基于时空超图的关联信息挖掘方法技术

本发明专利技术涉及一种基于时空超图的关联信息挖掘方法，属于目标关联技术领域。包含三部分，第一部分为对全符号式的图结构数据表示和全分布的图结构数据表示融合转化为符号

【技术实现步骤摘要】
基于时空超图的关联信息挖掘方法


[0001]本专利技术属于目标关联
，具体为提出利用时空图网络和超图进行目标态势表征和关联挖掘的方法。

技术介绍

[0002]关联挖掘即对于两个或多个事物之间根据其自身和相互之间的信息从而得到两两之间的关系。物体之间的关系随着时间和空间的变化而变化，并且物体相互之间的信息也既随着时间维度的变化而变化也会随着空间位置的变化而变化。这要求网络需要全面整合时间维度和空间维度的信息。
[0003]对于图网络，传统的方法有图神经网络(Graph Neural Networks)即简单地将自身的信息向相邻节点平等地传递、卷积图神经网络(Graph Convolution Networks)即将欧式空间中的卷积思想应用到图网络中、注意力机制图网络(Graph Attention Networks)解决了图神经网络中结点将自己相邻结点平等看待的问题，通过注意力机制使得结点向和自己关系紧密的相邻结点传递更多的信息。但这些图网络存在的最大的问题在于其仅仅针对一张静态图，未从时间的维度考虑，即图可能发生结点和结点边忽然产生或者消失，使得整个图结构发生巨大的变化。而结合了时间考虑的方法如时序卷积图神经网络(Temporal
‑
Graph Networks)但该方法仅仅关注了图中结点的信息，忽略了结点之间边的作用。除此之外上述的方法仅仅针对低阶信息进行分析，如交通流量图网络中仅结点包含流量大小、车道占用率以及速度作为信息。而真实空间中结点具有更为高阶的信息，比如物体的所属人、用途等等。这些是上述研究中所欠缺的。同时这种时空图网络中虽然结点和边的属性随时间的变化确实能够得到学习，但是由于结点一边设置为某个真实的地点，即整个图结构不会发生任何变化，存在一定的局限性。

技术实现思路

[0004]要解决的技术问题
[0005]为了避免现有技术的不足之处，本专利技术提供一种基于时空超图的关联信息挖掘方法。
[0006]技术方案
[0007]一种基于时空超图的关联信息挖掘方法，其特征在于步骤如下：
[0008]步骤1：对全符号式的图结构数据表示和全分布的图结构数据表示融合转化为符号
‑
分布混合式图结构数据表示；融合后的图中的结点代表不同的物体，结点信息包含低阶信息和高阶信息；使用超图的方法，将高阶信息放入集群层用于辨别目标集群间的相互关联，低阶信息放入目标层用于辨别目标卫星之间的关联；集群层和目标层之间通过超边相连接，所述的超边表征连接的多个卫星群间的关联；
[0009]步骤2：将融合后的图带入时序卷积图神经网络TGN进行学习；
[0010]使用时序卷积图神经网络TGN进行学习，即对每个时间戳上进行空间维度的信息
传递和时间维度的信息融合；所述的空间维度的信息传递是每个结点学习相邻结点的信息，每个结点向相邻的结点传递自身的信息；所述的时间维度的信息融合是综合结点前n个时间戳的信息，进行学习并更新；
[0011]步骤3：将更新后的结点的特征表达向量z
i
(t)、z
j
(t)进行拼接作为边的特征向量通过多层感知机MLP输出网络对于结点之间的关系的预测：
[0012]p((i,j)|t)＝MLP(z
i
(t)||z
j
(t))。
[0013]本专利技术进一步的技术方案：步骤1具体如下：全符号式的图结构数据表示和全分布式的图数据结构表示通过符号
‑
向量转换机制转化为符号
‑
分布式图结构数据表示；其中T
v
表示结点中符号数据转变为向量数据的函数，T
e
表示边中符号数据变为向量数据的函数，和为T
v
和T
e
的逆运算，h
i
和h
i,j
分别表示结点i、结点i和结点j之间的边的符号数据，l
i
和l
i,j
分别表示结点i、结点i和结点j之间的边的向量数据。
[0014]本专利技术进一步的技术方案：步骤2具体如下：
[0015]第一步对t时刻每一个结点，需要t
‑
1时刻该结点和其相邻结点以及边的信息进行消息传递，计算方式如下：
[0016]m
i
(t)＝msg(s
i
(t
‑
1),s
j
(t
‑
1),e
ij
(t
‑
1))
[0017]其中m
i
(t)是t时刻i结点的信息，s
i
(t
‑
1)是t
‑
1时刻i结点的信息，s
j
(t
‑
1)是与i结点相邻的j结点的信息，msg为消息传递函数，这里采用拼接的方式即：
[0018]m
i
(t)＝s
i
(t
‑
1)||s
j
(t
‑
1)||e
ij
(t
‑
1))
[0019]第二步是从时间维度上进行聚合，计算方式如下：
[0020][0021]其中agg表示聚合函数，即将结点i之前时间戳考虑进来聚合操作，这里的聚合函数采用LSTM网络；
[0022]第三步通过i结点上一时刻的信息和第二步得到的可以得到i的最终信息，计算方式如下：
[0023][0024]其中mem表示更新函数，其中采取自注意力进行函数的学习；
[0025]第四步进行embedding操作，将相邻结点的信息进行嵌入，更新结点的信息，计算方式如下：
[0026][0027]其中h为一个可学习函数。
[0028]一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
[0029]一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被
执行时用于实现上述的方法。
[0030]有益效果
[0031]本专利技术提供的一种基于时空超图的关联信息挖掘方法，采用Temporal Graph Networks(时序图网络)模型和超图来分别提取时空信息和高阶信息，通过消息传播机制对信息进行特征融合，最终确定目标之间的关联信息。该方法能够结合时间和空间两个维度，对低阶和高阶的信息进行学习，从而较为精准地预测出结点之间的关系。
附图说明
[0032]附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。
[0033]图1符号式、分布式数据融合图；
[0034]图2时空超图网络结构图；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空超图的关联信息挖掘方法，其特征在于步骤如下：步骤1：对全符号式的图结构数据表示和全分布的图结构数据表示融合转化为符号
‑
分布混合式图结构数据表示；融合后的图中的结点代表不同的物体，结点信息包含低阶信息和高阶信息；使用超图的方法，将高阶信息放入集群层用于辨别目标集群间的相互关联，低阶信息放入目标层用于辨别目标卫星之间的关联；集群层和目标层之间通过超边相连接，所述的超边表征连接的多个卫星群间的关联；步骤2：将融合后的图带入时序卷积图神经网络TGN进行学习；使用时序卷积图神经网络TGN进行学习，即对每个时间戳上进行空间维度的信息传递和时间维度的信息融合；所述的空间维度的信息传递是每个结点学习相邻结点的信息，每个结点向相邻的结点传递自身的信息；所述的时间维度的信息融合是综合结点前n个时间戳的信息，进行学习并更新；步骤3：将更新后的结点的特征表达向量z
i
(t)、z
j
(t)进行拼接作为边的特征向量通过多层感知机MLP输出网络对于结点之间的关系的预测：p((i,j)|t)＝MLP(z
i
(t)||z
j
(t))。2.根据权利要求1所述的基于时空超图的关联信息挖掘方法，其特征在于：步骤1具体如下：全符号式的图结构数据表示和全分布式的图数据结构表示通过符号
‑
向量转换机制转化为符号
‑
分布式图结构数据表示；其中T
v
表示结点中符号数据转变为向量数据的函数，T
e
表示边中符号数据变为向量数据的函数，和为T
v
和T
e
的逆运算，h
i
和h
i,j
分别表示结点i、结点i和结点j之间的边的符号数据，l
i
和l
i,j
分别表示结点i、结点i和结点j之间的边的向量数据。3.根据权利要...

【专利技术属性】
技术研发人员：王鹏，张志鹏，张一淼，张艳宁，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：