[发明专利]一种空间计算操作的人工智能优化方法

说明书

本发明公开了一种空间计算操作的人工智能优化方法，该方法包括：通过运用机器学习中特征选择技术包括RReliefF、平均精度减少、平均不纯度减少、递归特征消除和包裹式遗传算法，以及回归模型训练技术包括CART回归树、随机森林、梯度上升回归和支持向量回归，构建最优计算强度预测模型，嵌入并优化高性能地理计算过程。结果提供了一个机器学习技术预测地学应用计算强度的应用方法，本发明以传统GIS空间计算操作中的多边形空间相交为例，证明了提出方法的可行性以及高效性。

技术领域

本发明涉及人工智能和高性能地理计算技术领域，具体涉及一种空间计算操作的人工智能优化方法。

背景技术

近三十年，已有大量研究将并行计算技术应用于土地利用、水文模拟、智能交通、国家电网及减灾应急等大型地学问题中。然而现有软件都趋向于采用顶层的并行化工具来粗粒度地对复杂的地学功能进行封装使其简单易用，不考虑地理空间数据和算法的特征，使得无法充分利用已有的硬件条件。其中，几何空间分析是GIS领域最常用的分析操作，然而随着矢量数据的规模不断增长，传统串行方法耗时过长已无法满足决策者的需求。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

现有技术中已提出的面向GIS几何空间分析的并行化框架比如SpatialHadoop和SpatialSpark，忽略或只是简单评估并行过程中子任务的计算强度，但矢量数据作为一种空间数据，其空间分布通常不规律并具有相当的异质性，导致并行过程中子任务的计算强度易出现严重不均，引发负载失衡以及性能瓶颈。

因此，现有技术中的方法存在空间计算操作效率不高的技术问题。

发明内容

本发明提出一种空间计算操作的人工智能优化方法，是一种采用人工智能技术对传统空间计算操作进行优化的方法，具体地说是一种基于机器学习预测计算强度保证并行过程中的负载均衡，实现对传统GIS几何空间分析操作并行化策略的优化，保证并行效率达到0.75以上，解决了现有技术中的方法存在空间计算操作效率不高的技术问题。

为了解决上述技术问题，本发明提供了一种空间计算操作的人工智能优化方法，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。

在一种实施方式中，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。

在一种实施方式中，候选特征还包括参考点的个数。

在一种实施方式中，S3具体包括：