[发明专利]基于图卷积神经网络的节点状态预测的方法

说明书

本发明公开了基于图卷积神经网络进行节点状态预测的方法。通过图卷积神经网络算法，我们可以输入数据的网络结构和某一时刻的节点状态，节点状态可以是连续的状态值或者是离散的类别状态，进而对下一时刻的节点状态进行预测。本发明中的对网络结构的数据进行节点状态预测是非常有意义的，并且可以应用到很多领域，比如交通网络上的流量预测，疾病传播网络上的染病情况预测等等。传统的状态预测的方法一般会忽略网络结构导致预测结果的不准确，因此本发明提出的基于网络结构对节点状态进行预测的方法不仅具有较好的效果，而且具有广阔的应用领域。

技术领域

对网络结构的数据进行节点状态预测，具体涉及到图卷积神经网络算法技术领域。

背景技术

真实世界中，许多重要的数据都是以网络的形式存在的。网络数据，是由节点和连边构成的数据，表示对象及其相互之间的联系。现如今，网络已经是最常用的数据类型之一，比如城市之间的道路连接构成了交通网络、人与人之间的关系构成了社交网络、科研论文之间的引用构成了科学家合作网等等。对于不同的网络，节点和连边代表不同的含义，网络结构也体现了节点之间的相互影响关系。另外，对于网络数据来说，为了能够充分的体现数据所具有的信息，节点和连边还可以带有不同的属性，比如交通网络中节点代表道路，连边表示道路之间的连接关系，每一个节点上还可以具有一定时间段的交通流量等状态信息，而连边的长短表示道路之间的距离等等。对于含有节点状态信息的网络数据，节点状态一般都是时序的，也就是说节点状态是随着时间不断变化的，那么如果我们获取了前t个时刻的节点状态，是否可以对未来的节点状态进行预测呢？在本发明中，我们就是基于数据的网络结构和节点上第t个时刻的状态信息，对t+1时刻的节点状态进行预测的。

对未来的状态预测在实际应用中有非常重要的意义，比如在股票市场上，对股票未来价格趋势的预测可以帮助人们规避风险合理投资，再比如对于交通管理，对道路流量的预测可以帮助有关部门采取合理措施避免拥堵，总之，对未来状态的预测不仅可以在商业上创造更多的价值，也可以帮助人们更好的生活。传统的状态预测一般采用时序数据分析、递归神经网络(RNN)等的方法。然而对于网络数据的节点状态预测，比如交通网络的流量预测，疾病传播网络的疫情预测，贸易网络的贸易量预测等等，因为网络结构的存在，传统的方法很难直接应用，因此过去人们在处理数据的时候往往会忽略底层的网络结构，只考虑时序的节点状态信息。但是这样的做法漏掉了重要的网络结构信息，也就是不考虑节点之间的相互影响，对于预测结果必然是不利的。因此，在本发明中，我们考虑基于图卷积神经网络来对网络结构的数据进行未来节点状态进行预测。

图卷积神经网络(GCN)是最近一些文章提出的使用深度学习框架对网络数据进行处理的方法。GCN的输入是网络结构以及网络上每个节点的状态向量，输出是更新后的每个节点的向量表示，节点的新的向量表示不仅包含了当前节点的状态信息，还包含了其邻居节点的状态信息。得到了节点的新的向量表示之后，就可以对节点进行分类和聚类等等。GCN作为一种新兴的处理网络数据的方法，在网络节点分类，社团划分，链路预测等领域都有广泛的应用。本发明是基于图卷积神经网络对节点未来状态进行预测，我们的节点状态包含两种情况，一种是连续的状态值，另一种是离散的类别状态，因此在我们的输入中，除了网络结构，我们重新定义了节点的状态表示，连续的状态值比如是在交通网络中是当前时刻的交通流量值，离散的类别状态比如在传染病网络中节点当前的染病状态(未染病、染病或者痊愈)等，另外为了更好的适用于存在非线性变化的数据，我们修改了图卷积神经网络的架构，加入了带有非线性激活函数的线性层，我们的方法在一些数据的实验上取得了很好的效果。

发明内容

我们的方法是基于图卷积神经网络对网络的节点状态进行预测，网络的节点状态包括连续和离散两种情况，首先我们的输入是网络结构(用网络的邻接矩阵A表示)，网络上每一个节点在t时刻的状态(数值或者是类别，比如交通流量值或者是用one-hot编码的染病未染病的状态)，输入值经过我们提出的基于图卷积神经网络的架构(卷积层-2线性层-卷积层-线性层-输出层)，最后输出一维的预测值或者是softmax处理之后的分类概率。我们方法的具体步骤如下：