一种基于时序卷积的任务图威胁更新方法及系统

本发明属于智能决策与时间序列预测，具体涉及一种基于时序卷积的任务图威胁更新方法及系统，尤其适用于动态对抗环境下目标威胁演化预测、任务图节点属性更新以及后续任务链生成与资源调度决策。

背景技术：

1、在动态对抗环境中，任务目标的威胁状态通常会随时间、空间位置、机动行为、火力状态、电子对抗能力以及协同关系变化而持续演化。任务系统在进行方案生成、资源调度或任务链组织时，通常需要根据目标的威胁程度确定目标优先级、资源响应时机以及任务执行窗口。因此，如何准确刻画目标威胁的动态变化趋势，并将预测结果及时转化为任务图中的可计算节点属性，是影响后续任务规划和资源分配效果的重要因素。

2、现有威胁评估方法多采用规则模型、指标加权模型、专家经验模型或静态评分模型，根据目标类型、目标价值、当前距离、火力能力、机动能力等信息计算目标当前时刻的威胁等级。该类方法实现简单，便于解释，但通常侧重当前状态或静态属性，难以刻画目标威胁随时间变化的趋势，也难以提前识别未来可能出现的高威胁窗口。当目标处于快速机动、隐蔽接近、阶段转换或协同行动状态时，仅依靠当前威胁值进行判断，容易造成目标优先级更新滞后、资源响应时机偏差以及任务窗口匹配不足。

3、随着深度学习和时间序列预测技术的发展，循环神经网络、长短期记忆网络、门控循环单元、时序卷积网络以及transformer类模型已被用于动态序列预测任务。上述方法能够从历史动态状态序列中学习时序变化规律，对未来状态进行预测。其中，时序卷积网络具有并行计算能力强、感受野可扩展、长序列建模稳定等特点，适合处理目标状态、态势变化和威胁演化等时间序列数据。然而，现有通用时间序列预测模型通常以单一未来数值序列为主要输出，更多关注预测误差本身，难以同时输出面向任务决策所需的峰值威胁、峰值到达时间、高威胁状态等摘要属性。

4、此外，在任务规划和资源调度场景中，目标、资源、任务角色、约束条件及协同关系通常呈现多类型、多关系和动态变化特征。异质任务图能够对上述要素进行统一表达，使任务目标、可用资源、任务角色、约束节点及其关系形成可计算结构。但是，现有图建模方法多侧重实体关系组织、路径搜索或静态属性表达，缺少将时间序列预测结果实时写回任务图节点的动态更新机制。也就是说，预测模型与任务图结构之间往往相互割裂，预测结果难以直接参与后续目标排序、候选链评分、时间窗口匹配和资源调度。

5、另一方面，目标威胁演化不仅受历史动态状态序列影响，还与目标自身能力画像、当前行为阶段以及任务场景中的机理约束有关。现有预测方法通常采用简单特征拼接方式融合目标属性和历史动态状态，难以充分表达不同类型目标在相似运动状态下的威胁响应差异；同时，不同行为阶段下，短期突变、中期阶段转换和长期趋势对未来威胁的影响并不相同，现有模型往往难以根据目标阶段自适应调整不同时间尺度特征的贡献。此外，完全依赖数据驱动的预测模型在样本不足、状态突变或输入不确定时，容易出现预测波动，影响后续任务决策的稳定性。

6、因此，现有技术仍存在以下不足：一是静态威胁评估方法难以预测未来威胁变化趋势和高威胁窗口；二是通用时间序列预测模型难以直接输出适用于任务决策的多类威胁属性；三是预测结果与任务图节点属性之间缺少有效衔接，难以支撑任务图的动态更新；四是现有模型对目标画像、行为阶段和机理约束的融合不足，导致威胁预测结果在复杂动态场景下的适用性和稳定性有限。

技术实现思路

1、本发明的目的在于提供一种基于时序卷积的任务图威胁更新方法及系统，用于解决现有威胁评估方法主要依赖当前状态或静态指标、难以刻画目标未来威胁演化趋势的问题。本发明方法通过引入目标历史动态状态序列、目标画像和行为阶段特征，利用多尺度时序卷积网络提取不同时间尺度下的威胁变化特征，并结合画像条件调制、阶段门控融合和机理参考信息，实现对未来预测窗口内的威胁曲线的动态预测。

2、本发明提供一种基于时序卷积的任务图威胁更新方法及系统，以任务图中的目标节点为更新对象，综合利用目标历史动态状态序列、目标画像、目标行为阶段特征以及机理参考信息，通过多尺度时序卷积网络预测目标未来威胁曲线，并进一步生成峰值威胁、峰值到达时间和高威胁状态等动态威胁决策属性，最后将上述预测结果写回任务图目标节点，使任务图具备面向动态环境的目标节点属性更新能力。

3、本发明提供的一种基于时序卷积的任务图威胁更新方法，包括以下步骤：

4、构建任务图，任务图包括节点集合、节点之间的关系集合、节点属性集合和关系属性集合；

5、所述节点集合包括目标节点、资源节点、任务角色节点和约束节点；

6、所述节点属性集合包括目标画像、历史动态状态序列、行为阶段特征和任务约束信息；

7、选取任一目标节点执行如下目标节点属性更新步骤：

8、获取所述目标节点的节点属性，形成威胁预测输入；并提取所述目标节点的威胁演化特征；

9、基于所述目标画像和行为阶段特征对所述威胁演化特征依次进行条件调制、阶段门控融合，获得融合后的威胁演化特征；

10、根据所述融合后的威胁演化特征生成所述目标节点在未来预测窗口内的威胁曲线，并根据所述未来预测窗口内的威胁曲线生成峰值威胁、峰值到达时间以及高威胁状态；

11、将所述未来预测窗口内的威胁曲线、所述峰值威胁、所述峰值到达时间以及所述高威胁状态写回所述任务图中对应的目标节点，完成该目标节点属性更新。

12、进一步的，所述威胁预测输入表示为：

13、；

14、其中，表示目标节点的威胁预测输入，表示目标节点序号，表示特征组织函数，表示目标节点的目标画像，表示目标节点的历史动态状态序列，表示目标节点的行为阶段特征，表示与目标节点相关的任务约束信息；

15、其中，所述任务图为森林火灾应急处置任务图，任务图中的目标节点包括林区着火点、疑似火情区域、火势蔓延区域或受火灾威胁的重要设施区域；

16、任务图中的资源节点包括侦察无人机、灭火无人机、消防车辆、指挥中心和通信中继无人机；

17、任务角色节点包括火情侦察角色、通信中继角色和灭火处置角色；

18、约束节点包括无人机续航约束、通信覆盖约束、禁飞区域约束和处置时限约束；

19、目标画像包括植被密度、可燃物类型、地形坡度、区域重要程度和周围设施分布；

20、历史动态状态序列包括连续观测时刻下的温度、烟雾浓度、火焰强度、火势蔓延速度、风速和风向；

21、行为阶段特征包括初始发现阶段、火势扩张阶段、稳定受控阶段和复燃检测阶段；

22、任务约束信息包括资源预计到达时间、作用范围匹配结果、通信状态和允许处置时间窗口。

23、进一步的，采用时序卷积威胁预测模块提取所述目标节点的威胁演化特征，所述时序卷积威胁预测模块包括至少两个具有不同时间尺度的时序卷积分支；所述威胁演化特征为多时间尺度下的威胁演化特征；

24、每个时序卷积分支的结构相同，均包括输入映射层以及至少一个时序卷积块；

25、所述输入映射层用于对威胁预测输入进行特征维度转换，映射为隐藏特征表示；所述时序卷积块用于对所述隐藏特征表示进行时间序列特征提取，以获得单一时间尺度下的威胁演化特征。

26、进一步的，对所述威胁演化特征进行条件调制，具体步骤如下：

27、首先，将目标画像映射为画像嵌入：

28、；

29、其中，表示画像映射函数，表示对目标画像映射后的嵌入向量；

30、再生成缩放参数和偏移参数，表示为：

31、；

32、其中，表示参数生成函数；

33、对所述威胁演化特征进行逐通道调制，得到经目标画像条件调制后的威胁演化特征，表示为：

34、；

35、其中，表示逐元素乘法， 表示第时间尺度下的威胁演化特征。

36、进一步的，对条件调制后的威胁演化特征进行阶段门控融合，具体如下：

37、首先，将行为阶段特征映射为阶段嵌入：

38、；

39、其中，表示阶段映射函数，表示阶段特征映射后的嵌入向量；

40、第个时间尺度对应的门控权重为：

41、；

42、其中，表示第个时间尺度对应的门控权重，表示门控权重生成函数，表示门控权重生成函数输出向量中第个时间尺度对应的分量，表示门控权重生成函数输出向量中的第j个时间尺度对应的分量，表示k和j的最大取值；

43、且满足

44、；

45、进行融合，表示为：

46、；

47、其中，表示阶段门控融合后的威胁演化特征。

48、进一步的，根据所述融合后的威胁演化特征生成所述目标节点在未来预测窗口内的威胁曲线，具体为：

49、设未来预测窗口包括h个预测步，基于目标节点对应的机理参考信息，生成第个预测步对应的机理参考威胁值，表示为：

50、；

51、其中，表示机理参考生成函数，为整数，取值范围为1到h；

52、生成目标节点在第个预测步对应的机理可信度系数，表示为：

53、；

54、其中，表示sigmoid映射函数，用于将可信度生成函数的输出映射为机理可信度系数，表示阶段门控融合后的威胁演化特征，表示第个预测步对应的预测步嵌入，表示可信度生成函数，；

55、通过威胁解码函数生成第个预测步的数据驱动初始威胁预测值，表示为：

56、；

57、其中，表示威胁解码函数；

58、第个预测步的最终威胁预测值，表示为：

59、；

60、各预测步的最终威胁预测值组成目标节点在未来预测窗口内的威胁曲线，表示为：

61、。

62、进一步的，机理参考信息包括距离变化、作用范围、任务规则和阶段约束中的至少一种。

63、进一步的，将未来预测窗口内的威胁曲线、所述峰值威胁、所述峰值到达时间以及所述高威胁状态写回所述任务图中对应的目标节点后，更新后的目标节点属性集合表示为：

64、；

65、其中，表示目标节点的初始属性，，表示目标节点的目标画像，表示目标节点的历史动态状态序列，表示目标节点的行为阶段特征，表示与目标节点相关的任务约束信息，表示目标节点序号，表示求并集；

66、表示目标节点的动态威胁决策属性，写作，，表示目标节点在未来预测窗口内的威胁曲线，表示峰值威胁，表示峰值到达时间，表示高威胁状态。

67、进一步的，所述任务图中包含多个目标节点，依次对每个目标节点执行目标节点属性更新，直至完成全部目标节点的目标节点属性更新。

68、本发明还提供了一种基于时序卷积的任务图威胁更新系统，包括：

69、任务图构建模块，用于构建包含节点集合、节点之间的关系集合、节点属性集合和关系属性集合的任务图，所述节点集合包括目标节点、资源节点、任务角色节点和约束节点；所述节点属性集合包括目标画像、历史动态状态序列、行为阶段特征和任务约束信息；并确定待更新目标节点；

70、预测输入生成模块，用于获取待更新目标节点的目标画像、历史动态状态序列、行为阶段特征和任务约束信息，并形成威胁预测输入；

71、时序卷积威胁预测模块，用于通过时序卷积模型提取待更新目标节点的各时间尺度下的威胁演化特征；

72、特征融合模块，用于基于目标画像对各时间尺度下的威胁演化特征进行条件调制，并基于所述行为阶段特征对条件调制后的威胁演化特征进行阶段门控融合，得到融合后的威胁演化特征；

73、机理融合模块，用于根据所述融合后的威胁演化特征生成待更新目标节点对应的数据驱动初始威胁预测值；根据与待更新目标节点对应的机理参考信息生成机理参考威胁值和机理可信度系数，再基于所述机理可信度系数，对数据驱动初始威胁预测值和所述机理参考威胁值进行融合，得到最终威胁预测值；

74、威胁属性生成模块，用于根据最终威胁预测值生成待更新目标节点在未来预测窗口内的威胁曲线，基于未来预测窗口内的威胁曲线生成峰值威胁、峰值到达时间和高威胁状态；

75、任务图更新模块，用于将未来预测窗口内的威胁曲线、所述峰值威胁、所述峰值到达时间和所述高威胁状态写回所述任务图中待更新目标节点。

76、本发明方法能够融合目标历史动态状态、目标画像、行为阶段特征和机理参考信息的威胁预测与任务图节点更新方法，不仅能够得到未来预测窗口内的威胁曲线，还能够生成峰值威胁、峰值到达时间和高威胁状态等动态威胁决策属性，并将上述动态威胁决策属性写回任务图目标节点，本发明能够实现目标威胁由静态评估向动态预测更新的转化，使任务图中的目标节点具备随态势变化而更新的威胁属性；同时，通过融合目标画像、行为阶段和机理参考信息，提高威胁预测结果对不同目标类型、不同阶段状态和复杂动态环境的适应能力，从而为后续目标排序、任务链生成、时间窗口匹配和资源调度提供动态数据基础。解决了通用时间序列预测结果难以直接服务于任务规划的问题。

77、与现有技术相比，本发明具有如下有益效果：

78、第一，本发明将目标历史动态状态、目标画像、行为阶段特征和任务约束信息共同作为威胁预测依据，能够由单一当前威胁评估扩展为面向未来预测窗口的动态威胁更新，提高对目标威胁演化趋势的刻画能力。

79、第二，本发明采用时序卷积威胁预测模块提取目标威胁演化特征，能够同时兼顾短期状态变化、阶段转换过程和长期趋势变化，相较于静态评分或单点预测方法，更适用于动态环境下的连续威胁判断。

80、第三，本发明通过条件调制、阶段特征融合和机理参考修正，使预测过程能够考虑不同目标类型、不同任务阶段和不同场景规则对威胁变化的影响，从而提高预测结果在状态突变、样本不足或输入不确定情况下的稳定性。

81、第四，本发明不仅输出未来预测窗口内的威胁曲线，还同步生成峰值威胁、峰值到达时间和高威胁状态等动态威胁决策属性，使预测结果能够直接服务于目标排序、时间窗口匹配和资源调度。

82、第五，本发明将生成的动态威胁决策属性写回任务图目标节点，使任务图由静态描述结构转化为可动态更新的计算结构，实现时序卷积威胁预测模块与后续任务决策过程的衔接，提高任务图更新、候选任务链评分和资源响应决策的实时性与适用性。