Потоки данных, генерируемые сложными промышленными системами, часто сопровождаются дрейфом концепций и динамическими пространственно-временными зависимостями, которые совместно ухудшают производительность и надежность традиционных моделей прогнозирования, предполагающих неизменное распределение данных. Для решения этой задачи в статье предлагается иерархическая графовая нейронная сеть с учетом неопределенности для дрейфующих потоков данных (UHGNN). Метод основан на интеграции физической топологии и высокоуровневых взаимодействий между датчиками в иерархическую графовую структуру для явного извлечения временных и пространственных характеристик потока данных. Кроме того, в модели введён механизм обнаружения дрейфа, основанный на когнитивной неопределенности, позволяющий в реальном времени идентифицировать дрейф концепций и запускать адаптивную настройку модели для быстрой адаптации. Эксперименты на основе реального онлайн-промышленного процесса гидрирования дизельного топлива показали, что UHGNN эффективно снижает негативное влияние дрейфа концепций, достигая более высокой точности прогнозирования по сравнению с базовыми моделями в задачах прогнозирования дрейфующих потоков данных. Метод также продемонстрировал высокую устойчивость к ключевым гиперпараметрам при сохранении вычислительной эффективности, поддерживающей промышленное внедрение.

дрейф концепций;поток данных;иерархические графовые нейронные сети;когнитивная неопределенность