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！

龙图腾网获悉湖北工业大学申请的专利基于自监督超图的网络故障预测方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115587612B 。

龙图腾网通过国家知识产权局官网在2026-03-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211242138.3，技术领域涉及：G06N3/0464；该发明授权基于自监督超图的网络故障预测方法及装置是由高榕;漆盛;邵雄凯设计研发完成，并于2022-10-11向国家知识产权局提交的专利申请。

本基于自监督超图的网络故障预测方法及装置在说明书摘要公布了：本发明公开了一种基于自监督超图的网络故障预测方法及装置，包括如下步骤：S1.首先收集网络故障数据，将网络故障数据转化为时间序列数据，其中所有网络故障类型，其对应在各自的时间序列数据中；S2.构建基于自监督超图的神经网络模型，所述神经网络模型包括嵌入层、查询层、自门控层以及自监督融合层，将上文所述时间序列数据输入到基于自监督超图的神经网络模型，所述基于自监督超图的神经网络模型对网络故障数据中的故障进行预测。本发明主要的解决了在传统的网络故障发生的复杂性关系之间进行直接挖掘的片面性，以及网络故障发生的随机性对于不同网络故障的判断进行筛选，然后决定故障的检修顺序。

本发明授权基于自监督超图的网络故障预测方法及装置在权利要求书中公布了：1.一种基于自监督超图的网络故障预测方法，其特征在于，包括如下步骤： 1对存储的网络故障数据进行预处理，得到序列化的网络故障数据；所述的网络故障数据包括故障发生时间、网络故障在某个设备中发生的节点，再将其转化为时间序列数据，每个时间序列表示当前时间段收集到的故障类型的时间戳，发生的所有故障类型，具体是对于网络故障的节点数据，根据其发生的时间节点参照时间序列基准转化为样本序列化数据； 2构建基于自监督超图的神经网络模型，将序列化的网络故障数据分为测试集和训练集后对自监督超图的神经网络模型进行训练和测试，得到训练好的基于自监督超图的神经网络模型；神经网络模型包含了嵌入层、查询层、自门控层以及自监督融合层，将所述的时间序列以及标签数据输入所述基于自监督超图神经网络模型，所述基于自监督超图神经网络模型对网络故障数据中的数据进行预测； 3实时采集网络故障数据进行预处理得到序列化的网络故障数据后，将其输入训练好的基于自监督超图的神经网络模型，模型对网络故障数据中的数据进行预测； 所述第2步中，构建基于自监督超图的神经网络模型包括以下步骤： S21.构建一个嵌入层，以故障时间序列和问题反馈的文本序列为输入，将输入序列分别转化为模型嵌入和； S22.构建一个查询层，利用聚集一致反馈这一信息来学习节点嵌入，其通过对故障时间序列和问题反馈文本序列的嵌入的映射生成一个查询嵌入； S23.构建一个自门控层，通过从节点故障之间的高阶关系中提取更准确的节点故障嵌入向量，具体是使用自动门控模块对这种深层次的联系进行挖掘，通过首先将节点的特征信息聚合到超边，然后将信息从超边聚合到节点，这两个过程分别称为节点级注意力机制和超边级注意力机制； S24.构建一个自监督融合层，将自监督学习加入模型的训练中： 为了得到子超图的表示： 设置读出函数，其中是为了控制P的参与幅度，是的行向量，对应于中心数据u，表示子超图中的连接数，子超图中每个故障节点的权重被认为是形成子超图的，设置另一个读出函数，将得到的子超图嵌入总结为级表示： 将两个向量作为输入，然后对它们之间的一致性进行评分，分层设计能够将超图的更多结构信息保留在故障节点的表示中； 根据得到的矩阵构建损失函数： 对S21节中获得的数据表示，通过与S22节中获得的进行相加平均后再与S21节中获得的文本反馈表示计算内积得到评分误差，其中是所有评级边的集合，使用Adam作为优化器，同时将目标和层次互信息最大化的任务统一进行联合学习，得到总体模型损失函数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人湖北工业大学，其通讯地址为：430068 湖北省武汉市洪山区南李路28号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。