CN114007228B - 基于异构图神经网络流量预测的基站智能控制方法 - Google Patents

基于异构图神经网络流量预测的基站智能控制方法 Download PDF

Info

Publication number
CN114007228B
CN114007228B CN202111283239.0A CN202111283239A CN114007228B CN 114007228 B CN114007228 B CN 114007228B CN 202111283239 A CN202111283239 A CN 202111283239A CN 114007228 B CN114007228 B CN 114007228B
Authority
CN
China
Prior art keywords
base station
flow
graph
node
neural network
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
CN202111283239.0A
Other languages
English (en)
Other versions
CN114007228A (zh
Inventor
杜一苇
王晓飞
谭靖超
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202111283239.0A priority Critical patent/CN114007228B/zh
Publication of CN114007228A publication Critical patent/CN114007228A/zh
Application granted granted Critical
Publication of CN114007228B publication Critical patent/CN114007228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04W16/18—Network planning tools
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于异构图神经网络流量预测的基站智能控制方法，包括如下步骤：设定皮尔逊相关系数阈值，并收集每个基站连续N天的流量数据；根据基站每天的流量数据计算每两个基站间每天的第一皮尔逊相关系数，基于第一皮尔逊相关系数构建同构图；基于同构图构建基站异构图，将其划分为训练集和测试集；构建包括图卷积网络和全连接网络的神经网络模型，利用训练集和测试集对神经网络模型进行训练得到流量预测模型；利用流量预测模型对5G基站的流量进行预测，根据预测结果对基站的启闭进行控制。本发明提出的基于时间异构图的图神经网络则可以在充分考虑空间因素的同时将时间因素对流量的影响加入到模型中，从而提高流量预测的准确度。

Description

基于异构图神经网络流量预测的基站智能控制方法
技术领域
本发明属于无线通信技术领域，具体涉及一种基于异构图神经网络流量预测的基站智能控制方法。
背景技术
随着5G技术的广泛应用，5G技术在给我们带来了巨大的带宽提升的同时也带来了极高的电力成本。据统计，5G基站的平均功耗是4G基站的3倍以上，且覆盖范围仅有4G基站的五分之一。节能减排是运营商必须承担的社会责任，减少基站能源消耗可以大幅度地降低网络能耗，进而降低电费成本，因此在网络非高峰阶段，动态休眠一些基站是一种最直接、最有效的手段。
发明内容
针对5G基站能耗较高的问题，本发明提出了一种基于异构图神经网络流量预测的基站智能控制方法。为解决以上技术问题，本发明所采用的技术方案如下：
一种基于异构图神经网络流量预测的基站智能控制方法，包括如下步骤：
S1，设定皮尔逊相关系数阈值ε，并收集每个基站连续N天的流量数据；
S2，根据N天内每一天的流量数据计算每两个基站之间每天的第一皮尔逊相关系数，基于第一皮尔逊相关系数构建每天的同构图；
S3，根据连续N天的流量数据依次计算每个基站每个同构图所对应的天数之前连续M天的流量数据，且M＜N，根据得到的流量数据分别计算每两个基站之间的第二皮尔逊相关系数，基于第二皮尔逊相关系数构建基站异构图；
S4，将步骤S3得到的基站异构图划分为训练集和测试集；
S5，构建包括图卷积网络和全连接网络的神经网络模型，利用训练集和测试集对神经网络模型进行训练得到流量预测模型；
S6，利用流量预测模型对5G基站的流量进行预测，根据预测结果对基站的启闭进行控制。
所述步骤S2包括如下步骤：
S2.1，根据N天内每个基站的每一天的流量数据计算每两个基站之间每天的第一皮尔逊相关系数r；
S2.2，判断|r|＞ε，若是，则判定该第一皮尔逊相关系数r所对应的两个基站之间存在一条短流量相关边e(i，l，y)，其中，i和l均表示基站的编号，且i≠l， y表示异构图中的第y天，否则，不存在；
S2.3，根据步骤S2.2得到的短流量相关边e(i，l，y)，并将由基站编号和天数组成的二元组作为节点代表基站，基站当天的流量数据作为节点属性，构建每两个基站之间每天的同构图。
所述步骤S3包括如下步骤：
S3.1，根据连续N天的流量数据依次计算每个基站每个同构图所对应的天数之前连续M天的流量数据，且M＜N，根据得到的流量数据分别计算每两个基站之间的第二皮尔逊相关系数r′；
S3.2，判断|r′|＞ε，若是，则判定该第二皮尔逊相关系数r′所对应的两个节点之间存在一条长流量相关边e_long(i，j)，其中，i和j均表示基站的编号，且i≠j，否则不存在；
S3.3，将长流量相关边e_long(i，j)相对应的两个节点的相邻两天的同构图连接，并以Y天为周期建立N-M-Y张基站异构图。
在步骤S5中，所述利用训练集和测试集数据对神经网络模型进行训练得到流量预测模型，包括如下步骤：
S5.1，设置迭代次数T＝100，初始化初始迭代值t＝0；
S5.2，执行t＝t+1，将训练集输入神经网络模型，在第M+1天的同构图内对同构图的短流量相关边e(i，l，y)使用图卷积网络的图卷积层聚合邻居节点对目标节点的影响；
S5.3，按照步骤S5.2的方法依次对剩余N-M-1天的同构图进行聚合；
S5.4，按照步骤S5.2的方法利用图卷积层依次对相邻两天的基站异构图的长流量相关边e_long(i，j)进行图卷积操作，得到流量预测模型所对应的节点嵌入 Z1；
S5.5，将节点嵌入Z1输入全连接网络的全连接层进行学习得到预测结果Sp；
S5.6，利用测试集对流量预测模型进行测试输出预测结果Sp，根据预测结果 Sp计算预测误差值L；
S5.7，判断t＜T，如果是，返回步骤S5.2，否则，输出预测误差值L最小的流量预测模型。
所述使用卷积层聚合邻居节点对目标节点的影响的公式为：
Figure BDA0003331883920000031
式中，N(v(i，y))表示节点v(i，y)也即目标节点的邻居节点集合，Wy表示学习的参数矩阵，by表示学习的参数向量，σ为sigmoid激活函数，∪代表连接， Amean({v(i，y)}∪N(v(i，y)))表示将节点v(i，y)的节点属性与其邻居节点的节点属性相连接，随后将得到的所有数据保存进对应的邻居节点后作为新的邻居节点集合输入Amean。
Amean(N(v(i，y)))表示对所有邻居节点的集合求取平均值，对应的公式为：
Figure BDA0003331883920000032
式中，||为取模操作，
Figure BDA0003331883920000033
表示节点v(i，y)的邻居节点v(j，y)的节点嵌入，也即邻居节点v(j，y)的流量数据。
所述计算预测误差值L的计算公式为：
L＝||Sp-Sr||2；
式中，Sr为流量真实值，||·||2为均方误差，Sp表示流量预测模型的预测流量。
本发明的有益效果：通过构建基站间的异构图，利用神经网络模型来对5G 基站或无线AP未来一段时间的流量负载量进行预测，并通过设定阈值的方式结合物联网设备，在基站负载过低的时候智能的控制其开和关或调整5G基站或无线AP的发射功率从而达到节电的目的，进而达到节省能量的效果。相比传统方案，本发明提出的基于时间异构图的图神经网络则可以在更充分的考虑空间因素对流量的影响的同时将时间因素对流量的影响加入到模型中，从而提高流量预测的准确度。
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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明的基站异构图的部分示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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付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。
图神经网络(Graph Neural Network,GNN)：目前的深度学习已经在许多领域取得了巨大的成绩，但学习所用到的数据都是基于欧氏空间有序排列的低维数据。在面对非欧氏空间的高维复杂数据时，传统深度学习的表现却不太令人满意，于是研究人员在卷积神经网络和自动编码器等的启发下，设计了一种基于图数据结构的神经网络结构，并称之为图神经网络。图神经网络可以对非欧式数据用图的结构表示，使得高维复杂数据可以进行图的解释和推理，并且图的结构允许节点之间的信息并非独立，更加符合输入数据的真实意义。
异构图(Heterogeneous Graph)：异构图是指图中的节点类型或关系类型多于一种。在现实场景中，通常研究的图数据对象是多类型的，对象之间的交互关系也是多样化的。因此，异构图能够更好地贴近现实。在异构图里面，节点的类型+边的类型>2。异构图的定义为：对于一个异构图G＝{V,E,A,R}，节点类型映射函数τ(v):V->A，边类型映射函数φ(e):E->R，其中，节点v∈V，边e∈E， V表示节点的集合，E表示边的集合，A表示节点类型映射函数集合，R表示边类型映射函数集合，A和R分别用于判断节点v和边e属于哪个类型的节点和边。
流量预测：人们对于互联网的使用具有一定的周期性和规律性，但不同时间或位置具有不同的流量规律。具体来说，学校和工作区域可能在工作日有较大的流量需求，而节假日，学生老师都在放假。此时学校区域对于流量的需求会大大减少，反而一些住宅区或者公园等休闲娱乐场所的流量需求会大大增加。流量预测就是通过构建模型来拟合这种流量需求随时间空间的变化。然而传统的流量预测方法大多是通过将基站间的联系从图结构转换至欧式空间，或是只考虑了单一图结构的基站间关系。这样做使得他们的模型不能够很好的匹配基站间的时空关系。
皮尔逊相关系数(Pearson correlation coefficient)：相关关系是一种非确定性的关系，相关系数是研究变量之间线性相关程度的量。一般用字母r表示，用来度量两个变量间的线性关系，定义为：
Figure BDA0003331883920000051
式中，Cov(X，Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差。
一种基于异构图神经网络流量预测的基站智能控制方法，包括如下步骤：
S1，设定皮尔逊相关系数阈值ε，并收集每个基站连续N天的流量数据；
S2，根据N天内每一天的流量数据计算每两个基站之间每天的第一皮尔逊相关系数，基于第一皮尔逊相关系数构建每天的同构图，包括如下步骤：
S2.1，根据N天内每个基站的每一天的流量数据计算每两个基站之间每天的第一皮尔逊相关系数r；
S2.2，判断|r|＞ε，若是，则判定该第一皮尔逊相关系数r所对应的两个基站之间存在一条短流量相关边e(i，l，y)，其中，i和l均表示基站的编号，且i≠l， y表示异构图中的第y天，否则，不存在；
S2.3，根据步骤S2.2得到的短流量相关边e(i，l，y)，并将由基站编号和天数组成的二元组作为节点代表基站，基站当天的流量数据作为节点属性，构建每两个基站之间每天的同构图；
所述节点采用v(i，y)表示,节点属性采用h(i，y)表示,同一个基站根据天数的不同视作不同的节点，每两个基站间每天的同构图都是相互独立的。
S3，根据连续N天的流量数据依次计算每个基站每个同构图所对应的天数之前连续M天的流量数据，且M＜N，根据得到的流量数据分别计算每两个基站之间的第二皮尔逊相关系数，基于第二皮尔逊相关系数构建基站异构图，包括如下步骤：
S3.1，根据连续N天的流量数据依次计算每个基站每个同构图所对应的天数之前连续M天的流量数据，且M＜N，根据得到的流量数据分别计算每两个基站之间的第二皮尔逊相关系数r′；
S3.2，判断|r′|＞ε，若是，则判定该第二皮尔逊相关系数r′所对应的两个节点之间存在一条长流量相关边e_long(i，j)，其中，j表示基站的编号，且i≠j，否则不存在；
S3.3，将长流量相关边e_long(i，j)相对应的两个节点的相邻两天的同构图连接，并以Y天为周期建立N-M-Y张基站异构图，且Y＜M；
所述基站异构图采用G＝{V，E，H}表示，其中，V为节点集合，E为边集合， H为流量数据集合，且节点属性h(i，y)∈H，节点v(i，y)∈V，短流量相关边e(i，l，y)∈E，长流量相关边e_long(i，j)∈E。
本实施例中，所述皮尔逊相关系数阈值为0.75；N＝30；M＝10；Y＝7；每张基站异构图中包含7天的信息，y＝{1，...，7}；流量数据集合H表现为一个 24维的向量。如图1所示，虚线表示长流量相关边e_long(i，j)，实线表示短流量相关边e(i，l，y)，圆点表示节点v(i，y)，从左下方开始五个圆点组成了某一天的同构图P1，中间的五个圆点组成了相邻的另一天的同构图P2，右上方的五个圆点组成了接续的另外一天的同构图P3，按照同样的方法绘制出七天的同构图后，采用长流量相关边e_long(i，j)将相邻两天的同构图连接即可得到以七天为周期的基站异构图。
S4，将步骤S3中得到的N-M-Y张基站异构图划分为训练集和测试集；
本实施例中，所述训练集和测试集的比例为7：3。
S5，构建包括图卷积网络和全连接网络的神经网络模型，利用训练集和测试集数据对神经网络模型进行训练得到流量预测模型；
所述图卷积网络的图卷积层和全连接网络的全连接层的层数均为三层，三个图卷积层依次连接后与三个依次连接的全连接层连接，由于本实施例中的图卷积层为三层，因此最多可获得每个节点的三阶邻居节点的信息。
所述利用训练集和测试集数据对神经网络模型进行训练得到流量预测模型，包括如下步骤：
S5.1，设置迭代次数T＝100，初始化初始迭代值t＝0；
S5.2，执行t＝t+1，在第M+1天的同构图内对短流量相关边e(i，l，y)使用图卷积层聚合邻居节点对目标节点的影响；
所述使用卷积层聚合邻居节点对目标节点的影响的公式为：
Figure BDA0003331883920000071
式中，
Figure BDA0003331883920000072
表示节点v(i，y)也即目标节点的邻居节点集合，Wy表示可学习的参数矩阵，by表示可学习的参数向量，σ为sigmoid激活函数，∪代表连接也即concatenate操作，即将节点v(i，y)的特征也即节点属性与其每个邻居节点的特征做连接操作，形成一个新的节点嵌入，Amean({v(i，y)}∪N(v(i，y)))表示将节点v(i，y)的24维向量也即节点属性与其邻居节点的24维向量连接，成为一个 48维的向量，随后将得到的所有的48维向量保存进对应的邻居节点后作为新的邻居节点集合输入Amean。
其中，Amean(N(v(i，y)))表示对所有邻居节点的集合求取平均值，对应的公式为：
Figure BDA0003331883920000081
式中，||为取模操作，
Figure BDA0003331883920000082
表示节点v(i，y)的邻居节点v(j，y)的节点嵌入，也即邻居节点v(j，y)的流量数据；
S5.3，按照步骤S5.2的方法依次对剩余N-M-1天的同构图进行聚合；
S5.4，按照步骤S5.2的方法利用图卷积层依次对相邻两天的长流量相关边 e_long(i，j)进行图卷积操作，得到流量预测模型所对应的节点嵌入Z1；
所述节点嵌入Z1代表了每个节点经过图卷积操作后，聚合了邻居节点的空间时间信息后生成的一个n维向量，n为自定义的超参数，可选为128，256等。
S5.5，将节点嵌入Z1输入全连接层进行学习得到预测结果Sp；
所述预测结果Sp的公式为：
Sp＝FCN(Z1)；
FCN代表全连接神经网络层，所述预测结果Sp也即为预测出的所输入流量数据的第二天的24维流量数据。
S5.6，利用测试集数据对流量预测模型进行测试输出预测结果Sp，根据预测结果Sp计算预测误差值L；
所述计算预测误差值L的计算公式为：
L＝||Sp-Sr||2；
式中，Sr为真实值，||·||2为均方误差。
S5.7，判断t＜T，如果是，返回步骤S5.2，否则，输出预测误差值L最小的流量预测模型。
S6，利用流量预测模型对5G基站的流量进行预测，根据预测结果对基站的启闭进行控制，以降低5G基站的功耗。
相比传统方案，比如传统方案大多是基于传统卷积神经网络或是非异构图神经网络，这带来了一些缺陷，如只能依靠加入新的模块来建模节点间的空间或时间信息，这带来了额外的训练成本。如基于同构的图神经网络大多依靠门控循环单元(GRU)或长短期记忆人工神经网络(LSTM)等来建模节点间的动态时间关系。本发明可以更加充分且自然的利用到节点间的时间空间以及时空间结合起来后对流量变化的影响，且不需要增加额外的模块去对时空间进行建模，这使得本发明在训练模型时所需要的计算资源远远小于传统方案，且因为建模更加自然，预测的准确度也高于传统方案。正是基于图神经网络的特性，在对系统进行中心管控时，可以将高维复杂的系统状态信息进行有效地编码而处理，从而能够使本发明推广到各种规模，或不同结构的系统中去。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于异构图神经网络流量预测的基站智能控制方法，其特征在于，包括如下步骤：
S1，设定皮尔逊相关系数阈值ε，并收集每个基站连续N天的流量数据；
S2，根据N天内每一天的流量数据计算每两个基站之间每天的第一皮尔逊相关系数，基于第一皮尔逊相关系数构建每天的同构图；
S3，根据连续N天的流量数据依次计算每个基站每个同构图所对应的天数之前连续M天的流量数据，且M＜N，根据得到的流量数据分别计算每两个基站之间的第二皮尔逊相关系数，基于第二皮尔逊相关系数构建基站异构图；
S4，将步骤S3得到的基站异构图划分为训练集和测试集；
S5，构建包括图卷积网络和全连接网络的神经网络模型，利用训练集和测试集对神经网络模型进行训练得到流量预测模型；
S6，利用流量预测模型对5G基站的流量进行预测，根据预测结果对基站的启闭进行控制；
所述步骤S2包括如下步骤：
S2.1，根据N天内每个基站的每一天的流量数据计算每两个基站之间每天的第一皮尔逊相关系数r；
S2.2，判断|r|＞ε，若是，则判定该第一皮尔逊相关系数r所对应的两个基站之间存在一条短流量相关边e(i，l，y)，其中，i和l均表示基站的编号，且i≠l，y表示异构图中的第y天，否则，不存在；
S2.3，根据步骤S2.2得到的短流量相关边e(i，l，y)，并将由基站编号和天数组成的二元组作为节点代表基站，基站当天的流量数据作为节点属性，构建每两个基站之间每天的同构图；所述步骤S3包括如下步骤：
S3.1，根据连续N天的流量数据依次计算每个基站每个同构图所对应的天数之前连续M天的流量数据，且M＜N，根据得到的流量数据分别计算每两个基站之间的第二皮尔逊相关系数r′；
S3.2，判断|r′|＞＞ε，若是，则判定该第二皮尔逊相关系数r′所对应的两个节点之间存在一条长流量相关边e_long(i，j)，其中，i和j均表示基站的编号，且i≠j，否则不存在；
S3.3，将长流量相关边e_long(i，j)相对应的两个节点的相邻两天的同构图连接，并以Y天为周期建立N-M-Y张基站异构图。
2.根据权利要求1所述的基于异构图神经网络流量预测的基站智能控制方法，其特征在于，在步骤S5中，所述利用训练集和测试集数据对神经网络模型进行训练得到流量预测模型，包括如下步骤：
S5.1，设置迭代次数T＝100，初始化初始迭代值t＝0；
S5.2，执行t＝t+1，将训练集输入神经网络模型，在第M+1天的同构图内对同构图的短流量相关边e(i，l，y)使用图卷积网络的图卷积层聚合邻居节点对目标节点的影响；
S5.3，按照步骤S5.2的方法依次对剩余N-M-1天的同构图进行聚合；
S5.4，按照步骤S5.2的方法利用图卷积层依次对相邻两天的基站异构图的长流量相关边e_long(i，j)进行图卷积操作，得到流量预测模型所对应的节点嵌入Z1；
S5.5，将节点嵌入Z1输入全连接网络的全连接层进行学习得到预测结果Sp；
S5.6，利用测试集对流量预测模型进行测试输出预测结果Sp，根据预测结果Sp计算预测误差值L；
S5.7，判断t＜T，如果是，返回步骤S5.2，否则，输出预测误差值L最小的流量预测模型。
3.根据权利要求2所述的基于异构图神经网络流量预测的基站智能控制方法，其特征在于，所述使用图卷积层聚合邻居节点对目标节点的影响的公式为：
Figure FDA0004053624400000031
式中，N(v(i，y))表示节点v(i，y)也即目标节点的邻居节点集合，Wy表示学习的参数矩阵，by表示学习的参数向量，σ为sigmoid激活函数，∪代表连接，Amean({v(i，y)}∪N(c(i，y)))表示将节点v(i，y)的节点属性与其邻居节点的节点属性相连接，随后将得到的所有数据保存进对应的邻居节点后作为新的邻居节点集合输入Amean。
4.根据权利要求3所述的基于异构图神经网络流量预测的基站智能控制方法，其特征在于，Amean(N(v(i，y)))表示对所有邻居节点的集合求取平均值，对应的公式为：
Figure FDA0004053624400000032
式中，||为取模操作，
Figure FDA0004053624400000033
表示节点v(i，y)的邻居节点v(j，y)的节点嵌入，也即邻居节点v(j，y)的流量数据。
5.根据权利要求2所述的基于异构图神经网络流量预测的基站智能控制方法，其特征在于，所述计算预测误差值L的计算公式为：
L＝||Sp-Sr||2；
式中，Sr为流量真实值，||·||2为均方误差，Sp表示流量预测模型的预测流量。
CN202111283239.0A 2021-11-01 2021-11-01 基于异构图神经网络流量预测的基站智能控制方法 Active CN114007228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111283239.0A CN114007228B (zh) 2021-11-01 2021-11-01 基于异构图神经网络流量预测的基站智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111283239.0A CN114007228B (zh) 2021-11-01 2021-11-01 基于异构图神经网络流量预测的基站智能控制方法

Publications (2)

Publication Number Publication Date
CN114007228A CN114007228A (zh) 2022-02-01
CN114007228B true CN114007228B (zh) 2023-04-07

Family

ID=79926155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111283239.0A Active CN114007228B (zh) 2021-11-01 2021-11-01 基于异构图神经网络流量预测的基站智能控制方法

Country Status (1)

Country Link
CN (1) CN114007228B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114785703B (zh) * 2022-03-09 2022-12-13 桂林航天工业学院 一种基于图卷积的物联网安全检测方法及系统
CN114595897B (zh) * 2022-03-17 2023-04-18 四川大学 基于动态异构图卷积的多价值链汽车配件需求预测方法
CN114826963B (zh) * 2022-03-31 2023-07-14 鹏城实验室 一种基于设备行为的物联网设备检测方法及系统
CN115169526B (zh) * 2022-05-20 2023-08-01 北京信息科技大学 一种基于深度学习的基站表示学习方法、系统及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112291807A (zh) * 2020-10-15 2021-01-29 山东科技大学 一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法
CN112911626A (zh) * 2021-02-01 2021-06-04 福州大学 基于多图卷积的无线网络流量预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10855550B2 (en) * 2016-11-16 2020-12-01 Cisco Technology, Inc. Network traffic prediction using long short term memory neural networks
US10762165B2 (en) * 2017-10-09 2020-09-01 Qentinel Oy Predicting quality of an information system using system dynamics modelling and machine learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112291807A (zh) * 2020-10-15 2021-01-29 山东科技大学 一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法
CN112911626A (zh) * 2021-02-01 2021-06-04 福州大学 基于多图卷积的无线网络流量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Xu Zhang et. al."Crowd Flow Forecasting with Multi-Graph Neural Networks"."2020 International Joint Conference on Neural Networks (IJCNN)".2020,全文. *
吴雨聪."基于神经网络的网络流量预测研究".《中国优秀硕士学位论文全文数据库信息科技I辑》.2020,全文. *

Also Published As

Publication number Publication date
CN114007228A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN114007228B (zh) 基于异构图神经网络流量预测的基站智能控制方法
CN111860951B (zh) 一种基于动态超图卷积网络的轨道交通客流预测方法
Li et al. A deep learning method based on an attention mechanism for wireless network traffic prediction
CN111159426B (zh) 一种基于图卷积神经网络的产业图谱融合方法
CN111785045B (zh) 基于演员-评论家算法的分布式交通信号灯联合控制方法
CN111242292B (zh) 基于深度时空网络的od数据预测方法及系统
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN113298319B (zh) 一种基于跳跃图注意力门控循环网络的交通速度预测方法
CN112801411B (zh) 一种基于生成对抗网络的网络流量预测方法
CN116894384B (zh) 一种多风机风速时空预测方法及系统
CN114265913A (zh) 工业物联网边缘设备上基于联邦学习的空时预测算法
CN111353988B (zh) Knn动态自适应的双图卷积图像分割方法和系统
CN113947186A (zh) 一种基于生成对抗网络的供热能耗循环预测方法
CN113676357B (zh) 面向电力物联网中边缘数据处理的决策方法及其应用
CN115331460B (zh) 一种基于深度强化学习的大规模交通信号控制方法及装置
CN117057471A (zh) 一种基于图多头注意力机制的小区用电预测方法
CN116843069A (zh) 一种基于人群活动强度特征的通勤流量估计方法及系统
CN114158085B (zh) 一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法
CN115840261A (zh) 一种台风降水短临预测模型优化及预测方法
CN112613227B (zh) 基于混合机器学习的航空发动机剩余使用寿命预测模型
CN114529325A (zh) 一种基于Darts的点击率预估模型自动化生成方法
CN109120438B (zh) 一种机会网络下的数据协同传输方法及系统
CN109816046A (zh) 基于极限学习机的深度聚集式分类方法及系统
Zhu et al. Prediction of cellular network channel utilization based on graph convolutional networks
Wan et al. Capturing Spatial-Temporal Correlations with Attention Based Graph Convolutional Networks for Network Traffic Prediction

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