[发明专利]获得用于执行流量预测业务的图神经网络的方法及装置

说明书

本说明书实施例中提供了一种获得用于执行流量预测业务的图神经网络的方法及装置。该方法包括：获取图结构中N个节点的流量数据序列，流量数据序列包括与T个时段相对应的T个流量数据集合，单个流量数据集合包含N个节点各自在对应时段的节点流量；确定N个节点各自的节点流量满足的约束条件；根据约束条件确定损失函数；根据流量数据序列和损失函数训练得到用于执行流量预测业务第一时空图神经网络。

技术领域

本说明书一个或多个实施例涉及计算机领域，尤其涉及获得用于执行流量预测业务的图神经网络的方法及装置。

背景技术

随着人工智能(artificial intelligence，AI)技术的发展以及大数据的积累，用于执行流量预测业务的时空图神经网络，已经逐渐被更加广泛应用于网络流量预测以及交通流量预测等相关于流量预测的业务场景中。

希望有一种新的技术方案，以期有利于更加准确的完成流量预测业务。

发明内容

本说明书一个或多个实施例中提供了一种获得用于执行流量预测业务的图神经网络的方法。

第一方面，提供了一种获得用于执行流量预测业务的时空图神经网络的方法，包括：获取图结构中N个节点的流量数据序列，所述流量数据序列包括与T个时段相对应的T个流量数据集合，单个流量数据集合包含N个节点各自在对应时段的节点流量；确定N个节点各自的节点流量满足的约束条件；根据所述约束条件确定损失函数；根据所述流量数据序列和所述损失函数训练第一时空图神经网络，其中训练后的所述第一时空图神经网络用于执行所述流量预测业务。

在一种可能的实施方式中，确定N个节点各自的节点流量满足的约束条件，包括：从N个节点中确定W个约束节点，W大于1；根据W个约束节点各自在相同时段的节点流量确定所述约束条件。

在一种可能的实施方式中，从N个节点中确定W个约束节点，包括：对于N个节点中任意的第i个节点，将除所述第i个节点以外的N-1个节点在任意当前时段的节点流量作为输入数据，将所述第i个节点在该当前时段的节点流量作为标签数据，训练所述第i个节点对应的第一约束网络；将所述N-1个节点在当前时段的节点流量输入训练后的所述第一约束网络，使其输出所述第i个节点在该当前时段的第一预测流量；根据所述第i个节点在各个时段的节点流量和第一预测流量，确定所述第i个节点是否为约束节点。

在一种可能的实施方式中，根据W个约束节点各自在相同时段的节点流量确定所述约束条件，包括：对于W个约束节点中任意的第j个节点，将除第j个约束节点以外的W-1个约束节点在任意当前时段的节点流量作为输入数据，将所述第j个约束节点在该当前时段的节点流量作为标签数据，训练所述第j个节点对应的第二约束网络；基于训练后的所述第二约束网络确定所述约束条件。

在一种可能的实施方式中，基于训练后的所述第二约束网络确定所述约束条件，具体包括：基于训练后的第二约束网络确定所述第j个约束节点对应的约束子函数，所述约束子函数中的W个变量表征W个约束节点在相同时段的W个节点流量；对W个约束节点分别对应的约束子函数进行合并，获得作为所述约束条件的约束函数。

在一种可能的实施方式中，所述约束条件是函数值为0的约束函数，所述约束函数中的W个变量表征W个约束节点在相同时段的W个节点流量。

在一种可能的实施方式中，所述第一时空图神经网络包括第一隐藏层。所述流量数据序列被输入所述第一时空图神经网络时，所述第一隐藏层针对任意当前时段的流量数据集合输出用于表征N个节点的节点流量的N维特征向量。所述损失函数包含第一损失项，所述第一损失项用于指示W维特征向量与所述约束函数的匹配程度，所述W维特征向量从所述N维特征向量中获取，并且与所述W个约束节点相对应。

在一种可能的实施方式中，所述约束函数为线性函数。所述第一损失项通过基于所述约束函数确定的目标矩阵与各个时段的所述W维特征向量的乘积计算得到。