CN108234198B - 一种基站流量预测方法和设备 - Google Patents

Abstract

本发明提供了一种基站流量预测方法和设备，所述方法包括：将待预测基站对应的节点内流量特征及节点间流量特征输入预先基于基站空间依赖关系建立的流量预测模型，获取输出的待预测基站的流量预测值；其中，所述节点内流量特征为待预测基站及与待预测基站相邻基站的基站内流量，所述节点间流量特征为待预测基站与待预测基站相邻基站之间的基站间流量。本发明通过根据用户的移动特性将基站的流量分解为基站内流量和基站间流量，并利用基于基站空间依赖关系建立的流量预测模型进行流量预测，充分考虑了用户的移动对基站流量的影响，从而准确地进行流量预测。

Description

一种基站流量预测方法和设备

技术领域

本发明涉及通信技术领域，具体涉及一种基站流量预测方法和设备。

背景技术

现代社会中，移动互联网深刻改变了人们的生产生活方式。据思科公司流量预测报告显示，移动网络流量在2015年增长了74％，在2020年将达到每月30.6EB(1EB约等于1018字节)，是当前网络流量的8倍以上。如此巨大的流量增长对移动通信运营商来说意味着更大的挑战。

在某些发达地区，网络容量已经不堪重负；并面临着基站间距进一步缩小、频率复用过密、网络底噪抬升等问题。因此，对基站流量进行实时预测，能够帮助基站进行实时地参数调整，提早发现流量异常，从而能够提升用户的服务质量。同时，城市范围内的基站流量预测也能帮助管理者及时发现人流快速聚集的突发事件，避免人群踩踏事件的发生。

然而，在当前网络环境下，考虑用户状态不同(如工作、睡眠、乘坐交通工具等)、使用应用程序类型不同(如视频类、社交类、游戏类等)、用户移动性、城市用地使用(如商业区、居民区、交通区等)、人口密度、工作日与假期等因素的影响，面向单个基站的细粒度流量预测显得尤为困难和复杂。

尽管现有技术中存在关于网络流量的分析与预测方法，但是主要集中在网络流量的统计特征和概率分布特征的分析与建模；虽然这些工作能够帮助我们深入理解网络流量的规律，但并不能直接应用到网络流量的预测。

针对流量的预测模型，现有技术包括基于自回归积分滑动平均(ARIMA)的预测模型、基于长短期记忆网络(LSTM)的预测模型以及基于空间自相关的预测模型等，但上述方案要么忽略空间因素的影响，要么使用近似的估计模型对流量建模，导致这些模型无法反映因用户移动所带来的长距离空间影响，从而也无法实现高精度的基站流量预测。

发明内容

针对现有技术中存在的上述缺陷，本发明提供一种基站流量预测方法和设备。

本发明的一方面提供一种基站流量预测方法，包括：将待预测基站对应的节点内流量特征及节点间流量特征输入预先基于基站空间依赖关系建立的流量预测模型，获取输出的待预测基站的流量预测值；其中，所述节点内流量特征为待预测基站及与待预测基站相邻基站的基站内流量，所述节点间流量特征为待预测基站与待预测基站相邻基站之间的基站间流量。

其中，所述将待预测基站对应的节点内流量特征及节点间流量特征输入预先基于基站空间依赖关系建立的流量预测模型的步骤前还包括：S1，获取训练集并基于有向图构建图神经网络模型；所述训练集包括输入量及对应的结果；所述输入量为待预测基站对应的t时段的前k个时段的节点内流量特征和节点间流量特征，所述结果为t时段的流量值；其中，k和t为大于1的自然数；S2，将所述训练集输入图神经网络模型以对图神经网络模型进行训练，获取训练完成的与待预测基站对应的流量预测模型。

其中，所述S1中获取训练集的步骤具体包括：从发送至基站的数据包中获取流量数据；所述流量数据包括基站的t时段和前k个时段的流量值以及用户集合；所述基站包括待预测基站及与待预测基站相邻的基站；对所述流量数据进行分解处理，获取待预测基站的训练集。

其中，所述从发送至基站的数据包中获取流量数据的步骤具体包括：通过蜂窝网络监测系统获取设备发送至基站的数据包；删除所述数据包中不完整的数据记录和/或漫游至本地的数据记录。

其中，所述S1中基于有向图构建图神经网络模型的步骤前还包括：根据待预测基站及与待预测基站的相邻基站之间的空间依赖关系创建有向图；所述有向图包括基站的集合、边的集合以及边的权重向量。

其中，所述根据待预测基站及与待预测基站的相邻基站之间的空间依赖关系创建有向图的步骤后还包括：在边的集合中，删除权重向量中零的个数大于阈值的权重向量所对应的边。

其中，所述基站内流量具体为

其中，A_t(c)为t时段及t-1时段均停留在待预测基站中的用户集合，A_t(c)＝P_t(c)∩P_t-1(c)；所述基站间流量具体为

其中，B_t(c)为t-1时段在相邻基站，而t时段在待预测基站的用户集合，B_t(c)＝P_t(c)\P_t-1(c)；待预测基站在t时段的流量值为

式中，x表示流量，c表示待预测基站，u表示用户，P表示用户集合。

其中，所述有向图具体包括G＝(C，E，W)；其中，C为基站的集合，E为边的集合，W为边的权重向量；边的集合E中包含至少一条依赖边，依赖边包含流量值及流量移动方向信息，依赖边的权重为与依赖边对应的用户的数目向量。

其中，所述S1中输入量中的节点内流量特征具体为，

其中，Ne为与待预测基站c相邻的基站，Ne(c)＝{c_i|(c_i，c)∈E or(c，c_i)∈E}；所述S1中输入量的节点间流量特征具体为，

所述S1中的结果具体为x_t(c)；式中，S为待预测基站c及与待预测基站c相邻的基站Ne的集合；Co为与待预测基站c相邻的依赖边；i为大于1的自然数，x^B(e)为依赖边的基站间流量。

本发明的另一方面提供一种基站流量预测设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述方面提供的基站流量预测方法，例如包括：将待预测基站对应的节点内流量特征及节点间流量特征输入预先基于基站空间依赖关系建立的流量预测模型，获取输出的待预测基站的流量预测值；其中，所述节点内流量特征为待预测基站及与待预测基站相邻基站的基站内流量，所述节点间流量特征为待预测基站与待预测基站相邻基站之间的基站间流量。

本发明提供的基站流量预测方法和设备，通过根据用户的移动特性将基站的流量分解为基站内流量和基站间流量，并利用基于基站空间依赖关系建立的流量预测模型进行流量预测，充分考虑了用户的移动对基站流量的影响，从而准确地进行流量预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基站流量预测方法的流程示意图；

图2为本发明实施例提供的基站流量预测方法的蜂窝网络监测系统的结构示意图；

图3为本发明实施例提供的基站流量预测方法的不同时刻全城范围内基站流量热力图；

图4为本发明实施例提供的基站流量预测方法的不同时刻全城市范围内基站间流量的可视化示意图；

图5为本发明实施例提供的基站流量预测方法的三种典型的基站内流量和基站间流量的示意图；

图6为本发明实施例提供的基站流量预测方法的基站空间依赖图的节点度数分布示意图；

图7为本发明实施例提供的基站流量预测方法的单个GNN的结构示意图；

图8为本发明实施例提供的基站流量预测方法的预测结果对比示意图；

图9为本发明实施例提供的基站流量预测设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种基站流量预测方法，包括：将待预测基站对应的节点内流量特征及节点间流量特征输入预先基于基站空间依赖关系建立的流量预测模型，获取输出的待预测基站的流量预测值；其中，所述节点内流量特征为待预测基站及与待预测基站相邻基站的基站内流量，所述节点间流量特征为待预测基站与待预测基站相邻基站之间的基站间流量。

具体地，当大量用户聚集到某个基站周围时，该基站的流量将会上涨；当大量用户撤离该基站时，该基站的流量将会下降；因此，在对基站流量进行建模时，根据用户的移动特性，可以将某一时间段内基站的流量的来源分成两个部分：基站内流量和基站间流量。

基站内流量为当前时段及前一时段均在待预测基站的用户所产生的；基站间流量为前一时段不在待预测基站，而当前时段在待预测基站的用户所产生的流量。

基站内流量和基站间流量能够反映基站的空间依赖关系；因此，可以利用基站内流量和基站间流量进行图神经网络的训练，训练完成所得到的流量预测模型能够根据输入的当前待预测基站的节点内流量特征和节点间流量特征，输出下一时段的流量预测值。

本发明实施例提供的基站流量预测方法，通过根据用户的移动特性将基站的流量分解为基站内流量和基站间流量，并利用基于基站空间依赖关系建立的流量预测模型进行流量预测，充分考虑了用户的移动对基站流量的影响，从而准确地进行流量预测。

图1为本发明实施例提供的基站流量预测方法的流程示意图，如图1所示，所述将待预测基站对应的节点内流量特征及节点间流量特征输入预先基于基站空间依赖关系建立的流量预测模型的步骤前还包括：S1，获取训练集并基于有向图构建图神经网络模型；所述训练集包括输入量及对应的结果；所述输入量为待预测基站对应的t时段的前k个时段的节点内流量特征和节点间流量特征，所述结果为t时段的流量值；其中，k和t为大于1的自然数；S2，将所述训练集输入图神经网络模型以对图神经网络模型进行训练，获取训练完成的与待预测基站对应的流量预测模型。

其中，有向图D是指一个有序三元组(V(D)，A(D)，ψD)，其中ψD为关联函数，它使A(D)中的每一个元素(称为有向边或弧)对应于V(D)中的一个有序元素(称为顶点或点)对。在本发明实施例中，将基站的空间依赖关系表示为有向图；有向图中的元素为基站，不同元素之间连接的边表示流量值及流量的移动方向。

具体地，步骤S1和S2是对图神经网络模型进行训练的步骤。

在步骤S1中，需要准备好用于训练的训练集，训练集具体包括多个时段的节点内流量特征和节点间流量特征以及对应的结果；而图神经网络具体是基于有向图构建的。

在步骤S2中，根据步骤S1中获取的训练集和图神经网络模型，将训练集输入到图神经网络模型中进行训练，训练完成后的模型即为流量预测模型；应当说明的是，为了提高预测的准确性，应当针对每个基站分别构建一个流量预测模型；在训练时，可以将基站的流量数据分为训练集和测试集两个部分，采用交叉验证的方法进行训练。

在上述任一实施例的基础上，所述S1中获取训练集的步骤具体包括：从发送至基站的数据包中获取流量数据；所述流量数据包括基站的t时段和前k个时段的流量值以及用户集合；所述基站包括待预测基站及与待预测基站相邻的基站；对所述流量数据进行分解处理，获取待预测基站的训练集。

具体地，在获取训练集的步骤中，首先获取数据包；该数据包至少包括用户ID；并通过用户所访问的基站ID估计用户所处的位置；在较短时间内，可以假设用户只停留在一个基站中，如果用户在Δt时间内出现在多个基站中，可以选择用户最后出现的基站作为用户在该时段出现的基站；完成用户位置的估计后，可以将用户u在t时段在基站c使用流量的大小统计为

将基站c在t时段的用户集合统计为P_t(c)。

在获得流量数据后，将停留在基站中用户产生的基站内(in-cell)流量统计为

将从其他位置来到该基站所覆盖位置的用户产生的基站间(inter-cell)流量统计为

在上述任一实施例的基础上，所述从发送至基站的数据包中获取流量数据的步骤具体包括：通过蜂窝网络监测系统获取设备发送至基站的数据包；删除所述数据包中不完整的数据记录和/或漫游至本地的数据记录。

图2为本发明实施例提供的基站流量预测方法的蜂窝网络监测系统的结构示意图，如图2所示，该套系统能够记录连接蜂窝网络的设备发送到基站的数据包，并以多元组<用户ID，设备类型，上行流量，下行流量，APP类型>的方式存储到数据库中；并将该数据库中不完整的数据记录、漫游到本地的记录进行清理；其中，漫游到本地的记录实际是通过其他基站发送数据，因此不应当计入待预测基站的流量中。

在上述任一实施例的基础上，所述S1中基于有向图构建图神经网络模型的步骤前还包括：根据待预测基站及与待预测基站的相邻基站之间的空间依赖关系创建有向图；所述有向图包括基站的集合、边的集合以及边的权重向量。

具体地，在建立图神经网络模型前，需要获得基站的空间依赖图；有向图至少包括基站的集合、边的集合以及边的权重向量。在具体绘制时，若用户从a基站移动到b基站，则在两基站之间创建一条边，并可以在该边上注明方向，即为流量移动方向；通过创建待预测基站与其相邻基站的有向图，能够有效反映空间依赖关系；另外，相邻可以是直接相邻或间隔几个基站的间接相邻。

在上述任一实施例的基础上，所述根据待预测基站及与待预测基站的相邻基站之间的空间依赖关系创建有向图的步骤后还包括：在边的集合中，删除权重向量中零的个数大于阈值的权重向量所对应的边。

具体地，考虑到：尽管两个基站存在着依赖关系，但是这种依赖只是较为偶尔的出现，因此两个基站之间的影响可以忽略；数据噪声的存在；以及有向图中较多的边将大大增大计算的复杂度，会带来性能的下降。

因此，可以使用设置阈值的方法对获得的边的集合进行过滤，即设置一个阈值，仅保留权重向量中0的个数小于阈值的空间依赖关系，即边；0的个数较小表明流量移动的数目较多，对流量预测的结果影响较大，不应当被过滤掉。

在上述任一实施例的基础上，所述基站内流量具体为

其中，A_t(c)为t时段及t-1时段均停留在待预测基站中的用户集合，A_t(c)＝P_t(c)∩P_t-1(c)；所述基站间流量具体为

其中，B_t(c)为t-1时段在相邻基站，而t时段在待预测基站的用户集合，B_t(c)＝P_t(c)\P_t-1(c)；待预测基站在t时段的流量值为

式中，x表示流量，c表示待预测基站，u表示用户，P表示用户集合。

在上述任一实施例的基础上，所述有向图具体包括G＝(C，E，W)；其中，C为基站的集合，E为边的集合，W为边的权重向量；边的集合E中包含至少一条依赖边，依赖边包含流量值及流量移动方向信息，依赖边的权重为与依赖边对应的用户的数目向量。

具体地，E表示所有基站之间依赖关系也即边的集合；G的构建方法如下：如果用户u在t-1时段位于基站c₁，在t时段位于基站c₂，则表示c₁和c₂存一条依赖边e_1,2，e_1,2的权重w_1,2定义为该类用户的数目向量

根据E中边的集合，我们可以将

按照用户上一时段所在的位置进行分解，分解的部分可以表示为

应当说明的是，在前述步骤中分解得到的基站间流量和基站内流量能够得到所有其他基站到待预测基站的用户所产生的流量，本步骤的分解能够得到其他基站中具体从哪个基站来的用户贡献了多少流量。

在上述任一实施例的基础上，所述S1中输入量中的节点内流量特征具体为，

S＝{c}∪Ne(c)其中，Ne为与待预测基站c相邻的基站，Ne(c)＝{c_i|(c_i，c)∈E or(c，c_i)∈E}；所述S1中输入量的节点间流量特征具体为，

所述S1中的结果具体为x_t(c)；

式中，k为训练时选取的t时段前的k个时段；S为待预测基站c及与待预测基站c相邻的基站Ne的集合；Co为与待预测基站c相邻的依赖边；i为大于1的自然数，x^B(e)为依赖边的基站间流量。

以下举例对本发明实施例提供的方法进行说明，包括以下步骤：

步骤1，数据预处理

从蜂窝网络监测系统收集数据；其中，蜂窝网络监测系统能够记录连接蜂窝网络的设备发送到基站的数据包，并以多元组<用户ID，设备类型，上行流量，下行流量，APP类型>的方式存储到数据库中；

将该数据库中不完整的数据记录、漫游到本地的记录进行清理；

通过用户所访问的基站ID对用户所处的位置进行估算；具体为在较短时间内，假设用户只停留在一个基站中，如果用户在Δt的时段内出现在多个基站中，则选择用户最后出现的基站作为用户在该时段出现的基站；

完成位置估算后，将用户u在t时段在基站c使用流量的值统计为

将基站c在t时刻的用户集合统计为P_t(c)。

步骤2，流量分解

将上述步骤1中的流量值分解为基站内流量和基站间流量；其中，基站内流量是停留在基站中用户产生的基站内(in-cell)流量，记为

基站间流量是从其他位置来到该基站所覆盖位置的用户产生的基站间(inter-cell)流量，记为

在t-1时段及t时段均停留在基站c的用户集合可以表示为：

A_t(c)＝P_t(c)∩P_t-1(c)

在t时段从其他位置移动到c基站的用户集合可以表示为：

B_t(c)＝P_t(c)\P_t-1(c)

基站c的基站内流量为A_t(c)所覆盖用户产生的流量为：

基站c的基站间流量为B_t(c)所覆盖用户产生的流量：

因此，基站c在t时刻负载的流量为

图3为本发明实施例提供的基站流量预测方法的不同时刻全城范围内基站流量热力图，图3示出了某城市在4:00am，10:00am,16:00pm,24:00pm时的流量热力图，从该图可以看出城市范围基站流量呈现出时间动态性和空间相关性；

图4为本发明实施例提供的基站流量预测方法的不同时刻全城市范围内基站间流量的可视化示意图，图4示出了该城市在不同时刻时

的可视化结果，该图表明用户短时间长距离移动对基站的流量也有动态的影响；

图5为本发明实施例提供的基站流量预测方法的三种典型的基站内流量和基站间流量的示意图，图5示出了三个典型位置的in-cell流量和inter-cell流量的分布，可以看出在不同类型的空间区域，in-cell流量和inter-cell流量的分布具有较大的差异。

步骤3，建立空间依赖图

将基站的空间依赖关系表示为有向图结构G＝(C，E，W)；其中，C为所有基站的集合，E表示所有基站c之间的依赖关系也即是边的集合，W为边的权重向量；

其中，G的构建方法如下：如果用户u在t-1时段位于基站c₁，在t时段位于基站c₂，则表示c₁和c₂存一条依赖边e_1,2，e_1,2的权重w_1,2定义为该类用户的数目向量

因此，如此获得的G将包含大量的空间依赖边；

但是，考虑到1)尽管某两个基站存在着依赖关系，但是这种依赖只是较为偶尔的出现，因此两个基站之间的影响可以忽略；2)数据噪声的存在；3)G中较多的边将大大增大计算的复杂度，带来性能的下降；

因此，在实际操作中，使用设置阈值的方法对获得的E进行过滤，即设置阈值δ，仅保留w_i,j中0的个数小于δ的空间依赖关系E；

基于上述处理方法，根据E中边的集合，将

按照用户上一刻所在的位置进行分解，分解的部分可以表示为

图6为本发明实施例提供的基站流量预测方法的基站空间依赖图的节点度数分布示意图，图6示出了在蜂窝移动数据集上提取到的空间依赖图的节点度数分布，x轴为节点度数，纵轴为累积概率分布函数(CDF)，每一个点表示小于x轴的值的概率是多少。

步骤4，训练预测模型

基于步骤3建立的空间依赖图，建立图神经网络模型；将步骤2获取基站的基站内流量特征和基站间流量特征作为训练集，输入图神经网络训练；

图神经网络的输入包括节点的特征、节点与节点之间边的特征，对应于基站的流量预测中为基站内流量特征和基站间流量特征；图神经网络的输出为基站的流量预测值；

在训练预测模型时，使用前k个时段数据预测下一个时段的流量值，并且针对不同的基站c分别训练一个图神经网络；

训练时，对待预测基站c，其神经网络的输入为基站c和其所有邻居Ne(c)＝{c_i|(c_i，c)∈E or(c，c_i)∈E}节点内流量特征

S＝{c}∪Ne(c)和基站c和其相邻的边Co＝{(c_i，c_j)|c_i＝c or c_j＝c}所代表的节点间流量特征

输出为t时的基站c的流量x_t(c)。

图7为本发明实施例提供的基站流量预测方法的单个GNN的结构示意图，图7示出了单个GNN网络的结构示意，该GNN网络模型包括两个部分：传播模型f^*和输出模型g。

传播模型采用循环神经网络迭代地学习节点的表示h⁽ⁱ⁾(c)(h为循环神经网络的输出，相当于中间层的输出，NBR(c)表示节点c的所有相邻节点):

h⁽ⁱ⁾(c)＝f^*(x^A(c)，x^A(NBR(c))，x^B(Co(c))，h^(i-1)(NBR(c)))

输出模型使用两层全连接层计算预测的结果：

o(c)＝g(h(c)，x^A(c))

可以将基站的流量数据分为训练集和测试集两个部分，采用交叉验证的方法进行训练，并将本发明实施例提供的方法与目前已有方法，包括NAIVE(使用前一天历史数据作为预测结果)、ARIMA、LSTM，进行对比。

图8为本发明实施例提供的基站流量预测方法的预测结果对比示意图，图中x轴为预测结果的真实值，纵轴分别为MAE指标和MARE指标的平均误差值，从图中可以看到本发明实施例提供的方法在MAE和MSE两种评估测度上比传统的方法都有更优的表现，具有更高的准确度。

图9为本发明实施例提供的基站流量预测设备的结构示意图，如图9所示，该设备包括：至少一个处理器901；以及与所述处理器901通信连接的至少一个存储器902，其中：所述存储器902存储有可被所述处理器901执行的程序指令，所述处理器901调用所述程序指令能够执行上述各实施例所提供的基站流量预测方法，例如包括：将待预测基站对应的节点内流量特征及节点间流量特征输入预先基于基站空间依赖关系建立的流量预测模型，获取输出的待预测基站的流量预测值；其中，所述节点内流量特征为待预测基站及与待预测基站相邻基站的基站内流量，所述节点间流量特征为待预测基站与待预测基站相邻基站之间的基站间流量。

以上所描述的基站流量预测设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基站流量预测方法，其特征在于，包括：

将待预测基站对应的节点内流量特征及节点间流量特征输入预先基于基站空间依赖关系建立的流量预测模型，获取输出的待预测基站的流量预测值；

其中，所述节点内流量特征为待预测基站及与待预测基站相邻基站的基站内流量，所述节点间流量特征为待预测基站与待预测基站相邻基站之间的基站间流量；

所述基站内流量为当前时段及前一时段均在待预测基站的用户所产生的流量；

所述基站间流量为前一时段不在待预测基站，而当前时段在待预测基站的用户所产生的流量；

所述将待预测基站对应的节点内流量特征及节点间流量特征输入预先基于基站空间依赖关系建立的流量预测模型的步骤前还包括：

S1，获取训练集并基于有向图构建图神经网络模型；所述训练集包括输入量及对应的结果；所述输入量为待预测基站对应的t时段的前k个时段的节点内流量特征和节点间流量特征，所述结果为t时段的流量值；其中，k和t为大于1的自然数；

S2，将所述训练集输入图神经网络模型以对图神经网络模型进行训练，获取训练完成的与待预测基站对应的流量预测模型。

2.根据权利要求1所述的方法，其特征在于，所述S1中获取训练集的步骤具体包括：

从发送至基站的数据包中获取流量数据；所述流量数据包括基站的t时段和前k个时段的流量值以及用户集合；所述基站包括待预测基站及与待预测基站相邻的基站；

对所述流量数据进行分解处理，获取待预测基站的训练集。

3.根据权利要求2所述的方法，其特征在于，所述从发送至基站的数据包中获取流量数据的步骤具体包括：

通过蜂窝网络监测系统获取设备发送至基站的数据包；

删除所述数据包中不完整的数据记录和/或漫游至本地的数据记录。

4.根据权利要求2所述的方法，其特征在于，所述S1中基于有向图构建图神经网络模型的步骤前还包括：

根据待预测基站及与待预测基站的相邻基站之间的空间依赖关系创建有向图；所述有向图包括基站的集合、边的集合以及边的权重向量。

5.根据权利要求4所述的方法，其特征在于，所述根据待预测基站及与待预测基站的相邻基站之间的空间依赖关系创建有向图的步骤后还包括：

在边的集合中，删除权重向量中零的个数大于阈值的权重向量所对应的边。

6.根据权利要求4所述的方法，其特征在于，

所述基站内流量具体为

其中，A_t(c)为t时段及t-1时段均停留在待预测基站中的用户集合，A_t(c)＝P_t(c)∩P_t-1(c)；

所述基站间流量具体为

其中，B_t(c)为t-1时段在相邻基站，而t时段在待预测基站的用户集合，B_t(c)＝P_t(c)\P_t-1(c)；

待预测基站在t时段的流量值为

式中，x表示流量，c表示待预测基站，u表示用户，P表示用户集合。

7.根据权利要求6所述的方法，其特征在于，所述有向图具体包括G＝(C，E，W)；其中，C为基站的集合，E为边的集合，W为边的权重向量；

边的集合E中包含至少一条依赖边，依赖边包含流量值及流量移动方向信息，依赖边的权重为与依赖边对应的用户的数目向量。

8.根据权利要求7所述的方法，其特征在于，

所述S1中输入量中的节点内流量特征具体为，

其中，Ne为与待预测基站c相邻的基站，Ne(c)＝{c_i|(c_i，c)∈E or(c，c_i)∈E}；

所述S1中输入量的节点间流量特征具体为，

所述S1中的结果具体为x_t(c)；

式中，S为待预测基站c及与待预测基站c相邻的基站Ne的集合；Co为与待预测基站c相邻的依赖边；i为大于1的自然数，x^B(e)为依赖边的基站间流量。

9.一种基站流量预测设备，其特征在于，包括：

至少一个处理器；

以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至8任一所述的方法。

Images