[发明专利]基于图神经网络的多维频谱预测方法、系统、装置及介质

权利要求书

1.基于图神经网络的多维频谱预测方法，其特征在于，包括：

获取频谱数据，并对所述频谱数据进行时间域上的相关性分析，得到频谱相关系数；

根据所述频谱相关系数对所述频谱数据进行构造，得到图结构频谱数据；

对所述图结构频谱数据进行谱聚类处理，得到待测数据；

将所述待测数据输入图神经网络，通过所述图神经网络捕捉得到所述待测数据在不同维度上的相关性，确定预测结果；

所述获取频谱数据，并对所述频谱数据进行时间域上的相关性分析，得到频谱相关系数，包括：

获取频谱数据；

对所述频谱数据按大小顺序进行排列，得到顺序数据；

对所述顺序数据进行秩次计算，得到所述顺序数据的秩次差；

根据所述秩次差计算得到频谱相关系数。

2.根据权利要求1所述的基于图神经网络的多维频谱预测方法，其特征在于，所述根据所述频谱相关系数对所述频谱数据进行构造，得到图结构频谱数据，包括：

根据所述频谱数据的频谱状态，构建得到节点集合；

根据所述频谱数据的连接关系，构建得到边集合；

根据所述频谱相关系数，构建得到互相关邻接矩阵；

根据所述节点集合、所述边集合和所述互相关邻接矩阵，构建得到图结构频谱数据。

3.根据权利要求1所述的基于图神经网络的多维频谱预测方法，其特征在于，所述对所述图结构频谱数据进行谱聚类处理，得到待测数据，包括：

构建所述图结构频谱数据的相似度矩阵；

计算所述相似度矩阵的特征值和特征向量，构建特征向量空间；

根据谱聚类算法对所述特征向量空间中的特征向量进行聚类，得到待测数据。

4.根据权利要求1所述的基于图神经网络的多维频谱预测方法，其特征在于，所述将所述待测数据输入图神经网络，通过所述图神经网络捕捉得到所述待测数据在不同维度上的相关性，确定预测结果，包括：

将所述待测数据输入图神经网络，所述图神经网络包括K阶扩散卷积模块和长短期记忆模块；

通过所述K阶扩散卷积模块捕捉所述待测数据的非线性相关性，通过所述长短期记忆模块捕捉所述待测数据在时间域上的相关性，得到预测结果。

5.根据权利要求4所述的基于图神经网络的多维频谱预测方法，其特征在于，所述K阶扩散卷积模块的模型公式为：

其中，S_p，：，f表示输入，表示图卷积算子，表示过滤器，K表示扩散阶数，θ_k表示待训练的扩散卷积模块参数，D_p表示子图度矩阵，W_p表示子图邻接矩阵，Y_p，：，g表示输出，tanh表示激活函数，F表示子图节点的输入特征数量，f表示输入特征索引，g表示输出特征索引。

6.根据权利要求1所述的基于图神经网络的多维频谱预测方法，其特征在于，还包括：

将所述预测结果与历史数据真值进行比较，对频谱预测性能进行评估，得到评估结果，所述评估结果包括平均绝对误差、均方根误差和平均绝对百分比误差。

7.基于图神经网络的多维频谱预测系统，其特征在于，包括：

第一模块，用于获取频谱数据，并对所述频谱数据进行时间域上的相关性分析，得到频谱相关系数；

第二模块，用于根据所述频谱相关系数对所述频谱数据进行构造，得到图结构频谱数据；

第三模块，用于对所述图结构频谱数据进行谱聚类处理，得到待测数据；

第四模块，用于将所述待测数据输入图神经网络，通过所述图神经网络捕捉得到所述待测数据在不同维度上的相关性，确定预测结果；

其中，所述第一模块，还包括：

获取频谱数据；

对所述频谱数据按大小顺序进行排列，得到顺序数据；

对所述顺序数据进行秩次计算，得到所述顺序数据的秩次差；

根据所述秩次差计算得到频谱相关系数。