[发明专利]基于图卷积神经网络的节点状态预测的方法

摘要

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。

主权项

1.基于图卷积神经网络进行节点状态预测的方法，其特征在于，具体步骤如下：1)获取数据和数据预处理适用于有网络结构(G)存在的数据，如交通网络、贸易网络、传染病网络，用网络的邻接矩阵(A)来表示网络结构，邻接矩阵的表示为：其中，i，j为节点，E为连边，无权无向图的邻接矩阵即i，j之间存在连边就记为1，否则就记为0；另外输入当前时刻即t时刻的节点状态，而对于网络上的节点状态，连续的节点状态，直接用状态值作为输入，对于离散的节点状态，用one‑hot编码节点的类别状态作为输入；2)在模型中训练我们的模型框架为卷积层‑2线性层‑卷积层‑线性层‑输出层，卷积层的计算公式为：f(H^(l),A)＝σ(AH^(l)W^(l))其中，H为l层的输入，A为邻接矩阵，W为待学习的参数，σ为激活函数，这里采用relu的激活函数；线性层即MLP以及我们采用了relu的非线性激活函数。模型通过梯度下降的方法进行训练。整个框架中参数数量以及超参的设置根据不同的数据集可以进行调节。3)预测效果评估模型将会输出预测的t+1时刻的节点状态，其类型和模型的输入相同，即输出连续的状态值或者不同类别的概率，然后我们和t+1时刻真实的状态进行对比，连续的状态值计算均方误差(MSE)，离散的类别状态我们计算预测的准确率。