[发明专利]数据分析预测方法、装置、服务器、存储介质和程序产品

权利要求书

1.一种数据分析预测方法，其特征在于，所述方法包括：

根据目标主体的多个变量的历史时间序列数据，获取各所述变量的历史时间序列数据的图结构数据；

将所述图结构数据输入预设的图卷积神经网络模型中，通过所述图卷积神经网络模型中各卷积层将所述图结构数据在时间维度上进行聚合后，得到多变量的预测时间序列数据；所述图卷积神经网络模型中卷积层的数量是基于时间维度上的采样时刻数量确定的。

2.根据权利要求1所述的方法，其特征在于，所述根据目标主体的多个变量的历史时间序列数据，获取各所述变量的历史时间序列数据的图结构数据，包括：

获取各所述变量的历史时间序列数据中的所有变量节点；

对各所述变量节点进行连边处理，得到各所述变量的历史时间序列数据的图结构数据。

3.根据权利要求2所述的方法，其特征在于，所述对各所述变量节点进行连边处理，得到各所述变量的历史时间序列数据的图结构数据，包括：

对各所述变量节点执行预设次数的连边操作，得到各所述变量的历史时间序列数据的图结构数据；

其中，所述连边操作包括：

对各所述变量节点进行随机分组，得到多个变量节点集合；

获取各所述变量节点集合中变量节点的相似度；

将各所述变量节点集合中大于预设阈值的相似度对应的变量节点进行连接。

4.根据权利要求1-3任一项所述的方法，其特征在于，若所述卷积层的数量和所述采样时刻数量均为N，所述N为正整数；

则所述通过所述图卷积神经网络模型中各卷积层将所述图结构数据在时间维度上进行聚合，得到所述多变量的预测时间序列数据，包括：

获取所述图结构数据在第一层卷积层中各采样时刻的特征；

将所述第一层卷积层中各采样时刻的特征输入至第二层卷积层中，并将所述第一层卷积层中N采样时刻的特征和N-1采样时刻的特征进行聚合形成所述第二层卷积层中N采样时刻的特征，得到第二层卷积层中各采样时刻的特征；

将所述第二层卷积层中各采样时刻的特征输入至第三层卷积层中，并将所述第二层卷积层中N采样时刻的特征、N-1采样时刻的特征以及N-2采样时刻的特征进行聚合形成所述第三层卷积层中N采样时刻的特征，得到所述第三层卷积层中各采样时刻的特征；

以此类推，得到第N层卷积层中各采样时刻的特征，并将所述第N层卷积层中最后一个采样时刻的特征确定为多变量聚合特征；

根据所述多变量聚合特征，生成所述多变量的预测时间序列数据。

5.根据权利要求4所述的方法，其特征在于，所述预设的图卷积神经网络模型还包括预测层；则所述根据所述多变量聚合特征，生成所述多变量的预测时间序列数据，包括：

将所述多变量聚合特征输入至所述预测层，通过所述预测层对所述多变量聚合特征进行分析预测，得到所述多变量的预测时间序列数据。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取各所述变量的预测时间序列数据对应的真实时间序列数据；

根据各所述变量的预测时间序列数据与对应的真实时间序列数据之间的差值，更新所述图卷积神经网络模型中的模型参数。

7.根据权利要求1所述的方法，其特征在于，所述图卷积神经网络模型的构建过程包括：

获取多个样本变量的历史时间序列样本数据；

根据各所述样本变量的历史时间序列样本数据，获取各所述样本变量的历史时间序列样本数据对应的样本图结构数据；

通过所述样本图结构数据训练初始图卷积神经网络模型，直至满足预设的收敛条件，确定所述图卷积神经网络模型收敛，得到所述预设的图卷积神经网络模型。