[发明专利]基于图神经网络的终端运行状态预测方法及系统

权利要求书

1.基于图神经网络的终端运行状态预测方法，其特征是，包括：

在终端上布设传感器，获取由传感器采集的终端的时间序列状态数据；

对终端的每个时间序列状态数据进行数据增强处理；具体步骤包括：

基于改进的自编码器，实现对终端的时间序列状态数据进行数据增强处理；

所述改进的自编码器，包括：

依次连接的编码器、周期环结构和解码器；

所述编码器，用于对每个时间序列状态数据进行编码处理，得到中间数据；将中间数据进行压缩后得到压缩后的数据；

所述周期环结构，用于将压缩后的数据按照设定的周期长度分割成若干个周期的时间序列数据，对每个周期时间序列数据从开始到结束的时间进行编码，编码完毕，将编码序号一致的时间序列数据形成数据环，这样就得到了由多个周期的时间序列数据组成的数据环；进而得到同一个时间序列状态数据对应的若干个数据环；

所述解码器，用于对每个数据环进行解码处理，重构输入数据，将重构的数据与编码器输入数据进行比较，如果差异度大于设定阈值，则表示当前编码器的输入数据不规范，将当前编码序号对应的时间序列状态数据剔除；否则，表示当前编码器的输入数据规范，继续执行后续步骤；

对数据增强处理后的数据进行特征提取；利用提取的特征构建图神经网络；对图神经网络的权重进行自适应分配；

所述对图神经网络的权重进行自适应分配；具体步骤包括：

首先，将图神经网络中的注意力网络全部屏蔽，单独对于图神经网络进行训练，并优化相应超参数以达到最优的目标效果；

第二步，将注意力网络添加进入图神经网络中，固定图神经网络的所有参数，单独针对于注意力网络进行训练直到效果最优，然后固定注意力网络的参数优化图神经网络的参数，迭代训练直到结果的精度不变为止；

最后，将图神经网络和注意力网络参数同时设置为可学习状态，从而能够进行微调；

基于传感器采集终端的待预测时间序列状态数据，利用图神经网络对终端下一时刻的运行状态进行预测；

预测分为单步预测和多步预测两个步骤：

在单步预测中，编码器已经学习到的边分布函数，系统初始输入状态，目的是预测下一个系统状态，而系统初始输入状态在经过边分布函数处理生成新的系统状态，通过一次预测即得到结果的过程为单步预测；这个过程只预测了一个时间间隔，当需要对长时间的连续数据进行预测，将单步预测进行叠加，上一个输出的预测结果作为下一个预测的输入，得到多步预测。

2.如权利要求1所述的方法，其特征是，在终端上布设传感器，获取由传感器采集的终端的时间序列状态数据步骤之后，所述对终端的每个时间序列状态数据进行数据增强处理步骤之前，还包括：

对终端的每个时间序列状态数据，进行预处理；

对传感器采集到的数据进行有效性检查，剔除信息熵低于设定阈值的传感器采集数据；然后，对数据进行清洗、缺失值补全、异常值剔除和归一化操作以提高数据质量。

3.如权利要求1所述的方法，其特征是，对终端的每个时间序列状态数据进行数据增强处理步骤之后，所述对数据增强处理后的数据进行特征提取；利用提取的特征构建图神经网络；对图神经网络的权重进行自适应分配步骤之前还包括：

对数据增强处理后的数据进行随机混合采样；

使用正态分布作为中间约束变量对混合数据进行随机采样，采样数据为周期环结构其上任一节点内部的高斯分布采样得到的一组时间点数据，设定每隔若干条数据进行一次哈希函数计算，每次选择一个随机函数，取每条数据的组内编号为它的哈希地址，然后进行重采样得到分组后的数据。

4.如权利要求1所述的方法，其特征是，对数据增强处理后的数据进行特征提取；具体步骤包括：

对数据增强处理后的数据进行特征提取，提取出温度、湿度和风速特征。

5.如权利要求1所述的方法，其特征是，利用提取的特征构建图神经网络；具体步骤包括：

将提取的特征作为图神经网络的节点，如果特征与特征之间存在关联关系，则对应的节点与节点之间就存在边，否则，对应的节点与节点之间就不存在边。