CN113691993B - 基于图神经网络的5g连通簇基站群流量预测方法及系统 - Google Patents

基于图神经网络的5g连通簇基站群流量预测方法及系统 Download PDF

Info

Publication number
CN113691993B
CN113691993B CN202110838710.1A CN202110838710A CN113691993B CN 113691993 B CN113691993 B CN 113691993B CN 202110838710 A CN202110838710 A CN 202110838710A CN 113691993 B CN113691993 B CN 113691993B
Authority
CN
China
Prior art keywords
base station
neural network
fuzzy cognitive
node
cognitive map
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110838710.1A
Other languages
English (en)
Other versions
CN113691993A (zh
Inventor
骆超
丁奉乾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Normal University
Original Assignee
Shandong Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN202110838710.1A priority Critical patent/CN113691993B/zh
Publication of CN113691993A publication Critical patent/CN113691993A/zh
Application granted granted Critical
Publication of CN113691993B publication Critical patent/CN113691993B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开提供了一种基于图神经网络的5G连通簇基站群流量预测方法及系统，包括：获取5G连通簇中每个基站的流量原始时间序列；基于所述流量原始时间序列构建多阶模糊认知图；基于得到的每阶模糊认知图，利用图神经网络模型生成包含丰富空间信息的模糊认知图节点嵌入序列；基于获得的节点嵌入序列，利用时序卷积模型建立时序关系，实现对5G连通簇中多个基站的流量时间序列的预测。所述方案充分考虑了簇内不同基站流量序列之间时间上和空间上的关联，基于图神经网络模型，有效捕获了基站流量序列的时序关系以及基站与其周边基站的空间关系，提高了基站群流量预测的精度。

Description

基于图神经网络的5G连通簇基站群流量预测方法及系统
技术领域
本公开属于5G基站流量预测技术领域，尤其涉及基于图神经网络的5G连通簇基站群流量预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
随着5G移动通信技术的不断发展，移动设备以及互联网应用日益增多，社会生活对无线网络的需求也越来越大。无线基站流量预测可为通信资源优化、设备节能降耗以及精准运维提供重要的决策信息，在5G网络建设和运行中起到重要作用。
发明人发现，5G网络中C-band(3.4GHz-4.9GHz)成为主力频谱，随着高频的应用为保证连续覆盖必然带来站址密度的增加，较4G网络单位区域内基站间距进一步缩小，基站间连通关系更加紧密，从而提出了紧密组网的要求。5G连通簇是具有强关联性的局部性基站群，相互之间具有较强的影响关系。目前，针对单基站流量预测有较多研究，但5G网络环境下连通簇的多基站流量预测尚是一个亟待解决的问题。在实际中，基站流量序列具有复杂的非线性特性，因而传统的线性时间序列预测方法难以有效对其进行时序建模。另外，单个基站的流量不仅仅受其所在区域的影响，也会受到簇内基站的影响；因此，不同基站流量序列之间既具有时间上的联系，也具有空间上的关联。
发明内容
本公开为了解决上述问题，提供了一种基于图神经网络的5G连通簇基站群流量预测方法及系统，所述方案充分考虑了簇内不同基站流量序列之间时间上和空间上的关联，基于图神经网络模型，有效捕获了基站流量序列的时序关系以及基站与其周边基站的空间关系，提高了基站群流量预测的精度。
根据本公开实施例的第一个方面，提供了一种基于图神经网络的5G连通簇基站群流量预测方法，包括：
获取5G连通簇中每个基站的流量原始时间序列；
基于所述流量原始时间序列构建多阶模糊认知图；
基于得到的每阶模糊认知图，利用图神经网络模型生成包含丰富空间信息的模糊认知图节点嵌入序列；
基于获得的节点嵌入序列，利用时序卷积模型建立时序关系，实现对5G连通簇中多个基站的流量时间序列的预测。
进一步的，所述多阶模糊认知图的构建，具体包括：将每个基站特定时刻的流量数据作为模糊认知图的概念节点，连通簇中的每个基站间的关联程度作为模糊认知图的权值有向边，其中，k阶模糊认知图的迭代公式具体表示如下：
其中，Ai(t)表示第i个基站节点在第t时刻的流量数据，σ为激活函数，表示在第k阶模糊认知图中，基站节点j到基站节点i的权值。
进一步的，所述基站间的关联程度的计算，具体为：通过模糊认知图学习得到的权重矩阵对基站间的关联程度进行表示。
进一步的，所述利用图神经网络模型生成包含丰富空间信息的模糊认知图节点嵌入，具体包括：分别将每阶模糊认知图输入图神经网络模型中，获得模糊认知图中每个节点与其他节点经过特征融合后得到的抽象空间特征向量。
进一步的，所述图神经网络模型具体包括若干密集连接图卷积神经网络，其中，每个密集连接图卷积神经网络具有两层图卷积层，且所述密集连接图卷积神经网络的个数与模糊认知图的阶数一致。
进一步的，所述时序卷积模型由若干残差块组成，其中，每个残差块包括两层空洞卷积层。
进一步的，所述时序卷积模型的最后一个残差块连接有全连接层，通过所述全连接层输出5G连通簇中基站下一时刻的流量预测值。
根据本公开实施例的第二个方面，提供了一种基于图神经网络的5G连通簇基站群流量预测系统，包括：
数据获取单元，其用于获取5G连通簇中每个基站的流量原始时间序列；
模糊认知图构建单元，其用于基于所述流量原始时间序列构建多阶模糊认知图；
节点嵌入单元，其用于基于得到的每阶模糊认知图，利用图神经网络模型生成包含丰富空间信息的模糊认知图节点嵌入；
预测单元，其用于基于获得的节点嵌入，利用时序卷积模型建立时序关系，实现对5G连通簇中多个基站的流量时间序列的预测。
根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于图神经网络的5G连通簇基站群流量预测方法。
根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于图神经网络的5G连通簇基站群流量预测方法。
与现有技术相比，本公开的有益效果是：
(1)本公开提供了一种基于图神经网络的5G连通簇基站群流量预测方法，所述方案在基本模糊认知图框架的基础上，引入了图神经网络模型，用于挖掘移动基站序列数据之间的空间关系，从而可以获得包含更丰富空间邻域信息的基站节点嵌入，进而有效提高流量预测的精度。
(2)本公开所述方案基于得到的每个节点嵌入，通过时间卷积模型来对基站流量数据进行时序建模，以实现对多个移动基站流量的预测。
(3)本公开所述方案针对所用的的多种模型的训练，提供了一中端到端的框架实现，通过模型的整体训练，有效提高了训练效率。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例一中所述的一种基于图神经网络的5G连通簇基站群流量预测方法流程示意图；
图2为本公开实施例一中所述的一种具有6个节点的模糊认知图的结构示意图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一：
本实施例的目的是提供一种基于图神经网络的5G连通簇基站群流量预测方法。
一种基于图神经网络的5G连通簇基站群流量预测方法，包括：
获取5G连通簇中每个基站的流量原始时间序列；
基于所述流量原始时间序列构建多阶模糊认知图；
基于得到的每阶模糊认知图，利用图神经网络模型生成包含丰富空间信息的模糊认知图节点嵌入序列；
基于获得的节点嵌入序列，利用时序卷积模型建立时序关系，实现对5G连通簇中多个基站的流量时间序列的预测。
进一步的，所述基站间的关联程度的计算，具体为：通过模糊认知图学习得到的权重矩阵对基站间的关联程度进行表示。
进一步的，所述利用图神经网络模型生成包含丰富空间信息的模糊认知图节点嵌入，具体包括：分别将每阶模糊认知图输入图神经网络模型中，获得模糊认知图中每个节点与其他节点经过特征融合后得到的抽象空间特征向量。
进一步的，所述图神经网络模型具体包括若干密集连接图卷积神经网络，其中，每个密集连接图卷积神经网络具有两层图卷积层，且所述密集连接图卷积神经网络的个数与模糊认知图的阶数一致。
具体的，为了便于理解，以下结合附图对本公开所述方案进行详细说明：
如图1所示，本公开所述方案主要包括三个部分。首先，需要从多个基站的流量原始时间序列中构建多阶模糊认知图的结构；基于得到的每阶模糊认知图，图神经网络模块被用来生成包含丰富空间信息的模糊认知图节点嵌入；进而基于得到的节点嵌入，时序卷积模块被用来建立时序关系以实现对多个基站的流量时间序列的预测。具体结合图1对本公开所述方法进行详细说明：
(一)多阶模糊认知图的构建
首先，需要先构建多阶(此处的阶数的选择范围设置为4到9，具体可根据实际流量序列数据进行设置，本实施例选择阶数为5)模糊认知图的基本结构，其中每个模糊认知图可以用有向图的形式进行表示。图中每个节点表示一个概念，每个概念对应一个移动基站，它们可以表示为C1,C2,...,Cn，其中，n表示移动基站节点的个数。节点连边上的权重可以被描述为一个n×n的权重矩阵W，它的形式如下：
其中，wi表示权重矩阵W第i列的列向量。wji∈[-1,1]表示基站节点j到基站节点i的影响程度的大小，因此在实际中它反映了每个移动基站之间的关联程度。如图2所示，展示了一个具有6个节点的模糊认知图。
在t时刻，第i个基站节点Ci的状态值可以用Ai(t)进行表示，其中Ai(t)可以用来表示第i个基站节点在第t时刻的流量数据。模糊认知图的动力学公式如下所示：
其中，σ表示激活函数，作用是将基站节点的流量值映射到一定的范围内。它的形式表示为：
由于在基本的模糊认知图中，每个基站节点在t+1时刻的流量值的预测依赖于所有与之连接的基站节点在t时刻的流量值，这就使得一般的模糊认知图难以对较长的时间数据进行建模，从而会限制模糊认知图对基站流量数据的建模能力。因而，高阶模糊认知图被提出用于增强模型的时序建模能力，一个k阶的高阶模糊认知图可以将基站流量预测由t+1到t的预测拓展到用t-k+1到t的流量值来预测t+1时刻的流量值。k阶的高阶模糊认知图的迭代公式如下所示：
其中，表示在第k阶模糊认知图中，基站节点j到基站节点i的权值。即每k个时刻的移动基站流量数据被用来预测下一时刻的基站流量。
从形式上看，一个模糊认知图可以看作一个单层没有偏置项的全连接神经网络，它表示了t到t+1时刻的状态值之间的转换关系。将公式(4)中的高阶模糊认知图的递推关系以矩阵的形式表示，即：
其中，A(t)＝[A1(t),A2(t),...,An(t)]是状态值向量，表示t时刻的n个基站的流量值。Wk表示第k阶模糊认知图的权重矩阵。显然，高阶模糊认知图可以用权重为Wk的全连接层进行表示，用公式表示即zi＝Wi TA(t-i+1)，i＝1,2,...,k，其中它表示第i阶模糊认知图经过全连接层得到的基站流量特征向量。通过这种方式，一个多阶的模糊认知图的结构就可以通过多个单独的全连接层来实现，进而，可以将形成的多阶模糊认知图作为网络层嵌入到深度学习模型中，以用于进一步的挖掘基站的流量特征向量之间的深层空间关系。
(二)模糊认知图节点嵌入的生成
在基本的模糊认知图的递推过程中，只是用到了目标基站节点与其邻居基站节点之间的一阶关系进行计算，而现实中目标基站节点可能受到其多阶邻居基站节点的间接影响，所以我们用到了图神经网络来生成基站节点的嵌入来充分利用基站节点之间的深层空间关系。在模糊认知图中，节点的特征是通过节点的状态值进行描述，所以不同于传统的图数据中每个节点都具有较高的特征维度，因此为了更好地结合模糊认知图的特性来学习得到针对模糊认知图的节点嵌入，我们将密集连接技术(所述密集连接意味着每层图卷积层的输入不仅仅只包含上一层的输入信息，还包含之前所有层的输入信息)引入到模糊认知图的节点嵌入的生成当中。这意味着在第l层的第i个节点不仅仅只输入来自上一层的隐层状态hl-1，还接收之前所有层的信息。在这项工作中，我们设计了一个节点嵌入的模块，其中在对第i阶模糊认知图的第j个节点进行生成节点嵌入时，它的输入(即节点嵌入模块的输入形式)表示为：
其中，是初始节点特征/>和其在第{1,2,...,l-1}层的节点特征经过拼接后的基站节点嵌入，它表示了第j个移动基站与其它移动基站经过特征融合后得到的抽象空间特征向量。
其中，每层节点特征的更新计算方式如下：
其中，Mi(l)表示第i阶模糊认知图的第l层可学习参数矩阵，并且其中dhidden决定了生成的基站节点嵌入向量的大小，d(l)＝1+dhidden×(l-1)。bi(l)是第i阶模糊认知图的第l层偏置项，/>是第i阶模糊认知图权重矩阵的中第g个基站节点到第j个基站节点的权重。ρ表示激活函数，常用ReLU。
(三)通过时序卷积模块进行时序建模
通过图神经网络模块可以得到基站节点的嵌入，它包含了目标基站节点与其邻域之间的空间信息，因此，为了进一步建立基站节点在时间上的依赖关系，我们设计了一种时序卷积模块，通过一系列的时序卷积操作来增强模型的时序建模能力。
具体来说，每阶模糊认知图中相同位置的基站节点嵌入被输入到一个时序卷积模块中。对于第j个时序卷积模块，它的输入形式是其中，j＝1,2,...,n，表示来自图神经网络模块对第i阶模糊认知图中的第j个基站节点的节点嵌入向量。
一个简单的因果卷积只能在网络的深度上以线性的大小来回顾历史。这使得将因果卷积应用于序列任务具有挑战性，特别是那些需要更长的历史数据的任务。而通过应用空洞卷积可以使得感受野随着网络深度的增加呈指数形式增长。为了便于直观理解，下面以一个时序卷积模块为例，在对基站节点嵌入序列进行空洞卷积操作时，对于基站节点嵌入序列V中第i个元素vi的空洞卷积操作定义如下：
其中，d表示空洞因子，r表示滤波器的大小，vi-d·l说明了过去发展的方向。需要注意的是，当空洞因子d＝1时，扩张卷积退化为一个常规的卷积。
一个时序卷积模块是由多个残差块组成。其中，一个残差块包含了两层空洞卷积层，滤波器可以用矩阵U＝[U0,U1]进行参数化，其中p表示滤波器的个数。以表示第j个残差块的第i层激活值，其中，T表示时间跨度。令和/>分别表示在t时刻经过空洞卷积和增加残差连接后的结果，它们表示为：
其中，分别表示残差块中的权重和偏置。
为了输出基站流量的预测值，最后需要对残差块最后时刻的输出连接一个全连接层来输出最后的预测结果，表示为：
其中，H和e分别表示全连接层的权重矩阵和偏置项。其中，σ是sigmoid函数，它被用来作为最后的激活函数，用于输出下一时刻基站的流量预测值。
(四)模型的训练
本公开所述预测方法需要训练的部分包括模糊认知图，图神经网络以及时序卷积模块。为了有效对模型整体进行学习，本公开所述方案给出了一种端到端的学习框架，本实施例中采用的模型训练的目标函数如下：
其中，和/>分别表示第j个时刻的第i个基站流量数据的真实值和预测值。L表示基站流量序列的总长度。/>和β||Wl||1表示对第l阶模糊认知图的权重矩阵的正则项，其中α表示L2正则项系数，β表示L1正则项系数，加入正则项的目的是防止模型出现过拟合并且保证学习得到的模糊认知图具有稀疏特征。
模型整体的训练流程是：首先，需要初始化模型的所有参数，包括模糊认知图的权重矩阵(所述模糊认知图的权重矩阵与图神经网络模块以及时序卷积模块通过公式(13)所表示的目标函数，一同通过端到端的形式以梯度下降的方式进行训练得到)，图神经网络模块以及时序卷积模块。之后，根据指定的迭代次数来进行模型的优化过程。在每轮的迭代过程中，需从训练集中选取指定批次大小的基站流量数据进行正向计算得到预测值，然后通过反向传播来更新模型的所有参数。
实施例二：
本实施例的目的是提供一种基于图神经网络的5G连通簇基站群流量预测系统。
一种基于图神经网络的5G连通簇基站群流量预测系统，包括：
数据获取单元，其用于获取5G连通簇中每个基站的流量原始时间序列；
模糊认知图构建单元，其用于基于所述流量原始时间序列构建多阶模糊认知图；
节点嵌入单元，其用于基于得到的每阶模糊认知图，利用图神经网络模型生成包含丰富空间信息的模糊认知图节点嵌入；
预测单元，其用于基于获得的节点嵌入，利用时序卷积模型建立时序关系，实现对5G连通簇中多个基站的流量时间序列的预测。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述实施例提供的一种基于图神经网络的5G连通簇基站群流量预测方法及系统可以实现，具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (8)

1.一种基于图神经网络的5G连通簇基站群流量预测方法，其特征在于，包括：
获取5G连通簇中每个基站的流量原始时间序列；
基于所述流量原始时间序列构建多阶模糊认知图；
构建多阶模糊认知图具体内容是：其中每个模糊认知图可以用有向图的形式进行表示；图中每个节点表示一个概念，每个概念对应一个移动基站，它们可以表示为C1,C2,...,Cn，其中，n表示移动基站节点的个数；节点连边上的权重可以被描述为一个n×n的权重矩阵W，它的形式如下：
其中，wi表示权重矩阵W第i列的列向量；wji∈[-1,1]表示基站节点j到基站节点i的影响程度的大小，因此在实际中它反映了每个移动基站之间的关联程度；
在t时刻，第i个基站节点Ci的状态值可以用Ai(t)进行表示，其中Ai(t)可以用来表示第i个基站节点在第t时刻的流量数据；模糊认知图的动力学公式如下所示：
其中，σ表示激活函数，作用是将基站节点的流量值映射到一定的范围内；它的形式表示为：
一个k阶的高阶模糊认知图将基站流量预测由t+1到t的预测拓展到用t-k+1到t的流量值来预测t+1时刻的流量值；k阶的高阶模糊认知图的迭代公式如下所示：
其中，表示在第k阶模糊认知图中，基站节点j到基站节点i的权值；即每k个时刻的移动基站流量数据被用来预测下一时刻的基站流量；
基于得到的每阶模糊认知图，利用图神经网络模型生成包含丰富空间信息的模糊认知图节点嵌入序列；生成模糊认知图节点嵌入序列具体包括：分别将每阶模糊认知图输入图神经网络模型中，获得模糊认知图中每个节点与其他节点经过特征融合后得到的抽象空间特征向量；
基于获得的节点嵌入序列，利用时序卷积模型建立时序关系，实现对5G连通簇中多个基站的流量时间序列的预测。
2.如权利要求1所述的一种基于图神经网络的5G连通簇基站群流量预测方法，其特征在于，所述基站间的关联程度的计算，具体为：通过模糊认知图学习得到的权重矩阵对基站间的关联程度进行表示。
3.如权利要求1所述的一种基于图神经网络的5G连通簇基站群流量预测方法，其特征在于，所述图神经网络模型具体包括若干密集连接图卷积神经网络，其中，每个密集连接图卷积神经网络具有两层图卷积层，且所述密集连接图卷积神经网络的个数与模糊认知图的阶数一致。
4.如权利要求1所述的一种基于图神经网络的5G连通簇基站群流量预测方法，其特征在于，所述时序卷积模型由若干残差块组成，其中，每个残差块包括两层空洞卷积层。
5.如权利要求4所述的一种基于图神经网络的5G连通簇基站群流量预测方法，其特征在于，所述时序卷积模型的最后一个残差块连接有全连接层，通过所述全连接层输出5G连通簇中基站下一时刻的流量预测值。
6.如权利要求1所述的一种基于图神经网络的5G连通簇基站群流量预测方法的系统，其特征在于，包括：
数据获取单元，其用于获取5G连通簇中每个基站的流量原始时间序列；
模糊认知图构建单元，其用于基于所述流量原始时间序列构建多阶模糊认知图；
节点嵌入单元，其用于基于得到的每阶模糊认知图，利用图神经网络模型生成包含丰富空间信息的模糊认知图节点嵌入；
预测单元，其用于基于获得的节点嵌入，利用时序卷积模型建立时序关系，实现对5G连通簇中多个基站的流量时间序列的预测。
7.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的一种基于图神经网络的5G连通簇基站群流量预测方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述的一种基于图神经网络的5G连通簇基站群流量预测方法。
CN202110838710.1A 2021-07-23 2021-07-23 基于图神经网络的5g连通簇基站群流量预测方法及系统 Active CN113691993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110838710.1A CN113691993B (zh) 2021-07-23 2021-07-23 基于图神经网络的5g连通簇基站群流量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110838710.1A CN113691993B (zh) 2021-07-23 2021-07-23 基于图神经网络的5g连通簇基站群流量预测方法及系统

Publications (2)

Publication Number Publication Date
CN113691993A CN113691993A (zh) 2021-11-23
CN113691993B true CN113691993B (zh) 2024-01-05

Family

ID=78577806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110838710.1A Active CN113691993B (zh) 2021-07-23 2021-07-23 基于图神经网络的5g连通簇基站群流量预测方法及系统

Country Status (1)

Country Link
CN (1) CN113691993B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114362858B (zh) * 2021-12-27 2023-09-26 天翼物联科技有限公司 基于图卷积的窄带物联网基站负载预测方法、系统和介质
CN115225543B (zh) * 2022-07-08 2023-10-20 北京百度网讯科技有限公司 一种流量预测方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103906135A (zh) * 2012-12-28 2014-07-02 中国科学院声学研究所 一种用于蜂窝网络中的p2p节点选择方法及系统
CN108234198A (zh) * 2017-12-19 2018-06-29 清华大学 一种基站流量预测方法和设备
CN110474808A (zh) * 2019-08-20 2019-11-19 中国联合网络通信集团有限公司 一种流量预测方法及装置
CN110858805A (zh) * 2018-08-23 2020-03-03 中国移动通信集团山东有限公司 小区网络流量预测方法及装置
CN111612206A (zh) * 2020-03-30 2020-09-01 清华大学 一种基于时空图卷积神经网络的街区人流预测方法及系统
CN112752290A (zh) * 2020-12-11 2021-05-04 山东师范大学 一种无线基站数据流量预测方法和设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103906135A (zh) * 2012-12-28 2014-07-02 中国科学院声学研究所 一种用于蜂窝网络中的p2p节点选择方法及系统
CN108234198A (zh) * 2017-12-19 2018-06-29 清华大学 一种基站流量预测方法和设备
CN110858805A (zh) * 2018-08-23 2020-03-03 中国移动通信集团山东有限公司 小区网络流量预测方法及装置
CN110474808A (zh) * 2019-08-20 2019-11-19 中国联合网络通信集团有限公司 一种流量预测方法及装置
CN111612206A (zh) * 2020-03-30 2020-09-01 清华大学 一种基于时空图卷积神经网络的街区人流预测方法及系统
CN112752290A (zh) * 2020-12-11 2021-05-04 山东师范大学 一种无线基站数据流量预测方法和设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Adaptive Financial Trading System Using Deep Reinforcement Learning With Candlestick Decomposing Features;D. Fengqian and L. Chao;in IEEE Access, vol. 8, pp. 63666-63678, 2020, doi: 10.1109/ACCESS.2020.2982662.;全文 *
用于时间序列数据建模的多模态模糊认知图;冯国亮;系统仿真学报;全文 *

Also Published As

Publication number Publication date
CN113691993A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
US20210182666A1 (en) Weight data storage method and neural network processor based on the method
CN113691993B (zh) 基于图神经网络的5g连通簇基站群流量预测方法及系统
Nie et al. Network traffic prediction based on deep belief network and spatiotemporal compressive sensing in wireless mesh backbone networks
CN111696345A (zh) 一种基于网络社区检测和gcn的耦合大规模数据流宽度学习快速预测智能算法
CN113194493B (zh) 基于图神经网络的无线网络数据缺失属性恢复方法及装置
CN113988464B (zh) 基于图神经网络的网络链路属性关系预测方法及设备
CN114282725B (zh) 基于深度学习的瞬态油藏代理模型的构建及油藏预测方法
CN114205251B (zh) 基于时空特征的交换机链路资源预测方法
CN111325340A (zh) 信息网络关系预测方法及系统
CN113660676A (zh) 基站流量预测方法、系统、存储介质及设备
CN115862319A (zh) 一种面向时空图自编码器的交通流量预测方法
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
CN109670582B (zh) 一种全定点化神经网络的设计方法
CN117636633B (zh) 一种基于时空感知混合图的交通流量预测方法
CN117671952A (zh) 基于时空同步动态图注意力网络的交通流预测方法及系统
CN112396166A (zh) 基于混合粒度聚合器的图卷积神经网络训练方法及装置
CN117392846A (zh) 一种时空自适应图学习融合动态图卷积的交通流预测方法
CN117593877A (zh) 一种基于集成图卷积神经网络的短时交通流预测方法
CN115438588B (zh) 一种锂电池的温度预测方法、系统、设备及存储介质
Shterev et al. Time series prediction with neural networks: a review
CN110020379B (zh) 一种基于深度动态网络嵌入表示模型的链路预测方法
Malekhosseini et al. Modeling neural architecture search methods for deep networks
CN111935766A (zh) 一种基于全局空间依赖性的无线网络流量预测方法
CN117580107B (zh) 针对绿色无线网状网流量领域的gnn基站关联方法、系统
CN114169493B (zh) 基于尺度感知神经架构搜索的多变量时间序列预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant