时空认知图谱生成方法技术

本发明专利技术提供了一种时空认知图谱生成方法，包括：以获取的知识图谱构建架构，所述知识图谱为预构建的；将获取的训练关系认知样本输入架构中，从而建立网络图神经深度学习模型和网络图神经网络训练及网络决策模型，形成自演进学习机制，使知识图谱中的每个时空网格均能作为分析认知的模块，从而生成时空认知图谱系统。通过基于知识图谱构建架构，并将获取的训练关系认知样本输入架构中，形成自演进学习机制，使知识图谱中的每个时空网格均能作为分析认知的模块，从而达到满足大数据时代下支持全域时空知识自适应表达的目的。域时空知识自适应表达的目的。域时空知识自适应表达的目的。

【技术实现步骤摘要】
时空认知图谱生成方法


[0001]本专利技术属于数据建模
，尤其是涉及一种时空认知图谱生成方法。

技术介绍

[0002]传统的语义知识图谱采用基于“实体—关系”的数据表达，对实体和概念节点以及逻辑关系知识具有稳定的存储管理和推理应用能力，但其不支持地理时空节点(含时空实体和时间空间数据)的表达；不具备高效的时空推理、计算和管理能力。
[0003]现有的时空知识图谱中引入的面向实体的GIS模型进行空间对象组织的方法无法满足大数据时代下对时空知识图谱支持全域时空知识自适应表达、支持多源异构数据甚至多模态数据、支持群智协同的图谱演进、支持机器挖掘的动态知识获取等要求。
[0004]现有的、面向时空知识图谱中引入GIS模型进行空间对象组织的方法(面向实体的GIS或剖分网格GIS等)无法满足大数据时代下对时空知识图谱支持全域时空知识自适应表达、支持多源异构数据(甚至多模态数据)、支持群智协同的图谱演进、支持机器挖掘的动态知识获取等要求。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术提供了一种时空认知图谱生成方法，至少部分的解决现有技术中存在的无法满足大数据时代下支持全域时空知识自适应表达的问题。
[0006]本公开实施例提供了一种时空认知图谱生成方法，包括：
[0007]以获取的知识图谱构建架构，所述知识图谱为预构建的；
[0008]将获取的训练关系认知样本输入架构中，从而建立网络图神经深度学习模型和网络图神经网络训练及网络决策模型，形成自演进学习机制，使知识图谱中的每个时空网格均能作为分析认知的模块，从而生成时空认知图谱系统。
[0009]可选的，所述时空认知图谱系统，包括：
[0010]多目标行为意图挖掘模块、多源态势时空融合关联模块、关联知识自主协同分发模块和图谱信息可视化模块。
[0011]可选的，所述多目标行为意图挖掘模块，用于以知识图谱实体为神经单元，构建神经网络，对每个图谱实体进行数据搜集；
[0012]以及设置神经单元初始参数，结合对相似目标类型或相似场景历史目标场景，进行机器训练，实现当前环境下目标行为意图与未来关系预测。
[0013]可选的，所述目标行为意图，包括盲区关系智能补全和多目标意图识别；
[0014]所述盲区关系智能补全为基于深度学习，依据不完善时空信息，对中心实体的时空关系进行推理补全，预测目前条件下不相连的一对实体之间的关系，实现危险环境区域下瞬时关系的演化提取；
[0015]所述多目标意图识别为基于网格时空数据图的轨迹预测，构建多目标实体情况下的意图态势挖掘架构，对动作意图依据实体关系与位置编码嵌入模型进行有效快速的判
断，实现时空图谱的智能认知。
[0016]可选的，所述多源态势时空融合关联模块，用于结合时空剖分网格计算体系，将多源异构的情报数据转变为知识元组，构建环境的运行奖励空间；
[0017]以及通过策略迭代，交替进行评估与改进操作，对图谱实体进行最优策略选定，从多个维度提取先验知识，实现目标的智能识别、计算和关联。
[0018]可选的，所述知识元组，包括目标、属性、时间和位置。
[0019]可选的，所述关联知识自主协同分发模块，用于基于时空认知图谱，进行实体关系梳理，完成知识的时空状态学习，得到当前知识的重点关注实体及其关系密切实体；
[0020]根据用户日常操作习惯和关注角度，构建知识图谱边权重优化嵌入模型，学习出各用户重点关注的关联信息内容；
[0021]以及依据知识推荐的数据聚合能力，将相关信息主动推送给相应用户，为实现关联知识的自主协同分发提供支撑。
[0022]可选的，所述图谱信息可视化模块，用于依据网格时空知识图谱基础通用平台，构建图谱可视化展示功能，供用户进行清晰准确的分析与判断。
[0023]可选的，所述图谱信息可视化模块包括热点区时空网格知识图谱、全球时空网格知识图谱和决策指挥认知图谱。
[0024]可选的，所述热点区时空网格知识图谱包含局部管控区域实时划设与区域实体关系快速推理；
[0025]所述全球时空网格知识图谱包含全球关联目标实体点灯与全球时间网格切片推演；
[0026]所述决策指挥认知图谱包含用户画像与消息推送。
[0027]本专利技术提供的时空认知图谱生成方法，通过基于知识图谱构建架构，并将获取的训练关系认知样本输入架构中，形成自演进学习机制，使知识图谱中的每个时空网格均能作为分析认知的模块，从而达到满足大数据时代下支持全域时空知识自适应表达的目的。
附图说明
[0028]通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。
[0029]图1为本公开实施例提供的时空认知图谱系统的原理框图；
[0030]图2为本公开实施例提供的多目标行为意图挖掘模块的原理框图；
[0031]图3为本公开实施例提供的多源态势时空融合关联模块示意图；
[0032]图4为本公开实施例提供的关联知识自主协同分发模块的原理框图；
[0033]图5为本公开实施例提供的热点区时空网格知识图谱可视化展视示意图；
[0034]图6为本公开实施例提供的全球时空网格知识图谱可视化展视示意图；
[0035]图7为本公开实施例提供的决策指挥认知图谱可视化展视示意图；
[0036]图8为本公开实施例提供的一种电子设备的原理框图。
具体实施方式
[0037]下面结合附图对本公开实施例进行详细描述。
[0038]应当明确，以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0039]需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
[0040]还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时空认知图谱生成方法，其特征在于，包括：以获取的知识图谱构建架构，所述知识图谱为预构建的；将获取的训练关系认知样本输入架构中，从而建立网络图神经深度学习模型和网络图神经网络训练及网络决策模型，形成自演进学习机制，使知识图谱中的每个时空网格均能作为分析认知的模块，从而生成时空认知图谱系统。2.根据权利要求1所述的时空认知图谱生成方法，其特征在于，所述时空认知图谱系统，包括：多目标行为意图挖掘模块、多源态势时空融合关联模块、关联知识自主协同分发模块和图谱信息可视化模块。3.根据权利要求2所述的时空认知图谱生成方法，其特征在于，所述多目标行为意图挖掘模块，用于以知识图谱实体为神经单元，构建神经网络，对每个图谱实体进行数据搜集；以及设置神经单元初始参数，结合对相似目标类型或相似场景历史目标场景，进行机器训练，实现当前环境下目标行为意图与未来关系预测。4.根据权利要求3所述的时空认知图谱生成方法，其特征在于，所述目标行为意图，包括盲区关系智能补全和多目标意图识别；所述盲区关系智能补全为基于深度学习，依据不完善时空信息，对中心实体的时空关系进行推理补全，预测目前条件下不相连的一对实体之间的关系，实现危险环境区域下瞬时关系的演化提取；所述多目标意图识别为基于网格时空数据图的轨迹预测，构建多目标实体情况下的意图态势挖掘架构，对动作意图依据实体关系与位置编码嵌入模型进行有效快速的判断，实现时空图谱的智能认知。5.根据权利要求2所述的时空认知图谱生成方法，其特征在于，所述多源态势时空融合关联模块，用于...

【专利技术属性】
技术研发人员：刘杰，任伏虎，韩炳，伍学民，王丽娜，王飞，
申请(专利权)人：北斗伏羲中科数码合肥有限公司，
类型：发明
国别省市：