CN119166861B 基于图神经网络的网络预测方法及装置、电子设备和介质 （清华大学）

目标网络中各目标节点与各超节点之间的映射基于动力学序列进行状态预测得到各超节点在超节点在预测时间段的节点状态进行超分辨率介质能够在对待预测的目标网络这一复杂网络2获取针对目标网络中各目标节点的状态预测任务，所述目标网络连接在所述目标节点之间的多个边，各所述边表示被连接的所述目标节点之间的连接关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序列指示各所述目标节点在历史时间段内的其中，若所述目标网络是基于所述城市交通运输场景中的铁2.根据权利要求1所述的方法，其特征在于，基根据所述目标网络和预设的先验信息确定出表示对应的目标节点在双曲空间中的节根据各所述超节点和所述先验信息确定出表示对应的超节点在所述双曲空间中的节对各所述第一双曲特征向量进行从所述双曲空间至欧式空间的空间转对各所述第二双曲特征向量进行所述空间转换，得到表示对应的超节基于所述第一欧式高阶特征向量和所述第二欧式高阶特征向量3.根据权利要求1或2所述的方法，其特征在根据所述目标网络确定出表示各所述目标节点之间的连接根据所述第一邻接矩阵和所述分配矩阵，确定出第二邻接矩阵基于各所述超节点和所述第二邻接矩阵得到所述3对所述历史时间段内的各所述超节点动力学序列进行处理，得到各基于各所述超节点的初始状态和所述第二邻接矩阵进行所述预测时间段的状态预测，基于各所述簇内的各目标节点的历史观测序列和该目标节点对应的超节点在所述预根据所述目标网络确定出各所述目标节点的度数，各所述度数表所述欧式损失函数是基于所述样本网络中各所述样本节点与对应的各超节点之间的所述分配损失函数是基于所述样本网络中各所述样本节点之间的连所述主干损失函数是基于各所述样本节点对应的各超节点在预设时间段的节点状态所述原始损失函数是基于各所述样本节点在所述预设时间段的节点状任务获取模块，用于获取针对目标网络中各目标节点的矩阵确定模块，用于基于所述目标网络中各所述目标节点与预4状态预测模块，用于利用图神经网络对所述网络主干进行处理超分辨率模块，用于基于针对所述目标网络的历史观测序列和各其中，若所述目标网络是基于所述城市交通运输场景中的铁其中，所述处理器被配置为在执行所述存储器存储的指令时，实述计算机程序指令被处理器执行时实现权利要求1至7中任意一5测时间段的节点状态，所述历史观测序列指示各所述目标节点在历史时间段内的节点状6点和所述先验信息确定出表示对应的超节点在所述双曲空间中的节点状态的各第二双曲态的各第二欧式特征向量；利用人工神经网络对各所述第一欧式特征向量进行非线性运括多个样本网络，各所述样本网络包括多个样本节点和连接在所述样本节点之间的多个失函数是基于各所述样本节点在所述预设时间段的节点状7点和所述先验信息确定出表示对应的超节点在所述双曲空间中的节点状态的各第二双曲态的各第二欧式特征向量；利用人工神经网络对各所述第一欧式特征向量进行非线性运8网络或人工神经网络的训练过程，该训练过程包括基于样本集和预设的损失函数进行训定出的，所述原始损失函数是基于各所述样本节点在所述预设时间段的节点状态确定出[0022]本公开实施例提供的基于图神经网络的网络预测方法及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从而在避免庞大计算和存储开销的前提下实现对复杂网络的节点状态的长时准9[0024]包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的[0025]图1至图3示出根据本公开实施例提供的基于图神经网络的网络预测方法的示意所说明的任何实施例不必解释为优于或好于其它实问题，传统方式一般采用传统统计学方法中的自回归滑动平均(Autoregressivemovingaverage，ARMA)模型、差分整合移动平均自回归(AutoregressiveIntegratedMoving[0034]图1至图3示出根据本公开实施例提供的基于图神经网络的网络预测方法的示意站1的目标节点1与表示车站2的目标节点2被一条边连接，则该边表示车站1可通至车站2。[0038]状态预测任务是针对目标网络中各目标节点的节点状态的预测。同理于目标节[0040]目标网络的动力学可描述图G上各目标节点的节点状态的演化过程，考虑到每个中N个目标节点在连续的时间步内的d维的节点状态的观测值，xi表示第i个目标节点在连续的时间步内的d维的节点状态的观测值，xj表示第j个目标节点在连续的时间步内的d维[0043]本网络预测方法通过综合统计物理学和人工智能的方式对复杂网络及其上的动[0044]各超节点是对现实系统中的部分主体进行特征综合模拟出的虚拟节点。举例来各超节点和先验信息确定出表示对应的超节点在双曲空间中的节点状态的各第二双曲特如，可通过矩阵乘法和按行计算的softmax运算得到分配矩阵P＝softmax(CsCT)，其中，[0055]通过上述步骤S102可确定出指示各目标节点与各超节点之间的映射关系的分配标节点的目标网络简化为包括数量相对较少的超节点[0061]在一种可能的实现方式中，步骤S104中的利用图神经网一同确定，输入的各目标节点的历史观测序列所对应的时间可基于期望的预测时间段确力学和邻居交互的耦合动力学两项的综合作用，使用神经常微分方程(NeuralOrdinary根据预测时间段确定，例如若在预测时间段为未来7天，则可选择过去28天作为历史时间超分辨率处理方式来得到各目标节点在预测时间段的点是根据前文各目标节点与各超节点之间的映射关系确定出的，从而可根据下式(7)进行0＝MLP(Xc)，Xc表示第c个簇中目标节点在历史时间段的历史观测c和T来自于第c个簇中目标节点对应的超级节点的预测结果Zs,T，由于Nc中的目标本网络预测方法选择使用各目标节点的度数的对数作为特征，通过K均值算法对各目标节节点的预测结果的误差的原始损失函数Lp进行用于超分辨率处理的超分辨率模块的更新，[0088]本公开实施例提供的网络预测方法是综合统计物理学和人工智能方式对复杂网人工智能领域的端到端的图深度学习模型能够在保证模型可解释性的情况下提升对复杂包括首先基于复杂网络中所有原始节点和预设的初始超节点得到目标网络对应的双曲特即把原始连接拓扑图压缩成主干拓扑图，然后对所有目标节点的历史观测序列进行聚合，于城市输电网络的网点图进行建模，以形成城市训练的模型能够基于该目标网络和预设的超节点自动生成出蕴含这个城市输电网络内在节点之间的连接关系即相互作用以及超节点的动力学序列所反映的节点内部的历史人流可能在聚合过程中丢失，采用超分辨率技术对每个目标节点的预测结果进行细化和优化于指示人流数据的历史观测序列预测未来120天内上千个站点的人流变化情况，从而有助[0092]本公开实施例还提供了一种基于图神经网络的网络预测装置。图4示出根据本公[0094]矩阵确定模块402，用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[0097]超分辨率模块405，用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点和所述先验信息确定出表示对应的超节点在所述双曲空间中的节点状态的各第二双曲态的各第二欧式特征向量；利用人工神经网络对各所述第一欧式特征向量进行非线性运网络或人工神经网络的训练过程，该训练过程包括基于样本集和预设的损失函数进行训定出的，所述原始损失函数是基于各所述样本节点在所述预设时间段的节点状态确定出[0112]计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形[0113]这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功计算机可读介质则包括一