[发明专利]一种在地理空间中的传播分析方法及装置

说明书

本发明公开了一种在地理空间中的传播分析方法及装置，包括：将地理时间序列中转换成地理感染事件序列；考虑时间和地理上的关系，计算所述的地理感染事件序列中地理感染事件间的潜在影响实例；基于所述的潜在影响实例，利用贪心的方法构建传播网络；根据所述传播网络，分析得到地理感染事件的传播路径。本发明将网络推理的方法应用到地理空间中的传播分析中，具有通用性强，可扩展性强，计算效率高等优点。

技术领域

本发明涉及城市时空大数据分析领域，特别涉及一种在地理空间中的传播分析方法及装置。

背景技术

传播网络中节点之间的连接表示两者之间具有影响关系。在城市的地理空间中，存在着事件的传播现象，例如空气污染的传播、交通拥堵传播等等。其中每个地点在传播网络代表节点，边代表了事件的影响。

以交通拥堵为例子：每个路段表示一个节点，如果某个路段上发生交通拥堵，则称该路段发生了感染事件。一个路段的交通拥堵会随着交通流反向传播到其他多个路段，这种传播过程称为在地理空间中的传播。传播背后反映的是城市地理空间中固有的内在关系。图结构的传播网络则是用来描述这种内在关系的一种数学符号表达。

目前的在地理上进行传播分析方法可以分为模型驱动和数据驱动两类：

模型驱动的方法是指采用数学模型或者物理模型模拟节点之间的影响。例如，HYSPLIT模型被广泛应用于空气污染传播的分析，元胞传输模型被广泛应用于交通流和交通堵塞的分析。这些方法通过建立数学模型对事件的演变进行模拟。但是它们会引入大量的假设条件来简化真实世界，这些条件在真实世界中是很难保证的，因此具有一定的局限性。

数据驱动的方法是通过观察到的现象来推断节点之间蕴含关系。数据驱动的级联关系分析方法主要分为以下几种：着重对单个影响进行建模的方法、基于频繁子图挖掘的方法、基于贝叶斯网络的因果推理方法等。对单个影响进行建模不能很好地考虑长时间的观测，局部时间内的观测可能是随机的异常值。而基于频繁子图挖掘只考虑事件发生的频率，并未考虑那些发生频率低但是依赖性高的影响。最先进的方法是基于贝叶斯网络，网络推理等概率方法。这些方法大多通过将整个时间划分为多个时间段进行分析，忽略了传播过程在时间上的连续性。使得这类方法严重依赖于特定领域的知识，具有较差的扩展性。

为了解决上述局限性，我们提出了一种在地理空间中的传播分析方法。

发明内容

本发明实施例的目的是提供一种在地理空间中的传播分析方法，以解决现有的地理传播分析方法存在的通用性、扩展性差的问题，该方法可以用于分析地理空间中事件的传播关系，例如空气污染的传播、交通拥堵传播等。

为了达到上述目的，本发明实施例所采用的技术方案如下：

第一方面，本发明实施例提供一种在地理空间中的传播分析方法，包括：

将地理时间序列中转换成地理感染事件序列；

考虑时间和地理上的关系，计算所述的地理感染事件序列中地理感染事件间的潜在影响实例；

基于所述的潜在影响实例，利用贪心的方法构建传播网络；

根据所述传播网络，分析得到地理感染事件的传播路径。

进一步地，将地理时间序列中转换成地理感染事件序列，具体包括：

根据领域场景或者数据来源，设定一个阈值；

对于某个地点，其时间序列中的值若超过所述的阈值时，则称该地点此时发生感染，从而将连续的地理时间序列转换成01的地理布尔时间序列；