Page 66 - 2024年第55卷第5期

＾
Ｄ为 ?的度矩阵。

图 １ 模型总体框架

图卷积网络通过堆叠图卷积层实现邻居测点的信息传递，堆叠层数多为两层。加权邻接矩阵 Ａ是
预定义的，计算方式不同则注入先验知识不同，以实现测点信息沿指定的路径融合。在此，利用基于
空间距离的高斯相似函数计算加权邻接矩阵 Ａ ［２５］ ，其元素 ａ 计算如下：
ｉ，ｊ
２
２
ａ ＝ { ｅｘｐ（ － ｄｉｓｔ （ｉ，ｊ）? σ） ｉ ≠ｊ （２）
ｉ，ｊ ＝ １，２，…，Ｎ
ｉ，ｊ
ｉ ＝ ｊ
０
式中：ｄｉｓｔ（ｉ，ｊ）为两测点在欧几里得空间中的距离；σ为距离的统计标准差。
通过上述方法计算的加权邻接矩阵默认所有测点均存在连接，如此测点特征会广泛传递，不利于
其沿相关性高的路径汇聚。本文设置连接权重阈值为 ０．５，经此简化后的加权邻接矩阵，保留了高相
关性测点间的连接，去除了大量冗余连接，使多测点特征融合过程更加高效。
３．１．２ 时 序 融 合 模 块 长 短 期 记 忆 （ＬＳＴＭ）单 元 作 为 循 环 神 经 网 络 的 重 要 变 体， 由 Ｈｏｃｈｒｅｉｔｅｒ和
Ｓｃｈｍｉｄｈｕｂｅｒ于 １９９７年提出，被广泛用于时序建模 ［２６］ 。ＬＳＴＭ通过多个 “门” 结构学习时序数据中的
潜在信息，该结构可控制时序信息传递过程，使历史隐层记忆 Ｈ 和细胞状态 Ｃ 自适应转移到当前
ｔ － １ ｔ － １
— ５ ６ —
６