【技术实现步骤摘要】
基于联邦学习的流量预测模型训练方法、预测方法和装置
[0001]本申请涉及无线通信
，尤其涉及基于联邦学习的流量预测模型训练方法、预测方法和装置。
技术介绍
[0002]联邦学习是一种能够采用客户端/服务器（C/S）架构的分布式机器学习训练框架，多个客户端在一个中心服务器的协同之下共同训练一个算法模型。将联邦学习应用于无线通信流量预测，每个客户端仅需负责部分区域级的蜂窝流量预测，多个客户端协同起来共同进行城市全域流量预测。联邦学习所提出来的分布式算法架构对协同大范围的基站进行并行化的流量预测建模，因此，部署在客户端的流量预测模型能够保持较低的复杂度。此外，由于联邦学习是一种分布式机器学习训练框架，不需要将城市全域的流量汇聚到某一个集中节点上进行全域流量预测，因此，在预测时效性上能够保持较低的预测时延。
[0003]目前，直接将联邦学习应用于无线通信流量预测的方式面临着预测准确性不足的问题。这是因为，联邦学习算法能够获得性能提升，是基于参与联邦学习的客户端的数据样本是独立同分布（Independent Ident...
【技术保护点】
【技术特征摘要】
1.一种基于联邦学习的流量预测模型训练方法，其特征在于，包括：对目标区域范围内的各个基站进行相似性聚类以得到多个初始基站联盟，其中，每个所述初始基站联盟中均包含有多个所述基站；应用各个所述初始基站联盟进行针对无线通信流量预测的联邦训练，同时根据预设的合作博弈方式对各个所述初始基站联盟中的基站进行筛选以得到各个所述初始基站联盟各自对应的目标基站联盟；采用各个所述目标基站联盟进行针对无线通信流量预测的联邦训练，并对各个所述目标基站联盟的合作产生盈余进行分配，以训练得到用于预测无线通信流量的流量预测模型。2.根据权利要求1所述的基于联邦学习的流量预测模型训练方法，其特征在于，所述对目标区域范围内的各个基站进行相似性聚类以得到多个初始基站联盟，包括：对目标区域范围内的各个基站的地理位置进行统计，计算每个基站的地理位置分别与其他基站的地理相似性；以及，对目标区域范围内的各个基站的无线通信流量分布进行统计，计算每个基站的无线通信流量分布分别与其他基站的无线通信流量分布之间的相似性；根据每个基站分别与其他基站之间的地理位置的相似性以及无线通信流量的相似性对目标区域范围内的各个基站进行聚类，得到多个初始基站联盟。3.根据权利要求2所述的基于联邦学习的流量预测模型训练方法，其特征在于，所述对目标区域范围内的各个基站的地理位置进行统计，计算每个基站的地理位置分别与其他基站的地理相似性；以及，对目标区域范围内的各个基站的无线通信流量分布进行统计，计算每个基站的无线通信流量分布分别与其他基站的无线通信流量分布之间的相似性，包括：基于各个所述基站的地理位置，计算各个所述基站分别与其他基站之间的地理距离的倒数，以得到包含有每个基站分别与其他基站之间的地理距离倒数的地理相似性矩阵；根据预获取的所述目标区域范围内的每个基站的流量概率分布值，确定每个所述基站分别与其他基站之间的流量概率分布值之和的平均值；基于各个所述基站的流量概率分布值，以及各个所述基站分别与其他基站之间的流量概率分布值之和的平均值，分别确定各个所述基站分别与其他基站之间的KL散度；根据各个所述基站的无线通信流量与其他基站的无线通信流量之间的KL散度，分别确定每个基站的无线通信流量分别与其他基站的无线通信流量之间的JS散度，以得到包含有每个基站分别与其他基站之间的无线通信流量的JS散度的无线通信流量相似性矩阵。4.根据权利要求3所述的基于联邦学习的流量预测模型训练方法，其特征在于，所述根据每个基站分别与其他基站之间的地理位置的相似性以及无线通信流量的相似性对目标区域范围内的各个基站进行聚类，得到多个初始基站联盟，包括：将所述地理相似性矩阵与所述流量相似性矩阵相乘，得到目标基站网络的相似性矩阵；基于各个所述目标基站网络的相似性矩阵进行聚类，得到各个均包含有多个基站的分簇，并将各个所述分簇分别作为初始基站联盟。5.根据权利要求1所述的基于联邦学习的流量预测模型训练方法，其特征在于，所述根据预设的合作博弈方式对各个所述初始基站联盟中的基站进行筛选以得到各个所述初始
基站联盟各自对应的目标基站联盟，包括：在应用各个所述初始基站联盟进行针对无线通信流量预测的...
【专利技术属性】
技术研发人员：林尚静，马冀，庄琲，李月颖，陈远祥，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。