[发明专利]基于信息增强生成对抗网络的数据缺失值补全方法及系统

权利要求书

1.基于信息增强生成对抗网络的数据缺失值补全方法，其特征在于，包括：

获取电力数据中的文本信息；

分别提取所述文本信息的全局信息表示向量和局部信息表示向量；

融合全局信息表示向量和局部信息表示向量，得到文本信息的表示向量；

基于所述电力数据，构建用户用电行为的知识图谱；

基于所述知识图谱，捕获图结构数据间相互关联关系，得到图结构数据的表示向量；

基于所述文本信息的表示向量和图结构数据的表示向量，采用对抗网络模型，得到电力数据补全结果；

所述分别提取所述文本信息的全局信息表示向量和局部信息表示向量具体包括：

基于电力数据中的文本信息，采用卡尔曼滤波器进行数据特征提取，得到文本信息的全局信息表示向量，公式如下：

其中，是服从高斯分布的噪声，和分别表示k-1时刻和k时刻的后验状态估计值，A状态转移矩阵，B是将输入转换为状态的矩阵；

基于电力数据中的文本信息，采用一维卷积神经网络进行数据局部特征提取，得到文本信息的局部信息表示向量，公式如下：

卷积操作：

其中，ReLU表示激活函数，表示的是文本信息的嵌入表示，表示的是权重向量，表示的是特征映射的基础向量，表示的是上一层的向量；

池化操作：

其中，上式使用最大池化操作进行特征降维处理；表示最终获得的文本数据局部信息表示向量；

所述融合全局信息表示向量和局部信息表示向量，得到文本信息的表示向量具体包括：引入注意力机制融合局部信息表示向量和全局信息表示向量，得到文本信息的表示向量，公式如下：

所述基于所述知识图谱，捕获图结构数据间相互关联关系，得到图结构数据的表示向量具体包括：

采用基于注意力机制的图神经网络，学习知识图谱中每个节点的低维嵌入向量，初步得到每个节点的特征向量；然后针对每一个节点，使用注意力机制，聚合其邻居节点信息并生成节点表示向量，最后使用平均池化操作将知识图谱中所有节点的节点表示向量聚合，得到图结构数据的表示向量；

所述对抗网络模型以Transformer为生成器，SVM为判别器，通过生成器和判别器之间的相互对抗学习来实现数据缺失值补全。

2.根据权利要求1所述的基于信息增强生成对抗网络的数据缺失值补全方法，其特征在于，若所述对抗网络模型为待优化的模型，则基于电力数据补全结果，结合真实数据，利用判别器，判断补全结果是否属于真实数据，得到判别结果；基于判别结果，反馈更新所述对抗网络模型的参数，通过相互对抗，不断优化模型中的数据权重值，直到模型达到收敛状态时，终止模型训练，得到优化后的对抗网络模型。

3.根据权利要求1所述的基于信息增强生成对抗网络的数据缺失值补全方法，其特征在于，所述基于所述文本信息的表示向量和图结构数据的表示向量，采用对抗网络模型，得到电力数据补全结果的过程包括：基于文本信息的表示向量和图结构数据的表示向量，采用生成器，得到电力数据的综合表示向量。