摘要
本发明公开了一种基于深度图神经网络的多变量时间序列分类方法，包括：1、构建多变量时间序列样本关系图；2、使用变分自编码器提取MTS潜在空间特征；3、使用深度图卷积网络提取MTS样本关系特征并与潜在空间特征融合；4、计算损失函数并迭代更新模型，从而得到最优变量时间序列分类模型。本发明结合多变量时间序列分类、深度神经网络以及深度生成模型，提出了基于深度图神经网络的样本结构信息提取器，以深度挖掘多变量时间序列样本间结构信息；并引入深度生成模型提取低维潜在空间特征，以解决深度图卷积网络在层数增加时出现的过平滑问题，从而在多变量时间序列分类问题上能达到较高的分类准确率。
