【技术实现步骤摘要】
本专利技术涉及时序图神经网络，特别涉及一种基于时序图神经网络的机会网络链路预测方法。
技术介绍
1、随着无线通信技术及设备蓬勃发展，传统依赖基站的无线通信网络虽广泛应用，但存在脆弱性，manet由此诞生，可自组织通信，但早期路由协议在动态场景有局限。为突破此困境，dtn及其衍生的机会网络出现，后者凭借独特优势在多领域广泛应用，军事领域地位亦日益凸显。链路预测对机会网络意义非凡，然而其面临众多棘手挑战，诸如网络动态性致使传统方法失效、数据稀疏难以支撑预测、特征提取因多种复杂因素举步维艰、预测模型设计需兼顾高效与通用、数据融合受限于格式与信息冲突等，诸多难题亟待攻克。
2、中国专利公告号cn106934489b公开了一种面向复杂网络的时序链路预测方法，通过网络的演化信息，进行较高精度的链路预测，并基于整体同步并行计算模型设计本专利技术的核心步骤。本专利技术预测方法具有很好的普适性，可以适用于多种社会网络中的时序链路预测；而且本专利技术预测方法具有良好的可扩展性，可以适用于分布式环境中的时序链路预测；
3、但是上述方法在使用中特征挖掘浅，仅依交互时间和频次，算法缺灵活，难适配多样网络。
技术实现思路
1、本专利技术的主要目的在于提供一种基于时序图神经网络的机会网络链路预测方法，可以有效解决特征挖掘浅，仅依交互时间和频次，算法缺乏灵活的问题。
2、为实现上述目的，本专利技术采取的技术方案为：
3、一种基于时序图神经网络的机会网络链路预测方法，
4、s1：全面收集机会网络内多渠道数据，依预定时间跨度规则，将数据有序梳理为网络快照系列，构建加权邻接矩阵反映节点连接交互细节，归一化处理后为链路预测夯实数据底层架构。
5、s2：接纳加权邻接矩阵及节点特征素材后，经编码融合操作提升特征维度丰富度，借注意力计算手段精准聚焦节点关键特征，加权聚合生成嵌入矩阵捕捉节点结构特质并转接编码流程，深度萃取特征内涵。
6、s3：以节点嵌入素材为切入，凭借图注意力网络挖掘节点间空间结构，并采用长短期记忆网络剖析节点历史特征序列动态演进轨迹，拼接隐藏状态凝练成时空嵌入表征，运用自注意力机制依节点核心度与时间脉络动态调配权重，优化后传输至解码环节。
7、s4：启动多层感知机架构，输入层引入编码层时空嵌入成果，借隐藏层深度抽象转换功能，依托激活函数精妙处理，经多层递进转换，将特征映射为链路生成概率矩阵，明确节点对链路涌现概率，为链路预测提供核心决策参考。
8、s5：围绕预测与真实链路构建损失函数核心架构，针对链路稀疏困境制定动态加权策略，融合复杂度管控技术与标签优化手段，借交叉验证机制精细雕琢权重参数，达成模型预测精准度与泛化广度的理想平衡，稳固模型性能基。
9、s6：依合理比例切割数据集为训练、验证、测试模块，融合模拟退火拓展搜索广度与随机梯度下降加速收敛优势算法驱动训练进程。依据网络动态节奏灵活调适学习率，多轮迭代精准刷新模型权重参数，提升预测性能。
10、s7：用多指标评估预测效果并与基线对比，开发可视化界面展示链路、节点轨迹、拓扑演化与指标趋势，依反馈优化模型，直观呈现与提升性能。
11、优选的，所述s1步骤包括多源数据采集系统、数据预处理软件、网络快照生成程序与邻接矩阵构建工具。
12、优选的，所述s2步骤包括特征编码与融合模块、维度提升子系统、多头图注意力计算引擎与嵌入矩阵生成软件。
13、优选的，所述s3步骤包括gat-lstm网络模型、隐藏状态拼接程序、多头自注意力分配系统与特征优化与输出模块。
14、优选的，所述s4步骤包括多层感知机架构、隐藏层处理组件与softmax转换单元。
15、优选的，所述s5步骤包括损失函数构建器、自适应加权策略、l2正则化与标签平滑工具与交叉验证优化器。
16、优选的，所述s6步骤包括数据集划分工具、混合优化训练系统、学习率自适应调整模块与模型更新程序。
17、优选的，所述s7步骤包括多指标评估系统、基线对比软件、可视化开发工具与模型反馈优化器。
18、与现有技术相比，本专利技术具有如下有益效果：
19、1、本专利技术通过独特的tgnn模型架构，精准捕获机会网络节点间时空特征。嵌入层的gat精确解析节点结构关联，编码层lstm与多头自注意力协同捕捉时序演变，解码层高效映射特征至概率空间，多机制融合构建强预测能力模型，为网络通信规划提供坚实支撑，大幅增强链路预测准确性与稳定性，提升网络通信可靠性与数据传输成功率。
20、2、本专利技术通过创新损失函数及优化策略，有效化解机会网络挑战。自适应加权策略化解数据稀疏难题，l2正则化与标签平滑抑制过拟合、提升泛化性，多优化算法协同确保模型在动态复杂环境下稳健高效，模型能灵活适配多领域网络特性，在智能交通、灾害救援等场景展现强适应性，依场景需求精准预测链路，优化资源配置与通信效率，有力推动多行业网络应用发展革新。
本文档来自技高网...【技术保护点】
1.一种基于时序图神经网络的机会网络链路预测方法，其步骤包括：
2.根据权利要求1所述的一种基于时序图神经网络的机会网络链路预测方法，其特征在于：所述S1步骤包括多源数据采集系统、数据预处理软件、网络快照生成程序与邻接矩阵构建工具。
3.根据权利要求1所述的一种基于时序图神经网络的机会网络链路预测方法，其特征在于：所述S2步骤包括特征编码与融合模块、维度提升子系统、多头图注意力计算引擎与嵌入矩阵生成软件。
4.根据权利要求1所述的一种基于时序图神经网络的机会网络链路预测方法，其特征在于：所述S3步骤包括GAT-LSTM网络模型、隐藏状态拼接程序、多头自注意力分配系统与特征优化与输出模块。
5.根据权利要求1所述的一种基于时序图神经网络的机会网络链路预测方法，其特征在于：所述S4步骤包括多层感知机架构、隐藏层处理组件与Softmax转换单元。
6.根据权利要求1所述的一种基于时序图神经网络的机会网络链路预测方法，其特征在于：所述S5步骤包括损失函数构建器、自适应加权策略、L2正则化与标签平滑工具与交叉验证优化器。
<...【技术特征摘要】
1.一种基于时序图神经网络的机会网络链路预测方法，其步骤包括：
2.根据权利要求1所述的一种基于时序图神经网络的机会网络链路预测方法，其特征在于：所述s1步骤包括多源数据采集系统、数据预处理软件、网络快照生成程序与邻接矩阵构建工具。
3.根据权利要求1所述的一种基于时序图神经网络的机会网络链路预测方法，其特征在于：所述s2步骤包括特征编码与融合模块、维度提升子系统、多头图注意力计算引擎与嵌入矩阵生成软件。
4.根据权利要求1所述的一种基于时序图神经网络的机会网络链路预测方法，其特征在于：所述s3步骤包括gat-lstm网络模型、隐藏状态拼接程序、多头自注意力分配系统与特征优化与输出模块。
5.根据权利要求1所述的一...
【专利技术属性】
技术研发人员：杨晓颖，张国君，于小川，白翔宇，赵寅峰，郭瑞华，赵怀亮，程建，张翼，杜佃兵，胡格金，方国宝，李一君，田晓云，
申请(专利权)人：内蒙古大学，
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。