一种基于图神经网络的长时间序列分类方法技术

一种基于图神经网络的长时间序列分类方法，包括：1)采集样本数据集，设定分段数并将时间序列数据分段；2)将每段时间序列数据分别转换为对应的网络图数据；3)采用图神经网络对所述分段时间序列对应的网络图数据进行特征提取，得到时间序列数据对局部特征向量，并同步训练各分段网络图的邻接矩阵；4)采用循环神经网络对上述时间序列数据的局部特征向量进行全局特征提取，得到各分段最终的特征向量；5)融合各个分段时间序列数据的特征向量，采用全连接神经网络完成时间序列的分类；6)调节分段数及各分段时间序列对应网络图的初始邻接矩阵，重复步骤2

【技术实现步骤摘要】
一种基于图神经网络的长时间序列分类方法


[0001]本专利技术涉及网络科学、数据挖掘以及数据分析
，尤其涉及一种基于图神经网络的长时间序列分类方法。

技术介绍

[0002]时间序列是很多数据不可缺少的特征之一，其应用很广泛，如在无线电信号识别(参考文献[1]:Chen Z,Cui H,Xiang J,et al.SigNet:A Novel Deep Learning Framework for Radio Signal Classification[J].IEEE Transactions on Cognitive Communications and Networking,2021，即Chen Z,Cui H,Xiang J,et al.，信号网络：一种新颖的无线电信号分类深度学习框架，IEEE Transactions on Cognitive Communications and Networking,2021.)、股票预测(参考文献[2]:Qian M C,Jiang Z Q,Zhou W X.Universal and non本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的长时间序列分类方法，其特征在于，包括：步骤S1：采集样本数据集，设定分段数并将时间序列数据分段；步骤S2：设定时间序列中各分段对应网络图的初始邻接矩阵，且各条时间序列的相同分段共享对应邻接矩阵，将每段时间序列数据分别转换为对应的网络图数据；步骤S3：采用图神经网络对所述分段时间序列对应的网络图数据进行特征提取，并同步更新各分段时间序列对应网络图的邻接矩阵，得到每段时间序列数据的局部特征向量；步骤S4：采用循环神经网络对上述时间序列数据的局部特征向量进行全局特征提取，得到最终的各分段时间序列数据的特征向量；步骤S5：融合各个分段时间序列数据的特征向量，采用全连接神经网络完成时间序列的分类；步骤S6：调节分段数及各分段时间序列对应网络图的初始邻接矩阵，重复步骤S2
‑
步骤S5步骤至分类效果最佳。2.如权利要求1所述的基于图神经网络的长时间序列分类方法，其特征在于，步骤S1具体包括：步骤S1.1：建立样本数据集，所述样本数据集包括，各个时间点及各个时间点对应的单个或多个采样值；步骤S1.2：设定分段数n，将长为L的时间序列数据等间隔切分，每段长度向下取整，定为l＝[L/n]。3.如权利要求2所述的基于图神经网络的长时间序列分类方法，其特征在于，步骤S2中，预设视野窗w参数，初始化设定时间序列中各分段对应网络图的邻接矩阵，且各条时间序列的各分段共享对应邻接矩阵，将每段时间序列数据分别转换为对应的网络图数据，将单条时间序列数据转换得到的网络图数据的集合记为其中，时间序列的时间点映射成网络图的节点，每个时间点的单个或F个采样值作为其对应节点的特征，G为网络图，X∈R
l
×
F
表示为网络的节点特征，A∈R
l
×
l
表示为网络图的邻接矩阵。4...

【专利技术属性】
技术研发人员：宣琦，周锦超，周晴，陈壮志，徐东伟，杨小牛，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：