一种基于数据的时空频谱地图构建和预测方法技术

本发明专利技术公开了一种基于数据的时空频谱地图构建和预测方法。该方法基于本地观测器获取的本地历史频谱数据，经过时空注意力矫正、空间插值、神经网络预测、频谱数据可视化等步骤得到最终的时空频谱地图。在本地图构建和预测方法中，时空注意力机制捕获了数据之间的时空相关性，空间插值和神经网络保证了频谱地图的时空相关性，频谱数据可视化则保证了频谱地图易于使用和查看。本发明专利技术方法基于数据驱动，对数据无特殊要求，普适性较强。与现有技术相比，数据可信程度更高，具有较强的理论性与实用性。

【技术实现步骤摘要】
一种基于数据的时空频谱地图构建和预测方法
本专利技术属于通信
，涉及一种基于数据的时空频谱地图构建和预测方法。
技术介绍
在无线电技术和业务快速发展的现代社会，对于无线电频谱资源的需求量也在快速增加，当今的无线电环境日趋复杂，频谱资源紧张，利用率很低，如何提高频谱资源使用率就成为急需解决的问题，并且无线电信号的不可视的问题也是影响使用的一大难题，可视化频谱地图的引入可以解决这两大问题，而时空频谱地图能够更好地把握频谱资源在时间和空间上的分布，将二者结合起来同时捕捉频谱信号的时空模式，解决频谱分布的时空预测问题，挖掘频谱分布的时空相关性。通过生成的时空频谱地图，各大运营商以及国家管理机构，无线电频谱管理局可以依此分配无线电频谱资源，调整基站功率以满足需求，并且可以监测异常信号，防止伪基站电台。为了满足需求，如何通过已有的固定基站获取的历史频谱数据精确地预测和空间插值具有很重大的价值和意义。然而，目前已有的方法忽略了频谱资源分布与时间和空间的紧密相关性，简单地用距离概括空间因素，因此削弱了生成频谱地图的准确性，需要进行相应的流程规范化改进。
技术实现思路
本专利技术目的在于对现有研究和技术存在的不足之处加以完善与规范化，提出一种基于数据的时空频谱地图构建和预测方法。该方法通过对频谱资源数据的时空相关性进行挖掘，以得到更加精确的时空频谱地图生成和预测，并且通过热力图对频谱地图进行可视化，更具有实用价值。本专利技术的目的通过以下的技术方案实现：一种基于数据的时空频谱地图构建和预测方法，该方法包括以下步骤：1)根据时空频谱地图构建和预测的时间和地点的需求，通过固定地点安装的频谱数据检测器读取对应时间周期和指定范围内总计K条相关地点的历史频谱数据信息，该信息包含测量地点的经度{loni}、测量地点的纬度{lati}、以及测量地点的频谱信号强度{Ei}，将信息数据集记为其中i＝1,2,3,....,K；2)时空注意力机制矫正：使用步骤1)中的数据集通过时空注意力矫正，得到经过矫正的数据集3)神经网络预测：使用步骤2)中的数据集训练时空图卷积神经网络，将T时刻之前m个时间点的数据集{XmT}输入训练好的时空图卷积神经网络，得到需要构建和预测的T时刻该地点的频谱数据集{XT}；4)空间插值：利用步骤3)中得到的T时刻的该地点的频谱数据集{XT}，使用改进Shepard算法对该地区进行空间插值，得到该地区在T时刻的均匀分布的频谱数据集{XET}；5)频谱地图可视化：利用步骤4)中得到的该地区在T时刻的均匀分布的频谱数据集{XET}，通过生成热力图的方式，得到可视的时空频谱地图。进一步地，所述步骤2)时空注意力机制矫正步骤中需要使用时空注意力机制对历史频谱数据进行矫正；需要输入历史频谱数据该数据集由不同时刻的数据点集构成，通过数据点集中节点之间的距离关系，得到由0和-1e9组成的邻接矩阵WP，邻接矩阵WP在不同时刻上是不变的，0代表两个节点之间相连，-1e9代表两个节点之间不相连。a)邻接矩阵WP的获取方式如下所示：其中wij代表联接权重，表示节点i与节点j之间是否相连；dij表示节点i与节点j之间的距离；R是全部节点之间距离的最大值。b)时空注意力权重的获取将历史频谱数据复制得到两个矩阵f1和f2，将f1经过转置之后，与f2相叠加，再通过广播得到注意力矩阵logits。将注意力矩阵logits与邻接矩阵WP相加，得到未归一化注意力权重矩阵vals。未归一化注意力权重矩阵vals通过如下公式获得时空注意力权重矩阵coefs：其中αij为时空注意力权重，valij为未归一化注意力权重矩阵vals中的元素，n为每个时刻的点集中节点的个数，leakyReLU为带泄露修正线性单元。exp为以自然常数e为底的指数函数。c)进行时空注意力矫正将历史频谱数据与时空注意力权重矩阵coefs相乘，得到经过矫正的数据集进一步地，所述步骤3)神经网络预测步骤中，需要使用时空图卷积神经网络通过经过矫正的数据集进行预测；在指定区域内，通过在T时刻之前m个时间点的历史频谱地图数据预测T时刻的频谱地图数据；用G代表时空图，则第T时刻的时空图定义为：GT＝(VT,E,W)，其中VT代表时刻T时地图上的点集，不同时刻点集的位置不变，但是点集的特征值，即不同时刻在节点所对应的坐标上的频谱信号强度会产生变化；所有的节点通过邻接矩阵W构成无向图；邻接矩阵W是描述图结构的矩阵，通过不同节点之间的距离描述节点与节点之间的联系，不同时刻的邻接矩阵W不变；E代表不同节点上的频谱特征值，频谱特征值由频谱信号强度表示。a)邻接矩阵W的获取方式如下所示：其中wij代表联接权重，表示节点i与节点j之间的联系的紧密程度；dij表示节点i与节点j之间的距离；σ表示调节参数，用于调节wij的数量级，调节后的联接权重的最大值应在1e2与1e3之间；ε表示联接阈值，如果某个联接权重低于该值，则将该联接权重调节至0，表示两个节点之间没有联系，联接阈值的大小根据实际频谱数值设置，需要全部联接权重中的80％超过该联接阈值；σ和ε都用于调整W的分布和疏密度。b)时空图卷积神经网络的结构如下所示：网络的输入为共m个时间点的图结构频谱数据，每个时间点有n个位置节点，以及图结构所对应的邻接矩阵W，矩阵大小为n×n。时空图卷积神经网络由时空卷积模块和输出层构成，最后输出T时刻共n个节点的预测图结构频谱数据特征。时空卷积模块由依次连接的第一时域卷积模块、空域卷积模块、第二时域卷积模块构成，两个时域卷积模块将一个空域卷积模块夹在中间。第一时域卷积模块使用一维卷积神经网络，沿着时域进行卷积，卷积核的大小为Kt，卷积核输入m×n的完整时空网络频谱特征数值，输出(m-Kt+1)×n的卷积后数值。空域卷积模块作用于每个单独的时间段，不在不同的时间段之间进行；通过邻接矩阵W根据以下公式生成辅助矩阵D和其中D为对角矩阵，In为n阶单位矩阵；输入每个时间段的n个节点的特征值x，根据以下公式得到n个节点的特征值输出结果yout：空域卷积模块输入第一时域卷积模块输出的(m-Kt+1)×n的时空网络频谱特征数值，输出(m-Kt+1)×n的空域卷积后频谱特征数值。第二时域卷积模块使用一维卷积神经网络，沿着时域进行卷积，卷积核的大小为Kt，卷积核输入空域卷积模块输出的(m-Kt+1)×n的频谱特征数值，输出(m-2*Kt+2)×n的卷积后数值。输出层由一个时域卷积层和一个全连接层构成。输出层中的时域卷积层为一维卷积神经网络，卷积核大小为m-2*Kt+2，全连接层不会改变输入输出的形状。输出层输入第一时域卷积模块输出的(m-2*Kt+2)×n的频谱特征数值，输出1×n的单个时间段的频谱特征值。将上述模块组合便可完成时空图卷积神经网络的构建。经过设定迭代次数和学习率之后，通过数本文档来自技高网...

【技术保护点】
1.一种基于数据的时空频谱地图构建和预测方法，其特征在于，包括以下步骤：/n1)根据时空频谱地图构建和预测的时间和地点的需求，通过固定地点安装的频谱数据检测器读取对应时间周期和指定范围内总计K条相关地点的历史频谱数据信息，该信息包含测量地点的经度{lon

【技术特征摘要】
1.一种基于数据的时空频谱地图构建和预测方法，其特征在于，包括以下步骤：
1)根据时空频谱地图构建和预测的时间和地点的需求，通过固定地点安装的频谱数据检测器读取对应时间周期和指定范围内总计K条相关地点的历史频谱数据信息，该信息包含测量地点的经度{loni}、测量地点的纬度{lati}、以及测量地点的频谱信号强度{Ei}，将信息数据集记为其中i＝1,2,3,....,K；
2)时空注意力机制矫正：使用步骤1)中的数据集通过时空注意力矫正，得到经过矫正的数据集
3)神经网络预测：使用步骤2)中的数据集训练时空图卷积神经网络，将T时刻之前m个时间点的数据集{XmT}输入训练好的时空图卷积神经网络，得到需要构建和预测的T时刻该地点的频谱数据集{XT}；
4)空间插值：利用步骤3)中得到的T时刻的该地点的频谱数据集{XT}，使用改进Shepard算法对该地区进行空间插值，得到该地区在T时刻的均匀分布的频谱数据集{XET}；
5)频谱地图可视化：利用步骤4)中得到的该地区在T时刻的均匀分布的频谱数据集{XET}，通过生成热力图的方式，得到可视的时空频谱地图。


2.根据权利要求1所述的一种基于数据的时空频谱地图构建和预测方法，其特征在于，所述步骤2)时空注意力机制矫正步骤中，使用时空注意力机制对历史频谱数据进行矫正；需要输入历史频谱数据该数据集由不同时刻的数据点集构成，通过数据点集中节点之间的距离关系，得到由0和-1e9组成的邻接矩阵WP，邻接矩阵WP在不同时刻上是不变的，0代表两个节点之间相连，-1e9代表两个节点之间不相连。
a)邻接矩阵WP的获取方式如下所示：



其中wij代表联接权重，表示节点i与节点j之间是否相连；dij表示节点i与节点j之间的距离；R是全部节点之间距离的最大值。
b)时空注意力权重的获取
将历史频谱数据集复制得到两个矩阵f1和f2，将f1经过转置之后，与f2相叠加，再通过广播得到注意力矩阵logits。将注意力矩阵logits与邻接矩阵WP相加，得到未归一化注意力权重矩阵vals。未归一化注意力权重矩阵vals通过如下公式获得时空注意力权重矩阵coefs：



其中αij为时空注意力权重，valij为未归一化注意力权重矩阵vals中的元素，n为每个时刻的点集中节点的个数，leakyReLU为带泄露修正线性单元；exp为自然常数e为底的指数函数。
c)进行时空注意力矫正
将历史频谱数据集与时空注意力权重矩阵coefs相乘，得到经过矫正的数据集


3.根据权利要求1所述的一种基于数据的时空频谱地图构建和预测方法，其特征在于，所述步骤3)神经网络预测步骤中，使用时空图卷积神经网络通过经过矫正的数据集进行预测；在指定区域内，通过在T时刻之前m个时间点的历史频谱地图数据预测T时刻的频谱地图数据；用G代表时空图，则第T时刻的时空图定义为：GT＝(VT,E,W)，其中VT代表时刻T时地图上的点集，不同时刻点集的位置不变，但是点集的特征值，即不同时刻在节点所对应的坐标上的频谱信号强度会产生变化；所有的节点通过邻接矩阵W构成无向图；邻接矩阵W是描述图结构的矩阵，通过不同节点之间的距离描述节点与节点之间的联系，不同时刻的邻接矩阵W不变；E代表不同节点上的频谱特征值，频谱特征值由频谱信号强度表示。
a)邻接矩阵W的获取方式如下所示：



其中wij代表联接权重，表示节点i与节点j之间的联系的紧密程度；dij表示节点i与节点j之间的距离；σ表示调节参数，用于调节wij的数量级，调节后的联接权重的最大值...

【专利技术属性】
技术研发人员：陈积明，沈凯立，贺诗波，李超，方毅，
申请(专利权)人：浙江云合数据科技有限责任公司，
类型：发明
国别省市：浙江;33