时序数据的预测方法及装置与流程

技术特征：
1.一种时序数据的预测方法，所述方法包括：获取图数据，所述图数据包括目标节点的时序数据以及所述目标节点的邻居节点的时序数据；将所述目标节点的时序数据输入时序编码器，得到所述目标节点的节点特征；将所述目标节点的时序数据和所述邻居节点的时序数据输入空间编码器，得到所述邻居节点的节点特征，所述邻居节点的节点特征为所述邻居节点的时序数据中的与所述目标节点的时序数据相关的特征；将所述目标节点的节点特征和所述邻居节点的节点特征融合，得到融合后的特征；根据所述融合后的特征，确定所述目标节点的时序数据的预测结果。2.根据权利要求1所述的方法，所述将所述目标节点的时序数据和所述邻居节点的时序数据输入空间编码器，得到所述邻居节点的节点特征，包括：将所述目标节点的时序数据和所述邻居节点的时序数据输入空间编码器，以确定所述目标节点的查询向量、所述邻居节点的键向量和所述邻居节点的值向量；根据所述目标节点的查询向量、所述邻居节点的键向量和所述邻居节点的值向量确定所述邻居节点的节点特征。3.根据权利要求1所述的方法，所述将所述目标节点的时序数据输入时序编码器，得到所述目标节点的节点特征，包括：将所述目标节点的时序数据输入时序编码器，以确定所述目标节点的查询向量、所述目标节点的键向量和所述目标节点的值向量；根据所述目标节点的查询向量、所述目标节点的键向量和所述目标节点的值向量确定所述目标节点的节点特征。4.根据权利要求1所述的方法，所述将所述目标节点的节点特征和所述邻居节点的节点特征融合，得到融合后的特征，包括：根据所述邻居节点的节点特征和所述邻居节点至所述目标节点的传播权重，确定待融合特征；将所述待融合特征和所述目标节点的节点特征融合，得到所述融合后的特征。5.根据权利要求4所述的方法，所述图数据还包括所述目标节点和所述邻居节点之间的连接边的边特征，所述将所述待融合特征和所述目标节点的节点特征融合，得到所述融合后的特征，包括：将所述待融合特征、所述目标节点的节点特征和所述边特征融合，得到所述融合后的特征。6.根据权利要求1-5任一所述的方法，所述时序编码器和所述空间编码器均为基于注意力机制的transformer神经网络模型。7.根据权利要求6所述的方法，所述基于注意力机制的transformer神经网络模型结合数据稀疏化的方法确定所述邻居节点的节点特征或者所述目标节点的节点特征。8.根据权利要求1所述的方法，所述图数据还包括所述目标节点的非时序特征和所述目标节点的协变量特征以及所述邻居节点的非时序特征和所述邻居节点的协变量特征，所述将所述目标节点的时序数据输入时序编码器，得到所述目标节点的节点特征，及所述将所述目标节点的时序数据和所述邻居节点的时序数据输入空间编码器，得到所述邻居节点
的节点特征，包括：将所述目标节点的非时序特征、所述目标节点的协变量特征及所述目标节点的时序数据输入时序编码器，得到所述目标节点的节点特征；将所述邻居节点的非时序特征、所述邻居节点的协变量特征、所述邻居节点的时序数据及所述目标节点的时序数据输入空间编码器，得到所述邻居节点的节点特征。9.一种时序数据的预测装置，所述装置包括：获取模块，用于获取图数据，所述图数据包括目标节点的时序数据以及所述目标节点的邻居节点的时序数据；第一输入模块，用于将所述目标节点的时序数据输入时序编码器，得到所述目标节点的节点特征；第二输入模块，用于将所述目标节点的时序数据和所述邻居节点的时序数据输入空间编码器，得到所述邻居节点的节点特征，所述邻居节点的节点特征为所述邻居节点的时序数据中的与所述目标节点的时序数据相关的特征；融合模块，用于将所述目标节点的节点特征和所述邻居节点的节点特征融合，得到融合后的特征；确定模块，用于根据所述融合后的特征，确定所述目标节点的时序数据的预测结果。10.根据权利要求9所述的装置，所述第二输入模块用于：将所述目标节点的时序数据和所述邻居节点的时序数据输入空间编码器，以确定所述目标节点的查询向量、所述邻居节点的键向量和所述邻居节点的值向量；根据所述目标节点的查询向量、所述邻居节点的键向量和所述邻居节点的值向量确定所述邻居节点的节点特征。11.根据权利要求9所述的装置，所述第一输入模块用于：将所述目标节点的时序数据输入时序编码器，以确定所述目标节点的查询向量、所述目标节点的键向量和所述目标节点的值向量；根据所述目标节点的查询向量、所述目标节点的键向量和所述目标节点的值向量确定所述目标节点的节点特征。12.根据权利要求9所述的装置，所述融合模块用于：根据所述邻居节点的节点特征和所述邻居节点至所述目标节点的传播权重，确定待融合特征；将所述待融合特征和所述目标节点的节点特征融合，得到所述融合后的特征。13.根据权利要求12所述的装置，所述图数据还包括所述目标节点和所述邻居节点之间的连接边的边特征，所述融合模块还用于将所述待融合特征、所述目标节点的节点特征和所述边特征融合，得到所述融合后的特征。14.根据权利要求9-13任一所述的装置，所述时序编码器和所述空间编码器均为基于注意力机制的transformer神经网络模型。15.根据权利要求14所述的装置，所述基于注意力机制的transformer神经网络模型结合数据稀疏化的方法确定所述邻居节点的节点特征或者所述目标节点的节点特征。16.根据权利要求9所述的装置，所述图数据还包括所述目标节点的非时序特征和所述目标节点的协变量特征以及所述邻居节点的非时序特征和所述邻居节点的协变量特征，所
述第一输入模块用于将所述目标节点的非时序特征、所述目标节点的协变量特征及所述目标节点的时序数据输入时序编码器，得到所述目标节点的节点特征，所述第二输入模块用于将所述邻居节点的非时序特征、所述邻居节点的协变量特征、所述邻居节点的时序数据及所述目标节点的时序数据输入空间编码器，得到所述邻居节点的节点特征。17.一种时序数据的预测装置，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器被配置为执行所述可执行代码，以实现权利要求1-8中任一项所述的方法。

技术总结
本公开披露了一种时序数据的预测方法和装置。所述方法包括：获取图数据，所述图数据包括目标节点的时序数据以及所述目标节点的邻居节点的时序数据；将所述目标节点的时序数据输入时序编码器，得到所述目标节点的节点特征；将所述目标节点的时序数据和所述邻居节点的时序数据输入空间编码器，得到所述邻居节点的节点特征，所述邻居节点的节点特征为所述邻居节点的时序数据中的与所述目标节点的时序数据相关的特征；将所述目标节点的节点特征和所述邻居节点的节点特征融合，得到融合后的特征；根据所述融合后的特征，确定所述目标节点的时序数据的预测结果。的时序数据的预测结果。的时序数据的预测结果。


技术研发人员：魏建平 周俊 张志强 刘子奇 陈碧莹
受保护的技术使用者：支付宝（杭州）信息技术有限公司
技术研发日：2022.06.13
技术公布日：2022/7/15