基于多图卷积的无线网络流量预测方法技术

本发明专利技术提出一种基于多图卷积的无线网络流量预测方法，首先，在空间上构建相邻图、功能相似图和空域流量相关图，并利用图卷积网络提取空间上的特征；其次，在时域上构建近期、日周期和周周期相关流量，将三种时域流量输入到长短期记忆网络，最后加上注意力机制判断不同时刻流量的重要程度。并引入均方根、平均绝对误差和确定系数评估所提模型的预测性能。本发明专利技术方法具有建模合理，预测精度高等特点。预测精度高等特点。预测精度高等特点。

【技术实现步骤摘要】
基于多图卷积的无线网络流量预测方法


[0001]本专利技术属于无线通信，图论和深度学习
，特别涉及图卷积网络，长短期记忆网络，注意力机制等方面，尤其涉及一种基于多图卷积的无线网络流量预测方法。

技术介绍

[0002]随着5G时代的到来，无线网络发生了巨大变化，特别是大量布局无线基站，使得无线蜂窝数据急剧上升，因此精确的无线网络流量预测对于运营商来说至关重要；同时面超密集的基站分布，要实现更为高效的流量预测是前所未有的挑战。要实现流量预测首先就要知道流量的时空特性及其相关数据的分布情况，对未来的流量进行合理，准确的预测。传统的流量预测方法在准确度和效率上都欠佳，随着人工智能的迅猛发展，各个领域都逐步探索将人工智能技术引人本领域的研究中。
[0003]对流量进行精准预测，能够实现基站能耗控制，流量异常检测，提前知道热点地区，从而为无限资源分配等提供合理的依据，进一步提升用户体验，建立良好的运营生态环境。利用人工智能技术能加快对流量的预测，并且预测精度高，流量预测是后续一系列智能优化的前提，因此流量预测至关重要。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于多图卷积的无线网络流量预测方法，根据分析历史流量数据，挖掘流量的时空特性，构建与流量预测相关联的不同图信息，再利用图谱理论，人工智能技术对构建的图进行分析，最后提出三种流量预测评价指标，来评估流量预测的效果。
[0005]本专利技术构建多图卷积网络对无线流量进行预测。首先，在空间上构建相邻图、功能相似图和空域流量相关图，并利用图卷积网络提取空间上的特征；其次，在时域上构建近期、日周期和周周期相关流量，将三种时域流量输入到长短期记忆网络，最后加上注意力机制判断不同时刻流量的重要程度。并引入均方根、平均绝对误差和确定系数评估所提模型的预测性能。包括以下步骤：步骤S1：根据历史流量数据，从中选择与无线流量相关流量特征；步骤S2：分析流量时空特性，构建流量预测框架，主要包括构建相邻图，区域功能相似图，空间流量相关图这个三类流量相关信息图；时间特性主要构建三通道流量数据：之前T
r
时隙的流量，日周期流量,周周期流量。步骤S3：构建多图的图卷积网络，长短期记忆网络，注意力机制等深度学习技术对流量进行预测。步骤S4：采用均方根、平均绝对误差和确定系数三种指标对预测流量进行评估。
[0006]本专利技术是一种构建多图的图卷积网络进行流量预测，通过设置以上步骤，实现了对流量的预测，且与其他类型的流量预测模型相对比，表现出更好的预测效果。为了对实现对流量的精准预测，首先对数据进行分析，把握与流量相关联的数据特征，根据分析构建了相邻图、区域功能相似图和空间流量相关图来描述与流量相关联的数据信息，并且引入三个时间维度信息：之前T
r
时隙的流量模式，每天的流量模式，每个星期的流量模式，再利用
图卷积网络、长短期记忆网络和注意力机制实现流量预测，最后采用均方根、平均绝对误差和确定系数三种指标对预测流量进行评估。本专利技术方法具有建模合理，预测精度高等特点。
[0007]本专利技术具体采用以下技术方案：
[0008]一种基于多图卷积的无线网络流量预测方法，其特征在于，包括以下步骤：
[0009]步骤S1：根据历史流量数据，从中选择与无线流量相关的流量特征用于预测t+1时刻的流量；
[0010]步骤S2：分析流量时空特性，构建流量预测框架：包括构建空间特性的：相邻图、区域功能相似图和空间流量相关图；以及构建时间特性的三通道流量数据：之前T
r
时隙的流量、日周期流量和周周期流量；
[0011]步骤S3：构建多图的图卷积网络、多通道的长短期记忆网络和注意力机制；其中，注意力机制对流量序列重要程度的不同进行权重的自动匹配。
[0012]优选地，还包括：步骤S4：采用均方根、平均绝对误差和确定系数三种指标对预测流量进行评估。
[0013]优选地，步骤S1具体包括以下步骤：
[0014]步骤S11：将历史流量数据的所属地点网格化；
[0015]步骤S12：将每个网格的蜂窝流量信息由时空序列表示。
[0016]优选地，在步骤S1中，每个网格包含的数据有三种：短信服务、语音电话和上网流量；数据包括每个网格ID，时间戳，收发短信和呼入呼出的信息；并将时间间隔设置成一小时。
[0017]优选地，在步骤S1中，利用的数据还包括：各网格区域的(建筑)兴趣点，社交活动数量和基站分布数量。
[0018]在步骤S1中，可以标识每个时隙t各个地区的流量服务类型，并且构建矩阵X
t
，标识每个地区的兴趣点，构建矩阵P；标识每个地区的基站数量，构建矩B。
[0019]优选地，在步骤S2中，构建相邻图，功能相似图和空间流量相关图具体包括以下过程：
[0020]图用G＝(V，A)表示，其中，V表示图的节点即每个网格，A表示邻接矩阵，三种图的邻接矩阵如下：
[0021]相邻图G
N
＝(V，A
N
)中网格节点h和网格节点w之间的邻接矩阵中的元素利用这两个网格的欧氏距离来表示：
[0022][0023]其中，||
·
||代表二范数，||v
h
‑
v
w
||表示节点h，w之间的欧氏距离，σ表示标准差；
[0024]功能相似图G
F
＝(V，A
F
)中网格节点h和网格节点w之间的邻接矩阵中的元素利用余弦相似函数的计算结果来表示：
[0025][0026]其中，<
·
>代表内积，||
·
||代表二范数，r
h
和r
w
分别为节点h和w的特征向量；
[0027]空间流量相关图G
S
＝(V，A
S
)中网格节点h和网格节点w之间的邻接矩阵中的元素
利用两个网格流量之间的皮尔逊系数来表示：
[0028][0029]其中，ρ(
·
)代表皮尔逊系数，v
h
，v
m
分别表示节点h和w上的流量序列。
[0030]优选地，在步骤S2中，构建三通道流量数据具体包括以下过程：
[0031]之前T
r
时隙的流量:根据流量的时域连续性原则，下一时隙的流量必然与之前T
r
个时隙相关，由此构建流量向量X
r
：
[0032][0033]之前T
d
天的日周期流量X
d
，例如要预测周三上午8点的流量，就要用周三之前T
d
天上午8点的流量构成，其数学表达为:
[0034][0035]其中，T
P
代表流量序列的长度，T
d
代表日周期模块流量的天数；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多图卷积的无线网络流量预测方法，其特征在于，包括以下步骤：步骤S1：根据历史流量数据，从中选择与无线流量相关的流量特征用于预测t+1时刻的流量；步骤S2：分析流量时空特性，构建流量预测框架：包括构建空间特性的：相邻图、区域功能相似图和空间流量相关图；以及构建时间特性的三通道流量数据：之前T
r
时隙的流量、日周期流量和周周期流量；步骤S3：构建多图的图卷积网络、多通道的长短期记忆网络和注意力机制；其中，注意力机制对流量序列重要程度的不同进行权重的自动匹配。2.根据权利要求1所述的基于多图卷积的无线网络流量预测方法，其特征在于：还包括：步骤S4：采用均方根、平均绝对误差和确定系数三种指标对预测流量进行评估。3.根据权利要求1所述的基于多图卷积的无线网络流量预测方法，其特征在于：步骤S1具体包括以下步骤：步骤S11：将历史流量数据的所属地点网格化；步骤S12：将每个网格的蜂窝流量信息由时空序列表示。4.根据权利要求3所述的基于多图卷积的无线网络流量预测方法，其特征在于：在步骤S1中，每个网格包含的数据有三种：短信服务、语音电话和上网流量；数据包括每个网格ID，时间戳，收发短信和呼入呼出的信息；并将时间间隔设置成一小时。5.根据权利要求4所述的基于多图卷积的无线网络流量预测方法，其特征在于：在步骤S1中，利用的数据还包括：各网格区域的兴趣点，社交活动数量和基站分布数量。6.根据权利要求3所述的基于多图卷积的无线网络流量预测方法，其特征在于：在步骤S2中，构建相邻图，功能相似图和空间流量相关图具体包括以下过程：图用G＝(V，A)表示，其中，V表示图的节点即每个网格，A表示邻接矩阵，三种图的邻接矩阵如下：相邻图G
N
＝(V，A
N
)中网格节点h和网格节点w之间的邻接矩阵中的元素利用这两个网格的欧氏距离来表示：其中，||
·
||代表二范数，||v
h
‑
v
w
||表示节点h，w之间的欧氏距离，σ表示标准差；功能相似图G
F
＝(V，A
F
)中网格节点h和网格节点w之间的邻接矩阵中的元素利用余弦相似函数的计算结果来表示：其中，<
·
>代表内积，||
·
||代表二范数，r
h
和r
w
分别为节点h和w的特征向量；空间流量相关图G
S
＝(V，A
S
)中网格节点h和网格节点w之间的邻接矩阵中的元素利用两个网格流量之间的皮尔逊系数来表示：其中，ρ(
·
)代表皮尔逊系数，v
h
，v
m
分别表示节点h和w上的流量序列。7.根据权利要求6所述的基于多图卷积的无线网络流量预测方法，其特征在于：在步骤
S2中，构建三通道流量数据具体包括以下过程：之前T
r
时隙的流量X
r
：根据流量的时域连续性原则，下一时隙的流量必然与之前T
r
个时隙相关，由此构建流量向量X
r
：之前T
d
天的日周期流量X
d
，其数学表达为：其中，T
P
代表需要预测的流量序列长度，T
d
代表日周期模块流量的天数；之前T
w
周的周周期流量X
w
，其数学表达为：其中，T
w
代表周周期模块流量的周数。8.根据权利要求7所述的基于多图卷积...

【专利技术属性】
技术研发人员：陈由甲，林建圣，郑海峰，胡锦松，
申请(专利权)人：福州大学，
类型：发明
国别省市：