基于多图卷积网络的基站KPI预测制造技术

本公开涉及基于多图卷积网络的基站KPI指标预测。一种用于预测基站KPI指标的方法，包括：基于基站的历史KPI数据，生成该基站的初始KPI数据；将所述初始KPI数据输入到基于邻近图的图卷积网络、基于相似图的图卷积网络、基于互通图的图卷积网络，以分别提取邻域特征、场景特征、流动性特征，其中所述邻近图、相似图和互通图分别指示包括所述基站在内的一组基站之间的邻近关系、场景相似性、互通性；通过融合所提取的邻域特征、场景特征、流动性特征，获得融合特征；以及基于所述融合特征，计算KPI指标的预测值。的预测值。的预测值。

【技术实现步骤摘要】
基于多图卷积网络的基站KPI预测


[0001]本公开总体上涉及移动通信领域与人工智能领域，更具体地，涉及基于多图卷积网络的基站KPI预测方法、装置、存储介质以及计算机程序产品。

技术介绍

[0002]随着5G技术的发展，5G基站得到广泛部署，但是5G基站的能耗相比4G更大，因此对于节能的需求更为迫切。人工智能已经越来越多地被应用以实现全自动节能。
[0003]当前5G还在使用初期，一方面，用户数量处于逐步增长的过程，因此一部分5G基站会出现大量空闲时间，可节能的空间很大；另一方面，发展初期的基站整体利用率偏低，各种关键性能指标(KPI)容易出现陡增、陡降的现象，因此大部分5G基站相较于4G基站在KPI的规律性和周期性方面较差，导致仅用历史KPI数据预测未来KPI数据时效果较差，无法处理数据突发性增大或减少的情况。
[0004]如图1所示，当前主流的预测方法基本是使用历史时序KPI数据进行特征工程，利用提取的特征训练模型，然而使用训练后的模型预测未来KPI。也有少数预测方法考虑到了空间特征，但它们提取空间特征的方式较为简单，是将需要预测的区域划分为一个个栅格，以栅格为单位预测用户的流入流出，这样的方法具体到基站时会产生较大误差，并且以栅格为单位做的用户流动信息也比较依赖于用户流动的规律性与周期性，这恰好是5G发展初期所缺乏的。

技术实现思路

[0005]针对上述问题，本公开提出基于多图卷积网络的机制KPI预测模型，旨在解决5G发展初期，5G基站普遍利用率较低、各种KPI数据的规律性和周期性差，导致主要依赖于历史时序KPI数据的传统预测模型效果较差的问题。
[0006]本公开的一个方面提供了一种用于预测基站KPI的方法，包括：基于基站的历史KPI数据，生成该基站的初始KPI数据；将所述初始KPI数据输入到基于邻近图的图卷积网络、基于相似图的图卷积网络、基于互通图的图卷积网络，以分别提取邻域特征、场景特征、流动性特征，其中所述邻近图、相似图和互通图分别指示包括所述基站在内的一组基站之间的邻近关系、场景相似性、互通性；通过融合所提取的邻域特征、场景特征、流动性特征，获得融合特征；以及基于所述融合特征，计算KPI的预测值。
[0007]本公开的另一个方面提供了一种用于训练图卷积网络的方法，包括：基于一组基站的历史KPI数据，生成每个基站的KPI训练数据；基于所述一组基站的空间信息，构建分别指示该组基站的邻近关系、场景相似性、互通性的邻近图、相似图、互通图；将所述KPI训练数据输入到基于所述邻近图的图卷积网络、基于所述相似图的图卷积网络、基于所述互通图的图卷积网络，以分别提取邻域特征、场景特征、流动性特征；通过融合所提取的邻域特征、场景特征、流动性特征，获得融合特征；基于所述融合特征，计算KPI的预测值；以及计算所述KPI的预测值和真实值之间的误，并基于所计算的误差来更新所述图卷积网络的参数。
[0008]本公开的另一个方面提供了一种系统，包括：处理器；以及存储器，被配置为存储可执行指令，其中所述可执行指令在由处理器执行时使得所述处理器执行上面所述的方法。
[0009]本公开的另一个方面还提供了一种体现可执行指令的计算机可读存储介质和计算机程序产品，所述可执行指令在由处理器执行时使得所述处理器执行上面所述的方法。
附图说明
[0010]本公开可以通过参考下文中结合附图所给出的详细描述而得到更好的理解。所有附图连同下面的详细说明一起包含在本说明书中并形成说明书的一部分，用来进一步举例说明本公开的实施例和解释本公开的原理和优点。所包括的附图用于说明性目的而非限制性目的。
[0011]其中：
[0012]图1示出了传统的基站KPI预测模型；
[0013]图2示出了根据本公开的实施例的基站KPI预测模型；
[0014]图3是示出了根据本公开的实施例的基站KPI预测方法的流程图；
[0015]图4是示出了根据本公开的实施例的图卷积网络的训练方法的流程图；
[0016]图5示出了可以用于实现根据本公开的实施例的各种方法的计算设备的示例性硬件配置。
[0017]根据参照附图的以下描述，本公开的其它特性和优点将变得清晰。
具体实施方式
[0018]在下文中将参照附图来详细描述本公开的各种示例性实施例。为了清楚和简明起见，在本说明书中并未描述实施例的所有特征。然而应注意，在实现本公开的实施例时可以根据特定需求做出很多特定于实现方式的设置，以便实现开发人员的具体目标，例如，符合与系统设备及业务相关的限制条件，并且这些限制条件可能会随着实现方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是较复杂和费事的，但对得益于本公开的本领域技术人员来说，这种开发工作仅仅是例行的任务。
[0019]此外，还应注意，为了避免因不必要的细节而模糊了本公开，在附图中仅仅示出了与至少根据本公开的技术方案密切相关的处理步骤和/或设备配置，而省略了与本公开关系不大的其他细节。以下对于示例性实施例的描述仅仅是说明性的，不意在作为对本公开及其应用的任何限制。
[0020]如前面所提到的，在图1示出的传统基站KPI预测模型中，当基站KPI的规律性和周期性较差时，仅使用历史时序数据作为模型输入可能导致预测效果不理想，并且即使考虑了邻近基站的空间特征，也多依赖于用户流动的规律性和周期性，对于预测效果的提升作用有限。
[0021]有鉴于此，本公开提出了一种基于多图卷积网络的基站KPI预测模型。图2示出了根据本公开的实施例的新颖预测模型的总体框架。除去历史时序数据外，本公开的预测模型以基站为单位，将基站的空间结构纳入考虑，从而获取基站间有效的时空关系，弥补只有时序特征的不足。
[0022]如图2中所示，本公开的预测模型从基站空间数据中构建多种拓扑图，以此获取基站间的空间关系。在下面描述的实施例中，主要考虑构建三种拓扑图：邻近图、相似图和互通图，但是这并不意味着本公开的实施例仅限于这三种图，本领域技术人员可以想到提取并使用任何可能的图。
[0023]三种拓扑图中的节点都是需要预测区域的全体基站。其中邻近图是将基站间距离小于r米的基站用边相连后形成的拓扑图，邻近图主要考虑了邻近基站所处的环境大致相同，基站KPI指标趋势大致相同。相似图是将所处场景相同的基站之间用边互连后形成的拓扑图，相似图主要考虑的是所处位置场景相似的基站可能会具有相同的特性或规律，例如某两栋写字楼周围的基站可能都是早晨8点左右使用人数陡增，到下午六点出现陡降情形。互通图是将交通主干路上的基站间用边互连后形成的拓扑图，互通图主要考虑了基于道路互通的基站间用户的流动性关系，当下在当前基站的用户可能在下一时刻移动到了下面基站，所以基站间的流动信息对预测也有很大帮助。
[0024]在图2中所示的预测模型中，基站的历史时序KPI信息作为初始特征，被输入到基于不同图的图卷积网络(GCN)中，以提取不同的时空特征。例如，作为初始特征的历史时序数据被输入到从邻近图构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于预测基站KPI指标的方法，包括：基于基站的历史KPI数据，生成该基站的初始KPI数据；将所述初始KPI数据输入到基于邻近图的图卷积网络、基于相似图的图卷积网络、基于互通图的图卷积网络，以分别提取邻域特征、场景特征、流动性特征，其中所述邻近图、相似图和互通图分别指示包括所述基站在内的一组基站之间的邻近关系、场景相似性、互通性；通过融合所提取的邻域特征、场景特征、流动性特征，获得融合特征；以及基于所述融合特征，计算KPI指标的预测值。2.如权利要求1所述的方法，其中，所述KPI指标包括以下中的一个或多个：最大RRC连接数、平均RRC连接数、上行数据流量、下行数据流量、上行PRB数、下行PRB数。3.如权利要求1所述的方法，其中，所述图卷积网络包括一个卷积层。4.如权利要求1所述的方法，其中，所述邻近图、相似图和互通图是无向无权图。5.如权利要求1所述的方法，其中，所述融合包括以下之一：求和、求平均、基于注意力机制的融合。6.如权利要求1所述的方法，其中，利用回归方法计算KPI指标的预测值。7.一种用于训练图卷积网络的方法，包括：基于一组基站的历史KPI...

【专利技术属性】
技术研发人员：刘琦，李力卡，张慧嫦，张青，赖琮霖，陈园光，蔡凤恩，刘心唯，刘保华，曾焕浩，刘翼，张家铭，付薇薇，余淼，李加微，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：