融合自适应图扩散卷积网络的时空图节点属性预测方法技术

融合自适应图扩散卷积网络的时空图节点属性预测方法，步骤如下：(1)预处理；(2)图构建；(3)模型结构；(4)离线训练；(5)在线预测；本发明专利技术设计并实现一种自适应图扩散卷积网络的时空图节点属性预测模型。针对时空图不能有效捕捉时空数据动态依赖性等问题，提出一种自适应图扩散卷积网络的时空图节点属性预测模型。首先从图结构和语义上预定义图邻接矩阵。其次提出自适应学习方法实现图结构动态加权融合扩散卷积提取动态空间依赖。然后提出门控扩展因果卷积提取时序特征。最后堆叠时空卷积块实现时空图属性预测。本发明专利技术方法在METR

【技术实现步骤摘要】
融合自适应图扩散卷积网络的时空图节点属性预测方法


[0001]本专利技术涉及一种融合自适应图扩散卷积网络的时空图节点属性预测方法，属于时空图数据建模领域。

技术介绍

[0002]物理世界中存在大量时空数据，比如交通道路网络数据、空气质量监测数据、矿山微震波形数据等。时空图结构可以更高级的抽象时空数据，有效挖掘时空图数据特征，就能对时空图数据建模分析，从而实现时空图数据预测。预测不同场景下未来时刻的时空图属性特征具有重要研究意义。然而时空图数据具有时空相关性、异质性、周期性特点，如何捕获时空动态依赖性成为难点问题。现有的建模方法在学习过程中将时空图表示为固定图结构，具有很大的局限性，不能有效捕捉时空数据动态依赖。有效获取时空特征动态依赖关系是亟待解决的问题。

技术实现思路

[0003]本专利技术提供一种融合自适应图扩散卷积网络的时空图节点属性预测方法，解决现有技术中时空图表示受限于固定图结构，不能有效捕捉时空数据动态依赖性，导致预测准确度低等问题。
[0004]本专利技术是通过以下技术方案实现的：融合自适应图扩散卷积网络的时空图节点属性预测方法，步骤如下：
[0005]1)数据预处理：获取原始采集的时空图数据，将原始数据聚合并进行归一化处理。将处理后的数据划分为训练集，测试集和验证集；
[0006]2)图邻接矩阵构建：将时空图结构表示为有向权重图G
t
＝(V,E,X
t
)，X
t
∈R
N
×
D
>，其中N为节点数，D表示节点特征维度，V,E分别表示顶点集和边权重集。实体节点i和j之间存在有向连接关系，W表示i和j之间的权重。用加权邻接矩阵A来表示(V,E)，t时刻的图G
t
＝(A
s
,A
h
,X
t
)，其中A
s
,A
h
为预定义邻接矩阵：
[0007]2.1)预定义结构邻接矩阵：
[0008]利用Dijkstra算法计算最短路径距离来定义不同节点之间的权重D
dst
，然后使用阈值高斯核函数来构建邻接矩阵A
s
∈R
N
×
N
，表示方式如式(1)：
[0009][0010]D
dst
(
·
)表示节点间的距离差，σ是标准方差，ε是阈值。
[0011]2.2)预定义语义权重矩阵：
[0012]使用DTW算法来计算节点对时间序列的相似性S
dtw
得到节点之间的语义相似度。然后使用阈值高斯核函数来构建邻接矩阵A
h
∈R
N
×
N
，表示方式如式(2)所示：
[0013][0014]3)自适应时空图扩散卷积网络结构：
[0015]提出由自适应扩散卷积和门控融合、门控扩展因果卷积、时空卷积块、残差连接与跳层连接、全连接层组成的基于自适应图扩散卷积网络的时空图节点属性预测模型结构：
[0016]3.1)图结构自适应学习：
[0017]基于两种空间结构来动态加权生成边权重实现图结构自适应学习。将A
s
的加权方式简记为MD，将A
h
的加权方式记为GA：
[0018]MD方式是构造一个可学习参数矩阵，它由两个可学习参数E
s
,E
t
∈R
N
×
C
组成，其中E
s
,E
t
分别是源节点嵌入和目标节点嵌入，将两者做矩阵相乘便得到自适应空间依赖矩阵A
md
，相乘后的矩阵带有学习到的节点嵌入信息，其表示如式(3)所示：
[0019]A
md
＝softmax(Relu(E
s
E
tT
))
ꢀꢀ
(3)
[0020]将结构权重矩阵A
s
用A
md
进行加权，得到动态加权矩阵A
smd
，如式(4)表示：
[0021]A
smd
＝A
s
+
e
A
md
ꢀꢀ
(4)
[0022]+
e
表示元素间的加法运算。
[0023]GA方式是利用注意力机制构造节点之间的权重矩阵。使用时序聚合器TA沿时间维度聚合节点属性H，之后再利用节点之间的注意力关系获取权重矩阵A
ga
。通过卷积运算实现时序聚合器TA，如式(5)所示：
[0024][0025]其中*表示有效2维互相关运算符，是输出信号的第j个通道。是描述第j个输出通道和k输入通道之间相关性的可训练参数。得到聚合后的节点特征H'，然后利用权重矩阵W∈R
C
×
M
，对H'应用共享的线性变换，再对每个节点应用共享的注意力机制计算邻域节点对v
i
,v
j
在图上的注意力系数，其表示如式(6)所示：
[0026]e
ij
＝a(Wh
i
,Wh
j
),j∈N
i
ꢀꢀ
(6)
[0027]其中a是一个单层前馈神经网络。N
i
为节点i在图上的邻域节点集。然后使用softmax对j的所有选择进行标准化，如式(7)：
[0028][0029]一个展开后的α
ij
可以表示为公式(8)形式：
[0030][0031]其中，LeakRelu表示激活函数，其负输入斜率为0.2，a
T
表示a的转置，||表示拼接操作。所有节点的注意力系数可以构成注意力系数矩阵A
ga
，对权重矩阵A
h
用A
ga
进行加权，得到动态加权矩阵A
hga
：
[0032]A
hga
＝A
h
+
e
A
ga
ꢀꢀ
(9)
[0033]3.2)空间特征学习单元：
[0034]扩散卷积可以处理有向时空图，其表示形式如式(10)所示：
[0035][0036]其中P
f
＝A/rowsum(A)，是P
f
的k阶矩阵幂级数。P
b
＝A
T
/rowsum(A
T
)，是P
b
的k阶矩阵幂级数。k表示扩散步数，θ
k,f
与θ
k,b
是可学习参数；
[0037]首先泛化上述扩散卷积过程表示为式(11)所示：
[0038][0039]其中X∈R
N...

【技术保护点】

【技术特征摘要】
1.融合自适应图扩散卷积网络的时空图节点属性预测方法，其特征在于，步骤如下：1)数据预处理：获取原始采集的时空图数据，将原始数据聚合并进行归一化处理；将处理后的数据划分为训练集、测试集和验证集；2)图邻接矩阵构建：将时空图结构表示为有向权重图G
t
＝(V,E,X
t
)，X
t
∈R
N
×
D
，其中N为节点数，D表示节点特征维度，V,E分别表示顶点集和边权重集；实体节点i和j之间存在有向连接关系，W表示i和j之间的权重；用加权邻接矩阵A来表示(V,E)，t时刻的图G
t
＝(A
s
,A
h
,X
t
)，其中A
s
,A
h
为预定义邻接矩阵：3)自适应时空图扩散卷积网络结构：提出由自适应扩散卷积和门控融合、门控扩展因果卷积、时空卷积块、残差连接与跳层连接、全连接层组成的基于自适应图扩散卷积网络的时空图节点属性预测模型结构：3.1)图结构自适应学习：基于两种空间结构来动态加权生成边权重，实现图结构自适应学习；将A
s
的加权方式简记为MD，将A
h
的加权方式记为GA：MD方式是构造一个可学习参数矩阵，它由两个可学习参数E
s
,E
t
∈R
N
×
C
组成，其中E
s
,E
t
分别是源节点嵌入和目标节点嵌入，将两者做矩阵相乘便得到自适应空间依赖矩阵A
md
，相乘后的矩阵带有学习到的节点嵌入信息，其表示如式(3)所示：A
md
＝soft max(Relu(E
s
E
tT
))
ꢀꢀꢀꢀꢀ
(1)将结构权重矩阵A
s
用A
md
进行加权，得到动态加权矩阵A
smd
，如式(4)表示：A
smd
＝A
s
+
e
A
md
ꢀꢀꢀꢀꢀ
(2)+
e
表示元素间的加法运算；GA方式是利用注意力机制构造节点之间的权重矩阵；使用时序聚合器TA沿时间维度聚合节点属性H，之后再利用节点之间的注意力关系获取权重矩阵A
ga
；通过卷积运算实现时序聚合器TA，如式(5)所示：其中*表示有效2维互相关运算符，是输出信号的第j个通道；是可训练参数；得到聚合后的节点特征H'，然后利用权重矩阵W∈R
C
×
M
，对H'应用共享的线性变换，再对每个节点应用共享的注意力机制a计算邻域节点对v
i
,v
j
在图上的注意力系数，其表示如式(6)所示：e
ij
＝a(Wh
i
,Wh
j
),j∈N
i
ꢀꢀꢀꢀꢀꢀ
(4)其中a是一个单层前馈神经网络；N
i
为节点i在图上的邻域节点集；然后使用softmax对j的所有选择进行标准化，如式(7)：一个展开后的α
ij
可以表示为公式(8)形式：
其中，LeakRelu表示激活函数，其负输入斜率为0.2，a
T
表示a的转置，||表示拼接操作；所有节点的注意力系数可以构成注意力系数矩阵A
ga
，对权重矩阵A
h
用A
ga
进行加权，得到动态加权矩阵A
hga
：A
hga
＝A
h
+
e
A
ga
ꢀꢀꢀꢀꢀ
(7)3.2)空间特征学习单元：扩散卷积可以处理有向时空图，其表示形式如式(10)所示：其中P
f
＝A/rowsum(A)，是P
f
的k阶矩阵幂级数；P
b
＝A
T
/rowsum(A
T
)，是P
b
的k阶矩阵幂级数；k表示扩散步数，θ
k,f
与θ
k,b
是可学...

【专利技术属性】
技术研发人员：丁琳琳，于海友，潘一山，王庆国，包鑫阳，李默，
申请(专利权)人：辽宁大学，
类型：发明
国别省市：