CN114124260A - 基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 - Google Patents
基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN114124260A CN114124260A CN202210025013.9A CN202210025013A CN114124260A CN 114124260 A CN114124260 A CN 114124260A CN 202210025013 A CN202210025013 A CN 202210025013A CN 114124260 A CN114124260 A CN 114124260A
- Authority
- CN
- China
- Prior art keywords
- trend
- time
- data
- prediction
- time series
- 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.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000002131 composite material Substances 0.000 title claims abstract description 19
- 230000000737 periodic effect Effects 0.000 claims abstract description 36
- 238000005065 mining Methods 0.000 claims abstract description 26
- 238000013459 approach Methods 0.000 claims abstract description 19
- 230000003213 activating effect Effects 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 18
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于复合2D‑LSTM网络的频谱预测方法、装置、介质及设备,属于通信技术领域。包括接收频谱数据;利用第一2D‑LSTM模型对所述频谱数据中的接近趋势进行挖掘,得到第一时间序列特征;利用第二2D‑LSTM模型对所述频谱数据中的周期趋势进行挖掘,得到第二时间序列特征;将所述第一时间序列特征和第二时间序列特征进行融合并激活,输出预测结果。所述装置、介质及设备均基于所提供的方法得以实现。本发明通过挖掘历史频谱数据的接近趋势和周期趋势,从而有效地提高了频谱预测的准确性。
Description
技术领域
本发明属于通信技术领域,具体涉及一种基于复合2D-LSTM网络的频谱预测方法、装置、介质及设备。
背景技术
认知无线电技术为缓解频谱资源难以充分利用的问题提供了一种有效手段。通过频谱预测和频谱感知功能,认知无线电技术支持次级用户提前预测信道未来频谱占用规律,在宽频带范围快速感知并识别频谱占用状态,并机会性接入主用户未使用的频谱空洞,从而达到充分利用频谱资源的目的。
常用的频谱预测模型包括自回归综合移动平均(ARIMA)模型、支持向量机(SVM)模型、隐马尔科夫(HMM)模型和关联模式挖掘等传统统计学模型。随着深度学习技术的快速发展,深度学习技术在频谱预测领域展开了应用。例如,现有技术中提出了基于MLP进行频谱预测的方法,以及通过构建HMM和MLP两种频谱预测方案,从提高频谱利用率和节省感知能量两个方面分析了信道状态预测对频谱感知性能的影响。再比如,现有技术中通过分析流行业务频段时域和频域相关性,揭示了时域和频域存在的较强相关性以及这种相关性的聚集效应,并且还针对该方法开发了一种鲁棒时频二维联合推理算法,利用与被预测频点相似或相邻频点预测同一时隙的频点状态,该方法属于推理算法,不具有时域预测功能。
然而,即使深度学习方法在频谱预测中有如此多的应用,处理频谱数据中的联合时间-频域相关性的工作也是有限的。此外,由于用户活动模式潜在的规律性,一些业务频带的历史频谱状态显示出潮汐效应,即日、周周期性变化。现有研究没有充分考虑频谱数据频域相关性和时间周期趋势,频谱预测性能还有提高的可能。
发明内容
技术问题:针对上述的问题,本发明提供了一种基于复合2D-LSTM网络的频谱预测方法、装置、介质及设备,通过挖掘时-频域相关性和时间上周期趋势,从而提高了频谱的预测准确性。
技术方案:第一方面,本发明提供一种基于复合2D-LSTM网络的频谱预测方法,包括:
接收频谱数据,所述频谱数据具有频域相关性、聚集趋势以及周期趋势;
利用第一2D-LSTM网络对所述频谱数据中的接近趋势进行挖掘,得到第一时间序列特征;其中,所述的接近趋势为历史频谱数据中与预测目标接近的时隙数据;
利用第二2D-LSTM网络对所述频谱数据中的周期趋势进行挖掘,得到第二时间序列特征;其中,所述周期趋势为历史频谱数据中距离预测目标周期性采样得到的数据;
将所述第一时间序列特征和第二时间序列特征进行融合并激活,输出预测结果。
进一步地,将所述第一时间序列特征和第二时间序列特征进行融合并激活包括:
将第一时间序列特征和第二时间序列拼接后输入全连接层得到融合序列,经激活函数激活后得到预测结果。
进一步地,所述第一2D-LSTM网络和第二2D-LSTM网络中均包括2个隐藏层,隐藏层均具有16个节点。
进一步地,所述频谱数据的频域相关性大于0.6;所述聚集趋势为频域相关性大于0.6且在相邻频点之间聚集;所述周期趋势为信道的自相关系数呈周期性变化。
进一步地,所述方法还包括对由第一2D-LSTM网络、第二2D-LSTM网络、全连接层以及激活函数构成的整体模型的复杂度进行分析。
第二方面,本发明提供一种基于复合2D-LSTM网络的频谱预测装置,利用所提出的基于复合2D-LSTM网络的频谱预测方法预测频谱,包括:
数据接收模块,其配置为用于接收频谱数据,所述频谱数据具有频域相关性、聚集趋势以及周期趋势;
第一挖掘模块,其配置为利用第一2D-LSTM模型对所述频谱数据中的接近趋势进行挖掘,得到第一时间序列特征;其中,所述的接近趋势为历史频谱数据中与预测目标接近的时隙数据;
第二挖掘模块,其配置为利用第二2D-LSTM模型对所述频谱数据中的接近趋势进行挖掘,得到第二时间序列特征;其中,所述周期趋势为历史频谱数据中距离预测目标周期性采样得到的数据;
融合输出模块,其配置为将所述第一时间序列特征和第二时间序列特征进行融合,将融合后的序列激活后输出预测结果。
进一步地,所述融合输出模块中,将第一时间序列特征和第二时间序列拼接后输入全连接层得到融合序列,经激活函数激活后得到预测结果。
进一步地,所述第一挖掘模块中,第一2D-LSTM包括2个隐藏层,隐藏层均具有16个节点;所述第二挖掘模块中,第二2D-LSTM网络包括2个隐藏层,隐藏层均具有16个节点。
第三方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机指令,所述计算机指令能够被处理器执行以实现所述基于复合2D-LSTM网络的频谱预测方法。
第四方面,本发明提供一种电子设备,包括:本发明所提供的计算机可读存储介质,以及处理器,所述处理器被配置为能够执行计算机可读存储介质中存储的计算机指令。
有益效果:本发明针对频谱数据时间-频域的相关性和时间上的周期性,提出了二维采样长短时记忆网络预测框架2D-SPLSTM,通过采样获得历史频谱数据的接近趋势和周期趋势,利用2D-LSTM网络分别挖掘不同时间尺度下的时-频域相关性,通过融合时频域相关性和周期趋势,从而对频域进行更加准确的预测。
附图说明
图1为本发明的实施例中基于复合2D-LSTM网络的频谱预测方法的流程图;
图2为本发明的实施例中实测频谱数据的频域相关性图;
图3为本发明的实施例中信道自相关系数对比图;
图4为本发明的实施例中2D-SPLSTM结构图;
图5为本发明的实施例中实测频谱数据平面视图;
图6为本发明的实施例中不同预测范围下模型性能对比图;
图7为本发明的实施例中基于复合2D-LSTM网络的频谱预测装置的框图。
具体实施方式
下面结合实施例和说明书附图对本发明作进一步的说明。说明的是,术语“第一”、“第二”等仅是出于便于描述的目的,不能理解为对数量、性质等的限定。图1示出了本发明实施例中基于复合2D-LSTM网络的频谱预测方法的流程图,结合图1,本发明所提供的方法包括步骤S100~S400。
步骤S100:接收频谱数据。在本发明的实施例中,频谱数据具有频域相关性、聚集趋势以及周期趋势。
频谱状态之所以能够通过历史数据进行预测,正是因为频谱状态在时域上具有相关性。将二维频谱数据按照时隙进行划分,就得到某一频点f处T个连续时间序列,即St={X1,f,X2,f,...,Xt,f,...,XT,f},同理,Sf={Xt,1,Xt,2,...,Xt,f,...,Xt,F}表示t时刻,在F个连续频点的频谱状态。从统计学来看,X代表随机变量,S表示随机变量序列。
两个随机变量的相关系数可由如下公式计算:
其中,cov(·)表示协方差算子,E(·)表示统计平均算子,α和β是两个任意的随机变量,μα和μβ是它们的统计平均,σα和σβ分别是它们的标准差。相关系数的绝对值越大,相关性越强。当α和β是同一时间序列不同延时τ的子序列时,由式(1)可计算出该序列的自相关系数,自相关系数表示时间序列演化的自相似性。
对实测频谱数据进行相关性分析,如图2所示,从图2中可以清楚的观察到频域也含有较强的相关性,并且相关性呈现聚集趋势。随机选择三个信道的时间序列,计算得出延迟系数τ=1到720的自相关系数的变化曲线如图3所示。信道的自相关系数呈现一日(等于480个时隙)周期性变化,这反映信道状态演化呈现日周期特性。在本发明的实施例中,所接收的频谱数据具有频域相关性、聚集趋势以及周期趋势;其中,频谱数据具有频域相关性大于0.6;聚集趋势为频域相关性大于0.6且在相邻频点之间聚集;所述周期趋势为信道的自相关系数呈周期性变化。
步骤S200:利用第一2D-LSTM网络对所述频谱数据中的接近趋势进行挖掘,得到第一时间序列特征;其中,所述的接近趋势为历史频谱数据中与预测目标接近的时隙数据。
步骤S300:利用第二2D-LSTM网络对所述频谱数据中的周期趋势进行挖掘,得到第二时间序列特征;其中,所述周期趋势为历史频谱数据中距离预测目标周期性采样得到的数据。
步骤S400:将所述第一时间序列特征和第二时间序列特征进行融合并激活,输出预测结果。具体的,将第一时间序列特征和第二时间序列拼接后输入全连接层得到融合序列,经激活函数激活后得到预测结果。
说明的是,在本发明的其他实施例中,步骤S200和步骤S300的顺序可以任意的,可以先执行步骤S200,也可以先执行步骤S300,或者步骤S200和步骤S300同步执行。
长短时记忆网络(LSTM)模型的基本部分被是具有存储单元和门结构的存储块,每个存储块的门结构分为三个部分:输入门、输出门和遗忘门。每个存储块处理时间序列的单个时隙数据,存储块按照前后时隙串行计算。门结构中包含着Sigmoid函数层,该函数把值压缩到0-1之间,便于信息的更新或去除。遗忘门决定了一个值是否会保留在内存中。另一方面,输出门确定当前时刻的输出。LSTM的前向计算过程总结如下:
ft=σ(Wf·(ct-1,xt)+bf) (2)
it=σ(Wi·(ct-1,xt)+bi) (3)
ot=σ(Wo·(ht-1,xt)+bo) (6)
ht=ot*tanh(ct) (7)
式(2)中ft表示在t时刻的输出向量,σ表示sigmoid激活函数,Wf表示权重矩阵,Wf由矩阵Wfy与Wfx拼接而成,ht-1与xt分别为输出层t-1时刻和t时刻的输入向量,bf为偏置项。式(4)中为当前输入单元的状态,ct为当前时刻的记忆单元状态,式(7)中ht表示LSTM模型当前时刻的最终输出。
不同于传统频谱预测方法,仅在时域对历史数据进行建模分析,本发明所提出的频谱预测方法中,利用了两个2D-LSTM组件分别对历史频谱数据中的接近趋势和周期趋势进行数据挖掘,提取的时间序列特征经过融合后激活,得到模型预测值,所构成模型如图2所示,为了便于后续描述,称之为2D-SPLSTM网络,如图4所示。
结合图4,对于预测目标YT+Δt,两个2D-LSTM网络被用于建模接近趋势和周期趋势,接近趋势为历史频谱数据中与预测目标接近的时隙数据 其中lc表示接近趋势的序列长度。周期趋势为历史频谱数据中距离预测目标周期性采样得到的数据 其中ls表示周期趋势的序列长度,w表示一日的时隙数。两个2D-LSTM组件分别输出接近趋势和周期趋势对应的特征序列和两个序列拼接后输入全连接层得到融合序列经激活函数激活后得到预测结果
在模型训练时,模型训练的目标是通过反向传播算法最小化真实值YT+Δt和预测值之间的误差,即其中θ为模型训练时可学习的参数。2D-LSTM每个时隙输入的是中心频点和相邻频点组成的一组向量特征{...,Xt,f-2,Xt,f-1,Xt,f,Xt,f+1,Xt,f+2,...},其中Xt,f表示t时刻中心频点f处的频谱状态,2D-LSTM更有利于充分挖掘相邻频点之间数据的相关性。
将本发明所提供的方法转化为伪代码形式,如表1所示。
表1方法伪代码
在本发明的实施例中,所提供的方法还包括对由第一2D-LSTM网络、第二2D-LSTM网络、全连接层以及激活函数构成的整体模型的复杂度进行分析,也就是对2D-SPLSTM网络模型进行复杂度分析。
通常一个标准LSTM存储块中的参数总量可以计算为:pl=(((ni+nc)·nc+nc)·4),其中ni、nc分别表示每个时间步输入向量的维度、记忆单元的数量(与隐层节点的数量相等)。LSTM模型计算每个参数在每个时间步的时间复杂度记为O(1),由于每个时间步之间串行计算,总的时间复杂度即为time_steps·O(pl),time_steps为时间步。对于1D-LSTM与2D-LSTM模型,差别主要在每个时间步的输入维度从一维向多维扩展,这对时间复杂度影响不大。
算法的复杂度可以根据训练和验证阶段的运行时间大致表示。在模型训练阶段,2D-SPLSTM模型的时间计算复杂度可以评估为:T(n)=O(l1)+O(l2)+O(d),其中O(l1)、O(l2)分别表示建模周期趋势和建模接近趋势的2D-LSTM组件的时间复杂度,O(d)为融合层中全连接层的时间复杂度。由于两个组件在融合之前相互独立,可以并行计算,2D-SPLSTM模型的时间复杂度可以改写为T(n)=max{O(l1),O(l2)}+O(d)。对于包含一个全连接层的融合层,其时间复杂度计算为:O(d)=O(l·k+l·m),其中l为全连接层节点数,k为全连接层输入维度,m为输出维度。2D-SPLSTM模型中,由于融合层参数量相比LSTM网络很小,O(d)相比O(l)可以忽略,T(n)=max{O(l1),O(l2)}。
综上所述,模型训练一次的时间复杂度与各个2D-LSTM组件的时间步呈线性正相关,因此本发明提出的模型时间复杂度相比1D-LSTM并没有明显提升。
为了验证本发明的实施例中所提出的方法的有效性,在本发明的实施例中,采用的数据集来自一个公开的频谱分享网站Electrosense。如图5,频率范围为792-820MHz,传感器imdea_adsb位于西班牙马德里一处室外场地,频谱聚合的频率分辨率为200KHz,时间分辨率为3分钟,时间跨度从2021年8月06日至2021年8月31日,所采集的频谱矩阵为11980行141列,即11980个时隙141个频点,采集的数据类型为无线信号的信噪比(dB)。该频带为LTE无线通信业务频带,从图4中可以很明显看出整个频带被划分为三个子频带,子频带中间为保护频带,一般不含有用信号,所以显示较低的功率水平。子频带中频谱演化呈现有规律的带状间隔分布,进一步表明了频谱演化的周期特性。
本发明的实施例中,模型仿真由基于Python环境下的Keras库实现,构建的LSTM网络模型设置了2个隐藏层,隐藏层均具有16个节点,激活函数选为整流线性单元(ReLU)。也就是说,第一2D-LSTM网络和第二2D-LSTM网络中均包括2个隐藏层,隐藏层均具有16个节点。模型融合部分为一个20个节点的全连接层,最终激活函数为Sigmoid激活函数,输出经过归一化的待预测频谱状态。
优化器选择Adam,批尺寸为1024,最大训练轮数设置为20,损失函数选择均方误差(MSE)。接近趋势中lc=5,周期趋势ls=7,w=480,每一时隙的中心频点和相邻频点总数为5。
训练集、测试集和验证集按照8/1/1划分。训练集和测试集一起进行模型训练,为了防止过拟合并加快训练过程,根据测试集上的损失值设定了早停门限,当测试集上损失值降低到一定水平即停止训练。同时,采用全局最大-最小归一化方法将频谱状态归一化(0,1]之间,经过验证集上验证,模型性能评估在反归一化后进行。平均绝对百分比误差(MAPE)、均方根误差(RMSE)和R2分数用于评估模型性能。多层感知机(MLP)和1D-LSTM模型用来进行对比分析,MLP设置两个隐层,节点数分别为20、15,对比模型的输入均为接近趋势的数据,即5个时隙的数据。
首先评估短期预测时的性能比较,设置Δt=3min,即预测目标为下一时隙的频谱状态。为了消除随机性的影响,实验进行了10次,取平均值作为最终结果。如表2所示,本文所提出的2D-SPLSTM模型在各项性能指标上均优于对比模型,由于MLP不能获取时间序列中的时空关联性,性能较低。与MLP和1D-LSTM模型相比,提出的模型MAPE指标相对提升了11.1%和3.3%,其他各项指标均有显著提升,验证了2D-SPLSTM模型在挖掘时频域相关性和周期趋势的有效性。
表2模型性能对比
图6说明了在跨步预测场景下本文提出的2D-SPLSTM模型与其他模型的MAPE指标性能对比,跨步预测即根据历史数据直接推测不同时隙间隔的未来频谱状态。设置Δt=3min、6min、9min、12min、15min,即预测范围从1个时隙到5个时隙,可以观察到,随着预测范围的变化,其他模型的预测性能下降明显,本文提出的模型获得了相对稳定的预测性能。这一现象说明接近趋势此时所含的相关信息明显减少,周期趋势的加入,对跨步预测场景更加重要。
进一步地,本发明提供一种基于复合2D-LSTM网络的频谱预测装置,该装置采用本发明的实施例中所提出的基于复合2D-LSTM网络的频谱预测方法预测频谱,如图7所示,该装置包括:数据接收模块、第一挖掘模块、第二挖掘模块和融合输出模块。其中,数据接收模块被配置为用于接收频谱数据,频谱数据具有频域相关性、聚集趋势以及周期趋势。在具体的实施例中,频谱数据的频域相关性大于0.6;所述聚集趋势为频域相关性大于0.6且在相邻频点之间聚集;所述周期趋势为信道的自相关系数呈周期性变化。
第一挖掘模块被配置为利用第一2D-LSTM模型对所述频谱数据中的接近趋势进行挖掘,得到第一时间序列特征,其中,所述的接近趋势为历史频谱数据中与预测目标接近的时隙数据。在本发明的一个实例中,第一2D-LSTM模型包括2个隐藏层,隐藏层均具有16个节点。
第二挖掘模块,其配置为利用第二2D-LSTM模型对所述频谱数据中的接近趋势进行挖掘,得到第二时间序列特征;其中,所述周期趋势为历史频谱数据中距离预测目标周期性采样得到的数据。在本发明的一个实例中,第二2D-LSTM网络包括2个隐藏层,隐藏层均具有16个节点。
融合输出模块被配置为将第一时间序列特征和第二时间序列特征进行融合,将融合后的序列激活后输出预测结果。具体的将第一时间序列特征和第二时间序列拼接后输入全连接层得到融合序列,经激活函数激活后得到预测结果。
针对本发明的装置的各个模块具体功能实现,与所提出的方法的对应步骤一致,此处就不再赘述。
进一步地,本发明提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机指令,所述计算机指令能够被处理器执行以实现所提出的基于复合2D-LSTM网络的频谱预测方法。本发明中所称的计算机可读介质包括各种类型的计算机存储介质,可以是通用或专用计算机能够存取的任何可用介质。举例而言,计算机可读介质可以包括RAM、ROM、EPROM、E2PROM、寄存器、硬盘、可移动盘、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码单元并能够由通用或特定用途计算机、或者通用或特定用途处理器进行存取的任何其他临时性或者非临时性介质。如本发明所使用的,盘(disk)和碟(disc)包括紧致碟(CD)、激光碟、光碟、数字多用途光碟(DVD)、软盘和蓝光碟,其中盘通常磁性地复制数据,而碟则用激光来光学地复制数据。上述的组合也应当包括在计算机可读介质的保护范围之内。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读写信息。在替换方案中,存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中,处理器和存储介质可作为分立组件驻留在用户终端中。
更进一步地,本发明提供电子设备,该设备包括所提供的计算机可读存储介质,以及处理器,所述处理器被配置为能够执行计算机可读存储介质中存储的计算机指令。需要说明的是,电子设备还可以包括其他部件,例如输入设备、显示设备等,出于清楚说明本发明的原理角度考虑,这些部件在图7中并未示出。
本发明根据真实世界频谱数据的时-频域相关性和时间上的周期趋势,提出一种能够挖掘时-频域相关性和时间上周期趋势的频谱预测方法,以及相应的装置、存储介质和电子设备。通过采样获得历史频谱数据的接近趋势和周期趋势,利用2D-LSTM网络分别挖掘不同时间尺度下的时-频域相关性,通过融合时频域相关性和周期趋势,模型在实测频谱数据中获得了明显性能提升。最后在跨步预测场景中,提出的模型有着更加稳定、优越的性能,进一步说明了本发明的有效性。
上述实施例仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和等同替换,这些对本发明权利要求进行改进和等同替换后的技术方案,均落入本发明的保护范围。
Claims (10)
1.一种基于复合2D-LSTM网络的频谱预测方法,其特征在于,包括:
接收频谱数据,所述频谱数据具有频域相关性、聚集趋势以及周期趋势;
利用第一2D-LSTM网络对所述频谱数据中的接近趋势进行挖掘,得到第一时间序列特征;其中,所述的接近趋势为历史频谱数据中与预测目标接近的时隙数据;
利用第二2D-LSTM网络对所述频谱数据中的周期趋势进行挖掘,得到第二时间序列特征;其中,所述周期趋势为历史频谱数据中距离预测目标周期性采样得到的数据;
将所述第一时间序列特征和第二时间序列特征进行融合并激活,输出预测结果。
2.根据权利要求1所述的方法,其特征在于,将所述第一时间序列特征和第二时间序列特征进行融合并激活包括:
将第一时间序列特征和第二时间序列拼接后输入全连接层得到融合序列,经激活函数激活后得到预测结果。
3.根据权利要求2所述的方法,其特征在于,所述第一2D-LSTM网络和第二2D-LSTM网络中均包括2个隐藏层,隐藏层均具有16个节点。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述频谱数据的频域相关性大于0.6;所述聚集趋势为频域相关性大于0.6且在相邻频点之间聚集;所述周期趋势为信道的自相关系数呈周期性变化。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括对由第一2D-LSTM网络、第二2D-LSTM网络、全连接层以及激活函数构成的整体模型的复杂度进行分析。
6.一种基于复合2D-LSTM网络的频谱预测装置,利用权利要求1-5任一项所述的基于复合2D-LSTM网络的频谱预测方法预测频谱,其特征在于,包括:
数据接收模块,其配置为用于接收频谱数据,所述频谱数据具有频域相关性、聚集趋势以及周期趋势;
第一挖掘模块,其配置为利用第一2D-LSTM模型对所述频谱数据中的接近趋势进行挖掘,得到第一时间序列特征;其中,所述的接近趋势为历史频谱数据中与预测目标接近的时隙数据;
第二挖掘模块,其配置为利用第二2D-LSTM模型对所述频谱数据中的接近趋势进行挖掘,得到第二时间序列特征;其中,所述周期趋势为历史频谱数据中距离预测目标周期性采样得到的数据;
融合输出模块,其配置为将所述第一时间序列特征和第二时间序列特征进行融合,将融合后的序列激活后输出预测结果。
7.根据权利要求6所述的系统,其特征在于,所述融合输出模块中,将第一时间序列特征和第二时间序列拼接后输入全连接层得到融合序列,经激活函数激活后得到预测结果。
8.根据权利要求7所述的系统,其特征在于,所述第一挖掘模块中,第一2D-LSTM包括2个隐藏层,隐藏层均具有16个节点;所述第二挖掘模块中,第二2D-LSTM网络包括2个隐藏层,隐藏层均具有16个节点。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机指令,所述计算机指令能够被处理器执行以实现权利要求1-5任一项所述基于复合2D-LSTM网络的频谱预测方法。
10.一种电子设备,其特征在于,包括:
权利要求9所述的计算机可读存储介质,以及处理器,所述处理器被配置为能够执行计算机可读存储介质中存储的计算机指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210025013.9A CN114124260B (zh) | 2022-01-11 | 2022-01-11 | 基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210025013.9A CN114124260B (zh) | 2022-01-11 | 2022-01-11 | 基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114124260A true CN114124260A (zh) | 2022-03-01 |
CN114124260B CN114124260B (zh) | 2023-12-12 |
Family
ID=80363931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210025013.9A Active CN114124260B (zh) | 2022-01-11 | 2022-01-11 | 基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114124260B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017960A (zh) * | 2022-07-19 | 2022-09-06 | 合肥工业大学 | 一种基于时空联合mlp网络的脑电信号分类方法及应用 |
CN115713987A (zh) * | 2022-11-17 | 2023-02-24 | 广州瑞博新材料技术研究有限公司 | 聚己内酯测试数据分析方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109194423A (zh) * | 2018-08-13 | 2019-01-11 | 中国人民解放军陆军工程大学 | 基于优化的长短期记忆模型的单频点频谱预测方法 |
CN110138475A (zh) * | 2019-05-08 | 2019-08-16 | 南京邮电大学 | 一种基于lstm神经网络的自适应门限信道占用状态预测方法 |
CN110502806A (zh) * | 2019-07-31 | 2019-11-26 | 电子科技大学 | 一种基于lstm网络的无线频谱占用度预测方法 |
CN111695737A (zh) * | 2020-06-15 | 2020-09-22 | 中国电子科技集团公司第二十八研究所 | 一种基于lstm神经网络的群目标行进趋势预测方法 |
CN112311488A (zh) * | 2020-11-05 | 2021-02-02 | 上海应用技术大学 | 基于小波分解的频谱感知方法 |
CN113114400A (zh) * | 2021-04-14 | 2021-07-13 | 中南大学 | 基于时序注意力机制和lstm模型的信号频谱空洞感知方法 |
-
2022
- 2022-01-11 CN CN202210025013.9A patent/CN114124260B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109194423A (zh) * | 2018-08-13 | 2019-01-11 | 中国人民解放军陆军工程大学 | 基于优化的长短期记忆模型的单频点频谱预测方法 |
CN110138475A (zh) * | 2019-05-08 | 2019-08-16 | 南京邮电大学 | 一种基于lstm神经网络的自适应门限信道占用状态预测方法 |
CN110502806A (zh) * | 2019-07-31 | 2019-11-26 | 电子科技大学 | 一种基于lstm网络的无线频谱占用度预测方法 |
CN111695737A (zh) * | 2020-06-15 | 2020-09-22 | 中国电子科技集团公司第二十八研究所 | 一种基于lstm神经网络的群目标行进趋势预测方法 |
CN112311488A (zh) * | 2020-11-05 | 2021-02-02 | 上海应用技术大学 | 基于小波分解的频谱感知方法 |
CN113114400A (zh) * | 2021-04-14 | 2021-07-13 | 中南大学 | 基于时序注意力机制和lstm模型的信号频谱空洞感知方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017960A (zh) * | 2022-07-19 | 2022-09-06 | 合肥工业大学 | 一种基于时空联合mlp网络的脑电信号分类方法及应用 |
CN115017960B (zh) * | 2022-07-19 | 2024-02-13 | 合肥工业大学 | 一种基于时空联合mlp网络的脑电信号分类方法及应用 |
CN115713987A (zh) * | 2022-11-17 | 2023-02-24 | 广州瑞博新材料技术研究有限公司 | 聚己内酯测试数据分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114124260B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
CN114124260B (zh) | 基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 | |
CN111148118A (zh) | 基于时间序列的流量预测和载波关断方法和系统 | |
KR102239464B1 (ko) | 심층 구조를 이용한 전력 수요 예측 방법 및 장치 | |
CN111932269A (zh) | 设备信息处理方法及装置 | |
CN112037930A (zh) | 一种传染病预测设备、方法、装置及存储介质 | |
CN113852432A (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
CN109472412A (zh) | 一种事件的预测方法及装置 | |
Alfred | A genetic-based backpropagation neural network for forecasting in time-series data | |
CN112085541A (zh) | 基于浏览消费时序数据的用户需求分析方法及装置 | |
CN112398700B (zh) | 一种服务降级方法及装置、存储介质、计算机设备 | |
US20220292315A1 (en) | Accelerated k-fold cross-validation | |
Rutagemwa et al. | Dynamic spectrum assignment for land mobile radio with deep recurrent neural networks | |
CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
CN111275106A (zh) | 对抗样本生成方法、装置及计算机设备 | |
CN116388864B (zh) | 量子网络设备性能预测方法、装置、电子设备及存储介质 | |
CN116578400A (zh) | 多任务数据处理方法和装置 | |
CN115858763A (zh) | 多模态数据融合的城管事件分析方法及其应用 | |
CN115329146A (zh) | 时序网络中的链路预测方法、电子设备及存储介质 | |
CN115691652A (zh) | 一种基于多样本数据的因果关系预测方法 | |
US20190034825A1 (en) | Automatically selecting regression techniques | |
CN112668797B (zh) | 一种长短期交通预测方法 | |
CN111667028B (zh) | 一种可靠负样本确定方法和相关装置 | |
Wass | Transformer learning for traffic prediction in mobile networks | |
KR20200072391A (ko) | 게임 지표 정보 예측 방법 및 장치 |
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 |