一种时空数据的特征融合方法、装置、设备及介质与流程

本发明涉及数据处理领域，具体涉及一种时空数据的特征融合方法、装置、设备及介质。

背景技术：

1、现有的时空数据融合过程中，数据可能来源于多个数据源，如何有效地整合这些数据源以获得更准确、全面的时空特征是一个挑战。现有的时空数据融合过程中，数据融合可能会受到数据特征、数据类型等因素的影响，导致数据融合不准确或者不完整。

技术实现思路

1、有鉴于此，本发明实施例提供了一种时空数据的特征融合方法、装置、设备及介质，以解决数据融合可能会受到数据特征、数据类型等因素的影响，导致数据融合不准确或者不完整的问题。

2、第一方面，本发明实施例提供了一种时空数据的特征融合方法，其特征在于，所述方法包括：

3、获取目标用户对应的用户时空数据，其中，所述用户时空数据包括所述目标用户在不同数据源中的数据；

4、按照预设网格结构对所述用户时空数据进行划分得到所述网格单元；

5、提取所述网格单元中时空数据对应的时空特征；

6、获取每个所述时空特征对应的重要程度，利用所述重要程度对所述时空特征进行融合得到所述用户时空数据对应的目标时空特征。

7、本技术实施例提供的方法，首先通过获取目标用户对应的用户时空数据，能够了解到目标用户在不同时间点和不同地点的活动情况。其次，通过按照预设网格结构对用户时空数据进行划分，能够更好地对数据进行分析和处理。然后通过提取网格单元中时空数据对应的时空特征，能够更好地了解网格单元的时空特征。通过时空特征对应的重要程度，能够更好地了解每个时空特征的重要性。最终利用重要程度对时空特征进行融合，能够更好地反映出目标用户时空数据的整体情况。以此能够帮助更好地了解目标用户的活动情况，并为后续的数据分析和处理提供基础。

8、在本发明一个实施例中，所述用户时空数据至少包括：位置数据、在线行为数据、地理兴趣点数据以及历史轨迹数据。

9、在本发明一个实施例中，所述按照预设网格结构对所述用户时空数据进行划分得到所述网格单元，包括：

10、利用所述位置数据中的经纬度将所述位置数据划分为多个网格单元；

11、获取所述在线行为数据中用户行为发生的时间信息和位置信息，利用所述时间信息和位置信息将所述在线行为数据划分为多个网格单元；

12、根据兴趣点的经纬度和兴趣点类别将所述地理兴趣点数据划分为多个网格单元；

13、根据历史轨迹数据的时间戳将所述历史轨迹数据划分为多个的网格单元。

14、在本发明一个实施例中，所述提取所述网格单元中时空数据对应的时空特征，包括：

15、提取每个所述网格单元中时空数据的数据条目；

16、读取所述数据条目得到时间戳集合以及访问频次集合；

17、获取所述网格单元对应的网格标识，并基于所述网格标识，时间戳集合以及访问频次集合生成所述时空特征。

18、本技术实施例提供的方法通过提取每个网格单元中时空数据的数据条目，能够更好地了解网格单元中的时空数据。通过读取数据条目得到时间戳集合以及访问频次集合，能够更好地了解网格单元的时间戳和访问频次信息。通过获取网格单元对应的网格标识，能够更好地对网格单元进行管理和分析。通过基于网格标识、时间戳集合以及访问频次集合生成时空特征，能够更好地了解网格单元的时空特征。为后续的数据分析和处理提供基础。

19、在本发明一个实施例中，所述获取每个所述时空特征对应的重要程度，利用所述重要程度对所述时空特征进行融合得到所述用户时空数据对应的目标时空特征，包括：

20、将每个时空特征输入至注意力网络模型，通过所述注意力网络模型确定所述网格标识对应的重要程度，并利用所述重要程度对每个网格单元的所述时空特征进行融合得到所述用户时空数据对应的目标时空特征。

21、在本发明一个实施例中，所述将每个时空特征输入至注意力网络模型，通过所述注意力网络模型确定所述网格标识对应的重要程度包括：

22、将所述每个时空特征输入至所述注意力网络模型；

23、通过所述注意力网络模型计算所述时间戳集合对应的时间戳向量以及所述访问频次集合对应的访问频次向量；

24、计算所述时间戳向量与所述访问频次之间的点积，得到相似度矩阵，其中，所述时间戳向量表示用户在不同时间点的活跃程度，所述访问频次向量表示用户在不同时间点的活跃程度，所述相似度矩阵包括多个相似度分值；

25、对所述相似度矩阵进行归一化，得到每个访问频次向量对应的权重值。

26、将所述权重值作为所述网格标识对应网格单元的重要程度。

27、在本发明一个实施例中，在对所述相似度矩阵进行归一化之前，所述方法还包括：

28、获取所述访问频次向量对应的维度；

29、利用所述相似度矩阵中各个相似度分值与所述维度进行计算，得到降维后的相似度矩阵。

30、第二方面，本发明实施例提供了一种时空数据的特征融合装置，所述装置包括：

31、获取模块，用于获取目标用户对应的用户时空数据，其中，所述用户时空数据包括所述目标用户在不同数据源中的数据；

32、处理模块，用于按照预设网格结构对所述用户时空数据进行划分得到所述网格单元；

33、提取模块，用于提取所述网格单元中时空数据对应的时空特征；

34、融合模块，用于获取每个所述时空特征对应的重要程度，利用所述重要程度对所述时空特征进行融合得到所述用户时空数据对应的目标时空特征。

35、第三方面，本发明实施例提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的方法。

36、第四方面，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的方法。

37、本技术实施例提供的方法，首先通过获取目标用户对应的用户时空数据，能够了解到目标用户在不同时间点和不同地点的活动情况。其次，通过按照预设网格结构对用户时空数据进行划分，能够更好地对数据进行分析和处理。然后通过提取网格单元中时空数据对应的时空特征，能够更好地了解网格单元的时空特征。通过时空特征对应的重要程度，能够更好地了解每个时空特征的重要性。最终利用重要程度对时空特征进行融合，能够更好地反映出目标用户时空数据的整体情况。以此能够帮助更好地了解目标用户的活动情况，并为后续的数据分析和处理提供基础。

38、本技术实施例提供的方法通过提取每个网格单元中时空数据的数据条目，能够更好地了解网格单元中的时空数据。通过读取数据条目得到时间戳集合以及访问频次集合，能够更好地了解网格单元的时间戳和访问频次信息。通过获取网格单元对应的网格标识，能够更好地对网格单元进行管理和分析。通过基于网格标识、时间戳集合以及访问频次集合生成时空特征，能够更好地了解网格单元的时空特征。为后续的数据分析和处理提供基础。

39、本技术实施例提供的方法通过将每个时空特征输入至注意力网络模型，能够自动学习到数据中的重要信息，并将这些信息表示为对应的时间戳向量和访问频次向量。通过计算时间戳向量与访问频次之间的点积，得到相似度矩阵，能够准确地反映出用户在不同时间点的活跃程度。通过对相似度矩阵进行归一化，得到每个访问频次向量对应的权重值，能够方便地反映出访问频次向量在相似度矩阵中的重要程度。将权重值作为网格标识对应网格单元的重要程度，能够准确地反映出网格单元在数据中的重要程度。