[发明专利]时序超图序列预测方法及装置

权利要求书

1.一种时序超图序列预测方法，其特征在于，包括以下步骤：

对时序序列中的每一个超图，使用预设超图神经网络提取每个结点的空间特征，生成空间特征序列；

针对所述空间特征序列，使用预设循环神经网络提取所述每个结点的时间特征；以及

使用交叉熵函数与参数正则项作为模型的损失函数，对模型进行训练，得到用于时序超图序列预测的最终模型。

2.根据权利要求1所述的方法，其特征在于，所述对时序序列中的每一个超图，使用预设超图神经网络提取每个结点的空间特征，生成空间特征序列，包括：

根据超图关联矩阵、结点度矩阵、超边度矩阵、超边权重矩阵计算超图拉普拉斯矩阵；

基于所述超图拉普拉斯矩阵对所述每一个超图的结点特征进行卷积运算，得到所述每个结点的空间特征。

3.根据权利要求2所述的方法，其特征在于，所述超图拉普拉斯矩阵的计算公式为：

Δ＝D_V^-1/2HWD_E^-1H^T D_V^-1/2，

其中，D_V为结点度矩阵，H为超图关联矩阵，W为超边权重矩阵，D_E为超边度矩阵。

4.根据权利要求3所述的方法，其特征在于，所述空间特征的表达式为：

f(X,H)＝σ((I-Δ)ReLU((I-Δ)XΘ₁)Θ₂)，

其中，X为输入的结点特征，σ为非线性激活函数sigmoid，I为单位矩阵，ReLU为线性整流函数，Θ1和Θ2为网络的可学习参数。

5.一种时序超图序列预测装置，其特征在于，包括：

第一提取模块，用于对时序序列中的每一个超图，使用预设超图神经网络提取每个结点的空间特征，生成空间特征序列；

第二提取模块，用于针对所述空间特征序列，使用预设循环神经网络提取所述每个结点的时间特征；以及

训练模块，用于使用交叉熵函数与参数正则项作为模型的损失函数，对模型进行训练，得到用于时序超图序列预测的最终模型。

6.根据权利要求5所述的装置，其特征在于，所述第一提取模块包括：

计算单元，用于根据超图关联矩阵、结点度矩阵、超边度矩阵、超边权重矩阵计算超图拉普拉斯矩阵；

生成单元，用于基于所述超图拉普拉斯矩阵对所述每一个超图的结点特征进行卷积运算，得到所述每个结点的空间特征。

7.根据权利要求6所述的装置，其特征在于，所述超图拉普拉斯矩阵的计算公式为：

Δ＝D_V^-1/2HWD_E^-1H^T D_V^-1/2，

其中，D_V为所述结点度矩阵，H为所述超图关联矩阵，W为所述超边权重矩阵，D_E为所述超边度矩阵。

8.根据权利要求7所述的装置，其特征在于，所述空间特征的表达式为：

f(X,H)＝σ((I-Δ)ReLU((I-Δ)XΘ₁)Θ₂)，

其中，X为所述输入的结点特征，σ为所述非线性激活函数sigmoid，I为所述单位矩阵，ReLU为所述线性整流函数，Θ1和Θ2为所述网络的可学习参数。

9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-4任一项所述的时序超图序列预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-4任一项所述的时序超图序列预测方法。