【技术实现步骤摘要】
本专利技术涉及数据处理，特别是指一种多元时空数据因果级联模式挖掘方法及系统。
技术介绍
1、对多元时空数据进行时空关联模式挖掘对智能交通、环境监测、公共安全等现实问题具有重要意义。时空级联模式是时空关联模式一种特殊形式，时空级联模式在空间邻近关系的基础上，重点考虑了多个空间之间时空事件在时间上发生的先后次序，其有助于更好地认识时空数据中潜在的传播过程。
2、现有的时空级联模式挖掘方法主要基于时间序列模式挖掘，将序列数据中模式的关联关系扩展到了多元时空数据中，根据多元时空数据的自相关性和时滞性来提取模式随时间和空间的传播规律。根据模式挖掘中考虑级联时空关系的方法，将现有方法大致分为两类：一类是基于统计学检验的时空模式挖掘方法，如st-mst通过计算频繁度及聚类挖掘时空模式，并根据显著性检验分析有价值的模式。另一类是基于级联传播概率与传递树模型的级联模式挖掘方法，如针对交通拥堵事件的casinf算法通过事件的时间邻近性和空间邻近性挖掘可能的级联模式，并通过构建传递树挖掘概率最大的时空级联网络。
3、然而上述时空级联模式挖掘算法忽略了多变量之间的互相关性，并且现有时空级联模式挖掘方法仅仅根据时空事件发生的时间先后顺序以及模式发生的频繁度来构建级联模式，忽略了多元时空数据的因果性，导致挖掘出的级联模式可靠性并不高。另外，尽管pg-causality结合了频繁模式挖掘和高斯贝叶斯学习网络的优势，首先捕获时空数据中的频繁演化模式，并通过基于贝叶斯学习筛选出可靠的时空因果关系，进而有效地识别时空因果路径。然而频繁演化模
技术实现思路
1、针对上述问题，本专利技术的目的在于提供一种多元时空数据因果级联模式挖掘方法及系统，通过将变时滞格兰杰因果推断模型与级联模式挖掘算法结合，提出一种变时滞格兰杰因果级联模式挖掘算法(variable lag granger causality cascade inferencealgorithm, vlgc-casinf)，以精准提取多元时空数据中的因果级联模式。所述技术方案如下：
2、一方面，提供了一种多元时空数据因果级联模式挖掘方法，所述方法包括以下步骤：
3、s1、采集多元时空数据；
4、s2、对多元时空数据进行时滞感知分段，得到多个子序列，并将多个子序列定义为多元时空事件数据集；
5、s3、建立两个不同事件之间的因果级联传播概率，选取因果级联传播概率大于设定阈值的因果级联模式；
6、s4、根据挖掘出的所有因果级联模式，构建动态因果级联网络；
7、s5、从动态因果级联网络中根据因果级联模式的频繁度筛选出常规化因果级联网络。
8、可选地，所述步骤s1中，多元时空数据是由传感器采集的具有空间信息的时空数据序列，包括环境监测数据、交通数据。
9、可选地，所述步骤s2具体包括：
10、假设n个空间位置在t个时刻内观测的p个变量的多元时空数据为x；基于mvlamts分段算法对多元时空数据x进行时滞感知分段，划分为多个子序列；将分段结果中第i个空间位置的第p个变量在时间区间[ts,te]的子序列定义为事件；
11、其中，1≤i≤n，1≤p≤p，1≤ts<te≤t。
12、可选地，所述步骤s3中，建立两个不同事件之间的因果级联传播概率具体包括：
13、对于多元时空事件数据集中的任意两个事件，在级联模式挖掘的基础上通过变时滞格兰杰因果方法分析两个事件对应的子序列之间是否存在因果关联关系，并计算两个事件之间的因果级联传播概率；
14、其中，所述计算两个事件之间的因果级联传播概率包括级联概率计算和因果关系推断。
15、可选地，所述步骤s3中，选取因果级联传播概率大于设定阈值的因果级联模式具体包括：
16、对于任意一个空间位置j中的变量q在时间区间[ts’,te’]的时空事件，假设空间位置i中的变量p在时间区间[ts,te]的时空事件对其的因果级联传播概率最大且大于设定阈值γ，那么定义为一个因果级联模式。
17、可选地，所述步骤s4具体包括：
18、将挖掘出的所有因果级联模式发生的空间位置、变量进行串联，构建动态因果级联网络。
19、可选地，所述步骤s5具体包括：
20、设置因果级联网络连接的频繁度阈值min_freq，计算所有时段中动态因果级联网络中频繁度大于min_freq的因果级联模式，作为常规化因果级联模式，将所有常规化因果级联模式串联，得到常规化因果级联网络。
21、另一方面，提供了一种多元时空数据因果级联模式挖掘系统，用于实现上述任一项所述的方法，所述系统包括：
22、数据采集模块，用于采集多元时空数据；
23、数据处理模块，用于对多元时空数据进行时滞感知分段，得到多个子序列，并将多个子序列定义为多元时空事件数据集；
24、因果级联模式挖掘模块，用于建立两个不同事件之间的因果级联传播概率，选取因果级联传播概率大于设定阈值的因果级联模式；根据挖掘出的所有因果级联模式，构建动态因果级联网络；从动态因果级联网络中根据因果级联模式的频繁度筛选出常规化因果级联网络。
25、可选地，所述数据采集模块包括传感器组件、串口服务器，管理工作站、接口服务器、信息中心存储服务器、平台核心交换机；
26、其中，所述传感器组件通过所述串口服务器连接所述管理工作站，所述管理工作站连接所述接口服务器，所述接口服务器通过单向隔离网关连接所述信息中心存储服务器，所述信息中心存储服务器通过光纤连接所述平台核心交换机，所述平台核心交换机连接多个云计算节点和web服务器。
27、可选地，所述系统还包括监控app，所述监控app包括：客户端、服务器端和系统管理后台；
28、所述客户端用于用户注册和登录、在线查询、修改以及退出登录；所述服务器端用于注册和登录验证以及对数据的传输、增加、修改和删除功能；所述系统管理后台用于管理数据库。
29、另一方面，提供了一种电子设备，所述电子设备包括：
30、处理器；
31、存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器加载并执行时，实现如上述多元时空数据因果级联模式挖掘方法的步骤。
32、另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，所述程序代码可被处理器调用执行如上述多元时空数据因果级联模式挖掘方法的步骤。
33、本专利技术提供的技术方案带来的有益效果至少包括：
34、本专利技术实施例中，为精准提取多元时空数据中的因果级联模式，在对其完成时滞感知分段后，首先将现有的单变量级联模式挖掘算法扩展到多元时空数据中，其次将变时滞格兰杰因果推断模型与多元时空级联模式挖掘方本文档来自技高网...
【技术保护点】
1.一种多元时空数据因果级联模式挖掘方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多元时空数据因果级联模式挖掘方法，其特征在于，所述步骤S1中，多元时空数据是由传感器采集的具有空间信息的时空数据序列，包括环境监测数据、交通数据。
3.根据权利要求1所述的多元时空数据因果级联模式挖掘方法，其特征在于，所述步骤S2具体包括：
4.根据权利要求1所述的多元时空数据因果级联模式挖掘方法，其特征在于，所述步骤S3中，建立两个不同事件之间的因果级联传播概率具体包括：
5.根据权利要求1所述的多元时空数据因果级联模式挖掘方法，其特征在于，所述步骤S3中，选取因果级联传播概率大于设定阈值的因果级联模式具体包括：
6.根据权利要求1所述的多元时空数据因果级联模式挖掘方法，其特征在于，所述步骤S4具体包括：
7.根据权利要求1所述的多元时空数据因果级联模式挖掘方法，其特征在于，所述步骤S5具体包括：
8.一种多元时空数据因果级联模式挖掘系统，所述系统用于实现如权利要求1至7中任一项所述的方法，其特征在于，
9.根据权利要求8所述的多元时空数据因果级联模式挖掘系统，其特征在于，所述数据采集模块包括传感器组件、串口服务器，管理工作站、接口服务器、信息中心存储服务器、平台核心交换机；
10.根据权利要求8所述的多元时空数据因果级联模式挖掘系统，其特征在于，所述系统还包括监控APP，所述监控APP包括：客户端、服务器端和系统管理后台；
...【技术特征摘要】
1.一种多元时空数据因果级联模式挖掘方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多元时空数据因果级联模式挖掘方法，其特征在于，所述步骤s1中，多元时空数据是由传感器采集的具有空间信息的时空数据序列，包括环境监测数据、交通数据。
3.根据权利要求1所述的多元时空数据因果级联模式挖掘方法，其特征在于，所述步骤s2具体包括：
4.根据权利要求1所述的多元时空数据因果级联模式挖掘方法，其特征在于，所述步骤s3中，建立两个不同事件之间的因果级联传播概率具体包括：
5.根据权利要求1所述的多元时空数据因果级联模式挖掘方法，其特征在于，所述步骤s3中，选取因果级联传播概率大于设定阈值的因果级联模式具体包括：
6....
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。