[发明专利]时序数据超图结构的生成方法及装置

说明书

本申请涉及网络推断技术领域，特别涉及一种时序数据超图结构的生成方法及装置，其中，方法包括：获取目标系统的时间序列数据；根据时间序列数据得到目标系统中变量相互作用的联合概率分布，并基于联合概率分布采样得到超图结构；将目标系统运行前序时刻的状态和超图结构输入至预设超图神经网络中，生成时序数据超图结构，以预测下一时刻目标系统的运行状态。由此，解决了相关技术中通过时序数据推断系统中变量的相互作用时，未能在保留多次观测采集的时序数据丰富信息的同时过滤与网络结构无关的噪声，并且当系统存在非线性特征时，进一步增加时序数据推断的难度，从而降低了时序数据推断的性能等问题。

技术领域

本申请涉及网络推断技术领域，特别涉及一种时序数据超图结构的生成方法及装置。

背景技术

相关技术中，复杂系统的研究方法是基于观测到的实际现象总结先验知识，建立一组网络动力学方程，并通过模拟产生一组时间序列，从而反映系统在不同时间点的状态。

然而，相关技术中，由于系统的复杂多样性，在很多情况下难以观测到准确完备的系统结构，存在着信息欠定问题的同时，随着大数据等技术的发展，相关技术可以记录一个复杂系统运转所产生的大量的时间序列数据，由于数据存在着大量噪声，尤其在特定场景中，系统本身就是由一组互相耦合的随机变量组成的，并不遵循固定的系统动力学，从而导致传统的系统建模方法难以与大量的微观数据相结合。

因此，需要通过系统运行的表现来自动构建系统运行的动力学模型，即通过系统运行的时间序列数据来推断系统中变量的相互作用结构，也称为网络推断。但是，网络推断方法包括利用统计、贝叶斯推断和概率图模型等方法，其在应对大规模有噪声的数据时，未能在保留多次观测采集的时序数据丰富信息的同时过滤与网络结构无关的噪声，并且当系统存在非线性特征时会进一步增加时序数据推断的难度，降低了时序数据推断的性能，亟待解决。

发明内容

本申请实施例是基于发明人对以下目的作出的：

引入超图对系统中变量的相互作用结构进行数学建模，并设计了一种变分自编码器，该变分自编码器以系统运行的时间序列数据作为输入，包括编码器、生成器和解码器三部分，编码器通过引入RNN(Recurrent Neural Network，循环神经网络)得到系统中变量相互作用的联合概率分布，生成器从联合概率分布中采样得到超图结构，超图结构中每个节点代表系统中的一个变量，超图结构中超边代表变量的相互作用结构，最后解码器将系统运行前序时刻的状态和超图结构一起输入HGNN(Hypergraph Neural Nerworks，超图神经网络)中，预测下一时刻系统运行的状态。在学习过程中通过反向传播算法对整个变分自编码器进行训练，最终推断出系统中变量的相互作用结构，弥补直接观测变量相互作用困难导致信息欠定的不足，并实现系统运行的动力学模型的近似拟合。

本申请提供一种时序数据超图结构的生成方法及装置，以解决相关技术中通过时序数据推断系统中变量的相互作用时，未能在保留多次观测采集的时序数据丰富信息的同时过滤与网络结构无关的噪声，并且当系统存在非线性特征时，会进一步增加时序数据推断的难度，降低了时序数据推断的性能，无法满足用户的使用需求等问题。

本申请第一方面实施例提供一种时序数据超图结构的生成方法，包括以下步骤：获取目标系统的时间序列数据；根据所述时间序列数据得到所述目标系统中变量相互作用的联合概率分布，并基于所述联合概率分布采样得到超图结构；将所述目标系统运行前序时刻的状态和所述超图结构输入至预设超图神经网络中，生成时序数据超图结构，以预测下一时刻所述目标系统的运行状态。

可选地，在本申请的一个实施例中，所述超图结构中每个节点标识所述目标系统的一个变量，且所述超图结构的超边代表所述变量的相互作用结构。