CN113194493A - 基于图神经网络的无线网络数据缺失属性恢复方法及装置 - Google Patents

基于图神经网络的无线网络数据缺失属性恢复方法及装置 Download PDF

Info

Publication number
CN113194493A
CN113194493A CN202110490184.4A CN202110490184A CN113194493A CN 113194493 A CN113194493 A CN 113194493A CN 202110490184 A CN202110490184 A CN 202110490184A CN 113194493 A CN113194493 A CN 113194493A
Authority
CN
China
Prior art keywords
attribute
graph
matrix
neural network
wireless network
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.)
Granted
Application number
CN202110490184.4A
Other languages
English (en)
Other versions
CN113194493B (zh
Inventor
李文中
郑昕韬
张淋洺
方毓楚
陆桑璐
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.)
Nanjing University
Original Assignee
Nanjing University
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 Nanjing University filed Critical Nanjing University
Priority to CN202110490184.4A priority Critical patent/CN113194493B/zh
Publication of CN113194493A publication Critical patent/CN113194493A/zh
Application granted granted Critical
Publication of CN113194493B publication Critical patent/CN113194493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition
    • 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
    • G06N3/048—Activation functions
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于图神经网络的无线网络数据缺失属性恢复方法及装置。所述方法包括：将无线网络数据映射成对应的拓扑图结构，依次将存在缺失属性的样本数据映射为拓扑图结构中的节点的属性向量；根据节点的属性向量获取拓扑图结构的邻接矩阵；利用图采样算法将拓扑图结构进行简化，得到稀疏化的邻接矩阵；基于属性向量和稀疏化邻接矩阵，利用图神经网络模型进行学习，输出经过重构后恢复的属性向量。本发明方法使用基于图自动编码器的属性恢复框架，采用基于策略梯度的图神经网络学习算法，直接对无线网络数据的属性恢复问题进行建模和学习，充分利用了无线网络数据中相关性，从而提高无线网络数据恢复的属性的性能。

Description

基于图神经网络的无线网络数据缺失属性恢复方法及装置
技术领域
本发明涉及无线网络数据的属性恢复问题，具体涉及一种基于图神经网络的无线网络数据缺失属性恢复方法及装置。
背景技术
机器学习和深度学习在过去几年中取得了巨大的成果，虽然新的技术突破不断出现，但绝大多数监督学习的方法仍然需要具有完整信息的数据集。与此同时，许多现实世界问题仍然需要处理具有不完整信息的数据集，如生物医学或、保险部门或者金融机构。因此，需要将那些不完整的数据集补充完整的操作是机器学习中必不可少的一个基本组成部分。
属性恢复算法的作用对象是一些具有缺失数据的数据集，利用特定的算法将缺失的部分用算法的预测值替代补充，最终得到一个完整数据集。
无线网络数据属性恢复是针对具有无线网络结构的数据集进行的属性恢复，无线网络的数据拥有的属性一般包括无线基站的地理位置、移动终端的地理位置、移动终端的设备信息、移动终端的通信信号强度等等。在一个由大量无线网络设施和移动终端构成的庞大的无线网络环境中，有很多任务的完成需要依赖于无线网络环境中的数据属性，例如无线网络测量对于运营商和研究人员了解网络性能、评估用户的体验质量以及促进基础设施和资源的部署非常重要。无线网络的测量就依赖于这一场景中的无线网络基础设施和移动终端的数据属性，只有获取了完整的数据属性，才可以有效的进行无线网络测量。但是在实际网络环境中，想要获得完整的数据属性基本是不可能的事情，由于无线通信的特点，存在一系列的困难会导致数据属性的缺失，导致无线网络测量任务无法进行。因此，需要进行无线网络数据的属性恢复来补充完整网络的数据集，从而可以有效的支撑接下来的无线网络测量任务。
无线网络数据存在一些和其他样本数据集不一样的地方，这些数据集中的样本数据之间可能存在一定的相关性，这种相关性对无线网络数据的属性恢复带来一定的挑战性，因为需要利用好这种样本数据之间的相关性，这可以为属性恢复的准确性带来帮助，但是如何将这种样本数据之间的相关性应用到属性恢复中去，这是需要思考和解决的问题。
目前在属性恢复算法中，有将属性恢复问题构建为预测任务，以此为基础可以应用标准监督算法的变体，包括K-NN、决策树、支持向量技术等。但K-NN在进行相似特征向量的加权平均方面是有限的，而其他算法则需要建立一个用于计算的数据集的全局模型。
近年来，人们对将深度学习技术应用于属性恢复问题的兴趣激增。其中包括对深度去噪自编码器的多次归入、深度网络与概率混合模型的组合、变分自编码器。一般来说，这些方法能更好地捕获数据中的复杂相关性，因为它们有多层非线性计算，但它们仍然需要从数据集构建一个全局模型，同时忽略来自相似属性的潜在重要贡献。
发明内容
发明目的：针对上述问题，本发明提出一种基于图神经网络的无线网络数据缺失属性恢复方法，能够从根本上解决现有无线网络数据属性恢复算法无法有效利用相关属性信息的依赖性导致恢复属性性能不够高的问题。
本发明的另一目的是提供一种基于图神经网络的无线网络数据缺失属性恢复装置。
技术方案：为了实现以上发明目的，本发明的技术方案如下：
第一方面，提供一种基于图神经网络的无线网络数据缺失属性恢复方法，包括以下步骤：
(1)将存在缺失属性的无线网络数据映射为对应的拓扑图结构的图节点的属性向量，得到拓扑图结构的属性矩阵；
(2)基于拓扑图结构的属性矩阵，利用图结构学习算法获取拓扑图结构的邻接矩阵；
(3)利用图采样算法将拓扑图结构进行简化，得到稀疏化的邻接矩阵；
(4)将拓扑图结构的属性矩阵和稀疏化的邻接矩阵，输入图自动编码器神经网络中，得到重构之后的属性向量，其中图自动编码器神经网络包括编码器和解码器，编码器利用图卷积神经网络对输入向量进行编码，得到中间向量，解码器利用全连接层对中间向量进行解码，输出重构之后的属性向量。
作为一种优选的实施方式，所述方法还包括以下步骤：
(5)根据图自动编码器神经网络输出的重构向量和真实完整属性向量之间的误差，更新图结构学习算法和图自动编码器神经网络中的参数。
第二方面，提供一种基于图神经网络的无线网络数据缺失属性恢复装置，包括：
图结构建立模块，用于将存在缺失属性的无线网络数据映射为对应的拓扑图结构的图节点的属性向量，得到拓扑图结构的属性矩阵；
图结构学习模块，用于基于拓扑图结构的属性矩阵，利用图结构学习算法获取拓扑图结构的邻接矩阵；
图结构采样模块，用于利用图采样算法将拓扑图结构进行简化，得到稀疏化的邻接矩阵；
图自动编码器神经网络模块，用于根据拓扑图结构的属性矩阵和稀疏化的邻接矩阵，利用图自动编码器神经网络得到重构之后的属性向量，其中图自动编码器神经网络模块包括编码器单元和解码器单元，编码器单元利用图卷积神经网络对输入向量进行编码，得到中间向量，解码器单元利用全连接层对中间向量进行解码，输出向量为重构之后的属性向量。
作为优选的实施方式，基于图神经网络的无线网络数据缺失属性恢复装置还包括：学习更新模块，用于根据图自动编码器神经网络输出的重构向量和真实完整属性向量之间的误差，更新图结构学习算法和图自动编码器神经网络中的参数。
有益效果：本发明首次提出使用图神经网络模型来解决无线网络数据的属性恢复问题，利用图自动编码器重构缺失的属性向量，从根本上解决现有无线网络数据属性恢复算法无法有效利用相关属性信息的依赖性导致恢复属性性能不够高的问题。此外，使用图结构自学习算法，采用图结构采样算法，采用基于策略梯度的图神经网络学习算法，直接对无线网络数据的属性恢复问题进行建模和学习，从而提高无线网络数据恢复的属性的性能。
附图说明
图1是基于图神经网络的无线网络数据缺失属性恢复方法的流程图；
图2是根据本发明实施例的图自动编码器神经网络示例图；
图3是基于图神经网络的无线网络数据缺失属性恢复装置结构框图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。应当了解，以下提供的实施例仅是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的技术构思，本发明还可以用许多不同的形式来实施，并且不局限于此处描述的实施例。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。
图1是基于图神经网络的无线网络数据缺失属性恢复方法的流程图，如图所示，本发明提出了一种新的自学习图结构的图自动编码器神经网络模型来解决无线网络数据的属性恢复问题。一种基于图神经网络的无线网络数据缺失属性恢复方法，包括以下步骤：
(1)将存在缺失属性的无线网络数据映射为对应的拓扑图结构的图节点的属性向量，得到拓扑图结构的属性矩阵。
在一个无线网络中，用人工采集的方式来获取用来描述移动终端以及基站的数据，其中包括设备和基站的位置信息数据，例如移动终端以及基站的绝对位置信息，包括经度和纬度，相对位置信息，包括处于室内还是室外、处于哪个房间等等，数据还包括移动终端和基站之间的信号强弱测量数值，基站的使用时间数据等等。这些用来描述无线网络中每个实体情况的数据被定义为每个实体的属性，如果其中某些数据存在空白没有记录，例如某个移动终端和基站之间的信号强弱数值显示空白，则认为这个移动终端的属性存在缺失。在这些描述无线网络的基站以及移动终端的数据中，移动终端以及基站的位置信息数据和移动终端与基站之间的信号强弱数据之间存在明显的关系，如果基站和移动终端的位置信息相近，则移动终端和基站的信号强弱数据就会较大。最后，将无线网络的移动终端和基站映射为图结构中的节点，移动终端和基站所附带的属性即为对应图节点的属性。
对于N份无线网络数据样本，每份样本有D个属性维度的情况，最终得到属性矩阵的维度是N×D。这里所有数据均具有D个属性，例如在一个无线网络中，每个移动终端都具有设备号、设备经度数值、设备维度数值以及设备信号强弱数值这四个属性维度，则关于移动终端数据的属性矩阵维度为N×4。应当理解，此处举例仅是说明的作用，而不是限制本发明的数据仅是四个属性维度，对于不同测量目的获取的数据，可以有其他不同的相应属性。
(2)基于拓扑图结构的属性矩阵，利用图结构学习算法获取拓扑图结构的邻接矩阵。
图结构学习算法根据设定的自学习拓扑图结构公式来实现，利用需要学习的转换矩阵，将属性矩阵转换到潜在空间中，再计算属性向量在潜在空间中的空间距离，得到一个可以反应图节点属性向量相关性的关于拓扑图结构的邻接矩阵。
其中转换矩阵是两个参数矩阵，需要通过学习来确定最佳参数取值，在学习之初可以随机初始化，在学习阶段完成之后应用中可以直接使用确定的最佳参数取值。两个转换矩阵分别将属性矩阵映射为在潜在空间中不同的矩阵。令属性矩阵为X，设两个需要学习的转换矩阵分别为Θ1和Θ2，将属性矩阵转换到潜在空间中的转换公式为Si＝tanh(XΘi),i＝1,2。
计算拓扑图结构的邻接矩阵的公式为：
Figure BDA0003051633210000051
其中，Θ1和Θ2是整个端到端模型中统一需要经过训练得到的转换参数，通过这两个参数将原始的属性矩阵X分别变化成新的矩阵S1和S2，通过这两个新矩阵的矩阵乘法，可以得到两两向量之间的内积，即两个向量的空间距离，进行减法的目的是为了得到一个异构的邻接矩阵。
(3)利用图采样算法将拓扑图结构进行简化，得到稀疏化的邻接矩阵。
图采样算法中，设定采样次数，计算每个节点应该保留的边，保留的方式是将节点对应的邻接矩阵中的行向量按照从大到小排序，得到相应的索引值，只保留和采样次数相同个数的最大元素，其余的元素置为零。
进行图采样的原因是：经过自学习图结构得到的图邻接矩阵会过于密集，其中可能会包含大量接近0的元素如果将这些元素保留，将导致拓扑图结构过于复杂，使得每个节点都拥有大量的邻域节点，这就可能造成不同节点的邻域节点会存在大量相同的节点，当节点的邻域节点无法体现出局部特性时，图神经网络模型的效果就会大打折扣。因为当太多的邻域节点参加卷积时，那些权重值小对应的节点将减少重要的邻居节点对中心节点的影响，卷积的结果往往会使多数节点的嵌入向量趋于一致，此外密集的邻接矩阵也会消耗大量的计算成本。需要降低邻接矩阵的密集程度，这不仅有助于降低图卷积操作的时间成本，而且可以减少无关节点对中心节点的干扰，增强中心节点上关键邻居节点的卷积作用。本发明图结构的采样算法中，对于每个节点，保留邻接矩阵中权重最大的K个节点作为中心节点的邻域节点。在邻接矩阵中每一行向量只保留K个元素，其他的元素设置为零。K的取值范围在2至6。
本发明实施例的图结构采样算法如下：
Figure BDA0003051633210000061
该算法的主要步骤是：对于邻接矩阵中的每一行向量，统计该行向量中最大的K个元素，并保留这K个元素的数值不动，将其余N-K个元素的数值设置为0，以此类推对每一行进行这样的操作，最终得到一个新的邻接矩阵，为稀疏化的邻接矩阵。
(4)将拓扑图结构的属性矩阵和稀疏化的邻接矩阵，输入图自动编码器神经网络中，得到重构之后的属性向量。
在获得了稀疏化的邻接矩阵以后，需要利用现有的图节点的属性矩阵和邻接矩阵来构建图自动编码器神经网络模块。本发明实施例的图自动编码器神经网络如图3所示，为了描述的方便，下文中图自动编码器神经网络也称为模型。模型分为编码器和解码器两个部分，编码器对输入向量(包括节点的属性矩阵以及稀疏化之后的邻接矩阵)进行编码，从而得到属于节点的中间状态的隐藏向量，为了提取图结构的空间信息，模型会利用图卷积神经网络来构建编码器，从而使得节点在编码的过程中，可以充分集成邻域节点的信息。其中编码器定义为：
Figure BDA0003051633210000062
其中，σ、W分别是激活函数和需要在端到端模型中经过训练的参数，
Figure BDA0003051633210000063
I表示单位矩阵，
Figure BDA0003051633210000064
是根据
Figure BDA0003051633210000065
得到的相应的度矩阵。编码器根据该公式，将度矩阵和邻接矩阵作用后与属性矩阵相乘，再乘以一个参数矩阵得到最终的矩阵H，矩阵H就是编码器编码的结果。
在获得节点的中间状态向量以后，需要利用解码器来将包含缺失属性的中间向量重构成节点的属性向量，利用一个全连接层来构建解码器。在解码器部分，会将得到的矩阵H输入到全连接神经网络中，通过两层隐藏层神经元的参数作用以及激活函数的作用，将矩阵H变化成和原始属性矩阵维度一致，但已经将其中缺失位置的元素填补完整的重构属性矩阵。
本实施例中神经网络的具体参数为：在编码器中，图卷积神经网络有一个隐藏层，神经元的个数范围在16个至64个，每个神经元使用ReLU激活函数，解码器中，全连接神经网络有两个隐藏层，神经元的个数同样是16个至64个，每个神经元使用ReLU激活函数。神经网络的学习速率＝0.001。
本发明在现有技术的基础上，首次提出利用学习参数来构建可以为缺失属性恢复提供更好支撑的稀疏化的邻接矩阵，用一种新的角度来解决缺失属性恢复的问题，利用图自动编码的框架来重新定义属性的恢复过程，并且在编码过程中改进了编码的公式，引入了经过学习的邻接矩阵，可以从根本上解决现有无线网络数据属性恢复算法无法有效利用相关属性信息的依赖性导致恢复属性性能不够高的问题。
(5)根据图自动编码器神经网络输出的重构向量和真实完整属性向量之间的误差，更新图结构学习算法和图自动编码器神经网络中的参数。
利用重构节点向量和真实完整属性向量进行损失函数误差计算，计算误差梯度，将梯度反向传播，更新图自动编码器神经网络中的解码器和编码器网络参数，再进一步更新自学习网络结构的学习参数。循环进行上述过程，直到误差达到最优化的数值。
根据本发明的另一实施例，如图3所示，提出一种基于图神经网络的无线网络数据缺失属性恢复装置，主要包括图构建模块、图结构学习模块、图结构采样模块、图自动编码器神经网络模块以及学习更新模块。
图构建模块用于将存在缺失属性的无线网络数据映射为对应的拓扑图结构的图节点的属性向量，得到拓扑图结构的属性矩阵。对于N份无线网络数据样本，每份样本有D个属性维度的情况，最终得到属性矩阵的维度是N×D。
图结构学习模块可以自学习无线网络数据的拓扑图结构，包括从无线网络数据中提取邻接矩阵，邻接矩阵中的元素带有学习得到的权重值，可以有效地反映邻域节点对中心节点的重要性，这就允许后续的图自动编码器神经网络模块可以根据邻域节点的重要性来集成邻域节点的信息。具体地，图结构学习模块根据设定的自学习拓扑图结构公式，利用转换矩阵将属性矩阵转换到潜在空间中，再计算属性向量在潜在空间中的空间距离，得到一个能够反应图节点属性向量相关性的关于拓扑图结构的邻接矩阵。其中将属性矩阵转换到潜在空间中的计算方式为：Si＝tanh(XΘi),i＝1,2，Θi为转换矩阵，一共有两个转换矩阵，X为属性矩阵。计算拓扑图结构的邻接矩阵的公式为：
Figure BDA0003051633210000081
S1和S2分别为利用转换矩阵Θ1和Θ2对属性矩阵X变化后得到的新矩阵。
图采样模块将基于学习得到的带权重的邻接矩阵，根据权重值对每个节点的邻域节点进行采样，得到相对稀疏的图结构，目的是为了减少相对不重要的邻域节点对中心节点的属性恢复的干扰。具体地，图采样模块根据预设采样次数计算每个节点应该保留的边，保留的方式是将节点对应的邻接矩阵中的行向量按照从大到小排序，得到相应的索引值，只保留和采样次数相同个数的最大元素，其余的元素置为零。
图自动编码器神经网络模块使用图卷积神经网络来构建编码器部分以及解码器部分，分别获取节点编码后的中间向量和解码后的重构向量。具体地，图自动编码器神经网络编码器形式如下：
Figure BDA0003051633210000082
其中，σ表示激活函数，A为拓扑图结构的邻接矩阵，D为数据的属性维度，
Figure BDA0003051633210000083
I表示单位矩阵，
Figure BDA0003051633210000084
是根据
Figure BDA0003051633210000085
得到的相应的度矩阵，X为属性矩阵，W为神经网络模型参数，解码器采用两层隐藏层的全连接神经网络。
在得到重构的向量之后，学习更新模块通过预先定义的一个无监督的重建误差损失函数，计算原始节点属性和恢复的节点属性之间的误差大小，经过梯度下降算法，将梯度反向传播，训练优化整个模型框架中需要学习的参数。
应当理解，本实施中提出的图神经网络的无线网络数据缺失属性恢复装置，可以实现上述方法实施例中的全部技术方案，其各个功能模块的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述实施例中的相关描述，此处不再赘述。
基于与方法实施例相同的技术构思，根据本发明的另一实施例，提供一种计算机设备，所述设备包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现方法实施例中的各步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，该方法包括以下步骤：
(1)将存在缺失属性的无线网络数据映射为对应的拓扑图结构的图节点的属性向量，得到拓扑图结构的属性矩阵；
(2)基于拓扑图结构的属性矩阵，利用图结构学习算法获取拓扑图结构的邻接矩阵；
(3)利用图采样算法将拓扑图结构进行简化，得到稀疏化的邻接矩阵；
(4)将拓扑图结构的属性矩阵和稀疏化的邻接矩阵，输入图自动编码器神经网络中，得到重构之后的属性向量，其中图自动编码器神经网络包括编码器和解码器，编码器利用图卷积神经网络对输入向量进行编码，得到中间向量，解码器利用全连接层对中间向量进行解码，输出重构之后的属性向量。
2.根据权利要求1所述的一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，所述步骤(1)中属性矩阵的维度是N×D，其中N是无线网络数据的数据数目，D是数据的属性维度。
3.根据权利要求1所述的一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，所述步骤(2)中图结构学习算法根据设定的自学习拓扑图结构公式，利用转换矩阵将属性矩阵转换到潜在空间中，再计算属性向量在潜在空间中的空间距离，得到一个能够反应图节点属性向量相关性的关于拓扑图结构的邻接矩阵。
4.根据权利要求3所述的一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，其中将属性矩阵转换到潜在空间中的计算方式为：Si＝tanh(XΘi),i＝1,2，Θi为转换矩阵，一共有两个转换矩阵，X为属性矩阵。
5.根据权利要求4所述的一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，其中计算拓扑图结构的邻接矩阵的公式为：
Figure FDA0003051633200000011
S1和S2分别为利用转换矩阵Θ1和Θ2对属性矩阵X变化后得到的新矩阵。
6.根据权利要求1所述的一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，所述步骤(3)中图采样算法根据预设采样次数计算每个节点应该保留的边，保留的方式是将节点对应的邻接矩阵中的行向量按照从大到小排序，得到相应的索引值，只保留和采样次数相同个数的最大元素，其余的元素置为零。
7.根据权利要求1所述的一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，所述步骤(4)中图自动编码器神经网络编码器形式如下：
Figure FDA0003051633200000021
其中，σ表示激活函数，A为拓扑图结构的邻接矩阵，D为数据的属性维度，
Figure FDA0003051633200000022
I表示单位矩阵，
Figure FDA0003051633200000023
是根据
Figure FDA0003051633200000024
得到的相应的度矩阵，X为属性矩阵，W为神经网络模型参数，解码器采用两层隐藏层的全连接神经网络。
8.根据权利要求1所述的一种基于图神经网络的无线网络数据缺失属性恢复方法，其特征在于，所述方法还包括：(5)根据图自动编码器神经网络输出的重构向量和真实完整属性向量之间的误差，更新图结构学习算法和图自动编码器神经网络中的参数。
9.一种基于图神经网络的无线网络数据缺失属性恢复装置，其特征在于，包括：
图结构建立模块，用于将存在缺失属性的无线网络数据映射为对应的拓扑图结构的图节点的属性向量，得到拓扑图结构的属性矩阵；
图结构学习模块，用于基于拓扑图结构的属性矩阵，利用图结构学习算法获取拓扑图结构的邻接矩阵；
图结构采样模块，用于利用图采样算法将拓扑图结构进行简化，得到稀疏化的邻接矩阵；
图自动编码器神经网络模块，用于根据拓扑图结构的属性矩阵和稀疏化的邻接矩阵，利用图自动编码器神经网络得到重构之后的属性向量，其中图自动编码器神经网络模块包括编码器单元和解码器单元，编码器单元利用图卷积神经网络对输入向量进行编码，得到中间向量，解码器单元利用全连接层对中间向量进行解码，输出向量为重构之后的属性向量。
10.根据权利要求9所述的基于图神经网络的无线网络数据缺失属性恢复装置，其特征在于，还包括：学习更新模块，用于根据图自动编码器神经网络输出的重构向量和真实完整属性向量之间的误差，更新图结构学习算法和图自动编码器神经网络中的参数。
CN202110490184.4A 2021-05-06 2021-05-06 基于图神经网络的无线网络数据缺失属性恢复方法及装置 Active CN113194493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110490184.4A CN113194493B (zh) 2021-05-06 2021-05-06 基于图神经网络的无线网络数据缺失属性恢复方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110490184.4A CN113194493B (zh) 2021-05-06 2021-05-06 基于图神经网络的无线网络数据缺失属性恢复方法及装置

Publications (2)

Publication Number Publication Date
CN113194493A true CN113194493A (zh) 2021-07-30
CN113194493B CN113194493B (zh) 2023-01-06

Family

ID=76983711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110490184.4A Active CN113194493B (zh) 2021-05-06 2021-05-06 基于图神经网络的无线网络数据缺失属性恢复方法及装置

Country Status (1)

Country Link
CN (1) CN113194493B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988464A (zh) * 2021-11-17 2022-01-28 国家电网有限公司客户服务中心 基于图神经网络的网络链路属性关系预测方法及设备
CN114611590A (zh) * 2022-03-01 2022-06-10 浙江大学 一种基于图神经网络的电力系统缺失数据重建方法及系统
CN114662204A (zh) * 2022-04-07 2022-06-24 清华大学 基于图神经网络的弹性杆系结构体系数据处理方法及装置
CN115801549A (zh) * 2023-01-28 2023-03-14 中国人民解放军国防科技大学 基于关键节点识别的自适应网络恢复方法、装置及设备
CN117557118A (zh) * 2023-11-13 2024-02-13 国网江苏省电力有限公司镇江供电分公司 基于机器学习的ups系统供电拓扑图生成方法
CN118039003A (zh) * 2024-01-10 2024-05-14 浙江大学 基于分布与图卷积的高炉数字孪生系统硅含量预测方法
CN118409734A (zh) * 2024-06-27 2024-07-30 之江实验室 一种基于数据流的稀疏矩阵运算编程方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717617A (zh) * 2019-09-09 2020-01-21 广东工业大学 一种基于深度图网络自编码器的无监督关系预测方法
CN110781406A (zh) * 2019-10-14 2020-02-11 西安交通大学 一种基于变分自动编码器的社交网络用户多属性推断方法
CN111950594A (zh) * 2020-07-14 2020-11-17 北京大学 基于子图采样的大规模属性图上的无监督图表示学习方法和装置
CN112567355A (zh) * 2018-09-04 2021-03-26 北京京东尚科信息技术有限公司 用于知识库补全的端到端的结构感知卷积网络

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112567355A (zh) * 2018-09-04 2021-03-26 北京京东尚科信息技术有限公司 用于知识库补全的端到端的结构感知卷积网络
CN110717617A (zh) * 2019-09-09 2020-01-21 广东工业大学 一种基于深度图网络自编码器的无监督关系预测方法
CN110781406A (zh) * 2019-10-14 2020-02-11 西安交通大学 一种基于变分自动编码器的社交网络用户多属性推断方法
CN111950594A (zh) * 2020-07-14 2020-11-17 北京大学 基于子图采样的大规模属性图上的无监督图表示学习方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAN ZHANG等: "ReLeS: A Neural Adaptive Multipath Scheduler based on Deep Reinforcement Learning", 《IEEE INFOCOM 2019 - IEEE CONFERENCE ON COMPUTER COMMUNICATIONS》 *
郑昕韬: "基于图神经网络的网络属性预测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988464A (zh) * 2021-11-17 2022-01-28 国家电网有限公司客户服务中心 基于图神经网络的网络链路属性关系预测方法及设备
CN114611590A (zh) * 2022-03-01 2022-06-10 浙江大学 一种基于图神经网络的电力系统缺失数据重建方法及系统
CN114662204A (zh) * 2022-04-07 2022-06-24 清华大学 基于图神经网络的弹性杆系结构体系数据处理方法及装置
CN115801549A (zh) * 2023-01-28 2023-03-14 中国人民解放军国防科技大学 基于关键节点识别的自适应网络恢复方法、装置及设备
CN115801549B (zh) * 2023-01-28 2023-06-16 中国人民解放军国防科技大学 基于关键节点识别的自适应网络恢复方法、装置及设备
CN117557118A (zh) * 2023-11-13 2024-02-13 国网江苏省电力有限公司镇江供电分公司 基于机器学习的ups系统供电拓扑图生成方法
CN118039003A (zh) * 2024-01-10 2024-05-14 浙江大学 基于分布与图卷积的高炉数字孪生系统硅含量预测方法
CN118409734A (zh) * 2024-06-27 2024-07-30 之江实验室 一种基于数据流的稀疏矩阵运算编程方法及装置
CN118409734B (zh) * 2024-06-27 2024-10-11 之江实验室 一种基于数据流的稀疏矩阵运算编程方法及装置

Also Published As

Publication number Publication date
CN113194493B (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
CN113194493B (zh) 基于图神经网络的无线网络数据缺失属性恢复方法及装置
US20210133536A1 (en) Load prediction method and apparatus based on neural network
CN109344992B (zh) 一种融合时空因素的智能家居用户操控行为习惯建模方法
CN112766600B (zh) 一种城市区域人群流量预测方法及系统
CN116030537B (zh) 基于多分支注意力图卷积的三维人体姿态估计方法
CN115759413B (zh) 一种气象预测方法、装置、存储介质及电子设备
CN117454495B (zh) 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置
CN115545334B (zh) 土地利用类型预测方法、装置、电子设备及存储介质
CN115001937B (zh) 面向智慧城市物联网的故障预测方法及装置
CN116401949A (zh) 分布式光伏资源出力曲线推演方法、系统、设备及介质
CN115758643A (zh) 一种基于时空特征融合的网络流量预测方法、装置及存储介质
CN117634554A (zh) 基于空间信息融合的时空深度学习径流预测方法及系统
CN117853596A (zh) 无人机遥感测绘方法及系统
CN115604131B (zh) 一种链路流量预测方法、系统、电子设备及介质
CN116826734A (zh) 一种基于多输入模型的光伏发电功率预测方法及装置
CN110020379B (zh) 一种基于深度动态网络嵌入表示模型的链路预测方法
CN116303961A (zh) 基于多跳组合图指纹网络的知识图谱问答方法及系统
CN115544307A (zh) 基于关联矩阵的有向图数据特征提取与表达方法和系统
CN114445692A (zh) 图像识别模型构建方法、装置、计算机设备及存储介质
CN113360772A (zh) 一种可解释性推荐模型训练方法与装置
CN112132230A (zh) 图像分类方法及装置
CN118279113B (zh) 一种基于大模型的数智社会公共服务管理方法及系统
CN118114057B (zh) 模型训练方法、径流预测方法、电子设备和存储介质
CN118393973B (zh) 一种自动驾驶控制方法、装置、系统、设备及存储介质
CN117939518A (zh) 适应于基站的移动网络使用数据预测方法及装置

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