CN113434483A - 一种基于时空大数据的可视化建模方法及*** - Google Patents
一种基于时空大数据的可视化建模方法及*** Download PDFInfo
- Publication number
- CN113434483A CN113434483A CN202110723530.9A CN202110723530A CN113434483A CN 113434483 A CN113434483 A CN 113434483A CN 202110723530 A CN202110723530 A CN 202110723530A CN 113434483 A CN113434483 A CN 113434483A
- Authority
- CN
- China
- Prior art keywords
- service
- data
- feature
- data set
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空大数据的可视化建模方法及***,其中,所述方法包括:对所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集进行标签化分类,获得第一业务特征数据集;根据所述第一业务特征数据集,获得对应可视化图像数据集;将所述业务时空数据库和所述业务管理指标输入深度卷积神经模型中进行数据训练,获得第一业务时空数据模型;根据所述第一业务周期变化特征对所述第一业务时空数据模型进行增量学习,获得第二业务时空数据模型;根据所述第二业务时空数据模型,对所述第一建设项目信息进行支持管理。解决了现有技术存在业务模型众多且经常变化调整,不利于快速提取数据满足业务需求的技术问题。
Description
技术领域
本发明涉及模型建立领域,尤其涉及一种基于时空大数据的可视化建模方法及***。
背景技术
在智慧城市的建设推进过程中,时空大数据积累的越来越多,时空数据是指具有时间元素并随时间变化而变化的空间数据,是描述地球环境中地物要素信息的一种表达方式。这些时空数据不仅具有明显的空间分布特征,而且具有数据量庞大、非线性以及时变等特征,具有多源、海量、更新快速的综合特点。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术存在业务模型众多且经常变化调整,不利于快速提取数据满足业务需求的技术问题。
发明内容
本申请实施例通过提供一种基于时空大数据的可视化建模方法及***,解决了现有技术存在业务模型众多且经常变化调整,不利于快速提取数据满足业务需求的技术问题,达到通过时空大数据的方式可视化自定义建模,可根据业务变化随时调整业务模型,高效快速从时空大数据中挖掘有价值的信息,进而满足领导决策支持及业务管理需求的技术效果。
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的。
第一方面,本申请实施例提供了一种基于时空大数据的可视化建模方法,所述方法包括:获得第一建设项目信息;获得第一信息分析指令,根据所述第一信息分析指令对所述第一建设项目信息进行业务分析,获得第一分析业务结果;构建业务检索特征决策树;根据所述业务检索特征决策树对所述第一分析业务结果进行检索分类,获得各业务特征信息;根据所述各业务特征信息,确定空间特征数据集、属性特征数据集和时间尺度特征数据集;对所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集进行标签化分类,获得第一业务特征数据集;根据所述第一业务特征数据集,获得对应可视化图像数据集;通过时空大数据平台构建业务时空数据库,所述业务时空数据库包括所述第一业务特征数据集和所述可视化图像数据集;根据第一用户应用需求,获得预定关联度的业务管理指标;将所述业务时空数据库和所述业务管理指标输入深度卷积神经模型中进行数据训练,获得第一业务时空数据模型;获得第一业务周期变化特征;根据所述第一业务周期变化特征对所述第一业务时空数据模型进行增量学习,获得第二业务时空数据模型;根据所述第二业务时空数据模型,对所述第一建设项目信息进行支持管理。
另一方面,本申请还提供了一种基于时空大数据的可视化建模***,所述***包括:第一获得单元,所述第一获得单元用于获得第一建设项目信息;第二获得单元,所述第二获得单元用于获得第一信息分析指令,根据所述第一信息分析指令对所述第一建设项目信息进行业务分析,获得第一分析业务结果;第一构建单元,所述第一构建单元用于构建业务检索特征决策树;第三获得单元,所述第三获得单元用于根据所述业务检索特征决策树对所述第一分析业务结果进行检索分类,获得各业务特征信息;第一确定单元,所述第一确定单元用于根据所述各业务特征信息,确定空间特征数据集、属性特征数据集和时间尺度特征数据集;第四获得单元,所述第四获得单元用于对所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集进行标签化分类,获得第一业务特征数据集;第五获得单元,所述第五获得单元用于根据所述第一业务特征数据集,获得对应可视化图像数据集;第二构建单元,所述第二构建单元用于通过时空大数据平台构建业务时空数据库,所述业务时空数据库包括所述第一业务特征数据集和所述可视化图像数据集;第六获得单元,所述第六获得单元用于根据第一用户应用需求,获得预定关联度的业务管理指标;第七获得单元,所述第七获得单元用于将所述业务时空数据库和所述业务管理指标输入深度卷积神经模型中进行数据训练,获得第一业务时空数据模型;第八获得单元,所述第八获得单元用于获得第一业务周期变化特征;第九获得单元,所述第九获得单元用于根据所述第一业务周期变化特征对所述第一业务时空数据模型进行增量学习,获得第二业务时空数据模型;第一管理单元,所述第一管理单元用于根据所述第二业务时空数据模型,对所述第一建设项目信息进行支持管理。
第三方面,本发明实施例提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了根据所述各业务特征信息,确定空间特征数据集、属性特征数据集和时间尺度特征数据集;对所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集进行标签化分类,获得第一业务特征数据集;根据所述第一业务特征数据集,获得对应可视化图像数据集;通过时空大数据平台构建业务时空数据库;将所述业务时空数据库和所述业务管理指标输入深度卷积神经模型中进行数据训练,获得第一业务时空数据模型;获得第一业务周期变化特征;根据所述第一业务周期变化特征对所述第一业务时空数据模型进行增量学习,获得第二业务时空数据模型;根据所述第二业务时空数据模型,对所述第一建设项目信息进行支持管理。进而达到通过时空大数据的方式可视化自定义建模,可根据业务变化随时调整业务模型,高效快速从时空大数据中挖掘有价值的信息,进而满足领导决策支持及业务管理需求的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于时空大数据的可视化建模方法的流程示意图;
图2为本申请实施例一种基于时空大数据的可视化建模方法中获得业务特征数据集的流程示意图;
图3为本申请实施例一种基于时空大数据的可视化建模方法中获得各业务特征数据的流程示意图;
图4为本申请实施例一种基于时空大数据的可视化建模方法中获得空间特征数据集的流程示意图;
图5为本申请实施例一种基于时空大数据的可视化建模方法中获得第二业务时空数据模型的流程示意图;
图6为本申请实施例一种基于时空大数据的可视化建模方法中获得项目进度状态的流程示意图;
图7为本申请实施例一种基于时空大数据的可视化建模方法中构建业务检索特征决策树的流程示意图;
图8为本申请实施例一种基于时空大数据的可视化建模***的结构示意图;
图9为本申请实施例所提供的一种用于执行控制输出数据的方法的电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一构建单元13,第三获得单元14,第一确定单元15,第四获得单元16,第五获得单元17,第二构建单元18,第六获得单元19,第七获得单元20,第八获得单元21,第九获得单元22,第一管理单元23,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150和用户接口1160。
具体实施方式
在本发明实施例的描述中,所属技术领域的技术人员应当知道,本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本发明实施例可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的***、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本发明实施例中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行***、装置、器件使用或与其结合使用。
申请概述
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本发明实施例中的附图对本发明实施例进行描述。
实施例一
如图1所示,本申请实施例提供了一种基于时空大数据的可视化建模方法,其中,所述方法包括:
步骤S100:获得第一建设项目信息;
步骤S200:获得第一信息分析指令,根据所述第一信息分析指令对所述第一建设项目信息进行业务分析,获得第一分析业务结果;
具体而言,所述第一建设项目信息为需要进行时空数据建模的建设项目对象,随项目的变化,数据业务模型也随之变化。根据所述第一信息分析指令对所述第一建设项目信息进行业务分析,获得所述建设项目所需要进行的分析业务结果。
步骤S300:构建业务检索特征决策树;
如图7所示,进一步而言,其中,所述构建业务检索特征决策树,本申请实施例步骤S300还包括:
步骤S310:根据历史分析业务结果集合,获得对应的业务特征信息集合;
步骤S320:对所述业务特征信息集合的数据特征进行主成分分析,获得第一降维数据特征集,所述第一降维数据特征集包括第一特征、第二特征和第三特征;
步骤S330:分别对所述第一特征、所述第二特征和所述第三特征进行信息论编码运算,获得决策树的节点特征信息;
步骤S340:根据所述节点特征信息,构建业务检索特征决策树。
具体而言,决策树(Decision Tree)是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法,这种分类器能够对新出现的对象给出正确的分类,由根节点、内部节点以及叶节点组成。业务检索特征可作为所述业务检索特征决策树的内部节点,通过对其进行信息熵的计算,可对熵值最小的特征进行优先分类,以此方法对所述业务检索特征决策树进行递归构建,直至无法对最后的特征叶节点进行再分,说明分类结束,以此构成了业务检索特征决策树。
进一步而言,根据所述历史分析业务结果集合,获得对应的业务特征信息集合,对所述业务特征信息集合的数据特征进行主成分分析,主成分分析是最常用的线性降维方法,它的目标是通过某种线性投影,将高维的数据映射到低维的空间中,并期望在所投影的维度上数据的信息量最大(方差最大),以此使用较少的数据维度,同时保留住较多的原数据点的特性。获得主成分分析降维之后的第一降维数据特征集,所述第一降维数据特征集包括第一特征、第二特征和第三特征。降维的目的,就是为了在尽量保证“信息量不丢失”的情况下,对原始特征进行降维,也就是尽可能将原始特征往具有最大投影信息量的维度上进行投影,将原特征投影到这些维度上,使降维后信息量损失最小。
为了具体构建所述业务检索特征决策树,可分别对所述第一特征、所述第二特征以及所述第三特征进行信息熵的运算,即通过信息论编码中的香农公式对其进行信息熵数值的具体计算,进而获得对应的特征信息熵,进一步,信息熵表示信息的不确定度,当不确定性越大时,它所包含的信息量也就越大,信息熵也就越高,纯度也就越低,当集合中的所有样本均匀混合时,信息熵最大,纯度最低。因此,应基于所述数据大小比对模型对所述特征信息熵对其大小数值的比对,继而获得熵值最小的特征,即第一根节点特征信息,通过对熵值最小的特征进行优先分类,继而按照熵值由小到大的顺序,依次对各节点特征进行分类,最终构建所述业务检索特征决策树。使得每个分析业务结果都匹配适合的业务特征信息,进而实现了对业务检索特征决策树的具体构建的技术效果。
步骤S400:根据所述业务检索特征决策树对所述第一分析业务结果进行检索分类,获得各业务特征信息;
步骤S500:根据所述各业务特征信息,确定空间特征数据集、属性特征数据集和时间尺度特征数据集;
具体而言,根据所述业务检索特征决策树,所述第一分析业务结果进行检索分类,获得对应的各业务特征信息。根据所述各业务特征信息,确定空间特征数据集、属性特征数据集和时间尺度特征数据集。所述空间特征数据集包括所述业务特征对应的位置关系和空间关系,所述属性特征数据集为所述业务特征对应的要素的对象、数量、形状、及内在联系规律等属性信息,所述时间尺度特征数据集为所述业务特征对应的不同时间点或时间段信息。
如图4所示,进一步而言,其中,所述空间特征数据集,本申请实施例步骤S500还包括:
步骤S510:根据所述各业务特征信息,获得第一业务应用场景集;
步骤S520:构建平面位置坐标系,对所述第一业务应用场景集进行位置归一化处理,获得第一平面位置坐标;
步骤S530:获得第一识别指令,所述第一识别指令用于对所述第一业务应用场景集中的场景相对位置进行识别,获得场景空间位置分布列表;
步骤S540:根据所述第一平面位置坐标和所述场景空间位置分布列表,构建空间三维坐标系;
步骤S550:根据所述空间三维坐标系,获得对应的空间特征数据集。
具体而言,根据所述各业务特征信息,获得各业务对应的应用场景数据集,构建所述应用场景的平面位置坐标系,并对所述业务应用场景集进行位置坐标归一化处理,确保坐标位置准确。根据所述第一识别指令用于对所述第一业务应用场景集中的场景相对位置进行识别,获得所述场景空间位置分布列表,包括场景位置分布和相对位置关系。根据所述第一平面位置坐标和所述场景空间位置分布列表,构建应用场景的空间三维坐标系,并根据所述空间三维坐标系,获得对应的空间特征数据集。达到构建三维坐标系准确还原业务应用场景的空间位置,为后续业务特征数据的获得提供准确依据的技术效果。
步骤S600:对所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集进行标签化分类,获得第一业务特征数据集;
如图2所示,进一步而言,其中,所述对所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集进行标签化分类,获得第一业务特征数据集,本申请实施例步骤S600还包括:
步骤S610:构建业务特征坐标系,所述业务特征坐标系为多维坐标系;
步骤S620:对所述业务特征坐标系进行区域标签化分类,获得第一标签分类结果;
步骤S630:分别将所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集中的特征数据输入所述业务特征坐标系,获得对应的各业务特征向量;
步骤S640:根据所述第一标签分类结果和所述各业务特征向量进行映射匹配,获得各业务特征数据;
步骤S650:将所述各业务特征数据进行集合处理,获得第一业务特征数据集。
具体而言,构建业务特征坐标系,所述业务特征坐标系为多维坐标系,包括业务的空间特征、对象、数量等属性特征和时间尺度特征。对所述业务特征坐标系进行区域标签化分类,不同的区域对应不同的标签分类结果,如不同区域对应不同的业务特征。分别将所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集中的特征数据输入所述业务特征坐标系,获得对应的各业务特征向量。根据所述第一标签分类结果和所述各业务特征向量进行映射匹配,获得相匹配的各业务特征数据,将所述各业务特征数据进行集合处理,获得整合后的业务特征数据集。达到通过构建业务特征坐标系进行向量映射的方法,使得业务特征数据分类结果更加准确有效的技术效果。
步骤S700:根据所述第一业务特征数据集,获得对应可视化图像数据集;
步骤S800:通过时空大数据平台构建业务时空数据库,所述业务时空数据库包括所述第一业务特征数据集和所述可视化图像数据集;
具体而言,根据所述第一业务特征数据集,获得对应可视化图像数据集,包括场景图像、可视化地图图片、特效组合图片、应用业务图片等,确保后续模型可以数据可视化。所述时空大数据平台是把各种分散的(点数据)和分割的(条数据)大数据汇聚到一个特定的平台上(时空数据或地理框架数据平台),并使之发生持续的聚合效应的数据平台,具有多源、海量、更新快速的综合特点。通过所述时空大数据平台构建业务时空数据库,所述业务时空数据库包括所述第一业务特征数据集和所述可视化图像数据集。
步骤S900:根据第一用户应用需求,获得预定关联度的业务管理指标;
具体而言,根据模型使用用户的应用需求,获得预定关联度的业务管理指标,即获得与用户使用需求具有相关性的业务管理指标,并将相应指标应用在模型中,确保模型支持多样化定义指标,进而满足客户管理指标的需求。
步骤S1000:将所述业务时空数据库和所述业务管理指标输入深度卷积神经模型中进行数据训练,获得第一业务时空数据模型;
步骤S1100:获得第一业务周期变化特征;
具体而言,将所述业务时空数据库和所述业务管理指标输入深度卷积神经模型中进行数据训练,获得第一业务时空数据模型,所述第一业务时空数据模型是一个包含卷积神经网络和长短时间记忆网络的多元网络结构的模型,可以提取数据的时间和空间属性信息,相较传统时空数据模型,不仅预测误差有了很大程度的降低,而且模型的训练速度也得到提升。所述第一业务周期变化特征为随项目进展,业务随之的周期变化特征,通过加入周期变化特征对模型数据进行修正,使得模型构建的准确性更高。
步骤S1200:根据所述第一业务周期变化特征对所述第一业务时空数据模型进行增量学习,获得第二业务时空数据模型;
步骤S1300:根据所述第二业务时空数据模型,对所述第一建设项目信息进行支持管理。
如图5所示,进一步而言,其中,所述根据所述第一业务周期变化特征对所述第一业务时空数据模型进行增量学习,获得第二业务时空数据模型,本申请实施例步骤S1200还包括:
步骤S1210:将所述第一业务周期变化特征输入所述第一业务时空数据模型中,获得第一预测业务数据;
步骤S1220:通过对所述第一预测业务数据进行数据损失分析,获得第一损失数据;
步骤S1230:将所述第一损失数据输入到所述第一业务时空数据模型中进行训练,获得所述第二业务时空数据模型。
具体而言,基于根据所述第一业务周期变化特征对所述第一业务时空数据模型进行增量学习后,获得的所述第二业务时空数据模型,对所述第一建设项目信息进行支持管理,如分析报告、修改处理等。所述第一预测业务数据基于所述第一业务周期变化特征在所述第一业务时空数据模型中进行训练所获得的对应预测业务数据,由于所述第一业务时空数据是基于所述业务时空数据库和所述业务管理指标进行数据训练获得的。因此,通过引入损失函数完成数据损失的分析进而获得所述第一损失数据,其中,所述第一损失数据是代表所述第一业务时空数据模型对于所述第一业务周期变化特征的相关数据知识损失数据,再基于所述第一损失数据完成对所述第一业务时空数据模型的增量学习,由于所述第一业务时空数据模型是多个神经元相互连接组成构成神经网络获得的,因此,通过损失数据的训练使得所述第二业务时空数据模型保留了所述第一业务时空数据模型的基本功能,并维持模型不断更新的性能,从而提高了时空数据的更新性能,保证更新时空数据模型结果准确性的技术效果。
如图3所示,进一步而言,其中,所述根据所述第一标签分类结果和所述各业务特征向量进行映射匹配,获得各业务特征数据,本申请实施例步骤S640还包括:
步骤S641:分别对所述各业务特征向量进行距离计算,获得欧氏距离数据集;
步骤S642:根据所述欧氏距离数据集,获得对应的各业务特征分类数据集,所述各业务特征分类数据集为所述欧氏距离数据集中最短k个距离;
步骤S643:根据所述各业务特征分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果;
步骤S644:根据所述第一分类结果,获得各业务特征数据。
具体而言,所述欧氏距离数据集为欧几里得度量距离数据集合,即坐标系中两点之间的直线距离,对所述各业务特征向量进行距离计算,获得所述向量与其他业务特征之间的欧氏距离数据集。所述各业务特征分类数据集为所述欧氏距离数据集中最短的k个距离,k值为所述欧氏距离数据集的一部分,可自行设定。根据所述各业务特征分类数据集和所述标签分类结果进行映射匹配,获得所述向量对应的分类标签,并根据所述分类结果,确定所述向量对应的业务特征数据。达到通过计算向量距离的分类方法,对业务特征数据进行分类确定,确保后续模型建立更加准确的技术效果。
如图6所示,进一步而言,本申请实施例还包括:
步骤S1410:获得第一查询指令,所述第一查询指令用于在第一时间点对所述第二业务时空数据模型进行查询调用,获得所述第一建设项目信息的第一查询结果;
步骤S1420:获得第二查询指令,所述第一查询指令用于在第二时间点对所述第二业务时空数据模型进行查询调用,获得所述第一建设项目信息的第二查询结果,所述第二时间点晚于所述第一时间点;
步骤S1430:根据所述第一查询结果和所述第二查询结果,对所述第一建设项目信息的进度进行分析,获得第一进度状态;
步骤S1440:根据所述第一进度状态,对所述第一建设项目进行管理分析。
具体而言,根据所述第一查询指令在第一时间点对所述第二业务时空数据模型进行查询调用,获得所述第一建设项目信息的第一查询结果。根据所述第二查询指令在第二时间点对所述第二业务时空数据模型进行查询调用,获得所述第一建设项目信息的第二查询结果,所述第二时间点晚于所述第一时间点,于不同时间点对所述建设项目进行进度查询。根据所述第一查询结果和所述第二查询结果,对所述第一建设项目信息的进度进行分析,获得所述项目的进度状态,并根据所述第一进度状态,对所述第一建设项目进行管理分析,如进行修改调整等。达到通过不同时间点对建设项目进行进度查询,以便按照进度对时空模型进行相应调整管理的技术效果。
综上所述,本申请实施例所提供的一种基于时空大数据的可视化建模方法及***具有如下技术效果:
由于采用了根据所述各业务特征信息,确定空间特征数据集、属性特征数据集和时间尺度特征数据集;对所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集进行标签化分类,获得第一业务特征数据集;根据所述第一业务特征数据集,获得对应可视化图像数据集;通过时空大数据平台构建业务时空数据库;将所述业务时空数据库和所述业务管理指标输入深度卷积神经模型中进行数据训练,获得第一业务时空数据模型;获得第一业务周期变化特征;根据所述第一业务周期变化特征对所述第一业务时空数据模型进行增量学习,获得第二业务时空数据模型;根据所述第二业务时空数据模型,对所述第一建设项目信息进行支持管理。进而达到通过时空大数据的方式可视化自定义建模,可根据业务变化随时调整业务模型,高效快速从时空大数据中挖掘有价值的信息,进而满足领导决策支持及业务管理需求的技术效果。
实施例二
基于与前述实施例中一种基于时空大数据的可视化建模方法同样发明构思,本发明还提供了一种基于时空大数据的可视化建模***,如图8所示,所述***包括:
第一获得单元11,所述第一获得单元11用于获得第一建设项目信息;
第二获得单元12,所述第二获得单元12用于获得第一信息分析指令,根据所述第一信息分析指令对所述第一建设项目信息进行业务分析,获得第一分析业务结果;
第一构建单元13,所述第一构建单元13用于构建业务检索特征决策树;
第三获得单元14,所述第三获得单元14用于根据所述业务检索特征决策树对所述第一分析业务结果进行检索分类,获得各业务特征信息;
第一确定单元15,所述第一确定单元15用于根据所述各业务特征信息,确定空间特征数据集、属性特征数据集和时间尺度特征数据集;
第四获得单元16,所述第四获得单元16用于对所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集进行标签化分类,获得第一业务特征数据集;
第五获得单元17,所述第五获得单元17用于根据所述第一业务特征数据集,获得对应可视化图像数据集;
第二构建单元18,所述第二构建单元18用于通过时空大数据平台构建业务时空数据库,所述业务时空数据库包括所述第一业务特征数据集和所述可视化图像数据集;
第六获得单元19,所述第六获得单元19用于根据第一用户应用需求,获得预定关联度的业务管理指标;
第七获得单元20,所述第七获得单元20用于将所述业务时空数据库和所述业务管理指标输入深度卷积神经模型中进行数据训练,获得第一业务时空数据模型;
第八获得单元21,所述第八获得单元21用于获得第一业务周期变化特征;
第九获得单元22,所述第九获得单元22用于根据所述第一业务周期变化特征对所述第一业务时空数据模型进行增量学习,获得第二业务时空数据模型;
第一管理单元23,所述第一管理单元23用于根据所述第二业务时空数据模型,对所述第一建设项目信息进行支持管理。
进一步的,所述***还包括:
第三构建单元,所述第三构建单元用于构建业务特征坐标系,所述业务特征坐标系为多维坐标系;
第十获得单元,所述第十获得单元用于对所述业务特征坐标系进行区域标签化分类,获得第一标签分类结果;
第十一获得单元,所述第十一获得单元用于分别将所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集中的特征数据输入所述业务特征坐标系,获得对应的各业务特征向量;
第十二获得单元,所述第十二获得单元用于根据所述第一标签分类结果和所述各业务特征向量进行映射匹配,获得各业务特征数据;
第十三获得单元,所述第十三获得单元用于将所述各业务特征数据进行集合处理,获得第一业务特征数据集。
进一步的,所述***还包括:
第十四获得单元,所述第十四获得单元用于分别对所述各业务特征向量进行距离计算,获得欧氏距离数据集;
第十五获得单元,所述第十五获得单元用于根据所述欧氏距离数据集,获得对应的各业务特征分类数据集,所述各业务特征分类数据集为所述欧氏距离数据集中最短k个距离;
第十六获得单元,所述第十六获得单元用于根据所述各业务特征分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果;
第十七获得单元,所述第十七获得单元用于根据所述第一分类结果,获得各业务特征数据。
进一步的,所述***还包括:
第十八获得单元,所述第十八获得单元用于根据所述各业务特征信息,获得第一业务应用场景集;
第十九获得单元,所述第十九获得单元用于构建平面位置坐标系,对所述第一业务应用场景集进行位置归一化处理,获得第一平面位置坐标;
第二十获得单元,所述第二十获得单元用于获得第一识别指令,所述第一识别指令用于对所述第一业务应用场景集中的场景相对位置进行识别,获得场景空间位置分布列表;
第四构建单元,所述第四构建单元用于根据所述第一平面位置坐标和所述场景空间位置分布列表,构建空间三维坐标系;
第二十一获得单元,所述第二十一获得单元用于根据所述空间三维坐标系,获得对应的空间特征数据集。
进一步的,所述***还包括:
第二十二获得单元,所述第二十二获得单元用于将所述第一业务周期变化特征输入所述第一业务时空数据模型中,获得第一预测业务数据;
第二十三获得单元,所述第二十三获得单元用于通过对所述第一预测业务数据进行数据损失分析,获得第一损失数据;
第二十四获得单元,所述第二十四获得单元用于将所述第一损失数据输入到所述第一业务时空数据模型中进行训练,获得所述第二业务时空数据模型。
进一步的,所述***还包括:
第二十五获得单元,所述第二十五获得单元用于获得第一查询指令,所述第一查询指令用于在第一时间点对所述第二业务时空数据模型进行查询调用,获得所述第一建设项目信息的第一查询结果;
第二十六获得单元,所述第二十六获得单元用于获得第二查询指令,所述第一查询指令用于在第二时间点对所述第二业务时空数据模型进行查询调用,获得所述第一建设项目信息的第二查询结果,所述第二时间点晚于所述第一时间点;
第二十七获得单元,所述第二十五获得单元用于根据所述第一查询结果和所述第二查询结果,对所述第一建设项目信息的进度进行分析,获得第一进度状态;
第二管理单元,所述第二管理单元用于根据所述第一进度状态,对所述第一建设项目进行管理分析。
进一步的,所述***还包括:
第二十八获得单元,所述第二十六获得单元用于根据历史分析业务结果集合,获得对应的业务特征信息集合;
第二十九获得单元,所述第二十九获得单元用于对所述业务特征信息集合的数据特征进行主成分分析,获得第一降维数据特征集,所述第一降维数据特征集包括第一特征、第二特征和第三特征;
第三十获得单元,所述第三十获得单元用于分别对所述第一特征、所述第二特征和所述第三特征进行信息论编码运算,获得决策树的节点特征信息;
第五构建单元,所述第五构建单元用于根据所述节点特征信息,构建业务检索特征决策树。
前述图1实施例一中的一种基于时空大数据的可视化建模方法的各种变化方式和具体实例同样适用于本实施例的一种基于时空大数据的可视化建模***,通过前述对一种基于时空大数据的可视化建模方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于时空大数据的可视化建模***的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本发明实施例还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图9所示,本发明实施例还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本发明实施例中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线以及存储器控制器、***总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、***部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如***设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机***的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本发明实施例中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以及两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信***、码分多址***、全球微波互联接入***、通用分组无线业务***、宽带码分多址***、长期演进***、LTE频分双工***、LTE时分双工***、先进长期演进***、通用移动通信***、增强移动宽带***、海量机器类通信***、超可靠低时延通信***等。
应理解,本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中,存储器1150存储了操作***1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作***1151包含各种***程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机***可执行指令。
此外,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本发明实施例的具体实施方式,但本发明实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明实施例的保护范围之内。因此,本发明实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于时空大数据的可视化建模方法,其中,所述方法应用于一基于时空大数据的可视化建模***,所述方法包括:
获得第一建设项目信息;
获得第一信息分析指令,根据所述第一信息分析指令对所述第一建设项目信息进行业务分析,获得第一分析业务结果;
构建业务检索特征决策树;
根据所述业务检索特征决策树对所述第一分析业务结果进行检索分类,获得各业务特征信息;
根据所述各业务特征信息,确定空间特征数据集、属性特征数据集和时间尺度特征数据集;
对所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集进行标签化分类,获得第一业务特征数据集;
根据所述第一业务特征数据集,获得对应可视化图像数据集;
通过时空大数据平台构建业务时空数据库,所述业务时空数据库包括所述第一业务特征数据集和所述可视化图像数据集;
根据第一用户应用需求,获得预定关联度的业务管理指标;
将所述业务时空数据库和所述业务管理指标输入深度卷积神经模型中进行数据训练,获得第一业务时空数据模型;
获得第一业务周期变化特征;
根据所述第一业务周期变化特征对所述第一业务时空数据模型进行增量学习,获得第二业务时空数据模型;
根据所述第二业务时空数据模型,对所述第一建设项目信息进行支持管理。
2.如权利要求1所述的方法,其中,所述对所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集进行标签化分类,获得第一业务特征数据集,包括:
构建业务特征坐标系,所述业务特征坐标系为多维坐标系;
对所述业务特征坐标系进行区域标签化分类,获得第一标签分类结果;
分别将所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集中的特征数据输入所述业务特征坐标系,获得对应的各业务特征向量;
根据所述第一标签分类结果和所述各业务特征向量进行映射匹配,获得各业务特征数据;
将所述各业务特征数据进行集合处理,获得第一业务特征数据集。
3.如权利要求2所述的方法,其中,所述根据所述第一标签分类结果和所述各业务特征向量进行映射匹配,获得各业务特征数据,包括:
分别对所述各业务特征向量进行距离计算,获得欧氏距离数据集;
根据所述欧氏距离数据集,获得对应的各业务特征分类数据集,所述各业务特征分类数据集为所述欧氏距离数据集中最短k个距离;
根据所述各业务特征分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果;
根据所述第一分类结果,获得各业务特征数据。
4.如权利要求1所述的方法,其中,所述空间特征数据集,包括:
根据所述各业务特征信息,获得第一业务应用场景集;
构建平面位置坐标系,对所述第一业务应用场景集进行位置归一化处理,获得第一平面位置坐标;
获得第一识别指令,所述第一识别指令用于对所述第一业务应用场景集中的场景相对位置进行识别,获得场景空间位置分布列表;
根据所述第一平面位置坐标和所述场景空间位置分布列表,构建空间三维坐标系;
根据所述空间三维坐标系,获得对应的空间特征数据集。
5.如权利要求1所述的方法,其中,所述根据所述第一业务周期变化特征对所述第一业务时空数据模型进行增量学习,获得第二业务时空数据模型,包括:
将所述第一业务周期变化特征输入所述第一业务时空数据模型中,获得第一预测业务数据;
通过对所述第一预测业务数据进行数据损失分析,获得第一损失数据;
将所述第一损失数据输入到所述第一业务时空数据模型中进行训练,获得所述第二业务时空数据模型。
6.如权利要求1所述的方法,其中,所述方法包括:
获得第一查询指令,所述第一查询指令用于在第一时间点对所述第二业务时空数据模型进行查询调用,获得所述第一建设项目信息的第一查询结果;
获得第二查询指令,所述第一查询指令用于在第二时间点对所述第二业务时空数据模型进行查询调用,获得所述第一建设项目信息的第二查询结果,所述第二时间点晚于所述第一时间点;
根据所述第一查询结果和所述第二查询结果,对所述第一建设项目信息的进度进行分析,获得第一进度状态;
根据所述第一进度状态,对所述第一建设项目进行管理分析。
7.如权利要求1所述的方法,其中,所述构建业务检索特征决策树,包括:
根据历史分析业务结果集合,获得对应的业务特征信息集合;
对所述业务特征信息集合的数据特征进行主成分分析,获得第一降维数据特征集,所述第一降维数据特征集包括第一特征、第二特征和第三特征;
分别对所述第一特征、所述第二特征和所述第三特征进行信息论编码运算,获得决策树的节点特征信息;
根据所述节点特征信息,构建业务检索特征决策树。
8.一种基于时空大数据的可视化建模***,其中,所述***包括:
第一获得单元,所述第一获得单元用于获得第一建设项目信息;
第二获得单元,所述第二获得单元用于获得第一信息分析指令,根据所述第一信息分析指令对所述第一建设项目信息进行业务分析,获得第一分析业务结果;
第一构建单元,所述第一构建单元用于构建业务检索特征决策树;
第三获得单元,所述第三获得单元用于根据所述业务检索特征决策树对所述第一分析业务结果进行检索分类,获得各业务特征信息;
第一确定单元,所述第一确定单元用于根据所述各业务特征信息,确定空间特征数据集、属性特征数据集和时间尺度特征数据集;
第四获得单元,所述第四获得单元用于对所述空间特征数据集、所述属性特征数据集和所述时间尺度特征数据集进行标签化分类,获得第一业务特征数据集;
第五获得单元,所述第五获得单元用于根据所述第一业务特征数据集,获得对应可视化图像数据集;
第二构建单元,所述第二构建单元用于通过时空大数据平台构建业务时空数据库,所述业务时空数据库包括所述第一业务特征数据集和所述可视化图像数据集;
第六获得单元,所述第六获得单元用于根据第一用户应用需求,获得预定关联度的业务管理指标;
第七获得单元,所述第七获得单元用于将所述业务时空数据库和所述业务管理指标输入深度卷积神经模型中进行数据训练,获得第一业务时空数据模型;
第八获得单元,所述第八获得单元用于获得第一业务周期变化特征;
第九获得单元,所述第九获得单元用于根据所述第一业务周期变化特征对所述第一业务时空数据模型进行增量学习,获得第二业务时空数据模型;
第一管理单元,所述第一管理单元用于根据所述第二业务时空数据模型,对所述第一建设项目信息进行支持管理。
9.一种基于时空大数据的可视化建模***,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述的控制输出数据的方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的控制输出数据的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110723530.9A CN113434483B (zh) | 2021-06-29 | 2021-06-29 | 一种基于时空大数据的可视化建模方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110723530.9A CN113434483B (zh) | 2021-06-29 | 2021-06-29 | 一种基于时空大数据的可视化建模方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113434483A true CN113434483A (zh) | 2021-09-24 |
CN113434483B CN113434483B (zh) | 2022-02-15 |
Family
ID=77757429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110723530.9A Active CN113434483B (zh) | 2021-06-29 | 2021-06-29 | 一种基于时空大数据的可视化建模方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434483B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888142A (zh) * | 2021-11-15 | 2022-01-04 | 常州市科技资源统筹服务中心(常州市科技情报研究所) | 一种申报企业信息的项目智能管理方法及*** |
CN113887811A (zh) * | 2021-10-13 | 2022-01-04 | 江苏明茂新能源科技有限公司 | 一种充电桩数据管理方法及*** |
CN114859744A (zh) * | 2022-05-07 | 2022-08-05 | 内蒙古云科数据服务股份有限公司 | 一种基于大数据的智能应用可视化控制方法及*** |
CN115063979A (zh) * | 2022-08-19 | 2022-09-16 | 合肥工业大学 | 一种智能网联环境下的交通信息量化方法及其*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426461A (zh) * | 2015-11-12 | 2016-03-23 | 中国科学院遥感与数字地球研究所 | 基于空间大数据进行知识挖掘的地图可视化***及方法 |
US20170220887A1 (en) * | 2016-01-29 | 2017-08-03 | Pointivo, Inc. | Systems and methods for extracting information about objects from scene information |
CN108776831A (zh) * | 2018-05-15 | 2018-11-09 | 中南大学 | 一种基于动态卷积神经网络的复杂工业过程数据建模方法 |
CN109508375A (zh) * | 2018-11-19 | 2019-03-22 | 重庆邮电大学 | 一种基于多模态融合的社交情感分类方法 |
CN110162556A (zh) * | 2018-02-11 | 2019-08-23 | 陕西爱尚物联科技有限公司 | 一种有效发挥数据价值的方法 |
CN111428765A (zh) * | 2020-03-17 | 2020-07-17 | 武汉大学 | 一种基于全局卷积、局部深度卷积融合的目标检测方法 |
CN111695717A (zh) * | 2019-03-15 | 2020-09-22 | 辉达公司 | 自主机器应用中的时间信息预测 |
CN112100800A (zh) * | 2020-06-22 | 2020-12-18 | 中国人民解放军战略支援部队信息工程大学 | 面向地缘环境的时空信息智能分析体系架构设计方法 |
CN112559907A (zh) * | 2020-12-09 | 2021-03-26 | 北京国研数通软件技术有限公司 | 基于时空标签时空关联的基础数据检索与集成展示方法 |
-
2021
- 2021-06-29 CN CN202110723530.9A patent/CN113434483B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426461A (zh) * | 2015-11-12 | 2016-03-23 | 中国科学院遥感与数字地球研究所 | 基于空间大数据进行知识挖掘的地图可视化***及方法 |
US20170220887A1 (en) * | 2016-01-29 | 2017-08-03 | Pointivo, Inc. | Systems and methods for extracting information about objects from scene information |
CN110162556A (zh) * | 2018-02-11 | 2019-08-23 | 陕西爱尚物联科技有限公司 | 一种有效发挥数据价值的方法 |
CN108776831A (zh) * | 2018-05-15 | 2018-11-09 | 中南大学 | 一种基于动态卷积神经网络的复杂工业过程数据建模方法 |
CN109508375A (zh) * | 2018-11-19 | 2019-03-22 | 重庆邮电大学 | 一种基于多模态融合的社交情感分类方法 |
CN111695717A (zh) * | 2019-03-15 | 2020-09-22 | 辉达公司 | 自主机器应用中的时间信息预测 |
CN111428765A (zh) * | 2020-03-17 | 2020-07-17 | 武汉大学 | 一种基于全局卷积、局部深度卷积融合的目标检测方法 |
CN112100800A (zh) * | 2020-06-22 | 2020-12-18 | 中国人民解放军战略支援部队信息工程大学 | 面向地缘环境的时空信息智能分析体系架构设计方法 |
CN112559907A (zh) * | 2020-12-09 | 2021-03-26 | 北京国研数通软件技术有限公司 | 基于时空标签时空关联的基础数据检索与集成展示方法 |
Non-Patent Citations (4)
Title |
---|
JING ZHANG ET AL.: "ECG-based multi-class arrhythmia detection using spatio-temporal attention-based convolutional recurrent neural network", 《ARTIFICIAL INTELLIGENCE IN MEDICINE》 * |
SENZHANG WANG ET AL.: "Deep Learning for Spatio-Temporal Data Mining: A Survey", 《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》 * |
邹易呈: "基于多源数据融合的交通知识图谱构建及应用", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
黎维 等: "时空序列预测方法综述", 《计算机应用研究》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887811A (zh) * | 2021-10-13 | 2022-01-04 | 江苏明茂新能源科技有限公司 | 一种充电桩数据管理方法及*** |
CN113887811B (zh) * | 2021-10-13 | 2022-08-12 | 江苏明茂新能源科技有限公司 | 一种充电桩数据管理方法及*** |
CN113888142A (zh) * | 2021-11-15 | 2022-01-04 | 常州市科技资源统筹服务中心(常州市科技情报研究所) | 一种申报企业信息的项目智能管理方法及*** |
CN113888142B (zh) * | 2021-11-15 | 2022-04-19 | 常州市科技资源统筹服务中心(常州市科技情报研究所) | 一种申报企业信息的项目智能管理方法及*** |
CN114859744A (zh) * | 2022-05-07 | 2022-08-05 | 内蒙古云科数据服务股份有限公司 | 一种基于大数据的智能应用可视化控制方法及*** |
CN115063979A (zh) * | 2022-08-19 | 2022-09-16 | 合肥工业大学 | 一种智能网联环境下的交通信息量化方法及其*** |
Also Published As
Publication number | Publication date |
---|---|
CN113434483B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113434483B (zh) | 一种基于时空大数据的可视化建模方法及*** | |
CN107657015B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN112116155A (zh) | 基于智能决策的人口流动预测方法、装置及计算机设备 | |
US10073908B2 (en) | Functional space-time trajectory clustering | |
CN104765873A (zh) | 用户相似度确定方法和装置 | |
CN111090712B (zh) | 一种数据处理方法、装置、设备及计算机存储介质 | |
CN115565177A (zh) | 文字识别模型训练、文字识别方法、装置、设备及介质 | |
CN113806350B (zh) | 一种提高大数据交易平台安全性的管理方法及*** | |
CN114445121A (zh) | 一种广告点击率预测模型构建及广告点击率预测方法 | |
CN114049463A (zh) | 一种二叉树的数据网格化、网格点数据的获取方法及装置 | |
CN113421174A (zh) | 一种基于大数据的知识产权价值评估参考方法及*** | |
CN113326449A (zh) | 预测交通流量的方法、装置、电子设备和介质 | |
CN113723072A (zh) | Rpa结合ai的模型融合结果获取方法、装置及电子设备 | |
CN113110843A (zh) | 合约生成模型训练方法、合约生成方法及电子设备 | |
CN113609126B (zh) | 一种众源时空数据的一体化存储管理方法及*** | |
CN113836308B (zh) | 网络大数据长文本多标签分类方法、***、设备及介质 | |
CN113554057B (zh) | 图的分割方法、装置及电子设备 | |
CN115495464A (zh) | 地图更新方法、装置、电子设备和存储介质 | |
CN115328992A (zh) | 事件分析方法、装置、介质及电子设备 | |
US10496948B1 (en) | Computer trend visualization using quadratic simplified closed form linear regression | |
CN112417260B (zh) | 本地化推荐方法、装置及存储介质 | |
CN113761365A (zh) | 用于确定目标信息的数据处理*** | |
CN111274216B (zh) | 无线局域网的识别方法、识别装置、存储介质及电子设备 | |
CN111062419B (zh) | 一种深度学习数据集的压缩和恢复方法 | |
CN118171464A (zh) | 一种数字孪生特征图层的管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |