【技术实现步骤摘要】
图结构学习模型的训练方法、数据预测方法和电子设备
[0001]本申请涉及计算机领域，并且更具体地，涉及图结构学习模型的训练方法、数据预测方法和电子设备。
技术介绍
[0002]数据中心中有大量的机柜等设备，通过挖掘设备之间的关系来构建设备关系图，有助于后续利用设备关系图来完成例如数据预测、问题根因定位、问题预警等任务。
[0003]设备之间的关系往往是复杂的，设备之间产生关联的原因可能有多种，例如，设备之间由于共享一个冷通道从而产生温度上的关联，又如，设备之间由于空间相近而产生温度上的关联，但是，在利用图结构学习模型来学习设备关系图的图结构时，相关的图结构学习模型往往是将各种原因混在一起来学习设备之间的关系，导致学习到的设备关系图与实际情况有较大的偏差。
技术实现思路
[0004]本申请提供了图结构学习模型的训练方法、数据预测方法和电子设备，以期提高设备关系图的准确性。
[0005]第一方面，本申请提供了一种图结构学习模型的训练方法，包括：
[0006]获取多个设备的时序数据；>[0007]将所述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图结构学习模型的训练方法，其特征在于，包括：获取多个设备的时序数据；将所述多个设备的时序数据输入所述图结构学习模型的编码器中，得到影响设备关系的多个因素各自对应的图，所述图的节点为所述多个设备，所述图的边为两个设备在所述因素影响下的关系；将所述多个设备的时序数据和所述多个因素各自对应的图输入所述图结构学习模型的解码器中，得到所述多个设备的预测时序数据；基于所述预测时序数据和所述预测时序数据对应的真实时序数据，对所述编码器和所述解码器的参数进行调整，以得到训练后的图结构学习模型。2.根据权利要求1所述的方法，其特征在于，所述将所述多个设备的时序数据输入所述图结构学习模型的编码器中，得到影响设备关系的多个因素各自对应的图，包括：对所述多个设备的时序数据进行特征提取，得到所述多个设备的初始特征；将所述多个设备的初始特征输入所述编码器的解缠图卷积层中，得到所述多个设备的目标特征，所述目标特征中包括与所述多个因素分别对应的第一特征；基于所述多个设备的目标特征中与所述多个因素分别对应的第一特征，确定所述多个因素各自对应的设备关系分布；对所述设备关系分布进行采样，得到所述多个因素各自对应的图。3.根据权利要求2所述的方法，其特征在于，所述将所述多个设备的初始特征输入所述编码器的解缠图卷积层中，得到所述多个设备的目标特征，包括：将所述多个设备的初始特征映射至所述多个因素各自对应的特征空间，得到所述多个设备在所述多个因素各自对应的特征空间的第二特征；对于所述多个设备中的任一设备，以所述设备为中心节点，以所述多个设备中除所述设备之外的其他设备为邻居节点，根据所述多个设备的第二特征，确定所述多个因素各自对应的所述中心节点和所述邻居节点相关的概率；根据所述多个设备的第二特征和所述多个因素各自对应的中心节点和邻居节点相关的概率，确定所述设备的目标特征。4.根据权利要求3所述的方法，其特征在于，所述根据所述多个设备的第二特征，确定所述多个因素各自对应的所述中心节点和所述邻居节点相关的概率，包括：确定所述中心节点和所述邻居节点在所述多个因素各自对应的特征空间的第二特征的相似度；对所述相似度进行归一化处理，得到所述多个因素各自对应的中心节点和邻居节点相关的概率。5.根据权利要求3所述的方法，其特征在于，所述根据所述多个设备的第二特征和所述多个因素各自对应的中心节点和邻居节点相关的概率，确定所述设备的目标特征，包括：对于任一因素，确定所述邻居节点的第二特征与所述中心节点和所述邻居节点相关的概率的乘积的和，将所述乘积的和加上所述中心节点的第二特征作为所述设备的与所述因素对应的第一特征，以得到所述设备的目标特征。6.根据权利要求1
‑
5任一项所述的方法，其特征在于，所述将所述多个设备的时序数据和所述多个因素各自对应的图输入所述图结构学习模型的解码器中，得到所述多个设备的
预测时序数据，包括：基于所述多个设备的时序数据和所述多个因素各自对应的图，确定所述时序数据中的每个时刻的数据对应的第三特征，所述第三特征中包括了与所述多个因素各自对应的第四特征；采用注意力机制对所述时序数据对应的第三特征中同一因素对应的第四特征进行处理，以得到所述多个设备的预测时序数据。7.根据权利要求2
‑<...
【专利技术属性】
技术研发人员：沈芳，王加龙，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。