[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

说明书

本申请公开了基于图神经网络的终端运行状态预测方法及系统，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；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；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。

技术领域

本申请涉及自然语言处理领域和终端状态监测技术领域，特别是涉及基于图神经网络的终端运行状态预测方法及系统。

背景技术

本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。

随着各行各业电子化、信息化和智能化的水平不断提高，人们所能收集到的各种场景或终端的数据量大大增加，这些海量的时间序列数据记录了部署在各个生产生活场景下的终端的状态信息，然而对于这些数据的探索和应用仍处于初级阶段。其次，在复杂的生产环境中，单个终端的故障可能造成整个生产的停滞，所以保障终端正常运转，降低终端突发性故障造成的损失一直是研究者们研究的重点。从时间序列数据的特点来看，由于时间序列数据的采集是由部署在终端上的传感器自动完成的，时间序列数据具有多维度、高速度、大批量和复杂性的特点，传统的时间序列预测方法在准确度上有所不足，同时未能综合考虑各个不同来源的数据。因此，基于时间序列数据实现对终端状态的分析与预测仍然是一个重要的研究课题，具有重要的研究意义和实际应用价值。

在神经网络被应用于时间序列预测之前，其主要是通过一些传统的预测算法来实现，包括朴素估计、滑动窗平均、简单指数平滑、Holts线性趋势方法、Holt-winters方法、ARIMA方法和PROPHET方法等。近年来，随着深度学习的不断发展，为时间序列预测提供了新的方法和思路，最常使用和最有效的时间序列模型是循环神经网络，然而循环神经网络存在难以训练、梯度易消失等问题。此外，由于深度学习对于数据量的要求比较大，但是真实情况下，异常数据相对较少，因此，如何从数据和模型两方面来提升时间序列预测的准确性成为当前需要解决的问题。

综上所述，在终端运行过程中积累了大批的时间序列数据，然而，传统方法并不能有效地利用这些数据和冗余的计算力资源来进一步提升预测精度，深度学习方法为充分利用这些数据提供了一个可行的道路。但是在这个过程中针对具体的应用场景，如何选择合适的方法有效地提升终端运行状态的预测精度仍然是一个需要持续进行研究的问题。因此，如何在干扰因素繁多和海量数据的实际场景中，实现准确高效的终端运行状态预测成为一个亟待解决的难题。

发明内容

为了解决现有技术的不足，本申请提供了基于图神经网络的终端运行状态预测方法及系统；

第一方面，本申请提供了基于图神经网络的终端运行状态预测方法；

基于图神经网络的终端运行状态预测方法，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；

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；

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。

第二方面，本申请提供了基于图神经网络的终端运行状态预测系统；

基于图神经网络的终端运行状态预测系统，包括：

获取模块，其被配置为：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；

数据增强模块，其被配置为：对终端的每个时间序列状态数据进行数据增强处理；