[發明專利]基于圖注意力神經網絡的空巢老人識別方法

在審

• 申請號: 202010596305.9
• 申請日: 2020-06-28
• 公開（公告）號: CN111986045A
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 汪志奕;徐金亮;楊洋;江碩;舒成也;應張馳;俞敏;蔣欣利
• 申請（專利權）人: 國網浙江省電力有限公司金華供電公司;浙江大學;浙江華云信息科技有限公司
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 浙江翔隆專利事務所(普通合伙) 33206
• 代理人: 王曉燕

1.基于圖注意力神經網絡的空巢老人識別方法，其特征在于包括以下步驟：

1)首先采集多維度行為數據，包括電網采集系統中的用戶用電記錄、營銷系統中的繳費記錄、以及國網工作人員現場排查調研得到的空巢老人標簽信息；

2)針對用電數據和繳費記錄，分別提取各類數據的統計特征，并將用電數據輸入到深度模型中，深度模型挖掘具有時序影響因子的子序列、并基于子序列和圖注意力神經網絡進行端到端分類，進一步提取深度特征；

3)將統計特征和深度特征拼接起來輸入到外層分類器，外層分類器輸出用戶為空巢老人的概率。

2.根據權利要求2所述的基于圖注意力神經網絡的空巢老人識別方法，其特征在于：在步驟2)中，在挖掘具有時序影響因子的子序列過程中，通過定義子序列到原時間序列的有權距離，利用機器學習算法對權重進行優化，進而得到具有代表性的子序列及其最優的時序影響因子；其中，有權距離基于時間偏移，同時引入兩層時間因子權重，刻畫子序列內部隨著時間波動的變化情況和子序列在不同時刻出現的意義；通過定義基于子序列到正負樣本之間距離的損失函數，求解每個子序列對應的最優時間因子權重，最后根據損失函數最優值的大小，找到函數值最小的K個子序列作為特征子序列。

3.根據權利要求2所述的基于圖注意力神經網絡的空巢老人識別方法，其特征在于：在得到特征子序列后，深度模型進一步地對子序列的演化轉移進行刻畫，挖掘更深層次的內部演化規律；基于圖注意力神經網絡，將每個時間序列轉化為以子序列為節點的完全圖，邊的權重為待學習的參數；對于每個時間序列對應的子序列轉移圖，其節點的特征定義為：一部分是該子序列的實際數據，另一部分是子序列到原時間序列各個的距離；將子序列的實際數據、子序列到原時間序列各個的距離拼接起來得到節點的原始輸入特征，然后借用圖注意力神經網絡的機制，得到邊的權重和每個節點的隱層特征；最終將節點的隱層特征拼接起來再輸入到一個全連接網絡，利用基于交叉熵的損失函數和基于梯度下降的優化算法學習深度模型的參數，得到端到端的分類框架以進行端到端的分類。

4.根據權利要求3所述的基于圖注意力神經網絡的空巢老人識別方法，其特征在于：在步驟3)中，在訓練好圖神經網絡后，將網絡倒數第二層即每個圖的隱層表示向量提取出來作為深度特征與統計特征進行拼接，并輸入到的外層分類器中。