本说明书实施例中提供了一种获得用于执行流量预测业务的图神经网络的方法及装置。该方法包括：获取图结构中N个节点的流量数据序列，流量数据序列包括与T个时段相对应的T个流量数据集合，单个流量数据集合包含N个节点各自在对应时段的节点流量；确定N个节点各自的节点流量满足的约束条件；根据约束条件确定损失函数；根据流量数据序列和损失函数训练得到用于执行流量预测业务第一时空图神经网络。用于执行流量预测业务第一时空图神经网络。用于执行流量预测业务第一时空图神经网络。
【技术实现步骤摘要】
获得用于执行流量预测业务的图神经网络的方法及装置
[0001]本说明书一个或多个实施例涉及计算机领域，尤其涉及获得用于执行流量预测业务的图神经网络的方法及装置。
技术介绍
[0002]随着人工智能(artificial intelligence，AI)技术的发展以及大数据的积累，用于执行流量预测业务的时空图神经网络，已经逐渐被更加广泛应用于网络流量预测以及交通流量预测等相关于流量预测的业务场景中。
[0003]希望有一种新的技术方案，以期有利于更加准确的完成流量预测业务。
技术实现思路
[0004]本说明书一个或多个实施例中提供了一种获得用于执行流量预测业务的图神经网络的方法。
[0005]第一方面，提供了一种获得用于执行流量预测业务的时空图神经网络的方法，包括：获取图结构中N个节点的流量数据序列，所述流量数据序列包括与T个时段相对应的T个流量数据集合，单个流量数据集合包含N个节点各自在对应时段的节点流量；确定N个节点各自的节点流量满足的约束条件；根据所述约束条件确定损失函数；根据所述流量数据序列和所述损失函数训练第一时空图神经网络，其中训练后的所述第一时空图神经网络用于执行所述流量预测业务。
[0006]在一种可能的实施方式中，确定N个节点各自的节点流量满足的约束条件，包括：从N个节点中确定W个约束节点，W大于1；根据W个约束节点各自在相同时段的节点流量确定所述约束条件。
[0007]在一种可能的实施方式中，从N个节点中确定W个约束节点，包括：对于N个节点中任意的第i个节点，将除所述第i个节点以外的N
‑
1个节点在任意当前时段的节点流量作为输入数据，将所述第i个节点在该当前时段的节点流量作为标签数据，训练所述第i个节点对应的第一约束网络；将所述N
‑
1个节点在当前时段的节点流量输入训练后的所述第一约束网络，使其输出所述第i个节点在该当前时段的第一预测流量；根据所述第i个节点在各个时段的节点流量和第一预测流量，确定所述第i个节点是否为约束节点。
[0008]在一种可能的实施方式中，根据W个约束节点各自在相同时段的节点流量确定所述约束条件，包括：对于W个约束节点中任意的第j个节点，将除第j个约束节点以外的W
‑
1个约束节点在任意当前时段的节点流量作为输入数据，将所述第j个约束节点在该当前时段的节点流量作为标签数据，训练所述第j个节点对应的第二约束网络；基于训练后的所述第二约束网络确定所述约束条件。
[0009]在一种可能的实施方式中，基于训练后的所述第二约束网络确定所述约束条件，具体包括：基于训练后的第二约束网络确定所述第j个约束节点对应的约束子函数，所述约束子函数中的W个变量表征W个约束节点在相同时段的W个节点流量；对W个约束节点分别对
应的约束子函数进行合并，获得作为所述约束条件的约束函数。
[0010]在一种可能的实施方式中，所述约束条件是函数值为0的约束函数，所述约束函数中的W个变量表征W个约束节点在相同时段的W个节点流量。
[0011]在一种可能的实施方式中，所述第一时空图神经网络包括第一隐藏层。所述流量数据序列被输入所述第一时空图神经网络时，所述第一隐藏层针对任意当前时段的流量数据集合输出用于表征N个节点的节点流量的N维特征向量。所述损失函数包含第一损失项，所述第一损失项用于指示W维特征向量与所述约束函数的匹配程度，所述W维特征向量从所述N维特征向量中获取，并且与所述W个约束节点相对应。
[0012]在一种可能的实施方式中，所述约束函数为线性函数。所述第一损失项通过基于所述约束函数确定的目标矩阵与各个时段的所述W维特征向量的乘积计算得到。
[0013]在一种可能的实施方式中，所述约束函数为非线性函数。所述第一损失项基于所述第一隐藏层的均值向量计算得到，所述均值向量基于各个时段的所述W维特征向量计算得到。
[0014]在一种可能的实施方式中，所述方法还包括：根据所述约束条件和所述流量数据序列生成对应的扰动数据序列。所述根据所述流量数据序列和所述损失函数训练第一时空图神经网络，具体包括：根据所述流量数据序列、所述扰动数据序列和所述损失函数训练第一时空图神经网络。
[0015]在一种可能的实施方式中，所述损失函数包含第二损失项，所述第二损失项用于指示，所述扰动数据序列被输入所述第一时空图神经网络时，所述第一时空图神经网络输出的N个节点在第T+1个时段的第三预测流量与所述约束条件的匹配程度。
[0016]在一种可能的实施方式中，所述方法还包括：基于所述约束条件构建转化层，所述转化层用于提升所述第一时空图神经网络针对N个节点在目标时段的预测流量与所述约束条件的匹配程度；在所述第一时空图神经网络基础上连接所述转化层，以获得第二时空图神经网络，所述第二时空图神经网络用于执行所述流量预测业务。
[0017]在一种可能的实施方式中，所述转化层配置为，获得所述第一时空图神经网络输出的N个节点各自在目标时段的第四预测流量，对其进行处理并输出N个节点的第五预测流量，其中N个节点的第四预测流量与所述约束条件的匹配程度，小于N个节点的第五预测流量与所述约束条件的匹配程度。
[0018]在一种可能的实施方式中，N个节点对应N个网络页面或N个网络设备，所述节点流量为网络页面或网络设备的访问量。或者，N个节点对应N个车站，所述节点流量为经过车站的车流量。
[0019]第二方面，提供了一种获得用于执行流量预测业务的图神经网络的装置，包括：
[0020]数据获取单元，配置为获取图结构中N个节点的流量数据序列，所述流量数据序列包括与T个时段相对应的T个流量数据集合，单个流量数据集合包含N个节点各自在对应时段的节点流量；
[0021]条件确定单元，配置为确定N个节点各自的节点流量满足的约束条件；
[0022]损失确定单元，配置为根据所述约束条件确定损失函数；
[0023]训练处理单元，配置为根据所述流量数据序列和所述损失函数训练第一时空图神经网络，其中训练后的所述第一时空图神经网络用于执行所述流量预测业务。
[0024]第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序/指令，当所述计算机程序/指令在计算设备中执行时，计算设备执行如第一方面中任一项所述的方法。
[0025]第四方面，提供了一种计算设备，其包括存储器和处理器，所述存储器中存储有计算机程序/指令，所述处理器执行所述计算机程序/指令时，实现如第一方面中任一项所述的方法。
[0026]通过本说明书一个或多个实施例中提供的方法及装置，获得用于执行流量预测业务的时空图神经网络的过程中，充分考虑流量预测业务涉及的图结构中的N个节点各自在相同时段的节点流量间的相关性，基于训练后的时空图神经网络执行流量预测业务时，训练后的时空图神经网络则可结合N个节点各自在相同时段的节点流量间的相关性，更加准确的预测N个节点在未来的一个或多个时段的流量。
附图说明
...
【技术保护点】
【技术特征摘要】
1.一种获得用于执行流量预测业务的图神经网络的方法，包括：获取图结构中N个节点的流量数据序列，所述流量数据序列包括与T个时段相对应的T个流量数据集合，单个流量数据集合包含N个节点各自在对应时段的节点流量；确定N个节点各自的节点流量满足的约束条件；根据所述约束条件确定损失函数；根据所述流量数据序列和所述损失函数训练第一时空图神经网络，其中训练后的所述第一时空图神经网络用于执行所述流量预测业务。2.根据权利要求1所述的方法，其中，确定N个节点各自的节点流量满足的约束条件，包括：从N个节点中确定W个约束节点，W大于1；根据W个约束节点各自在相同时段的节点流量确定所述约束条件。3.根据权利要求2所述的方法，其中，从N个节点中确定W个约束节点，包括：对于N个节点中任意的第i个节点，将除所述第i个节点以外的N
‑
1个节点在任意当前时段的节点流量作为输入数据，将所述第i个节点在该当前时段的节点流量作为标签数据，训练所述第i个节点对应的第一约束网络；将所述N
‑
1个节点在当前时段的节点流量输入训练后的所述第一约束网络，使其输出所述第i个节点在该当前时段的第一预测流量；根据所述第i个节点在各个时段的节点流量和第一预测流量，确定所述第i个节点是否为约束节点。4.根据权利要求2所述的方法，其中，根据W个约束节点各自在相同时段的节点流量确定所述约束条件，包括：对于W个约束节点中任意的第j个节点，将除第j个约束节点以外的W
‑
1个约束节点在任意当前时段的节点流量作为输入数据，将所述第j个约束节点在该当前时段的节点流量作为标签数据，训练所述第j个节点对应的第二约束网络；基于训练后的所述第二约束网络确定所述约束条件。5.根据权利要求4所述的方法，其中，基于训练后的所述第二约束网络确定所述约束条件，具体包括：基于训练后的第二约束网络确定所述第j个约束节点对应的约束子函数，所述约束子函数中的W个变量表征W个约束节点在相同时段的W个节点流量；对W个约束节点分别对应的约束子函数进行合并，获得作为所述约束条件的约束函数。6.根据权利要求2所述的方法，其中，所述约束条件是函数值为0的约束函数，所述约束函数中的W个变量表征W个约束节点在相同时段的W个节点流量。7.根据权利要求6所述的方法，其中，所述第一时空图神经网络包括第一隐藏层；所述流量数据序列被输入所述第一时空图神经网络时，所述第一隐藏层针对任意当前时段的流量数据集合输出用于表征N个节点的节点流量的N维特征向量；所述损失函数包含第一损失项，所述第一损失项用于指示W维特征向量与所述约束函数的匹配程度，所述W维特征向量从所述N维特征向量中获取，并且与所述W个约束节点相对应。8.根据权利要求7所述的方法，其中，所述约束函数为线性函数；所述第一损失项通过
基于所述约束函数确定的目...
【专利技术属性】
技术研发人员：余冰，余航，李建国，李婷，刘向阳，董彬，朱占星，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。