[发明专利]一种基于图网络的集群动力学预测方法

权利要求书

1.一种基于图网络的集群动力学预测方法，其特征在于，包括：

根据Vicsek模型模拟自驱动集群运动，生成数据集；其中，在Vicsek模型中，N个可视为质点的个体以相同的速率在L*L的二维周期性边界条件的平面上运动，在初始时刻，每个个体的位置在该平面区域内随机分布，运动方向在[-π，π)间随机分布，在每一个时刻t+1，每个个体的角度依据邻居角度的矢量平均来更新，并且在其邻域内的平均运动方向添加了一些随机的扰动；

通过数据预处理，将数据集处理为图结构数据,G＝(u，V，E),其中，G代表图，u代表全局的属性，V代表节点的属性，E代表边的属性；

实现特征的初步提取和数据降维；

使用图网络块，选择多层感知机作为更新函数，信息通过图网络块的更新规则在图上传播；

信息还原，得到图结构数据；

使用随机梯度下降的优化算法训练图网络，自动学习图网络中的参数；

其中，图网络块由三个模块构成，分别为节点处理模块，边处理模块，全局状态处理模块，所述图网络块的更新规则如下：

边处理模块用于对每一条边的状态进行更新，包含一个更新函数，根据给定边的特征，节点特征以及全局特征实现对于每条边的更新；

节点处理模块用于对每一个节点的状态进行更新，包含一个聚合函数和一个更新函数，利用聚合函数将节点周围的边的特征进行聚合，再基于节点特征和相关联的边特征的聚合，以及全局特征的影响，对节点进行更新；

全局状态处理模块用于对全局状态进行更新，包含两个聚合函数和一个更新函数，第一个聚合函数的接受参数为所有边的集合，第二个聚合函数的接受参数为所有点的集合，基于全局特征和所有节点的聚合以及边缘的聚合，实现对于全局的更新。

2.根据权利要求1所述的基于图网络的集群动力学预测方法，其特征在于，在根据Vicsek模型模拟自驱动集群运动的步骤中，邻居的定义采用如下公式表示：

N_i(t)＝{j│d_ij(t)＜r}

其中，N_i(t)表示个体i在t时刻的邻居，r表示视野半径，d_ij(t)表示两个个体之间的距离；

每个个体在平面中始终以不变的速率v运动，位置变化采用如下公式：

其中θ_i(t)为个体i在t时刻运动的角度；

角度更新采用如下公式：

θ_i(t+1)＝θ_i(t)_r+Δθ

其中Δθ代表以均匀概率从区间[-η/2,η/2]中选择的随机数，η表示环境中的噪音；θ_i(t)_r为以个体i为圆心，视野半径r内所有个体的平均速度方向，其中所有个体包含个体i自身；

计算个体i视野半径r内所有个体的平均速度方向采用如下公式：

3.根据权利要求1所述的基于图网络的集群动力学预测方法，其特征在于，在实现特征的初步提取和数据降维的步骤中，使用编码器(encoder)接收输入，输出特征向量，特征向量其实就是输入的特征和信息的另一种表示。

4.根据权利要求1所述的基于图网络的集群动力学预测方法，其特征在于，更新函数实质上一种全连接神经网络的多层感知机，所述多层感知机由三层组成：

1)节点处理模块中的输入层的神经元数目为32，隐藏层的神经元数目为64，输出层的神经元数目为32；

2)边处理模块中的输入层的神经元数目为32，隐藏层的神经元数目为64，输出层的神经元数目为32；

3)全局状态模块中的输入层的神经元数目为32，隐藏层的神经元数目为64，输出层的神经元数目为1。

5.根据权利要求1所述的基于图网络的集群动力学预测方法，其特征在于，聚合函数是对特征的求和。

6.根据权利要求1所述的基于图网络的集群动力学预测方法，其特征在于，在实现信息还原，得到图结构数据的步骤中，使用解码器(decoder)抽取加工后的信息，还原为图结构数据。

7.根据权利要求1所述的基于图网络的集群动力学预测方法，其特征在于，用真实值和预测值之间的MAE(平均绝对误差)和MSE(均方误差)作为损失函数，使用优化算法对图网络进行训练，自动学习其中的参数。