CN114826949B - 一种通信网络状况预测方法 - Google Patents

一种通信网络状况预测方法 Download PDF

Info

Publication number
CN114826949B
CN114826949B CN202210499844.XA CN202210499844A CN114826949B CN 114826949 B CN114826949 B CN 114826949B CN 202210499844 A CN202210499844 A CN 202210499844A CN 114826949 B CN114826949 B CN 114826949B
Authority
CN
China
Prior art keywords
communication network
node
data
influence
matrix
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
CN202210499844.XA
Other languages
English (en)
Other versions
CN114826949A (zh
Inventor
王强
徐琛
刘天骄
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202210499844.XA priority Critical patent/CN114826949B/zh
Publication of CN114826949A publication Critical patent/CN114826949A/zh
Application granted granted Critical
Publication of CN114826949B publication Critical patent/CN114826949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种通信网络状况预测方法，属于信息技术领域；具体包括：实时获取通信网络各节点状况，并划分为短期数据，长期数据与典型数据；将短期通信状况数据输入到预先训练的自注意力神经网络中，得到通信网络节点间影响特征，并经全连接自编码器得到通信网络节点间影响特征向量；将典型数据输入到预先训练的卷积自编码器中，得到通信网络状况观测特征向量；将两个向量连接，并聚类获得每一类节点的类别特征向量。最后，结合长期历史数据以及各节点的类别特征向量输入到图递归神经网络中，得到未来时刻通信网络状况预测值；本发明有效避免不同类型数据对模型性能的干扰，提高模型预测准确性。

Description

一种通信网络状况预测方法
技术领域
本发明属于信息技术领域，特别涉及一种通信网络状况预测方法。
背景技术
联网等多种不同标准通信需求的出现，导致通信网络运行机构更加注重每个节点的通信负载状况，以便于在通信负载增加时能及时维护通信设备，确保设备平稳可靠的提供满足各类不同需求的服务。
深度神经网络的出现使得通信网络运营人员，能够通过实时通信网络负载预测，提前预知信息流的到来，及早做出设备调整决策。
然而，由于城市功能区的差异以及基站部署位置及服务种类的差距，城市中不同区域的通信状况存在很大的区别，有效的区分通信网络节点间的差异，并在此基础上对各类通信网络节点进行针对性预测，可以极大的提升路况预测及路径规划性能，从而为人们提供更好的服务。
发明内容
本发明的目的在于提供一种通信网络状况预测方法，以提高通信网络状况预测的准确性。
一种通信网络状况预测方法，具体步骤如下：
步骤一、针对包括N个通信设备的网络场景，将每个通信设备分别作为一个节点，实时监测通信网络状况，固定时间间隔采集各节点的短期数据，长期数据与典型数据序列；
通信网络状况数据，包含通信状况、信息传输速度和平均时延等。
短期数据包含固定采样间隔采集当前时刻t及之前较少个时刻的通信状况数据序列；长期数据包含固定采样间隔采集当前时刻t及之前较多个时刻的通信状况数据序列；另外，从所有长期历史数据中筛选出一定长度的正常、稳定数据作为典型通信状况数据；
较少时刻以及较多时刻，一定长度的选取，根据实际情况人为设定。
步骤二、将短期数据序列输入到预先训练好的自注意力神经网络中，得到各节点间的动态影响特征矩阵Ar；
所述影响特征矩阵Ar为N*N矩阵，如下：
Figure BDA0003626467290000021
其中元素Aij代表网络中第i个节点对第j个节点的影响指数。
步骤三、采集每个节点真实的典型通信网络数据，输入到预先训练好的卷积自编码器中，得到观测特征向量So；
所述观测特征向量So是各节点通信网络状况的低维向量表示；
第i个节点的观测特征向量中第l维数据
Figure BDA0003626467290000022
的计算公式为：
Figure BDA0003626467290000023
C()为可训练的卷积核，cm为卷积核大小，Xi(l-j)为第i个节点数据序列中的第l-j个元素；
步骤四、将影响特征矩阵Ar的每一行，分别输入到预先训练好的全连接自编码器中，得到通信网络节点间影响特征向量Ss；
影响特征向量Ss中第i个向量值Ss,i对应影响特征矩阵Ar的第i行；是各通信网络节点间影响指数的低维向量表示；
第i个节点的影响特征向量Ss,i计算公式为：
Ss,i＝Ar,iW
Ar,i为影响特征矩阵Ar的第i行，代表其他节点对第i个节点的影响关系，W为可训练参数矩阵，维度为N*h；N为节点的数量，h为压缩后影响特征向量的维度。
步骤五、将观测特征向量So与影响特征向量Ss连接，并根据Kmeans算法进行聚类，得到每一类节点的类别特征向量Sc。
步骤六、将各节点的长期历史数据序列、类别特征向量Sc和影响特征矩阵Ar一起输入到预先训练好的图递归神经网络中，得到时刻t+1的通信网络状况预测值p。
其中类别特征向量Sc用于构造每类节点的个性化卷积核，影响特征矩阵Ar代表实时的节点间影响关系。
预测值计算公式为：
Figure BDA0003626467290000024
图神经网络计算公式为：
Figure BDA0003626467290000025
递归神经网络计算公式为：
Figure BDA0003626467290000026
其中
Figure BDA0003626467290000031
为t时刻第i类节点的输入数据，Wi为根据第i类节点的类别特征向量Sc,i与一个可训练矩阵Ws获得的第i类卷积核，Wi＝Sc,iWs；At为t时刻的特征影响矩阵，σ()为模型激活函数，用于对数据的非线性变换，为relu、tanh或sigmoid等。Wr为递归神经网络可训练参数矩阵，该矩阵为共享矩阵，即该矩阵对每个时刻的输入均采用同一组参数。
未来通信状况预测值包括：与历史数据序列类型相同的，对应每个节点的未来通信网络节点状况衡量值。
本发明的有益效果如下：
1)本发明一种通信网络状况预测方法，通过获取通信网络状况历史信息实现对未来通信状况的预测，通过建立网络节点的影响动态矩阵Ar，用于衡量不同时刻网络节点的影响关系；
2)本发明一种通信网络状况预测方法，通过分析通信网中各节点的特征，对特征相似的通信网络节点独立进行通信状况预测，有效避免不同类型数据对模型性能的干扰，提高模型预测准确性。
附图说明
图1为本发明一种通信网络状况预测方法的流程示意图；
图2为本发明一种信息获取模块的示意图；
图3为本发明一种通信网络节点间影响特征获取模块的示意图；
图4为本发明一种观测特征向量获取模块的示意图；
图5为本发明一种影响特征向量获取模块的示意图；
图6为本发明一种Kmeans聚类模块的示意图；
图7为本发明一种回归预测模块的示意图；
图8为本发明一种计算通信网络状况的装置的结构实例图；
图9为本发明另一种计算通信网络状况的装置的结构实例图；
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做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。
本发明一种通信网络状况预测方法，通过获取通信网络状况历史信息实现对未来通信状况的预测；首先，根据通信网络节点状况短期观测数据，基于自注意力机制实时学习通信网络节点间影响特征Ar，对通信网络节点间影响特征及通信网络节点典型观测数据进行压缩并向量化后，得到通信网络节点状况观测特征向量So与通信网络节点间影响特征向量Ss对中不同节点进行聚类，并得到每种节点类别的特征向量Sc；然后根据不同的通信网络状况类别特征向量构建独立的图卷积参数，并结合图神经网络与门限递归单元构建图时序数据预测神经网络，对尺度与时序模式类别相似的长期通信网络状况历史数据进行特征提取，并依据提取的特征对每个节点未来时刻的通信状况进行预测。
一种通信网络状况预测方法，如图1所示，具体步骤如下：
步骤一、针对包括N个通信设备的网络场景，将每个通信设备分别作为一个节点，实时监测通信网络节点状况，固定时间间隔采集各节点的短期数据，长期数据与典型数据序列；
通信网络节点的状况数据，包含但不限于各节点的通信流量、信息传输速度和平均时延等。
短期数据包含固定采样间隔采集当前时刻t及之前较少个时刻的通信状况数据序列；长期数据包含固定采样间隔采集当前时刻t及之前较多个时刻的通信状况数据序列；另外，从所有长期历史数据中筛选出一定长度的正常、稳定数据作为典型通信状况数据；
较少时刻以及较多时刻，一定长度的选取，根据实际情况人为设定。
步骤二、将短期通信网络状况数据序列，输入到预先训练好的自注意力神经网络中，得到各节点间的动态影响特征矩阵Ar；
通过预先训练好的自注意力神经网络，对短期的通信状况数据向量化，得到各通信网络节点的相互影响矩阵，矩阵每行代表一个通信网络节点，其中第n列中元素值代表第n个通信网络节点对各通信网络节点的影响值。所述通信网络节点影响特征可以衡量通信网络节点间的潜在影响关系，便于对节点的相似性分类。
所述影响特征矩阵Ar为N*N矩阵，包括各节点对其他所有节点的影响指数，如下：
Figure BDA0003626467290000041
其中元素Aij代表网络中第i个节点对第j个节点的影响指数。该特征矩阵为动态矩阵，不同时刻得到的矩阵是不同的，用于衡量节点之间的动态影响关系。
步骤三、采集正常状况下每个节点真实的典型通信网络数据，输入到预先训练好的卷积自编码器中，得到观测特征向量So；
通过预先训练好的卷积自编码器，对所述典型通信状况数据进行压缩降维，同时利用一维卷积和捕获节点典型通信状况的时序特征，得到低维通信网络状况观测特征向量。
所述低维通信网络状况观测特征向量衡量不同节点观测数据的时序波动模式特征，所述时序波动模式为节点数据的峰值、低谷的出现时间，数据尺度等信息所体现。通过所述观测特征向量衡量所述时序波动模式区别可有效区分节点的类别，达到不同类型节点相互区分的目的。
所述观测特征向量So是各节点通信网络状况的低维向量表示；该向量为用于节点聚类的第一类依据。
第i个节点的观测特征向量中第l维数据
Figure BDA0003626467290000051
的计算公式为：
Figure BDA0003626467290000052
C()为可训练的卷积核，cm为卷积核大小，Xi(l-j)为第i个节点数据序列中的第l-j个元素；
步骤四、将影响特征矩阵Ar的每一行，分别输入到预先训练好的全连接自编码器中，得到通信网络节点间影响特征向量Ss；
通过预先训练好的全连接自编码器，对所述通信网络节点间影响特征进行压缩降维，同时利用神经元之间的链接捕获数据之间的相互关系，得到低维通信网络节点间影响特征向量。
所述低维通信网络节点间影响特征向量衡量不同节点的局部网络结构特征，是区分节点类别的另一指标。
影响特征向量Ss中第i个向量值Ss,i对应影响特征矩阵Ar的第i行；是通信网络其他节点间对该节点的影响指数的低维向量表示；该向量为用于节点聚类的第二类依据。
第i个节点的影响特征向量Ss,i计算公式为：
Ss,i＝Ar,iW
Ar,i为影响特征矩阵Ar的第i行，代表其他节点对第i个节点的影响关系，W为可训练参数矩阵，维度为N*h；N为节点的数量，h为压缩后影响特征向量的维度。
步骤五、将观测特征向量So与影响特征向量Ss连接，并根据Kmeans算法进行聚类，得到每一类节点的类别特征向量Sc。
该特征向量用于对节点进行聚类，以区分不同节点的数据模式类别。
步骤六、将各节点的长期历史数据序列、类别特征向量Sc和影响特征矩阵Ar一起输入到预先训练好的图递归神经网络中，得到时刻t+1的通信网络状况预测值p。
其中类别特征向量Sc用于构造每类节点的个性化卷积核，影响特征矩阵Ar代表实时的节点间影响关系。
所述图递归神经网络由图卷积神经网络融合门限递归单元构成，对所述长期历史数据进行时序特征捕获，根据所述捕获的特征计算得到未来通信状况预测值；预测值计算公式为：
Figure BDA0003626467290000053
图神经网络计算公式为：
Figure BDA0003626467290000054
递归神经网络计算公式为：
Figure BDA0003626467290000061
其中
Figure BDA0003626467290000062
为t时刻第i类节点的输入数据，Wi为根据第i类节点的类别特征向量Sc,i与一个可训练矩阵Ws获得的第i类卷积核，Wi＝Sc,iWs；At为t时刻的特征影响矩阵，σ()为模型激活函数，用于对数据的非线性变换，为relu、tanh或sigmoid等。Wr为递归神经网络可训练参数矩阵，该矩阵为共享矩阵，即该矩阵对每个时刻的输入均采用同一组参数。
未来通信状况预测值包括：与历史数据序列类型相同的，对应每个节点的未来通信网络节点状况衡量值。
本发明一种通信网络状况预测方法，基于如下所述的通信网络状况预测装置，包括：
信息获取模块，如图2所示，用于获取通信网络节点状况的数据，即通信网中各个节点的车状况信息等。
通信网络节点间影响特征获取模块，如图3所示，用于将短期通信网络各节点的状况数据输入到预先训练的自注意力神经网络中，得到节点间的影响特征Ar；其中，所述节点间影响特征包括：各节点对其他所有通信网络节点的影响指数；
该节点间影响特征获取模块包括：1)短期通信状况处理子模块，对短期通信状况信息根据预设公式：Q＝XsWq以及K＝XsWk得到查询矩阵以及键值矩阵；
其中Xs代表短期通信状况信息，Wq以及Wk为神经网络中可训练的参数矩阵。
2)节点间影响特征计算子模块，对查询矩阵以及键值矩阵，根据预设公式：S＝sigmiod(QK)得到通信网络节点间影响特征；
其中S为所述通信网络节点间影响特征，S为N*N矩阵，其中第i行第j列的元素Sij代表第j个通信网络节点对第i个通信网络节点的影响系数；Q和K为所述查询矩阵和键值矩阵。
观测特征向量获取模块，如图4所示，用于将节点典型通信状况数据输入到预先训练的卷积自编码器神经网络中，得到通信网络状况观测特征向量So；其中，所述观测特征向量So包括各节点通信网络状况信息的低维向量表示；
影响特征向量获取模块，如图5所示，用于将节点间影响特征Ar的每一行输入到预先训练的全连接自编码器神经网络中，得到通信网络节点间影响特征向量Ss；其中，所述通信网络节点间影响特征包括各节点间影响指数的低维向量表示；
Kmeans聚类模块，如图6所示，用于将观测特征向量与通信网络节点间影响特征向量结合，并根据Kmeans聚类算法对所述组合向量进行聚类，得到每类节点的通信网络节点状况类别特征向量。
回归预测模块，如图7所示，根据所述长期历史数据、通信网络节点状况类别特征向量、通信网络节点间影响特征输入到预先训练好的图递归神经网络中，得到未来时刻通信网络状况预测值；其中，未来通信状况预测值包括与所述长期历史数据类型相同的，对应每个节点的未来通信网络节点状况衡量值。
所述回归预测模块，包括：1)图卷积子模块，对长期历史数据，根据预设公式：G＝σ(SWgXl)，计算各通信网络节点的聚合信息；
其中，G表示通信网络节点聚合信息，S为所述节点间影响特征，Xl为所述长期历史数据，其中σ为激活函数，Wg为神经网络中可训练的参数矩阵；
2)递归子模块，根据多个时段的通信网络节点聚合信息，通过递归学习，计算获取多个时段的通信网络节点聚合信息之间的时间依赖特征。
3)回归预测子模块，根据所述时间依赖特征，通过卷积神经网络，计算获得通信状况预测值。
实施例：
如图8和图9所示，为了提高行程时间计算的准确性，本实施例具体步骤为：
1)获取通信网络状况信息；
其中，通信网络各节点状况按照不同时段数量，划分为短期数据与长期数据，短期数据包含当前时刻及之前若干(较少)个数据采样间隔的通信状况数据序列；长期数据包含当前时刻及之前若干(较多)个数据采样间隔的数据；另外，通过信息获取模块从所有历史数据中筛选出一定长度的正常、稳定数据作为典型通信状况数据；
信息获取模块可以根据通信网络节点监测设备获取各网络节点的流量、速度、时延信息等；在实际使用过程中，可以通过在通信网中的基站配置流量监控设备，记录每个基站的网络节点的流量、速度、时延信息等。
其中，通信网中的每个设备分别代表通信网中的一个节点，通过邻接矩阵来表示通信网络节点的连接关系，邻接矩阵A为一个N*N的矩阵，其中N代表通信网络节点数量，即图中的节点数量，当通信网中第i个通信网络节点与第j个通信网络节点相连时，将矩阵中的第i行第j列的值Aij赋为1，否则赋值为0。
通信网络状况数据根据实时监控计算每个固定长度时段的流量状况、数据传输速度、时延等平均值作为观测数据。
本申请实施例的通信网络状况预测方法应用于智能终端，可以通过智能终端实现，具体的该智能终端可以为电脑、智能手机或服务器等。
2)将所述短期通信状况数据输入到预先训练的自注意力神经网络中，得到通信网络节点间影响特征。
通信网络节点间影响特征获取模块，包含的自注意力神经网络可以根据输入的短期观测数据学习获取每个通信网络节点间的影响关系。
在实际使用过程中，首先根据短期通信状况数据计算查询矩阵以及键值矩阵Q＝XsWq、K＝XsWk，得到查询矩阵及键值矩阵后，根据S＝sigmiod(QK)计算通信网络节点间影响特征；
3)将网络节点典型的通信状况数据输入到预先训练的卷积自编码器中，得到通信网络状况观测特征向量；
其中，所述通信网络节点典型通信状况数据指：在正常状况下采集的能够反应每个节点真实情况的通信网络状况数据；
在实际使用过程中，将典型通信状况输入到预先训练的卷积自编码器中，将原始数据依据其时间依赖性进行卷积压缩，得到低维的通信状况观测特征向量。
其中，卷积自编码器是一种自编码器神经网络的变体，可以通过多次一维卷积来压缩原始信息，同时在信息处理时极大的保留了数据自身的时间依赖性，由此可以对时间序列进行有效压缩与数据特征提取。
4)将所述节点间影响特征输入到预先训练的全连接自编码器中，得到通信网络节点间影响特征向量；
其中，所述节点间影响特征指在预先训练的自注意力神经网络中，获取到的通信网络节点间影响特征；
在实际使用过程中，将通信网络节点间影响特征输入到预先训练的全连接自编码器中，将原始数据依据其时间依赖性进行压缩，得到低维的通信网络节点间影响特征向量。
其中，全连接自编码器是一种自编码器神经网络的变体，可以通过多层全连接神经网络来压缩原始信息，同时在信息处理时有效地提取了数据之间可能存在的内部相关性，由此可以对数据进行有效压缩与数据特征提取。
5)将观测特征向量与通信网络节点间影响特征向量连接，并根据Kmeans算法进行聚类，获得每一类的通信网络节点状况类别特征向量。
6)将长期历史数据、通信网络节点状况类别特征向量、通信网络节点间影响特征输入到预先训练好的图递归神经网络中，得到未来时刻通信网络状况预测值；
在实际使用过程中，将长期历史数据、通信网络节点状况类别特征向量、通信网络节点间影响特征输入到预先训练的图卷积神经网络中，G＝σ(SWgXl)，其中，其中S为所述通信网络节点间影响特征，
Figure BDA0003626467290000081
为由观测特征向量VI、影响特征向量VB与可训练参数矩阵Wp构成的图卷积参数矩阵，Xl为长期通信状况数据，然后将图卷积结果G输入到门限递归单元中，通过多次递归学习输入数据的时间依赖特征，并最终通过卷积神经网络输出预测值。
同时，本实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的计算机程序时，实现上述任一通信网络状况预测方法。
同时，本实施例还提供了一种计算机可读存储介质，内存储有计算机程序，计算机程序被处理器执行时实现上述任一通信网络状况预测方法。

Claims (4)

1.一种通信网络状况预测方法，其特征在于，具体包括：
首先，针对包括N个通信设备的网络场景，将每个通信设备分别作为一个节点，实时监测通信网络各节点的状况，固定时间间隔采集各节点的短期数据，长期数据与典型通信网络数据；
从所有长期历史数据中筛选出一定长度的正常、稳定数据作为典型通信网络数据；
然后，将短期数据序列输入到预先训练好的自注意力神经网络中，得到各节点间的动态影响特征矩阵Ar；并将影响特征矩阵Ar的每一行，分别输入到预先训练好的全连接自编码器中，得到通信网络节点间影响特征向量Ss；影响特征矩阵Ar为N*N矩阵，如下：
Figure FDA0004217336130000011
其中元素Aij代表网络中第i个节点对第j个节点的影响指数；
影响特征向量Ss中第i个向量值Ss,i对应影响特征矩阵Ar的第i行；是各通信网络节点间影响指数的低维向量表示；
同时，采集每个节点真实的典型通信网络数据，输入到预先训练好的卷积自编码器中，得到观测特征向量So；
观测特征向量So是各节点通信网络状况的低维向量表示；
接着、将观测特征向量So与影响特征向量Ss连接，并根据Kmeans算法进行聚类，得到每一类节点的类别特征向量Sc；
类别特征向量Sc用于构造每类节点的个性化卷积核，影响特征矩阵Ar代表实时的节点间影响关系；
最后、将各节点的长期历史数据序列、类别特征向量Sc和影响特征矩阵Ar一起输入到预先训练好的图递归神经网络中，得到时刻t+1的通信网络状况预测值p；
预测值计算公式为：
Figure FDA0004217336130000012
图神经网络计算公式为：
Figure FDA0004217336130000013
递归神经网络计算公式为：
Figure FDA0004217336130000014
其中
Figure FDA0004217336130000015
为t时刻第i类节点的输入数据，Wi为根据第i类节点的类别特征向量Sc,i与一个可训练矩阵Ws获得的第i类卷积核，Wi＝Sc,iWs；At为t时刻的特征影响矩阵，σ()为模型激活函数，用于对数据的非线性变换；Wr为递归神经网络可训练参数矩阵，该矩阵为共享矩阵，即该矩阵对每个时刻的输入均采用同一组参数。
2.如权利要求1所述的一种通信网络状况预测方法，其特征在于，所述
第i个节点的观测特征向量中第l维数据
Figure FDA0004217336130000021
的计算公式为：
Figure FDA0004217336130000022
C()为可训练的卷积核，cm为卷积核大小，Xi(l-j)为第i个节点数据序列中的第l-j个元素。
3.如权利要求1所述的一种通信网络状况预测方法，其特征在于，所述
第i个节点的影响特征向量Ss,i计算公式为：
Ss,i＝Ar,iW
Ar,i为影响特征矩阵Ar的第i行，代表其他节点对第i个节点的影响关系，W为可训练参数矩阵，维度为N*h；N为节点的数量，h为压缩后影响特征向量的维度。
4.如权利要求1所述的一种通信网络状况预测方法，其特征在于，所述时刻t+1的通信网络状况预测值包括：与历史数据序列类型相同的，对应每个节点的未来通信网络节点状况衡量值。
CN202210499844.XA 2022-05-04 2022-05-04 一种通信网络状况预测方法 Active CN114826949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210499844.XA CN114826949B (zh) 2022-05-04 2022-05-04 一种通信网络状况预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210499844.XA CN114826949B (zh) 2022-05-04 2022-05-04 一种通信网络状况预测方法

Publications (2)

Publication Number Publication Date
CN114826949A CN114826949A (zh) 2022-07-29
CN114826949B true CN114826949B (zh) 2023-06-09

Family

ID=82513131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210499844.XA Active CN114826949B (zh) 2022-05-04 2022-05-04 一种通信网络状况预测方法

Country Status (1)

Country Link
CN (1) CN114826949B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118070843A (zh) * 2024-04-18 2024-05-24 成都信息工程大学 一种基于图递归神经网络的多站点低能见度预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11537852B2 (en) * 2020-02-13 2022-12-27 International Business Machines Corporation Evolving graph convolutional networks for dynamic graphs
CN113065974B (zh) * 2021-03-16 2023-08-18 西北工业大学 一种基于动态网络表示学习的链路预测方法
CN113452548B (zh) * 2021-05-08 2022-07-19 浙江工业大学 一种针对网络节点分类和链路预测的指标评测方法及系统
CN113852492A (zh) * 2021-09-01 2021-12-28 南京信息工程大学 基于注意力机制和图卷积神经网络的网络流量预测方法
CN113905391B (zh) * 2021-09-27 2023-05-23 湖北工业大学 集成学习网络流量预测方法、系统、设备、终端、介质
CN114219024A (zh) * 2021-12-14 2022-03-22 中国科学院计算机网络信息中心 一种网络边缘的应用级流量预测与模型迁移方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
网络表示学习综述;涂存超;杨成;刘知远;孙茂松;;中国科学:信息科学(第08期);32-48 *

Also Published As

Publication number Publication date
CN114826949A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN110851782A (zh) 一种基于轻量级时空深度学习模型的网络流量预测方法
CN110222592B (zh) 一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法
Alizadeh et al. Network traffic forecasting based on fixed telecommunication data using deep learning
CN112232476A (zh) 更新测试样本集的方法及装置
CN112257911B (zh) 基于并行时空注意力机制的tcn多元时间序列预测方法
CN115527203B (zh) 一种基于物联网的谷物干燥远程控制方法及系统
CN111401553A (zh) 一种基于神经网络的缺失数据填充方法及系统
CN111355616B (zh) 一种基于物理层数据的战术通信网关键节点识别方法
CN115565369B (zh) 一种基于超图的时空超图卷积交通流量预测方法及系统
CN112149887A (zh) 一种基于数据时空特征的pm2.5浓度预测方法
CN114826949B (zh) 一种通信网络状况预测方法
CN111209968A (zh) 基于深度学习的多气象因子模式预报温度订正方法及系统
CN115761888A (zh) 基于nl-c3d模型的塔吊操作人员异常行为检测方法
CN115859792A (zh) 基于注意力机制的中期电力负荷预测方法及系统
CN113807404B (zh) 面向多源信息融合的智慧交通网络智能化监控与应急系统
CN118283667A (zh) 一种基于多尺度时空对比的基站群异常检测方法及系统
CN113616209A (zh) 基于时空注意力机制的精神分裂症患者甄别方法
CN117520942A (zh) 一种基于双线性卷积神经网络的故障诊断方法及装置
CN117474156A (zh) 基于数据驱动的电动汽车充电需求预测方法、设备及介质
CN113049249A (zh) 一种电机轴承故障诊断方法及系统
CN113435794B (zh) 一种基于图像处理的喷嘴铸件后处理智能监测方法
CN115965809A (zh) 结合难分样本生成与学习的sar图像目标开集识别方法
CN114882289A (zh) 基于自适应确定拒判准则的sar目标开集识别方法
CN114519843A (zh) 车辆预测方法及装置
CN113032612A (zh) 一种多目标图像检索模型的构建方法及检索方法和装置

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