19、交通预测与网络异常检测：基于图神经网络的解决方案

交通预测与网络异常检测：基于图神经网络的解决方案

1. 交通数据集处理

在将数据集输入到T - GNN之前，需要对其进行处理。
- 转换为时间图 ：首先要把表格数据集转换为时间图，即从原始数据创建图，利用距离矩阵以有意义的方式连接不同的传感器站。计算邻接矩阵的方法有多种，这里采用一种更高级的处理方式来计算加权邻接矩阵，权重范围在0（无连接）到1（强连接）之间，公式如下：
[
w_{ij} =
\begin{cases}
\exp(-\frac{d_{ij}^2}{\sigma^2}) &, \text{if } \exp(-\frac{d_{ij}^2}{\sigma^2}) \geq \epsilon \text{ and } i \neq j \
0 &, \text{otherwise}
\end{cases}
]
其中，(w_{ij}) 表示从节点 (i) 到节点 (j) 的边的权重，(d_{ij}) 是这两个节点之间的距离，(\sigma^2) 和 (\epsilon) 是控制邻接矩阵分布和稀疏性的两个阈值。这里使用 (\sigma^2 = 0.1) 和 (\epsilon = 0.5)。

以下是Python实现代码：

import numpy as np

def compute_adj(distances, sigma2=0.1, epsilon=0.5):
    d = distances.to_numpy() / 10000.
    d2 = d * d