[发明专利]时空数据渐进式多维模式提取与异常检测可视分析方法

说明书

本发明公开了时空数据渐进式多维模式提取与异常检测可视分析方法，涉及时空数据可视化领域，首先将多维时空数据建模成连续的张量时间序列，将最新时间段的张量作为当前张量，临近多个时间段的数据张量加权平均得到历史张量。然后，使用张量分解方法分别对历史张量和当前张量进行多维模式提取，得到两组rank‑one分量用来描述历史数据和当前数据中的潜在模式。最后基于两组模式的差异计算当前时间段的区域和时间异常分数，并结合可视化技术直观地展示模式的差异，为异常模式的解释提供支撑。

技术领域

本发明涉及时空数据可视化领域，具体为时空数据渐进式多维模式提取与异常检测可视分析方法。

背景技术

随着城市信息化的不断完善与传感器设备的日益丰富，大量的城市时空数据被持续、科学地收集，使得人类的活动过程能够被更加全面地记录。这些城市数据包含大量的人类行为信息，具有时间、空间和属性等多维特征。为了有效挖掘复杂大数据内隐含的有价值信息，帮助分析人员理解社会运行，对城市时空数据进行模式提取与异常检测至关重要。在诸如社交网络、智慧医疗、智能交通、智慧城市社会管理等领域，发现其中隐藏的常规模式和时空异常具有特殊意义。以智慧城市管理为例：政府工作人员希望提取热线投诉数据的基本模式帮助城市规划，并且希望能够确定异常事件发生的准确时间和精确的空间位置，从而为突发事件的处理提供及时的决策支持。值得一提的是，城市分析人员对异常的解释十分关注，这能够帮助他们快速发现异常的原因。

然而，多维时空数据的维度之间相互依赖，并且各维度上的分布通常极不均匀，如何有效发现数据内潜在的模式与异常是一个巨大的挑战。随着数据量的增大，对于市长热线数据等多维时空数据，计算效率问题使这项任务变得更加艰巨。大部分的统计学和机器学习方法通常基于矩阵对时空数据进行建模，缺乏处理多维数据的能力。并且在异常检测方面也仅仅给出区域或时间的异常分数，缺乏有效的解释，导致分析人员无法快速找到异常发生的原因。

信息可视化旨在通过图形图像的方式揭示数据的内在规律，帮助用户感知、理解和分析数据，从而增强分析人员对数据的认知能力。可视分析结合可视化、人机交互和自动分析技术，为分析庞杂的多元异构数据提供了一个有效手段。分析过程以人为中心，充分发挥人的智慧，使整个分析过程透明化。近年来，结合可视化技术和自动分析技术探索城市多维数据是一个热门的研究方向。但目前尚缺乏全面支持常规模式提取、异常检测以及异常解释功能的集成可视分析框架，从而限制了分析人员得出更全面、准确的结论。此外，在大多数可视化系统中探索数据中多维模式是个繁冗的过程，没有提供有效的手段帮助用户快速和全面理解其中的模式，并且缺乏将常规模式与空间和时间上的异常现象进行交互式分析的手段，从而难以对这些异常进行解释。

发明内容

本发明的目的在于克服现有技术的不足，提供时空数据渐进式多维模式提取与异常检测可视分析方法，将多维时空数据建模为张量，采用基于张量分解的方法提取多维模式，并根据历史张量和当前张量模式的差异，对当前数据张量进行区域异常检测，集成可视化隐喻与丰富的交互方式，设计STPVis可视分析系统帮助分析人员挖掘城市时空数据中有价值的模式和异常事件，有效解决传统方法对于潜在模式提取和异常解释的局限性。

为了实现上述目的，本发明提供如下技术方案：

时空数据渐进式多维模式提取与异常检测可视分析方法，包括以下步骤：

步骤1：根据城市的热线数据构建一个三阶张量其中T表示时间段数量，I表示行业数量，D表示区域数量，元素X[i,j,k]代表在第i个时间段、第k个区域、第j个行业的热线投诉数量,按照这种数据构建方式，连续多周的数据便可转化为一个张量时间序列；

步骤2：根据步骤1中的连续多周的数据转化成的张量时间序列，选择第m周的张量作为当前张量x_current，即x_current＝x_m，将前p周数据张量加权平均得到同规模的历史张量x_history，计算公式为：