CN110138595A - 动态加权网络的时间链路预测方法、装置、设备及介质 - Google Patents

动态加权网络的时间链路预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN110138595A
CN110138595A CN201910292929.9A CN201910292929A CN110138595A CN 110138595 A CN110138595 A CN 110138595A CN 201910292929 A CN201910292929 A CN 201910292929A CN 110138595 A CN110138595 A CN 110138595A
Authority
CN
China
Prior art keywords
network
topological diagram
historical time
time stamp
attention
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201910292929.9A
Other languages
English (en)
Inventor
曲强
杨敏
陈磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910292929.9A priority Critical patent/CN110138595A/zh
Publication of CN110138595A publication Critical patent/CN110138595A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明适用计算机技术领域，提供了一种动态加权网络的时间链路预测方法，该方法包括：获取动态加权网络在连续的历史时间戳下的网络拓扑图，将历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络，预测得到动态加权网络在待预测时间戳下的网络拓扑图，生成对抗网络包括生成模型和对抗模型，生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络，从而实现了动态加权网络的时间链路预测，并提高了动态加权网络的时间链路预测准确度和效果。

Description

动态加权网络的时间链路预测方法、装置、设备及介质
技术领域
本发明属于计算机技术领域，尤其涉及一种动态加权网络的时间链路预测更新方法、装置、设备及介质。
背景技术
链路预测(Link Prediction)是指，通过已知的网络节点和结构信息，预测网络中尚未产生连接边的两个节点之间产生链接的可能性，链路预测在动态网络分析中用于挖掘和分析网络演化。通常，链路预测可以分为结构链路预测和时间链路预测。结构链路预测仅考虑单个网络快照的网络结构，并预测同一网络内可能的未来链接。时间链路预测是在给定上一个时间戳的网络快照时，尝试构建出下一个时间戳的网络快照。
传统的链路预测方法一般都是针对静态的网络快照，然而，现实中大部分的网络都是随时间动态变化的，随着时间的推移，网络中的节点或边会快速增长和变化。例如，在社交网络中，链接通常是随着个人社交伙伴关系的变化而动态变化的。因此，实现动态网络中的时间链路预测具有十分重要的现实意义，也越来越受到人们的关注。
现实中的动态网络大多为动态加权网络，链接权重(即边权重)表达了网络节点之间关系的“强度”，并可以为链路预测带来重要的信息，例如，链接权重可能包括动态网络的延迟、流量、信号强度等有用信息。因此，动态网络中的时间链路预测不仅应确定链接的存在与否，还应考虑到相应的链接权重。
在动态网络中的时间链路预测研究中，研究人员提出了分解网络结构的思想，通过分解网络快照、提取网络特征，来预测时间链接，却忽略了网络之间的动态连接，导致性能并不理想。还提出了为网络特征表示提供正则化的非负矩阵分解，来提高时间链接中非负矩阵分解的性能，但该分解方式是基于传统的线性模型，忽略了动态网络的潜在非线性特征，且无法适用于动态加权网络。还有研究人员提出使用深度神经网络进行时间链路预测，设计了一种称为条件时间限制玻尔兹曼的神经网络架构，其拓扩展了典型受限玻尔兹曼的结构以结合动态网络的时间元素，还设计了一种弱估计量，利用传统的相似性度量以便廉价地构建深度神经网络的有效特征向量。这些基于深度学习的方法也无法应对动态加权网络的链路预测。
发明内容
本发明的目的在于提供一种动态加权网络的时间链路预测方法、装置、设备及介质，旨在解决现有技术无法实现动态加权网络时间链路预测的问题。
一方面，本发明提供了一种动态加权网络的时间链路预测方法，所述方法包括下述步骤：
获取动态加权网络在连续的历史时间戳下的网络拓扑图；
将所述历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络，预测得到所述动态加权网络在待预测时间戳下的网络拓扑图，所述生成对抗网络包括生成模型和判别模型，所述生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络。
另一方面，本发明提供了一种动态加权网络的时间链路预测装置，所述装置包括：
历史网络图获取模块，用于获取动态加权网络在连续的历史时间戳下的网络拓扑图；以及
网络图预测模块，用于将所述历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络，预测得到所述动态加权网络在待预测时间戳下的网络拓扑图，所述生成对抗网络包括生成模型和判别模型，所述生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络。
另一方面，本发明还提供了一种计算设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如上述动态加权网络的时间链路预测方法所述的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述动态加权网络的时间链路预测方法所述的步骤。
本发明获取动态加权网络在连续历史时间戳下的网络拓扑图，将连续历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络，预测得到动态加权网络在待预测时间戳下的网络拓扑图，其中，生成对抗网络包括生成模型和判别模型，生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络，从而通过结合了注意力图卷积网络、时间矩阵分解、注意力机制和长短期记忆网络的生成对抗网络，充分考虑到动态加权网络的链路权重、线性特征和非线性特征，实现对动态加权网络的时间链路预测，提高动态加权网络时间链路预测的准确度和效果。
附图说明
图1是本发明实施例一提供的动态加权网络的时间链路预测方法的实现流程图；
图2是本发明实施例二提供的动态加权网络的时间链路预测方法的实现流程图；
图3是本发明实施例三提供的动态加权网络的时间链路预测装置的结构示意图；
图4是本发明实施例三提供的动态加权网络时间链路预测装置的优选结构示意图；以及
图5是本发明实施例四提供的计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的动态加权网络的时间链路预测方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，获取动态加权网络在连续的历史时间戳下的网络拓扑图。
本发明实施例适用于数据处理设备，例如计算机、服务器或者由多个服务器构成的服务器集群。
在本发明实施例中，动态加权网络的网络拓扑结构会随时间变化而变化，包括网络顶点的属性随时间发生变化、网络顶点的个数随时间发生变化和边连接关系随时间发生变化。对于下一未来时间戳出现的新顶点，在历史时间戳的网络拓扑结构中并未包含新顶点的信息，基于网络拓扑结构的时间链路预测无法预测到新出现的顶点，因此在本发明实施例中不考虑网络顶点的个数随时间发生变化的情况。动态加权网络表示为按照连续时间戳排序的网络拓扑图序列：
G＝{G1,G2,…,Gt}，其中，Gt表示动态加权网络G在时间戳t下的网络拓扑图。Gt＝{V,Et,Wt}，V为Gt的顶点集，由于不考虑网络顶点的个数随时间发生变化的情况，G中的所有网络拓扑图具有相同的顶点集，Et为Gt的边集，Wt为Et中各边的权重集。
在本发明实施例中，可使用Gt的邻接矩阵At来描述Gt静态的网络拓扑结构。对于未加权的动态网络，At为二进制矩阵，而对于动态加权网络，At包含随时间变化的边的权重。具体地，当顶点i和顶点j之间存在边(即(i,j)∈Et)、且该边的权重为(Wt)ij时，(At)ij＝(Wt)ij。动态加权网络的时间链路预测是在给定先前观察到的l个网络拓扑结构A(t-l+1:t)＝{At-l+1,At-l+2,…,At}的情况下，在下一时间戳t+1时预测动态加权网络的网络拓扑结构At+1。其中，l个网络拓扑结构A(t-l+1:t)＝{At-l+1,At-l+2,…,At}即l个历史时间戳下网络拓扑图对应的网络拓扑结构，下一时间戳t+1即待预测时间戳。
在步骤S102中，将历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络，预测得到动态加权网络在待预测时间戳下的网络拓扑图，生成对抗网络包括生成模型和判别模型，生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络。
在本发明实施例中，预先训练好生成对抗网络，生成对抗网络中的判别模型用于在训练过程中提高生成模型在动态加权网络时间链路预测上的性能，生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络。
在本发明实施例中，网络拓扑图包括网络拓扑结构和顶点属性，网络拓扑结构通过网络拓扑图的邻接矩阵At表示，顶点属性通过网络拓扑图的特征矩阵表示，将特征矩阵表示为Zt。将历史时间戳下的网络拓扑图输入生成对抗网络，即将历史时间戳下网络拓扑图的邻接矩阵At和特征矩阵Zt输入生成对抗网络，依次经过生成模型中的注意力图卷积网络和增强注意力长短期记忆网络的处理，预测得到待预测时间戳t+1的网络拓扑结构，即邻接矩阵At+1。
在本发明实施例中，注意力图卷积网络利用自注意力机制对网络拓扑图的邻接矩阵At和特征矩阵Zt进行特征学习，融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络，能够利用注意力图卷积网络学习到的特征进一步捕捉动态加权网络的全局特征和短期时间依赖性，从而充分考虑到动态加权网络的链路权重、线性特征和非线性特征，执行更为准确的时间链路预测。
在本发明实施例中，将动态加权网络在历史时间戳下的网络拓扑图输入生成对抗网络的生成模型，获得动态加权网络在待预测时间戳下的网络拓扑图，生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络，从而结合注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络，实现对动态加权网络的时间链路预测，提高动态加权网络时间链路的准确度和效果。
实施例二：
图2示出了本发明实施例二提供的动态加权网络的时间链路预测方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S201中，获取动态加权网络在连续的历史时间戳下的网络拓扑图。
在本发明实施例中，步骤S201的具体实现可参照实施例一中步骤S101的详细描述，在此不再赘述。
在步骤S202中，通过注意力图卷积网络对获取的每个历史时间戳下的网络拓扑图进行特征提取，得到每个历史时间戳下网络拓扑图的综合网络特征。
在本发明实施例中，注意力图卷积网络为结合了自注意力机制的图卷积网络(Graph Convolutional Networks，简称GCN)。在获得每个历史时间戳下的网络拓扑图后，通过自注意力机制对历史时间戳下网络拓扑图的特征矩阵进行更新，获得更新后的特征矩阵，将历史时间戳下网络拓扑图的邻接矩阵和更新后的特征矩阵输入图卷积网络，得到历史时间戳下网络拓扑图的综合网络特征。
优选地，通过自注意力机制对每个历史时间戳下网络拓扑图的特征矩阵进行更新的更新公式表示为：(为了公式简洁，将网络拓扑图的邻接矩阵At和特征矩阵Zt的时间下标省略，用A和Z表示同一网络拓扑图的邻接矩阵和特征矩阵)
其中，Vi表示顶点i的邻近顶点，Zi表示顶点i的特征矩阵，Zj表示顶点j的特征矩阵，UT和VT分别为U和V的转置，UT和VT表示自注意力机制中训练好的参数，b表示偏置项，αij为自注意力机制中顶点i和顶点j之间的注意力权重，Zi'为更新后的特征矩阵Wα为自注意力机制中的权重矩阵，通过共享线性变换softmax()，Wα被应用于每个节点，ρ为非线性函数(例如tanh)，从而充分提取到网络拓扑图的线性特征和非线性特征。
优选地，将历史时间戳下网络拓扑图的邻接矩阵和更新后的特征矩阵输入图卷积网络得到综合网络特征，通过下述公式实现：
其中，IN为N维单位矩阵，为A的对角节点度矩阵，近似图卷积滤波器，f()为非线性激活函数，可为ReLU函数，X为通过图卷积网络得到综合网络特征，从而充分提取到网络拓扑图的非线性特征。
在步骤S203中，通过增强注意力长短期记忆网络对动态加权网络的综合网络特征进行学习，得到每个历史时间戳下网络拓扑图的隐藏状态向量。
在本发明实施例中，由于增强注意力长短期记忆网络在处理过程中需要探索不同历史时间戳下网络拓扑图之间的演化，为了描述清楚，为后续公式中出现的变量添加上相应的时间下标。因此，经过注意力图卷积网络获得的连续历史时间戳下网络拓扑图的综合网络特征可表示为{Xt-l+1,Xt-l+2,…,Xt}，Xt表示时间戳t下网络拓扑图的综合网络特征。
在本发明实施例中，将连续历史时间戳下网络拓扑图的综合网络特征输入至增强注意力长短期记忆网络中，通过增强注意力长短期记忆网络中的时间矩阵分解方式对历史时间戳下网络拓扑图的邻接矩阵进行分解，获得历史时间戳下网络拓扑图的静态上下文向量和动态潜在特征，增强注意力长短期记忆网络中的采用了注意力机制的长短期记忆网络，依据基于时间矩阵分解得到的静态上下文向量和动态潜在特征、以及连续历史时间戳下网络拓扑图的综合网络特征，可预测得到待预测时间戳下的网络拓扑图，从而通过时间矩阵分解方式、注意力机制和长短期记忆网络的配合，实现动态加权网络的时间链路预测，提高时间链路预测效果。
优选地，历史时间戳下网络拓扑图的邻接矩阵的时间矩阵分解公式表示为：
At＝SM(t)T，其中，S为分解得到的常数矩阵，将S作为历史时间戳下网络拓扑图的静态上下文向量，M(t)为历史时间戳下网络拓扑图的动态潜在特征，M(t)具有时间依赖性。
优选地，通过增强注意力长短期记忆网络中的采用了注意力机制的长短期记忆网络预测得到待预测时间戳下网络拓扑图的公式表示为：
将连续历史时间戳下网络拓扑图的综合网络特征Xk和基于时间矩阵分解得到的历史时间戳下网络拓扑图的动态潜在特征M(t)输入softmax函数中，得到注意力机制中的注意力权重βk，注意力权重βk用来确定哪些网络拓扑图的综合网络特征用来预测待预测时间戳的网络拓扑图，σ为前馈神经网络。根据Xk和βk计算得到每个历史时间戳下网络拓扑图的上下文向量ct，将ct、S和时间戳t-1下网络拓扑图的隐藏状态向量ht-1输入长短期记忆网络(LSTM)，计算得到时间戳t下网络拓扑图的隐藏状态向量ht。其中，上下文输入ct在长短期记忆网络计算隐藏状态向量ht时充当额外输入，以确保长短期记忆网络在计算每个时间戳的隐藏状态向量时可以获得网络拓扑图上下文的完整信息，进而提高动态加权网络的时间链路预测效果。
在步骤S204中，依据每个历史时间戳下网络拓扑图的隐藏状态向量，生成动态加权网络在待预测时间戳下的网络拓扑图。
在本发明实施例中，将所有历史时间戳下网络拓扑图的隐藏状态向量输入生成模型的全连接层，即可得到待预测时间戳的网络拓扑图。
在本发明实施例中，通过注意力图卷积网络提取每个历史时间戳下网络拓扑图的综合网络特征，通过增强注意力长短期记忆网络对动态加权网络的综合网络特征进行学习，得到每个历史时间戳下网络拓扑图的隐藏状态向量，依据每个历史时间戳下网络拓扑图的隐藏状态向量，生成动态加权网络在待预测时间戳下的网络拓扑图，从而结合注意力图卷积网络和增强注意力长短期记忆网络，充分提取了动态加权网络的线性特征和非线性特征，还充分提取动态加权网络的静态特征和动态特征，有效地提高了动态加权网络的时间链路预测准确率和效果。
优选地，通过训练生成对抗网络提高注意力图卷积网络和增强注意力长短期记忆网络的性能。在训练生成对抗网络的过程中，先优化生成模型和判别模型，再通过对抗训练使得优化后的生成模型和判别模型进行二元极大极小博弈，以提高生成对抗网络的训练效果。其中，判别模型用于区分训练数据中观察得到的真实网络拓扑图与生成模型生成的预测网络拓扑图。
进一步优选地，判别模型的优化公式表示为：
其中，pdata表示训练数据，训练数据中包括不同时间戳下动态加权网络的网络拓扑训练图，A'为可从训练数据中直接获得的、网络拓扑训练图的真实网络拓扑结构，为生成模型生成的、与A'对应的预测网络拓扑结构，E()表示均方差，判别模型的优化目的为最大化正确区分A'与的概率。X'为通过注意力图卷积网络得到的、网络拓扑训练图的综合网络特征，为判别模型中待学习的权重矩阵，为判别模型中的偏置项，D表示判别模型，φ为判别模型的参数集。可见，Dφ(A')是通过注意力图卷积网络提取网络拓扑训练图的综合网络特征、将综合网络特征输入全连接层、并将全连接网络层的输出输入softmax层得到的。
其中，现实中网络拓扑图的边权重的取值范围可能较大(例如[0，2000])，在将网络拓扑图输入判别模型和生成模型时，均需要将网络拓扑图的邻接矩阵中的数值标准化至[0，1]范围内。
优选地，在优化判别模型和生成模型时，先固定生成模型的参数，通过训练数据优化判别模型的参数，在优化完判别模型后，固定判别模型的参数，通过训练数据优化生成模型的参数，从而通过优化好的判别模型有效地提高生成模型的性能。
进一步优选地，生成模型的优化公式表示为：
G表示生成模型，θ为生成模型的参数集。
优选地，在生成模型和判别模型的对抗训练过程中，先依据训练数据对生成模型进行循环训练(例如循环g次，g为预设常数)，再依据循环训练后的生成模型所生成的预测网络拓扑图和训练数据中的真实网络拓扑图，对判别模型进行循环训练(例如循环d次，d为预设常数)，如此循环对生成模型和判别模型进行训练，直至生成模型与判别模型收敛，完成对抗训练。
实施例三：
图3示出了本发明实施例三提供的动态加权网络的时间链路预测装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
历史网络图获取模块31，用于获取动态加权网络在连续的历史时间戳下的网络拓扑图；以及
网络图预测模块32，用于将历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络，预测得到动态加权网络在待预测时间戳下的网络拓扑图，生成对抗网络包括生成模型和判别模型，生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络。
优选地，如图4所示，网络图预测模块32包括：
综合特征提取模块321，用于通过注意力图卷积网络对获取的每个历史时间戳下的网络拓扑图进行特征提取，得到每个历史时间戳下网络拓扑图的综合网络特征；
隐藏状态生成模块322，用于通过增强注意力长短期记忆网络对动态加权网络的综合网络特征进行学习，得到每个历史时间戳下网络拓扑图的隐藏状态向量；以及
预测图生成模块323，用于依据每个历史时间戳下网络拓扑图的隐藏状态向量，生成动态加权网络在待预测时间戳下的网络拓扑图。
优选地，综合特征提取模块321包括：
自注意力模块，用于采用自注意力机制对历史时间戳下网络拓扑图的特征矩阵进行更新；以及
图卷积网络模块，用于将历史时间戳下网络拓扑图的邻接矩阵和更新后的特征矩阵输入图卷积网络，得到历史时间戳下网络拓扑图的综合网络特征。
优选地，隐藏状态生成模块322包括：
矩阵分解模块，用于对历史时间戳下网络拓扑图的邻接矩阵进行时间矩阵分解，获得历史时间戳下网络拓扑图的静态上下文向量和动态潜在特征；
注意力权重计算模块，用于根据历史时间戳下网络拓扑图的综合网络特征和动态潜在特征，采用注意力机制计算历史时间戳下网络拓扑图对应的注意力权重；
上下文向量计算模块，用于根据历史时间戳下网络拓扑图的综合网络特征和注意力权重，计算每个历史时间戳下网络拓扑图的上下文向量；以及
隐藏状态计算模块，用于将历史时间戳下网络拓扑图的上下文向量和静态上下文向量输入长短期记忆网络，计算得到历史时间戳下网络拓扑图的隐藏状态向量。
优选地，预测图生成模块323包括：
全连接层模块，用于将每个历史时间戳下网络拓扑图的隐藏状态向量输入生成模型中的全连接层，得到动态加权网络在待预测时间戳下的网络拓扑图。
优选地，动态加权网络的时间链路预测装置还包括：
网络训练模块，用于通过二元极大极小博弈方式对判别模型和生成模型交替训练，得到训练好的生成对抗网络。
在本发明实施例中，动态加权网络的时间链路预测装置的各模块可参照上述实施例一或实施例二中相应步骤的描述，在此不再赘述。
在本发明实施例中，将动态加权网络在历史时间戳下的网络拓扑图输入生成对抗网络的生成模型，获得动态加权网络在待预测时间戳下的网络拓扑图，生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络，从而结合注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络，实现对动态加权网络的时间链路预测，提高动态加权网络时间链路的准确度和效果。
在本发明实施例中，身高体重测量装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
实施例四：
图5示出了本发明实施例四提供的计算设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
本发明实施例的计算设备5包括处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52。该处理器50执行计算机程序52时实现上述各方法实施例中的步骤，例如图1所示的步骤S101至S102。或者，处理器50执行计算机程序52时实现上述各装置实施例中各模块的功能，例如图3所示模块31至32的功能。
在本发明实施例中，将动态加权网络在历史时间戳下的网络拓扑图输入生成对抗网络的生成模型，获得动态加权网络在待预测时间戳下的网络拓扑图，生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络，从而结合注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络，实现对动态加权网络的时间链路预测，提高动态加权网络时间链路的准确度和效果。
实施例五：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤，例如图1所示的步骤S101至S102。或者，该计算机程序被处理器执行时实现上述装置实施例中各单元的功能，例如图3所示单元31至32。
在本发明实施例中，将动态加权网络在历史时间戳下的网络拓扑图输入生成对抗网络的生成模型，获得动态加权网络在待预测时间戳下的网络拓扑图，生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络，从而结合注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络，实现对动态加权网络的时间链路预测，提高动态加权网络时间链路的准确度和效果。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种动态加权网络的时间链路预测方法，其特征在于，所述方法包括：
获取动态加权网络在连续的历史时间戳下的网络拓扑图；
将所述历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络，预测得到所述动态加权网络在待预测时间戳下的网络拓扑图，所述生成对抗网络包括生成模型和判别模型，所述生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络。
2.如权利要求1所述的方法，其特征在于，预测得到所述动态加权网络在待预测时间戳下的网络拓扑图的步骤，包括：
通过所述注意力图卷积网络对所述获取的每个历史时间戳下的网络拓扑图进行特征提取，得到所述每个历史时间戳下网络拓扑图的综合网络特征；
通过所述增强注意力长短期记忆网络对所述动态加权网络的综合网络特征进行学习，得到所述每个历史时间戳下网络拓扑图的隐藏状态向量；
依据所述每个历史时间戳下网络拓扑图的隐藏状态向量，生成所述动态加权网络在所述待预测时间戳下的网络拓扑图。
3.如权利要求2所述的方法，其特征在于，通过所述注意力图卷积网络对所述获取的每个历史时间戳下的网络拓扑图进行特征提取的步骤，包括：
采用自注意力机制对所述历史时间戳下网络拓扑图的特征矩阵进行更新；
将所述历史时间戳下网络拓扑图的邻接矩阵和更新后的所述特征矩阵输入图卷积网络，得到所述历史时间戳下网络拓扑图的综合网络特征。
4.如权利要求2所述的方法，其特征在于，通过所述增强注意力长短期记忆网络对所述动态加权网络的综合网络特征进行学习的步骤，包括：
对所述历史时间戳下网络拓扑图的邻接矩阵进行时间矩阵分解，获得历史时间戳下网络拓扑图的静态上下文向量和动态潜在特征；
根据所述历史时间戳下网络拓扑图的综合网络特征和动态潜在特征，采用注意力机制计算所述历史时间戳下网络拓扑图对应的注意力权重；
根据所述历史时间戳下网络拓扑图的综合网络特征和注意力权重，计算所述每个历史时间戳下网络拓扑图的上下文向量；
将所述历史时间戳下网络拓扑图的上下文向量和静态上下文向量输入所述长短期记忆网络，计算得到所述历史时间戳下网络拓扑图的隐藏状态向量。
5.如权利要求2所述的方法，其特征在于，生成所述动态加权网络在所述待预测时间戳下的网络拓扑图的步骤，包括：
将所述每个历史时间戳下网络拓扑图的隐藏状态向量输入生成模型中的全连接层，得到所述动态加权网络在所述待预测时间戳下的网络拓扑图。
6.如权利要求1所述的方法，其特征在于，获取动态加权网络在连续的历史时间戳下的网络拓扑图的步骤之前，所述方法还包括：
通过二元极大极小博弈方式对所述判别模型和所述生成模型交替训练，得到训练好的所述生成对抗网络。
7.一种动态加权网络的时间链路预测装置，其特征在于，所述装置包括：
历史网络图获取模块，用于获取动态加权网络在连续的历史时间戳下的网络拓扑图；以及
网络图预测模块，用于将所述历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络，预测得到所述动态加权网络在待预测时间戳下的网络拓扑图，所述生成对抗网络包括生成模型和判别模型，所述生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络。
8.如权利要求7所述的装置，其特征在于，所述网络图预测模块包括：
综合特征提取模块，用于通过所述注意力图卷积网络对所述获取的每个历史时间戳下的网络拓扑图进行特征提取，得到所述每个历史时间戳下网络拓扑图的综合网络特征；
隐藏状态生成模块，用于通过所述增强注意力长短期记忆网络对所述动态加权网络的综合网络特征进行学习，得到所述每个历史时间戳下网络拓扑图的隐藏状态向量；以及
预测图生成模块，用于依据所述每个历史时间戳下网络拓扑图的隐藏状态向量，生成所述动态加权网络在所述待预测时间戳下的网络拓扑图。
9.一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN201910292929.9A 2019-04-12 2019-04-12 动态加权网络的时间链路预测方法、装置、设备及介质 Withdrawn CN110138595A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910292929.9A CN110138595A (zh) 2019-04-12 2019-04-12 动态加权网络的时间链路预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910292929.9A CN110138595A (zh) 2019-04-12 2019-04-12 动态加权网络的时间链路预测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN110138595A true CN110138595A (zh) 2019-08-16

Family

ID=67569885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910292929.9A Withdrawn CN110138595A (zh) 2019-04-12 2019-04-12 动态加权网络的时间链路预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN110138595A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110912598A (zh) * 2019-11-22 2020-03-24 中原工学院 基于长短时注意力机制的大规模mimo系统csi反馈方法
CN111049683A (zh) * 2019-12-11 2020-04-21 中国科学院深圳先进技术研究院 一种基于注意力机制的大规模网络群实时故障预测方法
CN111079998A (zh) * 2019-12-03 2020-04-28 华东师范大学 基于长短时序相关性注意力机制模型的流量预测方法
CN111105013A (zh) * 2019-11-05 2020-05-05 中国科学院深圳先进技术研究院 对抗网络架构的优化方法、图像描述生成方法和系统
CN111797327A (zh) * 2020-06-04 2020-10-20 南京擎盾信息科技有限公司 社交网络建模的方法及装置
CN111884867A (zh) * 2020-08-17 2020-11-03 南昌航空大学 基于循环生成式对抗网络的机会网络拓扑预测方法及装置
CN112347369A (zh) * 2020-10-12 2021-02-09 中国电子科技集团公司电子科学研究院 基于网络表征的集成学习动态社会网络链路预测方法
CN112508170A (zh) * 2020-11-19 2021-03-16 中南大学 一种基于生成对抗网络的多相关时间序列预测系统及方法
CN112749791A (zh) * 2021-01-22 2021-05-04 重庆理工大学 一种基于图神经网络和胶囊网络的链路预测方法
CN112766464A (zh) * 2021-01-31 2021-05-07 西安电子科技大学 基于时空聚合的灵活动态网络链路预测方法、系统及应用
CN112967739A (zh) * 2021-02-26 2021-06-15 山东省计算中心（国家超级计算济南中心） 一种基于长短期记忆网络的语音端点检测方法及系统
CN113541986A (zh) * 2020-04-15 2021-10-22 中国移动通信集团浙江有限公司 5g切片的故障预测方法、装置及计算设备
CN113537645A (zh) * 2021-08-23 2021-10-22 苏州憨云智能科技有限公司 基于机器学习融合卫星与天气数据的大豆产量预测方法
CN113949633A (zh) * 2020-06-29 2022-01-18 中国移动通信集团浙江有限公司 基于机器学习的5g网络切片容灾池资源管理方法及装置

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105013A (zh) * 2019-11-05 2020-05-05 中国科学院深圳先进技术研究院 对抗网络架构的优化方法、图像描述生成方法和系统
CN111105013B (zh) * 2019-11-05 2023-08-11 中国科学院深圳先进技术研究院 对抗网络架构的优化方法、图像描述生成方法和系统
CN110912598A (zh) * 2019-11-22 2020-03-24 中原工学院 基于长短时注意力机制的大规模mimo系统csi反馈方法
CN110912598B (zh) * 2019-11-22 2020-08-28 中原工学院 基于长短时注意力机制的大规模mimo系统csi反馈方法
CN111079998A (zh) * 2019-12-03 2020-04-28 华东师范大学 基于长短时序相关性注意力机制模型的流量预测方法
CN111049683A (zh) * 2019-12-11 2020-04-21 中国科学院深圳先进技术研究院 一种基于注意力机制的大规模网络群实时故障预测方法
CN113541986A (zh) * 2020-04-15 2021-10-22 中国移动通信集团浙江有限公司 5g切片的故障预测方法、装置及计算设备
CN111797327A (zh) * 2020-06-04 2020-10-20 南京擎盾信息科技有限公司 社交网络建模的方法及装置
CN113949633A (zh) * 2020-06-29 2022-01-18 中国移动通信集团浙江有限公司 基于机器学习的5g网络切片容灾池资源管理方法及装置
CN111884867A (zh) * 2020-08-17 2020-11-03 南昌航空大学 基于循环生成式对抗网络的机会网络拓扑预测方法及装置
CN112347369A (zh) * 2020-10-12 2021-02-09 中国电子科技集团公司电子科学研究院 基于网络表征的集成学习动态社会网络链路预测方法
CN112347369B (zh) * 2020-10-12 2023-09-08 中国电子科技集团公司电子科学研究院 基于网络表征的集成学习动态社会网络链路预测方法
CN112508170A (zh) * 2020-11-19 2021-03-16 中南大学 一种基于生成对抗网络的多相关时间序列预测系统及方法
CN112749791A (zh) * 2021-01-22 2021-05-04 重庆理工大学 一种基于图神经网络和胶囊网络的链路预测方法
CN112766464A (zh) * 2021-01-31 2021-05-07 西安电子科技大学 基于时空聚合的灵活动态网络链路预测方法、系统及应用
CN112766464B (zh) * 2021-01-31 2023-07-25 西安电子科技大学 基于时空聚合的灵活动态网络链路预测方法、系统及应用
CN112967739A (zh) * 2021-02-26 2021-06-15 山东省计算中心（国家超级计算济南中心） 一种基于长短期记忆网络的语音端点检测方法及系统
CN113537645A (zh) * 2021-08-23 2021-10-22 苏州憨云智能科技有限公司 基于机器学习融合卫星与天气数据的大豆产量预测方法
CN113537645B (zh) * 2021-08-23 2023-11-24 苏州憨云智能科技有限公司 基于机器学习融合卫星与天气数据的大豆产量预测方法

Similar Documents

Publication Publication Date Title
CN110138595A (zh) 动态加权网络的时间链路预测方法、装置、设备及介质
He et al. Mining transition rules of cellular automata for simulating urban expansion by using the deep learning techniques
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
Samantaray et al. Prediction of suspended sediment concentration using hybrid SVM-WOA approaches
CN111444243A (zh) 一种基于轨迹信息的用户行为预测画像方法及系统
CN112541302A (zh) 空气质量预测模型训练方法、空气质量预测方法及装置
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN113255895B (zh) 基于图神经网络表示学习的结构图对齐方法和多图联合数据挖掘方法
Zhang et al. Deep learning from spatio-temporal data using orthogonal regularizaion residual cnn for air prediction
Gad et al. A robust deep learning model for missing value imputation in big NCDC dataset
CN112733997A (zh) 基于woa-lstm-mc的水文时间序列预测优化方法
CN110321493B (zh) 一种社交网络的异常检测与优化方法、系统及计算机设备
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
Wang et al. An approach of recursive timing deep belief network for algal bloom forecasting
Chen et al. Physics-guided graph meta learning for predicting water temperature and streamflow in stream networks
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN116090839A (zh) 水资源耦合系统多重风险分析与评估方法及系统
Silva et al. Data Assimilation Predictive GAN (DA-PredGAN): applied to determine the spread of COVID-19
Xie et al. EpiGNN: Exploring spatial transmission with graph neural network for regional epidemic forecasting
Jin et al. Deep learning for seasonal precipitation prediction over China
Karozis et al. A deep learning approach for spatial error correction of numerical seasonal weather prediction simulation data
Guo et al. Learning and integration of adaptive hybrid graph structures for multivariate time series forecasting
Tsai et al. From parameter calibration to parameter learning: Revolutionizing large-scale geoscientific modeling with big data
Chen et al. Towards an end-to-end artificial intelligence driven global weather forecasting system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20190816