时空数据的预测方法技术

本发明专利技术涉及物联网技术领域，公开了一种时空数据的预测方法

【技术实现步骤摘要】
时空数据的预测方法、装置、计算机设备及存储介质


[0001]本专利技术涉及物联网
，具体涉及一种时空数据的预测方法
、
装置
、
计算机设备及存储介质
。

技术介绍

[0002]快速的城市化进程带来了大量的数据需要处理，而这些数据在时空尺度上是不断变化的
。
从空间角度看，不同城市区域之间的一些内在相互作用，如人流
、
车流，可能对城市交通预测层面有很大的影响；从时间角度看，一些城市地区的一些事件呈现出周期性甚至季节性的波动模式，如未来的交通流量过去和当前的交通流量有关
。
[0003]目前，时空数据预测问题多是通过时空图卷积网络来完成，但基于大规模时空数据训练时空图卷积网络需要较高的时间成本
。
为了降低训练所需的时间成本，通常采用图粗化将某些节点合并为超节点
(
即粗化后的节点
)
以减少网络规模，但图粗化仅是针对时空特征数据的扁平化处理，这样会导致空间特征的丢失，从而造成难以准确预测时空数据的问题
。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种时空数据的预测方法
、
装置
、
计算机设备及存储介质，以解决难以准确预测时空数据的问题
。
[0005]第一方面，本专利技术提供了一种时空数据的预测方法，包括：获取时空数据的原始拓扑网络，原始拓扑网络包括多个原始节点；基于每个原始节点的时空特征数据，对原始拓扑网络进行粗化处理，生成粗化拓扑网络，粗化拓扑网络中包括多个粗化节点，每个粗化节点为至少一个原始节点融合得到的；对粗化节点所融合的时空特征数据进行编码，生成粗化编码网络；将粗化编码网络输入至预设时空预测模型中，通过预设时空预测模型输出时空预测网络，其中，预设时空预测模型是基于粗化编码网络样本与时空预测网络样本训练得到的；对时空预测网络对应的时空预测数据进行解码，生成目标预测网络进行时空数据的预测
。
[0006]本专利技术实施例提供的时空数据的预测方法，在对原始拓扑网络进行粗化处理处理时，对粗化节点所融合的时空特征数据进行编码，生成粗化编码网络，由此能够将高维稀疏数据嵌入到低维密集张量的形式中，以表示粗化后的时空数据特征，通过自编码的形式充分学习原始拓扑网络中不同节点间的空间关系，从而不会丢失空间特征，进一步的减少了大规模时空数据在时空预测模型上训练计算开销
。
继而，结合训练得到的预设时空预测模型输出对应于粗化编码网络的时空预测网络，并对该时空预测网络进行解码，以将低维密集张量恢复到原始拓扑网络的数据结构，获取到时空数据的预测结果，从而在一定程度上利用了原始拓扑网络的空间特征，提高了时空数据的预测准确度
。
[0007]在一种可选的实施方式中，基于每个原始节点的时空特征数据，对原始拓扑网络进行粗化处理，生成粗化拓扑网络，包括：获取每个原始节点对应的至少一个邻居节点；基
于时空特征数据，确定每个原始节点及其邻居节点之间的特征相似度；基于特征相似度确定融合节点集，融合节点集为原始节点与相邻节点构成的节点集；根据融合节点集对原始拓扑网络进行粗化处理，生成粗化拓扑网络
。
[0008]本专利技术实施例提供的时空数据的预测方法，利用时空特征数据之间的特征相似度确定原始节点及其邻居节点的融合，生成多个粗化节点构成的融合节点集，根据该融合节点集对原始拓扑网络进行粗化，以将大规模的时空数据压缩成由粗化节点构成的粗化拓扑网络，使得粗化拓扑网络能够保持原始拓扑网络的原有特征，能够提升时空数据预测的准确性
。
[0009]在一种可选的实施方式中，基于时空特征数据，确定每个原始节点及其邻居节点之间的特征相似度，包括：基于每个原始节点及其邻居节点对应的时空特征数据，确定每个原始节点及其邻居节点对应的度，以及每个原始节点与邻居节点之间的边向量；基于度与边向量，确定每个原始节点及其邻居节点之间的谱距离；将谱距离确定为特征相似度
。
[0010]本专利技术实施例提供的时空数据的预测方法，结合每个原始节点及其邻居节点的时空数据，确定每个原始节点及其邻居节点之间的谱距离
。
利用谱距离确定的节点之间的特征相似度，以便于准确的进行节点粗化处理
。
[0011]在一种可选的实施方式中，基于特征相似度确定融合节点集，包括：对每个原始节点对应的各个特征相似度进行排序，确定出每个原始节点对应的最大特征相似度以及最大特征相似度对应的目标邻居节点；将每个原始节点及其对应目标邻居节点合并为融合节点集
。
[0012]本专利技术实施例提供的时空数据的预测方法，通过对比特征相似度以确定出能够与原始节点相融合的目标邻居节点，最大程度上保证了节点的融合准确性
。
[0013]在一种可选的实施方式中，对粗化节点所融合的时空特征数据进行编码，生成粗化编码网络，包括：获取粗化节点对应的原始节点融合顺序；按照原始节点融合顺序对粗化节点所融合的时空特征数据进行编码，生成嵌入式特征张量；根据嵌入式特征张量构建粗化编码网络
。
[0014]本专利技术实施例提供的时空数据的预测方法，由于粗化节点是由多个原始节点融合得到，利用原始节点的融合顺序对粗化节点所融合的时空特征数据进行编码，以构建粗化编码网络，实现了将大规模时空数据编码为更小的网络，并能够保持原始拓扑网络的原有特征
。
[0015]在一种可选的实施方式中，基于粗化编码网络样本与时空预测网络样本训练预设时空预测模型，包括：获取时空数据的预设时间序列长度以及粗化编码网络样本包含的粗化节点的数量；基于预设时间序列长度和粗化节点的数量，构建时空预测网络样本对应的特征矩阵；对粗化编码网络样本与特征矩阵进行拟合训练，得到粗化编码网络样本与特征矩阵之间的映射函数；将映射函数确定为预设时空预测模型
。
[0016]本专利技术实施例提供的时空数据的预测方法，通过预先训练粗化编码网络样本与特征矩阵之间的映射函数，以确定预设时空预测模型，此处采用粗化编码网络样本进行模型训练，促进了大规模时空数据的预测，加快了时空预测模型的训练速度
。
[0017]在一种可选的实施方式中，对时空预测网络对应的时空预测数据进行解码，生成目标预测网络进行时空数据的预测，包括：对时空预测网络中各个节点对应的时空预测数
据进行解码，恢复时空预测数据的原始数据结构；基于原始数据结构，生成目标预测网络；通过目标预测网络对时空数据进行预测，得到时空数据预测结果
。
[0018]本专利技术实施例提供的时空数据的预测方法，时空预测网络中的各个节点对应于各个粗化节点，通过对各个节点所融合的时空数据进行解码，以恢复到原始数据结构，从而实现了针对于时空数据的有效预测
。
[0019]第二方面，本专利技术提供了一种时空数据的预测装置，包括：获取模块，用于获取时空数据的原始拓扑网络，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种时空数据的预测方法，其特征在于，所述方法包括：获取时空数据的原始拓扑网络，所述原始拓扑网络包括多个原始节点；基于每个原始节点的时空特征数据，对所述原始拓扑网络进行粗化处理，生成粗化拓扑网络，所述粗化拓扑网络中包括多个粗化节点，每个所述粗化节点为至少一个所述原始节点融合得到的；对所述粗化节点所融合的时空特征数据进行编码，生成粗化编码网络；将所述粗化编码网络输入至预设时空预测模型中，通过所述预设时空预测模型输出时空预测网络，其中，所述预设时空预测模型是基于粗化编码网络样本与时空预测网络样本训练得到的；对所述时空预测网络对应的时空预测数据进行解码，生成目标预测网络进行时空数据的预测
。2.
根据权利要求1所述的方法，其特征在于，所述基于每个原始节点的时空特征数据，对所述原始拓扑网络进行粗化处理，生成粗化拓扑网络，包括：获取所述每个原始节点对应的至少一个邻居节点；基于所述时空特征数据，确定所述每个原始节点及其所述邻居节点之间的特征相似度；基于所述特征相似度确定融合节点集，所述融合节点集为所述原始节点与所述相邻节点构成的节点集；根据所述融合节点集对所述原始拓扑网络进行粗化处理，生成所述粗化拓扑网络
。3.
根据权利要求2所述的方法，其特征在于，所述基于所述时空特征数据，确定所述每个原始节点及其所述邻居节点之间的特征相似度，包括：基于每个原始节点及其所述邻居节点对应的所述时空特征数据，确定每个原始节点及其所述邻居节点对应的度，以及所述每个原始节点与所述邻居节点之间的边向量；基于所述度与所述边向量，确定所述每个原始节点及其所述邻居节点之间的谱距离；将所述谱距离确定为所述特征相似度
。4.
根据权利要求2或3所述的方法，其特征在于，所述基于所述特征相似度确定融合节点集，包括：对所述每个原始节点对应的各个所述特征相似度进行排序，确定出所述每个原始节点对应的最大特征相似度以及所述最大特征相似度对应的目标邻居节点；基于所述每个原始节点及其对应所述目标邻居节点确定所述融合节点集
。5.
根据权利要求1所述的方法，其特征在于，所述对所述粗化节点所融合的时空特征数据进行编码，生成粗化编码网络，包括：获取所述粗化节点对应的原始节点融合顺序；按照所述原始节点融合顺序对所述粗化节点所融合的时空特征数据进行编码，生成嵌入式特...

【专利技术属性】
技术研发人员：彭磊，王一轩，杨旸，舒洪峰，刘琪，
申请(专利权)人：深圳市智慧城市科技发展集团有限公司鹏城实验室，
类型：发明
国别省市：