本申请公开了一种基于联邦学习的流量预测方法、装置、设备及存储介质。该方法包括：服务器获取目标蜂窝网络基于聚类划分的各区域的数据缺失率；基于数据缺失率和设定阈值将各区域划分为高质量区域和低质量区域；获取各区域的流量预测模型生成的本地模型参数；对高质量区域的本地模型参数进行聚合，更新全局的流量预测模型的模型参数；将全局的流量预测模型的模型参数发送给高质量区域的客户端；并将高质量区域的本地模型参数发送给低质量区域的客户端。服务器将高质量区域的本地模型参数发送给低质量区域的客户端，进而使得低质量区域的客户端可以基于获取的高质量区域的本地模型参数进行联邦迁移学习，提高流量预测的准确度。度。度。
【技术实现步骤摘要】
基于联邦学习的流量预测方法、装置、设备及存储介质
[0001]本申请涉及无线通信领域，尤其涉及一种基于联邦学习的流量预测方法、装置、设备及存储介质。
技术介绍
[0002]随着第五代移动网络(5G)技术和车联网的发展，快速增长的移动业务和网络管理需求更加具有挑战性。智能通信网将人工智能和通信技术相结合，提高服务质量。无线流量预测作为网络的重要组成部分，可以缓解网络拥塞，提高资源利用率。
[0003]传统流量预测算法都是针对单个小区进行独立建模，然而，针对单个小区的流量预测模型无法直接适用于所有小区。在实际应用中，对于千万数量级别小区流量进行并行化建模，这无疑非常困难。此外，基于机器学习或者深度学习的流量预测算法，当应用到大规模城市级别的蜂窝小区流量预测时，都面临复杂度和泛化性的难题。为此，相关技术中，将联邦学习(Federated Learning)引入到流量预测领域，实现大规模蜂窝网络的全区域联合预测，其中，联邦学习是一种能够具有隐私保护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流量预测模型。
[0004]然而，相关技术中，大规模蜂窝网络的全区域联合预测存在以下缺陷：
[0005](1)、蜂窝网络具有复杂的时空依赖性，使用时空模型串联的方式进行会导致信息的冗余提取；
[0006](2)、联邦学习全局参数的初始化一般是是随机更新的，这不满足蜂窝网络实时性的要求，同时，无线数据缺失会导致无线流量的数据质量和预测性能下降，全局模型不具备优质的参数来防止数据质量较差的区域参数对全局模型的影响；
[0007](3)、随着数据缺失的增加，数据源的质量进一步下降，若使用单独蜂窝网络区域的时空模型得出的性能会出现很大的退化。
技术实现思路
[0008]有鉴于此，本申请实施例提供了一种基于联邦学习的流量预测方法、装置、设备及存储介质，旨在减少无线数据缺失对流量预测的影响，提高蜂窝网络的流量预测的准确度。
[0009]本申请实施例的技术方案是这样实现的：
[0010]第一方面，本申请实施例提供了一种基于联邦学习的流量预测方法，应用于服务器，所述方法包括：
[0011]获取目标蜂窝网络基于聚类划分的各区域的数据缺失率；
[0012]基于所述数据缺失率和设定阈值将所述各区域划分为高质量区域和低质量区域；
[0013]获取所述各区域的流量预测模型生成的本地模型参数；
[0014]对所述高质量区域的所述本地模型参数进行聚合，更新全局的流量预测模型的模型参数；
[0015]将所述全局的流量预测模型的模型参数发送给所述高质量区域的客户端；并将所
述高质量区域的所述本地模型参数发送给所述低质量区域的客户端。
[0016]上述方案中，所述方法还包括：
[0017]发送初始的所述流量预测模型给所述各区域的客户端。
[0018]上述方案中，所述流量预测模型包括：并行的图卷积网络和循环神经网络，其中，所述图卷积网络与所述循环神经网络之间基于注意力机制模块关联。
[0019]上述方案中，所述方法还包括：
[0020]针对所述低质量区域的每个区域，求取与所述高质量区域的任意区域之间的相似度，构建所述低质量区域的每个区域与所述高质量区域之间的区域相关矩阵；
[0021]发送所述区域相关矩阵给相应区域的客户端。
[0022]第二方面，本申请实施例提供了一种基于联邦学习的流量预测方法，应用于客户端，所述客户端与目标蜂窝网络基于聚类划分的区域对应，所述方法包括：
[0023]将所在区域的数据缺失率发送至服务器；
[0024]基于所在区域的流量数据对流量预测模型进行训练，得到本地模型参数并发送所述本地模型参数至所述服务器；
[0025]接收所述服务器发送的模型参数，并基于接收的模型参数更新所述流量预测模型；
[0026]其中，若所在区域为高质量区域，则所述接收的模型参数为全局的流量预测模型的模型参数；若所在区域为低质量区域，则所述接收的模型参数为高质量区域的本地模型参数。
[0027]上述方案中，若所在区域为低质量区域，所述基于接收的模型参数更新所述流量预测模型包括：
[0028]基于所在区域与所述高质量区域之间的区域相关矩阵，对所述高质量区域的本地模型参数进行加权求和，并基于加权求和得到的模型参数更新所述流量预测模型。
[0029]上述方案中，所述方法还包括：
[0030]接收所述服务器发送的所述区域相关矩阵。
[0031]上述方案中，所述流量预测模型包括：并行的图卷积网络和循环神经网络，其中，所述图卷积网络与所述循环神经网络之间基于注意力机制模块关联。
[0032]上述方案中，所述方法还包括：
[0033]基于更新后的所述流量预测模型进行流量预测，得到预测的流量数据。
[0034]第三方面，本申请实施例提供了一种基于联邦学习的流量预测装置，应用于服务器，所述装置包括：
[0035]第一获取模块，用于获取目标蜂窝网络基于聚类划分的各区域的数据缺失率；
[0036]区域分类模块，用于基于所述数据缺失率和设定阈值将所述各区域划分为高质量区域和低质量区域；
[0037]第二获取模块，用于获取所述各区域的流量预测模型生成的本地模型参数；
[0038]第一模型更新模块，用于对所述高质量区域的所述本地模型参数进行聚合，更新全局的流量预测模型的模型参数；
[0039]第一发送模块，用于将所述全局的流量预测模型的模型参数发送给所述高质量区域的客户端；并将所述高质量区域的所述本地模型参数发送给所述低质量区域的客户端。
[0040]第四方面，本申请实施例提供了一种基于联邦学习的流量预测装置，应用于客户端，所述客户端与目标蜂窝网络基于聚类划分的区域对应，所述装置包括：
[0041]第二发送模块，用于将所在区域的数据缺失率发送至服务器；
[0042]训练模块，用于基于所在区域的流量数据对流量预测模型进行训练，得到本地模型参数；
[0043]所述第二发送模块还用于发送所述本地模型参数至所述服务器；
[0044]第二模型更新模块，用于接收所述服务器发送的模型参数，并基于接收的模型参数更新所述流量预测模型；
[0045]其中，若所在区域为高质量区域，则所述接收的模型参数为全局的流量预测模型的模型参数；若所在区域为低质量区域，则所述接收的模型参数为高质量区域的本地模型参数。
[0046]第五方面，本申请实施例提供了一种服务器，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器用于运行计算机程序时，执行本申请实施例第一方面所述方法的步骤。
[0047]第六方面，本申请实施例提供了一种客户端，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器用于运行计算机程序时，执行本申请实施例本文档来自技高网...
【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方法，其特征在于，应用于服务器，所述方法包括：获取目标蜂窝网络基于聚类划分的各区域的数据缺失率；基于所述数据缺失率和设定阈值将所述各区域划分为高质量区域和低质量区域；获取所述各区域的流量预测模型生成的本地模型参数；对所述高质量区域的所述本地模型参数进行聚合，更新全局的流量预测模型的模型参数；将所述全局的流量预测模型的模型参数发送给所述高质量区域的客户端；并将所述高质量区域的所述本地模型参数发送给所述低质量区域的客户端。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：发送初始的所述流量预测模型给所述各区域的客户端。3.根据权利要求1所述的方法，其特征在于，所述流量预测模型包括：并行的图卷积网络和循环神经网络，其中，所述图卷积网络与所述循环神经网络之间基于注意力机制模块关联。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：针对所述低质量区域的每个区域，求取与所述高质量区域的任意区域之间的相似度，构建所述低质量区域的每个区域与所述高质量区域之间的区域相关矩阵；发送所述区域相关矩阵给相应区域的客户端。5.一种基于联邦学习的流量预测方法，其特征在于，应用于客户端，所述客户端与目标蜂窝网络基于聚类划分的区域对应，所述方法包括：将所在区域的数据缺失率发送至服务器；基于所在区域的流量数据对流量预测模型进行训练，得到本地模型参数并发送所述本地模型参数至所述服务器；接收所述服务器发送的模型参数，并基于接收的模型参数更新所述流量预测模型；其中，若所在区域为高质量区域，则所述接收的模型参数为全局的流量预测模型的模型参数；若所在区域为低质量区域，则所述接收的模型参数为高质量区域的本地模型参数。6.根据权利要求5所述的方法，其特征在于，若所在区域为低质量区域，所述基于接收的模型参数更新所述流量预测模型包括：基于所在区域与所述高质量区域之间的区域相关矩阵，对所述高质量区域的本地模型参数进行加权求和，并基于加权求和得到的模型参数更新所述流量预测模型。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：接收所述服务器发送的所述区域相关矩阵。8.根据权利要求5所述的方法，其特征在于，所述流量预测模型包括：并行的图卷积网络和循环神经网络，其中，所述图卷积网络与...
【专利技术属性】
技术研发人员：王星，张勇，姚磊，朱琳，冯俊兰，邓超，孙博，李琦，郭达，
申请(专利权)人：北京邮电大学中国移动通信集团有限公司，
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。