CN113112004B - 一种基于霍克斯过程与图神经网络的时空预测方法 - Google Patents
一种基于霍克斯过程与图神经网络的时空预测方法 Download PDFInfo
- Publication number
- CN113112004B CN113112004B CN202110432341.6A CN202110432341A CN113112004B CN 113112004 B CN113112004 B CN 113112004B CN 202110432341 A CN202110432341 A CN 202110432341A CN 113112004 B CN113112004 B CN 113112004B
- Authority
- CN
- China
- Prior art keywords
- neural network
- time
- graph
- prediction method
- matrix
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 230000000306 recurrent effect Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于霍克斯过程与图神经网络的时空预测方法，包括，利用霍克斯过程获取离散事件的时间信息；基于图卷积神经网络获取过去发生事件类别之间的相互影响，将所述图卷积神经网络的输出与所述时间信息及事件的类别进行矩阵连接，得到输入数据；结合逆方法、循环神经网络及其变体对连续时间上的所述离散事件进行预测。本发明通过结合过去发生事件的时间与类型信息对未来的事件发生进行预测，在应用方面，可以对地震以及余震的发生进行预测。
Description
技术领域
本发明涉及计算霍克斯过程的技术领域，尤其涉及一种基于霍克斯过程与图神经网络的时空预测方法。
背景技术
当前，许多事件都遵循一定的规律，周而复始的发生。发现事件之间广泛而复杂的影响关系，可以帮助人们准确地描述未来事件的分布，精准地预测未来事件发生的类型与发生时间。因此对连续时间上的离散事件进行建模，是目前非常重要的研究方向。
人们的对未来事件预测的需求快速增展。例如，在已经发生地震的地区，发生余震或者是未来发生新地震的可能性通常会增加；在一个国家恐慌性抛售股票可能会在另一个国家引发类似的抛售事件；森林火灾也是一个例子，今年在某森林发生的一场野火可以大大减少来年另一场野火的发生。明年野火可能性的降低主要是由于现有森林燃料的燃烧。很明显，类似事件的发生概率可以通过先前事件序列中的模式来提高或降低，即未来事件的发生的类型与时间受到过去事件影响。随着数据时代的到来，数据形式朝着多维化发展，传统的预测模型很难去拟合多维异步事件数据，传统的连续时间的离散模型预测效果不佳。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于霍克斯过程与图神经网络的时空预测方法，能够解决在连续时间上离散事件中事件之间的联系被忽略导致预测效果不佳的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，利用霍克斯过程获取离散事件的时间信息；基于图卷积神经网络获取过去发生事件类别之间的相互影响，将所述图卷积神经网络的输出与所述时间信息及事件的类别进行矩阵连接，得到输入数据；结合逆方法、循环神经网络及其变体对连续时间上的所述离散事件进行预测。
作为本发明所述的基于霍克斯过程与图神经网络的时空预测方法的一种优选方案，其中：还包括，获取图信息、时间特征、类别特征、信息融合、预测、训练和微调。
作为本发明所述的基于霍克斯过程与图神经网络的时空预测方法的一种优选方案，其中：所述获取图信息包括，用户节点的邻接矩阵及使用SVD获取的用户节点特征矩阵。
作为本发明所述的基于霍克斯过程与图神经网络的时空预测方法的一种优选方案，其中：所述时间特征包括，过去发生事件的具体时间间隔及发生时间矩阵。
作为本发明所述的基于霍克斯过程与图神经网络的时空预测方法的一种优选方案，其中：所述类别特征包括，过去所有发生事件的类别矩阵。
作为本发明所述的基于霍克斯过程与图神经网络的时空预测方法的一种优选方案，其中：所述信息融合包括，将所述邻接矩阵及特征矩阵输入GCN，将所述GCN的输出与所述类别矩阵、所述时间矩阵相连接。
作为本发明所述的基于霍克斯过程与图神经网络的时空预测方法的一种优选方案，其中：所述预测包括，模拟调用逆方法和蒙特卡洛采样对未来发生的时间类型和时间进行预测。
作为本发明所述的基于霍克斯过程与图神经网络的时空预测方法的一种优选方案，其中：所述训练包括，划分数据集，选取10个事件为一次训练，预测下一个事件发生的事件时间和类别，并通过交叉熵损失函数进行训练。
作为本发明所述的基于霍克斯过程与图神经网络的时空预测方法的一种优选方案，其中：所述微调包括，选取不同的batch size、不同的循环神经网络模型及学习率进行一系列微调，完成最优输出。
本发明的有益效果：本发明通过结合过去发生事件的时间与类型信息对未来的事件发生进行预测，在应用方面，可以对地震以及余震的发生进行预测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例所述的基于霍克斯过程与图神经网络的时空预测方法的流程示意图；
图2为本发明一个实施例所述的基于霍克斯过程与图神经网络的时空预测方法的Astrologer模型示意图；
图3为本发明一个实施例所述的基于霍克斯过程与图神经网络的时空预测方法的Astrologer模型流程示意图；
图4为本发明一个实施例所述的基于霍克斯过程与图神经网络的时空预测方法的图信息聚合展示示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，提供了一种基于霍克斯过程与图神经网络的时空预测方法，包括：
S1：利用霍克斯过程获取离散事件的时间信息。
S2：基于图卷积神经网络获取过去发生事件类别之间的相互影响，将图卷积神经网络的输出与时间信息及事件的类别进行矩阵连接，得到输入数据。
S3：结合逆方法、循环神经网络及其变体对连续时间上的离散事件进行预测。
较佳的，本实施例通过图卷积神经网络和循环神经网络，利用霍克斯过程获取过去发生事件的时间与空间信息，训练图卷积神经网络，获得较好的图邻接信息，通过循环神经网络近似霍克斯过程将其参数形似的条件强度函数转化为非参数形式，并通过参数微调提高预测未来事件的效果。
具体的，本实施例提供的一种基于霍克斯过程与图神经网络的时空预测方法主要包括以下步骤：
获取图信息、时间特征、类别特征、信息融合、预测、训练和微调；
(1)获取图信息包括，用户节点的邻接矩阵及使用SVD获取的用户节点特征矩阵；
(2)时间特征包括，过去发生事件的具体时间间隔及发生时间矩阵；
(3)类别特征包括，过去所有发生事件的类别矩阵；
(4)信息融合包括，将邻接矩阵及特征矩阵输入GCN，将GCN的输出与类别矩阵、时间矩阵相连接；
(5)预测包括，模拟调用逆方法和蒙特卡洛采样对未来发生的时间类型和时间进行预测；
(6)训练包括，划分数据集，选取10个事件为一次训练，预测下一个事件发生的事件时间和类别，并通过交叉熵损失函数进行训练；
(7)微调包括，选取不同的batch size、不同的循环神经网络模型及学习率进行一系列微调，完成最优输出。
本实施例提供的用于连续时间上离散事件的预测方法，设计的模型称做Astrologer，该模型根据过去发生事件的时间以及事件的类型预测未来事件的分布，引入霍克斯过程、逆方法数学理论来描述连续时间上的离散事件，图结构获取与未来时间预测分别使用图卷积神经网络模型和循环神经网络模型，在霍克斯过程条件强度函数部分，为了使模型更具表达能力，将参数化的条件强度函数使用模型的输出去近似，在图结构信息获取阶段，使用了图卷积神经网络，去获取节点之间的相互影响，模拟事件之间的相互影响，使用One-Hot编码将事件类型编码，与时间信息以及获取的图信息聚合，输入模型，采用BPTT训练模型，使用ADMA优化，事件预测器利用softmax激活函数的概率并经过One-Hot机制作为门控来选择当前时刻发生的事件类型；时间使用模拟调用逆方法求下一时间发生的最大期望。
实施例2
参照图2、图3和图4，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于霍克斯过程与图神经网络的时空预测方法的实验测试，具体包括：
参照图2，为Astrologer模型整体框架，右侧显示了图神经Hawkes process单元(GNHP)的详细信息，其中hi-1表示ti-1时刻的隐藏层状态，rt和ut是门控循环单元的复位门与更新门，在图嵌入阶段，本实施例采用2层图卷积神经网络来捕获图形空间特征，在傅立叶域中，图卷积神经网络模型构造了一个滤波器，用于捕获图中节点之间的空间特征，并作用于图的每个节点及其一阶邻域；在获取节点本身及其一阶领域特征后，可以通过堆叠多个团卷积层来构建图卷积神经网络模型。
参照图4，定义节点1是社交网络中的用户，其行为可能会受到人际关系的影响，图4(a)黄色节点表示与节点1的用户有关联的用户节点，图4(b)根据节点1与周围用户之间的拓扑关系，利用图卷积网络获取空间信息，因为图卷积神经网络可以通过拓扑结构的多次卷积获得空间信息，将此方法作为模型的第一个模块，来获取图节点的特征信息。
参照图4，输入的嵌入阶段，来自过去事件的信息包括{yi-1，g，ti-1}作为三元组，第一项是
中节点的one-hot编码，即事件的类型，第二项是从图卷积神经网络学习的空间信息，代表了相应的节点及其特征，最后一项是当前事件的发生时间的嵌入一个独热编码被映射到一个潜在空间中，以通过具有权重矩阵Wem和bem嵌入层使节点的表示更加紧凑和高效，即
节点空间特征和时间特征分别通过权重矩阵Wg和Wt嵌入到公共特征空间RH中。
隐藏层如图2所示，右侧显示了图神经Hawkes process单元(GNHP)的详细信息，其中hi-1表示ti-1时刻的隐藏层状态，rt和ut是门控循环单元的复位门与更新门，当接收到当前输入和hi-1的隐藏状态后执行的计算过程获得隐藏层输出。
条件概率函数给定hi，本实施例近似Hawkes process条件强度函数，以指数函数代替非线性传递函数，以获得非负输出，保证条件强度函数为非负数，hi与权重矩阵的乘积表示过去动态传播的事件发生的时间信息和事件类型的累积影响，它等同于传统强度函数中过去发生事件的影响，即用非线性函数代替固定参数的条件强度函数，并给出Hawkesprocess的事件初始发生强度值。
事件发生时间预测阶段对于具有条件强度函数λ*(t)的Hawkes Process，本实施例重新定义了条件强度函数当本专利获得上一事件发生时间tj和
时，通过调用逆方法进行事件发生时间的预测，给定s～
Exp(1)(即x＝-log(1-u)，u～uniform(0，1))，根据
计算出
例如，给定值α＝0.1，在定理中，可以百分之九十确定
在区间
中，通过以上定理，在本模型中，选择u＝0.5，即区间(0，1)的中间值。
参照图3，参数学习阶段，给定事件序列
的集合，其
通过最大化图3中联合目标函数达到训练参数的目的，为了使目标函数最大化,采用了基于时间的反向传播算法来训练模型，确定基于时间的反向传播(BPTT)的大小b，按照b的次数重复，如图3所示，在每个训练过程中，序列均按b的长度截断，并且每个连续的样本
以通过网络应用前馈操作，并分别更新损失函数的参数，在逐步迭代b次后，模型的参数将在反向传播阶段按顺序更新，同时，输出被馈送到联合损失函数中，该函数包括预测下一事件时间戳的NLL(负对数似然)和预测下一事件类型的交叉熵，本实施例采用mini-batch的自适应矩估计(ADMA)方法来训练神经网络。
表1：模型训练时间与训练时间方差表。
通过评估训练时间的指标，本实施例将模型与一些最新方法进行了比较，结果显示在模型训练时间与训练时间方差表中，本发明方法训练了五次以获得平均训练时间并计算了训练时间的方差，在人工生成数据集中，本发明中的模型在训练时间上比其他最新方法具有更好的性能，在其他数据集中，RMTPP的收敛速度最快但是，Astrologer的时间预测性能RMSE优于RMTPP。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于霍克斯过程与图神经网络的时空预测方法，其特征在于：包括，
利用霍克斯过程获取离散事件的时间信息；
基于图卷积神经网络获取过去发生事件类别之间的相互影响，将所述图卷积神经网络的输出与所述时间信息及事件的类别进行矩阵连接，得到输入数据；
结合逆方法、循环神经网络及其变体对连续时间上的所述离散事件进行预测。
2.根据权利要求1所述的基于霍克斯过程与图神经网络的时空预测方法，其特征在于：还包括，获取图信息、时间特征、类别特征、信息融合、预测、训练和微调。
3.根据权利要求2所述的基于霍克斯过程与图神经网络的时空预测方法，其特征在于：所述获取图信息包括，用户节点的邻接矩阵及使用SVD获取的用户节点特征矩阵。
4.根据权利要求3所述的基于霍克斯过程与图神经网络的时空预测方法，其特征在于：所述时间特征包括，过去发生事件的具体时间间隔及发生时间矩阵。
5.根据权利要求4所述的基于霍克斯过程与图神经网络的时空预测方法，其特征在于：所述类别特征包括，过去所有发生事件的类别矩阵。
6.根据权利要求5所述的基于霍克斯过程与图神经网络的时空预测方法，其特征在于：所述信息融合包括，将所述邻接矩阵及特征矩阵输入图卷积神经网络，将所述图卷积神经网络的输出与所述类别矩阵、所述发生时间矩阵相连接。
7.根据权利要求6所述的基于霍克斯过程与图神经网络的时空预测方法，其特征在于：所述预测包括，模拟调用逆方法和蒙特卡洛采样对未来发生的时间类型和时间进行预测。
8.根据权利要求7所述的基于霍克斯过程与图神经网络的时空预测方法，其特征在于：所述训练包括，划分数据集，选取10个事件为一次训练，预测下一个事件发生的事件时间和类别，并通过交叉熵损失函数进行训练。
9.根据权利要求8所述的基于霍克斯过程与图神经网络的时空预测方法，其特征在于：所述微调包括，选取不同的batch size、不同的循环神经网络模型及学习率进行一系列微调，完成最优输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110432341.6A CN113112004B (zh) | 2021-04-21 | 2021-04-21 | 一种基于霍克斯过程与图神经网络的时空预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110432341.6A CN113112004B (zh) | 2021-04-21 | 2021-04-21 | 一种基于霍克斯过程与图神经网络的时空预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113112004A CN113112004A (zh) | 2021-07-13 |
| CN113112004B true CN113112004B (zh) | 2022-12-06 |
Family
ID=76719202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110432341.6A Active CN113112004B (zh) | 2021-04-21 | 2021-04-21 | 一种基于霍克斯过程与图神经网络的时空预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113112004B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113489744B (zh) * | 2021-07-27 | 2022-05-10 | 哈尔滨工业大学 | 一种基于霍克斯多元过程建模的物联网攻击模式识别方法 |
| CN114187062B (zh) * | 2021-11-10 | 2024-02-20 | 深圳童尔家教育咨询有限公司 | 一种商品购买事件预测方法及装置 |
| CN115528752B (zh) * | 2022-11-22 | 2023-04-21 | 国网浙江省电力有限公司 | 一种微电网群的控制方法及装置 |
| CN117575320B (zh) * | 2023-11-29 | 2024-04-30 | 中国科学院空天信息创新研究院 | 一种基于图卷积神经网络的森林火灾风险预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及系统 |
| CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
| CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033450B (zh) * | 2018-08-22 | 2021-11-05 | 太原理工大学 | 基于深度学习的电梯设备故障预测方法 |
| CN111367961B (zh) * | 2020-02-27 | 2023-03-28 | 西安交通大学 | 基于图卷积神经网络的时序数据事件预测方法、系统及其应用 |
-
2021
- 2021-04-21 CN CN202110432341.6A patent/CN113112004B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及系统 |
| CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
| CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113112004A (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113112004B (zh) | 一种基于霍克斯过程与图神经网络的时空预测方法 | |
| Zhao et al. | Social network dynamics of face-to-face interactions | |
| Wang et al. | Coupled disease–behavior dynamics on complex networks: A review | |
| Cavaliere et al. | Prosperity is associated with instability in dynamical networks | |
| Reneke et al. | Evacuation decision model | |
| EP2672659A2 (en) | Method and device for artificial synthesis of network flow | |
| CN115660147B (zh) | 一种基于传播路径间与传播路径内影响力建模的信息传播预测方法及系统 | |
| CN104657434B (zh) | 一种社交网络结构构建方法 | |
| CN115358485A (zh) | 一种基于图自注意力机制与霍克斯过程的交通流预测方法 | |
| Goldt et al. | Thermodynamic efficiency of learning a rule in neural networks | |
| CN113537613B (zh) | 一种模体感知的时态网络预测方法 | |
| Xiao et al. | Simulating public administration crisis: A novel generative agent-based simulation system to lower technology barriers in social science research | |
| CN116306780B (zh) | 一种动态图链接生成方法 | |
| CN112016701B (zh) | 一种融合时序和属性行为的异常变化检测方法及系统 | |
| CN117591722A (zh) | 一种基于社交网络舆论动力学模型的舆论传播预测方法及系统 | |
| Zhou et al. | A dynamic logistic regression for network link prediction | |
| CN117077771A (zh) | 一种因果关联驱动的航空交通网络波及效应预测方法 | |
| CN115456314B (zh) | 一种大气污染物时空分布预测系统及方法 | |
| CN114912354B (zh) | 一种预测蚊媒传染病风险的方法、装置及介质 | |
| Geng et al. | A LSTM based campus network traffic prediction system | |
| CN109102061A (zh) | 一种符合人类动力学规律的群体用户行为产生系统，设备及存储介质 | |
| CN108665137A (zh) | 一种基于元胞自动机的sis-ca风险传播分析方法 | |
| CN114265954A (zh) | 基于位置与结构信息的图表示学习方法 | |
| Han et al. | Asymptotic dynamics of a stochastic sir epidemic system affected by mixed nonlinear incidence rates | |
| Diaz-Ruelas et al. | Tangent map intermittency as an approximate analysis of intermittency in a high dimensional fully stochastic dynamical system: The Tangled Nature model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |