[發明專利]一種空間計算操作的人工智能優化方法

在審

• 申請號: 202010971187.5
• 申請日: 2020-09-16
• 公開（公告）號: CN112181642A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 樂鵬;高凡;龔健雅;姜良存;張明達;胡磊
• 申請（專利權）人: 武漢大學
• 主分類號: G06F9/50
• 分類號: G06F9/50;G06K9/62;G06N20/00
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 羅飛

1.一種空間計算操作的人工智能優化方法，其特征在于，包括：

S1：基于數據并行策略從空間數據中挖掘出候選特征，其中，空間數據為矢量多邊形數據；

S2：基于矢量多邊形數據生成樣本數據，其中，樣本數據以基于候選特征計算的值為特征向量，以每個網格執行空間相交操作的時間作為標簽，矢量多邊形數據按照不同網格大小進行劃分；

S3：采用機器學習特征選擇算法從生成的樣本數據中，剔除冗余特征，選擇出目標特征，并基于目標特征構成最優特征子集；

S4：將S2中生成的樣本數據和S3中的最優特征子集輸入機器學習回歸訓練模型中，以預設指標作為模型精度指標，采用10-折交叉驗證得到不同模型的泛化性能，選擇預測精度最高的模型作為計算強度預測模型；

S5：將計算強度預測模型嵌入并優化高性能地理計算過程，執行并行空間計算操作。

2.如權利要求1所述的空間計算操作的優化方法，其特征在于，S1具體包括：

基于數據并行的策略，采用空間網格劃分方法對空間數據進行分解，對每個網格內的所有多邊形進行候選特征挖掘，其中，挖掘出的候選特征包括圖層一網格內多邊形數量、圖層一網格內多邊形頂點數量、圖層一網格內多邊形中心點分布方差、圖層二網格內多邊形數量、圖層二網格內多邊形頂點數量、圖層二網格內多邊形中心點分布方差以及圖層一和圖層二網格內所有多邊形中心點取均值后的歐式距離，圖層一和圖層二分別對應需要進行空間計算操作的多邊形。

3.如權利要求2所述的空間計算操作的優化方法，其特征在于，候選特征還包括參考點的個數。

4.如權利要求1所述的空間計算操作的優化方法，其特征在于，S3具體包括：

S3.1：將S2中生成的樣本數據輸入機器學習特征選擇算法中，進行特征篩選，篩選出與機器學習特征選擇算法對應的目標特征，其中，機器學習特征選擇算法包括過濾式、包裹式以及嵌入式的算法；

S3.2：對各機器學習特征選擇算法篩選出的目標特征進行重要性排名，并采用后向順序搜索方法剔除重要性排名較低的特征；

S3.3：將剔除重要性排名較低的特征之后得到的特征輸入機器學習回歸訓練模型中進行對比，根據模型精度獲取最優特征子集。

5.如權利要求1所述的空間計算操作的優化方法，其特征在于，S4中機器學習回歸訓練模型包括CART回歸樹模型、隨機森林模型、梯度上升回歸模型和支持向量回歸模型，預設指標包括擬合度、平均絕對誤差以及均方根誤差。

6.如權利要求1所述的空間計算操作的優化方法，其特征在于，S5具體包括：

S5.1：通過主進程讀取多邊形，計算所有多邊形覆蓋的空間范圍，向各子進程廣播空間范圍和各子進程應處理的多邊形ID范圍的方式進行空間相交過濾；

S5.2：通過子進程讀取S4中預先訓練的計算強度預測模型，評估網格的計算強度并匯聚到主進程；

S5.3：主進程根據各個網格的計算強度進行任務分配與空間相交精解，得到求交結果。

7.如權利要求6所述的空間計算操作的優化方法，其特征在于，S5.1包括：

主進程讀取兩圖層多邊形數據，計算所有多邊形覆蓋的空間范圍，并向各子進程廣播空間范圍和各子進程應處理的多邊形ID范圍；

各子進程基于接收的空間范圍進行網格劃分，根據應處理的多邊形ID范圍讀取多邊形，判斷多邊形與各個網格的相交關系，如相交則將多邊形ID綁定到網格，最后各子進程將綁定了多邊形ID信息的網格發送到主進程；

主進程基于網格匯聚多邊形ID。

8.如權利要求6所述的空間計算操作的優化方法，其特征在于，S5.2包括：

主進程根據各個網格內多邊形頂點數量，按照子進程數量對網格進行均分，將網格綁定的多邊形ID分發至各子進程；

子進程讀取網格綁定的多邊形，計算每個網格在S3中選擇的特征子集值作為該網格特征向量，讀取S4中預先訓練的計算強度預測模型，評估網格的計算強度并匯聚到主進程。

9.如權利要求6所述的空間計算操作的優化方法，其特征在于，S5.3包括：

主進程根據各個網格的計算強度，按照子進程數量對網格進行均分，將網格綁定的多邊形ID分發至各子進程；

子進程讀取網格綁定的多邊形，對網格內的多邊形求交，并將求交結果發送給主進程，最后主進程進行匯聚得到兩個圖層的相交結果。