基于空间数据处理中图神经网络的损失函数优化方法

1.一种基于空间数据处理中图神经网络的损失函数优化方法，其特征在于，包括以下步骤：构建空间图结构，所述空间图结构包括节点和边，所述节点代表地理实体，所述边代表空间拓扑关系，所述节点特征包括空间坐标信息与数字高程模型高程值；设计图神经网络模型，所述图神经网络模型包括输入层、多层消息传递层和输出层，所述输入层接收节点特征和边特征，所述多层消息传递层逐层聚合节点邻域的特征信息，所述输出层生成反映节点空间特征与邻域拓扑关系的空间嵌入向量；定义损失函数，并使用所述损失函数训练图神经网络模型，以优化所述空间嵌入向量，使得所述空间嵌入向量能够准确反映空间拓扑关系与节点高程变化特征；所述损失函数包括节点自编码损失函数和图边预测损失函数，所述节点自编码损失函数用于衡量节点原始特征与重构节点特征之间的差异，所述图边预测损失函数用于衡量真实存在的边与预测的边之间的差异。 2.根据权利要求1所述的一种基于空间数据处理中图神经网络的损失函数优化方法，其特征在于，所述损失函数为计算公式如下： ；其中， 为节点自编码损失函数， 为图边预测损失函数， 分别为正则化系数， 为图神经网络中所有图卷积层的可学习权重矩阵的集合。 3.根据权利要求1所述的一种基于空间数据处理中图神经网络的损失函数优化方法，其特征在于，所述节点自编码损失函数计算公式如下： ；其中， 为节点原始特征矩阵， 为重构节点特征矩阵。 4.根据权利要求1所述的一种基于空间数据处理中图神经网络的损失函数优化方法，其特征在于，所述图边预测损失函数计算公式如下： ；其中， 为Sigmoid函数， 为真实存在的边， 为负采样边， 分别为第一节点嵌入向量，第二节点嵌入向量。 5.根据权利要求1所述的一种基于空间数据处理中图神经网络的损失函数优化方法，其特征在于，所述图神经网络模型采用图卷积网络或图注意力网络结构。 6.根据权利要求1所述的一种基于空间数据处理中图神经网络的损失函数优化方法，其特征在于，所述空间嵌入向量存储于向量数据库中，所述向量数据库采用高效索引结构，以支持快速的相似性检索。 7.根据权利要求1所述的一种基于空间数据处理中图神经网络的损失函数优化方法，其特征在于，还包括将所述空间嵌入向量与大语言模型融合，以增强所述大语言模型在空间推理任务中的性能表现。 8.根据权利要求1所述的一种基于空间数据处理中图神经网络的损失函数优化方法，其特征在于，融合过程包括：当大语言模型接收到涉及空间推理的用户查询时，利用向量数据库的相似性检索能力，实时检索与查询任务相关的空间嵌入向量；将检索到的空间嵌入向量作为上下文辅助信息输入到大语言模型中，使大语言模型结合空间特征进行推理和回答生成。