基于图神经网络的网络预测方法及装置、电子设备和介质制造方法及图纸

本公开涉及人工智能技术领域，尤其涉及一种基于图神经网络的网络预测方法及装置、电子设备和介质，方法包括获取状态预测任务，基于目标网络中各目标节点与各超节点之间的映射关系确定出分配矩阵，利用分配矩阵对目标网络进行重整化群得到网络主干，利用图神经网络对网络主干进行处理得到各超节点的动力学序列，基于动力学序列进行状态预测得到各超节点在预测时间段的节点状态，基于历史观测序列和各超节点在预测时间段的节点状态进行超分辨率处理得到各目标节点在预测时间段的节点状态。根据本公开的网络预测方法及装置、电子设备和介质能够在对待预测的目标网络这一复杂网络进行有效降维后，实现对复杂网络的长时准确预测。

【技术实现步骤摘要】

本公开涉及人工智能，尤其涉及一种基于图神经网络的网络预测方法及装置、电子设备和介质。

技术介绍

1、现实世界中许多复杂系统的进化行为，如大脑、社交网络和传染病，都可以建模为复杂网络上的动力学过程，其中的系统组件被视为网络中的节点，组件之间的耦合交互被视为边。这些复杂网络及其动力学过程有着大量研究和工业应用，因此，网络预测显得尤为重要，其中网络中节点状态的预测是网络数据挖掘领域最重要的问题之一，这对于分析这类现实系统的演化机理和制定决策政策都至关重要。

2、近年来，为了实现网络预测，相关技术提出采用图机器学习方法来进行网络预测，但该方法仍存在诸多局限，比如当面对复杂网络时，由于复杂网络的网络数据的规模较大，模型计算的时间开销以及参数的存储开销将不可接受，再比如对所有网络节点进行等权重建模，导致在网络规模庞大时会过分关注大量不重要的干扰节点，从而不适合用于对未来系统演化的长时准确预测。

技术实现思路

1、有鉴于此，本公开提出了一种基于图神经网络的网络预测方法及装置、电子设备和介质，能够在对待预测的目标本文档来自技高网...

【技术保护点】

1.一种基于图神经网络的网络预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，基于所述目标网络中各所述目标节点与预设的各超节点之间的映射关系确定出分配矩阵，包括：

3.根据权利要求1或2所述的方法，其特征在于，利用所述分配矩阵对所述目标网络进行重整化群，得到网络主干，包括：

4.根据权利要求3所述的方法，其特征在于，基于各所述超节点的动力学序列进行状态预测，得到各所述超节点在预测时间段的节点状态，包括：

5.根据权利要求1所述的方法，其特征在于，基于针对所述目标网络的历史观测序列和各所述超节点在所述预测时间段的节点状态...

【技术特征摘要】

1.一种基于图神经网络的网络预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，基于所述目标网络中各所述目标节点与预设的各超节点之间的映射关系确定出分配矩阵，包括：

3.根据权利要求1或2所述的方法，其特征在于，利用所述分配矩阵对所述目标网络进行重整化群，得到网络主干，包括：

4.根据权利要求3所述的方法，其特征在于，基于各所述超节点的动力学序列进行状态预测，得到各所述超节点在预测时间段的节点状态，包括：

5.根据权利要求1所述的方法，其特征在于，基于针对所述目标网络的历史观测序列和各所述超节点在所述预测时间段的节点状态进行超分辨率处理，得到各所述目标节点的在所述预测时间段的节点状态，包括：

6.根据权利要求5所述的方法，...

【专利技术属性】
技术研发人员：王寰东，李勇，李瑞堃，廖庆敏，
申请(专利权)人：清华大学，
类型：发明
国别省市：