基于图表示学习的数据插值方法、装置、介质及设备制造方法及图纸

本申请的实施例提供了一种基于图表示学习的数据插值方法、装置、介质及设备。该方法中对多重异质关系中目标预测节点和邻居节点之间的相似性和差异性同时进行建模，以聚合邻居节点的节点信息，得到目标预测节点的归纳式特征表示，并基于GRU神经网络在多重异质关系中自适应地根据邻居节点在时间维度上的信息流动模式指导目标预测节点时间相关性的建模，再在不同时间步动态地融合多重异质关系中学习到的目标预测节点的目标节点表示以输出目标预测节点的估计序列。本申请实施例的技术方案可以提高数据插值的合理性以及准确性。可以提高数据插值的合理性以及准确性。可以提高数据插值的合理性以及准确性。

【技术实现步骤摘要】
基于图表示学习的数据插值方法、装置、介质及设备


[0001]本申请涉及计算机
，具体而言，涉及一种基于图表示学习的数据插值方法、装置、介质及设备。

技术介绍

[0002]在现实场景中，由于高昂的运营成本，用于收集各类时空数据的设备数量往往存在一定限制，且不同区域间设备的分布通常存在不均衡性。使得仅使用观测到的数据难以进行细粒度和高空间分辨率的建模，时空克里金插值方法旨在解决数据稀疏性以及数据可用性不均衡的问题。在目前的技术方案中，时空克里金插值法常采用空间上已知点的数据加权求和估计未知点的值。然而，在时空数据中，未知节点和已知节点之间存在着复杂的多重异质关系，根据某种异质关系建立联系的两个节点间数据模式上的差异性也会影响插值结果的准确性。由此，如何提高数据插值的合理性以及准确性成为了亟待解决的技术问题。

技术实现思路

[0003]本申请的实施例提供了一种基于图表示学习的数据插值方法、装置、介质及设备，进而至少在一定程度上可以提高数据插值的合理性以及准确性。
[0004]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0005]根据本申请实施例的一个方面，提供了一种基于图表示学习的数据插值方法，该方法包括：
[0006]根据目标预测节点的节点信息以及至少一个邻居节点的节点信息，确定所述目标预测节点与各所述邻居节点之间的异质关系的关系表示，所述异质关系包括空间临近性、功能相似性以及数据转移概率中的至少一种；
[0007]根据所述目标预测节点与各所述邻居节点之间同一所述异质关系的关系表示，生成所述目标预测节点与每一所述异质关系对应的隐藏表示，所述隐藏表示用以表征所述目标预测节点在各所述异质关系中与所述邻居节点之间的相似性；
[0008]根据所述目标预测节点对应的各所述隐藏表示以及所述邻居节点的隐藏表示，确定所述目标预测节点与所述邻居节点之间的差异性表示，并根据所述差异性表示对所述目标预测节点对应的各所述隐藏表示进行修正；
[0009]将所述目标预测节点修正后的各所述隐藏表示输入预先建立的门控循环神经网络，以使所述门控循环神经网络输出所述目标预测节点与各所述异质关系对应的在各个时间步的状态表示；
[0010]将所述目标预测节点与各所述异质关系对应的在各个时间步的状态表示进行融合，生成所述目标预测节点对应的目标节点表示；
[0011]根据所述目标节点表示，确定所述目标预测节点对应的估计序列。
[0012]根据本申请实施例的一个方面，提供了一种基于图表示学习的数据插值装置，该
装置包括：
[0013]第一确定模块，用于根据目标预测节点的节点信息以及至少一个邻居节点的节点信息，确定所述目标预测节点与各所述邻居节点之间的异质关系的关系表示，所述异质关系包括空间临近性、功能相似性以及数据转移概率中的至少一种；
[0014]生成模块，用于根据所述目标预测节点与各所述邻居节点之间同一所述异质关系的关系表示，生成所述目标预测节点与每一所述异质关系对应的隐藏表示，所述隐藏表示用以表征所述目标预测节点在各所述异质关系中与所述邻居节点之间的相似性；
[0015]第二确定模块，用于根据所述目标预测节点对应的各所述隐藏表示以及所述邻居节点的隐藏表示，确定所述目标预测节点与所述邻居节点之间的差异性表示，并根据所述差异性表示对所述目标预测节点对应的各所述隐藏表示进行修正；
[0016]输入模块，用于将所述目标预测节点修正后的各所述隐藏表示输入预先建立的门控循环神经网络，以使所述门控循环神经网络输出所述目标预测节点与各所述异质关系对应的在各个时间步的状态表示；
[0017]融合模块，用于将所述目标预测节点与各所述异质关系对应的在各个时间步的状态表示进行融合，生成所述目标预测节点对应的目标节点表示；
[0018]处理模块，用于根据所述目标节点表示，确定所述目标预测节点对应的估计序列。
[0019]根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的基于图表示学习的数据插值方法。
[0020]根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的基于图表示学习的数据插值方法。
[0021]根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中提供的基于图表示学习的数据插值方法。
[0022]在本申请的一些实施例所提供的技术方案中，根据目标预测节点以及至少一个邻居节点的节点信息，确定目标预测节点与各邻居节点之间的异质关系的关系表示，该异质关系包括空间临近性、功能相似性以及数据转移概率中的至少一种。根据目标预测节点与各邻居节点之间同一异质关系的关系表示，生成目标预测节点与每一异质关系对应的隐藏表示，该隐藏表示可以用以表征目标预测节点在各异质关系中与邻居节点之间的相似性。再根据目标预测节点对应的各隐藏表示以及邻居节点的隐藏表示，确定目标预测节点与邻居节点之间的差异性表示，并根据该差异性表示对目标预测节点对应的各隐藏表示进行修正，由此，可以提高该目标预测节点对应的隐藏表示的合理性，进而提高后续数据插值的准确性。
[0023]并且，将目标预测节点修正后的各隐藏表示输入预先建立的门控循环神经网络，以使门控循环神经网络输出目标预测节点与各异质关系对应的在各个时间步的状态表示，将目标预测节点与各异质关系对应的在各个时间步的状态进行融合，以生成目标预测节点
对应的目标节点表示，再基于该目标节点表示，确定目标预测节点对应的估计序列，使得可以在不同时间步动态的融合多重异质关系中的时空信息，以得到表达能力更强的未知节点表示即目标节点表示，进而提高了数据插值结果的准确性。
[0024]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0025]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0026]图1示出了根据本申请的一个实施例的基于图表示学习的数据插值方法的流程示意图；
[0027]图2示出了根据本申请的一个实施例的基于图表示学习的数据插值装置的框图；
[0028]图3示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
...

【技术保护点】

【技术特征摘要】
1.一种基于图表示学习的数据插值方法，其特征在于，包括：根据目标预测节点的节点信息以及至少一个邻居节点的节点信息，确定所述目标预测节点与各所述邻居节点之间的异质关系的关系表示，所述异质关系包括空间临近性、功能相似性以及数据转移概率中的至少一种；根据所述目标预测节点与各所述邻居节点之间同一所述异质关系的关系表示，生成所述目标预测节点与每一所述异质关系对应的隐藏表示，所述隐藏表示用以表征所述目标预测节点在各所述异质关系中与所述邻居节点之间的相似性；根据所述目标预测节点对应的各所述隐藏表示以及所述邻居节点的隐藏表示，确定所述目标预测节点与所述邻居节点之间的差异性表示，并根据所述差异性表示对所述目标预测节点对应的各所述隐藏表示进行修正；将所述目标预测节点修正后的各所述隐藏表示输入预先建立的门控循环神经网络，以使所述门控循环神经网络输出所述目标预测节点与各所述异质关系对应的在各个时间步的状态表示；将所述目标预测节点与各所述异质关系对应的在各个时间步的状态表示进行融合，生成所述目标预测节点对应的目标节点表示；根据所述目标节点表示，确定所述目标预测节点对应的估计序列。2.根据权利要求1所述的方法，其特征在于，根据所述差异性表示对所述目标预测节点对应的各所述隐藏表示进行修正，包括：根据所述差异性表示对所述目标预测节点对应的各所述隐藏表示施加惩罚，差异程度与惩罚大小呈正相关。3.根据权利要求2所述的方法，其特征在于，根据以下公式确定所述目标预测节点与每一所述异质关系对应的隐藏表示：其中，表示在异质关系r中邻居节点i和目标预测节点l在时间步t的关系权值；表示在异质关系r中邻居节点i在时间步t的隐藏状态；和是可学习参数；φ(
·
)是激活函数；表示在异质关系r中得到的目标预测节点l在时间步t的隐藏状态；根据以下公式确定所述目标预测节点与所述邻居节点之间的差异性表示：其中，和是可学习参数；tanh(
·
)是激活函数；根据以下公式对所述目标预测节点对应的各所述隐藏表示进行修正：其中，是可学习参数。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：基于所述目标预测节点与所述邻居节点之间的差异性表示，确定所述目标预测节点修
正后的各所述隐藏表示在输入所述门控循环神经网络时的第一权重：基于所述目标预测节点与所述邻居节点之间的差异性表示，确定所述目标预测节点在历史时间步对应的隐藏状态在输入至所述门控循环神经网络时的第二权重。5.根据权利要求1所述的方法，其特征在于，将所述目标预测节点与各所述异质关系对应的在各个时间步的状态表示进行融合，生成所述目标预测节点对应的目标节点表示，包括：根据以下公式确定每一所述异质关系...

【专利技术属性】
技术研发人员：范晓亮，彭朝鹏，冯明宽，郑传潘，王程，
申请(专利权)人：厦门大学，
类型：发明
国别省市：