[发明专利]一种时空网络数据预测方法及装置

权利要求书

1.一种时空网络数据预测方法，其特征在于，包括：

获得时空网络数据，其包含多个节点，每个所述节点的特征向量为固定长度的时间序列；

对所述时空网络数据中每个节点的特征向量进行滤波处理，以形成低频组份、中频组份及高频组份；

计算每个所述特征向量中各频率组份分别与所述特征向量之间的余弦相似度；

构建具有多通道的目标模型；

将每个所述特征向量中的各频率组份分别输入至所述目标模型的不同通道中，并将所述余弦相似度当做注意力值输入至所述目标模型中，以确定出每个所述通道的权值；

基于被赋予权值的所述目标模型对所述时空网络数据进行预测，得到预测结果。

2.根据权利要求1所述的时空网络数据预测方法，其特征在于，所述对所述时空网络数据中每个节点的特征向量进行滤波处理，包括：

基于低通滤波器及带通滤波器分别对所述时空网络数据中每个节点的特征向量进行滤波处理，得到低频组分、中频组分；

基于所述低频组分、中频组分及每个节点的特征向量计算确定高频组分。

3.根据权利要求1所述的时空网络数据预测方法，其特征在于，所述构建具有多通道的目标模型，包括：

构建至少具有三个通道的目标模型，至少三个所述通道分别用于输入低频组分、中频组分及高频组分，并捕获各对应频率组分的特征数据。

4.根据权利要求4所述的时空网络数据预测方法，其特征在于，所述目标模型包括时空卷积模块、注意力机制层及输出层；

其中，所述时空卷积模块包括用于提取时序特征的时序列模型和用于提取空间特征数据的图神经网络模型；

每个所述通道中的数据经所时空卷积模块处理后形成对应的隐状态数据，并由对应的所述通道输出至所述注意力机制层。

5.根据权利要求4所述的时空网络数据预测方法，其特征在于，还包括：

基于所述注意力机制层结合获得的各所述余弦相似度确定各所述通道的权重；

基于各所述通道的权重对每个所述通道输出的隐状态数据进行加权求和，得到聚合后的对应每个所述特征向量的隐状态数据。

6.根据权利要求5所述的时空网络数据预测方法，其特征在于，还包括：

基于所述输出层获得对应每个所述特征向量的隐状态数据，并对其进行处理，生成所述预测结果。

7.一种时空网络数据预测装置，其特征在于，包括：

获得模块，用于获得时空网络数据，其包含多个节点，每个所述节点的特征向量为固定长度的时间序列；

滤波模块，用于对所述时空网络数据中每个节点的特征向量进行滤波处理，以形成低频组份、中频组份及高频组份；

计算模块，用于计算每个所述特征向量中各频率组份分别与所述特征向量之间的余弦相似度；

构建模块，用于构建具有多通道的目标模型；

输入模块，用于将每个所述特征向量中的各频率组份分别输入至所述目标模型的不同通道中，并将所述余弦相似度当做注意力值输入至所述目标模型中，以确定出每个所述通道的权值；

预测模块，用于根据被赋予权值的所述目标模型对所述时空网络数据进行预测，得到预测结果。

8.根据权利要求1所述的时空网络数据预测装置，其特征在于，所述对所述时空网络数据中每个节点的特征向量进行滤波处理，包括：

基于低通滤波器及带通滤波器分别对所述时空网络数据中每个节点的特征向量进行滤波处理，得到低频组分、中频组分；

基于所述低频组分、中频组分及每个节点的特征向量计算确定高频组分。

9.根据权利要求1所述的时空网络数据预测装置，其特征在于，所述构建具有多通道的目标模型，包括：

构建至少具有三个通道的目标模型，至少三个所述通道分别用于输入低频组分、中频组分及高频组分，并捕获各对应频率组分的特征数据。

10.根据权利要求4所述的时空网络数据预测装置，其特征在于，所述目标模型包括时空卷积模块、注意力机制层及输出层；

其中，所述时空卷积模块包括用于提取时序特征的时序列模型和用于提取空间特征数据的图神经网络模型；

每个所述通道中的数据经所时空卷积模块处理后形成对应的隐状态数据，并由对应的所述通道输出至所述注意力机制层。