基于数据与模型混合的仿真计算方法及装置.pdf

《基于数据与模型混合的仿真计算方法及装置.pdf》由会员分享，可在线阅读，更多相关《基于数据与模型混合的仿真计算方法及装置.pdf（24页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910258152.4 (22)申请日 2019.04.01 (71)申请人 清华大学 地址 100084 北京市海淀区清华园 申请人 北京大学 (72)发明人 刘奕陈永强王刚桥吴志鹏 (74)专利代理机构 北京清亦华知识产权代理事 务所(普通合伙) 11201 代理人 张润 (51)Int.Cl. G06F 17/50(2006.01) (54)发明名称 基于数据与模型混合的仿真计算方法及装 置 (57)摘要 本发明公开了一种基于数据与模型混合的 仿真计算方法及装置， 其。

2、中， 方法包括以下步骤： 对目标系统进行概念化形成目标系统的描述性 框架， 并指定目标系统的不确定要素， 根据描述 性框架和不确定要素建立多个概念模型； 根据多 个概念模型建立多个计算机模型， 并指定每个计 算机模型的参数与变量值， 根据多个计算机模型 和每个计算机模型的参数与变量值探索得到目 标系统的多个预测结果； 对比多个预测结果和真 实系统的当前观测数据得到计算系统与真实系 统之间的偏差， 并驱动计算系统与真实系统共同 演化得到仿真计算结果。 该方法结合数据与模型 混合驱动的建模机制， 能够提高仿真系统的灵活 性， 并极大地增强它对真实系统变化的适应能 力。 权利要求书2页 说明书14页。

3、 附图7页 CN 109977571 A 2019.07.05 CN 109977571 A 1.一种基于数据与模型混合的仿真计算方法， 其特征在于， 包括以下步骤： 混合建模步骤： 对目标系统进行概念化形成所述目标系统的描述性框架， 并指定所述 目标系统的不确定要素， 根据所述描述性框架和所述不确定要素建立多个概念模型； 多样性计算步骤： 根据所述多个概念模型建立多个计算机模型， 并指定每个计算机模 型的参数与变量值， 根据所述多个计算机模型和所述每个计算机模型的参数与变量值探索 得到所述目标系统的多个预测结果； 以及 交互验证步骤： 对比所述多个预测结果和真实系统的当前观测数据得到计算系统。

4、与所 述真实系统之间的偏差， 并驱动所述计算系统与所述真实系统共同演化得到仿真计算结 果。 2.根据权利要求1所述的基于数据与模型混合的仿真计算方法， 其特征在于， 所述不确 定要素为不能完全确定是否属于所述目标系统或是否影响所述目标系统的要素。 3.根据权利要求1所述的基于数据与模型混合的仿真计算方法， 其特征在于， 所述根据 所述多个计算机模型和所述每个计算机模型的参数与变量值探索得到所述目标系统的多 个预测结果， 进一步包括： 根据所述多个计算机模型和所述每个计算机模型的参数与变量值得到初始条件集， 并 将所述初始条件集部署到所述计算系统， 以仿真得到所述目标系统的多个预测结果， 其中，。

5、 每个计算机模型的结构、 参数与形式均不相同。 4.根据权利要求3所述的基于数据与模型混合的仿真计算方法， 其特征在于， 其中， 通过t时刻的多样化初始条件计算得到t+t时刻的预测结果 其中， sim是计算系统， t是动态建模步长，为混合建模产生的模型集，为每个 计算机模型的假设条件集， 为每个计算机模型的参数集。 5.根据权利要求1所述的基于数据与模型混合的仿真计算方法， 其特征在于， 所述驱动 所述计算系统与所述真实系统共同演化得到仿真计算结果， 进一步包括： 对真实系统及相关环境要素进行实时观测， 并持续收集和分析预设触发事件相关的线 索与标志信息； 在每次仿真循环中， 如果所述预设触发。

6、事件被触发， 则中断仿真循环并返回至所述混 合建模步骤， 以在所述混合建模步骤中构建新的模型。 6.一种基于数据与模型混合的仿真计算装置， 其特征在于， 包括： 混合建模模块， 用于对目标系统进行概念化形成所述目标系统的描述性框架， 并指定 所述目标系统的不确定要素， 根据所述描述性框架和所述不确定要素建立多个概念模型； 多样性计算模块， 用于根据所述多个概念模型建立多个计算机模型， 并指定每个计算 机模型的参数与变量值， 根据所述多个计算机模型和所述每个计算机模型的参数与变量值 探索得到所述目标系统的多个预测结果； 以及 交互验证模块， 用于对比所述多个预测结果和真实系统的当前观测数据得到计。

7、算系统 与所述真实系统之间的偏差， 并驱动所述计算系统与所述真实系统共同演化得到仿真计算 结果。 权利要求书 1/2 页 2 CN 109977571 A 2 7.根据权利要求6所述的基于数据与模型混合的仿真计算装置， 其特征在于， 所述不确 定要素为不能完全确定是否属于所述目标系统或是否影响所述目标系统的要素。 8.根据权利要求6所述的基于数据与模型混合的仿真计算装置， 其特征在于， 所述多样 性计算模块进一步用于根据所述多个计算机模型和所述每个计算机模型的参数与变量值 得到初始条件集， 并将所述初始条件集部署到所述计算系统， 以仿真得到所述目标系统的 多个预测结果， 其中， 每个计算机模型。

8、的结构、 参数与形式均不相同。 9.根据权利要求8所述的基于数据与模型混合的仿真计算装置， 其特征在于， 所述多样 性计算模块进一步用于通过t时刻的多样化初始条件计算得到t+t时刻的预测结果 其中， sim是计算系统， t是动态建模步长，为混合建模产生的模型集，为每个 计算机模型的假设条件集， 为每个计算机模型的参数集。 10.根据权利要求6所述的基于数据与模型混合的仿真计算装置， 其特征在于， 所述交 互验证模块进一步用于对真实系统及相关环境要素进行实时观测， 并持续收集和分析预设 触发事件相关的线索与标志信息， 在每次仿真循环中、 且所述预设触发事件被触发时， 中断 仿真循环并返回至所述混。

9、合建模模块， 通过所述混合建模模块构建新的模型。 权利要求书 2/2 页 3 CN 109977571 A 3 基于数据与模型混合的仿真计算方法及装置 技术领域 0001 本发明涉及数据建模、 计算机仿真与复杂系统科学技术领域， 特别涉及一种基于 数据与模型混合的仿真计算方法及装置。 背景技术 0002 在计算机仿真领域， 研究者们普遍假设未来是可预测的， 只要建立足够逼真的计 算机模型(即计算系统)， 人们就可以准确预测未来系统状态与演化路径。 长期以来， 研究聚 焦如何尽可能精细地还原真实系统的组分、 结构与演化机理。 然而， 许多应用实例却表明， 如果目标系统存在大量的不确定性， 传统假。

10、设是不成立的。 这是由于系统的组分、 结构与演 化机理存在不确定性， 且可能随着时间不断变化， 而且这种变化通常无法预知。 如此， 高度 精确的模型也只能实现短期的有效预测， 而长期的预测结果往往与真实情况偏差甚大。 例 如， 即使现有大气运动模型已经相当精准， 但全球气候的变化仍然难以预测， 强对流天气可 能随时发生。 显然， 模型是真实系统的近似抽象， 有能力预测系统未来， 但却不一定能够给 出可信赖的预测信息， 因为真实系统存在大量的不确定性。 如何利用模型来仿真具有高度 不确定性的系统， 已经成为计算机仿真控制领域的难点问题。 0003 不确定性将对模型仿真与预测造成的困难主要来自两个。

11、方面。 其一， 系统演化轨 迹的多重可能性。 动态性与不确定性意味着系统的发展演化轨迹与方向存在多种多样的可 能性， 系统内在机理与表现出来的外部功能之间的关联或响应关系也存在大量的可能性， 建模分析和预测将无法指定最优或最可能的情况； 其二， 不可预知事件可能经常发生。 不确 定条件下， 突然的、 无先验知识的新现象或新过程可能随时发生， 并对目标系统的结构、 机 理与状态造成不可忽视的改变， 事件的分析和预测必须有能力适应这些新情况、 新现象。 0004 经技术检索与调研， 解决不确定环境下的系统分析和预测问题， 目前主要有蒙特 卡洛仿真方法和数据同化方法。 蒙特卡罗仿真是试图克服不确定性。

12、影响的重要方法。 它将 系统变量的不确定性视为可量化的随机性进行处理， 即， 为每个不确定变量构造概率分布。 基于这些概率分布， 该方法可以对不同变量进行随机抽样， 从而形成不同的初始条件。 通过 仿真不同初始条件下的系统行为， 决策者将获得多种可能的未来状态。 这些预测的状态满 足特定的概率分布， 决策者可以识别最可能或最优的未来状态。 在建模过程中， 蒙特卡罗仿 真方法在参数中考虑了不确定性， 从而得到系统不确定性对仿真结果的影响。 然而， 它所考 虑的不确定性是统计或概率不确定性， 或者说只是不确定性中可预测的或可预知的部分。 0005 相比于蒙特卡罗仿真方法， 数据同化方法能够帮助决策。

13、者应对更多的不确定性。 数据同化是在线的 “预测-分析-矫正” 的循环过程。 在该过程中， 它不断地引入真实观测数 据与预测结果进行融合分析， 从而连续地、 动态地修正模型参数， 并获得对系统真实状态的 最优估计。 数据同化方法不断利用获取的新信息减少模型参数的不确定性。 考虑到初始条 件(包括初始参数与状态值)也可能存在不确定性， 后续研究提出了集合数据同化方法。 该 方法要求决策者在执行数据同化前， 为系统模型设立一个初始条件的集合， 而并非一个确 定的初始条件。 通过预测不同初始条件下的系统状态值， 并将它们与观测值进行比较， 决策 说明书 1/14 页 4 CN 109977571 A。

14、 4 者可以估计最可能的初始条件。 集合数据同化方法同时考虑参数与初始条件的不确定性， 并在仿真过程中动态地矫正模型参数与初始条件， 从而降低系统不确定性对预测结果的影 响。 该仿真范式的有效性已被大量实际应用所证明。 然而， 集合数据同化方法仍存在不可忽 视的缺陷。 整个分析与预测过程完全由确定的模型所支配。 在仿真过程中， 系统所使用的模 型是固定的。 如果真实系统内在演化机理发生质的改变， 当前系统模型将迅速失效。 0006 上述两种方法强调基于模型来解决动态性与不确定性， 但单纯的模型计算存在本 质缺陷。 因此， 已有方法虽然提供了初步的思路， 但不能适用高度不确定环境下的系统仿真 与。

15、预测。 理论上， 适应系统的高度动态性与不确定性的关键是提供仿真系统的灵活性、 适应 性。 在目前的方法与技术调研结果中， 尚未发现有能够适应高度动态不确定性环境的系统 仿真计算方法与技术。 发明内容 0007 本发明旨在至少在一定程度上解决相关技术中的技术问题之一。 0008 为此， 本发明的一个目的在于提出一种基于数据与模型混合的仿真计算方法， 该 方法结合数据与模型混合驱动的建模机制， 能够提高仿真系统的灵活性， 并极大地增强它 对真实系统变化的适应能力。 0009 本发明的另一个目的在于提出一种基于数据与模型混合的仿真计算装置。 0010 为达到上述目的， 本发明一方面实施例提出了一种。

16、基于数据与模型混合的仿真计 算方法， 包括以下步骤： 混合建模步骤： 对目标系统进行概念化形成所述目标系统的描述性 框架， 并指定所述目标系统的不确定要素， 根据所述描述性框架和所述不确定要素建立多 个概念模型； 多样性计算步骤： 根据所述多个概念模型建立多个计算机模型， 并指定每个计 算机模型的参数与变量值， 根据所述多个计算机模型和所述每个计算机模型的参数与变量 值探索得到所述目标系统的多个预测结果； 交互验证步骤： 对比所述多个预测结果和真实 系统的当前观测数据得到计算系统与所述真实系统之间的偏差， 并驱动所述计算系统与所 述真实系统共同演化得到仿真计算结果。 0011 本发明实施例的基。

17、于数据与模型混合的仿真计算方法， 基于混合建模、 多样性计 算和交互验证三个环节的迭代循环， 形成探索性的、 适应性的建模与仿真过程， 从而有效地 解决深度不确定性带来的方法挑战， 三个环节的循环充分利用已有知识， 并不断纳入新知 识， 从而建立起对深度不确定系统及其未来的广泛的、 持续的探索与仿真， 情景计算方法具 有一般性， 进而适用于具有深度不确定性的系统的仿真与预测， 且根据应用结果表明， 它能 够有效提高仿真系统对真实系统不确定性的适应能力。 0012 另外， 根据本发明上述实施例的基于数据与模型混合的仿真计算方法还可以具有 以下附加的技术特征： 0013 进一步地， 在本发明的一个。

18、实施例中， 所述不确定要素为不能完全确定是否属于 所述目标系统或是否影响所述目标系统的要素。 0014 进一步地， 在本发明的一个实施例中， 所述根据所述多个计算机模型和所述每个 计算机模型的参数与变量值探索得到所述目标系统的多个预测结果， 进一步包括： 根据所 述多个计算机模型和所述每个计算机模型的参数与变量值得到初始条件集， 并将所述初始 条件集部署到所述计算系统， 以仿真得到所述目标系统的多个预测结果， 其中， 每个计算机 说明书 2/14 页 5 CN 109977571 A 5 模型的结构、 参数与形式均不相同。 0015 进一步地， 在本发明的一个实施例中， 其中， 通过t时刻的多。

19、样化初始条件计算得 到 t+t时刻的预测结果 0016 0017其中， sim是计算系统， t是动态建模步长，为混合建模产生的模型集，为 每个计算机模型的假设条件集， 为每个计算机模型的参数集。 0018 进一步地， 在本发明的一个实施例中， 所述驱动所述计算系统与所述真实系统共 同演化得到仿真计算结果， 进一步包括： 对真实系统及相关环境要素进行实时观测， 并持续 收集和分析预设触发事件相关的线索与标志信息； 在每次仿真循环中， 如果所述预设触发 事件被触发， 则中断仿真循环并返回至所述混合建模步骤， 以在所述混合建模步骤中构建 新的模型。 0019 为达到上述目的， 本发明另一方面实施例提。

20、出了一种基于数据与模型混合的仿真 计算装置， 包括： 混合建模模块， 用于对目标系统进行概念化形成所述目标系统的描述性框 架， 并指定所述目标系统的不确定要素， 根据所述描述性框架和所述不确定要素建立多个 概念模型； 多样性计算模块， 用于根据所述多个概念模型建立多个计算机模型， 并指定每个 计算机模型的参数与变量值， 根据所述多个计算机模型和所述每个计算机模型的参数与变 量值探索得到所述目标系统的多个预测结果； 交互验证模块， 用于对比所述多个预测结果 和真实系统的当前观测数据得到计算系统与所述真实系统之间的偏差， 并驱动所述计算系 统与所述真实系统共同演化得到仿真计算结果。 0020 本发。

21、明实施例的基于数据与模型混合的仿真计算装置， 基于混合建模、 多样性计 算和交互验证三个环节的迭代循环， 形成探索性的、 适应性的建模与仿真过程， 从而有效地 解决深度不确定性带来的方法挑战， 三个环节的循环充分利用已有知识， 并不断纳入新知 识， 从而建立起对深度不确定系统及其未来的广泛的、 持续的探索与仿真， 情景计算方法具 有一般性， 进而适用于具有深度不确定性的系统的仿真与预测， 且根据应用结果表明， 它能 够有效提高仿真系统对真实系统不确定性的适应能力。 0021 另外， 根据本发明上述实施例的基于数据与模型混合的仿真计算装置还可以具有 以下附加的技术特征： 0022 进一步地， 在。

22、本发明的一个实施例中， 所述不确定要素为不能完全确定是否属于 所述目标系统或是否影响所述目标系统的要素。 0023 进一步地， 在本发明的一个实施例中， 所述多样性计算模块进一步用于根据所述 多个计算机模型和所述每个计算机模型的参数与变量值得到初始条件集， 并将所述初始条 件集部署到所述计算系统， 以仿真得到所述目标系统的多个预测结果， 其中， 每个计算机模 型的结构、 参数与形式均不相同。 0024 进一步地， 在本发明的一个实施例中， 所述多样性计算模块进一步用于通过t时刻 的多样化初始条件计算得到t+t时刻的预测结果 0025 0026其中， sim是计算系统， t是动态建模步长，为混合。

23、建模产生的模型集，为 说明书 3/14 页 6 CN 109977571 A 6 每个计算机模型的假设条件集， 为每个计算机模型的参数集。 0027 进一步地， 在本发明的一个实施例中， 所述交互验证模块进一步用于对真实系统 及相关环境要素进行实时观测， 并持续收集和分析预设触发事件相关的线索与标志信息， 在每次仿真循环中、 且所述预设触发事件被触发时， 中断仿真循环并返回至所述混合建模 模块， 通过所述混合建模模块构建新的模型。 0028 本发明附加的方面和优点将在下面的描述中部分给出， 部分将从下面的描述中变 得明显， 或通过本发明的实践了解到。 附图说明 0029 本发明上述的和/或附加。

24、的方面和优点从下面结合附图对实施例的描述中将变得 明显和容易理解， 其中： 0030 图1为根据本发明一个实施例的面向深度不确定系统的 “数据-模型” 混合驱动的 仿真计算方法原理图； 0031 图2为根据本发明一个实施例的基于数据与模型混合的仿真计算方法的流程图； 0032 图3为根据本发明一个实施例的仿真计算方法的一般执行流程图； 0033 图4为根据本发明一个实施例的刚性球声波散射问题示意图； 0034 图5为根据本发明一个实施例的二球和三球情况下的声压幅值分布图； 0035 图6为根据本发明一个实施例的十球情况下的声压场分布图； 0036 图7为根据本发明一个实施例的不同球体个数下的声。

25、压曲线图； 0037 图8为根据本发明一个实施例的交通跟弛驾驶行为示意图； 0038 图9为根据本发明一个实施例的情景计算仿真系统的运行逻辑图； 0039 图10为根据本发明一个实施例的真实道路上的跟驰实验场景图； 0040 图11为根据本发明一个实施例的针对车辆跟驰行为的情景计算与固定模型仿真 结果对比图； 0041 图12为根据本发明一个实施例的基于数据与模型混合的仿真计算装置的结构示 意图。 具体实施方式 0042 下面详细描述本发明的实施例， 所述实施例的示例在附图中示出， 其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。 下面通过参考附 图描述的实施例是。

26、示例性的， 旨在用于解释本发明， 而不能理解为对本发明的限制。 0043 在介绍基于数据与模型混合的仿真计算方法及装置之前， 先简单介绍一下 “数据- 模型” 混合驱动的建模方法。 0044 如图1所示， 混合建模， 强调将数据、 模型共同融入至建模过程， 以探索多种可能合 理的系统模型。 混合建模有三种形式， 即 “数据建模” 、“机理建模” 以及 “数据-模型融合建 模” 。 其中， 数据建模是基于计算实验数据或实时观测数据构建新的模型， 并利用后续真实 观测数据进行模型改进； 机理建模是在识别、 分析系统与环境不确定要素的基础上， 凭借专 家知识、 经验来搜索、 发现或创建能够刻画当前系。

27、统演化机理的可能合理的模型， 然后引入 客观实验或观测数据验证、 修正模型； 数据-模型融合建模是将实验数据、 观测数据融入到 说明书 4/14 页 7 CN 109977571 A 7 当前备选的系统模型， 修正现有模型的假设条件、 参数及初始值。 混合建模是三种建模形式 的协同并用。 0045 具体而言， 该方法强调数据与模型的混合， 即将计算数据、 实时捕获的新数据、 新 知识与可能的系统模型共同引入至计算系统， 以探索可能合理的系统模型。 混合建模方法 有三种形式， 即 “数据建模” 、“机理建模” 以及 “数据-模型融合建模” ， 本发明实施例强调三 种技术的同时使用。 0046 (。

28、1)数据建模： 直接利用获取的数据构建可能合理的系统模型。 根据数据来源的不 同， 数据建模可以有两种建模方式。 一是基于仿真计算数据构建经验模型， 决策者利用基础 的数理公式或计算工具(例如具有简单行为规则的多智能体系统)仿真目标系统行为， 得到 大量可能系统未来行为与状态数据， 通过数据的宏观拟合， 建立描述系统行为的经验模型， 并在后续计算基于真实数据检验、 修正此经验模型； 二是从实时捕获的新数据、 新知识中发 现新模式， 并直接构建可能合理的系统模型。 值得注意的是， 数据建模是数据主导的建模过 程， 它旨在建立能够预测系统行为结果的模型， 这些模型可以是经验性的， 不必要解释系统 。

29、机理。 0047 (2)机理建模： 在识别、 分析系统与环境不确定要素的基础上， 凭借专家知识、 经验 来搜索、 发现或创建能够刻画当前系统演化机理的可能合理的模型， 然后引入客观实验或 观测数据验证、 修正它们。 考虑到深度不确定情境下知识的不完备， 机理建模获得的模型可 能是多种多样的。 0048 (3)数据-模型融合建模： 将实验数据、 观测数据融入到当前备选的系统模型， 修正 现有模型的假设条件、 参数及初始值。 0049 另外， 本发明上述实施例的 “数据-模型” 混合驱动的建模方法还可以包括：“数据- 模型” 混合建模必须是数据主导的或数据与模型交互的结果， 不能是完全基于固有模型。

30、的 建模； 在一些示例中， 建模过程包括上述 “数据-模型” 混合形式的一个或多个。 0050 本发明第二方面的实施例在第一个实施例的基础上， 公开了一种 “数据-模型” 混 合驱动的仿真计算方法， 该方法主要包括 “混合建模多样性计算交互验证” 三个环节， 通过三个环节的循环建立对目标系统及其未来的持续探索与分析。 由于不确定性的影响， 系统发展存在多种可能性， 每一种可能性都是一个未来情景。 本发明实施例提出的方法就 是通过计算实验动态地探索未来情景， 因此， 该方法被命名 “情景计算” 。 0051 下面参照附图描述根据本发明实施例提出的基于数据与模型混合的仿真计算方 法及装置， 首先将。

31、参照附图描述根据本发明实施例提出的基于数据与模型混合的仿真计算 方法。 0052 图2是本发明一个实施例的基于数据与模型混合的仿真计算方法的流程图。 0053 如图2所示， 该基于数据与模型混合的仿真计算方法包括以下步骤： 0054 在步骤S1中， 混合建模步骤： 对目标系统进行概念化形成目标系统的描述性框架， 并指定目标系统的不确定要素， 根据描述性框架和不确定要素建立多个概念模型。 0055 可以理解的是， 混合建模是基于上述的建模方式， 建立多样性的可能合理的初始 条件， 包括系统模型、 参数或假设条件。 0056 具体地， 混合建模强调并用多种前述 “数据-模型” 混合的建模手段， 以。

32、充分地利用 历史数据与模型、 计算仿真数据、 实验数据以及观测数据。 混合建模旨在完成两个任务： 形 说明书 5/14 页 8 CN 109977571 A 8 成尽可能多样性的可能合理的系统模型、 参数与假设条件； 将真实系统中出现的新变化、 新 现象、 新过程及时地建模至计算系统中。 记当前仿真时刻t， 由混合建模产生的模型集为 假设条件集为参数集为 0057 其中， 在本发明的一个实施例中， 不确定要素为不能完全确定是否属于目标系统 或是否影响目标系统的要素。 0058 具体而言， 如图3所示， 混合建模步骤具体包括步骤S201、 对目标系统进行概念化； 步骤S202、 指定系统相关的不。

33、确定要素， 具体包括： 0059 步骤S201、 对目标系统进行概念化 0060 系统的概念化是建模分析的基础， 它决定了所要分析的问题的形式、 结构及范围。 决策者必须建立概念化的框架来描述系统的内部组件、 组件交互关系以及外部环境因子对 它们的影响。 该过程涉及两方面工作： 一是选择目标系统的范围， 决策者应该根据自己所期 望的目标输出以及实际决策方案所能干预的范围来限制目标系统的范围。 目标系统选择不 宜过大或过小， 过大可能会增加建模难度或导致决策者无法制定可操作的决策方案， 而过 小则可能导致最终分析结果过细而缺乏现实指导意义。 二是明确系统的关键组件、 交互关 系、 关键外力因子及。

34、其对系统的影响， 它们是建模与预测的主要对象。 实际中， 它们的选择 依赖目标系统的范围， 但也可能影响系统范围的划定。 0061 概念化的结果是形成系统的描述性框架， 它是关于系统如何运作、 如何与外界环 境交互的结构化说明。 在知识高度不完备的深度不确定性情境下， 决策者应该从多种理论 视角、 建模范式出发， 形成多样性的系统描述框架。 0062 步骤S202、 指定系统相关的不确定要素 0063 对于系统可能涉及的要素， 如果某个要素没有被完全已知， 不确定性就会出现。 决 策者需要识别系统相关的不确定要素， 并指明每个要素的不确定性。 特别地， 决策者也应该 考虑那些与当前系统无关， 。

35、但可能对系统的未来造成影响的不确定要素。 0064 上述过程可通过对系统要素的选择来实现。 对于某个要素， 若决策者不能完全肯 定它是否属于目标系统或会否影响目标系统， 则该要素是不确定的。 对于不确定要素， 决策 者可以设定合理假设来推理、 预测或猜想它出现的可能情形， 只要保证假设与猜想结果与 已知 “一致” 。 这种一致性通过两个基本原则来验证： 第一， 结果符合已知； 第二， 结果不与已 知冲突。 满足条件的猜测的情形都被认为是合理的。 例如， 若某系统内部组件是不确定的， 决策者可以提出多种可能合理的变量或变量组合来刻画合理情形； 若不确定是否属于系 统， 决策者还可以考虑将剔除系统。

36、考虑范围。 0065 根据识别的不确定要素， 决策者将结合上述步骤的系统描述性框架， 建立多个可 能合理的概念模型。 为更好地探索系统， 在保证与 “已知” 一致的前提下， 决策者应该尽可能 地给出要素的多种可能合理的情形， 形成结构不同、 机理不同的多样化的概念模型。 0066 在步骤S2中， 多样性计算步骤： 根据多个概念模型建立多个计算机模型， 并指定每 个计算机模型的参数与变量值， 根据多个计算机模型和每个计算机模型的参数与变量值探 索得到目标系统的多个预测结果。 0067 可以理解的是， 多样性计算是基于多样性的初始条件， 进行大量计算实验， 得到大 范围内、 多样化的系统未来情景。。

37、 0068 具体地， 多样性计算是利用计算实验探索多样化的未来。 混合建模的结果是各种 说明书 6/14 页 9 CN 109977571 A 9 可能合理的系统模型、 假设条件与模型参数的一致性组合， 它们可以形成多样化的初始条 件。 显然， 每种初始条件都是关于系统机理及其未来发展的合理猜测。 将这些可能合理的初 始条件部署到计算系统， 从而仿真可能的未来情景f。 初始条件的多样性将帮助拓展未来情 景的探索范围。 0069具体计算过程中， t+t时刻的未来情景空间将由t时刻的多样化初始条件计算 而来， 即： 0070 0071 其中， sim是计算系统(每个计算系统都可视为具有计算能力的函。

38、数)， t是动态 建模步长。 此处， 计算系统并非是精确地预测未来， 而是产生多样化的可能的未来情景， 形 成未来情景空间。 0072 进一步地， 在本发明的一个实施例中， 根据多个计算机模型和每个计算机模型的 参数与变量值探索得到目标系统的多个预测结果， 进一步包括： 根据多个计算机模型和每 个计算机模型的参数与变量值得到初始条件集， 并将初始条件集部署到计算系统， 以仿真 得到目标系统的多个预测结果， 其中， 每个计算机模型的结构、 参数与形式均不相同。 0073 具体而言， 如图3所示， 多样性计算步骤具体包括： 步骤S203发展多种可能的计算 机模型； 和步骤S204执行探索性的计算实。

39、验， 具体包括： 0074 步骤S203、 发展多种可能的计算机模型 0075 利用计算机语言还原系统的概念化模型， 并指定模型的输入与输出， 从而建立真 实系统的计算机模型。 根据上述步骤中建立的多种多样的概念模型， 决策者将相应地建立 多样化的计算机模型， 它们可能基于不同理论假设， 拥有不同的结构、 参数与形式。 0076 模型开发依赖大量的知识， 除已存在的历史数据、 模型等资料外， 决策者可以引入 实时数据、 新发现的知识与系统行为模式， 以促进模型的构建。 在历史资料与实时信息融合 的基础上， 混合建模可采用两种途径实现： 一是修改或直接发现或已有的模型， 二是重新发 展全新的模型。

40、。 第二种途径难度较高， 通常有两种实现方式： 机理建模与数据建模。 机理建 模是基于系统的概念模型， 定义变量、 变量之间的关系以及参数来刻画要素及其交互关系， 并指定输入、 输出； 数据建模则是根据已获得的历史与实时数据， 快速构建能够描述系统行 为的计算机模型， 该模型可以是宏观的， 不必要描述系统机理。 对具有深度不确定性的系统 而言， 先验知识的高度不完备意味着任何形式的建模都将是困难的。 在这种情形下， 决策者 应该并用多种混合建模形式， 充分融合历史数据、 实时数据与新学习的知识以建立多种可 能合理的计算机模型。 0077 模型构建以后， 决策者须指定每个模型的参数与变量值的不确。

41、定性， 其形式可以 是多个可能的备选值、 取值范围等。 同样地， 在保证取值结果与已知 “一致” 的前提下， 决策 者可以尽可能宽泛地给出可能合理的取值。 0078 步骤S204、 执行探索性的计算实验 0079 多种可能的计算机模型、 参数与初始变量值共同构成了探索系统未来的初始条件 集。 决策者将不同的初始条件部署到计算系统， 执行计算仿真实验， 从而在大范围内探索系 统可能的未来情景。 计算实验需要进行大量的计算， 提高仿真效率至关重要。 此处， 建议两 种途径来提高计算效率， 一是控制每次仿真的时长； 二是采用启发式仿真算法， 对初始条件 说明书 7/14 页 10 CN 109977。

42、571 A 10 进行抽样， 并对抽样后的初始条件进行差异化对待， 即在计算过程中， 重点关注预测结果风 险高或差异性大的模型， 逐步提高这些模型的参数、 变量的样本量。 0080 计算实验的结果是关于系统未来的可能合理的猜测， 每一次仿真都模拟一种可能 系统演化机理与一条可能的发展路径。 大量的计算实验将尽可能宽泛地给出可能合理的系 统机理与可能的系统演化路径， 使模型预测有更大可能覆盖真实情况。 0081 在步骤S3中， 交互验证步骤： 对比多个预测结果和真实系统的当前观测数据得到 计算系统与真实系统之间的偏差， 并驱动计算系统与真实系统共同演化得到仿真计算结 果。 0082 可以理解的是。

43、， 交互验证是执行计算系统与真实系统之间的互动， 验证计算系统 的有效性， 从实时数据中学习新的行为规律或模式， 并将它们用于下阶段的混合建模。 交互 验证是计算系统与真实系统之间的互动， 具体包括四个层面的互动内容。 0083 一、 对未来情景空间的分析与可视化。 未来情景空间揭示了大量的系统潜在演化 路径、 状态与收益， 通过对该情景空间内容的分析与可视化， 决策者可能能够识别影响系统 演化的关键驱动因素， 发现系统演化机理与规律； 二、 分析预测的未来或观测的现实之间的 差异， 识别真实系统涌现的新变化、 新现象、 新过程； 三、 对比分析预测结果与观测数据， 验 证当前计算系统相对于真。

44、实系统的匹配程度， 并评估、 识别当前状态下适用的或不适用的 模型、 参数与假设条件； 四、 分析真实数据， 从中识别新的系统行为模式与规律， 结合多样性 的预测结果中挖掘的系统运行规律， 形成新的知识， 并将它们应用到下一循环的混合建模 环节中。 交互验证将提高分析人员对目标系统的理解以及对未来的洞察力， 帮助它们调整、 改进计算系统。 0084 进一步地， 在本发明的一个实施例中， 驱动计算系统与真实系统共同演化得到仿 真计算结果， 进一步包括： 对真实系统及相关环境要素进行实时观测， 并持续收集和分析预 设触发事件相关的线索与标志信息； 在每次仿真循环中， 如果预设触发事件被触发， 则中。

45、断 仿真循环并返回至混合建模步骤， 以在混合建模步骤中构建新的模型。 0085 具体而言， 如图所示， 交互验证步骤具体包括： 步骤S205估计计算模型的有效性； 和步骤S206驱动计算系统与真实系统共同演化， 具体包括： 0086 (1)估计计算模型的有效性 0087 通过对比分析多样性预测结果与在线观测数据， 估计模型的有效性， 探索真实系 统机理及状态， 并修正有效模型的参数。 将真实系统的观测状态值作为参考标准， 计算模型 在不同初始条件下的预测状态与真实观测状态之间的偏差。 在此基础上， 决策者可以定义 模型的性能评价指标， 估计模型的有效性。 此处， 本文建议定义模型的鲁棒性作为模。

46、型有效 性的评价指标。“鲁棒” 模型是指在不同初始条件下都能拥有相对较好的预测性能的模型。 鲁棒性度量指标由决策者自主定义， 如不同初始条件下模型预测与观测状态的偏差总和、 平均偏差、 方差或平均偏差与方差的比值。 一般而言， 模型的鲁棒性越好， 越有可能准确地 刻画了当前系统机理。 0088 值得说明的是， 模型是永远无法被完全证明的， 而只能被证伪。 在深度不确定性条 件下， 完全验证模型的有效性是不可能的。 由于知识缺乏、 偶然因素、 非线性系统行为等情 况的存在， 劣质模型的预测结果也可能吻合真实情况。 此处评价模型的有效性并非验证模 型， 而是探索模型的潜力。 模型即使无法验证， 但。

47、仍然是有价值的， 可以用来探索可能的未 说明书 8/14 页 11 CN 109977571 A 11 来或收益。 0089 所有满足最低鲁棒性阈值(由决策者定义)的模型将被挑选作为下一阶段仿真的 备选模型， 决策者可引入真实观测数据修正这些模型的参数， 并将最优鲁棒模型预测的系 统状态与当前观测状态进行融合， 计算真实系统当前状态的最优估计。 0090 (2)驱动计算系统与真实系统共同演化 0091 真实系统不断发展变化， 要保证预测持续有效， 计算系统必须跟随真实系统做适 应性的改进。 为驱动计算系统与真实系统协同演化， 决策者必须进行监控与学习两方面的 工作。 首先是建立对真实系统及相关。

48、环境要素的实时观测， 持续地收集、 分析触发事件相关 的线索与标志信息。 基本的触发事件通常包括： 0092 a)、 意外事件突发发生， 这类情况在突发事件演化过程中经常发生， 可能导致系统 内在演化机理剧烈变化； 0093 b)、 状态偏差不可接受， 即所有备选模型预测的系统未来都严重偏离观测到的真 实情况； 0094 c)、 决策方案临时调整， 决策者可能临时要求加入新的措施来干预真实系统演化 过程， 这些新措施必须及时考虑至计算系统中。 0095 系统监控可采用事件触发机制， 在每次仿真循环中， 若预定义的事件被触发， 则即 刻中断当前仿真， 返回至步骤S1。 通过执行混合建模， 构建新。

49、的模型， 并生成当前情境下新 的初始条件集， 继续后续仿真； 反之， 则执行仿真直至当前循环结束， 此时仍重复步骤S1 至 步骤S3， 具体地， 重复执行如图3所示的步骤S201至步骤S206。 0096 本发明实施例的选定两个不同的领域， 设计了一系列的计算仿真实验以及真实物 理实验。 实验结果表明， 使用本发明实施例的仿真方法， 可以完成以下任务： 0097 (1)建立多样化的系统模型。 0098 (2)预测大范围内可能合理的系统未来情景。 0099 (3)学习新的系统行为模式或规律， 构建新的模型。 0100 (4)持续修正、 更新系统模型、 参数及状态。 0101 需要说明的是， 在本。

50、发明实施例的方法中， 仿真系统的模型， 以及模型的参数、 初 始值、 假设条件都可能被更新、 修改或重构， 并且这种模型的改进与重构依赖大量的计算数 据或实时数据的分析； 大量的计算仿真实验将被执行； 计算仿真系统的内核模型、 参数、 假 设等不断更新、 重构、 优化。 0102 综上， 本发明针对具有深度不确定性的复杂系统， 提供一种 “数据-模型” 混合驱动 的仿真计算方法， 称为 “情景计算” 。 该方法由 “混合建模多样性计算交互验证” 三个环 节构成。 其中， 混合建模是将历史数据与模型、 计算仿真数据、 实验数据以及观测数据进行 各种形式的混合， 以形成尽可能多样性的可能合理的系统。