本发明涉及的是一种卫星控制领域的技术，具体是一种基于时序知识图谱推理的卫星对地观测任务流程规划方法。
背景技术：
1、基于任务的执行目标，卫星对地观测任务可以分为不同的任务执行流程。在卫星对地观测任务中，历史观测数据及其相关联的信息对于制定新的观测计划至关重要。现有基于知识图谱的任务规划技术无法解决遥感卫星系统中完整的任务流程规划任务，无法通过对历史任务流程规则的学习以预测执行相关任务节点，一般仅通过简单的对知识图谱进行查询的方式，导致现有技术无法处理复杂任务流程下的节点预测任务。
技术实现思路
1、本发明针对现有时序知识图谱推理技术不能综合考虑卫星对地观测任务流程的特有的多类历史信息特征进行知识外推推理以及无法对于卫星观测任务实现多步流程链式推理的不足，提出一种基于时序知识图谱推理的卫星对地观测任务流程规划方法，能够保证推理出的任务路径满足任务前后逻辑顺序要求，并能够推理出多条任务执行路径，为下游任务流程重组、流程切换提供支持，应用前景广阔。
2、本发明是通过以下技术方案实现的：
3、本发明涉及一种基于时序知识图谱推理的卫星对地观测任务流程规划方法，通过构造时序知识图谱四元组形式的卫星对地观测任务流程数据集，用于训练包含基础强度网络和历史强度网络的多历史聚合外推推理网络；在在线阶段针对历史数据中包含的不同任务流程抽离出相应的流程执行范式，通过任务节点所属类别从任务执行范式中挖掘出连接待推理节点之间的关系路径，再通过训练后的多历史聚合外推推理网络对关系路径中缺失的具体节点进行链式预测，得到连接节点的完整任务执行路径。
4、所述的历史强度网络包括：邻域历史强度网络、重复历史强度网络和序列历史强度网络，其中：邻域历史强度网络根据候选事实的邻域历史节点、关系和时间信息，进行事实发生的邻域依赖性特征捕捉处理，得到邻域历史信息对候选事实发生的贡献强度得分，重复历史强度网络根据候选事实在历史过程中重复发生的时间信息，进行事实发生的周期重复性特征捕捉处理，得到重复历史信息对候选事实发生的贡献强度得分，序列历史强度网络根据候选事实在选定时间段内的链式历史节点、关系和时间信息，进行事实发生的链式历史依赖性特征捕捉处理，得到序列历史信息对候选事实发生的贡献强度得分。
5、所述的基础强度网络包括：用于动态嵌入表示的实体嵌入层、关系嵌入层和持续时间嵌入层以及用于计算基础强度的配置两全连接层的多层感知机和一个线性变换层，其中：基础强度网络根据当前待评估的候选事实q＝(s,r,o′,[ts,tl])，进行候选事实q的实体与关系嵌入向量表示处理，并利用向量平移不变性原理融合事实发生特征，得到候选事实q在指定时刻下不考虑历史信息影响的基础事实强度得分fbase(q)；实体嵌入层根据候选事实q包含的头实体s和候选尾实体o′以及事实发生的开始时间ts信息，进行实体嵌入表示向量特征学习处理和实体嵌入与开始时间特征融合处理，得到头实体s和候选尾实体o′在开始时间ts时刻下的嵌入向量和关系嵌入层根据候选事实q包含的关系r信息，进行关系嵌入表示向量特征学习处理，得到关系r的静态嵌入向量zr，持续时间嵌入层根据候选事实q包含的事实成立持续时间tl信息，进行持续时间嵌入表示向量特征学习处理，得到持续时间tl的嵌入表示多层感知机根据头实体与尾实体在开始时间ts下的嵌入向量和和持续时间tl的嵌入表示信息，进行实体嵌入表示特征与持续时间特征融合处理，得到考虑了持续时间tl影响下的头实体嵌入向量和尾实体嵌入向量利用线性变换层根据考虑了持续时间影响的头实体嵌入和尾实体嵌入以及静态关系嵌入zr信息，评估候选事实q＝(s,r,o′,[ts,tl])成立的得分。
6、所述的多层感知机中的第一全连接层对ts时刻下的实体嵌入和持续时间嵌入进行特征融合，经过一个激活层relu后，通过多层感知机的第二线性层得到考虑了持续时间tl影响下的头实体嵌入和尾实体嵌入再基于改进的平移不变性原理，利用线性变换层评估候选事实q＝(s,r,o＇,[ts,tl])成立的得分。
7、所述的实体嵌入层包括：实体的时间属性动态嵌入单元和实体的固有属性静态嵌入单元，其中：时间属性动态嵌入单元根据实体的时变特征以及指定的事实开始时间特征信息，进行实体嵌入表示的时变特征分解与融合处理，得到实体属性中随时间变化部分的动态特征表示向量；固有属性静态嵌入单元根据实体固有的时不变特征信息，进行实体嵌入表示的固有特征提取处理，得到实体属性中时不变部分的静态特征表示向量。
8、基于实体的嵌入层、可以得到任意实体e在开始时刻ts下的动态嵌入表示向量维度为1×256，其中：时间属性动态嵌入单元进一步根据时间序列分解思想细分为实体的线性增长属性嵌入θ11，维度为1×256，用于表示实体随时间的成长特性，以及实体的周期性属性θ2，维度为1×256，用于表示实体在成长过程中的周期性特征。实体的固有属性ve用于保存实体本身具有的时不变静态特性，维度为1×256。函数为双曲正切函数tanh(·)，用于描述线性特性，函数为正弦函数sin(·)，用于描述周期特征。
9、所述的关系嵌入层是指：通过嵌入函数为所有关系分别生成一个1×256的静态嵌入向量，不随时间发生变化。
10、所述的持续时间嵌入层是指：将持续时间tl分解为年、月、日、时、分、秒六部分，分别利用嵌入函数为其生成相应部分的嵌入，再将这些向量进行拼接，生成一个1×256的嵌入表示向量，从而得到持续时间tl的向量空间表示
11、所述的多层感知机层包括：第一全连接层、relu激活层和第二全连接层，其中：第一全连接层根据给定开始时刻为ts的动态实体嵌入向量和持续时间tl嵌入向量进行特征信息整合，relu激活层根据特征信息进行非线性处理，第二全连接层根据非线性处理后的特征信息，整合时间特征与实体特征，得到融合持续时间信息的动态实体嵌入向量维度为1×256。
12、所述的改进的平移不变性原理是指：平移不变性原理将事实成立视为头实体向量与关系向量之和等于尾实体向量。但平移模型无法解决“对称”关系和“多对多”关系，因此利用一个线性层来作为相似性评估矩阵，用于衡量头实体向量经过关系向量转移后与尾实体向量的相似程度，线性层wf形状为256×256，候选事实q＝(s,r,o′,[ts,tl])成立的得分为
13、所述的领域历史强度网络包括：动态嵌入表示模块、邻域实体注意力层、邻域关系注意力层、时间衰减和邻域模式单元，其中：动态嵌入表示模块根据邻域历史中包含的邻居头实体和尾实体，以及邻域历史发生时间和持续时间信息，进行实体特征与时间特征融合处理，得到考虑开始时间和持续时间的邻域实体嵌入表示向量，邻域实体注意力层根据邻域实体嵌入表示向量以及候选事实q中对应的头实体嵌入表示向量和尾实体嵌入表示向量信息，进行邻域实体与候选事实实体贡献度评估处理，得到邻域历史中的邻域实体对当前候选事实实体的注意力得分，邻域关系注意力层根据邻域关系嵌入表示向量与候选事实关系嵌入表示向量，进行邻域关系与候选事实关系贡献度评估处理，得到邻域历史中的邻域关系对当前候选事实关系的注意力得分，时间衰减和邻域模式单元根据邻域历史发生时间与候选事实发生时间的差值和邻域实体注意力得分、邻域关系注意力得分，进行邻域历史贡献度衰减和邻域历史集合贡献度求和处理，得到候选事实q＝(s,r,o′,[ts,tl])的邻域历史强度得分fneig(q)。
14、对于待评估的候选事实q＝(s,r,o′,[ts,tl])，待考虑头实体s在时刻ts前的n个时间窗口内直接参与的历史信息的影响，将这些历史信息构成的历史事实集合记为邻域历史其中：i＝1,2,3,…,n，并且首先通过动态嵌入表示模块获得各个实体与关系的嵌入表示向量，然后通过邻域关系注意力层计算历史关系ri与当前候选事实r的注意力权重，通过邻域实体注意力层计算通过关系ri相连的历史尾实体oi与当前候选尾实体o′的注意力得分，并通过时间衰减因子，获得一个邻域历史事实对当前候选事实q＝(s,r,o′,[ts,tl])的邻域历史贡献，再通过邻域模式单元对邻域历史集合中的所有事实贡献求和，可以得到候选事实(s,r,o′,[ts,tl])的邻域历史得分fneig(q)。
15、所述的邻域关系注意力层是指：对于邻域历史事实关系ri，通过一个线性层作为邻域关系相似度矩阵wr评估与当前时刻候选事实r的相似性，形状为256×256，然后利用softmax激活层计算邻域历史事实关系ri在所有邻域历史中的注意力权重大小，记为其中：为邻域历史关系集合，exp(·)为指数函数，为邻居关系嵌入。
16、所述的邻域实体注意力层包括：邻域实体注意力权重层和邻域实体相似性度量层，其中：邻域实体相似性度量层通过一个线性层作为邻域实体相似性度量矩阵we，形状为256×256，用于评估通过历史关系ri相连的邻域历史尾实体oi与当前时刻候选尾实体o′的相似性邻域实体注意力层通过softmax激活层计算邻域历史尾实体oi的注意力权重大小其中：为通过邻域关系ri相连的邻域历史尾实体集合。
17、所述的时间衰减因子是指：对于邻域历史其对候选事实q＝(s,r,o′,[ts,tl])的影响应该随历史发生时间与当前时刻ts距离远近而相应增大和减小，定义时间衰减因子为其中：ρ为可学习衰减率，激活函数relu(·)用于保证时间差非负。
18、所述的重复历史强度网络包括：动态嵌入表示模块、重复实体注意力层、时间衰减和重复模式单元，其中：对于当前候选事实q＝(s,r,o′,[ts,tl])，构建重复历史信息集合为重复历史时间集合其中：表示基础事实(s,r,o′)曾在历史时刻发生。动态嵌入表示模块根据重复历史时间集合中的时间信息，对当前候选事实q的头实体s和尾实体o′进行动态嵌入处理，得到重复历史时刻下的头实体嵌入表示向量和尾实体嵌入表示向量。重复实体注意力层根据重复历史头实体和重复历史尾实体的嵌入表示向量，得到相应的重复历史得分，并通过时间衰减因子，获得一个重复历史事实对当前候选事实q＝(s,r,o′,[ts,tl])的重复历史贡献，再通过重复模式单元对重复历史时间集合中的包含的所有事实贡献求和，可以得到候选事实(s,r,o′,[ts,tl])的重复历史得分frep(q)。
19、所述的序列历史强度网络包括：动态嵌入表示模块、门控循环神经单元gru和序列模式单元，其中：针对当前候选事实q＝(s,r,o′,[ts,tl])，从历史任务流程数据集中抽取头实体s在时刻ts前m个时间窗口内参与的序列历史信息：其中：k＝1,2,3,…,m，且为序列历史事实开始时间戳，为序列历史事实持续时间，ek为序列历史事实执行的任务实体。动态嵌入表示模块根据每条序列历史事实进行动态实体嵌入和关系嵌入，得到实体ek的嵌入向量和关系的嵌入向量维度均为1×256，然后拼接这两个向量得到序列历史向量维度为1×512，门控循环神经单元gru根据序列历史向量进行历史信息处理，得到最后的隐层输出向量维度为1×256，序列模式单元根据最后的隐层输出向量和o′在[ts,tl]时刻下的嵌入表示向量利用序列强度评估矩阵ws进行相似性评估处理，得到序列历史强度得分fseq(q)。
20、所述的训练是指：初始化动态实体嵌入矩阵，关系嵌入矩阵，基础强度网络、邻域强度网络、重复强度网络和序列强度网络参数，设置邻域历史窗口n和序列历史窗口m，并对训练集数据构建邻域历史字典集合和序列历史字典集合，并通过负采样获得每条事实的对应的错误事实，接着针对训练集的每条历史事实，分别计算事实的历史融合得分以及对应的负采样事实历史融合得分，通过损失函数反向传播更新各个网络参数，最终使训练集中的历史事实融合得分最大，确保在预测集中对未来事实推理预测的正确性。
21、技术效果
22、本发明从历史数据抽离出卫星观测任务执行范式，能够实现给定两个任务节点挖掘节点之间的关系连接路径，再利用时序知识图谱推理算法预测出关系路径中缺失的任务节点信息，从而给出具体的任务执行流程链，实现任务流程规划；对于使用的时序知识图谱推理算法，通过搭建多个历史信息捕捉模块对卫星观测任务流程的多维度历史信息进行建模，充分捕捉了不同任务执行流程的邻域依赖、周期重复和高阶序列依赖特征，可以有效提高卫星观测任务流程推理的准确性。与现有技术相比，本发明有效解决了现有时序知识图谱推理技术无法同时处理卫星观测任务的中细时间粒度、历史依赖性强、历史关系复杂等问题，以及时序知识图谱只能进行单步实体推理，无法进行链式推理给出任务流程执行链的局限性，能够实现给定两个任务节点挖掘节点之间的关系连接路径，并基于设计的时序知识图谱多历史信息融合推理得到两个任务节点之间的具体执行任务实体，实现任务流程规划。