基于大数据的动态系统事理灾变因果推断方法和系统

技术领域

本发明属于大数据智能处理领域，具体涉及了一种基于大数据的动态复杂系统事理灾变因果推断方法和系统。

背景技术

物理系统随着系统内部参数、系统间与环境之间存在依赖、竞争、关联等复杂的作用，形成了各种来源多模态信息模型。各种内部或者外部变量参数之间遵循系统动力学法相互信息作用影响，这种动力学动态扩张相互作用产生测试数据和训练数据来自不同分布空间，从而产生相变现象，使得现有机器学习方法难以准确预测物理系统未来的行为，推断干预的效果以及预测变量间的统计相关性。具体来说就是两个变量在很长一段时间内，看起来都是高度相关的，但是可能突然就变得毫不相关，称之为突变。这种灾变前兆特征真假难辨、症兆隐蔽、波动性强等问题，采用传统非常规突发事件应急预警方式，难以表征动态复杂系统事理灾变的阶跃点和推断成因。

发明内容

为了解决现有技术中的上述问题，即动态系统事理因果表征和推断分析问题，本发明提供了一种基于大数据的动态系统事理灾变因果推断方法，包括以下步骤：

步骤S100，基于动态复杂系统的多元时间序列历史数据，通过求解哈密顿方程，构造出系统演化超图模型；

步骤S200，获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库；

步骤S300，对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，并基于预设的调整策略进行多物理变量状态干预调整。

进一步的，所述构造系统演化超图模型，其构建方法包括：

步骤S110，基于动态复杂系统的多元历史时间序列数据，通过空域循环记忆编码 技术，提取

步骤S120，对多元关联时序超图表示模型

进一步的，步骤S200中“获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库”，其方法为：

步骤S210，获取某个特定系统当前时刻

步骤S220，基于所述

步骤S230，基于所述不同时刻因果分布

步骤S240，对各时刻变量节点中的状态突变节点和不规则震荡节点，通过拉格朗日未定乘子法构建多元格兰杰因果关系，获取物理变量灾变曲线，构建事理灾变实例库。

进一步的，步骤S230中“计算未来各时刻变量节点

基于

其中，

通过灾变动力方程求解，获取

其中，

其中，

其中，

通过不断

进一步的，步骤S300中“对事理灾变实例库中各种各样灾变样本，通过灾变区域内 变量节点

步骤S310，对事理灾变实例库中各种各样灾变样本，进行灾变区域内变量节点

步骤S320，对所述多物理变量灾变曲线，借助预设的案例库、专家库、预案库中的一种或多种，基于预设的调整策略进行多物理变量状态干预调整，阻断复杂系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生。

进一步的，步骤S310中“对事理灾变实例库中各种各样灾变样本，进行灾变区域内 变量节点

假定研究对象为某一区域，

其中，

进一步的，步骤S320中“对所述多物理变量灾变曲线，借助预设的案例库、反例库中的一种或多种，进行基于预设的调整策略进行多物理变量状态干预调整，阻断复杂系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生”，其方法为：

通过对物理变量灾变曲线，进行灰色度建模分析，将已知数据列构成的灰色模型 （Grey Model）。也就是将序列转化为微分方程，从而建立灰色

其中，a表示正反演案例模板，b表示负反演案例模板，

通过对多物理变量灾变曲线进行灰色度建模分析寻求它的统计规律和概率分布，将杂乱无章的原始数据列，通过一定的方法处理，变成比较有规律的时间序列数据，即以数找数的规律，再建立动态模拟。对于原始数据以一定的方法进行处理，其目的是将建立模型提供中间信息，并将原始数据的波动性弱化。新生成的数列给出以单调增长的曲线，增加了原始数据的规律性，而弱化了波动性。一般来讲，对于非负数据，累加可以弱化波动，增加规律性，这样就比较容易用函数取逼近拟合，阻断复杂系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生。

本发明第二实施例，提出了一种基于大数据的动态复杂系统事理灾变因果推断系统，包括第一模块、第二模块、第三模块；

所述第一模块，配置为基于动态系统的多元关联时序超图表示模型，通过求解哈密顿方程，构造出系统演化超图模型；

所述第二模块，配置为获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库；

所述第三模块，配置为对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，并基于预设的调整策略进行多物理变量状态干预调整。

本发明第三实施例，提出了一种电子设备，包括：

至少一个处理器；以及

与至少一个所述处理器通信连接的存储器；其中，

所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于大数据的动态复杂系统事理灾变因果推断方法。

本发明第四实施例，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于大数据的动态复杂系统事理灾变因果推断方法。

本发明的有益效果：

本发明基于复杂系统的多元时间序列历史数据构造系统动力学超图模型，并基于当前时刻变量节点的连续状态数据计算未来各时刻的变量节点的状态，提高了变量节点状态预测的准确度，实现了系统事理灾变临界区域的快速识别；通过事理风险因果关联动力学曲线的构建，结合反事实推理方法可以获取复杂系统事理灾变的因果推断关系，提升了对动态系统事理灾变因果预测准确性；基于预设调整策略库，形成干预策略，可以有效的提前干预内部多参数变量特征突变、结构动力学不规则扩展等关键指标，预防复杂系统内部多元参数突变。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本发明基于大数据的动态复杂系统事理灾变因果推断方法的流程示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本发明第一实施例的基于大数据的动态复杂系统事理灾变因果推断方法，包括以下步骤：

步骤S100，基于动态系统的多元关联时序超图表示模型，通过求解哈密顿方程，构造出系统演化超图模型；

步骤S200，获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库；

步骤S300，对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，并基于预设的调整策略进行多物理变量状态干预调整。

为了更清晰地对本发明进行说明，下面结合附图对本发明实施例展开详述。

本发明一种实施例的基于大数据的动态复杂系统事理灾变因果推断方法，包括步骤S100-S300。

步骤S100，基于动态系统的多元时间序列历史数据，通过求解哈密顿方程，构造出系统演化超图模型。

复杂系统（即上述的动态系统）包含许多相互作用的元素，它们通过一个网络相连，并按照一定的动力学法则发生相互作用。对复杂系统分析、预测的基础是其运行过程中全参数变量在时间序列上构成的多元时间序列数据，即系统历史行为数据（即上述的多元时间序列历史数据）。

通过求解哈密顿方程，构造出的系统动力学超图模型，即复杂系统事理动态数字字典，本步骤是从数据、行为构建数字字典的过程。

本实施例中，步骤S100可以通过以下所示的步骤S110-S120进行详细说明。

步骤S110，基于复杂系统的多元历史时间序列数据，通过空域循环记忆编码技术， 提取

步骤S120，对多元关联时序超图表示模型

步骤S200，获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库。

基于获取的当前时刻变量的连续状态数据以及步骤S100中获取的多个复杂系统对应的系统演化超图模型，进行状态变量类型的匹配，获得当前时刻变量的连续状态数据对应的系统因果演化超图模型。

本实施例中，步骤S200可以通过以下所示的步骤S210-S240进行详细说明。

步骤S210，获取某个特定系统当前时刻

步骤S220，基于所述

步骤S230，基于所述不同时刻因果分布

步骤S240，对各时刻变量节点中的状态突变节点和不规则震荡节点，通过拉格朗日未定乘子法构建多元格兰杰因果关系，获取物理变量灾变曲线，构建事理灾变实例库。

进一步的，步骤S230中“计算未来各时刻变量节点

基于

其中，

通过灾变动力方程求解，获取

其中，

其中，

其中，

通过不断

步骤S300，对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，并基于预设的调整策略进行多物理变量状态干预调整。

通过该步骤，可以提前干预内部多参数变量特征突变、结构动力学不规则扩展等关键指标，预防复杂系统内部多元参数突变。

本实施例中，步骤S300可以通过以下所示的步骤S310-S330进行详细说明。

步骤S310，对事理灾变实例库中各种各样灾变样本，进行灾变区域内变量节点

步骤S320，对所述多物理变量灾变曲线，借助预设的案例库、专家库、预案库中的一种或多种，基于预设的调整策略进行多物理变量状态干预调整，阻断系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生。

进一步的，步骤S310中“对事理灾变实例库中各种各样灾变样本，进行灾变区域内 变量节点

假定研究对象为某一区域，

其中，

进一步的，步骤S320中“对所述多物理变量灾变曲线，借助预设的案例库、反例库中的一种或多种，进行基于预设的调整策略进行多物理变量状态干预调整，阻断复杂系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生”，其方法为：

通过对物理变量灾变曲线，进行灰色度建模分析，将已知数据列构成的灰色模型 （Grey Model）。也就是将序列转化为微分方程，从而建立灰色

其中，a表示正反演案例模板，b表示负反演案例模板，

通过对多物理变量灾变曲线进行灰色度建模分析寻求它的统计规律和概率分布，而是将杂乱无章的原始数据列，通过一定的方法处理，变成比较有规律的时间序列数据，即以数找数的规律，再建立动态模拟。对于原始数据以一定的方法进行处理，其目的是将建立模型提供中间信息，并将原始数据的波动性弱化。新生成的数列给出以单调增长的曲线，增加了原始数据的规律性，而弱化了波动性。一般来讲，对于非负数据，累加可以弱化波动，增加规律性，这样就比较容易用函数取逼近拟合，阻断复杂系统内部输入变量、输出变量和灾变状态变量之间信息传播，预防事理灾变风险发生。

本发明第二实施例的基于大数据的动态复杂系统事理灾变因果推断系统，包括第一模块、第二模块、第三模块；

所述第一模块，配置为基于动态系统的多元关联时序超图表示模型，通过求解哈密顿方程，构造出系统演化超图模型；

所述第二模块，配置为获取某个特定系统当前时刻变量的连续状态数据，通过系统演化超图模型，生成不同时刻多元变量因果独立同分布，并对这些分布进行灾变动力方程求解，识别出各时刻的系统灾变临界区域分布，构建事理灾变实例库；

所述第三模块，配置为对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，并基于预设的调整策略进行多物理变量状态干预调整。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例提供的基于大数据的动态复杂系统事理灾变因果推断系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。

本发明第三实施例的一种电子设备，包括：

至少一个处理器；以及

与至少一个所述处理器通信连接的存储器；其中，

所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于大数据的动态复杂系统事理灾变因果推断方法。

本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于大数据的动态复杂系统事理灾变因果推断方法。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

术语“第一”、 “第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。