[发明专利]一种基于图神经网络的长时间序列分类方法

说明书

一种基于图神经网络的长时间序列分类方法，包括：1)采集样本数据集，设定分段数并将时间序列数据分段；2)将每段时间序列数据分别转换为对应的网络图数据；3)采用图神经网络对所述分段时间序列对应的网络图数据进行特征提取，得到时间序列数据对局部特征向量，并同步训练各分段网络图的邻接矩阵；4)采用循环神经网络对上述时间序列数据的局部特征向量进行全局特征提取，得到各分段最终的特征向量；5)融合各个分段时间序列数据的特征向量，采用全连接神经网络完成时间序列的分类；6)调节分段数及各分段时间序列对应网络图的初始邻接矩阵，重复步骤2‑5至分类效果最佳。本发明减少计算资源消耗，降低计算时间。

技术领域

本发明涉及网络科学、数据挖掘以及数据分析技术领域，尤其涉及一种基于图神经网络的长时间序列分类方法。

背景技术

时间序列是很多数据不可缺少的特征之一，其应用很广泛，如在无线电信号识别(参考文献[1]:Chen Z,Cui H,Xiang J,et al.SigNet:A Novel Deep LearningFramework for Radio Signal Classification[J].IEEE Transactions on CognitiveCommunications and Networking,2021，即Chen Z,Cui H,Xiang J,et al.，信号网络：一种新颖的无线电信号分类深度学习框架，IEEE Transactions on CognitiveCommunications and Networking,2021.)、股票预测(参考文献[2]:Qian M C,Jiang Z Q,Zhou W X.Universal and nonuniversal allometric scaling behaviors in thevisibility graphs of world stock market indices[J].Journal of Physics A:Mathematical and Theoretical,2010,43(33):335002，即Qian M C,Jiang Z Q,Zhou WX，世界股票市场指数可视图中的通用和非通用异速生长缩放行为，Journal of PhysicsA:Mathematical and Theoretical,2010,43(33):335002.)、脑电信号病发检测(参考文献[3]:Supriya S,Siuly S,Wang H,et al.Weighted visibility graph with complexnetwork features in the detection of epilepsy[J].IEEE Access,2016,4:6554-6566，即Supriya S,Siuly S,Wang H,et al.，具有复杂网络特征的加权可视图在癫痫检测中的应用，IEEE Access,2016,4:6554-6566.)、天气预测(参考文献[4]:Telesca L,Lovallo M.Analysis of seismic sequences by using the method of visibilitygraph[J].EPL(Europhysics Letters),2012,97(5):50002，即Telesca L,Lovallo M，用可视图法分析地震序列，EPL(Europhysics Letters),2012,97(5):50002.)、交通趋势(参考文献[5]:Liu H,Zhang X,Zhang X.Exploring dynamic evolution and fluctuationcharacteristics of air traffic flow volume time series:A single waypoint case[J].Physica A:Statistical Mechanics and its Applications,2018,503:560-571，即Liu H,Zhang X,Zhang X，空中交通流量时间序列动态演化与波动特征探索：以单航路点为例，Physica A:Statistical Mechanics and its Applications,2018,503:560-571.)、金融预测(参考文献[6]:Wang N,Li D,Wang Q.Visibility graph analysis on quarterlymacroeconomic series of China based on complex network theory[J].Physica A:Statistical Mechanics and its Applications,2012,391(24):6543-6555，即Wang N,LiD,Wang Q，基于复杂网络理论的中国季度宏观经济序列可视图分析，Physica A:Statistical Mechanics and its Applications,2012,391(24):6543-6555.)等的应用。涉及时间序列的任务主要可以分为两种：基于时间序列的分类任务及基于时间序列的预测任务。本发明主要研究长时间序列的分类问题。时间序列分类是数据挖掘中一个重要且具有挑战性的问题。随着深度学习技术的发展以及卷积神经网络在图像视觉领域上的成功运用，越来越多的研究人员将其应用于时间序列数据并取得了出色的效果。此外，与时间序列高度契合的循环神经网络也在该领域取得了优于传统方法的分类效果。而后，随着图神经网络的崛起，网络图与时间序列的联合研究也开始涌现，甚至取得了比卷积神经网络更出色的分类效果。