[发明专利]一种空间计算操作的人工智能优化方法

权利要求书

1.一种空间计算操作的人工智能优化方法，其特征在于，包括：

S1：基于数据并行策略从空间数据中挖掘出候选特征，其中，空间数据为矢量多边形数据；

S2：基于矢量多边形数据生成样本数据，其中，样本数据以基于候选特征计算的值为特征向量，以每个网格执行空间相交操作的时间作为标签，矢量多边形数据按照不同网格大小进行划分；

S3：采用机器学习特征选择算法从生成的样本数据中，剔除冗余特征，选择出目标特征，并基于目标特征构成最优特征子集；

S4：将S2中生成的样本数据和S3中的最优特征子集输入机器学习回归训练模型中，以预设指标作为模型精度指标，采用10-折交叉验证得到不同模型的泛化性能，选择预测精度最高的模型作为计算强度预测模型；

S5：将计算强度预测模型嵌入并优化高性能地理计算过程，执行并行空间计算操作。

2.如权利要求1所述的空间计算操作的优化方法，其特征在于，S1具体包括：

基于数据并行的策略，采用空间网格划分方法对空间数据进行分解，对每个网格内的所有多边形进行候选特征挖掘，其中，挖掘出的候选特征包括图层一网格内多边形数量、图层一网格内多边形顶点数量、图层一网格内多边形中心点分布方差、图层二网格内多边形数量、图层二网格内多边形顶点数量、图层二网格内多边形中心点分布方差以及图层一和图层二网格内所有多边形中心点取均值后的欧式距离，图层一和图层二分别对应需要进行空间计算操作的多边形。

3.如权利要求2所述的空间计算操作的优化方法，其特征在于，候选特征还包括参考点的个数。

4.如权利要求1所述的空间计算操作的优化方法，其特征在于，S3具体包括：

S3.1：将S2中生成的样本数据输入机器学习特征选择算法中，进行特征筛选，筛选出与机器学习特征选择算法对应的目标特征，其中，机器学习特征选择算法包括过滤式、包裹式以及嵌入式的算法；

S3.2：对各机器学习特征选择算法筛选出的目标特征进行重要性排名，并采用后向顺序搜索方法剔除重要性排名较低的特征；

S3.3：将剔除重要性排名较低的特征之后得到的特征输入机器学习回归训练模型中进行对比，根据模型精度获取最优特征子集。

5.如权利要求1所述的空间计算操作的优化方法，其特征在于，S4中机器学习回归训练模型包括CART回归树模型、随机森林模型、梯度上升回归模型和支持向量回归模型，预设指标包括拟合度、平均绝对误差以及均方根误差。

6.如权利要求1所述的空间计算操作的优化方法，其特征在于，S5具体包括：

S5.1：通过主进程读取多边形，计算所有多边形覆盖的空间范围，向各子进程广播空间范围和各子进程应处理的多边形ID范围的方式进行空间相交过滤；

S5.2：通过子进程读取S4中预先训练的计算强度预测模型，评估网格的计算强度并汇聚到主进程；

S5.3：主进程根据各个网格的计算强度进行任务分配与空间相交精解，得到求交结果。

7.如权利要求6所述的空间计算操作的优化方法，其特征在于，S5.1包括：

主进程读取两图层多边形数据，计算所有多边形覆盖的空间范围，并向各子进程广播空间范围和各子进程应处理的多边形ID范围；

各子进程基于接收的空间范围进行网格划分，根据应处理的多边形ID范围读取多边形，判断多边形与各个网格的相交关系，如相交则将多边形ID绑定到网格，最后各子进程将绑定了多边形ID信息的网格发送到主进程；

主进程基于网格汇聚多边形ID。

8.如权利要求6所述的空间计算操作的优化方法，其特征在于，S5.2包括：

主进程根据各个网格内多边形顶点数量，按照子进程数量对网格进行均分，将网格绑定的多边形ID分发至各子进程；

子进程读取网格绑定的多边形，计算每个网格在S3中选择的特征子集值作为该网格特征向量，读取S4中预先训练的计算强度预测模型，评估网格的计算强度并汇聚到主进程。

9.如权利要求6所述的空间计算操作的优化方法，其特征在于，S5.3包括：

主进程根据各个网格的计算强度，按照子进程数量对网格进行均分，将网格绑定的多边形ID分发至各子进程；

子进程读取网格绑定的多边形，对网格内的多边形求交，并将求交结果发送给主进程，最后主进程进行汇聚得到两个图层的相交结果。