一种基于时空注意卷积网络的移动流量预测方法技术

本发明专利技术属于移动流量预测技术领域，公开了一种基于时空注意卷积网络的移动流量预测方法，时空注意卷积网络通过三个时间部件分别对小时周期、日周期、周周期的移动流量网络进行建模，并得到对应的三个移动流量预测信息；将三个移动流量预测信息与外部干扰信息进行融合，得到最终的移动流量预测结果。本发明专利技术有效解决了移动流量的预测问题。

【技术实现步骤摘要】
一种基于时空注意卷积网络的移动流量预测方法
本专利技术涉及移动流量预测
，尤其涉及一种基于时空注意卷积网络的移动流量预测方法。
技术介绍
根据思科的最新报告，到2022年，全球移动数据流量预计将达到每月77艾字节。为了保证可靠的网络管理和移动业务，精确预测移动通信流量是非常必要的。然而，由于移动流量预测具有高度的非线性和动态的时空相关性，移动流量预测的准确性面临着巨大的挑战。近年来，人们对移动流量预测方法进行了大量的研究，主要分为以下两大类：基于统计的方法和基于机器学习的方法。在基于统计学的方法中，移动流量的预测基于统计分布，如α-stable分布，自回归综合移动平移线(ARIMA)和熵理论。大多数基于统计的方法都是基于线性统计策略，在许多实际场景中可能并不适用。在基于机器学习的方法中，研究了基于机器学习方法的移动流量预测，如线性回归、支持向量回归(SVR)、递归神经网络和深度转移学习。然而，它们大多忽略了数据的时空相关性，难以扩展到高维数据。虽然一些深度学习方法可以处理高维时空移动流量数据，如基于网格的移动流量数据使用卷积神经网本文档来自技高网...

【技术保护点】
1.一种基于时空注意卷积网络的移动流量预测方法，其特征在于，时空注意卷积网络通过三个时间部件分别对小时周期、日周期、周周期的移动流量网络进行建模，并得到对应的三个移动流量预测信息；将三个移动流量预测信息与外部干扰信息进行融合，得到最终的移动流量预测结果。/n

【技术特征摘要】
1.一种基于时空注意卷积网络的移动流量预测方法，其特征在于，时空注意卷积网络通过三个时间部件分别对小时周期、日周期、周周期的移动流量网络进行建模，并得到对应的三个移动流量预测信息；将三个移动流量预测信息与外部干扰信息进行融合，得到最终的移动流量预测结果。


2.根据权利要求1所述的基于时空注意卷积网络的移动流量预测方法，其特征在于，将待预测区域划分成多个子区域，每个所述子区域作为待预测区域移动流量网络中的一个节点；
所述移动流量网络建模成无向图G＝(ν,ε,A)，ν是N个节点的集合，ε是节点之间相连边的集合，A是无向图G的邻接矩阵。


3.根据权利要求2所述的基于时空注意卷积网络的移动流量预测方法，其特征在于，每个所述时间部件均包括依次连接的两个时空模块和一个全连接层；
每个所述时空模块均包括时空注意模块、时空卷积模块；通过所述时空注意模块获取移动流量的动态时空相关性，通过所述时空卷积模块获取移动流量的时空特征；
通过所述全连接层确保所述时间部件输出的维数与预测目标的维数相同。


4.根据权利要求3所述的基于时空注意卷积网络的移动流量预测方法，其特征在于，所述时空注意模块由时间注意力机制和空间注意力机制组成；
通过所述时间注意力机制获得不同时间段之间的相关性；所述时间注意力机制的输出表示为：



其中，X(l)表示时间部件中第l个时空模块的输入变量，1≤l≤2；表示获得时间相关性后的移动流量数据，Wt1和Wt2均表示时间注意力机制的可学习参数，Bt表示时间注意力机制的偏移矩阵，σ1和σ2分别表示sigmoid激活函数和归一化指数函数；
通过所述空间注意力机制在空间维度上获得中不同节点之间的相关性；
所述时空注意模块的归一化注意力矩阵表示为：



其中，As表示归一化注意力矩阵，Ws1和Ws2均表示空间注意力机制的可学习参数，Bs表示空间注意力机制的偏移矩阵。


5.根据权利要求4所述的基于时空注意卷积网络的移动流量预测方法，其特征在于，三个时间部件分别为小时周期部件、日周期部件、周周期部件；
将前时间τ之前Δh个小时的数据作为所述小时周期部件的输入，表示为Xh＝(Xτ-Δh+1,Xτ-Δh+1,...,Xτ),1≤Δh≤24-tp；Xh作为所述小时周期部件中第一个时空模块的输入流量；
将时间td＝τ+tp-24之前Δd天的数据作为所述日周期部件的输入，表示为Xd作为所述日周期部件中第一个时空模块的输入流量；
将时间tw＝τ+tp-24×7之前Δw周的数据作为所述周周期部件的输入，表示为Xw作...

【专利技术属性】
技术研发人员：赵楠，叶智养，范孟林，程一强，刘泽华，谭惠文，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北;42