融合自适应图扩散卷积网络的时空图节点属性预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115828990A(43)申请公布日2023.03.21(21)申请号202211368336.4(22)申请日2022.11.03(71)申请人辽宁大学地址110000辽宁省沈阳市沈北新区道义南大街58号(72)发明人丁琳琳于海友潘一山王庆国包鑫阳李默(74)专利代理机构沈阳杰克知识产权代理有限公司21207专利代理师王洋(51)Int.Cl.G06N3/0442(2023.01)G06N3/048(2023.01)G06N3/0464(2023.01)G06N3/084(2023.01)权利要求书3页说明书13页附图5页(54)发明名称融合自适应图扩散卷积网络的时空图节点属性预测方法(57)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，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。本发明方法在METR‑LA等大型交通数据集下与基准模型对比实验，验证本发明方法预测结果的准确性与良好的应用前景。CN115828990ACN115828990A权利要求书1/3页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；N×D2)图邻接矩阵构建：将时空图结构表示为有向权重图Gt＝(V,E,Xt)，Xt∈R，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Gt＝(As,Ah,Xt)，其中As,Ah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As的加权方式简记为MD，将Ah的加权方式记为GA：N×CMD方式是构造一个可学习参数矩阵，它由两个可学习参数Es,Et∈R组成，其中Es,Et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Amd，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：TAmd＝softmax(Relu(EsEt))(1)将结构权重矩阵As用Amd进行加权，得到动态加权矩阵Asmd，如式(4)表示：Asmd＝As+eAmd(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Aga；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∈RC×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vi,vj在图上的注意力系数，其表示如式(6)所示：eij＝a(Whi,Whj),j∈Ni(4)其中a是一个单层前馈神经网络；Ni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αij可以表示为公式(8)形式：2CN115828990A权利要求书2/3页其中，LeakRelu表示激活函数，其负输入斜率为0.2，aT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Aga，对权重矩阵Ah用Aga进行加权，得到动态加权矩阵Ahga：Ahga＝Ah+eAga(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：TT其中Pf＝A/rowsum(A)，是Pf的k阶矩阵幂级数；Pb＝A/rowsum(A)，是Pb的k阶矩阵幂级数；k表示扩散步数，θk,f与θk,b是可学习参数；首先泛化上述扩散卷积过程表示为式(11)所示：其中X∈RN×D表示输入信号，Z∈RN×M表示输出，W∈RD×M表示模型参数矩阵；将动态加权矩阵融合到扩散卷积使其能够在处理有向图结构的同时实现图结构自适应学习，将扩散矩阵实现方式表示