一种输出流量预测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种输出流量预测方法、装置及存储介质，包括：获取基站的历史流量序列以及基站的地理位置信息；确定时间和空间维度最相近的至少一个邻居基站作为目标基站的邻居子图；通过阈值设置规则处理获得原始流量序列以及流量离散序列；通过图注意力网络获取邻居子图中各基站与目标基站之间在流量上相似或相反的空间依赖关系；将原始流量序列与离散流量序列分别通过TCN获取时间依赖关系；通过软注意力机制根据空间依赖关系与时间依赖关系输出流量预测结果。采用本发明专利技术，避免学习了过多冗余信息。提高了网络流量过载预测的准确率。能挖掘更深层次的空间依赖关系。在多步预测准确率以及运算速度上有了很大的提升。测准确率以及运算速度上有了很大的提升。测准确率以及运算速度上有了很大的提升。

【技术实现步骤摘要】
一种输出流量预测方法、装置及存储介质


[0001]本专利技术涉及通信
，特别涉及一种输出流量预测方法、装置及存储介质。

技术介绍

[0002]现有机器学习方法有ARIMA(自回归差分移动平均模型，Autoregressive Integrated Moving Average)和SVR(支持向量机回归，support vector regression)。ARIMA通过计算历史序列的平均值预测未来流量，SVR是SVM(支持向量机，support vector machines)的变形，通过机器学习算法拟合输入和输出的关系预测未来流量，需要较高的存储空间与计算资源。
[0003]在深度学习模型中，考虑到基站复杂的时空依赖关系，RNN(循环神经网络，Recurrent Neural Network)被用来解决复杂的序列时间依赖关系，CNN(卷积神经网络，Convolutional Neural Network)被用来提取规则区域的空间关系，GCN(图卷积网络，Graph Convolutional Network)对基站建立无规则的拓扑结构。例如，T
‑
GCN(时间图卷积网络，Time Graph Convolutional Network)结合了GRU(门控循环单元，Gated Recurrent Unit)和GCN，GRU用于学习流量数据的动态变化来捕获时间依赖关系，GCN用于学习复杂的拓扑结构来捕获空间依赖关系；AGG(反晶粒几何，Anti
‑
Grain Geometry)通过分析基站空间距离使用GCN捕捉流量预测的空间特征，TCN(时间卷积网络，Time Convolutional Network)捕捉时间依赖关系。另外，基站流量过载预测现有的工作通过捕捉原始流量序列的时空关系，直接将预测的结果与预先定义的阈值预测比较大小判断是否会发生流量爆发情况。
[0004]现有技术的不足在于：学习了过多冗余信息。

技术实现思路

[0005]本专利技术提供了一种输出流量预测方法、装置及存储介质，用以解决预测过程中需要学习了过多冗余信息的问题。
[0006]本专利技术提供以下技术方案：
[0007]一种输出流量预测方法，包括：
[0008]获取基站的历史流量序列以及基站的地理位置信息；
[0009]确定时间和空间维度最相近的至少一个邻居基站作为目标基站的邻居子图；
[0010]通过阈值设置规则处理获得原始流量序列以及流量离散序列；
[0011]通过图注意力网络获取邻居子图中各基站与目标基站之间在流量上相似或相反的空间依赖关系；
[0012]将原始流量序列与离散流量序列分别通过TCN获取时间依赖关系；
[0013]通过软注意力机制根据空间依赖关系与时间依赖关系输出流量预测结果。
[0014]实施中，确定时间和空间维度最相近的至少一个邻居基站作为目标基站的邻居子图，是通过Dual
‑
KNN算法选取邻居基站的。
[0015]实施中，确定时间和空间维度最相近的至少一个邻居基站作为目标基站的邻居子图，是在时间维度和空间维度上分别使用KNN算法确定与目标基站最相似的邻居基站，根据确定的距离和相似性分别选取最近的预设个数的邻居基站构成邻居子图，其中，使用余弦相似度确定时间距离，使用欧式距离确定空间距离。
[0016]实施中，确定空间依赖关系时，是通过GAT确定邻居基站影响的权重的。
[0017]实施中，通过GAT确定邻居基站影响的权重，包括：
[0018]使用线性变换将各节点的原始序列转换到高维空间，其中，以基站作为节点；
[0019]计算成对的注意力系数表示节点j对节点i的重要性；其中，获取正负流量特征，分别表征目标基站与其他基站的相似或相反关系；
[0020]应用softmax和softmin函数归一化注意力分数得到不同邻居基站的权重，分别表示相似和相反的空间依赖关系；
[0021]通过计算不同权重的邻居组合得到基站的两个表征，分别由正、反关系计算得到；
[0022]GAT输出包括：自身历史模式、与空间特征，其中，空间特征分别反映了邻居基站的正、或负影响。
[0023]实施中，通过软注意力机制根据空间依赖关系与时间依赖关系输出流量预测结果，包括：
[0024]提取原始序列中的趋势信息以及离散序列的过载特征，使用soft attention捕捉基站流量的时空特征；
[0025]确定基站i的连续隐状态h
c
和离散隐状态h
d
的可学权重，对权值计算后通过解码器预测未来的流量过载情况。
[0026]实施中，进一步包括：
[0027]在误差计算时使用平衡参数β缓解正负样本比例的不平衡，并且平衡参数与正负样本比例成线性关系。
[0028]一种输出流量预测装置，包括：
[0029]处理器，用于读取存储器中的程序，执行下列过程：
[0030]获取基站的历史流量序列以及基站的地理位置信息；
[0031]确定时间和空间维度最相近的至少一个邻居基站作为目标基站的邻居子图；
[0032]通过阈值设置规则处理获得原始流量序列以及流量离散序列；
[0033]通过图注意力网络获取邻居子图中各基站与目标基站之间在流量上相似或相反的空间依赖关系；
[0034]将原始流量序列与离散流量序列分别通过TCN获取时间依赖关系；
[0035]通过软注意力机制根据空间依赖关系与时间依赖关系输出流量预测结果；
[0036]收发机，用于在处理器的控制下接收和发送数据。
[0037]实施中，确定时间和空间维度最相近的至少一个邻居基站作为目标基站的邻居子图，是通过Dual
‑
KNN算法选取邻居基站的。
[0038]实施中，确定时间和空间维度最相近的至少一个邻居基站作为目标基站的邻居子图，是在时间维度和空间维度上分别使用KNN算法确定与目标基站最相似的邻居基站，根据确定的距离和相似性分别选取最近的预设个数的邻居基站构成邻居子图，其中，使用余弦相似度确定时间距离，使用欧式距离确定空间距离。
[0039]实施中，确定空间依赖关系时，是通过GAT确定邻居基站影响的权重的。
[0040]实施中，通过GAT确定邻居基站影响的权重，包括：
[0041]使用线性变换将各节点的原始序列转换到高维空间，其中，以基站作为节点；
[0042]计算成对的注意力系数表示节点j对节点i的重要性；其中，获取正负流量特征，分别表征目标基站与其他基站的相似或相反关系；
[0043]应用softmax和softmin函数归一化注意力分数得到不同邻居基站的权重，分别表示相似和相反的空间依赖关系；
[0044]通过计算不同权重的邻居组合得到基站的两个表征，分别由正、反关系计算得到；
[0045]GAT输出包括：自身历本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输出流量预测方法，其特征在于，包括：获取基站的历史流量序列以及基站的地理位置信息；确定时间和空间维度最相近的至少一个邻居基站作为目标基站的邻居子图；通过阈值设置规则处理获得原始流量序列以及流量离散序列；通过图注意力网络获取邻居子图中各基站与目标基站之间在流量上相似或相反的空间依赖关系；将原始流量序列与离散流量序列分别通过时间卷积网络TCN获取时间依赖关系；通过软注意力机制根据空间依赖关系与时间依赖关系输出流量预测结果。2.如权利要求1所述的方法，其特征在于，确定时间和空间维度最相近的至少一个邻居基站作为目标基站的邻居子图，是通过双重K近邻算法Dual
‑
KNN算法选取邻居基站的。3.如权利要求2所述的方法，其特征在于，确定时间和空间维度最相近的至少一个邻居基站作为目标基站的邻居子图，是在时间维度和空间维度上分别使用K近邻算法KNN算法确定与目标基站最相似的邻居基站，根据确定的距离和相似性分别选取最近的预设个数的邻居基站构成邻居子图，其中，使用余弦相似度确定时间距离，使用欧式距离确定空间距离。4.如权利要求1所述的方法，其特征在于，确定空间依赖关系时，是通过图注意力网络GAT确定邻居基站影响的权重的。5.如权利要求4所述的方法，其特征在于，通过GAT确定邻居基站影响的权重，包括：使用线性变换将各节点的原始序列转换到高维空间，其中，以基站作为节点；计算成对的注意力系数表示节点j对节点i的重要性；其中，获取正负流量特征，分别表征目标基站与其他基站的相似或相反关系；应用softmax和softmin函数归一化注意力分数得到不同邻居基站的权重，分别表示相似和相反的空间依赖关系；通过计算不同权重的邻居组合得到基站的两个表征，分别由正、反关系计算得到；GAT输出包括：自身历史模式、与空间特征，其中，空间特征分别反映了邻居基站的正、或负影响。6.如权利要求1所述的方法，其特征在于，通过软注意力机制根据空间依...

【专利技术属性】
技术研发人员：王星，于巧红，朱琳，杨可欣，王寰东，冯俊兰，邓超，李勇，金德鹏，
申请(专利权)人：清华大学中国移动通信集团有限公司，
类型：发明
国别省市：