基于改进图注意力网络的油井产量预测模型

摘要

针对图注意力网络处理噪声和时序数据较弱，并且在堆叠多层后出现梯度爆炸、过平滑等问题，提出一种改进图注意力网络模型.首先，使用Squeeze-and-Excitation模块对样本输入数据的特征信息进行不同程度关注，增强模型处理噪声的能力；其次，使用多头注意力机制，将序列数据中每个序列相对其他序列进行加权求和，提取数据的时序性；再次，将图注意力网络提取的节点特征与节点的度中心性拼接，获取节点的局部特征，并用全局平均池化的方式提取节点的全局特征；最后，将两者进行融合得到节点的最终特征表示，增强模型的表征能力.为验证改进图注意力网络的有效性，将改进图注意力网络模型与LSTM,GRU和GGNN模型进行对比，实验结果表明，该模型预测效果得到有效提升，具有更高的预测精度.

关键词

图注意力网络 / 多头注意力 / 节点度中心性 / 全局平均池化