基于个性化分组联邦学习的无线流量预测方法及系统技术方案

本申请提供一种基于个性化分组联邦学习的无线流量预测方法及系统，方法包括：将无线流量数据和个性化特征数据均输入本地部署的区域级个性化流量预测模型，以通过其中的通用层提取无线流量的时间和空间的相关性数据以及通过个性化层提取个性化特征数据对无线流量的影响数据，并输出无线流量预测数据作为目标区域的区域级无线流量预测结果；将该结果发送至中心云服务器，以使该中心云服务器根据各个边缘服务器分别发送的各个区域的区域级无线流量预测结果生成由各个区域构成的全域范围对应的无线流量预测结果。本申请能够提高各个区域的区域级无线流量预测的准确性及针对性，进而能够有效提高城市等全域范围的无线流量预测的准确性及有效性。量预测的准确性及有效性。量预测的准确性及有效性。

【技术实现步骤摘要】
基于个性化分组联邦学习的无线流量预测方法及系统


[0001]本申请涉及无线通信
，尤其涉及基于个性化分组联邦学习的无线流量预测方法及系统。

技术介绍

[0002]在城市等大规模区域范围的无线流量预测场景下，集中式的流量预测方式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，会导致通信负载增加以及预测模型复杂度高等问题，因此可以在此类大规模场景中采用分布式的流量预测方法。联邦学习是一种能够采用客户端/服务器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。将联邦学习应用于城市全域流量预测，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。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]然而，将联邦学习应用于城市全域流量预测面临着一个严峻的挑战，即预测准确性问题。这是因为，现有的联邦学习算法是基于各个客户端的数据是独立同分布（Independent Identically Distribution，IID）假设前提之上的。但是，这个前提假设在城市级蜂窝流量预测场景下并不成立。原因是，大量个体的社会化活动聚集起来形成群体的社会化活动将导致地理空间上形成功能区域（商业区、大学、办公区、公交枢纽）。功能区域反向影响了人群的活动特性，导致不同区域的蜂窝流量又呈现出差异性。因此，亟需设计一种能够提高无线流量预测准确性的方案。

技术实现思路

[0004]鉴于此，本申请实施例提供了基于个性化分组联邦学习的无线流量预测方法及系统，以消除或改善现有技术中存在的一个或更多个缺陷。
[0005]本申请的一个方面提供了一种基于个性化分组联邦学习的无线流量预测方法，包括：获取目标区域当前的无线流量数据，若该目标区域为预设的个性化特征区域，则获取该目标区域当前的个性化特征数据；将所述无线流量数据和所述个性化特征数据均输入预先基于个性化分组联邦学习系统训练得到的本地部署的区域级个性化流量预测模型，以通过该区域级个性化流量预测模型中预设的通用层提取无线流量的时间和空间的相关性数据以及通过该区域级个性化流量预测模型中预设的个性化层提取个性化特征数据对无线流量的影响数据，并输出无线流量预测数据作为所述目标区域对应的区域级无线流量预测结果；将所述区域级无线流量预测结果发送至所述个性化分组联邦学习系统中的中心云服务器，以使该中心云服务器根据所述个性化分组联邦学习系统中的各个边缘服务器分
别发送的各个区域对应的区域级无线流量预测结果，生成由各个所述区域构成的全域范围对应的无线流量预测结果。
[0006]在本申请的一些实施例中，在所述获取目标区域当前的无线流量数据之前，还包括：获取本地管辖的目标区域中各个基站的历史无线流量数据及历史多源特征数据；基于分组联邦学习方式，采用历史无线流量数据及历史多源特征数据训练得到本地部署的用于预测区域无线流量的通用层；以及，基于预设的合作收益方式，采用所述历史多源特征数据及所述历史无线流量数据确定所述目标区域是否为个性化特征区域，若是，则进一步筛选出个性化特征区域的最优特征组合，生成本地部署的用于预测区域个性化特征的个性化层；对本地部署的所述通用层和所述个性化层进行融合，以得到用于输出区域个性化流量预测结果的区域级个性化流量预测模型。
[0007]在本申请的一些实施例中，所述基于分组联邦学习方式，采用历史无线流量数据及历史多源特征数据训练得到本地部署的用于预测区域无线流量的通用层，包括：将所述历史无线流量数据映射为时空流量数据，并对所述时空流量数据进行归一化处理以得到对应的通用层训练集，利用所述历史多源特征数据打上分组标签；接收所述中心云服务器发送的初始的全局分组级通用层模型参数；执行预设的分组联邦学习步骤，该分组联邦学习步骤包括：应用所述通用层训练集、当前的全局分组级通用层模型参数及损失函数对预设的卷积神经网络进行训练，并将训练得到的本地分组级通用层模型参数发送至所述中心云服务器，以使该中心云服务器对各个所述边缘服务器分别发送的本地分组级通用层模型参数以分组为单位进行融合以更新全局分组级通用层模型参数；接收所述中心云服务器发送的更新后的全局分组级通用层模型参数，并判断预设的迭代次数当前是否到达次数阈值，若否，则返回执行所述分组联邦学习步骤；若是，则将当前接收的所述全局分组级通用层模型参数存储为本地的用于预测区域无线流量的通用层。
[0008]在本申请的一些实施例中，所述基于预设的合作收益方式，采用所述历史多源特征数据及所述历史无线流量数据确定所述目标区域是否为个性化特征区域，若是，则进一步筛选出个性化特征区域的最优特征组合，生成本地部署的用于预测区域个性化特征的个性化层，包括：将所述历史多源特征数据映射为时空多源数据，并对所述时空多源数据进行归一化处理，其中，所述历史多源特征数据包括各类非流量特征各自对应的特征数据；依次引入本地的单个个性化特征数据与流量数据训练流量预测模型，比较在引入本地的个性化特征数据前后，流量预测模型预测准确性的变化；若联合所述个性化层和通用层组成的区域级的流量预测模型的预测准确性高于单独由通用层构成的区域级的流量预测模型的预测准确性，则保留该本地特征，否则，剔除该本地特征；经过筛选后的本地特征集合若为非空，则将所述目标区域确定为个性化特征区域；根据保留下来的本地特征集合，生成不同的特征组合，其中，每个特征组合至少包含一类非流量特征对应的特征数据；各特征组合输入区域级的流量预测模型进行训练时，将各特征组合数据输入所述个性化
层，并将无线流量数据输入所述通用层，训练得到的预测准确性作为特征组合的合作收益；筛选出合作收益最大的特征组合作为个性化特征区域中的最优特征组合，并将基于所述历史多源特征数据训练得到的全连接神经网络模型确定为本地部署的用于预测区域个性化特征的个性化层。
[0009]在本申请的一些实施例中，还包括：若确定所述目标区域不为个性化特征区域，则将本地部署的用于预测区域无线流量的通用层确定为本地的区域级流量预测模型；相对应的，在所述获取目标区域当前的无线流量数据之后，以及在所述将所述区域级无线流量预测结果发送至所述个性化分组联邦学习系统中的中心云服务器之前，还包括：将所述无线流量数据输入预先基于个性化分组联邦学习系统训练得到的本地部署的区域级流量预测模型，以使该区域级流量预测模型输出所述目标区域对应的区域级无线流量预测结果。
[0010]在本申请的一些实施例中，所述个性化特征数据包括：天气气候数据、基站分布密度数据、地理功能区域数据、节假日活动数据、社交数据和夜间灯光数据中的至少一种。
[0011]本申请的另一个方面提供了一种基于个性化分组联邦学习的无线流量预测装置，包括：数据获取模块，用于获取目标区域当前的无线流量数据，若该目标区域为预设的个性化特征区域，则获取该目标区域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于个性化分组联邦学习的无线流量预测方法，其特征在于，包括：获取目标区域当前的无线流量数据，若该目标区域为预设的个性化特征区域，则获取该目标区域当前的个性化特征数据；将所述无线流量数据和所述个性化特征数据均输入预先基于个性化分组联邦学习系统训练得到的本地部署的区域级个性化流量预测模型，以通过该区域级个性化流量预测模型中预设的通用层提取无线流量的时间和空间的相关性数据以及通过该区域级个性化流量预测模型中预设的个性化层提取个性化特征数据对无线流量的影响数据，并输出无线流量预测数据作为所述目标区域对应的区域级无线流量预测结果；将所述区域级无线流量预测结果发送至所述个性化分组联邦学习系统中的中心云服务器，以使该中心云服务器根据所述个性化分组联邦学习系统中的各个边缘服务器分别发送的各个区域对应的区域级无线流量预测结果，生成由各个所述区域构成的全域范围对应的无线流量预测结果。2.根据权利要求1所述的基于个性化分组联邦学习的无线流量预测方法，其特征在于，在所述获取目标区域当前的无线流量数据之前，还包括：获取本地管辖的目标区域中各个基站的历史无线流量数据及历史多源特征数据；基于分组联邦学习方式，采用历史无线流量数据及历史多源特征数据训练得到本地部署的用于预测区域无线流量的通用层；以及，基于预设的合作收益方式，采用所述历史多源特征数据及所述历史无线流量数据确定所述目标区域是否为个性化特征区域，若是，则进一步筛选出个性化特征区域的最优特征组合，生成本地部署的用于预测区域个性化特征的个性化层；对本地部署的所述通用层和所述个性化层进行融合，以得到用于输出区域个性化流量预测结果的区域级个性化流量预测模型。3.根据权利要求2所述的基于个性化分组联邦学习的无线流量预测方法，其特征在于，所述基于分组联邦学习方式，采用历史无线流量数据及历史多源特征数据训练得到本地部署的用于预测区域无线流量的通用层，包括：将所述历史无线流量数据映射为时空流量数据，并对所述时空流量数据进行归一化处理以得到对应的通用层训练集，利用所述历史多源特征数据打上分组标签；接收所述中心云服务器发送的初始的全局分组级通用层模型参数；执行预设的分组联邦学习步骤，该分组联邦学习步骤包括：应用所述通用层训练集、当前的全局分组级通用层模型参数及损失函数对预设的卷积神经网络进行训练，并将训练得到的本地分组级通用层模型参数发送至所述中心云服务器，以使该中心云服务器对各个所述边缘服务器分别发送的本地分组级通用层模型参数以分组为单位进行融合以更新全局分组级通用层模型参数；接收所述中心云服务器发送的更新后的全局分组级通用层模型参数，并判断预设的迭代次数当前是否到达次数阈值，若否，则返回执行所述分组联邦学习步骤；若是，则将当前接收的所述全局分组级通用层模型参数存储为本地的用于预测区域无线流量的通用层。4.根据权利要求2所述的基于个性化分组联邦学习的无线流量预测方法，其特征在于，所述基于预设的合作收益方式，采用所述历史多源特征数据及所述历史无线流量数据确定所述目标区域是否为个性化特征区域，若是，则进一步筛选出个性化特征区域的最优特征
组合，生成本地部署的用于预测区域个性化特征的个性化层，包括：将所述历史多源特征数据映射为时空多源数据，并对所述时空多源数据进行归一化处理，其中，所述历史多源特征数据包括各类非流量特征各自对应的特征数据；依次引入本地的单个个性化特征数据与流量数据训练流量预测模型，比较在引入本地的个性化特征数据的前后，流量预测模型预测准确性的变化；若联合所述个性化层和通用层组成的区域级的流量预测模型的预测准确性高于单独由通用层构成的区域级的...

【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：