面向不确定性的时空知识图谱更新异常校正方法研究

本研究针对动态知识图谱中模糊时空知识建模的挑战，提出扩展RDF模型以表征模糊时空实体连续运动轨迹，系统识别一致性约束并开发更新异常校正算法。实验验证了该模型在物联网和空管等场景的有效性，为时空密集型应用提供了可靠的知识管理方案。

　　

随着大数据智能的发展，知识图谱作为知识建模与管理的基石，其动态场景下的时空知识处理成为研究难点。现实世界知识往往具有不确定性，而现有资源描述框架(RDF)在模糊时空知识表达方面存在冗余和粒度不足等问题。特别是在物联网(IoT)、智能城市和空中交通管理等时空密集型应用中，传统方法难以有效表征连续运动轨迹和模糊时空实体。

针对这一挑战，研究人员提出扩展的模糊时空RDF模型(FST)，通过系统化定义一致性约束条件，开发了针对插入(insert)、删除(delete)和修改(modify)三类更新操作的异常校正算法。与现有模糊区间代数(FIA)和概率RDF(aRDF)模型相比，FST显著降低了时空知识冗余，提升了对细粒度模糊信息的表达能力。

研究采用理论建模与算法验证相结合的方法，通过设计对比实验评估模型性能。实验数据来源于实际应用场景构建的模糊时空数据集，重点测试了不同模型在执行效率、内存消耗和知识一致性维护方面的表现。结果显示，FST模型在保持知识一致性的同时，平均执行时间较对比模型缩短23.6%，内存占用降低18.4%。

【fuzzy spatiotemporal rdf model】
提出扩展RDF三元组结构，引入模糊时空注解层，有效表征连续运动轨迹。通过定义时间区间和空间位置的模糊隶属函数，解决了传统模型对不确定性知识表达能力不足的问题。

【inconsistencies of fuzzy spatiotemporal rdf graph】
系统识别出三类主要不一致性：时间区间重叠冲突、空间位置矛盾以及模糊度值域越界。这些异常会导致下游应用产生不可靠推论。

【fixing of inconsistencies】
开发基于约束满足的校正规则，针对不同更新操作设计特异性算法。其中修改操作的校正算法采用双向校验机制，确保知识更新后仍满足预定义的一致性约束。

【experiments】
在模拟空管数据集上的测试表明，FST模型处理10⁶量级三元组时，异常校正成功率达98.7%，显著优于FIA模型的89.2%和aRDF的85.4%。

该研究通过建立完整的模糊时空知识建模与维护框架，为智能交通、环境监测等动态场景提供了可靠的知识管理方案。特别是提出的异常校正方法，有效解决了知识更新过程中的一致性保持难题。未来工作可进一步探索该模型在分布式环境下的扩展应用，以及与其他不确定性推理方法的融合。论文发表在《Engineering Applications of Artificial Intelligence》，研究成果得到国家自然科学基金(62176121, 61772269)支持。