[发明专利]训练模型的方法及系统和预测序列数据的方法及系统

说明书

提供了一种训练模型的方法及系统和预测序列数据的方法及系统。预测序列数据的方法包括：获取对象的序列预测样本，其中，所述序列预测样本包括按时间顺序排列的多个序列数据；利用所述机器学习模型，针对所述序列预测样本执行预测来提供关于所述多个序列数据之后的下一序列数据的预测结果，其中，所述机器学习模型被事先训练为针对按时间顺序排列的一系列序列数据来预测所述一系列序列数据之后的下一序列数据，并且所述机器学习模型至少包括多个图卷积网络，其中，所述多个图卷积网络包括利用基于所述对象的历史序列数据构建的动态图训练出的第一图卷积网络以及利用基于与所述对象有关的静态数据构建的静态图训练出的第二图卷积网络。

本申请是申请日为2019年11月27日、申请号为201911180700.2、题为“训练模型的方法及系统和预测序列数据的方法及系统”的专利申请的分案申请。

技术领域

本申请总体说来涉及人工智能领域，更具体地讲，涉及一种训练用于预测序列数据的基于图卷积网络的机器学习模型的方法及系统、以及利用基于图卷积网络的机器学习模型预测序列数据的方法及系统。

背景技术

随着海量数据的出现，人工智能技术迅速发展，而机器学习是人工智能发展到一定阶段的必然产物，其致力于通过计算的手段，从大量数据中挖掘有价值的潜在信息。通过机器学习对(例如，按时间顺序排列的交通流量)进行建模来挖掘序列数据背后的规律对于各种应用场景(例如，交通预测场景)非常重要。

图卷积网络(GCN)是对卷积神经网络(CNN)的扩展。CNN仅能处理规整的数据结构，如二维图片、三维视频。而GCN通过图谱理论或空间局部定义图形卷积，实现了在不规则的网络数据结构(诸如，社交网络、交通图网络)上定义卷积，从而更好的利用关系信息来挖掘序列数据背后的规律。

然而，目前的GCN无法处理多图融合尤其是动态图和静态图融合的情况。由于现有GCN方法中没有能够处理动态图和静态图融合的方法，因此以下三个关键问题无法被处理：

·图中的点随承担的角色不同，关系不同。例如，在交通图网络中，一个地区可看为一个点，随交通车辆在地区间往来产生边。同一个地区既可以看成起点，也可以看成终点。而起点间的关系和终点间的关系往往是不同的。然而，现有的方法无法处理这种双重关系图网络。

·动态性。图上的点之间的关系(边)通常是随时间变化的。

·由于不能利用额外信息构建静态图并将静态图和动态图融合，因此模型预测准确度不高。

发明内容

本发明在于解决目前的GCN无法处理动态图和静态图融合而导致模型预测准确性欠佳的问题，例如，在交通预测场景中，提高交通流量预测的准确性。

根据本申请示例性实施例，提供了一种利用基于图卷积网络的机器学习模型预测序列数据的方法，包括：获取对象的序列预测样本，其中，所述序列预测样本包括按时间顺序排列的多个序列数据；利用所述机器学习模型，针对所述序列预测样本执行预测来提供关于所述多个序列数据之后的下一序列数据的预测结果，其中，所述机器学习模型被事先训练为针对按时间顺序排列的一系列序列数据来预测所述一系列序列数据之后的下一序列数据，并且所述机器学习模型至少包括多个图卷积网络，其中，所述多个图卷积网络包括利用基于所述对象的历史序列数据构建的动态图训练出的第一图卷积网络以及利用基于与所述对象有关的静态数据构建的静态图训练出的第二图卷积网络。

可选地，针对所述序列预测样本执行预测来提供关于所述多个序列数据之后的下一序列数据的预测结果的步骤可包括：将所述序列预测样本分别输入第一图卷积网络和第二图卷积网络；利用第一图卷积网络获得针对所述序列预测样本的第一预测结果并利用第二图卷积网络获得针对所述序列预测样本的第二预测结果；按照预定规则将第一预测结果和第二预测结果进行融合来提供关于所述多个序列数据之后的下一序列数据的预测结果。