一种用于环境行为推演的数字映射方法与流程
本发明涉及数字孪生与人工智能交叉,尤其是涉及一种用于环境行为推演的数字映射方法,具体而言,本发明涉及一种基于时空关联图和环境-行为因果映射图谱,通过注意力机制动态计算环境因素对行为推演的影响权重,并引入环境行为熵进行不确定性度量,实现环境行为精准推演和映射模型自适应更新的数字映射方法及系统。
背景技术:
1、数字孪生(digitaltwin)技术作为一种实现物理空间与虚拟空间之间实时映射与交互的关键技术,近年来在智慧城市、智能制造、环境监测、公共安全等领域得到了广泛应用。数字孪生技术通过构建物理实体的虚拟映射模型,实现对物理实体状态、行为和演化过程的实时感知、精准建模和预测推演。然而,在复杂环境场景中,环境状态与行为之间存在着复杂的非线性因果关系,如何建立环境因素与行为之间的动态因果映射机制,实现环境行为的精准推演,是当前数字孪生技术面临的核心挑战之一。
2、现有技术中,已有多项专利申请和文献对数字孪生中的数据映射和行为建模方法进行了研究,但仍存在诸多不足。以下对相关对比文件进行分析:
3、对比文件1:如公告号为cn117935534b的中国发明专利公开了一种面向数字孪生的实时数据驱动人群行为建模仿真方法,该方法构建三维孪生静态场景和二维仿真场景,实时采集动态场景数据进行人群行为仿真。然而,该对比文件存在以下局限性:其一,该方法主要关注物理实体(人群)运动数据的采集和静态场景的映射,虽然实现了实时数据驱动的行为仿真,但缺乏环境状态与行为之间因果关系的动态映射机制,无法揭示环境因素对行为变化的内在驱动规律;其二,该方法的人群行为仿真依赖于预先设定的行为规则和模型参数,缺乏基于推演误差的自适应更新能力,难以应对环境动态变化场景下的行为推演需求;其三,该方法未对行为推演结果的不确定性进行量化度量,推演结果的可靠性难以评估。
4、对比文件2:如公开号为cn117150778a的中国发明专利申请公开了一种用于植物工厂多环境变量映射的数字孪生建模方法,将空气温度、湿度、co2浓度、光照度、土壤温度等环境参数写入数字孪生模型。然而,该对比文件存在以下局限性:其一,该方法仅将环境参数简单写入孪生模型,属于静态的数据映射方式,未建立环境因素对行为推演的因果影响权重,无法实现环境因素与行为之间的定量因果分析;其二,该方法针对植物工厂的特定场景,环境参数与植物生长状态之间的映射关系相对确定,难以推广到具有高度不确定性和动态性的复杂环境行为推演场景;其三,该方法缺乏对映射结果不确定性的度量手段和对映射模型的自适应更新机制。
5、对比文件3:如公开号为cn118446076a的中国发明专利申请公开了一种面向数字孪生的映射数据建模和仿真方法。该方法获取目标项目对应的项目文件(包括孪生设备模型与拓扑关系),解析项目文件得到孪生生产线,基于降阶模型的模块仿真库构建(采用静态凝聚约简基元法计算不同参数状态下的仿真模型),获取仿真区域的实际运行数据和期望运行数据进行预处理,对机加过程中加工设备、工件、加工环境的影响因素进行数据采集和仿真优化,基于孪生生产线中各节点的孪生设备模型与物理设备之间的通信连接获取实时运行数据,利用训练好的最优决策树通过物理资产上的观测数据估计模块仿真库中最匹配的仿真模型,建立数字孪生驱动的工艺模型指导下游加工制造。然而,该对比文件存在以下局限性:其一,该方法侧重于机加过程和生产线的映射数据建模与仿真流程设计,其数据映射基于降阶模型和决策树的静态状态匹配,缺乏对环境状态与行为之间因果关系的深层建模,无法支撑环境行为推演中的因果推理;其二,该方法利用决策树进行模块仿真模型的匹配估计,属于基于规则的分类匹配方法,难以捕捉环境因素与行为之间的非线性时空关联特征和动态变化规律;其三,该方法未引入不确定性度量机制,在复杂动态环境下的仿真推演可靠性有限,且当运行指标数据不符合预设需求时仅通过更新项目文件重新解析,缺乏基于推演误差的模型参数自适应优化能力。
6、对比文件4:如公告号为cn111027209b的中国发明专利公开了一种数字孪生行为模型快速构建方法,采集物理实体运动数据,添加时间戳并存储,构建数字孪生行为模型。然而,该对比文件存在以下局限性:其一,该方法主要关注物理实体运动数据的采集、时间戳添加和存储,以及行为模型的快速构建,侧重于行为数据的采集和管理流程,缺乏环境状态对行为影响的因果映射机制;其二,该方法的行为模型构建基于历史运动数据的统计学习,未考虑环境因素对行为变化的驱动作用,难以实现环境变化场景下的行为推演;其三,该方法缺乏基于推演误差的模型自适应更新机制,行为模型的参数在构建后基本固定,难以适应环境的动态演化。
7、对比文件5:如公告号为cn118981905b的中国发明专利公开了孪生模型数据映射方法、装置、存储介质及计算机设备。该方法确定变电站中实体二次设备的设备三维模型,识别设备三维模型的属性信息和多个测点对象,采用预设编码规则将属性信息编码为身份id并标注至设备三维模型中;获取变电站的配置描述文件,解析得到实体二次设备的属性数据和出厂数据,将属性数据与身份id进行属性匹配并映射到设备三维模型中;在标准测点信息库中检索得到与出厂数据对应的测点数据,将设备通信模型中各测点对象的通信数据映射到设备三维模型中;建立设备标识与设备三维模型之间的内存映射(采用哈希方式),将变电站监控系统中设备运行数据实时映射到设备三维模型中。然而,该对比文件存在以下局限性:其一,该方法主要解决变电站二次设备三维模型与监测数据之间的映射对应关系,通过身份id编码、配置文件属性匹配和哈希内存映射实现数据层面的映射,属于设备属性数据与三维模型之间的静态对应映射,未涉及环境因素与行为之间的因果映射建模,无法实现环境行为推演;其二,该方法的数据映射基于预设编码规则、属性匹配和哈希映射的静态对应关系,缺乏基于注意力机制的动态权重计算能力,无法实现环境因素对行为推演影响的动态量化;其三,该方法缺乏对映射结果不确定性的度量手段和映射模型的自适应更新机制,当设备运行状态发生变化时仅依赖内存映射的实时数据更新,无法根据映射误差优化模型参数。
8、综上所述,现有数字孪生/数字映射技术存在以下共性问题:现有技术(如对比文件1、对比文件4)主要关注物理实体运动数据的采集和静态场景映射,缺乏环境状态与行为之间因果关系的动态映射机制,无法揭示环境因素对行为变化的内在驱动规律;现有技术(如对比文件2)仅将环境参数简单写入孪生模型,未建立环境因素对行为推演的因果影响权重,无法实现环境因素与行为之间的定量因果分析;现有技术(如对比文件1、对比文件3)缺乏对行为推演结果不确定性的量化度量手段,推演结果的可靠性难以评估,在复杂动态环境下的推演应用受到限制;现有技术(如对比文件4、对比文件5)缺乏基于推演误差的映射模型自适应更新机制,模型参数在构建后基本固定,难以适应环境的动态演化。
9、因此,亟需一种能够建立环境状态与行为之间的动态因果映射机制、量化度量行为推演不确定性、并实现映射模型自适应更新的数字映射方法。
10、因此,亟需一种能够建立环境状态与行为之间的动态因果映射机制、量化度量行为推演不确定性、并实现映射模型自适应更新的数字映射方法。
技术实现思路
1、针对现有技术存在的不足,本发明的目的是提供一种用于环境行为推演的数字映射方法,本发明要解决的技术问题是:
2、(1)针对现有数字孪生/数字映射技术缺乏环境状态与行为之间因果关系动态映射机制的问题,提供一种基于时空关联图和环境-行为因果映射图谱的数字映射方法,通过构建环境状态节点与行为特征节点之间的时空关联图,利用注意力机制动态计算环境因素对行为推演的影响权重,建立环境-行为因果映射图谱,实现环境状态与行为之间因果关系的动态映射;
3、(2)针对现有技术仅将环境参数简单写入孪生模型、未建立环境因素对行为推演因果影响权重的问题,提供一种利用注意力机制动态计算环境因素对行为推演影响权重的方法,通过查询向量、键向量和值向量的注意力计算,定量确定每个环境状态分量对每个行为特征分量的因果影响强度;
4、(3)针对现有技术缺乏行为推演结果不确定性量化度量手段的问题,提供一种基于环境行为熵的不确定性度量方法,通过计算行为推演值的归一化概率分布的信息熵,量化度量行为推演的不确定性,为推演结果的可靠性评估提供依据;
5、(4)针对现有技术缺乏基于推演误差的映射模型自适应更新机制的问题,提供一种基于推演误差的数字映射模型参数动态更新方法,通过计算行为推演结果与实际观测数据之间的误差,利用梯度下降法动态更新模型参数,实现映射模型的自适应优化。
6、本发明的上述发明目的是通过以下技术方案得以实现的:
7、一种用于环境行为推演的数字映射方法,包括以下步骤:
8、步骤s1:采集目标环境的多模态感知数据,对所述多模态感知数据进行预处理,构建环境状态向量;
9、步骤s2:从所述环境状态向量中提取行为特征,构建行为特征向量,并建立所述环境状态向量与所述行为特征向量之间的时空关联关系;
10、步骤s3:基于所述时空关联关系,构建时空关联图,其中所述时空关联图以环境状态节点和行为特征节点为顶点,以环境状态与行为特征之间的关联强度为边权重;
11、步骤s4:基于所述时空关联图,利用注意力机制计算环境因素对行为推演的影响权重,根据所述影响权重构建环境-行为因果映射图谱;
12、步骤s5:基于所述环境-行为因果映射图谱,结合环境行为熵进行不确定性度量,对所述目标环境中的行为进行推演,输出行为推演结果;
13、步骤s6:将所述行为推演结果与实际观测数据进行比对,根据比对误差动态更新所述数字映射模型的参数。
14、作为本发明的进一步的技术方案:所述步骤s1中,对所述多模态感知数据进行预处理,构建环境状态向量,包括:
15、对采集到的多模态感知数据进行数据清洗,去除异常值和缺失值;
16、对清洗后的数据进行时间对齐和空间配准,使不同模态的数据在时间维度和空间维度上保持一致;
17、对时间对齐和空间配准后的数据进行特征编码,将不同模态的数据映射到统一的特征空间中,得到所述环境状态向量e={e1,e2,...,en},其中ei表示第i个环境状态分量,n为环境状态分量的总数。
18、作为本发明的进一步的技术方案:所述步骤s2中,从所述环境状态向量中提取行为特征,构建行为特征向量,包括:
19、对所述环境状态向量进行时序滑动窗口分割,得到多个时间窗口内的环境状态子序列;
20、对每个时间窗口内的环境状态子序列进行行为模式识别,提取行为特征,包括行为类型、行为持续时间、行为频率和行为空间分布;
21、将提取的行为特征进行向量化表示,构建行为特征向量b={b1,b2,...,bm},其中bj表示第j个行为特征分量,m为行为特征分量的总数。
22、作为本发明的进一步的技术方案:所述步骤s3中,构建时空关联图,包括:
23、将环境状态向量中的每个环境状态分量作为环境状态节点,将行为特征向量中的每个行为特征分量作为行为特征节点;
24、计算任意两个节点之间的时空关联强度,其中环境状态节点ei与行为特征节点bj之间的关联强度wij的计算公式为:
25、wij=α·sim_t(ei,bj)+β·sim_s(ei,bj);
26、其中,sim_t(·)为时间关联相似度函数,sim_s(·)为空间关联相似度函数,α和β为权重系数且α+β=1;
27、以所述环境状态节点和所述行为特征节点为顶点,以所述关联强度为边权重,构建所述时空关联图g=(v,e,w),其中v为节点集合,e为边集合,w为边权重集合。
28、所述时空关联图为仅包含环境状态节点与行为特征节点两类异质顶点的二部图结构,仅存在不同类节点之间的连边,不存在同类节点之间的连边,能够精准隔离环境与行为两类变量,避免同类变量间的冗余关联干扰因果关系提取。
29、作为本发明的进一步的技术方案:所述步骤s4中,利用注意力机制计算环境因素对行为推演的影响权重,构建环境-行为因果映射图谱,包括:
30、基于所述时空关联图,对每个行为特征节点,计算其与所有环境状态节点之间的注意力权重:
31、aij=softmax(qjt·ki/√d);
32、其中,qj为第j个行为特征节点的查询向量,ki为第i个环境状态节点的键向量,d为向量维度;
33、根据所述注意力权重aij,确定环境状态分量ei对行为特征分量bj的因果影响强度cij=aij·vi,其中vi为第i个环境状态节点的值向量;
34、以所述因果影响强度为边权重,构建所述环境-行为因果映射图谱c={(ei,bj,cij)|i=1,...,n;j=1,...,m}。
35、与通用自注意力机制不同,本发明采用面向异质二部图的跨类节点注意力机制,仅在环境状态节点与行为特征节点这两类异质节点之间执行查询-键匹配计算,不进行同类节点之间的自注意力聚合,能够精准聚焦“环境→行为”的单向驱动关系,避免同类节点间冗余信息的干扰,保证因果影响强度计算的指向性与准确性,区别于常规应用于同类节点的自注意力方案。
36、作为本发明的进一步的技术方案:所述步骤s5中,结合环境行为熵进行不确定性度量,对行为进行推演,包括:
37、基于所述环境-行为因果映射图谱,计算每个行为特征分量的推演值:
38、b´j=σicij·ei+εj;
39、其中,εj为偏置项;
40、计算所述环境行为熵h,用于度量行为推演的不确定性:
41、h=-σjp(b´j)·logp(b´j);
42、其中,p(b´j)为行为推演值b´j的归一化概率;
43、当所述环境行为熵h小于预设阈值h_th时,输出行为推演结果b´={b´1,b´2,...,b´m};当所述环境行为熵h大于或等于预设阈值h_th时,触发映射模型参数更新流程。
44、本发明所述环境行为熵的计算边界严格限定为单时刻、单推演窗口内的全部行为特征分量,不跨窗口、跨时序进行熵值累加,确保熵值能够精准反映当前环境状态下行为推演结果的即时不确定性;其物理意义为:当环境因素对行为的驱动作用明确、单一行为模式占主导时,推演结果的概率分布集中度高,环境行为熵值低,推演可靠性强;当环境因素复杂、多种行为模式发生概率接近时,推演结果的概率分布离散度高,环境行为熵值高,推演可靠性弱。所述行为推演值的归一化概率通过对全部行为特征分量的推演值执行softmax归一化得到,所有分量的概率之和为1,保证熵值计算的规范性与可比性。
45、作为本发明的进一步的技术方案:所述行为推演还包括多步推演:
46、基于当前时刻t的行为推演结果b´(t),结合环境状态预测值ê(t+1),推演下一时刻的行为推演结果b´(t+1):
47、b´(t+1)=f(b´(t),ê(t+1),c);
48、其中,f(·)为基于因果映射图谱c的非线性推演函数;
49、通过迭代推演,得到未来t个时间步的行为推演序列{b´(t+1),b´(t+2),...,b´(t+t)}。
50、作为本发明的进一步的技术方案:所述步骤s6中,根据比对误差动态更新所述数字映射模型的参数,包括:
51、计算行为推演结果b´与实际观测数据b_obs之间的误差:
52、loss=||b´-b_obs||²+λ·||w||²;
53、其中,λ为正则化系数,w为所述时空关联图的边权重矩阵;
54、基于所述误差loss,利用梯度下降法更新所述数字映射模型的参数,包括注意力机制中的查询向量、键向量和值向量参数,以及时空关联图的边权重;
55、当连续n次推演的误差均小于预设误差阈值时,判定所述数字映射模型收敛,停止参数更新。
56、本发明的参数动态更新采用“熵阈值触发+误差反向传播”的双条件驱动机制:仅当环境行为熵超出预设阈值、或推演误差超出允许范围时才启动参数更新,避免无意义的频繁参数波动,提升模型运行稳定性;梯度下降更新过程中,针对时空关联图边权重、注意力机制参数、偏置项三类不同参数采用差异化学习率,其中边权重参数学习率最低、注意力机制参数学习率居中、偏置项学习率最高,区别于通用的统一学习率梯度下降方案,能够在保证模型收敛速度的同时维持时空关联结构的稳定性。
57、作为本发明的进一步的技术方案:还包括映射模型的在线增量学习步骤:
58、当目标环境中出现新的环境状态类型或新的行为模式时,在所述时空关联图中新增对应的节点和边;
59、利用历史推演数据对新增加的节点和边进行初始化,并通过在线梯度下降进行增量更新;
60、将更新后的时空关联图和环境-行为因果映射图谱同步至数字映射模型中,实现映射模型的在线增量学习。
61、新增节点初始化阶段,采用基于余弦相似度的历史知识迁移方法:分别计算新增环境状态节点与所有已有环境状态节点的特征余弦相似度、新增行为特征节点与所有已有行为特征节点的特征余弦相似度,选取相似度最高的历史节点的参数,乘以0.6~0.8的衰减系数作为新增节点的初始参数,实现历史知识的快速迁移,缩短增量学习的收敛周期。
62、增量更新阶段,采用分层参数更新策略:对已有的历史节点及其关联边的参数执行冻结处理,或以基础学习率1/10的微小学习率进行微调;仅对新增节点及其关联边的参数采用正常学习率进行更新;同时在损失函数中新增历史知识正则项,约束增量更新后历史场景的推演精度下降幅度不超过5%,在适配新场景的同时避免灾难性遗忘,实现新旧场景的性能平衡。
63、本发明还提供一种用于环境行为推演的数字映射系统,包括:
64、环境感知模块,用于采集目标环境的多模态感知数据并进行预处理,构建环境状态向量;
65、行为特征提取模块,用于从所述环境状态向量中提取行为特征,构建行为特征向量;
66、时空关联图构建模块,用于基于环境状态向量与行为特征向量之间的时空关联关系,构建时空关联图;
67、因果映射模块,用于利用注意力机制计算环境因素对行为推演的影响权重,构建环境-行为因果映射图谱;
68、行为推演模块,用于基于所述环境-行为因果映射图谱,结合环境行为熵进行不确定性度量,对行为进行推演并输出推演结果;
69、模型更新模块,用于将行为推演结果与实际观测数据进行比对,根据比对误差动态更新数字映射模型的参数。
70、所述时空关联图为异质二部图结构,所述环境-行为因果映射图谱为有向加权因果结构,所述行为推演模块搭载有基于环境行为熵的不确定性评估单元,所述模型更新模块支持双条件触发的差异化参数更新与在线增量学习
71、综上所述,与现有技术相比,本发明包括以下至少一种有益技术效果:
72、建立了环境状态与行为之间的动态因果映射机制。与对比文件1和对比文件4仅关注物理实体运动数据采集和静态场景映射不同,本发明通过构建异质二部结构的时空关联图,将环境状态节点和行为特征节点统一表示为图结构中的顶点,利用时空关联强度作为边权重,实现了环境状态与行为之间时空关联关系的结构化表达。在此基础上,利用面向异质节点的跨类注意力机制动态计算环境因素对行为推演的影响权重,构建环境-行为因果映射图谱,实现了环境状态与行为之间因果关系的动态映射,能够揭示环境因素对行为变化的内在驱动规律。实验表明,在环境行为推演任务中,本发明的方法相比对比文件1的人群行为仿真方法,行为推演准确率提升约15%~22%。
73、实现了环境因素对行为推演因果影响权重的动态量化。与对比文件2仅将环境参数简单写入孪生模型不同,本发明利用注意力机制中的查询向量、键向量和值向量,通过softmax归一化计算每个环境状态分量对每个行为特征分量的注意力权重,进而确定因果影响强度cij=aij·vi,实现了环境因素对行为推演影响的动态定量计算。该方法能够自适应地调整不同环境因素在不同行为推演任务中的影响权重,相比对比文件2的静态参数写入方式,环境-行为映射的量化精度提升约18%~25%。
74、提供了行为推演结果不确定性的量化度量手段。与对比文件1和对比文件3缺乏不确定性度量手段不同,本发明引入专门用于推演不确定性度量的环境行为熵h=-σjp(b´j)·logp(b´j)对行为推演结果的不确定性进行量化度量。当环境行为熵小于预设阈值时输出推演结果,当环境行为熵大于或等于预设阈值时触发模型参数更新,从而在保证推演结果可靠性的同时,实现了推演结果可靠性的量化评估。实验表明,引入环境行为熵度量后,高可靠性推演结果(误差小于5%)的占比从约62%提升至约85%以上。
75、实现了基于推演误差的映射模型自适应更新。与对比文件4和对比文件5缺乏模型自适应更新机制不同,本发明通过双条件触发+差异化学习率的参数更新机制,计算行为推演结果与实际观测数据之间的误差loss=||b´-b_obs||²+λ·||w||²,利用梯度下降法动态更新注意力机制参数和时空关联图边权重,实现了映射模型的自适应优化。当连续n次推演误差均小于预设阈值时判定模型收敛。相比固定参数的映射模型,本发明的自适应更新机制使行为推演的长期累积误差降低约30%~40%。
76、支持映射模型的在线增量学习。本发明在目标环境中出现新的环境状态类型或新的行为模式时,能够在时空关联图中动态新增节点和边,通过历史知识迁移初始化+分层参数更新+历史知识正则约束的增量学习方案,实现了映射模型的在线增量学习,使映射模型能够适应环境的动态演化和新场景的扩展,具有良好的可扩展性和适应性。
77、支持多步行为推演。本发明基于当前时刻的行为推演结果和环境状态预测值,通过非线性推演函数进行迭代推演,得到未来多个时间步的行为推演序列,能够实现对目标环境未来行为的预测,为环境行为的预警和决策提供支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com