本发明属于数据科学和人工智能领域，具体地说，本发明涉及一种基于知识图谱与图神经网络的可持续发展目标预测方法。
背景技术：
：1、可持续发展目标(sdgs：sustainable development goals)，由联合国提出的17个全球发展目标(goals)，旨在消除贫困、保护地球和确保全人类的和平与繁荣。sdgs除了17项可持续发展目标，还包括169项可持续发展子目标(targets)、231项可持续发展指标(indicators)，整体来说，sdgs涵盖了全球面临的共同挑战，包括与贫困、健康、教育、性别平等、气候变化以及城市和基础设施等议题。2、可持续发展目标(sdgs)的全球指标框架是由“联合国可持续发展目标指标专家组”(inter-agency and expert group on sdg indicators,iaeg-sdgs)开发并同意的。这个框架在2017年3月的联合国统计委员会第48届会议上得到认可，并在随后的年份中进行了年度修订和全面审查。全球指标框架包括231个独特的指标，但在框架中的指标总数为248个，因为有些指标在两个或三个不同的目标下重复出现。这些指标是根据联合国大会的决议(a/res/71/313)以及随后的年度修订而确定的。3、isdg(integrated sustainable development goals)模型是一种政策模拟工具，旨在帮助决策者理解sdgs之间的复杂相互作用，制定出实现sdgs的最佳路径。该模型基于系统动力学方法，综合了经济、社会和环境三个方面，以长期视角评估不同政策对sdgs的影响。isdg模型已经被应用于多个国家和地区，支持他们进行sdgs的国家规划和政策制定。4、osdg(open sdg data hub)模型是一个开源工具，旨在提供一个透明的数据共享平台，促进sdgs相关数据的收集和使用。它支持数据的标准化和可视化，帮助各国和机构更好地监测和报告sdgs的进展。osdg通过数据互联互通，从更宏观的视角提升了全球对sdgs进展的理解和协作。5、但是isdg模型虽能模拟不同政策对sdgs的长期影响，但其复杂性和数据需求较高，可能限制其在资源有限的环境中的应用。osdg模型则注重数据共享和标准化，但缺乏对政策干预的动态模拟能力。这些不足表明，现有技术在数据处理、模型解释和预测精度方面仍有改进空间。6、同时，对比文件(cn202410381218.x)提出了一种数据驱动的城市可持续发展规划决策优化方法及系统。该方法包括收集城市发展的多维度数据，进行归一化处理，并通过跨维度校验获得归一化数据集。利用该数据集获取影响城市发展的因素，通过聚类分析获得发展因素之间的相互关系，构建多目标优化决策模型，并生成城市规划方案集合。通过优化算法评估这些方案，最终得出目标发展规划方案。这种方法显著提升了城市规划决策的效率、科学性和可持续性。但是该对比文件只是单一方面的研究，并没有考虑可持续发展是一项整体工程，是一个复杂系统。7、为此，本发明提出了一种基于知识图谱与图神经网络的可持续发展目标预测方法。技术实现思路1、本发明旨在克服现有技术的不足，提出了一种基于知识图谱与图神经网络的可持续发展目标预测方法，以达到以下目的：通过构建和利用知识图谱，结合图神经网络的强大建模能力，提升对sdgs相关指标的预测精度和模型的可解释性。2、为了实现上述目的，本发明采取的技术方案为：一种基于知识图谱与图神经网络的可持续发展目标预测方法，所述方法包括以下步骤：3、s1、收集与可持续发展目标相关的历史数据，所述历史数据包括统计机构得到的可持续发展指标数据、各领域专家对各个可持续发展指标分析得到的关系数据，所述历史数据涉及的维度包括社会、经济、环境、政治，并对所述数据进行预处理；4、s2、根据所述预处理后的数据建立可持续发展目标的知识图谱；5、s3、根据所述知识图谱，构建图神经网络模型；6、s4、对所述图神经网络模型进行训练；7、s5、使用训练完成的图神经网络模型进行可持续发展目标预测；8、s6、对可持续发展目标预测结果进行解释与分析。9、优选的，在所述步骤s1中，数据预处理操作包括对收集的数据进行清洗、归一化处理、特征提取、数据合并。10、优选的，对于所述步骤s2的知识图谱，用不同的节点表示可持续发展目标中的实体，用不同的边表示可持续发展目标中实体之间的关系，其中，所述可持续发展目标中的实体包括但不限于国家、城市、可持续发展目标、可持续发展子目标、可持续发展指标、数据源以及负责指标统计的组织机构。11、优选的，所述知识图谱通过专家系统并采用基于规则的推理方法进行构建。12、优选的，在所述步骤s3中，将所述知识图谱的每个节点转换成特征向量后作为所述图神经网络模型的输入；所述图神经网络模型采用图采样和聚合嵌入网络，所述图采样和聚合嵌入网络通过采样和聚合邻居节点的特征，生成目标节点的嵌入表示，从而实现可持续发展目标预测。13、优选的，在所述步骤s4中，将所述历史数据划分为训练集和测试集，并根据所述步骤s1和s2生成对应的知识图谱以用于对所述图神经网络模型进行训练和测试，其中，使用所述训练集对所述模型进行训练，通过优化损失函数来调整模型参数；使用所述测试集评估所述模型的预测性能。14、优选的，采用交叉验证的方法划分和验证所述训练集和测试集。15、优选的，采用监督学习的方法对所述模型进行训练。16、优选的，在所述步骤s6中，对训练好的图神经网络模型进行分析，具体地，使用shap工具计算每个模型的输入特征对模型预测结果的贡献度，生成相应的shap值；再通过shap值，解释模型的预测结果，识别出对预测结果影响最大的因素。17、优选的，在所述步骤s6中，利用tableau或neo4j对预测结果进行可视化展示。18、本发明的技术效果为：19、(1)克服了现有的可持续发展目标(sdgs)预测方法在处理多源异构数据和捕捉可持续发展目标之间的复杂关系方面的不足。通过构建和利用知识图谱，结合图神经网络的强大建模能力，提升对sdgs相关指标的预测精度和模型的可解释性。这一方法在可持续发展研究、政策制定和决策支持等领域具有广泛的应用前景。20、(2)本发明通过引入知识图谱，充分利用多源异构数据，捕捉sdgs指标之间的复杂关系，提高了预测模型的准确性。21、(3)本发明使用shap工具量化输入特征对预测结果的影响，使得模型的预测结果更加透明，便于决策者理解和应用。22、(4)本发明具有全面性和灵活性：本方法不仅适用于sdgs的预测，也可以推广应用于其他需要处理多维度数据和复杂关系的领域，具有广泛的应用前景。技术特征：1.一种基于知识图谱与图神经网络的可持续发展目标预测方法，其特征在于：所述方法包括以下步骤：2.根据权利要求1所述的一种基于知识图谱与图神经网络的可持续发展目标预测方法，其特征在于：在所述步骤s1中，数据预处理操作包括对收集的数据进行清洗、归一化处理、特征提取、数据合并。3.根据权利要求1所述的一种基于知识图谱与图神经网络的可持续发展目标预测方法，其特征在于：对于所述步骤s2的知识图谱，用不同的节点表示可持续发展目标中的实体，用不同的边表示可持续发展目标中实体之间的关系，其中，所述可持续发展目标中的实体包括但不限于国家、城市、可持续发展目标、可持续发展子目标、可持续发展指标、数据源以及负责指标统计的组织机构。4.根据权利要求1或3所述的一种基于知识图谱与图神经网络的可持续发展目标预测方法，其特征在于：所述知识图谱通过专家系统并采用基于规则的推理方法进行构建。5.根据权利要求1所述的一种基于知识图谱与图神经网络的可持续发展目标预测方法，其特征在于：在所述步骤s3中，将所述知识图谱的每个节点转换成特征向量后作为所述图神经网络模型的输入；所述图神经网络模型采用图采样和聚合嵌入网络，所述图采样和聚合嵌入网络通过采样和聚合邻居节点的特征，生成目标节点的嵌入表示，从而实现可持续发展目标预测。6.根据权利要求5所述的一种基于知识图谱与图神经网络的可持续发展目标预测方法，其特征在于：在所述步骤s4中，将所述历史数据划分为训练集和测试集，并根据所述步骤s1和s2生成对应的知识图谱以用于对所述图神经网络模型进行训练和测试，其中，使用所述训练集对所述模型进行训练，通过优化损失函数来调整模型参数；使用所述测试集评估所述模型的预测性能。7.根据权利要求5所述的一种基于知识图谱与图神经网络的可持续发展目标预测方法，其特征在于：采用交叉验证的方法划分和验证所述训练集和测试集。8.根据权利要求5所述的一种基于知识图谱与图神经网络的可持续发展目标预测方法，其特征在于：采用监督学习的方法对所述模型进行训练。9.根据权利要求1所述的一种基于知识图谱与图神经网络的可持续发展目标预测方法，其特征在于：在所述步骤s6中，对训练好的图神经网络模型进行分析，具体地，使用shap工具计算每个模型的输入特征对模型预测结果的贡献度，生成相应的shap值；再通过shap值，解释模型的预测结果，识别出对预测结果影响最大的因素。10.根据权利要求1或9所述的一种基于知识图谱与图神经网络的可持续发展目标预测方法，其特征在于：在所述步骤s6中，利用tableau或neo4j工具对预测结果进行可视化展示。技术总结本发明公开了一种基于知识图谱与图神经网络的可持续发展目标预测方法，属于数据科学和人工智能领域。所述方法包括以下步骤：收集与可持续发展目标相关的历史数据；根据所述预处理后的数据建立可持续发展目标的知识图谱；根据所述知识图谱，构建图神经网络模型；对所述图神经网络模型进行训练；使用训练完成的图神经网络模型进行可持续发展目标预测；对可持续发展目标预测结果进行解释与分析。本发明通过构建和利用知识图谱，结合图神经网络的强大建模能力，提升了对可持续发展目标相关指标的预测精度和模型的可解释性。技术研发人员：常普,赵转哲,刘永明,刘志博,沈少锋,汪博文,彭京徽,鲁月林,曾英杰,曲颖洁受保护的技术使用者：安徽工程大学技术研发日：技术公布日：2024/10/31
