CN115018073A - 一种基于图神经网络的时空感知信息预测方法和系统 - Google Patents

一种基于图神经网络的时空感知信息预测方法和系统 Download PDF

Info

Publication number
CN115018073A
CN115018073A CN202210947851.1A CN202210947851A CN115018073A CN 115018073 A CN115018073 A CN 115018073A CN 202210947851 A CN202210947851 A CN 202210947851A CN 115018073 A CN115018073 A CN 115018073A
Authority
CN
China
Prior art keywords
data
time
space
neural network
perception
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.)
Pending
Application number
CN202210947851.1A
Other languages
English (en)
Inventor
陈红阳
胡炳洋
亓庆国
李朝
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202210947851.1A priority Critical patent/CN115018073A/zh
Priority to PCT/CN2022/117196 priority patent/WO2024031763A1/zh
Publication of CN115018073A publication Critical patent/CN115018073A/zh
Priority to US17/990,617 priority patent/US20240054339A1/en
Priority to EP22212444.8A priority patent/EP4322060A1/en
Priority to JP2022203634A priority patent/JP7498764B2/ja
Pending legal-status Critical Current

Links

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
    • G06N3/08—Learning methods
    • 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
    • G06N3/09—Supervised learning
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Analytical Chemistry (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于图神经网络的时空感知信息预测方法和系统，包括以下步骤：步骤S1：构建感知数据监测网络，并通过所述感知数据监测网络中的数据采集节点获取原始感知数据；步骤S2：对所述原始感知数据进行预处理并转化为时空图感知数据；步骤S3：构建图神经网络模型，并利用所述时空图感知数据对所述图神经网络模型的参数进行训练；步骤S4：对训练好的图神经网络模型输入给定时空图感知数据并输出预测值，当预测值超出预设阈值，则发送预警信息。本发明将原始感知数据转化成时空图感知数据，使用图神经网络模型对感知数据中时间空间特征进行充分挖掘时空特征信息，提高对未来发生事物的时空特征信息进行预测的准确性。

Description

一种基于图神经网络的时空感知信息预测方法和系统
技术领域
本发明涉及一种深度学习技术领域，尤其涉及一种基于图神经网络的时空感知信息预测方法和系统。
背景技术
随着科技的不断发展进步，世界万物的信息皆有可能通过监测设备被感知，我们把这类信息称之为感知数据。比如，地震的监测感知便是其中典型之一，因为地震是对人类社会生命健康财产安全产生威胁最大，同时又是最难以预测的自然灾害之一。据相关统计，全球平均每年发生高达500多万次地震，其中又有约数十次会对人类造成严重灾害，给社会经济发展、安全秩序、生态环境等带来巨大冲击。此外，社会交通流量监测数据也是最常见的感知数据之一，其不仅影响着人们日常出行中的路径规划，行程时间等方面，也对社会交通管理调控具有重要意义。因此，能够最大程度地对地震数据、交通数据这些为代表的感知数据进行数据挖掘分析，在此基础上进行未来时间内的数据预测，无论是对人类社会在应对地震等中带灾害威胁，能否做出有效应急部署管理，或者对日常交通出行等生活常事进行合理安排和指导甚至管控，都具有重要的研究价值。
一般来说，海量的感知数据记录了某一事物在不同时间点和不同位置的特征信息，因此感知数据蕴含了大量的时空特征信息。因此通过历史感知数据，对未来有可能发生的事物进行预测，主要在于预测未来可能发生事物的时空特征信息，通俗的说便是指对未来一段时间内是否可能发生的事物进行预测，并较为准确地预测出事物的发生时间、地点等主要特征信息。众所周知，统计法是一种典型的通过对大量数据进行数学建模，从而预测未来事物的方法。得益于统计法天然的数学建模属性和近年来人工智能技术的飞速发展，已有越来越多的研究人员将机器学习、深度学习等方法运用于地震、交通等这类感知数据的建模中来，希望利用这些模型，去更加充分地发掘感知数据之间的潜在联系，提取相关特征，找到一些事物发生的一些内在规律，从而提高预测分析的精确度。研究者从初期开始使用支持向量机（Support Vector Machine, SVM）等机器学习分类模型去区分感知数据的简单特征，到后期使用循环神经网络（Recurrent Neural Network, RNN）等深度学习模型，去进一步发掘感知数据发生时间序列中的内在联系，但是这些方法都忽略了这类感知数据，在空间上的天然相关联系。事实上，对任何一种尝试对地震、交通这类感知数据进行有效预测的方法而言，除了时间相关性之外，空间相关性信息应该都是不可忽略的重要信息。但遗憾的是，目前同时利用感知数据中的时间和空间信息特征的预测方法还不是很常见，尤其是在深度学习预测模型中的也缺乏相关信息的利用，因此发明一种基于感知数据时间和空间特性，对未来发生事物的时空特征信息进行预测的方法及系统尤为重要。
为此，我们提出一种基于图神经网络的时空感知信息预测方法和系统。
发明内容
本发明为了解决上述技术问题，提供一种基于图神经网络的时空感知信息预测方法和系统。
本发明采用的技术方案如下：
一种基于图神经网络的时空感知信息预测方法，包括以下步骤：
步骤S1：构建感知数据监测网络，并通过所述感知数据监测网络中的数据采集节点获取原始感知数据；
步骤S2：对所述原始感知数据进行预处理并转化为时空图感知数据；
步骤S3：构建图神经网络模型，并利用所述时空图感知数据对所述图神经网络模型的参数进行训练；
步骤S4：对训练好的图神经网络模型输入给定时空图感知数据并输出预测值，当预测值超出预设阈值，则发送预警信息。
进一步地，所述步骤S1中构建感知数据监测网络包括以下两种构建方式：真实感知数据监测网络构建或虚拟感知数据监测网络构建。
进一步地，所述真实感知数据监测网络构建具体包括通过若干个由数据监测仪和通信网络模块构成的数据采集节点组成，每个所述数据采集节点按照预设距离、等间距、呈矩阵状排列在监测区域，所述数据采集节点对当前区域监测收集数据，并使用统一格式表示数据特征信息。
进一步地，所述虚拟感知数据监测网络构建具体包括对监测区域进行坐标网格划分，获得若干个网格区域，每个所述网格区域对应虚拟出一个虚拟数据采集节点，将其他数据源记录的历史感知数据根据每条所述历史感知数据的发生位置划分到相应的所述网格区域中，并将所述历史感知数据视为所述网格区域对应虚拟数据采集节点所记录的原始感知数据。
进一步地，所述步骤S2中所述预处理的过程具体包括对所述原始感知数据进行时间切片，并按照时间记录顺序处理成为矩阵序列，所述矩阵序列中每个元素与所述数据采集节点对应，每个元素在所述矩阵序列中的排列位置对应所述数据采集节点在所述感知数据监测网络中的空间特征信息，每个元素在所述矩阵序列中的值对应所述数据采集节点在当前时刻所述感知数据监测网络中的时间特征信息，则含有上述空间特征信息和所述时间特征信息的矩阵序列便构成时空图感知数据。
进一步地，所述矩阵序列构成时空图：
Figure 269137DEST_PATH_IMAGE001
，Vt表示t时刻数据采集节点的集合，每个数据采集节点的特征表示数据采集节点所记录的感知数据的特征信息；E表示边集，每条边表示两两数据采集节点之间的关系；W表示邻接矩阵，记录边集中每条边的权重。
进一步地，所述邻接矩阵为：
Figure 836384DEST_PATH_IMAGE002
，
其中，
Figure 993696DEST_PATH_IMAGE003
表示数据采集节点i和数据采集节点j各自所处位置间相关程度，数值范围为0-1之间，dij表示数据采集节点i和数据采集节点j之间的距离，
Figure 911974DEST_PATH_IMAGE004
和
Figure 45890DEST_PATH_IMAGE005
用于调整邻接矩阵W的分布和稀疏度。
进一步地，所述步骤S3中所述图神经网络模型包括输入层、时空图卷积模块和输出层；其中所述时空图卷积模块由两个时域卷积模块和一个空域卷积模块夹在中间组成，所述输出层由一个时域卷积模块和一个全连接层组成。
进一步地，所述图神经网络模型中所述时域卷积模块具体实现如下：将输入分为两路，两路经过一维卷积后，一路进行sigmod操作，另一路与残差进行相加操作，最终两路结果经过哈达玛积输出；具体为输入时空图数据
Figure 733223DEST_PATH_IMAGE006
沿着时间维度进行一维卷积，M表示时空图一共有M个时刻，n表示监测区域一共有n个数据采集节点，Ci表示数据采集节点记录特征的维度；时域卷积核大小
Figure 61436DEST_PATH_IMAGE007
，个数为2Co个，则时域卷积模块的输出时空图
Figure 201430DEST_PATH_IMAGE008
，即得到
Figure 906081DEST_PATH_IMAGE009
个时刻对应的图数据
Figure 447921DEST_PATH_IMAGE010
。
进一步地，所述图神经网络模型中所述空域卷积模块具体实现为对输入进行图卷积操作，获取空间特征信息并输出；具体为将所述时空图卷积模块中第一个时域卷积模块输出的时空图上每一时刻的对应的图数据作为输入
Figure 947035DEST_PATH_IMAGE011
按照切比雪夫近似进行图卷积，图卷积时选择空域卷积核大小
Figure 574326DEST_PATH_IMAGE012
，其中K=2，卷积核个数为Ci个，因此空域卷积模块的输出
Figure 52974DEST_PATH_IMAGE013
。
进一步地，所述图神经网络模型中所述时空图感知数据通过时空图卷积模块时，依次通过时域卷积模块、空域卷积模块、时域卷积模块，所述时空图感知数据每通过一次所述时域卷积模块，时间维度将减小(Kt-1)，因此，当空域卷积模块的输出再次输入第二个时域卷积模块后，在时间维度的长度减小2(Kt-1)，最终得到整个时空图卷积模块的输出为
Figure 714899DEST_PATH_IMAGE014
。
进一步地，所述图神经网络模型中所述时空图卷积模块的输出最后通过输出层，依次通过一个时域卷积模块和一个全连接层，该时域卷积模块的卷积核大小
Figure 384915DEST_PATH_IMAGE015
，个数为Co个，通过该时域卷积模块后输出
Figure 499502DEST_PATH_IMAGE016
，全连接层
Figure 280376DEST_PATH_IMAGE017
，其中参数
Figure 531229DEST_PATH_IMAGE018
，
Figure 372146DEST_PATH_IMAGE019
，最终输出预测值
Figure 974028DEST_PATH_IMAGE020
；在训练图神经网络模型时，选择损失函数为预测值
Figure 293014DEST_PATH_IMAGE021
和真实值
Figure 428067DEST_PATH_IMAGE022
的距离度量：
Figure 174306DEST_PATH_IMAGE023
；训练过程中，将训练数据分批次输入至模型，通过逐步调整模型参数，使得所述损失函数在训练集上逐步减小，直至收敛，或者损失函数的值低于设置的阈值，从而停止训练，得到最终的图神经网络模型。
本发明还提供一种基于图神经网络的时空感知信息预测系统，包括：
感知数据监测网络模块，用于构建感知数据监测网络，并利用所述感知数据监测网络获取原始感知数据；
感知数据预处理模块，用于对原始感知数据进行时间切片，并按照时间记录顺序处理成为矩阵序列形式，含有空间特征信息和时间特征信息的矩阵序列构成时空图感知数据；
基于图神经网络融合感知数据的时空特征信息预测分析模块，用于利用所述时空图感知数据对所述图神经网络模型的参数进行训练，得到训练好的图神经网络模型；
感知数据预测模块，用于对训练好的图神经网络模型输入给定时空图感知数据，预测未来一段时间内时空图感知数据
Figure 997906DEST_PATH_IMAGE024
，
Figure 386162DEST_PATH_IMAGE024
使用矩阵序列形式描述，其中
Figure 346028DEST_PATH_IMAGE025
表示未来某一时刻，是时间信息；矩阵各个元素位置元素对应数据采集节点所在区域，是空间信息；元素的值表示具体特征信息，从而详细描述所预测未来事物的时空特征信息，当预测某一时刻某一区域具体特征信息超出预设阈值，则向该区域发送预警信息。
本发明还提供一种基于图神经网络的时空感知信息预测装置，通过如下设备进行部署使用，包括感知数据监测仪器、网络通信设备、存储器、处理器、显示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软件程序，所述感知数据监测仪和所述网络通信设备构建感知数据监测网络，并将感知数据监测网络获得数据存储在所述存储器中，以及所述处理器执行所述计算机软件程序实现上述实施例任一项所述一种基于图神经网络的时空感知信息预测方法，和所述显示器对所述处理器执行所述计算机软件程序获得数据结果进行可视化展示。
本发明还提供一种计算机软件程序，通过计算机软件程序的形式实现了上述实施例任一项所述一种基于图神经网络的时空感知信息预测方法，被部署在处理器中或者云端服务器。
本发明的有益效果是：本发明提供了一种基于图神经网络的时空感知信息预测方法和系统，并且创新性地将原始感知数据转化成时空图感知数据，从而将感知数据中蕴含的时间、空间相关性联合纳入考虑，并使用图神经网络对感知数据中时间空间特征信息进行充分挖掘，提高对未来发生事物的时空特征信息进行预测的准确性。该发明通过合理使用最新的图神经网络模型，具有较好的泛化能力和自我学习能力。本发明用于地震、交通这类感知数据预测时，具有较好的准确性。
附图说明
图1为本发明一种基于图神经网络的时空感知信息预测方法的流程示意图；
图2为本发明图神经网络模型的模型结构框图；
图3为本发明应用于实施例1中地震感知数据分布图及虚拟感知数据监测网络节点划分示意图；
图4为本发明应用于实施例1地震感知数据的系统结构框图；
图5为本发明应用于实施例1地震感知数据的系统部署示意图；
图6为本发明应用于实施例2中交通感知数据监测网络示意图；
图7为本发明应用于实施例2交通感知数据的系统结构框图；
图8为本发明应用于实施例2交通感知数据的系统部署示意图；
图9为本发明一种基于图神经网络的时空感知信息预测装置的结构示意图。
具体实施方式
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，一种基于图神经网络的时空感知信息预测方法，包括以下步骤：
步骤S1：构建感知数据监测网络，并通过所述感知数据监测网络中的数据采集节点获取原始感知数据；
构建感知数据监测网络包括以下两种构建方式：真实感知数据监测网络构建或虚拟感知数据监测网络构建。
所述真实感知数据监测网络构建具体包括通过若干个由数据监测仪和通信网络模块构成的数据采集节点组成，每个所述数据采集节点按照预设距离、等间距、呈矩阵状排列在监测区域，所述数据采集节点对当前区域监测收集数据，并使用统一格式表示数据特征信息。
所述虚拟感知数据监测网络构建具体包括对监测区域进行坐标网格划分，获得若干个网格区域，每个所述网格区域对应虚拟出一个虚拟数据采集节点，将其他数据源记录的历史感知数据根据每条所述历史感知数据的发生位置划分到相应的所述网格区域中，并将所述历史感知数据视为所述网格区域对应虚拟数据采集节点所记录的原始感知数据。
步骤S2：对所述原始感知数据进行预处理并转化为时空图感知数据；
所述预处理的过程具体包括对所述原始感知数据进行时间切片，并按照时间记录顺序处理成为矩阵序列，所述矩阵序列中每个元素与所述数据采集节点对应，每个元素在所述矩阵序列中的排列位置对应所述数据采集节点在所述感知数据监测网络中的空间特征信息，每个元素在所述矩阵序列中的值对应所述数据采集节点在当前时刻所述感知数据监测网络中的时间特征信息，则含有上述空间特征信息和所述时间特征信息的矩阵序列便构成时空图感知数据。
所述矩阵序列构成时空图：
Figure 528747DEST_PATH_IMAGE026
，Vt表示t时刻数据采集节点的集合，每个数据采集节点的特征表示数据采集节点所记录的感知数据的特征信息；E表示边集，每条边表示两两数据采集节点之间的关系；W表示邻接矩阵，记录边集中每条边的权重。
所述邻接矩阵为：
Figure 105222DEST_PATH_IMAGE027
，
其中，
Figure 31590DEST_PATH_IMAGE028
表示数据采集节点i和数据采集节点j各自所处位置间相关程度，数值范围为0-1之间，dij表示数据采集节点i和数据采集节点j之间的距离，
Figure 613006DEST_PATH_IMAGE029
和
Figure 966627DEST_PATH_IMAGE030
用于调整邻接矩阵W的分布和稀疏度。
步骤S3：构建图神经网络模型，并利用所述时空图感知数据对所述图神经网络模型的参数进行训练；
参见图2，所述图神经网络模型包括输入层、时空图卷积模块和输出层；其中所述时空图卷积模块由两个时域卷积模块和一个空域卷积模块夹在中间组成，所述输出层由一个时域卷积模块和一个全连接层组成。
所述图神经网络模型中所述时域卷积模块具体实现如下：将输入分为两路，两路经过一维卷积后，一路进行sigmod操作，另一路与残差进行相加操作，最终两路结果经过哈达玛积输出；具体为输入时空图数据
Figure 764819DEST_PATH_IMAGE031
沿着时间维度进行一维卷积，M表示时空图一共有M个时刻，n表示监测区域一共有n个数据采集节点，Ci表示数据采集节点记录特征的维度；时域卷积核大小
Figure 229298DEST_PATH_IMAGE032
，个数为2Co个，则时域卷积模块的输出时空图
Figure 429335DEST_PATH_IMAGE033
，即得到
Figure 219437DEST_PATH_IMAGE034
个时刻对应的图数据
Figure 973766DEST_PATH_IMAGE035
。
所述图神经网络模型中所述空域卷积模块具体实现为对输入进行图卷积操作，获取空间特征信息并输出；具体为将所述时空图卷积模块中第一个时域卷积模块输出的时空图上每一时刻的对应的图数据作为输入
Figure 507516DEST_PATH_IMAGE036
按照切比雪夫近似进行图卷积，图卷积时选择空域卷积核大小
Figure 562059DEST_PATH_IMAGE037
，其中K=2，卷积核个数为Ci个，因此空域卷积模块的输出
Figure 756018DEST_PATH_IMAGE038
。
所述图神经网络模型中所述时空图感知数据通过时空图卷积模块时，依次通过时域卷积模块、空域卷积模块、时域卷积模块，所述时空图感知数据每通过一次所述时域卷积模块，时间维度将减小(Kt-1)，因此，当空域卷积模块的输出再次输入第二个时域卷积模块后，在时间维度的长度减小2(Kt-1)，最终得到整个时空图卷积模块的输出为
Figure 528802DEST_PATH_IMAGE039
。
所述图神经网络模型中所述时空图卷积模块的输出最后通过输出层，依次通过一个时域卷积模块和一个全连接层，该时域卷积模块的卷积核大小
Figure 335084DEST_PATH_IMAGE040
，个数为Co个，通过该时域卷积模块后输出
Figure 244134DEST_PATH_IMAGE041
，全连接层
Figure 376038DEST_PATH_IMAGE042
，其中参数
Figure 370539DEST_PATH_IMAGE043
，
Figure 980512DEST_PATH_IMAGE044
，最终输出预测值
Figure 275227DEST_PATH_IMAGE045
；在训练图神经网络模型时，选择损失函数为预测值
Figure 46874DEST_PATH_IMAGE046
和真实值
Figure 295715DEST_PATH_IMAGE047
的距离度量：
Figure 709379DEST_PATH_IMAGE048
；训练过程中，将训练数据分批次输入至模型，通过逐步调整模型参数，使得所述损失函数在训练集上逐步减小，直至收敛，或者损失函数的值低于设置的阈值，从而停止训练，得到最终的图神经网络模型。
步骤S4：对训练好的图神经网络模型输入给定时空图感知数据并输出预测值，当预测值超出预设阈值，则发送预警信息。
输入给定时空图感知数据，预测未来一段时间内时空图感知数据
Figure 593021DEST_PATH_IMAGE049
，
Figure 801149DEST_PATH_IMAGE049
使用矩阵序列形式描述，其中
Figure 504662DEST_PATH_IMAGE050
表示未来某一时刻，是时间信息；矩阵各个元素位置元素对应数据采集节点所在区域，是空间信息；元素的值表示具体特征信息，从而详细描述所预测未来事物的时空特征信息。当预测某一时刻某一区域具体特征信息超出预设阈值，则向该区域发送预警信息。当没有超过预设阈值，则该系统继续进行数据监测感知、数据预处理、数据预测等工作。
实施例1：步骤S1：构建感知数据监测网络，并通过所述感知数据监测网络中的数据采集节点获取原始感知数据；
虚拟地震感知数据监测网络，选取美国加州及临近区域（西经125°~113°，北纬32°~42°的区域）作为监测区域，参见图3所示，对矩形状的监测区域根据经纬度坐标进行了网格划分，以经纬度0.5度为单位，将经度划分成24格，维度划分成20格，共计将该监测区域划分成了个网格区域，每个网格区域对应设立一个虚拟的数据采集节点。然后选取美国地质调查局(USGS)记录时间范围为1990-01-01至2021-12-31期间，记录地点为美国加州及临近区域（西经125°~113°，北纬32°~42°的区域）发生的地震震级大于等于3级的历史地震数据作为感知数据示例。历史地震数据记录每次地震发生的时间，经纬度，地震深度，地震震级大小，共约两万条左右。将每条历史地震数据，根据震源中心位置划分到相应的网格区域中，并将这次地震信息视为该网格区域对应虚拟数据采集节点所记录的原始地震感知数据，注意，出于简化计算量的目的，这里记录的感知数据特征信息仅选取地震震级大小这一维信息。
步骤S2：对所述原始感知数据进行预处理并转化为时空图感知数据；
将原始地震感知数据转化为地震时空图感知数据。该方法将虚拟地震感知数据监测网络记录的原始地震感知数据进行时间切片，值得注意的是，选取不同的时间片大小，会获得不一样的数据，如果时间片太小，将会导致整个时间片内没有地震发生记录，如果时间片太大，同一时间片内，同一个数据采集节点会可能收集到多条地震信息，因此选择合适的时间片大小值得注意；此外由于是采用建立虚拟数据采集节点，所以可能会出现同一时间片内某一个数据采集节点出现多条原始地震感知数据记录时，而另外一个虚拟数据采集节点没有地震记录原始地震感知数据，这样导致选取合适的时间片大小十分有难度。因此实际操作是，需要去除重复数据，并进行适当的降采样操作，保证符合数据格式。然而如果本实施例采用建立真实地震感知数据监测网络时，不会出现上述问题，因为所有部署的数据采集节点会定期同步更新地震监测数据，使得每个数据采集节点的时间片相同，这样同一时间片内，所有数据采集几点都会记录相同数量的地震数据。
然后按照时间记录顺序，将原始地震感知数据处理成为矩阵序列，该矩阵序列由一串时间连续的多个矩阵构成，每一个矩阵代表一个时间片段内的原始地震感知数据。在本实施例中，由于监测区域被划分成了24×20=480个方格，并且只选择了地震震级大小这一个特征信息作为地震感知特征信息，因此每个矩阵大小维度24×20×1共计480个元素，每个矩阵的元素于监测区域内24×20=480个网格中虚拟出来的数据采集节点一一对应，这包含两层含义，一方面是元素在矩阵序列中的排列位置代表对应监测区域的网格和其对应虚拟数据采集节点；另一方面，元素的值代表对应数据采集节点在当前时刻监测到地震感知特征信息，本实施例中即选取的一维地震感知特征信息--地震震级大小信息。经过处理的一连串地震矩阵序列数据即是地震时空图感知数据，矩阵本身代表空间信息，而矩阵的序列则代表时间信息，不同时间段内，地震时空图感知数据中的元素值发生变化，表示不同时间内，处在不同位置上的采集节点监测到的地震数据发生变化，在本实施例中，即地震震级大小在发生变化。这些地震时空图感知数据将输入到后续信息处理模块。
所述矩阵序列构成时空图：
Figure 722017DEST_PATH_IMAGE051
，Vt具体表示t时刻数据采集节点即虚拟地震监测仪的集合；E表示边集，即使两两地震监测仪之间的关系；W表示邻接矩阵，记录边集中每条边的权重，不同时刻邻接矩阵W保持不变；
所述邻接矩阵为：
Figure 460166DEST_PATH_IMAGE052
，
其中，
Figure 104774DEST_PATH_IMAGE053
表示虚拟地震监测仪i和虚拟地震监测仪j各自所处位置间相关程度，这里具体表示为地震带之间的相关程度，数值范围为0-1之间，在本实施例中，
Figure 561163DEST_PATH_IMAGE053
简化为数据采集节点处于同一地震带时为1，处于不同地震带时为0，是否处于同一地震带，使用聚类算法，对所有的地震发生地点进行聚类；dij表示数据采集节点i和数据采集节点j之间的距离，
Figure 815165DEST_PATH_IMAGE054
和
Figure 407820DEST_PATH_IMAGE055
用于调整邻接矩阵W的分布和稀疏度。本实施例中，根据图3所示地震分布图和减少实验计算开销的目的，本实施例选取地震聚类个数为2，因此地震带数目为2，在精度要求更高的实际操作时，建议根据地质专家划分的地震带信息。
本实施例选取
Figure 223329DEST_PATH_IMAGE056
和
Figure 901435DEST_PATH_IMAGE057
，本次实验只选取了地震震级大小为地震感知特征信息，因此特征维度为1。
步骤S3：根据发明内容所述构建图神经网络模型，并利用处理成时空图的地震感知数据对所述图神经网络模型的参数进行训练，选择损失函数仍然为预测值
Figure 460593DEST_PATH_IMAGE058
和真实值
Figure 173334DEST_PATH_IMAGE059
的距离度量：
Figure 894165DEST_PATH_IMAGE060
。训练过程中，将训练数据分批次输入至模型，通过逐步调整模型参数，使得所述损失函数在训练集上逐步减小，直至收敛，或者损失函数的值低于设置的阈值，从而停止训练，保存最终的图神经网络模型；
步骤S4：对训练好的图神经网络模型输入处理成时空图的历史地震感知数据并输出预测未来的地震感知数据，当某一时刻某一区域预测值即地震震级大小超出预设阈值，则发送模拟预警信息。
最后本实施例被应用于地震感知数据进行时空特征信息预测时，整个系统结构框架图如图4所示。由一个中心化的信息处理中心对整个系统进行管理，首先使用虚拟地震感知数据监测网络，对地震信息进行监测，并将信息保存至信息处理中心的储存模块中。其次，数据预处理模块对信息处理中心的存储器中原始地震感知数据进行预处理，将其转化成矩阵序列形式的地震时空图数据进行输出。然后，信息处理中心选取大量的地震时空图数据作为训练样本集，并构建一个图神经网络模型，使用该训练样本对其进行训练，当训练完成后，输入给定地震时空图数据，预测出未来一段时间的地震时空图数据，即未来地震发生的时间，地点以及地震震级大小等信息。最后感知数据预测模块根据预测信息，如果预测值中地震震级大小的值超过了阈值，系统会向对应的数据采集节点所在区域及其临近区域发送预警信息，提醒人们提前做好防范准备，以减少地震发生时的生命健康财产损失。如果没有超过阈值，则该系统继续进行地震感知数据监测、数据预处理、地震感知预测等工作。该系统实际部署如图5所示。本实施例出于简化目的通过实验室服务器设备进行部署并演示，本实施例中通过构建虚拟地震感知数据监测网络，替代了地震监测仪的功能，以服务器自身存储硬盘实现存储器功能，用于保存原始地震感知数据和通过编程语言实现地震感知数据预处理、基于图神经网络融合感知数据进行时空特征信息预测的方法以及本发明中提供的所有方法的计算软件程序，最终由服务器自身芯片实现处理器功能，其中GPU实现专用处理器功能，专门负责构建并训练图神经网络模型，用于加快计算速度；而CPU实现通用处理器功能，负责实现信息处理中心其他工作，即执行计算机软件程序中剩余其他部分。当处理器计算出预测结果时，会自行判断预测结果中是否有元素值（即地震震级大小）超过规定阈值，从而执行是否向预测结果中超过阈值元素值所对应的区域发送模拟预警信息。实验时，服务器外接显示器可以对计算机软件程序运行数据结果进行实时可视化展示。
实施例2：步骤S1：构建感知数据监测网络，并通过所述感知数据监测网络中的数据采集节点获取原始感知数据；
真实交通感知数据监测网络，选取美国加利福尼亚州运输部提供的加州地区部分交通路段交通流量数据集PeMSD7进行测试，该数据集通过在各个路段及路口设置交通流量监测仪器和通信网络模块定期对来往车辆进行感知，从而记录的交通流量数据并发送至数据中心。因此，加利福尼亚州运输部设置的大量交通流量监测仪所组成的真实交通感知数据监测网络被视为本发明中所述的真实感知数据监测网络。真实交通感知数据监测网络如图6所示，其中每个数据采集节点每隔5分钟，对所在位置经过的来往车辆统计一次数量作为交通流量信息，并附加当前记录时间，位置信息，通过网络上传至信息处理中心进行记录并存储。由于采用真实感知数据监测网络，因此所有部署的数据采集节点，即交通流量监测仪，会定期同步更新交通流量监测数据，使得每个数据采集节点的时间片相同，这样同一时间片内，所有数据采集节点都会记录相同数量的交通流量数据。
步骤S2：对所述原始感知数据进行预处理并转化为时空图感知数据；
然后按照时间记录顺序，将交通流量数据处理成为矩阵序列，该矩阵序列由一串时间连续的多个矩阵构成，每一个矩阵代表一个时间片段内的交通流量感知数据。在本实施例中，不同的交通数据监测仪对应不同的监测区域，出于减少实验计算开销目的，从中选取了临近的19×12=228个数据采集节点作为原始数据来源，其中交通流量这一信息作为感知特征信息，因此本实施例中交通流感知数据中，每个矩阵大小维度19×12×1共计228个元素，元素在矩阵中排列位置代表数据采集节点对应监测区域的位置相对关系，另一方面，元素的值代表对应数据采集节点在当前时刻监测到交通流量信息。经过处理的一连串交通流量矩阵序列数据即是交通流量时空图感知数据，矩阵本身代表空间信息，而矩阵的序列则代表时间信息，不同时间段内，交通流量时空图感知数据中的元素值发生变化，表示不同时间内，处在不同位置上的数据采集节点监测到的交通流量数据发生变化。这些交通流量时空图感知数据将输入到后续信息处理模块。
所述矩阵序列构成时空图：
Figure 325146DEST_PATH_IMAGE061
，Vt表示t时刻数据采集节点即真实的交通流量监测仪的集合；E表示边集，每条边表示两两交通流量监测仪之间的关系；W表示邻接矩阵，记录边集中每条边的权重，不同时刻邻接矩阵W保持不变；
所述邻接矩阵为：
Figure 422415DEST_PATH_IMAGE062
，
其中，
Figure 491128DEST_PATH_IMAGE063
表示交通流量检测仪i和交通流量检测仪j各自所处位置间相关程度，即表示为路段或者路口之间的相关程度，数值范围为0-1之间，在本实施例中，
Figure 648440DEST_PATH_IMAGE063
简化为设置1，邻接矩阵完全由距离关系决定；dij表示数据采集节点i和数据采集节点j之间的距离，
Figure 35559DEST_PATH_IMAGE064
和
Figure 936518DEST_PATH_IMAGE065
用于调整邻接矩阵W的分布和稀疏度。
本实施例选取
Figure 623852DEST_PATH_IMAGE066
和
Figure 952065DEST_PATH_IMAGE067
，本次实验只选取了交通流量这一特征信息，因此特征维度为1。
步骤S3：构据发明内容所述构建图神经网络模型，并利用处理成时空图的交通流量感知数据对所述图神经网络模型的参数进行训练，选择损失函数仍然为预测值
Figure 826480DEST_PATH_IMAGE068
和真实值
Figure 265552DEST_PATH_IMAGE069
的距离度量：
Figure 807391DEST_PATH_IMAGE070
。训练过程中，将训练数据分批次输入至模型，通过逐步调整模型参数，使得所述损失函数在训练集上逐步减小，直至收敛，或者损失函数的值低于设置的阈值，从而停止训练，保存最终的图神经网络模型；
步骤S4：对训练好的图神经网络模型输入处理成时空图的历史交通流量感知数据，并输出预测未来的交通流量感知数据，当某一时刻某一区域预测值即交通流量超出预设阈值，则发送模拟预警信息。
最后本实施例被应用于交通流量感知数据进行时空特征信息预测时，整个系统结构框架图如图7所示。由一个中心化的信息处理中心对整个系统进行管理，首先使用真实交通流量感知数据监测网络，一般是真实的交通监测网络，对交通流量信息进行监测，并将信息保存至信息处理中心的储存模块中。其次，数据预处理模块对信息处理中心的存储器中交通流量感知数据进行预处理，将其转化成矩阵序列形式的时空图数据进行输出。然后，信息处理中心根据一种基于图神经网络融合感知数据的时空特征信息预测方法，选取大量的交通流量时空图数据作为训练样本集，并构建一个图神经网络模型，使用该训练样本对其进行训练，当训练完成后，输入给定交通流量时空图数据，预测出未来一段时间的交通流量时空图数据，即未来一段时间，不同监测地点所在位置的交通流量信息。最后感知数据预测模块根据预测信息，如果预测值中交通流量大小的值超过了阈值，系统会向对应的数据采集节点所在区域及其临近区域发送预警信息，提醒人们该区域交通流量较大，可能产生拥堵状况，请提前做好路径规划。同时也会向交通管理部门及时通知预警信息，交通管理部门可视情况进行交通疏导和管控。如果没有超过阈值，则该系统继续进行交通流量数据监测、数据预处理、交通流量感知预测等工作。该系统实际部署如图8所示。服务器自身存储硬盘实现存储器功能，用于保存交通流量数据和通过编程语言实现交通流量感知数据预处理、基于图神经网络融合感知数据进行时空特征信息预测的方法以及本发明中提供的所有方法的计算软件程序，最终由服务器自身芯片实现处理器功能，其中GPU实现专用处理器功能，专门负责构建并训练图神经网络模型，用于加快计算速度；而CPU实现通用处理器功能，负责实现信息处理中心其他工作，即执行计算机软件程序中剩余其他部分。当处理器计算出预测结果时，会自行判断预测结果中是否有元素值超过规定阈值，从而执行是否向预测结果中超过阈值元素值所对应的区域发送模拟预警信息。实验时，服务器外接显示器可以对计算机软件程序运行数据结果进行实时可视化展示。
与前述一种基于图神经网络的时空感知信息预测方法的实施例相对应，本发明还提供了一种基于图神经网络的时空感知信息预测装置的实施例。
参见图9，本发明实施例提供的一种基于图神经网络的时空感知信息预测装置，通过如下设备进行部署使用，包括感知数据监测仪器、网络通信设备、存储器、处理器、显示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软件程序，所述感知数据监测仪和所述网络通信设备构建感知数据监测网络，并将感知数据监测网络获得数据存储在所述储存器中，以及所述处理器执行所述计算机软件程序实现上述实施例中任一项所述一种基于图神经网络的时空感知信息预测方法，和所述显示器对所述处理器执行所述计算机软件程序获得数据结果进行可视化展示。
本发明一种基于图神经网络的时空感知信息预测装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图9所示，为本发明一种基于图神经网络的时空感知信息预测装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图9所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机软件程序，通过计算机软件程序的形式实现了上述实施例任一项所述一种基于图神经网络的时空感知信息预测方法，被部署在处理器中或者云端服务器。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (15)

1.一种基于图神经网络的时空感知信息预测方法，其特征在于，包括以下步骤：
步骤S1：构建感知数据监测网络，并通过所述感知数据监测网络中的数据采集节点获取原始感知数据；
步骤S2：对所述原始感知数据进行预处理并转化为时空图感知数据；
步骤S3：构建图神经网络模型，并利用所述时空图感知数据对所述图神经网络模型的参数进行训练；
步骤S4：对训练好的图神经网络模型输入给定时空图感知数据并输出预测值，当预测值超出预设阈值，则发送预警信息。
2.如权利要求1所述的一种基于图神经网络的时空感知信息预测方法，其特征在于，所述步骤S1中构建感知数据监测网络包括以下两种构建方式：真实感知数据监测网络构建或虚拟感知数据监测网络构建。
3.如权利要求2所述的一种基于图神经网络的时空感知信息预测方法，其特征在于，所述真实感知数据监测网络构建具体包括通过若干个由数据监测仪和通信网络模块构成的数据采集节点组成，每个所述数据采集节点按照预设距离、等间距、呈矩阵状排列在监测区域，所述数据采集节点对当前区域监测收集数据，并使用统一格式表示数据特征信息。
4.如权利要求2所述的一种基于图神经网络的时空感知信息预测方法，其特征在于，所述虚拟感知数据监测网络构建具体包括对监测区域进行坐标网格划分，获得若干个网格区域，每个所述网格区域对应虚拟出一个虚拟数据采集节点，将其他数据源记录的历史感知数据根据每条所述历史感知数据的发生位置划分到相应的所述网格区域中，并将所述历史感知数据视为所述网格区域对应虚拟数据采集节点所记录的原始感知数据。
5.如权利要求1所述的一种基于图神经网络的时空感知信息预测方法，其特征在于，所述步骤S2中所述预处理的过程具体包括对所述原始感知数据进行时间切片，并按照时间记录顺序处理成为矩阵序列，所述矩阵序列中每个元素与所述数据采集节点对应，每个元素在所述矩阵序列中的排列位置对应所述数据采集节点在所述感知数据监测网络中的空间特征信息，每个元素在所述矩阵序列中的值对应所述数据采集节点在当前时刻所述感知数据监测网络中的时间特征信息，则含有上述空间特征信息和所述时间特征信息的矩阵序列便构成时空图感知数据。
6.如权利要求5所述的一种基于图神经网络的时空感知信息预测方法，其特征在于，所述矩阵序列构成时空图：
Figure 15835DEST_PATH_IMAGE001
，Vt表示t时刻数据采集节点的集合，每个数据采集节点的特征表示数据采集节点所记录的感知数据的特征信息；E表示边集，每条边表示两两数据采集节点之间的关系；W表示邻接矩阵，记录边集中每条边的权重。
7.如权利要求6所述的一种基于图神经网络的时空感知信息预测方法，其特征在于，所述邻接矩阵为：
Figure 401817DEST_PATH_IMAGE002
，
其中，
Figure 650396DEST_PATH_IMAGE003
表示数据采集节点i和数据采集节点j各自所处位置间相关程度，数值范围为0-1之间，dij表示数据采集节点i和数据采集节点j之间的距离，
Figure 248867DEST_PATH_IMAGE004
和
Figure 532081DEST_PATH_IMAGE005
用于调整邻接矩阵W的分布和稀疏度。
8.如权利要求1所述的一种基于图神经网络的时空感知信息预测方法，其特征在于，所述步骤S3中所述图神经网络模型包括输入层、时空图卷积模块和输出层；其中所述时空图卷积模块由两个时域卷积模块和一个空域卷积模块夹在中间组成，所述输出层由一个时域卷积模块和一个全连接层组成。
9.如权利要求8所述的一种基于图神经网络的时空感知信息预测方法，其特征在于，所述图神经网络模型中所述时域卷积模块具体实现如下：将输入分为两路，两路经过一维卷积后，一路进行sigmod操作，另一路与残差进行相加操作，最终两路结果经过哈达玛积输出；具体为输入时空图数据
Figure 823385DEST_PATH_IMAGE006
沿着时间维度进行一维卷积，M表示时空图一共有M个时刻，n表示监测区域一共有n个数据采集节点，Ci表示数据采集节点记录特征的维度；时域卷积核大小
Figure 355998DEST_PATH_IMAGE007
，个数为2Co个，则时域卷积模块的输出时空图
Figure 522274DEST_PATH_IMAGE008
，即得到
Figure 659995DEST_PATH_IMAGE009
个时刻对应的图数据
Figure 122200DEST_PATH_IMAGE010
。
10.如权利要求8所述的一种基于图神经网络的时空感知信息预测方法，其特征在于，所述图神经网络模型中所述空域卷积模块具体实现为对输入进行图卷积操作，获取空间特征信息并输出；具体为将所述时空图卷积模块中第一个时域卷积模块输出的时空图上每一时刻的对应的图数据作为输入
Figure 79792DEST_PATH_IMAGE011
按照切比雪夫近似进行图卷积，图卷积时选择空域卷积核大小
Figure 285645DEST_PATH_IMAGE012
，其中K=2，卷积核个数为Ci个，因此空域卷积模块的输出
Figure 277872DEST_PATH_IMAGE013
。
11.如权利要求8所述的一种基于图神经网络的时空感知信息预测方法，其特征在于，所述图神经网络模型中所述时空图感知数据通过时空图卷积模块时，依次通过时域卷积模块、空域卷积模块、时域卷积模块，所述时空图感知数据每通过一次所述时域卷积模块，时间维度将减小(Kt-1)，因此，当空域卷积模块的输出再次输入第二个时域卷积模块后，在时间维度的长度减小2(Kt-1)，最终得到整个时空图卷积模块的输出为
Figure 176558DEST_PATH_IMAGE014
。
12.如权利要求8所述的一种基于图神经网络的时空感知信息预测方法，其特征在于，所述图神经网络模型中所述时空图卷积模块的输出最后通过输出层，依次通过一个时域卷积模块和一个全连接层，该时域卷积模块的卷积核大小
Figure 683763DEST_PATH_IMAGE015
，个数为Co个，通过该时域卷积模块后输出
Figure 427728DEST_PATH_IMAGE016
，全连接层
Figure 38575DEST_PATH_IMAGE017
，其中参数
Figure 577004DEST_PATH_IMAGE018
，
Figure 774767DEST_PATH_IMAGE019
，最终输出预测值
Figure 322423DEST_PATH_IMAGE020
；在训练图神经网络模型时，选择损失函数为预测值
Figure 289242DEST_PATH_IMAGE021
和真实值
Figure 326468DEST_PATH_IMAGE022
的距离度量：
Figure 745948DEST_PATH_IMAGE023
；训练过程中，将训练数据分批次输入至模型，通过逐步调整模型参数，使得所述损失函数在训练集上逐步减小，直至收敛，或者损失函数的值低于设置的阈值，从而停止训练，得到最终的图神经网络模型。
13.一种基于图神经网络的时空感知信息预测系统，其特征在于，包括：
感知数据监测网络模块，用于构建感知数据监测网络，并利用所述感知数据监测网络获取原始感知数据；
感知数据预处理模块，用于对原始感知数据进行时间切片，并按照时间记录顺序处理成为矩阵序列形式，含有空间特征信息和时间特征信息的矩阵序列构成时空图感知数据；
基于图神经网络融合感知数据的时空特征信息预测分析模块，用于利用所述时空图感知数据对所述图神经网络模型的参数进行训练，得到训练好的图神经网络模型；
感知数据预测模块，用于对训练好的图神经网络模型输入给定时空图感知数据，预测未来一段时间内时空图感知数据
Figure 97295DEST_PATH_IMAGE024
，
Figure 653042DEST_PATH_IMAGE024
使用矩阵序列形式描述，其中t表示未来某一时刻，是时间信息；矩阵各个元素位置元素对应数据采集节点所在区域，是空间信息；元素的值表示具体特征信息，从而详细描述所预测未来事物的时空特征信息，当预测某一时刻某一区域具体特征信息超出预设阈值，则向该区域发送预警信息。
14.一种基于图神经网络的时空感知信息预测装置，通过如下设备进行部署使用，包括感知数据监测仪器、网络通信设备、存储器、处理器、显示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软件程序，其特征在于，所述感知数据监测仪和所述网络通信设备构建感知数据监测网络，并将感知数据监测网络获得数据存储在所述存储器中，以及所述处理器执行所述计算机软件程序实现如权利要求1至12的任一项所述一种基于图神经网络的时空感知信息预测方法，和所述显示器对所述处理器执行所述计算机软件程序获得数据结果进行可视化展示。
15.一种计算机软件程序，其特征在于，通过计算机软件程序的形式实现了权利要求1至12的任一项所述一种基于图神经网络的时空感知信息预测方法，被部署在处理器中或者云端服务器。
CN202210947851.1A 2022-08-09 2022-08-09 一种基于图神经网络的时空感知信息预测方法和系统 Pending CN115018073A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202210947851.1A CN115018073A (zh) 2022-08-09 2022-08-09 一种基于图神经网络的时空感知信息预测方法和系统
PCT/CN2022/117196 WO2024031763A1 (zh) 2022-08-09 2022-09-06 一种基于图神经网络的时空感知信息预测方法和系统
US17/990,617 US20240054339A1 (en) 2022-08-09 2022-11-18 Method and system for predicting spatio-temporal perception information based on graph neural network
EP22212444.8A EP4322060A1 (en) 2022-08-09 2022-12-09 Method and system for predicting spatio-temporal perception information based on graph neural network
JP2022203634A JP7498764B2 (ja) 2022-08-09 2022-12-20 グラフニューラルネットワークに基づく時空間知覚情報予測方法及びシステム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210947851.1A CN115018073A (zh) 2022-08-09 2022-08-09 一种基于图神经网络的时空感知信息预测方法和系统

Publications (1)

Publication Number Publication Date
CN115018073A true CN115018073A (zh) 2022-09-06

Family

ID=83066203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210947851.1A Pending CN115018073A (zh) 2022-08-09 2022-08-09 一种基于图神经网络的时空感知信息预测方法和系统

Country Status (5)

Country Link
US (1) US20240054339A1 (zh)
EP (1) EP4322060A1 (zh)
JP (1) JP7498764B2 (zh)
CN (1) CN115018073A (zh)
WO (1) WO2024031763A1 (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3010163A1 (en) * 2017-07-01 2019-01-01 Algolux Inc. Method and apparatus for joint image processing and perception
CN110261900A (zh) * 2019-06-10 2019-09-20 中北大学 一种基于速度信息的地下浅层微震定位系统
CN111669373A (zh) * 2020-05-25 2020-09-15 山东理工大学 基于时空卷积网络和拓扑感知的网络异常检测方法及系统
CN113450561A (zh) * 2021-05-06 2021-09-28 浙江工业大学 一种基于时空图卷积-生成对抗网络的交通速度预测方法
CN113837794A (zh) * 2021-08-26 2021-12-24 润联软件系统(深圳)有限公司 基于时空图卷积网络的连锁零售门店销售预测方法
CN114021811A (zh) * 2021-11-03 2022-02-08 重庆大学 基于注意力改进的交通预测方法及计算机介质
CN114580617A (zh) * 2022-03-11 2022-06-03 北京航空航天大学 基于时空图卷积网络的全国公路运输能力分布预测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7698055B2 (en) 2004-11-16 2010-04-13 Microsoft Corporation Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data
JP2020194255A (ja) 2019-05-27 2020-12-03 株式会社竹中工務店 人流分布予測装置、方法、及びプログラム
US20230359788A1 (en) 2020-10-02 2023-11-09 Deepmind Technologies Limited Simulating physical environments using graph neural networks
CN112633602B (zh) * 2020-12-31 2023-03-03 深圳云天励飞技术股份有限公司 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN112784121B (zh) * 2021-01-28 2022-06-17 浙江工业大学 一种基于时空图表示学习的交通事故预测方法
CN113919231B (zh) * 2021-10-25 2023-04-07 北京航天创智科技有限公司 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN114120652A (zh) * 2021-12-21 2022-03-01 重庆邮电大学 一种基于动态图神经网络的交通流量预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3010163A1 (en) * 2017-07-01 2019-01-01 Algolux Inc. Method and apparatus for joint image processing and perception
CN110261900A (zh) * 2019-06-10 2019-09-20 中北大学 一种基于速度信息的地下浅层微震定位系统
CN111669373A (zh) * 2020-05-25 2020-09-15 山东理工大学 基于时空卷积网络和拓扑感知的网络异常检测方法及系统
CN113450561A (zh) * 2021-05-06 2021-09-28 浙江工业大学 一种基于时空图卷积-生成对抗网络的交通速度预测方法
CN113837794A (zh) * 2021-08-26 2021-12-24 润联软件系统(深圳)有限公司 基于时空图卷积网络的连锁零售门店销售预测方法
CN114021811A (zh) * 2021-11-03 2022-02-08 重庆大学 基于注意力改进的交通预测方法及计算机介质
CN114580617A (zh) * 2022-03-11 2022-06-03 北京航空航天大学 基于时空图卷积网络的全国公路运输能力分布预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BING YU，ET AL: "Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting", 《ARXIV》 *
刘志宇: "《无线传感器网络技术研究与应用》", 31 August 2019, 冶金工业出版社 *
好想喫火鍋: "Spatio-Temporal Graph Convolutional Networks详解", 《知乎》 *
董伟，等: "基于多特征时空图卷积网络的水运通航密度预测", 《物联网学报》 *

Also Published As

Publication number Publication date
US20240054339A1 (en) 2024-02-15
JP2024024573A (ja) 2024-02-22
EP4322060A1 (en) 2024-02-14
WO2024031763A1 (zh) 2024-02-15
JP7498764B2 (ja) 2024-06-12

Similar Documents

Publication Publication Date Title
Wang et al. Earthquake prediction based on spatio-temporal data mining: an LSTM network approach
Jaafari et al. Wildfire spatial pattern analysis in the Zagros Mountains, Iran: A comparative study of decision tree based classifiers
Mas et al. Recent advances in agent-based tsunami evacuation simulations: case studies in Indonesia, Thailand, Japan and Peru
Ranjbar et al. A GIS-based approach for earthquake loss estimation based on the immediate extraction of damaged buildings
Bodri A neural-network model for earthquake occurrence
Diao et al. Uncertainty aware wildfire management
CN115660424A (zh) 一种基于gis的灾害要素分析预警系统
Saxena et al. Comparative Analysis Of AI Regression And Classification Models For Predicting House Damages İn Nepal: Proposed Architectures And Techniques
Diederen et al. Dynamic spatio-temporal generation of large-scale synthetic gridded precipitation: with improved spatial coherence of extremes
Dhotre et al. Exploring quantum machine learning (qml) for earthquake prediction
Pimenov et al. Interpretation of a trained neural network based on genetic algorithms
Fuentes et al. Spatio-temporal seismicity prediction in Chile using a multi-column ConvLSTM
CN115018073A (zh) 一种基于图神经网络的时空感知信息预测方法和系统
Cencerrado et al. URGENCY VERSUS ACCURACY: DYNAMIC DATA DRIVEN APPLICATION SYSTEM FOR NATURAL HAZARD MANAGEMENT.
Lopes et al. Multidimensional scaling visualization of earthquake phenomena
Shodiq et al. Spatial analisys of magnitude distribution for earthquake prediction using neural network based on automatic clustering in Indonesia
Zhang et al. Performance characteristics of megaregion traffic networks during mass evacuations
Zhou et al. Immune optimization inspired artificial natural killer cell earthquake prediction method
Daniel Wildfire smoke detection with computer vision
CN106844948B (zh) 滑坡预测方法和装置
Arvanitakis et al. A machine learning approach for asperities’ location identification
Shao et al. Hazard assessment modeling and software development of earthquake-triggered landslides in the Sichuan–Yunnan area, China
Rekha et al. Development of a Neuro-Inspired Algorithms for Monitoring and Prediction of Earthquakes
Berdiev EARTHQUAKE FORECASTING AND RISK MODELING USING MACHINE LEARNING APPROACHES BASED ON LOCATION IN JAPAN
Chu Analyzing Earthquake Events in the Vicinity of Wenchuan Using ETAS Models

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220906