1.一种基于图神经网络的传感器网络数据异常判决方法，其特征在于，包括如下步骤：n×m

1)对传感器网络数据进行图建模：假设传感器网络数据为X＝[x1，x2，...，xm]∈R ，其n

中xi∈R ，i＝1，2，...，m为当前传感器网络中的n个传感器在i时刻所获取的数据，C＝{(a1，b1)，(a2，b2)，...，(an，bn)}为传感器网络中n个传感器各自的坐标组成的集合，其中ai为纬度，bi为经度， i＝1，2，...，n，据此，构建出图G＝{V，E，W}，其中V为图中结点的集合，对应传感器网络中的各个传感器，E为边的集合，边用于描述节点之间的相似与邻接关系，W为权重矩阵，权重矩阵内部元素表示对应两个节点是否有空间上的联系，定义如公式(1)所示：在公式(1)中，R为阈值，阈值根据传感器网络所获取的数据与地理位置之间的联系调整，dij＝dgeo((ai，bi)，(aj，bj))表示i，j两个结点所对应的传感器的地理距离，其中dgeo采用半正矢公式即Haversine公式计算得出，dgeo定义如公式(2)所示：公式(2)中，r表示地球半径为6371km；

2)采用图卷积网络提取图模型中的空间特征：多层图卷积神经网络GCN依据公式(3)逐层传播：

公式(3)中， A为图G的邻接矩阵，IN为单位矩阵，为A的度矩阵，定义如式(4)所示：

1 0 1

H表示第l层的激活矩阵，对于输入层H ＝X； W是一个特定的可训练的权重矩阵，σ()代表激活函数，采用两层图卷积网络层提取传感器网络数据中的空间特征，公式(5)为本图卷积网络的前向传播模型：

公式(5)中， xt为步骤1)中所述的传感器网络中的n个传感器在t时刻所获取的数据， 为图卷积神经网络对当前时刻的数据提取的空间特征，其中n为传感器数量，将传感器网络m个时刻的数据及传感器网络的权重矩阵W输入至该图卷积神经网络得到 为m×n×2的三维数据，代表了该传感器网络在m个时刻的空间特征；

3)采用门控循环单元提取图模型中的时间特征：门控循环单元GRU具有两个门，分别为重置门和更新门，更新门用于控制前一时刻的状态信息被带入到当前状态中的程度；重置门则用于控制忽略前一时刻的状态信息的程度，门控循环单元的内部如公式(6)所示：公式(6)中，*表示哈达玛积Hadamard product，定义如公式(7)所示：Cij＝Aij×Bij           (7)，在公式(7)中，A，B为同阶矩阵，xt是当前节点的输入，即t时刻n个传感器所采集的数据；

Ht‑1是上一个时刻传递下来的时间特征，Ht表示当前时刻所提取的时间特征；σ()为sigmoidn×m

函数；Wz，Wr，W均为可训练的权重矩阵，将 与X∈R 连接起来构成一个m×n×3的三维数据Z，Z表示该传感器网络在m个时刻的空间特征及未经处理过的时间特征，将Z作为输入数据n×2

输入至门控循环单元内提取传感器网络的时间特征得到H＝{H1，H2，...，Hm}，其中Hi∈R ，i＝1，2，...，m，故H为m×n×2的三维数据，表示该传感器网络中的n个传感器在m个时刻的时空特征；

4)采用全连接层对提取的时空特征进行异常判决：全连接层的前向传播如公式(8)所示：

A＝Wx+b             (8)，公式(8)中，W为可训练的权重矩阵，b为偏置，x表示输入特征，将Z为传感器网络的时空特征输入至全连接层中得到A＝[A1，Az，...，Am]，A是对n个传感器在m个时刻的异常判决结n×2

果，其中Ai∈R ，i＝1，2，...，m，Am表示为本神经网络对m时刻n个传感器的异常判决结果。