[发明专利]工业物联网边缘设备中基于知识蒸馏的空时预测方法

权利要求书

1.工业物联网边缘设备中基于知识蒸馏的空时预测方法，其特征在于，具体步骤如下：

首先，利用膨胀时间卷积网络DTCN和动态更新的图卷积网络DGCN交替结合，形成教师网络TCN-GCN模型，对传感器实时采集的二维数据进行空时预测；

同时，利用特征提取模块和回归模块，搭建浅层学生网络LSTM或学生网络一维CNN，对传感器获取的二维空时数据进行预测；

然后，利用GAN判别器将教师网络TCN-GCN模型和学生网络输出的预测结果，分别进行特征变换，使学生网络学习拟合教师网络的特征捕捉能力，计算GAN判别器的损失函数L_GAN；

接着，教师网络对传感器采集的真实数据进行离群值剔除；

最后，将GAN判别器的损失函数L_GAN与跟教师网络拟合后的新学生网络的损失函数L_TOE加权相加，得到最终的损失函数L，实现知识蒸馏，并利用损失函数L将新学生网络的输出与剔除离群值的真实数据做梯度下降，获得最终的空时预测结果。

2.如权利要求1所述的工业物联网边缘设备中基于知识蒸馏的空时预测方法，其特征在于，所述的教师网络TCN-GCN模型进行空时预测的具体过程为：

步骤101、利用N个传感器分别采集包含时间步长与空间节点的二维数据，并构建初始的图邻接矩阵表示空间节点的关联关系；

步骤102、将二维数据依次送入DTCN和DGCN分别提取时间和空间特征；

具体为：

首先，给定输入的二维数据x_in，则经过DTCN的输出x_out为：

x_out＝tanh(f₁(x_in))×sigmoid(f₂(x_in))

其中，f₁表示滤波卷起函数，f₂表示门控卷积函数，sigmoid(·)表示S型激活函数，tanh(·)表示正切双曲激活函数；

然后，将DTCN捕捉的特征送入DGCN模块，其信息传递层为：

其中，H^l表示第l层的传播层；σ₁和σ₂为不同的激活函数，为动态采样得到的图邻接矩阵，W^l-1表示第l-1层的网络权重；表示经过跳跃连接的传播层；β为控制保留根节点原始状态比率的超参数；H^(l)是随着图卷积的深度增加节点状态不断更新的传播层，H^(l-1)表示保留的之前节点状态的传播层；H_out为跳跃层叠加后的输出层；

步骤103、通过不断重新采样，更新图邻接矩阵中各空间节点的关联关系；

步骤104、将更新得到的图邻接矩阵与提取出的空间特征向量进行卷积运算，实现移动节点空间特征的不断更新；

步骤105、根据不断更新的空间特征，实现二维数据的高精度预测；

具体预测过程为：

在时间步长t处输入的二维数据X表示为：

X＝{z₁[i],z₂[i],…,z_t[i]}

其中，z_t[i]表示在时间步长t处第i个传感器的二维数据值，i∈N；

则下一时间步长的预测值表示为：

Y＝{z_t+1[i]}