CN114338416B - 一种时空多指标预测方法、装置和存储介质 - Google Patents
一种时空多指标预测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN114338416B CN114338416B CN202011052281.7A CN202011052281A CN114338416B CN 114338416 B CN114338416 B CN 114338416B CN 202011052281 A CN202011052281 A CN 202011052281A CN 114338416 B CN114338416 B CN 114338416B
- Authority
- CN
- China
- Prior art keywords
- index
- space
- time
- target
- graph structure
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种时空多指标预测方法、装置和存储介质,所述方法包括:确定待测的至少一个第一指标;根据所述至少一个第一指标,获取第一数据集;所述第一数据集包括:第一时间段内至少一个第一目标的时空序列数据;所述至少一个第一目标中每个第一目标的时空序列数据,包括:至少一个第一指标对应的数值;所述第一目标为小区或基站;按照预设的处理策略处理所述第一数据集,得到第一图结构;所述第一图结构至少用于表征所述至少一个第一目标对应的距离关系和至少一个第一指标对应的指标相关性;运用预设的时空预测模型处理所述第一图结构,得到预测结果;所述预测结果包括:针对所述至少一个第一指标中每个第一指标的预测值。
Description
技术领域
本发明涉及无线通信领域,尤其涉及一种时空多指标预测方法、装置和存储介质。
背景技术
随着网络建设的不断发展,网络维护难度不断攀高,网络质量下降、用户感知变差等问题日益凸显。及时预防网络性能下降、给出网络调整和优化建议,进而提升用户感知,成为重要课题。为了实现对网络性能下降的及时预防,需要预先对网络性能进行预测。
相关技术中提供的方法大多针对单指标预测、也未考虑无线小区间动态复杂的非线性关系,因此,其预测效果较差。
发明内容
有鉴于此,本发明的主要目的在于提供一种时空多指标预测方法、装置和存储介质。
为达到上述目的,本发明的技术方案是这样实现的:
本发明实施例提供了一种时空多指标预测方法,所述方法包括:
确定待测的至少一个第一指标;
根据所述至少一个第一指标,获取第一数据集;所述第一数据集包括:第一时间段内至少一个第一目标的时空序列数据;所述至少一个第一目标中每个第一目标的时空序列数据,包括:至少一个第一指标对应的数值;所述第一目标为小区或基站;
按照预设的处理策略处理所述第一数据集,得到第一图结构;所述第一图结构至少用于表征所述至少一个第一目标对应的距离关系和至少一个第一指标对应的指标相关性;
运用预设的时空预测模型处理所述第一图结构,得到预测结果;所述预测结果包括:针对所述至少一个第一指标中每个第一指标的预测值。
上述方案中,所述方法还包括:生成所述预设的时空预测模型;所述生成所述预设的时空预测模型,包括:
确定待训练的至少一个第二指标;
根据所述至少一个第二指标,从历史时空数据中获取至少一组训练样本;每组所述训练样本,包括:第二数据集和标签;所述第二数据集包括:第二时间段内至少一个第二目标的时空序列数据;所述至少一个第二目标中每个第二目标的时空序列数据,包括:至少一个第二指标对应的数值;所述标签包括:所述至少一个第二指标对应的结果值;
按照预设的处理策略处理每组所述训练样本中的第二数据集,得到每组所述训练样本对应的第二图结构;
运用每组所述训练样本对应的第二图结构,训练预设的模型,得到训练后的模型作为所述时空预测模型;
所述预设的模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值。
上述方案中,相应目标的数量为至少两个;所述预设的处理策略,包括:
基于至少两个目标中任意两个目标的距离,构建邻接矩阵;
基于每个所述目标的时空序列数据,构建目标相关性矩阵;所述目标相关性矩阵,包括:至少两个指标中每个所述指标对应的相关性矩阵;
根据所述邻接矩阵和所述相关性矩阵,构建加权邻接矩阵;
根据所述加权邻接矩阵构建图结构。
上述方案中,所述时空预测模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值;
所述运用预设的时空预测模型处理所述第一图结构,得到预测结果,包括:
确定第一指标间的权重系数矩阵;
针对每个第一指标,运用相应时空特征提取模块,结合所述第一指标间的权重系数矩阵,提取所述第一图结构的空间特征;基于所述空间特征对时间相关性进行建模,得到时空特征;
运用所述全连接神经网络,根据所述时空特征进行预测,得到每个第一指标的预测值。
上述方案中,确定相应指标间的权重系数矩阵,包括:
确定至少一个目标中每个目标的相应指标对应的数值;
根据每个目标的相应指标对应的数值,利用线性回归计算指标间的权重系数,得到权重系数矩阵;所述权重系数矩阵包括任意两个指标间的权重系数。
上述方案中,所述方法还包括:
基于所述至少一个第一指标和所述至少一个第一指标对应的预测值,优化所述时空预测模型,得到优化后的时空预测模型。
本发明实施例提供了一种时空多指标预测装置,所述装置包括:
第一处理模块,用于确定待测的至少一个第一指标;
第二处理模块,用于根据所述至少一个第一指标,获取第一数据集;所述第一数据集包括:第一时间段内至少一个第一目标的时空序列数据;所述至少一个第一目标中每个第一目标的时空序列数据,包括:至少一个第一指标对应的数值;所述第一目标为小区或基站;
第三处理模块,用于按照预设的处理策略处理所述第一数据集,得到第一图结构;所述第一图结构至少用于表征所述至少一个第一目标对应的距离关系和至少一个第一指标对应的指标相关性;
第四处理模块,用于运用预设的时空预测模型处理所述第一图结构,得到预测结果;所述预测结果包括:针对所述至少一个第一指标中每个第一指标的预测值。
上述方案中,所述装置还包括:预处理模块,用于生成所述预设的时空预测模型;
所述预处理模块,具体用于确定待训练的至少一个第二指标;
根据所述至少一个第二指标,从历史时空数据中获取至少一组训练样本;每组所述训练样本,包括:第二数据集和标签;所述第二数据集包括:第二时间段内至少一个第二目标的时空序列数据;所述至少一个第二目标中每个第二目标的时空序列数据,包括:至少一个第二指标对应的数值;所述标签包括:所述至少一个第二指标对应的结果值;
按照预设的处理策略处理每组所述训练样本中的第二数据集,得到每组所述训练样本对应的第二图结构;
运用每组所述训练样本对应的第二图结构,训练预设的模型,得到训练后的模型作为所述时空预测模型;
所述预设的模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值。
上述方案中,相应目标的数量为至少两个;所述预设的处理策略,包括:
基于至少两个目标中任意两个目标的距离,构建邻接矩阵;
基于每个所述目标的时空序列数据,构建目标相关性矩阵;所述目标相关性矩阵,包括:至少两个指标中每个所述指标对应的相关性矩阵;
根据所述邻接矩阵和所述相关性矩阵,构建加权邻接矩阵;
根据所述加权邻接矩阵构建图结构。
上述方案中,所述时空预测模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值;
所述第四处理模块,用于确定第一指标间的权重系数矩阵;
针对每个第一指标,运用相应时空特征提取模块,结合所述第一指标间的权重系数矩阵,提取所述第一图结构的空间特征;基于所述空间特征对时间相关性进行建模,得到时空特征;
运用所述全连接神经网络,根据所述时空特征进行预测,得到每个第一指标的预测值。
上述方案中,所述第四处理模块,用于确定至少一个目标中每个目标的相应指标对应的数值;
根据每个目标的相应指标对应的数值,利用线性回归计算指标间的权重系数,得到权重系数矩阵;所述权重系数矩阵包括任意两个指标间的权重系数。
上述方案中,所述装置还包括:预处理模块,用于基于所述至少一个第一指标和所述至少一个第一指标对应的预测值,优化所述时空预测模型,得到优化后的时空预测模型。
本发明实施例提供了一种时空多指标预测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上任一项所述时空多指标预测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以上任一项所述时空多指标预测方法的步骤。
本发明实施例所提供的一种时空多指标预测方法、装置和存储介质,所述方法包括:确定待测的至少一个第一指标;根据所述至少一个第一指标,获取第一数据集;所述第一数据集包括:第一时间段内至少一个第一目标的时空序列数据;所述至少一个第一目标中每个第一目标的时空序列数据,包括:至少一个第一指标对应的数值;所述第一目标为小区或基站;按照预设的处理策略处理所述第一数据集,得到第一图结构;所述第一图结构至少用于表征所述至少一个第一目标对应的距离关系和至少一个第一指标对应的指标相关性;运用预设的时空预测模型处理所述第一图结构,得到预测结果;所述预测结果包括:针对所述至少一个第一指标中每个第一指标的预测值;如此,实现对多实例(小区或基站)的多指标进行同时预测,预测效率更高,准确率更高,泛化性强。
附图说明
图1为本发明实施例提供的一种时空多指标预测方法的流程示意图;
图2为本发明实施例提供的另一种时空多指标预测方法的流程示意图;
图3为本发明实施例提供的一种时空多指标预测装置的结构示意图;
图4为本发明实施例提供的另一种时空多指标预测装置的结构示意图。
具体实施方式
以下结合实施例对本发明再作进一步详细的说明。
需要说明的是:在本发明实例中,“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
另外,本发明实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
在本发明实施例中,多个的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
如前所述,考虑到由于地理位置、天气、人流量等原因,小区、基站之间的差异性比较大,难以对所有小区或基站的多指标数据进行统一建模。相关技术中提供的一种预测方法是基于传统机器学习方法(如线性回归、时间序列模型)对每个实例(如小区、基站)的单指标进行单独建模。上述方法在少量小区(或基站)的情况下效果较好,但是该方法仅针对单指标预测,无法引入其他指标的影响因素,同时未考虑无线小区间动态复杂的非线性关系,导致准确率受限,并且难以实现上万数量级别的小区(或基站)的建模工作。
相关技术中还提供另一种预测方法,考虑到实例(小区或基站)间存在空间相关性,利用卷积来提取空间特征,如卷积长短期记忆单元(ConvLSTM,Convolutional LongShort-Term Memory)、卷积门控循环单元(ConvGRU,Convolutional Gated RecurrentUnit)等。但是上述方法只是将基站进行简单的网格划分,未考虑到基站实际的相关性,即与每个基站相关的基站数量不一定相同、位置不一定相邻,若按网格划分,可能遗漏相关基站或多加入无关的基站,容易导致准确率低,并且大多是单指标预测。
综上,当前的预测方法存在以下不足:大多针对单指标预测,无法考量其他指标的综合影响;未考虑无线小区间动态复杂的非线性关系,导致准确率受限;面对上万数量级的小区(或基站)指标预测任务,开发工作量大,调参难,时间成本和开发成本较高;鲁棒性较差。
基于此,本发明实施例提供的方法,确定待测的至少一个第一指标;根据所述至少一个第一指标,获取第一数据集;所述第一数据集包括:第一时间段内至少一个第一目标的时空序列数据;所述至少一个第一目标中每个第一目标的时空序列数据,包括:至少一个第一指标对应的数值;所述第一目标为小区或基站;按照预设的处理策略处理所述第一数据集,得到第一图结构;所述第一图结构至少用于表征所述至少一个第一目标对应的距离关系和至少一个第一指标对应的指标相关性;运用预设的时空预测模型处理所述第一图结构,得到预测结果;所述预测结果包括:针对所述至少一个第一指标中每个第一指标的预测值。
图1为本发明实施例提供的一种时空多指标预测方法的流程示意图;如图1所示,所述方法包括:
步骤101、确定待测的至少一个第一指标;
步骤102、根据所述至少一个第一指标,获取第一数据集;
其中,所述第一数据集包括:第一时间段内至少一个第一目标的时空序列数据;所述至少一个第一目标中每个第一目标的时空序列数据,包括:至少一个第一指标对应的数值;
所述第一目标为小区或基站;
步骤103、按照预设的处理策略处理所述第一数据集,得到第一图结构;
其中,所述第一图结构至少用于表征所述至少一个第一目标对应的距离关系和至少一个第一指标对应的指标相关性;
步骤104、运用预设的时空预测模型处理所述第一图结构,得到预测结果;
其中,所述预测结果包括:针对所述至少一个第一指标中每个第一指标的预测值。
步骤101中,所述至少一个第一指标基于预测需求确定,例如,可以为上下行流量、用户数量、上下行资源的占用率等。
所述方法可以应用于服务器,所述服务器提供有人机交互界面,或者所述服务器连接具有人机交互界面的终端,从而,工作人员可以通过服务器的人机交互界面或者具有人机交互界面的终端选择至少一个第一指标,从而服务器运用本发明实施例提供的时空多指标预测方法进行预测。
在一些实施例中,所述方法还包括:生成所述预设的时空预测模型;
所述生成所述预设的时空预测模型,包括:
确定待训练的至少一个第二指标;
根据所述至少一个第二指标,从历史时空数据中获取至少一组训练样本;每组所述训练样本,包括:第二数据集和标签;所述第二数据集包括:第二时间段内至少一个第二目标的时空序列数据;所述至少一个第二目标中每个第二目标的时空序列数据,包括:至少一个第二指标对应的数值;所述标签包括:所述至少一个第二指标对应的结果值;
按照预设的处理策略处理每组所述训练样本中的第二数据集,得到每组所述训练样本对应的第二图结构;
运用每组所述训练样本对应的第二图结构,训练预设的模型,得到训练后的模型作为所述时空预测模型。
这里,所述历史时空数据可以预先获取,所述历史时空数据可以基于涉及到的多个目标(小区或基站)的历史数据得到。
所述预设的模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值。
具体地,每个所述特征提取模块,包括:图神经网络(GCN,Graph ConvolutionalNetwork)和一个门控循环单元(GRU,Gated Recurrent Unit);
所述图神经网络,包括:两层图卷积层;所述两层图卷积层,用于提取相应图结构的空间特征;
所述GRU,用于基于空间特征进行时间相关性建模,得到时空特征;
所述全连接神经网络,用于基于时空特征得到指标的结果值。
所述第二目标为小区或基站。
具体地,相应数据集,可记做X={X1,X2,…,XN},X∈RN×T×C为三维时空矩阵,其中,N表示目标(小区或基站)数量,T表示时长(针对第一数据集,T即为第一时间段;针对第二数据集,T即为第二时间段);C表示指标的数量;Xn∈RT×C(n为1至N中的任意数)表示第n个小区或基站的多指标时间序列。
所述相应数据集,可以为上述第一数据集、上述第二数据集。
在一些实施例中,相应目标的数量为至少两个;所述预设的处理策略,包括:
基于至少两个目标中任意两个目标的距离,构建邻接矩阵;
基于每个所述目标的时空序列数据,构建目标相关性矩阵;所述目标相关性矩阵,包括:至少两个指标中每个所述指标对应的相关性矩阵;
根据所述邻接矩阵和所述相关性矩阵,构建加权邻接矩阵;
根据所述加权邻接矩阵构建图结构。
所述相应指标可以为第一指标、第二指标。
即可以运用上述预设的处理策略,针对第一指标,得到步骤103中的第一图结构;
也可以运用上述预设的处理策略,在训练得到预设的时空预测模型的阶段,针对第二指标,得到每组所述训练样本对应的第二图结构。
具体来说,所述预设的处理策略,包括:
步骤1、计算各目标(所述目标指小区或基站,以下说明中不再赘述)之间的距离d,基于各目标之间的距离d构建初始的邻接矩阵A′∈RN×N;
具体按下式(1)计算:
其中,dij表示目标i与目标j之间的距离;a′ij表示目标i与目标j之间的相邻关系。
步骤2、计算各指标对应的目标相关性矩阵;
步骤2包括:计算各目标的指标的Pearson相关系数,得到每个指标对应的相关性矩阵;
基于每个指标对应的相关性矩阵,确定目标相关性矩阵。
所述目标相关性矩阵记做S={S1,S2,...,SC}∈RN×N×C;其中,C表示指标数量;
第r个指标对应的目标相关性矩阵按下式(2)计算:
上式(2)中,sij表示目标i的第r个指标和目标j的第r个指标的相关性;
这里,Pearson相关系数用于衡量变量之间(即指标之间)线性相关的程度。
步骤3、根据上述邻接矩阵与各指标对应的目标相关性矩阵构建加权邻接矩阵;具体按下式(3)计算:
步骤4、构建图结构G=(V,E,A),其中,V表示节点,E表示边,A表示加权邻接矩阵。
可以运用上述预设的处理策略处理上述至少一个第一指标,得到第一图结构;
可以运用上述预设的处理策略处理上述至少一个第二指标,得到第二图结构。
在一些实施例中,所述时空预测模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值;
所述运用预设的时空预测模型处理所述第一图结构,得到预测结果,包括:
确定第一指标间的权重系数矩阵;
针对每个第一指标,运用相应时空特征提取模块,结合所述第一指标间的权重系数矩阵,提取所述第一图结构的空间特征;基于所述空间特征对时间相关性进行建模,得到时空特征;
运用所述全连接神经网络,根据所述时空特征进行预测,得到每个第一指标的预测值。
其中,确定相应指标间的所述权重系数矩阵,包括:
确定至少一个目标中每个目标的相应指标对应的数值;
根据每个目标的相应指标对应的数值,利用线性回归计算指标间的权重系数,得到权重系数矩阵;所述权重系数矩阵包括任意两个指标间的权重系数。
例如,相应于确定第一指标间的权重系数矩阵的情况,确定每个第一目标的每个第一指标对应的数值,根据每个第一目标的第一指标对应的数值确定权重系数矩阵。
这里,所述权重系数矩阵,记做K∈RC×C。
针对每个指标来说,运用一个时空特征提取模块,可以得到时空特征。
具体来说,所述时空特征提取模块包含两个图卷积层,计算公式为:
其中,L(1)表示第一层图卷积层的结果,L(2)表示第二层图卷积层的结果;f1与f2分别表示每个图卷积层的激活函数,由开发人员预先设定;W1与W2分别表示每个图卷积层的可学习参数,在时空预测模型的训练过程中,初始时可以由开发人员预设,模型训练结束后得到W1和W2最终的结果;A[·]表示时空特征提取模块所针对的指标对应的加权邻接矩阵(A[·]是由A按指标维度进行切片,为N*N*1维的矩阵);X表示时空序列数据;K[·]表示所针对的指标相关的权重系数矩阵;表示点积。
这里,采用图卷积结构提取节点间的空间特征,与传统卷积的感觉野固定大小不同的是,该结构可以根据加权邻接矩阵自适应地选择感觉野大小,因此,可以有效、全面地获取相关节点的影响因子。
得到空间特征后,采用GRU对时间相关性进行建模,计算公式为:
zt=σ(Wz·[ht-1,xt])
rt=σ(Wr·[ht-1,xt])
ot=σ(Wr·ht-1) (5)
其中,x表示通过两层图卷积层(GCN)后的输出向量;t表示时间点;zt表示更新门,用于控制前一时刻的状态信息被带入到当前状态的程度;rt表示重置门,用于控制前一状态有多少信息被写入到当前的候选集上;表示输出门,即为提取的时空特征,dim表示隐含层的维度。
其中,Wx为权重矩阵,初始化时由开发人员赋值,可以基于模型训练得到最终的结果;b为偏置值,初始化时由开发人员赋值,可以基于模型训练得到最终的结果;Reshape表示将指定的矩阵变换成特定维数矩阵一种函数,且矩阵中元素个数不变,函数可以重新调整矩阵的行数、列数、维数。
需要说明的是,在模型训练过程中,通过将C(待测指标的数量)个时空特征提取模块并行计算,得到C个指标的预测值,采用损失函数(均方误差(MSE,mean-square error),计算公式如下式(7)),通过对预设模型进行多轮训练至loss收敛,得到时空预测模型。模型训练过程中,可以基于历史时空数据进行训练,也就是说,针对某一时间点需要预测的指标,所述历史时空数据中包括有所要预测的时间点的结果,即指标的真实值,所述真实值即为相应的训练标签。
在一些实施例中,所述方法还包括:
基于所述至少一个第一指标和所述至少一个第一指标对应的预测值,优化所述时空预测模型,得到优化后的时空预测模型。
图2为本发明实施例提供的一种时空预测模型的训练方法的示意图;如图2所述,所述方法包括:
步骤201、获取时空序列数据X={X1,X2,...,XN}。
其中,X∈RN×T×C为三维时空矩阵,N表示目标(小区或基站)数量,T表示时长,C表示指标数量;Xn∈RT×C(n为1至N中的任意数)表示第n个目标(小区或基站)的多指标时间序列。
在模型训练过程中,所述时空序列数据可以基于历史时空数据得到。所述历史时空数据包括:针对某一时间点需要预测的指标和所要预测的时间点的结果,即指标的真实值,所述真实值作为相应的训练标签。
步骤202、构建加权邻接矩阵A={A1,A2,...,AC}∈RN×N×C,基于加权邻接矩阵构建图结构G=(V,E,A)。
步骤202中,构建加权邻接矩阵,包括:
步骤2021、计算各目标(小区或基站)之间的距离d,构建初始邻接矩阵A′∈RN×N,计算公式为:
步骤2022、计算各目标的指标的Pearson相关系数,得到每个指标对应的目标相关性矩阵S={S1,S2,...,SC}∈RN×N×C(C表示指标数量),第r个指标对应的相关性矩阵计算公式为:
上式(2)中,sij表示目标i的第r个指标和目标j的第r个指标的相关性;
这里,Pearson相关系数用于衡量变量之间(即指标之间)线性相关的程度。
步骤2023、综合距离与指标相关性构建加权邻接矩阵,计算公式为:
构建的图结构为G=(V,E,A),其中,V表示节点,E表示边,A表示加权邻接矩阵。
步骤203、提取各指标间的相关性。
这里,利用线性回归计算指标间的权重系数,得到权重系数矩阵K∈RC×C。
步骤204、构建时空特征提取模块。
具体地,每个时空特征提取模块,包括:图卷积结构、GRU;
图卷积结构用于提取空间特征。这里,采用图卷积结构提取节点间的空间特征,与传统卷积的感觉野固定大小不同的是,该结构可以根据加权邻接矩阵自适应地选择感觉野大小,因此,可以有效、全面地获取相关节点的影响因子。
其中,所述图卷积结构包含两个图卷积层,计算公式为:
其中,L(1)表示第一层图卷积层的结果,L(2)表示第二层图卷积层的结果;f1与f2分别表示每个图卷积层的激活函数,由开发人员预先设定;W1与W2分别表示每个图卷积层的可学习参数,在时空预测模型的训练过程中,初始时可以由开发人员预设,模型训练结束后得到W1和W2最终的结果;A[·]表示时空特征提取模块所针对的指标对应的对应的加权邻接矩阵(A[·]是由A按指标维度进行切片,为N*N*1维的矩阵);X表示时空序列数据;K[·]表示所针对的指标对应的权重系数矩阵;表示点积。
GRU用于提取时间特征。这里,采用GRU对时间相关性进行建模,计算公式为:
zt=σ(Wz·[ht-1,xt])
rt=σ(Wr·[ht-1,xt])
ot=σ(Wr·ht-1) (5)
其中,x表示通过两层图神经网络GCN后的输出向量;zt表示更新门,用于控制前一时刻的状态信息被带入到当前状态的程度;rt表示重置门,用于控制前一状态有多少信息被写入到当前的候选集上;表示输出门,即为提取的时空特征,dim表示隐含层的维度。
步骤205、提取时空特征后,基于时空特征进行预测。
步骤206、将多个时空特征提取模块并行计算,得到多个指标的预测值,通过损失函数对模型进行多轮训练至loss收敛,得到时空预测模型。
所述损失函数为MSE,具体如下式(7):
训练得到时空预测模型后,通过将历史时空数据输入到所述时空预测模型中,可以得到未来多步预测结果。
本发明实施例提供的方法,通过对多个目标(小区或基站)、多指标进行统一建模,以小区或基站的多指标作为图的节点特征作为输入,通过时空特征提取模块(上述第一特征提取模块、第二特征提取模块)自适应提取指标之间影响因子、小区或基站之间的时间、空间相关性特征,可以实现同时对多小区或基站、多指标的预测任务,且鲁棒性较强,复杂度低,方便调参,节省时间成本。
以下提供一种应用场景和实施例,以对上述时空多指标预测方法进一步说明。
假设有很多时空预测类任务,如无线小区或基站的业务量、资源占用率、用户数等,或者,交通流量、车速、需求量等,本发明实施例提供的方法适用于上述场景中。
以200个无线小区的业务量、资源占用率、用户数的预测任务为例,时空多指标预测方法,包括:
步骤001、获取200个小区的时空序列数据;
所述200个小区的时空序列数据记做X={X1,X2,...,X200},X∈R200×T×3为三维时空矩阵,其中,T表示历史时长;Xn∈RT×2表示第n个小区的多指标时间序列。
步骤002、构建加权邻接矩阵A,基于加权邻接矩阵构建图结构;
所述步骤302包括:
1)计算各小区间的距离,根据公式(1)获得初始邻接矩阵A′∈R200×200。
2)计算各小区各指标间的相关系数,得到相关性矩阵S∈R200×200×3。
3)将初始邻接矩阵A′与相关性矩阵S进行点积,得到加权邻接矩阵A。
4)、根据加权邻接矩阵A来构建图结构G=(V,E,A);该图共200个节点,A中不为0的值对应的两个节点存在连接边,0值对应的两个节点无连接边。
步骤003、利用线性回归计算各指标的权重,得到权重系数矩阵K∈R3×3。
步骤004、运用时空预测模型中构建的3个时空特征提取模块进行并行运算。
每个时空特征提取模块的计算流程如下:
1)利用两层图卷积提取空间信息,每一层根据A自适应聚合互相影响的节点信息,第一层的输出作为第二层的输入,根据以上公式4提取空间特征;
所述方法还可以包括:
步骤006、结合Adam algorithm(Adam算法,一种优化算法)与损失函数对模型进行训练,得到最终的时空预测模型。
图3为本发明实施例提供的一种时空多指标预测装置的结构示意图;如图3所示,所述装置包括:
第一处理模块,用于确定待测的至少一个第一指标;
第二处理模块,用于根据所述至少一个第一指标,获取第一数据集;所述第一数据集包括:第一时间段内至少一个第一目标的时空序列数据;所述至少一个第一目标中每个第一目标的时空序列数据,包括:至少一个第一指标对应的数值;所述第一目标为小区或基站;
第三处理模块,用于按照预设的处理策略处理所述第一数据集,得到第一图结构;所述第一图结构至少用于表征所述至少一个第一目标对应的距离关系和至少一个第一指标对应的指标相关性;
第四处理模块,用于运用预设的时空预测模型处理所述第一图结构,得到预测结果;所述预测结果包括:针对所述至少一个第一指标中每个第一指标的预测值。
具体地,所述装置还包括:预处理模块,用于生成所述预设的时空预测模型;
所述预处理模块,具体用于确定待训练的至少一个第二指标;
根据所述至少一个第二指标,从历史时空数据中获取至少一组训练样本;每组所述训练样本,包括:第二数据集和标签;所述第二数据集包括:第二时间段内至少一个第二目标的时空序列数据;所述至少一个第二目标中每个第二目标的时空序列数据,包括:至少一个第二指标对应的数值;所述标签包括:所述至少一个第二指标对应的结果值;
按照预设的处理策略处理每组所述训练样本中的第二数据集,得到每组所述训练样本对应的第二图结构;
运用每组所述训练样本对应的第二图结构,训练预设的模型,得到训练后的模型作为所述时空预测模型;
所述预设的模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值。
具体地,相应目标的数量为至少两个;所述预设的处理策略,包括:
基于至少两个目标中任意两个目标的距离,构建邻接矩阵;
基于每个所述目标的时空序列数据,构建目标相关性矩阵;所述目标相关性矩阵,包括:至少两个指标中每个所述指标对应的相关性矩阵;
根据所述邻接矩阵和所述相关性矩阵,构建加权邻接矩阵;
根据所述加权邻接矩阵构建图结构。
具体地,所述时空预测模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值;
所述第四处理模块,用于确定第一指标间的权重系数矩阵;
针对每个第一指标,运用相应时空特征提取模块,结合所述第一指标间的权重系数矩阵,提取所述第一图结构的空间特征;基于所述空间特征对时间相关性进行建模,得到时空特征;
运用所述全连接神经网络,根据所述时空特征进行预测,得到每个第一指标的预测值。
具体地,所述第四处理模块,用于确定至少一个目标中每个目标的相应指标对应的数值;
根据每个目标的相应指标对应的数值,利用线性回归计算指标间的权重系数,得到权重系数矩阵;所述权重系数矩阵包括任意两个指标间的权重系数。
具体地,所述装置还包括:预处理模块,用于基于所述至少一个第一指标和所述至少一个第一指标对应的预测值,优化所述时空预测模型,得到优化后的时空预测模型。
需要说明的是:上述实施例提供的时空多指标预测装置在实现相应时空多指标预测方法时,仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述处理分配由不同的程序模块完成,即将服务器或终端的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分处理。另外,上述实施例提供的装置与相应方法的实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图4为本发明实施例提供的一种时空多指标预测装置的结构示意图;如图4所示,所述装置40包括:处理器401和用于存储能够在所述处理器上运行的计算机程序的存储器402;所述处理器401用于运行所述计算机程序时,执行:确定待测的至少一个第一指标;根据所述至少一个第一指标,获取第一数据集;所述第一数据集包括:第一时间段内至少一个第一目标的时空序列数据;所述至少一个第一目标中每个第一目标的时空序列数据,包括:至少一个第一指标对应的数值;所述第一目标为小区或基站;按照预设的处理策略处理所述第一数据集,得到第一图结构;所述第一图结构至少用于表征所述至少一个第一目标对应的距离关系和至少一个第一指标对应的指标相关性;运用预设的时空预测模型处理所述第一图结构,得到预测结果;所述预测结果包括:针对所述至少一个第一指标中每个第一指标的预测值。
在一实施例中,所述处理器401还用于运行所述计算机程序时,执行:确定待训练的至少一个第二指标;根据所述至少一个第二指标,从历史时空数据中获取至少一组训练样本;每组所述训练样本,包括:第二数据集和标签;所述第二数据集包括:第二时间段内至少一个第二目标的时空序列数据;所述至少一个第二目标中每个第二目标的时空序列数据,包括:至少一个第二指标对应的数值;所述标签包括:所述至少一个第二指标对应的结果值;按照预设的处理策略处理每组所述训练样本中的第二数据集,得到每组所述训练样本对应的第二图结构;运用每组所述训练样本对应的第二图结构,训练预设的模型,得到训练后的模型作为所述时空预测模型;所述预设的模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值。
在一实施例中,所述处理器401还用于运行所述计算机程序时,执行:基于至少两个目标中任意两个目标的距离,构建邻接矩阵;基于每个所述目标的时空序列数据,构建目标相关性矩阵;所述目标相关性矩阵,包括:至少两个指标中每个所述指标对应的相关性矩阵;根据所述邻接矩阵和所述相关性矩阵,构建加权邻接矩阵;根据所述加权邻接矩阵构建图结构。
在一实施例中,所述处理器401还用于运行所述计算机程序时,执行:确定第一指标间的权重系数矩阵;针对每个第一指标,运用相应时空特征提取模块,结合所述第一指标间的权重系数矩阵,提取所述第一图结构的空间特征;基于所述空间特征对时间相关性进行建模,得到时空特征;运用所述全连接神经网络,根据所述时空特征进行预测,得到每个第一指标的预测值。
在一实施例中,所述处理器401还用于运行所述计算机程序时,执行:确定至少一个目标中每个目标的相应指标对应的数值;根据每个目标的相应指标对应的数值,利用线性回归计算指标间的权重系数,得到权重系数矩阵;所述权重系数矩阵包括任意两个指标间的权重系数。
在一实施例中,所述处理器401还用于运行所述计算机程序时,执行:基于所述至少一个第一指标和所述至少一个第一指标对应的预测值,优化所述时空预测模型,得到优化后的时空预测模型。
实际应用时,所述装置40还可以包括:至少一个网络接口403。所述装置40中的各个组件通过总线系统404耦合在一起。可理解,总线系统404用于实现这些组件之间的连接通信。总线系统404除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图4中将各种总线都标为总线系统404。其中,所述处理器401的个数可以为至少一个。网络接口403用于装置40与其他设备之间有线或无线方式的通信。
本发明实施例中的存储器402用于存储各种类型的数据以支持装置40的操作。
上述本发明实施例揭示的方法可以应用于处理器401中,或者由处理器401实现。处理器401可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、数字信号处理器(DSP,DiGital Signal Processor),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。处理器401可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤,可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中,该存储介质位于存储器402,处理器401读取存储器402中的信息,结合其硬件完成前述方法的步骤。
在示例性实施例中,装置40可以被一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU,Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现,用于执行前述方法。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序;所述计算机程序被处理器运行时,执行:确定待测的至少一个第一指标;根据所述至少一个第一指标,获取第一数据集;所述第一数据集包括:第一时间段内至少一个第一目标的时空序列数据;所述至少一个第一目标中每个第一目标的时空序列数据,包括:至少一个第一指标对应的数值;所述第一目标为小区或基站;按照预设的处理策略处理所述第一数据集,得到第一图结构;所述第一图结构至少用于表征所述至少一个第一目标对应的距离关系和至少一个第一指标对应的指标相关性;运用预设的时空预测模型处理所述第一图结构,得到预测结果;所述预测结果包括:针对所述至少一个第一指标中每个第一指标的预测值。
在一实施例中,所述计算机程序被处理器运行时,执行:确定待训练的至少一个第二指标;根据所述至少一个第二指标,从历史时空数据中获取至少一组训练样本;每组所述训练样本,包括:第二数据集和标签;所述第二数据集包括:第二时间段内至少一个第二目标的时空序列数据;所述至少一个第二目标中每个第二目标的时空序列数据,包括:至少一个第二指标对应的数值;所述标签包括:所述至少一个第二指标对应的结果值;按照预设的处理策略处理每组所述训练样本中的第二数据集,得到每组所述训练样本对应的第二图结构;运用每组所述训练样本对应的第二图结构,训练预设的模型,得到训练后的模型作为所述时空预测模型;所述预设的模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值。
在一实施例中,所述计算机程序被处理器运行时,执行:基于至少两个目标中任意两个目标的距离,构建邻接矩阵;基于每个所述目标的时空序列数据,构建目标相关性矩阵;所述目标相关性矩阵,包括:至少两个指标中每个所述指标对应的相关性矩阵;根据所述邻接矩阵和所述相关性矩阵,构建加权邻接矩阵;根据所述加权邻接矩阵构建图结构。
在一实施例中,所述计算机程序被处理器运行时,执行:确定第一指标间的权重系数矩阵;针对每个第一指标,运用相应时空特征提取模块,结合所述第一指标间的权重系数矩阵,提取所述第一图结构的空间特征;基于所述空间特征对时间相关性进行建模,得到时空特征;运用所述全连接神经网络,根据所述时空特征进行预测,得到每个第一指标的预测值。
在一实施例中,所述计算机程序被处理器运行时,执行:确定至少一个目标中每个目标的相应指标对应的数值;根据每个目标的相应指标对应的数值,利用线性回归计算指标间的权重系数,得到权重系数矩阵;所述权重系数矩阵包括任意两个指标间的权重系数。
在一实施例中,所述计算机程序被处理器运行时,执行:基于所述至少一个第一指标和所述至少一个第一指标对应的预测值,优化所述时空预测模型,得到优化后的时空预测模型。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的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,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是:在本发明实例中,“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种时空多指标预测方法,其特征在于,所述方法包括:
确定待测的至少一个第一指标;
根据所述至少一个第一指标,获取第一数据集;所述第一数据集包括:第一时间段内至少一个第一目标的时空序列数据;所述至少一个第一目标中每个第一目标的时空序列数据,包括:至少一个第一指标对应的数值;所述第一目标为小区或基站;
按照预设的处理策略处理所述第一数据集,得到第一图结构;所述第一图结构至少用于表征所述至少一个第一目标对应的距离关系和至少一个第一指标对应的指标相关性;
运用预设的时空预测模型处理所述第一图结构,得到预测结果;所述预测结果包括:针对所述至少一个第一指标中每个第一指标的预测值;
其中,所述方法还包括:生成所述预设的时空预测模型;所述生成所述预设的时空预测模型,包括:
确定待训练的至少一个第二指标;
根据所述至少一个第二指标,从历史时空数据中获取至少一组训练样本;每组所述训练样本,包括:第二数据集和标签;所述第二数据集包括:第二时间段内至少一个第二目标的时空序列数据;所述至少一个第二目标中每个第二目标的时空序列数据,包括:至少一个第二指标对应的数值;所述标签包括:所述至少一个第二指标对应的结果值;
按照预设的处理策略处理每组所述训练样本中的第二数据集,得到每组所述训练样本对应的第二图结构;
运用每组所述训练样本对应的第二图结构,训练预设的模型,得到训练后的模型作为所述时空预测模型;
所述预设的模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值。
2.根据权利要求1所述的方法,其特征在于,相应目标的数量为至少两个;所述预设的处理策略,包括:
基于至少两个目标中任意两个目标的距离,构建邻接矩阵;
基于每个所述目标的时空序列数据,构建目标相关性矩阵;所述目标相关性矩阵,包括:至少两个指标中每个所述指标对应的相关性矩阵;
根据所述邻接矩阵和所述相关性矩阵,构建加权邻接矩阵;
根据所述加权邻接矩阵构建图结构。
3.根据权利要求1所述的方法,其特征在于,所述时空预测模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值;
所述运用预设的时空预测模型处理所述第一图结构,得到预测结果,包括:
确定第一指标间的权重系数矩阵;
针对每个第一指标,运用相应时空特征提取模块,结合所述第一指标间的权重系数矩阵,提取所述第一图结构的空间特征;基于所述空间特征对时间相关性进行建模,得到时空特征;
运用所述全连接神经网络,根据所述时空特征进行预测,得到每个第一指标的预测值。
4.根据权利要求3所述的方法,其特征在于,确定相应指标间的权重系数矩阵,包括:
确定至少一个目标中每个目标的相应指标对应的数值;
根据每个目标的相应指标对应的数值,利用线性回归计算指标间的权重系数,得到权重系数矩阵;所述权重系数矩阵包括任意两个指标间的权重系数。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述至少一个第一指标和所述至少一个第一指标对应的预测值,优化所述时空预测模型,得到优化后的时空预测模型。
6.一种时空多指标预测装置,其特征在于,所述装置包括:
第一处理模块,用于确定待测的至少一个第一指标;
第二处理模块,用于根据所述至少一个第一指标,获取第一数据集;所述第一数据集包括:第一时间段内至少一个第一目标的时空序列数据;所述至少一个第一目标中每个第一目标的时空序列数据,包括:至少一个第一指标对应的数值;所述第一目标为小区或基站;
第三处理模块,用于按照预设的处理策略处理所述第一数据集,得到第一图结构;所述第一图结构至少用于表征所述至少一个第一目标对应的距离关系和至少一个第一指标对应的指标相关性;
第四处理模块,用于运用预设的时空预测模型处理所述第一图结构,得到预测结果;所述预测结果包括:针对所述至少一个第一指标中每个第一指标的预测值;
其中,所述装置还包括:预处理模块,用于生成所述预设的时空预测模型;
所述预处理模块,具体用于确定待训练的至少一个第二指标;
根据所述至少一个第二指标,从历史时空数据中获取至少一组训练样本;每组所述训练样本,包括:第二数据集和标签;所述第二数据集包括:第二时间段内至少一个第二目标的时空序列数据;所述至少一个第二目标中每个第二目标的时空序列数据,包括:至少一个第二指标对应的数值;所述标签包括:所述至少一个第二指标对应的结果值;
按照预设的处理策略处理每组所述训练样本中的第二数据集,得到每组所述训练样本对应的第二图结构;
运用每组所述训练样本对应的第二图结构,训练预设的模型,得到训练后的模型作为所述时空预测模型;
所述预设的模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值。
7.根据权利要求6所述的装置,其特征在于,相应目标的数量为至少两个;所述预设的处理策略,包括:
基于至少两个目标中任意两个目标的距离,构建邻接矩阵;
基于每个所述目标的时空序列数据,构建目标相关性矩阵;所述目标相关性矩阵,包括:至少两个指标中每个所述指标对应的相关性矩阵;
根据所述邻接矩阵和所述相关性矩阵,构建加权邻接矩阵;
根据所述加权邻接矩阵构建图结构。
8.根据权利要求6所述的装置,其特征在于,所述时空预测模型,包括:至少一个时空特征提取模块、全连接神经网络;每个所述时空特征提取模块,用于根据相应图结构提取时空特征;所述全连接神经网络,用于基于所述时空特征得到指标的结果值;
所述第四处理模块,用于确定第一指标间的权重系数矩阵;
针对每个第一指标,运用相应时空特征提取模块,结合所述第一指标间的权重系数矩阵,提取所述第一图结构的空间特征;基于所述空间特征对时间相关性进行建模,得到时空特征;
运用所述全连接神经网络,根据所述时空特征进行预测,得到每个第一指标的预测值。
9.根据权利要求6所述的装置,其特征在于,所述第四处理模块,用于确定至少一个目标中每个目标的相应指标对应的数值;
根据每个目标的相应指标对应的数值,利用线性回归计算指标间的权重系数,得到权重系数矩阵;所述权重系数矩阵包括任意两个指标间的权重系数。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:预处理模块,用于基于所述至少一个第一指标和所述至少一个第一指标对应的预测值,优化所述时空预测模型,得到优化后的时空预测模型。
11.一种时空多指标预测装置,包括存储器、处理器及存储在存储器上并可在处理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权利要求1至5任一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011052281.7A CN114338416B (zh) | 2020-09-29 | 2020-09-29 | 一种时空多指标预测方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011052281.7A CN114338416B (zh) | 2020-09-29 | 2020-09-29 | 一种时空多指标预测方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114338416A CN114338416A (zh) | 2022-04-12 |
CN114338416B true CN114338416B (zh) | 2023-04-07 |
Family
ID=81010650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011052281.7A Active CN114338416B (zh) | 2020-09-29 | 2020-09-29 | 一种时空多指标预测方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114338416B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115051934A (zh) * | 2022-06-29 | 2022-09-13 | 亚信科技(中国)有限公司 | 网络性能预测方法、装置、电子设备、存储介质及产品 |
CN116489709B (zh) * | 2023-06-20 | 2023-11-17 | 中电科新型智慧城市研究院有限公司 | 节点调度策略确定方法、终端设备及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107426759A (zh) * | 2017-08-09 | 2017-12-01 | 广州杰赛科技股份有限公司 | 新增基站数据业务量的预测方法和系统 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN109831801A (zh) * | 2019-01-04 | 2019-05-31 | 东南大学 | 基于深度学习神经网络的用户行为预测的基站缓存算法 |
CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、系统、计算机设备及存储介质 |
CN109983798A (zh) * | 2016-12-08 | 2019-07-05 | 华为技术有限公司 | 蜂窝网络中的性能指标的预测 |
CN109993205A (zh) * | 2019-02-28 | 2019-07-09 | 东软集团股份有限公司 | 时间序列预测方法、装置、可读存储介质及电子设备 |
CN110278175A (zh) * | 2018-03-14 | 2019-09-24 | 阿里巴巴集团控股有限公司 | 图结构模型训练、垃圾账户识别方法、装置以及设备 |
CN110351734A (zh) * | 2019-08-12 | 2019-10-18 | 北京互联无界科技有限公司 | 基于移动终端数据实现预测小区位置的方法 |
CN110381515A (zh) * | 2019-08-12 | 2019-10-25 | 北京互联无界科技有限公司 | 基于合分模式实现小区网络流量资源指标预测的方法 |
CN110430578A (zh) * | 2019-08-12 | 2019-11-08 | 北京互联无界科技有限公司 | 基于移动终端数据实现小区方位角预测的方法 |
CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测系统、方法及模型训练方法 |
CN111200531A (zh) * | 2020-01-02 | 2020-05-26 | 国网冀北电力有限公司信息通信分公司 | 一种通信网流量预测方法、装置与电子设备 |
CN111356148A (zh) * | 2018-12-21 | 2020-06-30 | 中兴通讯股份有限公司 | 一种实现网络优化的方法及相关设备 |
CN111367961A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 基于图卷积神经网络的时序数据事件预测方法、系统及其应用 |
CN111435463A (zh) * | 2019-01-11 | 2020-07-21 | 华为技术有限公司 | 数据处理方法及相关设备、系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11487996B2 (en) * | 2019-06-03 | 2022-11-01 | Dell Products L.P. | Real-time predictive maintenance of hardware components using a stacked deep learning architecture on time-variant parameters combined with a dense neural network supplied with exogeneous static outputs |
US11159408B2 (en) * | 2019-06-25 | 2021-10-26 | Intel Corporation | Link performance prediction technologies |
-
2020
- 2020-09-29 CN CN202011052281.7A patent/CN114338416B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109983798A (zh) * | 2016-12-08 | 2019-07-05 | 华为技术有限公司 | 蜂窝网络中的性能指标的预测 |
CN107426759A (zh) * | 2017-08-09 | 2017-12-01 | 广州杰赛科技股份有限公司 | 新增基站数据业务量的预测方法和系统 |
CN110278175A (zh) * | 2018-03-14 | 2019-09-24 | 阿里巴巴集团控股有限公司 | 图结构模型训练、垃圾账户识别方法、装置以及设备 |
CN111356148A (zh) * | 2018-12-21 | 2020-06-30 | 中兴通讯股份有限公司 | 一种实现网络优化的方法及相关设备 |
CN109831801A (zh) * | 2019-01-04 | 2019-05-31 | 东南大学 | 基于深度学习神经网络的用户行为预测的基站缓存算法 |
CN111435463A (zh) * | 2019-01-11 | 2020-07-21 | 华为技术有限公司 | 数据处理方法及相关设备、系统 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN109993205A (zh) * | 2019-02-28 | 2019-07-09 | 东软集团股份有限公司 | 时间序列预测方法、装置、可读存储介质及电子设备 |
CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、系统、计算机设备及存储介质 |
CN110430578A (zh) * | 2019-08-12 | 2019-11-08 | 北京互联无界科技有限公司 | 基于移动终端数据实现小区方位角预测的方法 |
CN110381515A (zh) * | 2019-08-12 | 2019-10-25 | 北京互联无界科技有限公司 | 基于合分模式实现小区网络流量资源指标预测的方法 |
CN110351734A (zh) * | 2019-08-12 | 2019-10-18 | 北京互联无界科技有限公司 | 基于移动终端数据实现预测小区位置的方法 |
CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测系统、方法及模型训练方法 |
CN111200531A (zh) * | 2020-01-02 | 2020-05-26 | 国网冀北电力有限公司信息通信分公司 | 一种通信网流量预测方法、装置与电子设备 |
CN111367961A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 基于图卷积神经网络的时序数据事件预测方法、系统及其应用 |
Also Published As
Publication number | Publication date |
---|---|
CN114338416A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dai et al. | Deeptrend: A deep hierarchical neural network for traffic flow prediction | |
CN110264270B (zh) | 一种行为预测方法、装置、设备和存储介质 | |
CN113905391A (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
CN114338416B (zh) | 一种时空多指标预测方法、装置和存储介质 | |
CN114862010A (zh) | 一种基于时空数据的流量确定方法、装置、设备和介质 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
CN112988851B (zh) | 反事实预测模型数据处理方法、装置、设备及存储介质 | |
CN117215728B (zh) | 一种基于代理模型的仿真模拟方法、装置及电子设备 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
US20230342626A1 (en) | Model processing method and related apparatus | |
CN116706907A (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
CN115426671B (zh) | 图神经网络训练、无线小区故障预测方法、系统及设备 | |
CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
CN110766231A (zh) | 基于多头神经网络的犯罪预测方法及系统 | |
CN116739649A (zh) | 一种用户响应潜力评估方法和装置 | |
Xue et al. | Urban population density estimation based on spatio‐temporal trajectories | |
CN117744950B (zh) | 出行需求分析方法、装置、设备及存储介质 | |
CN113469415B (zh) | 一种网络流量预测方法和计算机设备 | |
CN112307227B (zh) | 一种数据分类方法 | |
CN112862165B (zh) | 一种基于3d反卷积的出行需求预测方法 | |
CN116402321B (zh) | 物品需求量确定方法及装置、电子设备和存储介质 | |
CN117540780B (zh) | 一种神经网络模型的压缩方法和相关装置 | |
CN115359654B (zh) | 流量预测系统的更新方法及装置 |
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 |