CN119415893B 一种基于典型业务场景下的大数据聚合分析方法和系统 （北京数洋智慧科技有限公司）

一种基于典型业务场景下的大数据聚合分本申请提供一种基于典型业务场景下的大2接收来自多个异构数据源的多维度业务数据流，所述多维度业基于所述跨域数据关联网络，采用图神经网络算法对网络中的节节点之间的关系强度进行评估，通过计算节点间特征的相似度得分来动态调整注意力权为了更准确地反映节点间的关系强度，将节点间;据聚合分析过程进行优化处理，通过Q_learning算法动态调整关键数据节点的选择策略，基于所述优化后的数据聚合分析模型，对业务数据进行综3基于所述跨域数据关联网络，对网络中的节点和边的特征进行深根据所述注意力权重，采用节点重要性评分基于所述关键数据节点，分析节点之间的相互作用模式，生成基于所述注意力权重，引入节点间距离或关系类型的因素作为额外性评分算法对网络中的节点进行重要性评估，筛选出在网络中起核心作用的关键数据节通过对所述在网络中起核心作用的关键数据节点进行分析，确认5.根据权利要求1所述的方法，其特征在于，所述根据所述关键数据节点及其组合模基于所述强化学习框架，利用Q_learning算法对数据聚4在每次迭代中，根据当前状态和所述更新后的Q值表，选择具有通过持续的迭代学习过程，基于所述即时奖励动态调整关键数据6.根据权利要求5所述的方法，其特征在于，所述基于所述强化学习框架，利用Q一;Rt+1表示在时间步t+1时的即时奖励；表示在状态si下执行动;其中，Q(s,ap)表示在状态si下执行动作at的当前Q值；Rt+1表示在时间步58.根据权利要求1所述的方法，其特征在于，所述基于所述优化后的数据聚合分析模基于所述有价值的信息和模式，对业务流程中的潜在规律和趋势进行深入挖掘处理，根据所述业务洞察内容，结合对当前业务状况的全面描述和未来业接收模块，用于接收来自多个异构数据源的多维度业务数据流，学习模块，用于基于所述跨域数据关联网络，采用图神经网络算为了更准确地反映节点间的关系强度，将节点间;6优化模块，用于根据所述关键数据节点及其组合模式7解决现有技术中分析结果的可信度和实用性[0006]第一方面，本申请实施例提供一种基于典型业务场景下[0008]第二方面，本申请实施例提供一种基于典型业务场景下8数据聚合分析过程进行优化处理，通过Q_learning算法动态调整关键数据节点的选择策9[0020]图1为本申请实施例提供的一种基于典型业务场景下的大数据聚合分析方法的流[0021]图2为本申请实施例提供的一种基于典型业务场景下的大数据聚合分析系统的结[0025]图1为本申请实施例提供一种基于典型业务场景下的大数据聚合分析方法的流程数据源的格式和结构可能各不相同；通过数据采集工具或API从多个异构数据源中获取数[0037]通过图神经网络算法提取节点的深层次特征表示，提高了特征的丰富性和准确算法对网络中的节点和边的特征进行深度学习处理，通过多层非线性变换得到每个节点的意力机制，对每个节点与其邻居节点之间的关系强度进行评估，通过计算节点间特征的相似度得分来动态调整注意力权重；利用所述注意力权重，对网络中的每个节点采用节点重心性算法计算每个节点的重要度分数；根据所述重要性评分值，对网络中的节点进行排序要性评分值最高的100个节点；通过对所述在网络中起核心作用的关键数据节点进行进一键数据节点在网络中的实际作用和影响力，为国家电网提供更深入的业务洞察和决策支节点之间的特征相似度进行计算处理，得到相似度得分；根据所述相似度得分，通过力权重，引入节点间距离或关系类型的因素作为额外输入，对节点间关系强度的评估进行它们之间的连接类型（直接连接或间接连接利用更准确的注意力权重，对节点的特征表生成最终的注意力权重；利用所述最终的注意力权重，对网络中的每个节点采用节点重要性算法计算每个节点的重要度分数；根据所述重要性评分值，对网络中的节点进行排序处述节点的重要性排序列表，设定一个阈值或选择前N个节点，对网络中的节点进行筛选处要性评分值最高的100个节点；通过对所述在网络中起核心作用的关键数据节点进行进一邻居节点k之间的特征相似度得分;dy表示节点i与节点j之间的距离；dn表示节点i与的所有邻居节点的集合；exp()是自然指数函数，用于将调整后的相似度得分转换为正[0052]该方法旨在通过综合考虑节点间的特征相似度得分、关系类型权重和距离等因整因子v和8通过非线性项，在相似度得分较低时减少[0054]其中，特征相似度得分通过计算节点i和节点j的特征向量之间的相似度（如dy根据节点i和节点j之间的物理或逻辑距离计算得到每个节点的深层次特征表示；计算节点i和节点j的特征向量之间的相似度得分。例a=0.5,f=0.3,y=0.2,⃞=0.1,6=0.5；用上述公式计算每个节点对其邻居表示在时间步t+1时的即时奖励；r(s,an)表示在状态下执行激活条件；[0072]根据计算得到的即时奖励，使用以下公式对当前状态一动作对的Q值进行更新处反映在下一个状态下的最优选择；非线性调整因子λ和u引入非线si下执行动作at后立即获得的奖励，可以通过环境β和v是非线性调整因子，通过实验或交叉验证调整；p是阈值，通过实整。最终生成优化后的数据聚合分析模型，模型能够根据当前状态选择最优的关键数据节点，[0093]图2为本申请实施例提供一种基于典型业务场景下的大数据聚合分析系统的结构据聚合分析过程进行优化处理，通过Q_learning算法动态调整关键数据节点的选择策略，[0099]图2所述的一种基于典型业务场景下的大数据聚合分析系统