[發明專利]一種基于金字塔式因果網絡的耦合信息流長期預測方法

有效

• 申請號: 202310065473.9
• 申請日: 2023-02-06
• 公開（公告）號: CN115809747B
• 公開（公告）日: 2023-05-09
• 發明（設計）人: 李雨芝;邱晨萌;邵其;陳都鑫;虞文武
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/08;G06N3/0442;G06N3/045;G06N3/049
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 杜靜靜

1.一種基于金字塔式因果網絡的耦合信息流長期預測方法，其特征在于，所述方法包括以下步驟：

步驟1：因果網絡重構；

步驟2：金字塔時空網絡模型建立；

其中，步驟1：因果網絡重構，包括兩個步驟：

步驟11：構建復雜因果網絡；

步驟12：計算因果熵；

步驟2：金字塔時空網絡模型建立，包括三個步驟：

步驟21：預處理；

步驟22：時空塊；

步驟23：解碼輸出；

其中，步驟11：采用基于因果性指標的因果推理方法來構建復雜的因果網絡，對于事件，通過信息熵來反映信息的不確定性，其公式為:

，

其中是變量的概率,而對于兩個事件通過定義聯合熵和條件熵來確定信息之間的關系，其公式為：

，

其中是變量的聯合概率和條件概率,互信息描述兩個事件之間的共享信息，當的關系越密切，互信息越大，其公式為：

；

此時若有另一事件作為發生條件時，事件的條件互信息為

條件互信息反應在條件下兩個事件的關系，不能描述信息流的方向，而傳遞熵解決這一問題，其公式為：

；

設計了一個因果熵指標，通過確定延遲時間，得到兩個時間序列之間信息流的方向，定義為：

；

這一指標反映在給定的條件且明確的信息和方向時，能提供的信息量；

步驟12：計算因果熵，因果熵等價于互信息，通過一種基于KNN的互信息估計方法來估計兩個事件的互信息：

；

其中，表示所有樣本的平均值，表示為近鄰點個數，是一個digamma函數，表示樣本大小，表示在方向上滿足KNN的點數，

當條件集為多維隨機變量時，將互信息公式推廣為

,

其中，步驟21：預處理，具體如下：將時間數據進行預處理并改變數據的維數，分為兩個部分：

1、學習每個時間段的權重，從而找到最重要的時間段，并通過賦予更高的權重來強調該

時間段，設輸入，其中為時間段的個數，衡量時間段權重的公式如下：

；

其中，是全局平均池化，將每個時間段的信息匯總成為標量；是可學習的權值；分別是ReLU函數和sigmoid函數，由此生成權值，這里的權值是強調時間段后得到的，然后點乘于輸入；

2、增加維度，由于節點特征維度為1，與時間段維數不同，因此特征維度需要增加，增加維度的公式如下：

；

其中分別對特征維數和時間段維數進行線性變換，是經過處理后的數據；

步驟22：時空塊，包括兩個模塊：

步驟22-1、時間模塊；

步驟22-2、空間模塊；

其中，步驟22-1、時間模塊；通過金字塔式時間模型提取時間序列信息，具體如下：

步驟22-1.1金字塔時間模型的主體由時間維度上的一維卷積組成，通過一維卷積，以金字塔結構逐步提取輸入數據的時間信息，卷積公式如下：

其中，為第個STBlock的層的輸入，為一維卷積核，隨著金字塔層的增加，輸入數據的時間維度將被提取出來；

步驟22-1.2通過金字塔結構提取數據后，每一層都會得到不同長度的的時間序列數據，然后將門控循環神經網絡（GRU）分別應用于每個金字塔層，模型如下：

；

其中為隱藏層，為隨機參數，由此，金字塔的每一層都會得到經過處理的時間序列數據，

步驟22-1.3使用每一層的最后一個時間段來匯總信息，匯總信息過程如下:

其中是第個STBlock的提取結果，為金字塔層數，提取結果將作為空間模塊的輸入；

步驟22-2、空間模塊，具體如下：

步驟22-2.1由于交通地理網絡是非歐幾里德網絡，通過GNN的譜域方法進行提取，設為信號，是圖的鄰接矩陣，卷積描述為:

；

其中為卷積輸出，為濾波器，為參數，是歸一化Laplacian?矩陣的特征向量，是其特征值，用Chebyshev多項式近似濾波器得到：

；

其中，多項式，為特征值的縮放：

；

其中，為矩陣的最大特征值，由此得到的表達式為：

；

設定Chebyshev多項式階為1，并逼近最大特征值為2，由此得到GCN模型為：

；

其中，是加權鄰接矩陣，是卷積輸出，

步驟22-2.2為了保證STBlock不改變數據維數，空間模塊的輸出維數將增加，公式如下：

；

其中，表示第個STBlock的輸出；

步驟23：解碼輸出，具體如下，根據一系列線性變換，對提取的信息進行解碼，使輸出特征維數為1，模型如下：

；

其中，輸出為模型預測結果。