问题处理模型的确定方法、装置及计算机程序产品与流程

1.本公开涉及计算机技术领域，具体涉及人工智能技术，尤其涉及问题处理模型的确定方法、装置、电子设备、存储介质以及计算机程序产品，可用于时空大数据处理场景下。


背景技术：

2.目前，在解决时空领域(例如，航空领域、水利领域)的问题时，往往会遇到两个阻碍技术调研进度的难题：首先，知识搜索难。为了解决时空数据领域的复杂问题，需要面临花费大量时间去了解问题的行业知识和背景的问题。相关人员需要由一个数据(例如，单篇论文)开始，逐步扩大搜索范围，直到找到问题的专业描述信息和解决方案。其次，网络模型选型难。需要人工进行样本构建、特征梳理、模型搭建、训练等一系列的流程。


技术实现要素：

3.本公开提供了一种问题处理模型的确定方法、装置、电子设备、存储介质以及计算机程序产品。
4.根据第一方面，提供了一种问题处理模型的确定方法，包括：根据问题描述信息，生成用于处理问题描述信息所指示的问题的知识图谱；根据知识图谱，确定适于处理问题的初始网络模型；预处理所获取的时空数据，得到时空数据在初始网络模型所适用的数据表示格式下的表示数据；通过表示数据，训练初始网络模型，得到用于处理问题的问题处理模型。
5.根据第二方面，提供了一种时空数据的处理方法，包括：获取待处理时空数据；通过问题处理模型得到对应于待处理时空数据的处理结果，其中，问题处理模型通过第一方面任一实现方式描述的方法得到。
6.根据第三方面，提供了一种问题处理模型的确定装置，包括：生成单元，被配置成根据问题描述信息，生成用于处理问题描述信息所指示的问题的知识图谱；确定单元，被配置成根据知识图谱，确定适于处理问题的初始网络模型；预处理单元，被配置成预处理所获取的时空数据，得到时空数据在初始网络模型所适用的数据表示格式下的表示数据；得到单元，被配置成通过表示数据，训练初始网络模型，得到用于处理问题的问题处理模型。
7.根据第四方面，提供了时空数据的处理装置，包括：获取单元，被配置成获取待处理时空数据；处理单元，被配置成通过问题处理模型得到对应于待处理时空数据的处理结果，其中，问题处理模型通过第三方面任一实现方式描述的装置得到。
8.根据第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面、第二方面任一实现方式描述的方法。
9.根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面、第二方面任一实现方式描述的方法。
10.根据第七方面，提供了一种计算机程序产品，包括：计算机程序，计算机程序在被处理器执行时实现如第一方面、第二方面任一实现方式描述的方法。
11.根据本公开的技术，提供了一种针对时空领域问题的知识图谱生成、网络模型确定以及训练的方法，提高了确定用于解决时空领域问题的问题处理模型的便捷性和效率；通过问题处理模型处理时空数据，提高了处理结果的准确度。
12.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
13.附图用于更好地理解本方案，不构成对本公开的限定。其中：
14.图1是根据本公开的一个实施例可以应用于其中的示例性系统架构图；
15.图2是根据本公开的问题处理模型的确定方法的一个实施例的流程图；
16.图3是根据本实施例的问题处理模型的确定方法的应用场景的示意图；
17.图4是根据本公开的问题处理模型的确定方法的又一个实施例的流程图；
18.图5是根据本公开的时空数据的处理方法的一个实施例的流程图；
19.图6是根据本公开的问题处理模型的确定装置的一个实施例的结构图；
20.图7是根据本公开的时空数据的处理装置的一个实施例的结构图；
21.图8是适于用来实现本公开实施例的计算机系统的结构示意图。
具体实施方式
22.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
23.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
24.图1示出了可以应用本公开的问题处理模型的确定方法及装置、时空数据的处理方法及装置的示例性架构100。
25.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
26.终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于监控设备、智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
27.服务器105可以是提供各种服务的服务器，例如接收用户通过终端设备输入的问
题描述信息，针对问题描述信息所指示的时空领域问题进行知识图谱生成、网络模型确定以及训练的后台服务器。服务器可以通过得到的问题处理模型处理时空数据，生成并向终端设备反馈处理结果。作为示例，服务器105可以是云端服务器。
28.需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
29.还需要说明的是，本公开的实施例所提供的问题处理模型的确定方法可以由服务器执行，也可以由服务器和终端设备彼此配合执行。相应地，问题处理模型的确定装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以分别设置于服务器和终端设备中。
30.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当问题处理模型的确定方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括问题处理模型的确定方法运行于其上的电子设备(例如服务器或终端设备)。
31.请参考图2，图2为本公开实施例提供的一种问题处理模型的确定方法的流程图，流程200包括以下步骤：
32.步骤201，根据问题描述信息，生成用于处理问题描述信息所指示的问题的知识图谱。
33.本实施例中，问题处理模型的确定方法的执行主体(例如，图1中的终端设备或服务器)可以通过有线网络连接方式或无线网络连接方式从远程，或从本地获取问题描述信息，并根据问题描述信息，生成用于处理问题描述信息所指示的问题的知识图谱。
34.知识图谱(knowledge graph)，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。作为示例，当用户在一些数据平台(例如，谷歌学术、中国知网、github、知乎)输入问题描述信息后，上述执行主体可以在该数据平台中通过自身设置的网络爬虫、或数据平台中的抓取工具抓取问题描述信息中的关键字相关的问题实体、技术方案实体以及各实体之间的关联信息，生成知识图谱。其中，问题实体可以是问题相关的实体信息，技术方案实体可以是用于解决问题的技术方案相关的实体信息。
35.具体的，问题实体包括问题描述信息所指示的问题的专业性技术名词等信息，例如，在港口集装箱搬运场景中，问题描述信息“翻箱问题”的专业技术名词是cpmp(container pre
‑
marshalling problem，集装箱预编组问题)。技术实体包括解决上述问题的技术方案中涉及的关键实体，例如问题所涉及的技术背景相关的实体、处理问题的解决方式相关的实体、所适用的网络模型等信息。
36.通过知识图谱，问题描述信息的输入用户可以明确所需解决的问题所涉及的背景知识、解决方案等信息。
37.在一些情形中，尤其是问题描述信息的输入用户对所要解决的问题缺乏了解，导致问题描述信息并不能准确地反映问题时，根据问题描述信息所生成的知识图谱可能偏离输入用户的期望。为此，可以预先设置表征问题的通俗描述信息与专业描述信息之间的对
应关系的对应关系列表，当用户输入的问题描述信息为通俗描述信息时，上述执行主体可以精准地确定用户所需解决的问题。对于对应关系列表所不包括的问题描述信息，上述执行主体可以对问题描述信息进行语义理解，基于语义相关性，在问题描述信息的基础上扩展对所需解决的问题的理解，例如，在生成知识图谱时考虑与所输入的问题描述信息相似度较大的相关描述信息，以使得用户根据知识图谱可以确定对于所要解决的问题的正确描述。此时，用户根据所生成的知识图谱确定正确的问题描述信息后，重新输入描述正确的问题描述信息，以得到正确的知识图谱。
38.其中，问题描述信息所指示的问题例如可以是分类、预测学习、表示学习和异常检测等时空数据相关的各种问题。
39.在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤201：
40.第一，根据问题描述信息，从目标数据库中抓取处理问题描述信息所指示的问题的目标数据。
41.其中，目标数据库为输入问题描述信息的数据平台对应的数据库。作为示例，上述执行主体基于问题描述信息中的关键字、关键词在目标数据库中进行数据搜索，抓取主题涉及上述关键字、关键词的数据，进而基于语义理解，确定所抓取的数据中具体与问题描述信息所指示的问题相关的部分数据，将所确定出的部分数据作为目标数据。
42.第二，识别目标数据中的实体，并确定识别到的实体之间的关联信息。
43.本实现方式中，上述执行主体可以基于命名实体识别技术识别目标数据中的实体，进而提取识别出的实体之间的包含关系、解决关系等关联信息。其中，包含关系相关的两个实体中的一个实体包含另一个实体，解决关系相关的两个实体中的一个技术方案实体表征的技术方案用于解决另一个问题实体对应的问题。
44.第三，根据识别到的实体和关联信息，生成知识图谱。
45.本实现方式中，提供了一种知识图谱的具体生成方式，提高了知识图谱的生成效率。
46.在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述第一步骤：
47.首先，根据目标数据库中的数据的主题，确定用于处理问题的数据和所确定出的数据所关联的数据。然后，根据所确定出的所有数据的层级结构，从各层级的关键信息中确定出目标数据。
48.作为示例，在学术网站中，通过数据抓取工具可以将问题描述信息相关的论文主题抓取下来。然后，按照论文的层级结构，将所确定的论文中的标题、摘要、章节主题、章节总结等关键信息抓取下来作为目标数据。
49.所确定出的数据所关联的数据可以是所确定出的数据所引用的数据。本实现方式中，上述执行主体可以设置引用链路的引用层级数值，深度大于引用层级数值的数据，在生成知识图谱的过程中不再被上述执行主体所考虑。作为示例，在一引用链路中，a引用b，b引用c，c引用d。当引用层级数值为2时，初始数据a后的2层引用数据b、c在上述执行书体的考虑范围内，d不在上述执行主体的考虑范围内。本实现方式中，可以根据实际情况具体设置引用层级数值，在此不做限定。可以理解，存在引用关系的数据之间具有较强的相关性，上
述执行主体加大对数据的搜索深度能够发现更多的用于解决问题的相关信息，能够丰富知识图谱；并且，在问题描述信息的输入用户对所要解决的问题缺乏了解，导致问题描述信息并不能准确地反映问题的情况下，丰富的知识图谱能够帮助用户更快地确定准确的问题描述信息。
50.本实现方式中，提供了一种目标数据的确定方式，提高了所确定的目标数据的全面性，进而提高了所生成的知识图谱的准确性。
51.步骤202，根据知识图谱，确定适于处理问题的初始网络模型。
52.本实施例中，上述执行主体可以根据知识图谱，确定适于处理问题的初始网络模型。
53.当知识图谱所涉及的数据的数量较多时，不同的数据中所涉及到的解决方案中所运用的初始网络模型可能是不同的网络模型。其中，网络模型可以是基于现有的深度学习模型，或是基于现有的深度学习模型进行结合、结构调整所得到的改进的深度学习模型。
54.步骤203，预处理所获取的时空数据，得到时空数据在初始网络模型所适用的数据表示格式下的表示数据。
55.本实施例中，上述执行主体可以预处理所获取的时空数据，得到时空数据在初始网络模型所适用的数据表示格式下的表示数据。
56.时空数据是同时具有时间和空间维度的数据，具体包括事件、轨迹、栅格、参考点、图像/视频等类型。其中，事件类型数据以事件为单位；轨迹类型数据表征连续时间、连续地点的连续数据；参考点类型数据表征固定地点、连续时间的序列数据；栅格类型数据固定地点、固定时间的固定数据；图像/视频类型数据为以视频帧为单位的图像数据。
57.时空数据预处理的目的是将时空数据实例表示为所确定的初始网络模型能够处理的合适的数据表示格式。通常，一种类型的时空数据对应于一种典型的数据表示。
58.上述执行主体可以预先确定各种网络模型所适用的数据表示格式；然后，上述执行主体可以基于预设方式获取所确定的初始网络模型所适用的数据表示格式所对应的类型的时空数据；然后，根据所获取的时空数据，生成数据实例；最后，预处理生成的数据实例，得到所获取的时空数据在初始网络模型所适用的数据表示格式下的表示数据。其中，预设方式例如可以是用户指定时空数据来源、上述执行主体基于时空大数据平台自动获取等方式。
59.具体的，时空数据类型、数据实例、数据表示格式之间的对应关系如下表所示：
60.时空数据类型数据实例数据表示格式事件事件point轨迹轨迹sequence参考点时间序列graph栅格空间图matrix(2d)图像/视频时空栅格matrix(3d)
61.在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤203：
62.首先，基于预设对应关系，确定初始网络模型所适用的数据表示格式。其中，预设对应关系表征网络模型与数据表示格式之间的对应关系。然后，预处理时空数据，得到时空
数据在初始网络模型所适用的数据表示格式下的表示数据。
63.例如，cnn(convolutional neural networks，卷积神经网络)模型主要用于处理空间地图数据，也可以用来处理轨迹数据，而graphcnn(graph convolutional neural networks，图卷积神经网络)模型则专门用于处理图数据。rnn(rerrent neural network，循环神经网络)模型用于轨迹、时间序列和空间地图的处理，rnn和cnn的混合模型convlstm(convolutional long short
‑
term memory，卷积长短期记忆)模型通常用于处理空间地图。ae(auto
‑
encoder，自动编码器)和sdae(stacked denoising auto encoder，堆叠降噪自动编码器)主要用于从时间序列、轨迹和空间地图中学习特征。seq2seq(sequence to sequence，序列到序列)模型用于时间序列和轨迹的处理。
64.基于预设对应关系，上述执行主体可以快速地确定初始网络模型所适用的数据表示格式，提高了时空数据预处理的效率。
65.步骤204，通过表示数据，训练初始网络模型，得到用于处理问题的问题处理模型。
66.本实施例中，上述执行主体可以通过表示数据，训练初始网络模型，得到用于处理问题的问题处理模型。
67.以轨迹预测为例，在所得到的一系列轨迹表示数据中，利用机器学习算法，上述执行主体可以将在前的轨迹表示数据作为初始网络模型的输入，以所输入的轨迹表示数据的后续轨迹表示数据为期望输出，训练得到用于预测轨迹的问题处理模型。
68.以目标检测为例，在所得到的一系列表示数据中，每份表示数据包括样本图像和样本图像中的目标对象的位置标签和类型标签，利用机器学习算法，上述执行主体可以将样本图像作为初始网络模型的输入，以所输入的样本图像的位置标签和类型标签为期望输出，训练得到用于目标检测的问题处理模型。
69.在本实施例的一些可选的实现方式中，上述执行主体可以基于automl(automated machine learning，自动机器学习)进行模型的训练过程。具体的，上述执行主体可以通过如下方式执行上述步骤204：
70.第一，确定初始网络模型所适用的优化方法。
71.机器学习的优化算法包括但不限于是梯度下降法、牛顿法、拟牛顿法、rmsprop(root mean square prop，均方根)算法、adam(adaptive moment estimation，自适应矩估计)算法、自适应梯度法、共轭梯度法。其中的不少算法又包括多种算法分支，例如，梯度下降法包括bgd(batch gradient descent，批量梯度下降)、sgd(stochastic gradient descent，随机梯度下降)以及mgd(mini
‑
batch gradient descent，小批量梯度下降)。
72.作为示例，上述执行主体中可以设置表征初始网络模型和所适用的优化方法之间的对应关系的关系列表，从而根据关系列表确定初始网络模型所适用的优化方法。
73.作为又一示例，上述执行主体可以将用户输入或选择的优化算法作为初始网络模型所适用的优化方法。
74.第二，在通过表示数据训练初始网络模型的过程中，采用初始网络模型所适用的优化方法调整初始网络模型，基于元学习方式，得到用于处理问题的问题处理模型。
75.在机器学习里，通常使用某个场景的大量数据来训练模型；然而，当场景发生改变，模型就需要重新训练。元学习(meta learning)，含义为学会学习，希望使模型获取一种“学会学习”的能力，使其可以在获取已有“知识”的基础上快速学习新的任务。
76.基于训练过程中的模型的实际输出和期望输出之间的损失，通过所适用的优化方法根据损失调整模型的参数权重。
77.本实现方式中，基于初始网络模型所适用的优化方法。利用学习方式进行模型的预训练，提高了模型训练的灵活性。
78.在本实施例的一些可选的实现方式中，上述执行主体可以在迭代训练初始网络模型的过程中，根据经初始网络模型所适用的多种优化方法调整后的初始网络模型的处理结果，从多种优化方法中确定目标优化方法，以在后续的训练过程中通过目标优化方法调整初始网络模型。
79.作为示例，当初始网络模型所适用的优化算法数量较多时，在迭代训练过程，基于每轮次训练后的模型的处理结果的准确度，采用逐次减少优化方法的方式，直至最终确定最优的目标优化算法。如此，本实现方式在多种优化算法中确定最优的目标优化算法，保证了最终得到的问题识别模型的准确度。
80.多所确定出的初始网络模型为多种时，针对于每种模型，上述执行主体可以利用上述方式确定每种初始网络模型的目标优化算法。在得到基于各自对应的目标优化算法训练后的模型后，基于多种模型的处理结果的准确度，将准确度最高的模型确定为最终的问题处理模型。
81.继续参见图3，图3是根据本实施例的问题处理模型的确定方法的应用场景的一个示意图300。在图3的应用场景中，用户301通过终端设备302向服务器303发送了所需解决的问题的问题描述信息。服务器303获取问题描述信息后，首先，根据问题描述信息，生成用于处理问题描述信息所指示的问题的知识图谱304；然后，根据知识图谱304，确定出适于处理问题的初始网络模型305、306；针对于初始网络模型305、306中的每个模型，服务器303预处理所获取的时空数据，得到时空数据在该初始网络模型所适用的数据表示格式下的表示数据；并通过表示数据，训练初始网络模型，得到用于处理问题的问题处理模型。最后，将基于初始网络模型305训练后的模型307、基于初始网络模型306训练后的模型308中准确度较高的模型308确定为最终的问题识别模型。
82.本实施例中，提供了一种针对时空领域问题的知识图谱生成、网络模型确定以及训练的方法，提高了确定用于解决时空领域问题的问题处理模型的便捷性和效率；通过问题处理模型处理时空数据，提高了处理结果的准确度。
83.继续参考图4，示出了根据本公开的方法的一个问题处理模型的确定方法实施例的示意性流程400。其中，流程400包括以下步骤：
84.步骤401，根据目标数据库中的数据的主题，确定用于处理问题描述信息所指示的问题的数据和所确定出的数据所关联的数据。
85.步骤402，根据所确定出的所有数据的层级结构，从各层级的关键信息中确定出目标数据。
86.步骤403，识别目标数据中的实体，并确定识别到的实体之间的关联信息。
87.步骤404，根据识别到的实体和关联信息，生成知识图谱。
88.步骤405，根据知识图谱，确定适于处理问题的初始网络模型。
89.步骤406，预处理所获取的时空数据，得到时空数据在初始网络模型所适用的数据表示格式下的表示数据。
90.步骤407，确定初始网络模型所适用的优化方法。
91.步骤408，在通过表示数据训练初始网络模型的过程中，采用初始网络模型所适用的优化方法调整初始网络模型，基于元学习方式，得到用于处理问题的问题处理模型。
92.从本实施例中可以看出，与图2对应的实施例相比，本实施例中的问题处理模型的确定方法的流程400具体说明了知识图谱的生成过程、模型的训练过程，进一步提高了确定用于解决时空领域问题的问题处理模型的便捷性、效率以及模型的处理结果的准确度。
93.继续参考图5，示出了本公开实施例提供的一种时空数据的处理方法的流程图，流程500包括以下步骤：
94.步骤501，获取待处理时空数据。
95.本实施例中，时空数据的处理方法的执行主体(例如，图1中的服务器)可以通过有线连接或无线连接方式从远程或从本地获取待处理时空数据。
96.步骤502，通过问题处理模型得到对应于待处理时空数据的处理结果。
97.本实施例中，上述执行主体可以通过问题处理模型得到对应于待处理时空数据的处理结果。
98.其中，问题处理模型根据实施例200、400的方式得到。问题描述信息的输入用户在得到解决问题描述信息的问题的问题处理模型后，可以通过所得到的问题处理模型处理上述问题同类型的分类、预测学习、表示学习和异常检测等任务。
99.本实施例中，通过问题处理模型处理待处理时空数据，提高了所得到的处理结果的准确度。
100.继续参考图6，作为对上述各图所示方法的实现，本公开提供了一种问题处理模型的确定装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
101.如图6所示，问题处理模型的确定装置，包括：生成单元601，被配置成根据问题描述信息，生成用于处理问题描述信息所指示的问题的知识图谱；确定单元602，被配置成根据知识图谱，确定适于处理问题的初始网络模型；预处理单元603，被配置成预处理所获取的时空数据，得到时空数据在初始网络模型所适用的数据表示格式下的表示数据；得到单元604，被配置成通过表示数据，训练初始网络模型，得到用于处理问题的问题处理模型。
102.在本实施例的一些可选的实现方式中，生成单元601，进一步被配置成：根据问题描述信息，从目标数据库中抓取处理问题描述信息所指示的问题的目标数据；识别目标数据中的实体，并确定识别到的实体之间的关联信息；根据识别到的实体和关联信息，生成知识图谱。
103.在本实施例的一些可选的实现方式中，生成单元601，进一步被配置成：根据目标数据库中的数据的主题，确定用于处理问题的数据和所确定出的数据所关联的数据；根据所确定出的所有数据的层级结构，从各层级的关键信息中确定出目标数据。
104.在本实施例的一些可选的实现方式中，预处理单元603，进一步被配置成：基于预设对应关系，确定初始网络模型所适用的数据表示格式，其中，预设对应关系表征网络模型与数据表示格式之间的对应关系；预处理时空数据，得到时空数据在初始网络模型所适用的数据表示格式下的表示数据。
105.在本实施例的一些可选的实现方式中，得到单元604，进一步被配置成：确定初始
网络模型所适用的优化方法；在通过表示数据训练初始网络模型的过程中，采用初始网络模型所适用的优化方法调整初始网络模型，基于元学习方式，得到用于处理问题的问题处理模型。
106.在本实施例的一些可选的实现方式中，得到单元604，进一步被配置成：在迭代训练初始网络模型的过程中，根据经初始网络模型所适用的多种优化方法调整后的初始网络模型的处理结果，从多种优化方法中确定目标优化方法，以在后续的训练过程中通过目标优化方法调整初始网络模型。
107.本实施例中，提供了一种针对时空领域问题的知识图谱生成、网络模型确定以及训练的装置，提高了确定用于解决时空领域问题的问题处理模型的便捷性和效率；通过问题处理模型处理时空数据，提高了处理结果的准确度。
108.继续参考图7，作为对上述各图所示方法的实现，本公开提供了一种时空数据的处理装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
109.如图7所示，时空数据的处理装置，包括：获取单元701，被配置成获取待处理时空数据；处理单元702，被配置成通过问题处理模型得到对应于待处理时空数据的处理结果。其中，问题处理模型通过实施例600的装置得到。
110.根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的问题处理模型的确定方法、时空数据的处理方法。
111.根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的问题处理模型的确定方法、时空数据的处理方法。
112.本公开实施例提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的问题处理模型的确定方法、时空数据的处理方法。
113.图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
114.如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
115.设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如
因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
116.计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如问题处理模型的确定方法。例如，在一些实施例中，问题处理模型的确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的问题处理模型的确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行问题处理模型的确定方法。
117.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
118.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
119.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
120.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
121.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据
服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
122.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大，业务扩展性弱的缺陷；也可以为分布式系统的服务器，或者是结合了区块链的服务器。
123.根据本公开实施例的技术方案，提供了一种针对时空领域问题的知识图谱生成、网络模型确定以及训练的方法，提高了确定用于解决时空领域问题的问题处理模型的便捷性和效率；通过问题处理模型处理时空数据，提高了处理结果的准确度。
124.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
125.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。