神经网络的城市数据实时管理方法及其系统


[0001]本专利技术涉及一种城市数据实时接入方法，尤其使用一种基于现实网络图的图神经网络的算法实现城市中各传感数据的接入和访问的管理，属于大数据人工智能处理分析领域。

技术介绍

[0002]城市作为生活的空间载体，涉及到日常生活的必须要素中，气温、湿度、水体水位、水质、大气污染物指标、电能、燃气能、用水量等属于最为关注的参数指标。这些参数指标尤其分管到多个政府职能或社会单元(包括机构、企业厂房、小区、大楼)。不能实现数据的统一管理，用户需要获知这些数据时，都需要将精力分散到多个平台上进行访问查询，以获得或下载记录数据，从而实现统计研究，为生活生产提供指导意义。
[0003]另一方面，这些数据所依赖的传感器，尤其是气温、湿度这些参数不像其他的水体水位、水质、大气污染物指标、电能、燃气能、用水量能需要或能够由，且已经长期由专业部门或单位实现测量，其测量方式十分不统一。任何自然人个体，只要具有温度计、湿度计或温湿度计就能检测小至一个房间内的气温和湿度。然而现有技术只关注大气环境的气温和湿度，并非具体细化到每个建筑中和任何关键的场合下，人们各类活动场所中的局部地点的气温和湿度。而人们的体感往往是要依靠自身人体周边附近环境中的具体气温和湿度，而城市整体的其温湿度参考意义并不十分精确体现人的体感。人们需要了解自身所处地点的温度和湿度时，一般都要去查看温度湿度计，从而获知或决定是否需要改变温度和/或湿度，比如实验室、厂房内的温度湿度的保持需求下的监测和改变，往往需要各自的自主调节手段，而不同的社会单元之间则不能实现统一的调节。
[0004]由于参量的监测往往不是由单一一个数据点的与众不同而认定为异常发生。比如由于太阳直射和树荫下，造成地面温差，因此不能认为太阳直射的地方一定产生异常高温，而是要从城市所在经纬度的规定的季节时段下，机器学习区域的整体表现，才能正确判断关心的时段里是否发生了地面温度异常。因此如果采用简单的传感器数据与定位坐标结合作为判断每个地点的参数是否异常的方法，则极大概率会导致误判。因此如何从整体实时监测异常发生，以及具体的地点需要由新的算法来体现。
[0005]因此面对这智慧城市课题的提出和着手实现，考虑如何整合这些数据的同时，切实反映人体周边附近最能直接感受到的参数对应的关键数据，以及这些数据的管理成为物联网结构中需要亟待解决的问题。
[0006]城市中测量上述参数的传感器，都具有固定位置特点，这些固定的传感器在城市地理坐标中稳定地存在，从而在城市中形成节点点阵图，形成现实的网络图。当这些节点属于同一个关心的地区或同一个直属的社会单元时，这些单位节点之间连接边代表的关心或直属的逻辑关系时，即构成的图神经网络。因此现有技术虽然考虑图神经网络中节点和边构成的关系，但仅仅属于抽象的关系网络，并非时空网络。因此未考虑到现实网络图实质上
就能视作图神经网络的现实版。

技术实现思路

[0007]为了解决上述问题，现有技术已经提供大气温度、大气湿度、水位、水质、有害气体泄露监测的宏观监测手段，以及电能、燃气能、用水量代表的水、电、气监测手段，这些手段对应的传感器，位置相对固定，属于公共监测数据，而微观的气温和湿度数据则并未实现实时统计，而两个参数恰是最为能体现实际人体室内体感的指标。因此我们考虑如下两个方面将所有上述数据进行实时的接入、访问、管理，实现大数据智能化统一管理方法。第一，构建城市传感器现实网络3D模型，第二基于3D模型构建3D图神经网络，并将各类传感器的对协议数据实现统一的接入，从而实时获取多协议数据，第三，使用图神经网络实现多协议数据的异常监测。应当注意的是，本专利技术的异常并非仅仅是指超出能够接受范围形成或将会只在潜在事故或损失的数据，还指偏离了希望的数值范围，需要及时矫正到正常或希望范围内的状态。本专利技术的具有指示当地(local)温度、湿度传感器是指这类传感器了能够检测当地位置的温度和/或湿度。
[0008]建议上述考虑，本专利技术一方面提供了一种基于现实网络图的图神经网络的城市数据实时管理方法，其特征在于，包括如下步骤：
[0009]S1建立城市传感器现实网络3D模型；
[0010]S2根据S1建立的3D模型建立3D图神经网络；
[0011]S3将S1中的各类传感器代表的多协议数据传送到服务器中，并基于3D图神经网络构建注意力模型，建立数据异常的感知模型；
[0012]S4所述服务器利用S3建立的感知模型实现各类传感器产生的多协议数据的异常监测。
[0013]关于S1
[0014]S1
‑
1将监测或检测大气温度和地面温度、大气湿度和路段上空气湿度、水位、水质、有害气体泄露、汽车尾气的各类传感器中设置城市定位系统(CCS)，所述CCS根据北斗卫星系统进行精确的传感器定位，以获得各类传感器的位置，或者根据定位人员测量得到的所述各类传感器安装地点或其附近(例如50cm
‑
5m)的地点在城市中的定位，测量方法为：所述定位人员通过激光测距仪测量激光测距仪检测的与传感器表面任选一点之间的距离是否属于50cm
‑
5m之间，如果是则所述定位人员通过北斗卫星定位获知自身所在位置即作为所测量的传感器的位置；
[0015]可以理解的是，CCS测量方法需要在各类传感器中安装能够与北斗卫星实现通讯而获知定位的CCS，位置精确且能够随着传感器的安装位置变化而及时获得定位修改，而定位人员测量则需要人员走动，测量较为麻烦，但无需安装CCS，减少了产品成本，而多了人力成本。两者各有优劣。设置地面温度传感器以指导夏天的洒水车进行降温，降低车辆爆胎危险。
[0016]S1
‑
2将具有指示当地(local)温度、湿度传感器设置在用户任选指定的物品中，并在具有指示当地(local)温度、湿度传感器中或附近(例如50cm
‑
5m)设置CCS，所述物品包括但不限于移动终端(包括智能手机、平板电脑)、电视机、计算机显示器、照明装置和/或空调器附近50cm
‑
5m距离范围内的墙体、手持式温湿度便携检测设备；
[0017]S1
‑
3构建城市3D模型；
[0018]其中S1
‑
3具体包括如下步骤：
[0019]S1
‑3‑
1收集指定的多个城市的遥感卫星图，在遥感卫星图中进行道路的人工标注道路轮廓并颜色填充道路内部，形成人工标记图层；
[0020]S1
‑3‑
2将与人工标记图层有重叠部分的遥感卫星图划分成统一尺寸，225
×
225
‑
1000
×
1000的碎片，将多个城市的遥感卫星图形成的多个多数碎片划分成训练集、验证集，比例为5
‑
3:1
‑
2；
[0021]S1
‑3‑
3将训练集输入D...

【技术保护点】

【技术特征摘要】
1.一种基于现实网络图的图神经网络的城市数据实时管理方法，其特征在于，包括如下步骤：S1建立城市传感器现实网络3D模型；S2根据S1建立的3D模型建立3D图神经网络；S3将S1中的各类传感器代表的多协议数据传送到服务器中，并基于3D图神经网络构建注意力模型，建立数据异常的感知模型；S4所述服务器利用S3建立的感知模型实现各类传感器产生的多协议数据的异常监测。2.根据权利要求1所述的方法，其特征在于，S1具体包括如下步骤：S1
‑
1将监测或检测大气温度和地面温度、大气湿度和路段上空气湿度、水位、水质、有害气体泄露、汽车尾气的各类传感器中设置城市定位系统(CCS)，所述CCS根据北斗卫星系统进行精确的传感器定位，以获得各类传感器的位置，或者根据定位人员测量得到的所述各类传感器安装地点或其50cm
‑
5m的地点在城市中的定位，所述测量的方法为：所述定位人员通过激光测距仪测量激光测距仪检测的与传感器表面任选一点之间的距离是否属于50cm
‑
5m之间，如果是则所述定位人员通过北斗卫星定位获知自身所在位置即作为所测量的传感器的位置；S1
‑
2将具有指示当地(local)温度、湿度传感器设置在用户任选指定的物品中，并在具有指示当地(local)温度、湿度传感器中或附近(例如50cm
‑
5m)设置CCS，所述物品包括移动终端、电视机、计算机显示器、照明装置和/或空调器附近50cm
‑
5m距离范围内的墙体、手持式温湿度便携检测设备；S1
‑
3构建城市3D模型。3.根据权利要求2所述的方法，其特征在于，其中S1
‑
3具体包括如下步骤：S1
‑3‑
1收集指定的多个城市的遥感卫星图，在遥感卫星图中进行道路的人工标注道路轮廓并颜色填充道路内部，形成人工标记图层；S1
‑3‑
2将与人工标记图层有重叠部分的遥感卫星图划分成统一尺寸，225
×
225
‑
1000
×
1000的碎片，将多个城市的遥感卫星图形成的多个多数碎片划分成训练集、验证集，比例为5
‑
3:1
‑
2；S1
‑3‑
3将训练集输入D
‑
LinkNet编码器中经过8
×
8卷积，stride为2，最大池化后三阶残差，将结果进行最大池化作用继续四阶残差，将结果进行最大池化作用继续六阶残差，将结果进行最大池化作用后最后一次三阶残差作用后进入中间部分；S1
‑3‑
4进入D
‑
LinkNet中间部分后以级联模式堆叠的空洞卷积，用来增加网络中心部分特征的感受野并保留详细信息，其中，其中级联模式包括分别连续进行膨胀值为1,2,4,8，连续进行膨胀值为1,2,4,连续进行膨胀值为1,2，进行膨胀值为1的4
×
4的卷积，以及不进行膨胀卷积的三阶残差结果一起进行加和进入解码器；S1
‑3‑
5D
‑
LinkNet解码器中，对于加和后的结果采用转置卷积层进行双重采样，与六阶残差结果加和继续采用转置卷积层进行双重采样，然后继续与四阶残差结果加和再继续采用转置卷积层进行双重采样，接着再继续与三阶残差结果加和再最后一次采用转置卷积层进行双重采样；S1
‑3‑
6将最后一次采用转置卷积层进行双重采样结果进行5
×
5转置卷积后进行膨胀值为1的4
×
4卷积，通过SOFTMAX函数输出识别结果，利用验证集验证正确率以及获得损失函数值，反向传播调整D
‑
LinkNet网络参数，直到正确率和损失函数值稳定，训练完毕；具体
计算时，即将待识别遥感卫星图像相同尺寸的碎片化，并依次输入D
‑
LinkNet中形成道路识别后按输入顺序依次拼接还原即形成道路识别结果，其中道路包括机动车道路、非机动车道路、人行道路、河流、自然湖泊、人工湖泊；其中人行道路应当包括城市中的街道、非机动车道旁的步行道、小区或厂房企业等建筑群区域内部的可以供人或路面交通工具或作业任务工具行走的路；其中损失函数采用识别结果的道路部分的面积与人工标记图层中道路部分的面积差值；S1
‑3‑
7基于S1
‑3‑
1中的多个城市的遥感卫星图形成的训练集，使用无添加层的VGG
‑
16算法作为CNN主干网络提取一系列不同卷积层获得的特征图，特征图是输入图像尺寸的1/2
‑
1/10；同时，通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔，并预测多个建筑的边框，S1
‑3‑
8对于多个建筑中的每一建筑，都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoIAlign算法获得建筑的本地特征图F；S1
‑3‑
9对于每个建筑的所述本地特征图F采用卷积层处理形成多边形边界罩M，再利用卷积层处理形成边界罩M的P个预测顶点，通过与真实的顶点之间的位置均方差作为判断标准，优化CNN网络模型，直到均方差小于预设值，则训练完毕，连同训练完毕的D
‑
LinkNet模型一起构成了现实网络3D模型。4.根据权利要求1
‑
3中任一项所述的方法，其特征在于，S2
‑
1将大气温度和地面温度、大气湿度和路段上空气湿度、水位、水质、有害气体泄露、汽车尾气的各类传感器分别依次分为八个图区，为大气温度图区(即第一图区，后仿此排序)，地面温度图区、大气湿度图区、路段上空气湿度图区、水位图区、水质图区、有害气体泄露图区、汽车尾气图区；并将具有指示当地(local)温度、湿度传感器设为第九图区；S2
‑
2在每一个图区内部形成图区内各传感器节点
‑
服务器节点的边，形成图区内部子图神经网络；从而形成传感器空间上分布，以及节点之间以子图神经网络表示的关系分布的双重图网络，由此将各图区内部子图神经网络作为图神经网络层以分别监测各参数，所有图神经网络层构成3D图神经网络。5.根据权利要求4所述的方法，其特征在于，S3具体包括：对于每一个图神经网络层内，将S1中的各类传感器代表的多协议数据每隔规定的时间间隔传送到服务器中形成数据集，将所述数据集划分为训练集Train＝{(u，Yu)}，验证集Val＝{(u',Yu')}，以及预测异常概率测试集Test＝{(u”,Yu”)},三者比例为1
‑
3:1:3
‑
1，Yu、Yu'、Yu”分别表示节点u、u'、u”的标...

【专利技术属性】
技术研发人员：刘俊伟，郭宝贵，
申请(专利权)人：合肥泰瑞数创科技有限公司，
类型：发明
国别省市：