[发明专利]一种时空网络数据预测方法及装置

说明书

本发明提供一种时空网络数据预测方法及装置，该方法包括：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。本发明的时空网络数据预测方法能够快速且准确地对时空网络数据进行预测。

技术领域

本发明实施例涉及计算机技术领域，特别涉及一种时空网络数据预测方法及装置。

背景技术

时空网络数据是一类包含了时间特征和空间特征的数据，时空网络数据的预测不仅是一个科研热点，同时具有广泛的应用价值。许多现实场景都可以抽象为时空网络数据，如交通网络、通信网络、供水网络等。近年来，随着深度学习的发展，许多复杂且优秀的时空数据预测模型被开发出来，并取得了良好的性能。

时空网络数据的预测存在两个难点，第一、时空网络数据是一种复杂的异构数据，它同时包含了时间和空间两个方面的特征，难以同步提取时间和空间特征；第二，真实世界所产生的数据通常具有较大的噪声，噪声的存在会对预测效果产生不利影响。因此如何在提取数据的主要信息的同时最大限度地减少噪声的影响是一个重要的挑战。

时空网络数据具有复杂的时空相关性。如图1所示，它是一个抽象的时空网络结构，可以看作是对真实场景的抽象状态，如社交网络、热传导图等。图中每个节点的状态会随着时间的推移而演变。同时，每个节点的状态会受其一阶邻居和二阶邻居的影响(局部影响)，甚至受网络中所有节点的影响(全局影响)。通常把这种复杂的特征传播过程称为时空关联，它包含了时间和空间两个维度的信息。如图2所示，这是一个交通流量时间序列数据样本，它是由传感器从一个真实的交通网络中收集而来的。从图中可以看出，时间序列数据整体上具有周期性特征，但也存在巨大的噪声。正是由于噪声的存在，增加了时空网络数据预测的难度。

针对第一个难点，已有大量研究工作致力于如何有效的提取时空网络数据中的时空特征，如DCRCNN、STGCN、STSGCN、STFGNN等模型。以往的研究主要基于图神经网络(GNN)设计相关的预测模型，例如将GNN与序列模型相结合，设计时空卷积模块来获取时空信息，并开发了多种变体。然而，以往的研究没有关注数据噪声，数据噪声是原始数据中的重要组成部分，且是正是导致预测性能不理想的一个主要因素。

事实上，现实场景所产生的时间序列数据通常呈现出一定的周期性，周期性变化的频率由数据的实际意义决定。例如，交通网络中的流量数据会出现了固定频率的早高峰、晚高峰和周末高峰。而数据中的噪声则是由随机扰动产生的。如果把原始时间序列数据视为是一个信号，原始信号是若干个周期信号与噪声信号相加所得。如图3所示，这是一个时间序列数据样本及其对应的频谱。由图3可以看到原始信号的能量主要集中在低频组份中，高频组份占比较小。这说明高频组份的幅值远小于低频组份的幅值，原始时间序列的主要特征都集中在低频部分中，高频组份所包含的特征较少。因此，为了准确的预测时空网络数据，应该有区别的对待包含在数据中的不同频率组份，应该重点提取原始数据中的低频组份，将高频组份作为次要部分对待。

发明内容

本发明提供了一种快速且准确地对时空网络数据进行预测的时空网络数据预测方法及装置。

为了解决上述技术问题，本发明实施例提供了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；