本發(fā)明涉及數(shù)據(jù)處理，特別是指一種多元時空數(shù)據(jù)因果級聯(lián)模式挖掘方法及系統(tǒng)。

背景技術(shù)：

1、對多元時空數(shù)據(jù)進(jìn)行時空關(guān)聯(lián)模式挖掘?qū)χ悄芙煌?、環(huán)境監(jiān)測、公共安全等現(xiàn)實問題具有重要意義。時空級聯(lián)模式是時空關(guān)聯(lián)模式一種特殊形式，時空級聯(lián)模式在空間鄰近關(guān)系的基礎(chǔ)上，重點(diǎn)考慮了多個空間之間時空事件在時間上發(fā)生的先后次序，其有助于更好地認(rèn)識時空數(shù)據(jù)中潛在的傳播過程。

2、現(xiàn)有的時空級聯(lián)模式挖掘方法主要基于時間序列模式挖掘，將序列數(shù)據(jù)中模式的關(guān)聯(lián)關(guān)系擴(kuò)展到了多元時空數(shù)據(jù)中，根據(jù)多元時空數(shù)據(jù)的自相關(guān)性和時滯性來提取模式隨時間和空間的傳播規(guī)律。根據(jù)模式挖掘中考慮級聯(lián)時空關(guān)系的方法，將現(xiàn)有方法大致分為兩類：一類是基于統(tǒng)計學(xué)檢驗的時空模式挖掘方法，如st-mst通過計算頻繁度及聚類挖掘時空模式，并根據(jù)顯著性檢驗分析有價值的模式。另一類是基于級聯(lián)傳播概率與傳遞樹模型的級聯(lián)模式挖掘方法，如針對交通擁堵事件的casinf算法通過事件的時間鄰近性和空間鄰近性挖掘可能的級聯(lián)模式，并通過構(gòu)建傳遞樹挖掘概率最大的時空級聯(lián)網(wǎng)絡(luò)。

3、然而上述時空級聯(lián)模式挖掘算法忽略了多變量之間的互相關(guān)性，并且現(xiàn)有時空級聯(lián)模式挖掘方法僅僅根據(jù)時空事件發(fā)生的時間先后順序以及模式發(fā)生的頻繁度來構(gòu)建級聯(lián)模式，忽略了多元時空數(shù)據(jù)的因果性，導(dǎo)致挖掘出的級聯(lián)模式可靠性并不高。另外，盡管pg-causality結(jié)合了頻繁模式挖掘和高斯貝葉斯學(xué)習(xí)網(wǎng)絡(luò)的優(yōu)勢，首先捕獲時空數(shù)據(jù)中的頻繁演化模式，并通過基于貝葉斯學(xué)習(xí)篩選出可靠的時空因果關(guān)系，進(jìn)而有效地識別時空因果路徑。然而頻繁演化模式挖掘過程中對多元時空序列的符號化處理并不能有效挖掘事件序列之間的因果關(guān)聯(lián)關(guān)系。

技術(shù)實現(xiàn)思路

1、針對上述問題，本發(fā)明的目的在于提供一種多元時空數(shù)據(jù)因果級聯(lián)模式挖掘方法及系統(tǒng)，通過將變時滯格蘭杰因果推斷模型與級聯(lián)模式挖掘算法結(jié)合，提出一種變時滯格蘭杰因果級聯(lián)模式挖掘算法(variable?lag?granger?causality?cascade?inferencealgorithm,?vlgc-casinf)，以精準(zhǔn)提取多元時空數(shù)據(jù)中的因果級聯(lián)模式。所述技術(shù)方案如下：

2、一方面，提供了一種多元時空數(shù)據(jù)因果級聯(lián)模式挖掘方法，所述方法包括以下步驟：

3、s1、采集多元時空數(shù)據(jù)；

4、s2、對多元時空數(shù)據(jù)進(jìn)行時滯感知分段，得到多個子序列，并將多個子序列定義為多元時空事件數(shù)據(jù)集；

5、s3、建立兩個不同事件之間的因果級聯(lián)傳播概率，選取因果級聯(lián)傳播概率大于設(shè)定閾值的因果級聯(lián)模式；

6、s4、根據(jù)挖掘出的所有因果級聯(lián)模式，構(gòu)建動態(tài)因果級聯(lián)網(wǎng)絡(luò)；

7、s5、從動態(tài)因果級聯(lián)網(wǎng)絡(luò)中根據(jù)因果級聯(lián)模式的頻繁度篩選出常規(guī)化因果級聯(lián)網(wǎng)絡(luò)。

8、可選地，所述步驟s1中，多元時空數(shù)據(jù)是由傳感器采集的具有空間信息的時空數(shù)據(jù)序列，包括環(huán)境監(jiān)測數(shù)據(jù)、交通數(shù)據(jù)。

9、可選地，所述步驟s2具體包括：

10、假設(shè)n個空間位置在t個時刻內(nèi)觀測的p個變量的多元時空數(shù)據(jù)為x；基于mvlamts分段算法對多元時空數(shù)據(jù)x進(jìn)行時滯感知分段，劃分為多個子序列；將分段結(jié)果中第i個空間位置的第p個變量在時間區(qū)間[ts,te]的子序列定義為事件；

11、其中，1≤i≤n，1≤p≤p，1≤ts<te≤t。

12、可選地，所述步驟s3中，建立兩個不同事件之間的因果級聯(lián)傳播概率具體包括：

13、對于多元時空事件數(shù)據(jù)集中的任意兩個事件，在級聯(lián)模式挖掘的基礎(chǔ)上通過變時滯格蘭杰因果方法分析兩個事件對應(yīng)的子序列之間是否存在因果關(guān)聯(lián)關(guān)系，并計算兩個事件之間的因果級聯(lián)傳播概率；

14、其中，所述計算兩個事件之間的因果級聯(lián)傳播概率包括級聯(lián)概率計算和因果關(guān)系推斷。

15、可選地，所述步驟s3中，選取因果級聯(lián)傳播概率大于設(shè)定閾值的因果級聯(lián)模式具體包括：

16、對于任意一個空間位置j中的變量q在時間區(qū)間[ts’,te’]的時空事件，假設(shè)空間位置i中的變量p在時間區(qū)間[ts,te]的時空事件對其的因果級聯(lián)傳播概率最大且大于設(shè)定閾值γ，那么定義為一個因果級聯(lián)模式。

17、可選地，所述步驟s4具體包括：

18、將挖掘出的所有因果級聯(lián)模式發(fā)生的空間位置、變量進(jìn)行串聯(lián)，構(gòu)建動態(tài)因果級聯(lián)網(wǎng)絡(luò)。

19、可選地，所述步驟s5具體包括：

20、設(shè)置因果級聯(lián)網(wǎng)絡(luò)連接的頻繁度閾值min_freq，計算所有時段中動態(tài)因果級聯(lián)網(wǎng)絡(luò)中頻繁度大于min_freq的因果級聯(lián)模式，作為常規(guī)化因果級聯(lián)模式，將所有常規(guī)化因果級聯(lián)模式串聯(lián)，得到常規(guī)化因果級聯(lián)網(wǎng)絡(luò)。

21、另一方面，提供了一種多元時空數(shù)據(jù)因果級聯(lián)模式挖掘系統(tǒng)，用于實現(xiàn)上述任一項所述的方法，所述系統(tǒng)包括：

22、數(shù)據(jù)采集模塊，用于采集多元時空數(shù)據(jù)；

23、數(shù)據(jù)處理模塊，用于對多元時空數(shù)據(jù)進(jìn)行時滯感知分段，得到多個子序列，并將多個子序列定義為多元時空事件數(shù)據(jù)集；

24、因果級聯(lián)模式挖掘模塊，用于建立兩個不同事件之間的因果級聯(lián)傳播概率，選取因果級聯(lián)傳播概率大于設(shè)定閾值的因果級聯(lián)模式；根據(jù)挖掘出的所有因果級聯(lián)模式，構(gòu)建動態(tài)因果級聯(lián)網(wǎng)絡(luò)；從動態(tài)因果級聯(lián)網(wǎng)絡(luò)中根據(jù)因果級聯(lián)模式的頻繁度篩選出常規(guī)化因果級聯(lián)網(wǎng)絡(luò)。

25、可選地，所述數(shù)據(jù)采集模塊包括傳感器組件、串口服務(wù)器，管理工作站、接口服務(wù)器、信息中心存儲服務(wù)器、平臺核心交換機(jī)；

26、其中，所述傳感器組件通過所述串口服務(wù)器連接所述管理工作站，所述管理工作站連接所述接口服務(wù)器，所述接口服務(wù)器通過單向隔離網(wǎng)關(guān)連接所述信息中心存儲服務(wù)器，所述信息中心存儲服務(wù)器通過光纖連接所述平臺核心交換機(jī)，所述平臺核心交換機(jī)連接多個云計算節(jié)點(diǎn)和web服務(wù)器。

27、可選地，所述系統(tǒng)還包括監(jiān)控app，所述監(jiān)控app包括：客戶端、服務(wù)器端和系統(tǒng)管理后臺；

28、所述客戶端用于用戶注冊和登錄、在線查詢、修改以及退出登錄；所述服務(wù)器端用于注冊和登錄驗證以及對數(shù)據(jù)的傳輸、增加、修改和刪除功能；所述系統(tǒng)管理后臺用于管理數(shù)據(jù)庫。

29、另一方面，提供了一種電子設(shè)備，所述電子設(shè)備包括：

30、處理器；

31、存儲器，所述存儲器上存儲有計算機(jī)可讀指令，所述計算機(jī)可讀指令被所述處理器加載并執(zhí)行時，實現(xiàn)如上述多元時空數(shù)據(jù)因果級聯(lián)模式挖掘方法的步驟。

32、另一方面，提供了一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)中存儲有程序代碼，所述程序代碼可被處理器調(diào)用執(zhí)行如上述多元時空數(shù)據(jù)因果級聯(lián)模式挖掘方法的步驟。

33、本發(fā)明提供的技術(shù)方案帶來的有益效果至少包括：

34、本發(fā)明實施例中，為精準(zhǔn)提取多元時空數(shù)據(jù)中的因果級聯(lián)模式，在對其完成時滯感知分段后，首先將現(xiàn)有的單變量級聯(lián)模式挖掘算法擴(kuò)展到多元時空數(shù)據(jù)中，其次將變時滯格蘭杰因果推斷模型與多元時空級聯(lián)模式挖掘方法結(jié)合，設(shè)計了因果級聯(lián)傳播概率并據(jù)此挖掘多元時空數(shù)據(jù)中的動態(tài)多元時空因果級聯(lián)模式，最終將不同時間區(qū)間的動態(tài)因果級聯(lián)模式整合為常規(guī)化因果級聯(lián)網(wǎng)絡(luò)，為多元時空數(shù)據(jù)中因果級聯(lián)關(guān)系提供了一個整體表示。

35、本發(fā)明還構(gòu)建了多元時空數(shù)據(jù)因果級聯(lián)模式挖掘系統(tǒng)，該系統(tǒng)由數(shù)據(jù)采集、因果級聯(lián)模式挖掘、監(jiān)控app三個主要部分相互銜接，形成一個完整的體系，為相關(guān)領(lǐng)域的研究、發(fā)展提供了有益的借鑒。