CN114158085B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114158085B CN114158085B CN202111366432.0A CN202111366432A CN114158085B CN 114158085 B CN114158085 B CN 114158085B CN 202111366432 A CN202111366432 A CN 202111366432A CN 114158085 B CN114158085 B CN 114158085B
- Authority
- CN
- China
- Prior art keywords
- time
- module
- mobile cellular
- network
- flow
- 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
Links
- 230000001413 cellular effect Effects 0.000 title claims abstract description 55
- 230000002776 aggregation Effects 0.000 title claims abstract description 43
- 238000004220 aggregation Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005096 rolling process Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- KVFIJIWMDBAGDP-UHFFFAOYSA-N ethylpyrazine Chemical compound CCC1=CN=CC=N1 KVFIJIWMDBAGDP-UHFFFAOYSA-N 0.000 claims 1
- 230000006870 function Effects 0.000 description 17
- 238000005457 optimization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了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,首先,聚合图卷积网络将预测区域划分成多个子区域并将其作为网络中的各个节点,通过对移动流量的每日历史模式和每小时当前模式建模,捕获跨不同时间所有节点的复杂时空相关性。接着,通过嵌入模块将K层聚合图卷积网络模块的输出进行连接。然后,利用回归模块将预测信息与外部模块提取的外部特征进行融合,得到最终的移动流量预测结果,并更新模型参数以获取最小损失函数。本发明有效提高了移动蜂窝流量的预测性能。
Description
技术领域
本发明涉及移动通信技术领域,尤其涉及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。
背景技术
随着移动设备的爆炸式增长和5G通信网络的快速发展,移动蜂窝流量预测已成为网络管理中的关键组成部分。准确及时的流量预测可以帮助运营商规划和优化网络资源和配置,从而有效减少网络拥塞,提高服务质量,促进通信智能化。许多传统的预测方法,如历史平均、自回归集成移动平均、支持向量回归等都侧重于捕捉移动蜂窝流量的时间相关性。然而,这些常规方法并不能很容易地挖掘移动蜂窝流量数据复杂的非线性时空模式。
随着深度学习的兴起,一些基于深度神经网络的预测方法,如递归神经网络、深度转移学习、卷积神经网络和时空转换器被提出来建模复杂的时空数据。然而,上述方法大多局限于描述基于网格的流量数据,无法表示移动蜂窝流量的复杂空间依赖性。此外,移动蜂窝流量数据受到许多外部因素的影响,包括人口、天气、工作日和节假日。这些因素可能将全市移动流量的时空依赖性复杂化。虽然一些研究应用图卷积网络来预测移动蜂窝流量,但大多数方法需要大量资源和时间来训练预测模型。
发明内容
为了克服现有技术存在的不足,本发明的目的旨在提供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。
本发明提供一种基于时空聚合图卷积网络的蜂窝流量高效预测方法,整个模型由四个模块组成,即聚合图卷积网络模块、嵌入模块、回归模块和外部模块。首先,聚合图卷积网络模块将预测区域划分成多个子区域并将其作为网络中的各个节点,通过对移动蜂窝流量的每日历史模式和每小时当前模式建模,捕获跨不同时间所有节点的复杂时空相关性。接着,嵌入模块将K层聚合图卷积网络模块进行连接。然后,回归模块将预测信息与外部模块提取的外部特征进行融合,得到最终的移动蜂窝流量预测结果,并通过优化算法更新模型参数以获取最小损失函数。具体包括如下步骤:
步骤1,构建聚合图卷积网络模块,并将数据的时间序列作为聚合图卷积网络模块的输入,将预测区域划分成多个子区域并将其作为聚合图卷积网络模块中的各个节点,通过对移动蜂窝流量的每日历史模式和每小时当前模式建模,捕获跨不同时间所有节点的移动蜂窝流量的时空相关性;
所述聚合图卷积网络模块中,采用图卷积网络通过相邻节点之间的信息交换来学习每个节点的特征;
步骤2,通过一个嵌入模块将K层的聚合图卷积网络模块的输出进行级联,从而将T个时间段的输出连接起来;
步骤3,考虑到节假日的流量特征不同于工作日,因此提取节假日的外部特征形成特征向量,将节假日的流量特征向量输入到外部模块中以聚合外部因素,所述节假日即假期和周末;
步骤4,将外部模块的输出与嵌入模块的输出相结合,得到回归模块的输入,然后通过回归模块获得移动蜂窝预测流量;
步骤5,通过优化算法更新聚合图卷积网络模块中的网络参数以获取最小损失函数,得到最终的移动蜂窝流量预测结果。
进一步的,数据的时间序列选择将每日历史数据和每小时当前数据进行级联;
其中,当前时间t与之前的α小时的流量信息表示为:
日历史流量数据为当前时刻t前β天的历史流量信息:
最后将和/>级联作为聚合图卷积网络的输入:
其中L=α+β,N表示N个节点,T表示T个连续时间段。
进一步的,步骤1中将移动蜂窝流量网络建模成无向图G=(ν,ε,A),ν是移动蜂窝流量网络中N个节点的集合,ε是边的集合,A是描述节点连通性的邻接矩阵,若两个时空数据点和/>来自相邻区域,则Aij=1,否则Aij=0,其中/>表示区域i在时间t内的流量,/>表示区域j在时间t内的流量;
考虑到节点在时间t的流量为则N个节点在时间t的流量表示为s个时间段的历史流量预测值为Xs=(Xt-s+1,Xt-s+2,...,Xt),然后预测所有节点的未来γ个时间段的流量序列,记为/>其中/>为t时刻N个节点的预测流量。
进一步的,设计一种聚合时空邻接矩阵来描述T个连续时间不同节点的复杂时空依赖关系,即复杂时空相关性,具体表示为:
其中,表示N个节点在时间t和t'之间的邻接矩阵;当t<t'时,/>表示移动蜂窝流量取决于前一个时间节点的流量特征;当t=t'时,/>表示每个节点在t时刻时聚合相邻空间流量特征;当t'<t时,/>表示每个节点在t时刻的流量是将前一个1到(t-1)时间段相邻节点和自身的流量特征进行聚合,其中I表示为:
最后,N个节点在t时刻跨T个连续时间段的聚合移动蜂窝流量数据可表示为
进一步的,所述聚合图卷积网络模块的具体处理过程如下;
令第l层聚合图卷积网络模块的输入为通过使用图神经网络频谱,得到时空聚合特征表示为:
其中,D是的对角矩阵,/>是第l层的可学习权重参数;将输入特征/>与时空聚合特征/>级联,进行非线性激活得到第l+1层的时空表示:
其中,表示可学习的投影矩阵,σ(·)表示激活函数。
进一步的,嵌入模块中,将K层的聚合图卷积网络模块的输出跨T个时间段连接起来,将组合特征输入到一个嵌入模块,则嵌入模块的输出可表示为:
其中,是/>在第T个时间段的嵌入模块输入,/>是一个可学习的权重矩阵,σ(·)表示激活函数。
进一步的,外部模块的输出表示为:
其中,和/>是第l层的可学习参数,l∈{1,2},σ(·)表示激活函数;输入Xe为节假日的流量特征向量。
进一步的,通过将外部模块的输出与嵌入模块/>的输出相结合作为回归模块的输入,其表达为:
然后通过一个两层神经网络得到最终的移动蜂窝预测流量:
其中,和/>是回归模块的可学习参数,σ(·)表示激活函数。
进一步的,利用均方误差作为损失函数,所述损失函数表示为:
其中,Y是流量数据真实值,θ是时空聚合图卷积网络模块的可训练参数,所述时空聚合图卷积网络模块通过获取最小损失函数来调整可学习的参数。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
在本申请实施例中,其特征在于整个模型由四个模块组成,即聚合图卷积网络模块、嵌入模块、回归模块和外部模块。首先,聚合图卷积网络将预测区域划分成多个子区域并将其作为网络中的各个节点,通过对移动蜂窝流量的每日历史模式和每小时当前模式建模,捕获跨不同时间所有节点的复杂时空相关性。接着,嵌入模块将K层聚合图卷积网络模块的输出进行连接。然后,回归模块将预测信息与外部模块提取的外部特征进行融合,得到最终的移动蜂窝流量预测结果,并通过优化算法更新模型参数以获取最小损失函数。
附图说明
为了更清楚地说明本实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一个实施例,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的框架示意图。
图2为无向图中各节点v1、v2、v3、v4、v5之间是否有边相连的示意图。
具体实施方式
本发明提供的一种基于时空聚合图卷积网络的蜂窝流量高效预测方法,整个模型由四个模块组成,即聚合图卷积网络模块、嵌入模块、回归模块和外部模块。首先,聚合图卷积网络将预测区域划分成多个子区域并将其作为网络中的各个节点,通过对移动蜂窝流量的每日历史模式和每小时当前模式建模,捕获跨不同时间所有节点的复杂时空相关性。接着,嵌入模块将K层聚合图卷积网络模块的输出进行连接。然后,回归模块将预测信息与外部模块提取的外部特征进行融合,得到最终的移动蜂窝流量预测结果,并通过优化算法更新模型参数以获取最小损失函数。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
首先对本发明所设计的术语解释如下:
G=(V,E)是一个无向图,其中,V是顶点,E是边。因此,用一个一维数组存放图中所有顶点数据;用一个二维数组存放顶点间关系(边或弧)的数据,这个二维数组称为邻接矩阵A。用邻接矩阵表示图,很容易确定图中任意两个顶点是否有边相连。
无向图的邻接矩阵是一个二维数组A.arcs[n][n],定义为:
A.arcs[i][j]=1,如果<vi,vj>或者(vi,vj)是ε中的边;
A.arcs[i][j]=0,如果<vi,vj>或者(vi,vj)不是ε中的边;
例如:
表示图2所示的无向图中各节点v1、v2、v3、v4、v5之间是否有边相连。
本实施例中,整个模型由四个模块组成,即聚合图卷积网络模块、嵌入模块、回归模块和外部模块。首先,聚合图卷积网络将预测区域划分成多个子区域并将其作为网络中的各个节点,通过对移动蜂窝流量的每日历史模式和每小时当前模式建模,捕获跨不同时间所有节点的复杂时空相关性。接着,嵌入模块将K层的聚合图卷积网络模块的输出跨T个时间段连接起来。然后,回归模块将预测信息与外部模块提取的外部特征进行融合,得到最终的移动蜂窝流量预测结果,并通过优化算法更新模型参数以获取最小损失函数。
移动蜂窝流量网络分布可以建模成无向图G=(ν,ε,A),其中ν是N个节点的集合,ε是节点之间边的集合,A是无向图G的邻接矩阵,A是描述节点连通性的邻接矩阵,若两个时空数据点和/>来自相邻区域,则Aij=1,否则Aij=0,其中/>表示区域i在时间t内的流量,表示区域j在时间t内的流量。考虑到节点在时间t的流量为/>则N个节点在时间t的流量表示为/>s个时间段的历史流量预测值为Xs=(Xt-s+1,Xt-s+2,...,Xt)。然后预测所有节点的未来γ个时间段的流量序列,记为/>其中/>为t时刻N个节点的预测流量。
本实施例为了保留历史蜂窝流量的时间信息,流量数据的时间序列选择将每日历史数据和每小时当前数据进行级联。其中,当前时间t与之前的α小时的流量信息表示为日历史流量数据为当前时刻t前β天的历史流量信息,表示为/>最后将/>和/>级联作为聚合图卷积网络模块的输入,表示为/>其中/>其中/>L=α+β,N表示N个节点,T表示T个连续时间段。
本实施例中设计一种聚合时空邻接矩阵用来描述T个连续时间不同节点的复杂时空依赖关系表示为:
其中,表示N个节点在时间t和t'之间的邻接矩阵。当t<t'时,/>表示移动蜂窝流量取决于前一个时间节点的流量特征;当t=t'时,/>表示每个节点在t时刻时聚合相邻空间流量特征;当t'<t时,/>表示每个节点在t时刻的流量是将前一个1到(t-1)时间段相邻节点和自身的流量特征进行聚合,其中I为节点自身的流量特征。
其中I表示为:
最后,N个节点在t时刻跨T个连续时间段的聚合移动蜂窝流量数据可表示为
特别地,令聚合图卷积网络模块第l层的输入为通过使用频谱图卷积网络,第l层时空聚合特征/>可以计算为:
其中,D是的对角矩阵,/>是l层的可学习权重参数。然后,将特征向量与时空聚合特征向量/>级联,即/>最后进行非线性激活得到第l+1层的时空表示:/>
其中,表示可学习的投影矩阵,σ(·)表示激活函数。
在嵌入模块中,将K层的聚合图卷积网络模块的输出跨T个时间段连接起来,将组合特征输入到一个嵌入模块,则嵌入模块的输出可表示为:
其中,是/>在第T个时间段的嵌入模块输入,Wa∈RTL×TL是一个可学习的权重矩阵,σ(·)表示激活函数。
考虑到节假日的流量特征不同于工作日,因此聚合了外部信息。在提取数据集(即假期、工作日和周末)中的某些外部特征后,形成特征向量Xe并输入至两层神经网络中。特别地,与表示所有流量数据类型的特征不同,Xe表示为假期和周末流量的特征。所以外部模块的输出可以表示为:
其中,和/>是第1层神经网络的可学习参数,/>和/>是第2层神经网络的可学习参数,σ(·)表示激活函数。
然后,通过将外部模块输出的与嵌入模块的输出/>相结合,得到回归模块的输入为:
然后通过一个两层神经网络得到最终的移动蜂窝预测流量:
其中,和/>是回归模块第1层神经网络的可学习参数,/>和/>是第2层神经网络的可学习参数,σ(·)表示激活函数。
最后,时空聚合图卷积网络模块利用均方误差作为损失函数,所述损失函数表示为:
其中,Y是未来γ时间段移动蜂窝流量的真实数据值,是移动蜂窝预测流量值,θ是时空聚合图卷积网络模块的可训练参数。通过获取最小损失函数,以调整上述时空聚合图卷积网络模块的可学习参数。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一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,其特征在于,包括如下步骤:
步骤1,构建聚合图卷积网络模块,并将数据的时间序列作为聚合图卷积网络模块的输入,将预测区域划分成多个子区域并将其作为聚合图卷积网络模块中的各个节点,通过对移动蜂窝流量的每日历史模式和每小时当前模式建模,捕获跨不同时间所有节点的移动蜂窝流量的复杂时空相关性;
所述聚合图卷积网络模块中,采用图卷积网络通过相邻节点之间的信息交换来学习每个节点的特征;
步骤2,通过一个嵌入模块将K层的聚合图卷积网络模块的输出进行级联,从而将T个时间段的输出连接起来;
步骤3,考虑到节假日的流量特征不同于工作日,因此提取节假日的外部特征形成特征向量,将节假日的流量特征向量输入到外部模块中以聚合外部因素,所述节假日即假期和周末;
步骤4,将外部模块的输出与嵌入模块的输出相结合,得到回归模块的输入,然后通过回归模块获得移动蜂窝预测流量;
步骤5,更新聚合图卷积网络模块中的网络参数以获取最小损失函数,得到最终的移动蜂窝流量预测结果。
2.根据权利要求1所述的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,其特征在于:数据的时间序列选择将每日历史数据和每小时当前数据进行级联;
其中,当前时间t与之前的α小时的流量信息表示为:
日历史流量数据为当前时刻t前β天的历史流量信息:
最后将和/>级联作为聚合图卷积网络的输入:
其中L=α+β,N表示N个节点,T表示T个连续时间段。
3.根据权利要求1所述的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,其特征在于:步骤1中将移动蜂窝流量网络建模成无向图G=(ν,ε,A),ν是移动蜂窝流量网络中N个节点的集合,ε是边的集合,A是描述节点连通性的邻接矩阵,若两个时空数据点和/>来自相邻区域,则Aij=1,否则Aij=0,其中/>表示区域i在时间t内的流量,/>表示区域j在时间t内的流量;
考虑到节点在时间t的流量为则N个节点在时间t的流量表示为/>s个时间段的历史流量预测值为Xs=(Xt-s+1,Xt-s+2,...,Xt),然后预测所有节点的未来γ个时间段的流量序列,记为/>其中/>为t时刻N个节点的预测流量。
4.根据权利要求2所述的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,其特征在于:设计一种聚合时空邻接矩阵来描述T个连续时间不同节点的复杂时空依赖关系,即复杂时空相关性,具体表示为:
其中,表示N个节点在时间t和t'之间的邻接矩阵;当t<t'时,/>表示移动蜂窝流量取决于前一个时间节点的流量特征;当t=t'时,/>表示每个节点在t时刻时聚合相邻空间流量特征;当t'<t时,/>表示每个节点在t时刻的流量是将前一个1到(t-1)时间段相邻节点和自身的流量特征进行聚合,其中I表示为:
最后,N个节点在t时刻跨T个连续时间段的聚合移动蜂窝流量数据可表示为
5.根据权利要求4所述的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,其特征在于:所述聚合图卷积网络模块的具体处理过程如下;
令第l层聚合图卷积网络模块的输入为通过使用图神经网络频谱,得到时空聚合特征表示为:
其中,D是的对角矩阵,/>是第l层的可学习权重参数;然后将输入特征/>与时空聚合特征/>级联,即/>最后进行非线性激活得到第l+1层的时空表示:
其中,表示可学习的投影矩阵,σ(·)表示激活函数。
6.根据权利要求5所述的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,其特征在于:嵌入模块中,将K层的聚合图卷积网络模块的输出跨T个时间段连接起来,将组合特征输入到一个嵌入模块,则嵌入模块的输出可表示为:
其中,是/>在第T个时间段的嵌入模块输入,/>是一个可学习的权重矩阵,σ(·)表示激活函数。
7.根据权利要求6所述的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,其特征在于:外部模块的输出表示为:
其中,和/>是第l层的可学习参数,l∈{1,2},σ(·)表示激活函数;输入Xe为假期和周末的流量特征向量。
8.根据权利要求7所述的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,其特征在于:通过将外部模块的输出与嵌入模块/>的输出相结合作为回归模块的输入,其表达为:
然后通过一个两层神经网络得到最终的移动蜂窝预测流量:
其中,和/>是回归模块的可学习参数,σ(·)表示激活函数。
9.根据权利要求1所述的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,其特征在于:利用均方误差作为损失函数,所述损失函数表示为:
其中,Y是移动蜂窝流量数据真实值,是移动蜂窝预测流量值,θ是时空聚合图卷积网络模块的可训练参数,所述时空聚合图卷积网络模块通过获取最小损失函数来调整可训练参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111366432.0A CN114158085B (zh) | 2021-11-18 | 2021-11-18 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111366432.0A CN114158085B (zh) | 2021-11-18 | 2021-11-18 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114158085A CN114158085A (zh) | 2022-03-08 |
CN114158085B true CN114158085B (zh) | 2023-07-21 |
Family
ID=80456876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111366432.0A Active CN114158085B (zh) | 2021-11-18 | 2021-11-18 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114158085B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115866658B (zh) * | 2023-02-06 | 2023-05-16 | 湖北工业大学 | 一种基于动态时空超图卷积网络的流量预测方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
CN112532439A (zh) * | 2020-11-24 | 2021-03-19 | 山东科技大学 | 一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110365B (zh) * | 2009-12-28 | 2013-11-06 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和系统 |
CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
CN111246552B (zh) * | 2020-01-14 | 2021-11-26 | 南京工业大学 | 一种基于移动网络流量预测的基站休眠方法 |
GB2593180A (en) * | 2020-03-17 | 2021-09-22 | Univ Court Univ Of Edinburgh | A distributed network traffic data decomposition method |
CN111918321B (zh) * | 2020-07-22 | 2022-08-05 | 湖北工业大学 | 一种基于时空注意卷积网络的移动流量预测方法 |
CN112291807B (zh) * | 2020-10-15 | 2022-09-23 | 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 |
AU2020104133A4 (en) * | 2020-12-16 | 2021-03-04 | Anjanamma, Chappidi MRS | Expected conditional clustered regressive deep multilayer precepted neural learning for iot based cellular network traffic prediction with big data |
CN112350899B (zh) * | 2021-01-07 | 2021-04-06 | 南京信息工程大学 | 一种基于图卷积网络融合多特征输入的网络流量预测方法 |
CN112911626B (zh) * | 2021-02-01 | 2022-05-31 | 福州大学 | 基于多图卷积的无线网络流量预测方法 |
CN113660676B (zh) * | 2021-07-20 | 2024-04-30 | 山东师范大学 | 基站流量预测方法、系统、存储介质及设备 |
-
2021
- 2021-11-18 CN CN202111366432.0A patent/CN114158085B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
CN112532439A (zh) * | 2020-11-24 | 2021-03-19 | 山东科技大学 | 一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法 |
Non-Patent Citations (1)
Title |
---|
面向季节性时空数据的预测式循环网络及其在城市计算中的应用;张建晋 等;《计算机学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114158085A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN112532439B (zh) | 一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法 | |
CN112328914B (zh) | 一种基于时空众包工人行为预测的任务分配方法 | |
CN111918321B (zh) | 一种基于时空注意卷积网络的移动流量预测方法 | |
Zhao et al. | Spatial-temporal aggregation graph convolution network for efficient mobile cellular traffic prediction | |
CN110910659A (zh) | 一种交通流量预测方法、装置、设备以及存储介质 | |
CN111639791A (zh) | 交通流预测方法、系统、存储介质及终端 | |
CN114007228B (zh) | 基于异构图神经网络流量预测的基站智能控制方法 | |
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 | |
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 | |
CN114205251B (zh) | 基于时空特征的交换机链路资源预测方法 | |
CN115314925A (zh) | 一种基于gnn和lstm的智能电网融合网络流量预测方法 | |
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 | |
Dai et al. | ST-InNet: Deep spatio-temporal inception networks for traffic flow prediction in smart cities | |
CN116192669B (zh) | 基于动态时空图卷积的网络流量预测方法 | |
CN117273076A (zh) | 一种基于注意力的时空多图卷积网络的电动汽车充电站负荷预测方法及系统 | |
Kirmaz et al. | Mobile network traffic forecasting using artificial neural networks | |
CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
CN115426671B (zh) | 图神经网络训练、无线小区故障预测方法、系统及设备 | |
CN111935766B (zh) | 一种基于全局空间依赖性的无线网络流量预测方法 | |
CN115277789A (zh) | 一种梯级水电站安全防护系统及方法 | |
Gao et al. | Optimal deployment of large-scale wireless sensor networks based on graph clustering and matrix factorization | |
CN114254214A (zh) | 一种基于时空层次化网络的交通预测方法及系统 | |
Zhu et al. | Prediction of cellular network channel utilization based on graph convolutional networks | |
Diao et al. | Research on the application of time and space prediction method in traffic flow 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 |