一种多价值链演化的训练预测方法、系统及存储介质技术方案

本发明专利技术提供了一种多价值链演化的训练预测方法、系统及存储介质，包括：基于客户端及其相邻客户端的本地原始数据生成节点的特征向量，各客户端所在节点的特征向量和节点信息构成了分布式时序图数据；计算当前时刻分布式联邦时序图神经网络模型的局部网络参数，并将局部网络参数发送至服务器，客户端预先建立有分布式联邦时序图神经网络模型；服务器根据局部网络参数获得全局网络参数并广播给所有客户端；客户端利用全局网络参数更新分布式联邦时序图神经网络模型的网络参数，分布式联邦时序图神经网络模型接收下一时刻的分布式时序图数据进行学习，输出下一时刻边的预测值。因此，能够预测多价值链中公司间未来的关系以及某公司是否在走向消亡。公司是否在走向消亡。公司是否在走向消亡。

【技术实现步骤摘要】
一种多价值链演化的训练预测方法、系统及存储介质


[0001]本专利技术属于人工智能领域，具体涉及一种多价值链演化的训练预测方法、系统及存储介质。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]由于机器硬件性能的大幅度提升，基于神经网络的深度学习方法在智能推荐、网络性能预测等领域取得巨大成功，但现有的预测方法很少考虑动态时延，多是在给定拓扑下进行预测，且无法输出随时间变化的信息。
[0004]随着社会各主体对数据合规、商业秘密、信息安全、商业竞争等问题的重视，在多价值链中的上下游的各个公司、企业或个人不愿再公开自身的原始数据，导致上中下游的数据共享程度低，大量的数据未能得到充分地利用，多价值链中的公司、企业或个人难以了解其他主体之间的关系。因此，在不获取各主体原始数据的情况下，如何预测各主体间的关系，是价值链中各企业迫切需要解决的问题。
[0005]由于多价值链中各主体之间的关系是随着时间变化的，包括但不限于合作关系、供需流关系、业务流关系、价值流关系，如果各主体之间具有良好的合作基础，其合作关系会得到加强，现有的方法无法预测一段时间之后两个主体之间的合作关系。在此基础上，每个主体都难以获知其他主体之间的合作关系。因此，在考虑时间维度的基础上，目前还不能对多价值链系统中未来主体之间关系以及某一主体是否正在走向消亡进行预测。
[0006]由于多价值链中节点特别多，图存在度，一个节点还可能对应多个客户端，当图节点的量很大时,难点在于节点之间通信以及分布式图神经网络通过互联网进行消息传递和反向传播，通信量太大，非常耗时，图节点的度差异很大，例如无标度网络节点的度呈指数分布，少数节点的度很大，大部分节点的度很小。由于节点发送/接收消息的数量与节点的度成正比，度大的节点将成为整个分布式时序神经网络的性能瓶颈。通过删除节点的方法无法克服耗时过大的问题。
[0007]因此，如何预测未来多价值链系统中公司之间关系以及某一公司是否在走向消亡是一个亟待解决的问题。

技术实现思路

[0008]针对上述现有技术中存在的问题，提出了一种多价值链演化的训练预测方法、系统及存储介质，利用这种方法、系统及存储介质，能够解决上述问题。
[0009]本专利技术提供了以下方案。
[0010]在一实施例中，本专利技术提供了一种多价值链演化的训练预测方法，包括：基于客户端c
i
及其相邻客户端c
j
的本地原始数据生成所述客户端c
i
所在节点v
i
的特征向量所述特征向量用于表征所述客户端c
i
分别与其相邻客户端c
j
所在节点之间边的信息，各
个客户端v
i
所在节点的特征向量和节点信息构成了分布式时序图数据G
t
(V,E
t
)，V表示节点v
i
的集合，每个节点v
i
代表一个客户端，即一个企业；E为边e
ij
的集合，每条边e
ij
表示节点v
i
和v
j
之间是否有合作关系、供需流、业务流、价值流；t表示时序，在0到T+1之间取值，由于是采用分布式联邦时序图神经网络，每个节点的网络是整个分布式联邦时序图神经网络的一个组成部分，每个客户端本地训练获得的神经网络的参数都不一样，网络中任何主体都不知道完整的分布式时序图数据，所述任何主体包括客户端或服务器。所述客户端根据所在节点的特征向量计算其当前时刻分布式联邦时序图神经网络模型的局部网络参数，并将所述局部网络参数发送至服务器，其中，所述客户端预先建立有分布式联邦时序图神经网络模型；服务器根据所述局部网络参数获得全局网络参数，并将所述全局网络参数广播给所有客户端；所述客户端利用所述全局网络参数更新分布式联邦时序图神经网络模型的网络参数，并将下一时刻的分布式时序图数据输入到更新后的分布式联邦时序图神经网络模型进行学习，输出所述下一时刻边e
ij
的预测值。优选地，所述边e
ij
的预测值为标签向量优选地，所述下一时刻为T+1时刻。
[0011]上述实施方式的优点之一，各个客户端的节点仅知道自己和自己邻居节点之间的边，服务器仅知道所有节点的信息，通过联邦时序图神经网络获得特征变换矩阵W
l
(t)和局部损失函数L(t)，隐含了多价值链上各节点在t时刻的转移关系信息，但是服务器和节点都没有其他节点之间边的信息。
[0012]在另一实施例中，本专利技术提供了一种多价值链演化的训练预测方法，基于所述客户端及其相邻的客户端的本地原始数据生成所述客户端所在节点的特征向量包括：在t时刻，每个客户端c
i
基于本地原始数据生成所述客户端c
i
所在节点v
i
的特征向量所述客户端c
i
获取其相邻的客户端c
j
的特征向量，生成愿意参与预测的邻居节点的邻居列表N(i)，i为所述节点的序号，j为所述邻居节点的序号。
[0013]在另一实施例中，本专利技术提供了一种多价值链演化的训练预测方法，所述方法还包括：
[0014]所述客户端c
i
通过以下聚合公式更新自己的特征向量：
[0015][0016]其中，表示所述客户端c
i
所在节点的特征向量，表示所述邻居客户c
j
端所在节点的特征向量，i表示所述节点的序号，j表示所述邻居节点的序号，Aggregate聚合方式包括求和和/或求平均和/或取最大。
[0017]在另一实施例中，本专利技术提供了一种多价值链演化的训练预测方法，所述服务器记录每个客户端完成前向传播的响应时间，并将所有客户端按照降序排列，选择响应时间最长的θ个客户端所在节点进行正则化，通知响应时间最长的θ个结点减少邻居数量。
[0018]在另一实施例中，本专利技术提供了一种多价值链演化的训练预测方法，所述方法还包括：在所述客户端c
i
聚合邻居客户端c
j
所在节点的特征向量时，所述客户端c
i
为其所在节点的每个邻居节点v
j
∈N(i)的客户端学习一个相关性系数a
ij
，采用以下公式更新所述客户端的特征向量：
[0019][0020]在最终的损失函数中通过正则化R(A)，使大部分邻居的相关性系数趋近于为0，少数邻居的相关性系数的绝对值远大于0，其中A为相关性系数矩阵，a
ij
为相关性系数，表示所述邻居客户端所在节点的特征向量，i表示所述节点的序号，j表示所述邻居节点的序号，W
l
(t)表示局部特征变换矩阵，Linear表示进行线性运算。
[0021]在另一实施例中，本专利技术提供了一种多价值链演本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多价值链演化的训练预测方法，其特征在于，包括：基于客户端及其相邻客户端的本地原始数据生成所述客户端所在节点的特征向量，所述特征向量用于表征所述客户端分别与其相邻客户端所在节点之间边的信息，各个所述客户端所在节点的特征向量和节点信息构成了分布式时序图数据；所述客户端根据所在节点的特征向量计算其当前时刻分布式联邦时序图神经网络模型的局部网络参数，并将所述局部网络参数发送至服务器，其中，所述客户端预先建立有分布式联邦时序图神经网络模型；所述服务器根据所述局部网络参数获得全局网络参数，并将所述全局网络参数广播给所有客户端；所述客户端利用所述全局网络参数更新分布式联邦时序图神经网络模型的网络参数，并将下一时刻的分布式时序图数据输入到更新后的分布式联邦时序图神经网络模型进行学习，输出下一时刻边的预测值。2.根据权利要求1所述的方法，其特征在于，所述客户端生成的所述局部网络参数包括局部权重W
E
(t
‑
1)、局部特征变换矩阵W
l
(t
‑
1)、局部损失函数L(t
‑
1)；所述服务器基于各客户端发送的所述局部网络参数进行反向传播以训练循环神经网络，获得所述全局网络参数，所述全局网络参数包括全局权重全局特征变换矩阵和全局损失函数其中l表示分布式联邦时序图神经网络模型的层，t表示时刻。3.根据权利要求2所述的方法，其特征在于，所述基于客户端及其相邻客户端的本地原始数据生成所述客户端所在节点的特征向量包括：每个客户端基于本地原始数据生成所述客户端所在节点的特征向量，所述客户端获取其相邻客户端的特征向量，生成愿意参与预测的邻居节点的邻居列表N(i)，其中，i为所述客户端所在节点的序号。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：所述客户端通过以下聚合公式更新自己的特征向量：其中，表示所述客户端所在节点的特征向量，表示所述邻居客户端所在节点的特征向量，其中l表示分布式联邦时序图神经网络模型的层，i表示节点的序号，t表示时刻，Aggregate聚合方式包括求和和/或平均和/或取最大。5.根据权利要求4所述的方法，其特征在于，所述服务器记录每个客户端完成前向传播的响应时间，并将所有客户端按照降序排列，选择响应时间最长的θ个客户端所在节点进行正则化，通知θ个所述结点减少邻居节点数量。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：在所述客户端聚合所述邻居客户端所在节点的特征向量时，所述客户端为其所在节点的每个邻居节点的客户端学习一个相关性系数a
ij
，采用以下公式更新所述客户端的特征向量：
其中，a
ij
∈A，a
ij
为相关性系数，A为相关性系数矩阵，在最终的全局损失函数中，通过正则化R(A)使得大部分所述邻居节点的相关性系数趋近于为0，少部分所述邻居的相关性系数的绝对值远大于0，其中i表示所述节点的序号，j表示所述邻居节点的序号，表示所述客户端所在节点的特征向量，表示所述邻居客户端所在节点的特征向量，W
l
(t)表示局部特征变换矩阵，Linear表示进行线性运算。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：所述正则化R(A)包括l1正则化R(A)＝∑

【专利技术属性】
技术研发人员：唐小川，刘鑫，王宇，李莹莹，胡强，李冬芬，樊超，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：