基于高阶网络的海运数据生物入侵可视化方法及系统

1.本发明涉及生物入侵预测领域，尤其涉及一种基于高阶网络的海运数据生物入侵可视化方法及系统。


背景技术：

2.在全球海洋航运(简称海运)网络中，一些生物会通过船体压载海水或在未知的情况下进入船体本身，以“搭便车”方式到达其他生态中，从而造成了生物入侵。传统的海运数据研究，很少会使用可视化系统来进行研究，而是直接通过面向过程的数学模型，一步步探寻关键的或感兴趣的信息。这样的技术手段不够灵活且不易于直接观察数据与数据之间的关系。


技术实现要素：

3.为了解决上述技术问题，本发明的目的是提供一种高阶网络的海运数据生物入侵可视化方法及系统，能够利用海运数据构建高阶网络，并有效展示高阶网络的各项数据，从而更好地进行生物入侵可视化分析。
4.本发明所采用的第一技术方案是：一种基于高阶网络的海运数据生物入侵可视化方法，包括以下步骤：
5.获取海运数据并根据海运数据生成港口之间的生物入侵概率；
6.基于港口之间的生物入侵概率，结合海运数据构建生物入侵高阶网络；
7.基于生物入侵高阶网络生成港口入侵风险，并进行可视化展示。
8.进一步，所述获取海运数据并根据海运数据生成港口之间的生物入侵概率这一步骤：
9.获取海运数据，所述海运数据包括不同船舶到达不同港口下的时间序列数据和港口的生态数据；
10.基于不同船舶到达不同港口下的时间序列数据和港口的生态数据，定义船舶在两个港口之间带来的入侵风险；
11.基于船舶在两个港口之间带来的入侵风险，整合海运数据中的船舶，得到两个港口之间入侵的概率。
12.进一步，所述港口的生态数据包括平均温度、盐度、所在海域、所在生态圈和邻近生态区域。
13.进一步，所述两个港口之间入侵的概率公式表示如下：
[0014][0015]
上式中，所述p
ij
表示港口i与港口j之间入侵的概率，所述pr
ij
表示港口i与港口j是否为不同生态领域，所述pe
ij
表示港口i与港口j之间平均温度和盐度的相似性，所述
表示一艘船在港口i与港口j之间所带来的入侵风险，所述i和j分别表示不同的港口，所述v表示船舶。
[0016]
进一步，所述基于港口之间的生物入侵概率，结合海运数据构建生物入侵高阶网络这一步骤，其具体包括：
[0017]
基于港口之间的生物入侵概率，结合海运数据中船舶的历史轨迹，生成轨迹的入侵概率；
[0018]
根据海运数据，依次计算轨迹的入侵概率并切割得到高阶节点；
[0019]
以轨迹为边，根据高阶节点组建高阶网络，得到生物入侵高阶网络。
[0020]
进一步，所述基于生物入侵高阶网络生成港口入侵风险，并进行可视化展示这一步骤，其具体包括：
[0021]
根据生物入侵高阶网络中的边和轨迹的入侵概率对港口进行被入侵概率的计算，得到港口入侵风险；
[0022]
整合高阶网络中的港口入侵风险并基于地理视图制作依赖视图、子图视图和聚合视图进行可视化展示。
[0023]
进一步，所述基于地理视图制作依赖视图、子图视图和聚合视图进行可视化展示具体包括：
[0024]
基于地理视图显示港口的入侵概率；
[0025]
在依赖视图显示港口对应的高阶节点；
[0026]
通过子图视图显示整个高阶网络；
[0027]
通过聚合视图显示高阶网络社区的权重统计。
[0028]
本发明所采用的第二技术方案是：一种基于高阶网络的海运数据生物入侵可视化系统，包括：
[0029]
概率计算模块，用于获取海运数据并根据海运数据生成港口之间的生物入侵概率；
[0030]
网络构建模块，基于港口之间的生物入侵概率，结合海运数据构建生物入侵高阶网络；
[0031]
展示模块，基于生物入侵高阶网络生成港口入侵风险，并进行可视化展示。
[0032]
本发明方法及系统的有益效果是：本发明利用海运数据构建入侵概率数学模型，进一步提出了划分高阶节点和高阶网络边的方法，从而构建出一个符合实际、对生物入侵有物理意义的情况的高阶网络，有效展示构建好的高阶网络的各项数据，能够直观地找出感兴趣的数据，从而更好地进行探索和分析。
附图说明
[0033]
图1是本发明一种基于高阶网络的海运数据生物入侵可视化方法的步骤流程图；
[0034]
图2是本发明一种基于高阶网络的海运数据生物入侵可视化系统的结构框图；
[0035]
图3是本发明具体实施例地理视图的示意图；
[0036]
图4是本发明具体实施例依赖视图的示意图；
[0037]
图5是本发明具体实施例子图视图和聚合图的实用示意图。
具体实施方式
[0038]
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0039]
如图1所示，本发明提供了一种基于高阶网络的海运数据生物入侵可视化方法，该方法包括以下步骤：
[0040]
s1、获取海运数据并根据海运数据生成港口之间的生物入侵概率；
[0041]
s1.1、获取海运数据，所述海运数据包括不同船舶到达不同港口下的时间序列数据和港口的生态数据；
[0042]
s1.2、基于不同船舶到达不同港口下的时间序列数据和港口的生态数据，定义船舶在两个港口之间带来的入侵风险；
[0043]
具体地，根据不同船舶到达不同港口下的时间序列数据可以得到每一艘船舶的历史轨迹和每个港口与船舶的交互信息，所述港口的生态数据包括平均温度、盐度、所在海域、所在生态圈和邻近生态区域。
[0044]
如果要把生物入侵进行量化，可以理解成生物入侵的概率有多少。对于一艘船而言，每一次经过两个不同生态区域的时候，都有可能发生一次生物入侵。这艘船可能会携带着上一个，甚至上几个港口的生物，污染当前港口的生态。现在，定义一艘船在两个港口之间，它所带来的入侵风险为：
[0045][0046]
其中，i和j表示i港口和j港口，pr
ij
表示i和j港口是否是同一个生态区域，pe
ij
表示i 和j港口环境的相似程度，表示船舶v从i到j港口的入侵风险。以下分别定义pr
ij
、pe
ij
和的入侵风险。
[0047]
pr
ij
的定义为：
[0048][0049]
当两个生态区域不一样的时候，才会带来入侵风险。
[0050]
pe
ij
定义为：
[0051][0052]
其中，t表示港口的平均温度，s表示港口的盐度，δ表示i和j两个港口值的差，δt和δs分别表示港口之间的平均温度标准差和盐度标准差，其中取δt＝2℃、δs＝10ppt和α＝0.00015。这个公式的值表示两个港口之间平均温度和盐度的相似性，如果两个港口是不同的生态区域而平均温度和盐度相似，那说明对与入侵的生物来说是宜居的，入侵的概率会越大。
[0053]
的定义为：
[0054]
[0055]
其中v表示船只，同一艘船v是相同的，w表示没有操作防污染的船舶占据该类别船舶的比例，μ是入侵的生物在船中的死亡率，表示船舶在经过时间后的入侵的生物死亡的比例。w的取值的估计是通过实际调查得出的，有集装箱船0.19，汽车运输车0.20，油轮0.30，客轮0.31，散船0.42，一般船0.53，其他商船0.60。μ的取值为常数0.002。可以在海运数据中得到。po
ij
表示对该港口所有船舶的海事策略管制，调节该权重会使得从i 港口到j港口的入侵风险降低。
[0056]
s1.3、基于船舶在两个港口之间带来的入侵风险，整合海运数据中的船舶，得到两个港口之间入侵的概率。
[0057]
具体地，上述的计算，只是描述了一艘船在两个港口之间带来的入侵风险。而如果一个港口，有很多来自世界各地不同的船经过后，对比于一个只会有几艘船经过的港口，被入侵的风险将会更高。而如果我们把海运数据中每一艘船的经过都考虑为一次随机事件的发生，那么整合数据中所有船舶，假设有n条船舶经过这个港口，可以得到两个港口之间入侵的概率为：
[0058][0059]
其中连乘符号中的概率为港口i到港口j之间的路径船舶v没有发生入侵的概率，而整个连乘就表示所有船舶都没有发生入侵的概率，用1减去这个值，就等于至少发生了一次的概率。至此，就确定了海运数据中，一阶依赖下的入侵概率是多少。
[0060]
s2、基于港口之间的生物入侵概率，结合海运数据构建生物入侵高阶网络；
[0061]
s2.1、基于港口之间的生物入侵概率，结合海运数据中船舶的历史轨迹，生成轨迹的入侵概率；
[0062]
具体地，公式(5)已经计算出了两个港口之间的入侵概率，但是实际上，两个港口之间，还可能会因为船舶的历史轨迹而发生新的入侵。比如有轨迹a-》b-》c，其中b和c港口是相同的生态区域，a和b港口是不同的生态区域。如果我们只考虑b-》c港口，是不会存在入侵风险的，而如果把a一起考察，船舶就有可能把a港口的外来生物带到了c港口。所以更进一步地，我们需要考虑轨迹上入侵概率的变化。
[0063]
现在定义，在一条轨迹下所产生的入侵概率应该为多少。可以这样考虑，一艘船有轨迹 a-》b-》c，在从a港口到达b港口后，所携带的生物可能会因为自然死亡或者船舶的换水而导致从a港口携带的生物数量减少，此时船舶中会同时含有a和b港口的生物，同理会继续携带这些生物达到c港口。在这个过程中，我们就需要考虑，每次经过一个港口，船舶中的生物会如何变化，这些生物会对入侵风险带来怎么样的影响。对于一条长路径ab...mn，其入侵概率可以定义为：
[0064][0065]
其中有公式：
[0066][0067]
cw表示换水的系数，cw∈[0,1]的常数，k表示轨迹的长度，而表示历史轨迹下对港口n的入侵概率，在每一次换水后，都会影响到历史轨迹中的生物 ((1-cwv)
k-1
p(m|ab...l))，同时每经过一个节点都会发生生物的自然死亡(ps)、或者会因为环境影响而减少入侵概率(pr)、或者生物区域不同而有影响(pe)。最后，当路径足够短时，只有两个港口时，就是(5)中一阶依赖的入侵风险的计算。
[0068]
所以我们已经可以得到一条轨迹下如何计算其入侵概率了，同理如果有多条船舶经过这样的轨迹，为了整合这一个数据，把每一艘船考虑为一次随机事件的发生，则有：
[0069][0070]
s2.2、根据海运数据，依次计算轨迹的入侵概率并切割得到高阶节点；
[0071]
具体地，现在考虑如何对海运数据的序列进行切割而得到高阶节点。只需要依次计算其轨迹的入侵概率，直到入侵概率不会发生变化，那么该轨迹中的每一条路径都可以切割出来当成是多个高阶节点。例如存在一个轨迹a-》b-》c-》d-》e-》f，其中a-》b-》c和a-》b-》c-》d 的入侵概率是相同的，则我们可以得到高阶节点{c|ab,b|a,c|b}，之后继续从d开始计算后续的高阶节点。
[0072]
s2.3、以轨迹为边，根据高阶节点组建高阶网络，得到生物入侵高阶网络。
[0073]
之后我们可以利用海运数据，依次计算轨迹的入侵概率并且切割出所有的高阶节点，然后用高阶节点组成高阶网络完成图网络的整理。
[0074]
值得注意的一点是，定义的中存在一项“po
ij
船舶的海事策略管制”的参数，该参数在产生高阶网络的时候会存在影响。当该参数发生变化的时候，会使得某些港口之间计算出来的入侵风险发生变化，从而切割出来的高阶节点将会发生变化，导致整个高阶网络发生变化，也就是得到了不同的高阶网络。利用这一性质，在构建不同的海事政策后，得到不同的高阶网络，利用这些不同的网络进行对比，获得不同的海事政策之间的异同。
[0075]
s3、基于生物入侵高阶网络生成港口入侵风险，并进行可视化展示。
[0076]
s3.1、根据生物入侵高阶网络中的边和轨迹的入侵概率对港口进行被入侵概率的计算，得到港口入侵风险；
[0077]
现在，已经切割好海运数据为高阶节点，并且已经整理好高阶网络。对于每一个港口，需要计算一个被入侵的概率，以此得到更好的可视化效果，从而更好地进行交互，选出感兴趣的港口。
[0078]
现在对于高阶网络有边如e(c|ab,d|bc)，其中，这条边指向了港口d作为终点。那么如果我们把所有指向港口d作为终点的边都取出来，可以继续把每一条轨迹都当做一次随机事件，计算出港口的入侵概率，有公式：
[0079][0080]
在实际的过程中发现，直接利用这个公式进行计算，所有港口的入侵风险都会偏大，不利于可视化观察，因此在计算p前，可以考虑先降低p
ij
的值，那么我们可以把所有入侵到港口d的入侵概率都进行求和并归一化，得到p'
ij
，再重新用公式计算以此得到港口d被入侵的权重值。
[0081]
s3.2、整合高阶网络中的港口入侵风险并基于地理视图制作依赖视图、子图视图和聚合视图进行可视化展示。
[0082]
进一步作为本方法优选实施例，所述基于地理视图制作依赖视图、子图视图和聚合视图进行可视化展示具体包括：
[0083]
原始数据是不同船只在不同时间下的经过各个港口的时间序列数据，可以认为，每一条原始数据都是由一艘船经过不同港口的时间序列数据。
[0084]
高阶节点则是通过不同的切割方法，把每一条时间序列数据切割成不同的小块，或者说一小个序列。每个小块都是一个高阶节点，如a-》b-》c-》b就是一个切割出来的小序列，也是一个高阶节点。
[0085]
高阶网络，就是上述小序列的连接。切割前后的两个高阶节点，就有一条边的连接。所有边和高阶节点所组成网络，就是高阶网络。
[0086]
所以依赖视图，显示的就是上述的高阶节点的数据。在视图中，会展示出选中的高阶节点。其次，把所有的高阶节点利用forceatlas2方法映射到一个二维的空间上可视化出来，所显示的图像就是子图视图。高阶网络可以看成是一个特殊的图网络，所以可以利用图网络的性质，计算出网络不同的社区。通过统计社区中的权重，可以得到矩形图和热力图所组成的视图。该视图是子图视图中的一部分。
[0087]
基于地理视图显示港口的入侵概率；
[0088]
具体地，参照图3，地理视图展示了所有港口的加权情况。地图可以通过鼠标进行交互：左右拖拽可以平移这个地图让地图呈现循环展示的状态；上下拖拽可以上下平移这个地图；鼠标滚动可以放大或者缩小地图以，其中放大可以看见密集的区域中某些被覆盖了而看不见的港口；鼠标点击以获取对应港口的详细信息。
[0089]
在依赖视图显示港口对应的高阶节点；
[0090]
具体地，参照图4，左边的圆形节点代表了一个港口，圆形节点的颜色就是与地理视图中的颜色是对应的，都是表示港口的生物入侵风险。而每一条边表示为一个高阶节点，也就是这一条路径下的生物入侵风险。边越粗，颜色越深，代表生物入侵概率越高。中间的小矩形表示该高阶节点的转移概率，颜色越深代表转移概率越高，也就是该高阶节点转移到下一个终点的概率是越大的。一个高阶节点可能有不同的终点，所以一个高阶节点会对应多个生物入侵风险和不同的转移概率。
[0091]
通过子图视图显示整个高阶网络；
[0092]
具体地，参照图5，当在地理视图中选择了一个港口后，在依赖视图中会可视化出该港口对应的高阶节点。其中可视化的结果会存在两种情况，第一种是可视化出以该港口为起点的高阶节点，第二种是可视化出以该港口为终点的高阶节点。这两种模式的选择可以在e交互工具栏中，是否勾选依赖视图中“trace back”按钮而得到不同的模式。同时，在
选中其中一个港口后，会把存在这个港口的高阶节点序列都高亮，并展示到地理视图和子图视图中。在图5的地理视图中，高亮的港口为地中海区域的港口。其次，子图视图中高阶节点的颜色越深，就代表对应高阶节点的生物入侵风险越大。
[0093]
通过聚合视图显示高阶网络社区的权重统计。
[0094]
具体地，如图5右下角所示，聚合视图由一个热力图和一个条形统计图组成。每一列的表示一个类别，每一行表示一个高阶节点，如果高阶节点个数太多，会使用右边的滚动条来显示其他的高阶节点。该视图的交互过程是：在地理视图或者依赖视图中选中了一些的高阶节点，这些高阶节点会高亮在子图视图中。点击交互工具栏中的trace按钮，对子图视图中选中的高阶节点进行一次传播探索，这个传播可以向前，也可以向后。对于高阶网络中一个节点的边是有向的，向后传播就是找到这个高阶节点的出度，向前传播就是找到这个高阶节点的入度。通过搜索这些选中的高阶节点的前向或者后向的高阶节点，子图视图和地理视图都会进行更新，显示出被传播而搜索出来的节点。而聚合视图则会统计刚开始用于传播的那些高阶节点，对每一个社区的影响。其中这些社区是利用louwan方法进行识别的。社区权重统计时，柱子越高代表对应社区的贡献率越大，也就是社区的生物入侵风险越大。而统计图中每一个小正方形颜色越深，就代表对应的高阶节点在当前社区中的贡献率大。
[0095]
如图2所示，一种基于高阶网络的海运数据生物入侵可视化系统，包括：
[0096]
概率计算模块，用于获取海运数据并根据海运数据生成港口之间的生物入侵概率；
[0097]
网络构建模块，基于港口之间的生物入侵概率，结合海运数据构建生物入侵高阶网络；
[0098]
展示模块，基于生物入侵高阶网络生成港口入侵风险，并进行可视化展示。
[0099]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0100]
一种基于高阶网络的海运数据生物入侵可视化装置：
[0101]
至少一个处理器；
[0102]
至少一个存储器，用于存储至少一个程序；
[0103]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于高阶网络的海运数据生物入侵可视化方法。
[0104]
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0105]
一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种基于高阶网络的海运数据生物入侵可视化方法。
[0106]
上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0107]
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。