智慧城市融合网络运维数据特征提取和分析方法与流程

1.本发明涉及大数据处理技术领域，尤其涉及一种智慧城市融合网络运维数据特征提取和分析方法。


背景技术：

2.随着信息技术的不断革新进步，智慧城市的建设被逐步提上日程，庞大的城市信息建设工程需要强大的网络基础设施支撑。复杂、融合的异构网络结构会产生海量的网络运维数据，网络运行所产生的属性数据大多是高维非线性的，因此如何从海量的网络运维数据中提取出关键可供分析研究的相关特征数据成为了当下研究的重点，这也是智慧城市建设中网络建设所需要突破的重点问题之一。
3.目前的特征提取方法根据特征空间映射函数的形式可分为线性方法和非线性方法两种。线性方法主要采用线性形式的变换从而实现特征提取。传统的线性方法包括主成分分析(pca)，因子分析(fa)等，这些线性方法关注的是样本的方差，能学习线性流形的结构，却无法学习非线性流形。而非线性方法则主要采用核方法和流形学习方法两种。流形学习方法虽然能够学习非线性流形结构，但由于本身属于直推学习，无法进行新样本的泛化。基于核函数的降维方法，如kpca，可以处理非线性问题，但又忽略了流形的非线性结构。


技术实现要素：

4.本发明提供一种智慧城市融合网络运维数据特征提取和分析方法，用以解决现有技术中当前的数据提取方法多数运用在线性数据中，难以准确提取向量间的合理相关性质的缺陷，实现有效处理非线性数据，将高维度向量降低至低维度，从而减少数据量。
5.本发明提供一种智慧城市融合网络运维数据特征提取和分析方法，包括：
6.对目标向量进行聚类，确定邻域图；所述目标向量是基于智慧城市融合网络运维数据确定的；
7.基于所述邻域图，确定特征向量。
8.根据本发明提供的一种智慧城市融合网络运维数据特征提取和分析方法，所述基于所述邻域图，确定特征向量，包括：
9.基于所述邻域图和所述目标向量之间的相关系数，确定权重矩阵；
10.基于所述权重矩阵，确定特征向量。
11.根据本发明提供的一种智慧城市融合网络运维数据特征提取和分析方法，所述基于所述邻域图和所述目标向量之间的相关系数，确定权重矩阵，包括：
12.基于所述邻域图和所述目标向量之间的相关系数，确定所述邻域图中相连接的目标向量之间的相关系数；
13.基于所述相连接的目标向量之间的相关系数，确定权重；
14.基于所述权重，确定权重矩阵。
15.根据本发明提供的一种智慧城市融合网络运维数据特征提取和分析方法，所述基
于所述相连接的目标向量之间的相关系数，确定权重的公式如下：
16.0《ρ
ij
《1
17.其中，w
ij
为权重，ρ
ij
为相连接的目标向量之间的相关系数。
18.根据本发明提供的一种智慧城市融合网络运维数据特征提取和分析方法，所述对目标向量进行聚类，确定邻域图，包括：
19.任意选择一个目标向量，确定为簇的中心；
20.基于未被确定为簇的中心的目标向量与被确定为簇的中心的目标向量之间的距离，确定预设数量个簇的中心；
21.基于所述预设数量个簇的中心，对所述目标向量进行聚类，确定预设数量个簇；
22.分别将每个簇内的目标向量进行连接，确定邻域图。
23.本发明还提供一种智慧城市融合网络运维数据特征提取和分析装置，包括：
24.聚类模块，用于对目标向量进行聚类，确定邻域图；所述目标向量是基于智慧城市融合网络运维数据确定的；
25.确定模块，用于基于所述邻域图，确定特征向量。
26.根据本发明提供的一种智慧城市融合网络运维数据特征提取和分析装置，所述确定模块，具体用于：
27.基于所述邻域图和所述目标向量之间的相关系数，确定权重矩阵；
28.基于所述权重矩阵，确定特征向量。
29.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述智慧城市融合网络运维数据特征提取和分析方法。
30.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述智慧城市融合网络运维数据特征提取和分析方法。
31.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述智慧城市融合网络运维数据特征提取和分析方法。
32.本发明提供的智慧城市融合网络运维数据特征提取和分析方法及装置，通过对目标向量进行聚类，基于聚类后的向量确定邻域图，构建权值矩阵，再求解广义特征向量，并使用特征向量组成的映射矩阵，将高维度的向量映射为低纬度，实现了向量嵌入降维，完成特征提取，提高数据特征提取的可靠性和准确性。
附图说明
33.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
34.图1是本发明提供的智慧城市融合网络运维数据特征提取和分析方法的流程示意
图之一；
35.图2是本发明提供的智慧城市融合网络运维数据特征提取和分析方法的流程示意图之二；
36.图3是应用本发明提供的智慧城市融合网络运维数据特征提取和分析方法确定的邻域图；
37.图4是本发明提供的智慧城市融合网络运维数据特征提取和分析装置的结构示意图；
38.图5是本发明提供的电子设备的结构示意图。
具体实施方式
39.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.下面结合图1-图5描述本发明提供的智慧城市融合网络运维数据特征提取和分析方法及装置。
41.图1是本发明提供的智慧城市融合网络运维数据特征提取和分析方法的流程示意图之一，参考图1，本发明提供的智慧城市融合网络运维数据特征提取和分析方法，可以包括：
42.步骤110、对目标向量进行聚类，确定邻域图；目标向量是基于智慧城市融合网络运维数据确定的；
43.步骤120、基于邻域图，确定特征向量。
44.需要说明的是，本发明提供的智慧城市融合网络运维数据特征提取和分析方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，非移动电子设备可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本发明不作具体限定。
45.在步骤110中，对目标向量进行聚类，确定邻域图。
46.对采集的海量的智慧城市融合网络运维数据进行整合，采用softmax归一化处理后得到多个目标向量。通过聚类方法对确定的目标向量进行聚类，根据聚类后的目标向量，确定邻域图。
47.在步骤120中，基于邻域图，确定特征向量。
48.根据邻域图，确定权重矩阵，再求解广义特征向量，并使用特征向量组成的映射矩阵，将高维度的向量映射为低纬度，实现向量嵌入降维，完成特征提取。
49.本发明实施例提供的智慧城市融合网络运维数据特征提取和分析方法，通过对目标向量进行聚类，基于聚类后的向量确定邻域图，构建权值矩阵，再求解广义特征向量，并
使用特征向量组成的映射矩阵，将高维度的向量映射为低纬度，实现了向量嵌入降维，完成特征提取，提高数据特征提取的可靠性和准确性。
50.在一个实施例中，基于邻域图，确定特征向量，包括：
51.基于邻域图和目标向量之间的相关系数，确定权重矩阵；
52.基于权重矩阵，确定特征向量。
53.对两组变量x＝(x1,x2,
…
,x
p
)和y＝(y1,y2,
…
,yq)进行线性组合，组合公式如下所示：
54.u＝a1x1+a2x2+
…
+a
p
x
p
＝ax
55.v＝b1y1+b2y2+
…
+b
qyq
＝by
ꢀꢀꢀ
(1)
56.其中，a＝(a1,a2,
…
,a
p
)，b＝(b1,b2,
…
,bq)为线性组合的系数，u和v为典型变量。
57.var(u)＝a
t cov(x)a＝a
t
σ
11
a＝1
58.var(v)＝b
t cov(y)b＝b
t
σ
22
b＝1
59.cov(u,v)＝a
t cov(x,y)b＝a
t
σ
12bꢀꢀꢀ
(2)
60.其中，σ
11
为x的协方差，σ
12
为x与y的协方差，σ
22
为y的协方差。
61.计算u和v之间的相关系数ρ，计算方法如下：
[0062][0063]
选取u和v的最优组合，可以通过寻求最优的组合系数a和b，使得ρ最大，这样得到的a和b就使得u和v具有最大关联的权重。
[0064]
为了求解典型变量，首先需要构造拉格朗日等式，如下式：
[0065][0066]
对拉格朗日等式求导可得：
[0067][0068][0069]
其中，σ
21
为y与x的协方差。
[0070]
令导数为零后，得到方程组：
[0071]
σ
12
b-λσ
11
a＝0
[0072]
σ
21
a-θσ
22
b＝0
ꢀꢀꢀ
(6)
[0073]
式(6)中，第一个等式左乘a
t
，第二个等式左乘b
t
，再根据a
t
∑
11
a＝1，b
t
∑
22
b＝1，得到λ＝θ＝a
t
∑
12
b，λ即是corr(u,v)，只需求出最大λ即可。
[0074]
最终可以推导出：
[0075][0076]
由式(7)可以求出a，然后根据式(6)可以求得b。
[0077]
基于构建的邻域图和目标向量之间的相关系数，来构建权重矩阵，再求解广义特征向量，并使用特征向量组成的映射矩阵，将高维度的向量映射为低纬度，实现了向量嵌入降维，完成特征提取。
[0078]
本发明实施例提供的智慧城市融合网络运维数据特征提取和分析方法，通过研究两组变量x和y之间的相关性，采用相关系数最大组合的一对线性组合的系数向量来表示变量x和y之间的相关性，可以得到最优的系数向量a和b，使得两变量之间的相关值达到最大，从而根据相关系数以及邻域图确定权重矩阵，进一步提高了数据特征提取的可靠性和准确性。
[0079]
在一个实施例中，基于邻域图和目标向量之间的相关系数，确定权重矩阵，包括：
[0080]
基于邻域图和目标向量之间的相关系数，确定邻域图中相连接的目标向量之间的相关系数；
[0081]
基于相连接的目标向量之间的相关系数，确定权重；
[0082]
基于权重，确定权重矩阵。
[0083]
确定领域图中每个簇内所连接的两个目标向量，以及该两个目标向量之间的相关系数，根据该两个目标向量之间的相关系数来确定权重，并构建权重矩阵。
[0084]
本发明实施例提供的智慧城市融合网络运维数据特征提取和分析方法，通过使用典型相关性分析计算向量间的相关性大小，并以相关性大小为基础数据，再进行归一化运算之后来构建权值矩阵，提高了数据特征提取的准确性和可靠性。
[0085]
在一个实施例中，基于相连接的目标向量之间的相关系数，确定权重的公式如下：
[0086]
0《ρ
ij
《1
[0087]
其中，w
ij
为权重，ρ
ij
为相连接的目标向量之间的相关系数。
[0088]
根据目标向量之间的相关系数确定权重，具体地，可以通过以下公式确定：
[0089][0090]wij
为权重，ρ
ij
为相连接的目标向量之间的相关系数。
[0091]
权值矩阵为w，权值矩阵中的元素为w
ij
，设定没有边连接的矩阵元素为0。
[0092]
通过求解广义特征向量问题来计算降维的线性映射：
[0093]
xmx
t
a＝λxx
taꢀꢀꢀ
(9)
[0094]
其中数据集x＝(x1,
…
,xm)，矩阵m＝(i-w)
t
(i-w)，按特征值从小到大的次序(λ0≤
…
≤λ
d-1
)将求解到的特征向量进行排列a0,
…
,a
d-1
，这样特征提取降维后的嵌入属性为：
[0095]
yi＝a
t
xiꢀꢀꢀ
(10)
[0096]
其中a＝(a0,a1,
…
,a
d-1
),a为特征向量组成的映射矩阵。
[0097]
本发明实施例提供的智慧城市融合网络运维数据特征提取和分析方法，通过对相关系数进行处理，根据相关系数确定权重值，从而确定权重矩阵，进一步提高了数据特征提取的可靠性和准确性。
[0098]
在一个实施例中，对目标向量进行聚类，确定邻域图，包括：
[0099]
任意选择一个目标向量，确定为簇的中心；
[0100]
基于未被确定为簇的中心的目标向量与被确定为簇的中心的目标向量之间的距离，确定预设数量个簇的中心；
[0101]
基于预设数量个簇的中心，对目标向量进行聚类，确定预设数量个簇；
[0102]
分别将每个簇内的目标向量进行连接，确定邻域图。
[0103]
首先，设置预设数量为k，k的取值可根据需要自行设定，在此不做限定。
[0104]
在目标向量中随机选一个目标向量，作为初始的簇的中心。然后，在其他未被选择为簇的中心的目标向量中，选择距离已选好的中心最远的目标向量作为第二个簇的中心。重复以上步骤，直到选出k个簇中心。
[0105]
具体选择流程如下式所示：
[0106][0107]
其中m为簇中心个数，n为初始属性个数。
[0108]
根据选好的k个中心，分别计算未被选为簇中心的目标向量到k个中心的距离，并选中距离最短时的中心的那一簇，将该目标向量归为那一簇中，每个目标向量都被归类后则形成初步的k个簇。
[0109]
可采用如下所示的欧氏距离作为度量方法：
[0110][0111]
对于聚类后产生的k个簇，分别计算到每个簇内到其他点距离均值最小的点作为簇的中心。再以新的中心，重新计算未被确定为中心的目标向量到所有中心的距离，继续对目标向量进行归类。
[0112]
再重复以上步骤，直到簇的中心不再改变为止，或达到循环最大次数时停止算法。
[0113]
然后根据最终形成的k个簇，将每个簇内的各个目标向量进行连接，构建邻域图。
[0114]
本发明实施例提供的智慧城市融合网络运维数据特征提取和分析方法，通过使用改进的k-means聚类算法替换邻域保持嵌入算法的k邻近分类步骤，在向量间设置了一种更加可靠的寻找k邻近的方法。先是按照分散策略设置k个簇，再计算向量间度量距离，再不断更新簇中心，最终形成稳定的k簇向量集合，再根据聚类后的向量构建邻域图，进一步提高了数据特征提取的准确性。
[0115]
图2是本发明提供的智慧城市融合网络运维数据特征提取和分析方法的流程示意图之二，参照图2，本发明提供的智慧城市融合网络运维数据特征提取和分析方法，可以包括：
[0116]
步骤210、使用典型相关性分析方法计算属性间的典型相关系数；
[0117]
步骤220、使用改进npe方法构建邻域图；
[0118]
步骤230、基于邻域图构建权重矩阵，再计算数据的映射矩阵，完成特征提取。
[0119]
在步骤210中，使用典型相关性分析方法计算属性间的典型相关系数。
[0120]
使用cca方法来研究两组变量x和y之间的相关性，cca采用相关系数最大组合的一对线性组合的系数向量来表示变量x和y之间的相关性，使用这对线性组合的变量x和y则称为一对典型变量。cca主要目的是得到最优的系数向量a和b，从而使得两变量之间的相关值达到最大。具体过程可参考公式(1)-公式(7)的计算过程。
[0121]
在步骤220中，使用改进npe方法构建邻域图。
[0122]
数据集x＝x1，x2，
…
，xm，通过邻域保持嵌入方法来构建各属性之间邻域图，使用改
进的k-means聚类方法来构建属性间的关系，将属性分为k个簇，簇内的属性之间相互连接。通过该方法构建的邻域图作为s230中设置权值矩阵的前置条件。具体过程可参考公式(11)-公式(12)的计算过程。
[0123]
步骤230中，基于邻域图构建权重矩阵，再计算数据的映射矩阵，完成特征提取。
[0124]
使用步骤210得到的相关性大小以及步骤220得到的邻域图构建权值矩阵，再求解广义特征向量，并使用特征向量组成的映射矩阵，将高维度的属性映射为低纬度，实现向量嵌入降维，完成特征提取。具体过程可参考公式(8)-公式(10)的计算过程。
[0125]
在目前使用邻域保持嵌入的数据特征提取方法中，大多数没有进一步优化算法步骤，在此基础上进行特征提取的准确率低，预测效果不好，本发明则使用了cca方法计算相关性大小取代传统的权值矩阵构成步骤。传统的特征提取方法只能够处理线性数据，邻域保持嵌入方法基于lle方法改进，使用流形结构，不仅能够捕捉流形的非线性结构，还保留了线性性质，能够进行新样本的泛化。
[0126]
此外，本发明提供的一种智慧城市融合网络运维数据特征提取和分析方法，还具有以下优点：
[0127]
(1)将cca方法和邻域保持嵌入方法相结合，使用典型相关性分析计算属性间的相关性大小，并以相关性大小为基础数据，再进行归一化运算之后来构建权值矩阵，以此增强数据特征提取的准确性和可靠性。
[0128]
(2)使用改进的k-means聚类算法替换邻域保持嵌入算法的k邻近分类步骤，在属性间设置了一种更加可靠的寻找k邻近的方法。先是按照分散策略设置k个簇，再计算属性间度量距离，再不断更新簇中心，最终形成稳定的k簇属性集合。
[0129]
下面结合具体场景，对本发明提供的智慧城市融合网络运维数据特征提取和分析方法进行详细描述，具体步骤如下：
[0130]
s1、根据采集的智慧城市融合网络运维数据，采用softmax归一化后得到五个十维属性向量x1，x2，x3，x4，x5。
[0131]
x1＝(0.0068，0.3573，0.8925，
…
，0.0391)，
[0132]
x2＝(0.9432，0.0033，0.3819，
…
，0.8239)，
[0133]
x3＝(0.1670，0.0329，0.9028，
…
，0.6193)，
[0134]
x4＝(0.2931，0.8352，0.0091，
…
，0.4890)，
[0135]
x5＝(0.9039，0.3940，0.0923，
…
，0.6328)，
[0136]
将五个属性向量x1，x2，x3，x4，x4依次分为(x1，x2)，(x1，x3)，(x1，x4)，(x2，x3)，(x2，x4)，(x3，x4)
…
十组向量对。并将它们代入公式(4)-(7)，分别得到各向量对对应的a，b系数以及最优的ρ值，如表1所示：
[0137]
表1 相关系数表
[0138]
向量对系数a系数bρx1,x2(0.3824,0.0672,0.0093,
…
,0.7192)(0.0032.,0.9380,0.4611,
…
,0.1031)0.68x1,x3(0.6013,0.0061,0.2131,
…
,0.8831)(0.0132,0.8012,0.0079,
…
,0.1329)0.53x1,x4(0.8671,0.0892,0.1287,
…
,0.9781)(0.9918,0.2981,0.0129,
…
,0.0009)0.58x1,x5(0.8093,0.0032,0.7329,
…
,0.2901)(0.1933,0.1899,0.0009,
…
,0.1973)0.83x2,x3(0.5001,0.0030,0.2509,
…
,0.0303)(0.2970,0.0002,0.0003,
…
,0.5822)0.71x2,x4(0.1931,0.0079,0.1833,
…
,0.7709)(0.0074,0.5039,0.7443,
…
,0.4001)0.76
x2,x5(0.3909,0.1833,0.6972,
…
,0.4855)(0.1930,0.1832,0.0095,
…
,0.5927)0.85x3,x4(0.8921,0.0083,0.8909,
…
,0.2330)(0.9213,0.9831,0.0009,
…
,0.2819)0.61x3,x5(0.7938,0.3863,0.8627,
…
,0.8835)(0.2138,0.0067,0.0002,
…
,0.8531)0.73x4,x5(0.5892,0.9283,0.2130,
…
,0.7324)(0.9273,0.0893,0.4712,
…
,0.6318)0.69
[0139]
s2、设置k值为2，先选择x1作为簇的中心，根据距离公式计算其余四个属性向量与x1的距离分别为：d(x1,x2)＝0.3620，d(x1,x3)＝0.6329，d(x1,x4)＝0.2938，d(x1,x5)＝0.4930。
[0140]
根据改进的k-means算法将x3作为另一个簇中心，再分别计算x3与其余三个属性向量的距离。
[0141]
d(x3,x2)＝0.4832，d(x3,x4)＝0.1259，d(x3,x5)＝0.6829。
[0142]
根据计算得到的距离的大小，将x1,x2,x5归为第一簇，x3,x4归为第二簇。
[0143]
然后计算簇内离其他点距离最小的点作为簇的中心，d(x2,x5)＝0.0935，即x2作为第一簇的中心。接着重复上述步骤进行计算。最终得到x2,x4为第一簇，x1,x3,x5为第二簇。按照得到的聚类结果画出邻域图，如图3所示，图3是应用本发明提供的智慧城市融合网络运维数据特征提取和分析方法确定的邻域图。
[0144]
s3、根据步骤s1得到的属性向量间相对性大小ρ，以及步骤s2构建的邻域图构建权值矩阵。
[0145]
根据图3邻域图中的连接关系，查询表1的数据，得到：
[0146]
ρ
13
＝0.53，ρ
15
＝0.83，ρ
35
＝0.73，ρ
24
＝0.76。
[0147]
根据公式(8)，将相对应的ρ分别代入得到权重：
[0148]w13
＝1.5751，w
15
＝5.3668，w
35
＝3.1775，w
24
＝3.6438。
[0149]
根据计算得到的权重，构建权重矩阵w，如下：
[0150][0151]
根据权重矩阵w，以及公式(9)与(10)，计算得到映射的y属性向量：
[0152]
y1＝(0.7102,0.0912,0.8902,0.0027,0.3102,0.9132)，
[0153]
y2＝(0.4091,0.5937,0.3791,0.0012,0.7293,0.7912)，
[0154]
y3＝(0.6012,0.1287,0.8973,0.1397,0.0002,0.9817)，
[0155]
y4＝(0.0073,0.0821,0.4713,0.4977,0.7381,0.0860)，
[0156]
y5＝(0.6422,0.6391,0.0329,0.8492,0.4782,0.9122)，
[0157]
本实例中原x属性向量为10维，映射的y属性向量为6维，实现了特征提取中的数据降维效果。
[0158]
下面对本发明提供的智慧城市融合网络运维数据特征提取和分析装置进行描述，下文描述的智慧城市融合网络运维数据特征提取和分析装置与上文描述的智慧城市融合网络运维数据特征提取和分析方法可相互对应参照。
[0159]
图4是本发明提供的智慧城市融合网络运维数据特征提取和分析装置的结构示意图，参照图4，本发明提供的智慧城市融合网络运维数据特征提取和分析装置，可以包括：
[0160]
聚类模块410，用于对目标向量进行聚类，确定邻域图；目标向量是基于智慧城市融合网络运维数据确定的；
[0161]
确定模块420，用于基于邻域图，确定特征向量。
[0162]
本发明实施例提供的智慧城市融合网络运维数据特征提取和分析装置，通过对目标向量进行聚类，基于聚类后的向量确定邻域图，构建权值矩阵，再求解广义特征向量，并使用特征向量组成的映射矩阵，将高维度的向量映射为低纬度，实现了向量嵌入降维，完成特征提取，提高数据特征提取的可靠性和准确性。
[0163]
在一个实施例中，确定模块420，具体用于：
[0164]
基于邻域图和目标向量之间的相关系数，确定权重矩阵；
[0165]
基于权重矩阵，确定特征向量。
[0166]
在一个实施例中，基于邻域图和目标向量之间的相关系数，确定权重矩阵，包括：
[0167]
基于邻域图和目标向量之间的相关系数，确定邻域图中相连接的目标向量之间的相关系数；
[0168]
基于相连接的目标向量之间的相关系数，确定权重；
[0169]
基于权重，确定权重矩阵。
[0170]
在一个实施例中，基于相连接的目标向量之间的相关系数，确定权重的公式如下：
[0171]
0《ρ
ij
《1
[0172]
其中，w
ij
为权重，ρ
ij
为相连接的目标向量之间的相关系数。
[0173]
在一个实施例中，聚类模块410，具体用于：
[0174]
任意选择一个目标向量，确定为簇的中心；
[0175]
基于未被确定为簇的中心的目标向量与被确定为簇的中心的目标向量之间的距离，确定预设数量个簇的中心；
[0176]
基于预设数量个簇的中心，对目标向量进行聚类，确定预设数量个簇；
[0177]
分别将每个簇内的目标向量进行连接，确定邻域图。
[0178]
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行智慧城市融合网络运维数据特征提取和分析方法，该方法包括：
[0179]
对目标向量进行聚类，确定邻域图；目标向量是基于智慧城市融合网络运维数据确定的；
[0180]
基于邻域图，确定特征向量。
[0181]
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施
例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0182]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的智慧城市融合网络运维数据特征提取和分析方法，该方法包括：
[0183]
对目标向量进行聚类，确定邻域图；目标向量是基于智慧城市融合网络运维数据确定的；
[0184]
基于邻域图，确定特征向量。
[0185]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的智慧城市融合网络运维数据特征提取和分析方法，该方法包括：
[0186]
对目标向量进行聚类，确定邻域图；目标向量是基于智慧城市融合网络运维数据确定的；
[0187]
基于邻域图，确定特征向量。
[0188]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0189]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0190]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。