买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：长江信达软件技术(武汉)有限责任公司

摘要：本发明公开了一种基于马尔科夫扩散核的图神经网络模型。它包括图卷积模块和节点特征聚合模块；通过图卷积模块得到的图卷积层的节点表征，经过节点特征聚合模块聚合及转换处理后得出下游任务所需的节点指标值；图卷积模块包括第一input_dim×hidden线性转化层、hidden×hidden图卷积块；hidden×hidden图卷积块有多个；第一input_dim×hidden线性转化层、多个hidden×hidden图卷积块顺序连接；节点特征聚合模块包括节点特征聚合层和第二hidden×output_dim线性转化层；节点特征聚合层和第二hidden×output_dim线性转化层顺序连接。本发明还公开了所述的基于马尔科夫扩散核的图神经网络模型在供水网络中的应用、以及基于马尔科夫扩散核的图神经网络模型的框架扩展。

主权项：1.一种基于马尔科夫扩散核的图神经网络模型在供水网络中的应用，其特征在于：所述基于马尔科夫扩散核的图神经网络模型包括图卷积模块和节点特征聚合模块；通过图卷积模块得到的图卷积层的节点表征，经过节点特征聚合模块聚合及转换处理后得出下游任务所需的节点指标值；图卷积模块包括第一input_dim×hidden线性转化层、hidden×hidden图卷积块；hidden×hidden图卷积块有多个；第一input_dim×hidden线性转化层、多个hidden×hidden图卷积块顺序连接，图卷积模块的输入为预处理后的图结构数据、输出为各个图卷积层的节点表征；节点特征聚合模块包括节点特征聚合层和第二hidden×output_dim线性转化层；节点特征聚合层和第二hidden×output_dim线性转化层顺序连接；输入上述各个图卷积层的节点表征，经过节点特征聚合层，聚合得出最终的节点表征，作为所述第二hidden×output_dim线性转化层的输入；所述的基于马尔科夫扩散核的图神经网络模型的构建方法，包括如下步骤，首先，定义图结构数据；对于一个具有n个节点和m条连边的图结构数据，记为G＝V,E，其中V为初始节点集合，E为初始连边集合；用A来表示G的邻接矩阵，D表示G的度信息对角矩阵；对于其中的每个节点，都拥有相应的特征，用来表示，其中，q0为G中节点的特征维度；接着，给出一个基础的图神经网络模型GNN的定义；在每个传播步骤中，V中的每个节点i从e∈E中聚合邻域的消息，并通过聚合方式来传入消息，与其先前的表示hi进行组合，来更新其表示；在形式上，每个节点都具备其初始特征，记作在单步迭代过程中，每个节点的特征都由其直接邻域中更新，经由k步生成一个k层图神经网络模型表示为： 其中，fk为一种聚合函数，经由各节点的邻域作用于各个节点；Ni表示节点对应的一阶邻域；θk为第k层的权重矩阵，是由可学习参数构成的；j指节点i的邻接节点；k≦K，K为图神经网络模型的总层数，K取值为15～25；接着，定义马尔科夫扩散距离；在时间T，节点i和节点j之间的马尔科夫扩散距离定义为： 其中，dijT是在时间T，节点i和节点j之间的马尔科夫扩散距离；xjT则是节点j在时间T的平均访问概率；xiT为节点i在时间T的平均访问概率，它的计算方式为： 其中，Trans代表节点i在此马尔科夫过程中的转移概率矩阵，xi0为该节点转移概率矩阵的初始状态；那么通过定义将公式2改写为以下形式： 其中，视为两个节点之间的欧式距离，通过FilterT映射到高维空间当中；基于核方法及其衍生的图滤波器，得到一个基于马尔科夫扩散核的图神经网络模型，该模型在k层得到的节点表征表示为： 其中，表示标准化的转移概率矩阵，一般通过图的拉普拉斯矩阵来进行标准化计算，W代表权重矩阵，可视为节点在图神经网络模型第k层的表征；是指节点i在第0层的节点特征，即它的初始特征经过第一线性转换层之后，得到的初始节点表征；基于马尔科夫扩散核的图神经网络模型MDKNet节点的自身信息的强化方法如下：首先，在信息聚合阶段，通过注意力机制，在基于马尔科夫扩散核的图神经网络模型MDKNet的每一层中加入节点的初始表征；MDKNet的信息聚合模式表示为： 其中，Attn代表基础图注意力机制；fσ代表一种加和计算；接着，在结果输出阶段，在保持原本的加和计算的基础上，将k＝0项当做是一个额外项加入到输出表征当中，并通过一个参数α，动态地控制节点自身信息和节点邻域信息两部分的占比；最终在MDKNet中，经过多层迭代最终得到的节点表征表示为： 所述在供水网络中的应用包括如下方法步骤，步骤一：获取供水网络数据，包括设施节点总数、连边数量、供水网络图半径和平均连边数，对供水网络图数据进行数据预处理；步骤二：训练基于马尔科夫扩散核的图神经网络模型，将训练完成后的图神经网络模型序列化永久储存到硬盘中；步骤三：将步骤一中预处理后的图结构数据输入到步骤二中训练完成后的图神经网络模型当中，在供水网络中完成设施节点的压力值预测。

全文数据：

权利要求：

百度查询： 长江信达软件技术(武汉)有限责任公司 基于马尔科夫扩散核的图神经网络模型及应用与框架扩展