[發(fā)明專利]基于時(shí)空聚合的靈活動(dòng)態(tài)網(wǎng)絡(luò)鏈路預(yù)測方法、系統(tǒng)及應(yīng)用

有效

• 申請(qǐng)?zhí)枺?/td>: 202110132110.3
• 申請(qǐng)日: 2021-01-31
• 公開（公告）號(hào): CN112766464B
• 公開（公告）日: 2023-07-25
• 發(fā)明（設(shè)計(jì)）人: 易運(yùn)暉;程相澤;趙楠;陳南;朱暢華;何先燈;權(quán)東曉
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06N3/045
• 分類號(hào): G06N3/045;G06N3/047;G06N3/0475;G06N3/048;G06N3/044;G06N3/0442;G06N3/088;G06N3/094;G06N5/04
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 黃偉洪

1.一種基于時(shí)空聚合的靈活動(dòng)態(tài)網(wǎng)絡(luò)鏈路預(yù)測方法，其特征在于，所述基于時(shí)空聚合的靈活動(dòng)態(tài)網(wǎng)絡(luò)鏈路預(yù)測方法包括：構(gòu)建基于時(shí)空聚合的靈活動(dòng)態(tài)網(wǎng)絡(luò)鏈路預(yù)測模型，在每個(gè)時(shí)間步共享相同的參數(shù)；通過變分推理原理對(duì)節(jié)點(diǎn)嵌入進(jìn)行采樣，利用構(gòu)建基于時(shí)空聚合的靈活動(dòng)態(tài)網(wǎng)絡(luò)鏈路預(yù)測模型進(jìn)行動(dòng)態(tài)網(wǎng)絡(luò)鏈路預(yù)測；

所述基于時(shí)空聚合的靈活動(dòng)態(tài)網(wǎng)絡(luò)鏈路預(yù)測方法包括以下步驟：

步驟一，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，利用生成器生成預(yù)測數(shù)據(jù)；

步驟二，利用鑒別器辨別數(shù)據(jù)，交替、迭代更新生成器和鑒別器；

步驟三，生成預(yù)測結(jié)果；

所述步驟一中對(duì)數(shù)據(jù)進(jìn)行預(yù)處理包括：

(1)在時(shí)間維度上對(duì)網(wǎng)絡(luò)G進(jìn)行切片處理，通過一系列的網(wǎng)絡(luò)快照G′＝{G₁，G₂，…，G_T}表示網(wǎng)絡(luò)G，

其中，G_t＝{V，E_t，W_t}表示某個(gè)時(shí)間片t(t∈{1，2，…，T})處的快照，V表示節(jié)點(diǎn)集合，E_t表示對(duì)應(yīng)的邊的集合，E_t的元素為無序元組{i，j}，其中i，j∈V，W_t為E_t中對(duì)應(yīng)邊的權(quán)重集合；

(2)利用A_t∈R^|N|×|N|表示相應(yīng)的靜態(tài)拓?fù)浣Y(jié)構(gòu)，其中，N為節(jié)點(diǎn)集合V中節(jié)點(diǎn)數(shù)量；當(dāng)節(jié)點(diǎn)i與節(jié)點(diǎn)j之間有一條權(quán)重為W_t(i，j)的邊時(shí)，(A_t)_i，j＝(A_t)_j，i＝W_t(i，j)，否則(A_t)_i，j＝(A_t)_j，i＝0；

所述利用生成器生成預(yù)測數(shù)據(jù)包括：基于前l(fā)個(gè)時(shí)間片的鄰接矩陣{A_t-l+1，A_t-l+2，…，A_t}，生成下一個(gè)時(shí)間片t+1的拓?fù)浣Y(jié)構(gòu)，即其中A_t-l+1：t＝{A_t-l+1，A_t-l+2，…，A_t}；

所述利用生成器生成預(yù)測數(shù)據(jù)包括：

1)將節(jié)點(diǎn)特征矩陣F∈R^|N|×|M|和鄰接矩陣{A_t-l+1，A_t-l+2，…，A_t}由遠(yuǎn)及近依次通過時(shí)空聚合層，輸出節(jié)點(diǎn)表示矩陣

其中，M表示輸入節(jié)點(diǎn)特征的維度；d為輸出節(jié)點(diǎn)特征的維度，即

2)將分別通過兩個(gè)GCN層GCN_μ和GCN_σ，使用其輸出參數(shù)化單位高斯分布從中采樣得到Z_t∈R^|N|×|d|，即

3)將Z_t輸送至全連接輸出層，生成下一個(gè)時(shí)間片t+1的網(wǎng)絡(luò)快照；

所述將節(jié)點(diǎn)特征矩陣F∈R^|N|×|M|和鄰接矩陣{A_t-l+1，A_t-l+2，…，A_t}由遠(yuǎn)及近依次通過時(shí)空聚合層，輸出節(jié)點(diǎn)表示矩陣包括：

首先，將鄰接矩陣A_t和特征矩陣F∈R^|N|×|M|輸入到GCN層中捕獲空間特征，通過第一個(gè)歸一化層得到即

其次，將和輸入到RNN層中捕獲時(shí)間特征，再通過第二個(gè)歸一化層得到即

最后，將和連接在一起，通過一個(gè)激活函數(shù)來生成節(jié)點(diǎn)的最終表示即

所述步驟二利用鑒別器辨別數(shù)據(jù)包括：將生成器G生成的網(wǎng)絡(luò)快照和真實(shí)快照A_t+1輸入鑒別器D中，鑒別器D對(duì)生成網(wǎng)絡(luò)快照和真實(shí)快照A_t+1進(jìn)行區(qū)分，判斷其真實(shí)性，輸出判斷結(jié)果；

所述鑒別器D對(duì)生成網(wǎng)絡(luò)快照和真實(shí)快照A_t+1進(jìn)行區(qū)分，判斷其真實(shí)性包括：將輸入的生成網(wǎng)絡(luò)快照和真實(shí)快照A_t+1送入具有一個(gè)隱藏層和一個(gè)輸出層的全連接前饋神經(jīng)網(wǎng)絡(luò)；通過softmax層計(jì)算輸出概率分布，基于概率分布結(jié)果判斷其真實(shí)性；

所述通過softmax層計(jì)算輸出概率分布包括：

其中，和分別是輸入層和輸出層的參數(shù)，σ(·)為隱藏層的激活函數(shù)；

所述交替、迭代更新生成器和鑒別器包括：分別通過最小化目標(biāo)函數(shù)和更新鑒別器D和生成器G的參數(shù)，其中P_data表示訓(xùn)練數(shù)據(jù)，θ和φ分別是生成器G和鑒別器D的參數(shù)；

所述步驟三中生成預(yù)測結(jié)果包括：將當(dāng)前時(shí)間前l(fā)個(gè)時(shí)間片的鄰接矩陣輸入到已經(jīng)訓(xùn)練好的預(yù)測模型中，得到下一個(gè)時(shí)間片的預(yù)測結(jié)果。