CN115134816A - 基于时空卷积和多时间尺度的基站流量预测方法 - Google Patents
基于时空卷积和多时间尺度的基站流量预测方法 Download PDFInfo
- Publication number
- CN115134816A CN115134816A CN202110290130.3A CN202110290130A CN115134816A CN 115134816 A CN115134816 A CN 115134816A CN 202110290130 A CN202110290130 A CN 202110290130A CN 115134816 A CN115134816 A CN 115134816A
- Authority
- CN
- China
- Prior art keywords
- time
- space
- base station
- convolution
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 230000007774 longterm Effects 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- H04W16/22—Traffic simulation tools or models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及基于时空卷积和多时间尺度的基站流量预测方法,该方法包括:预处理步骤,基于基站的电子栅格,采用矢量路网的自适应图像表达方法将基站流量地图化后转为二维图像;以及多时间尺度信息融合建模步骤,对多时间尺度下的近、中、长期流量地图化图像序列的历史数据分别进行利用时空卷积的特征提取,构建深度时空残差网络,融合外部信息,动态感知序列的长短相关性,选择当前最优的窗口尺度,自动聚合多个深度时空残差网络的输出,加权得到基站流量的预测结果值。
Description
技术领域
本公开总体上涉及大数据与人工智能领域,具体而言涉及一种基于时空卷积和多时间尺度的基站流量预测方法。
背景技术
随着通信技术的演进,面向未来的第五代移动通信(the Fifth GenerationMobile Communication,简称5G)技术作为最新一代蜂窝移动通信技术正逐步普及。同时,伴随着大数据、人工智能(AI)和互联网技术的高速发展及应用,移动流量业务近年来持续高速增长,并且在可以预见的未来还将急剧增长。对于电信运营商而言,如何针对特定地区,在历史数据的基础上准确预测基站流量,是研究通信网络的性能、管理、协议及服务质量的基础,进而对提高5G及以后的网络性能、提升用户体验、节省运营商成本等具有重要意义。
预测基站流量属于时间序列预测问题。通常,时间序列是一种现实生活中非常常见且和时间关联、具有先后次序的数值序列,可以是由分析动态系统的研究人员按照一定规则的时间间隔t采样得到的有序观测数据X(t),例如可以为基站流量、股票波动数据、病人的心电图数据等。时间序列预测是依据过去的信息建立适当的模型,并对未来一定时期的趋势进行定量预测的方法。时间序列预测是时间序列数据挖掘应用的重要手段,分析时间序列的规律并利用规律来预测其未来的行为是非常有用的,除了本公开中作为具体示例的基站流量预测场景之外,还有例如气象预报、灾害预警、金融趋势分析和交通流预测等。传统的时间序列预测建模方法,如差分整合移动平均自回归ARIMA(AutoregressiveIntegrated Moving Average Model)等时序线性预测、传统的机器学习和深度学习算法等,已经在科学界和工业界得到了广泛的应用。
然而,在将现有的时间序列预测技术应用于例如基站流量等的预测的情况下,主要存在如下问题:1、只能用于数据相对稳定、呈线性变化的预测问题,但现实世界的各类时间序列、例如基站流量等大多具有非线性特征且波动规律多变,因此很难适应实际需求;2、无法完整反映时间序列的多维特征,没有考虑到时间序列在空间区域上的依赖关系,特征表达有限,因而预测精度低,度量效果不佳,普适性和灵活性较差;3、尤其是在例如基站流量预测的应用场景下,现有的一站一模型的孤立建模和重复运算会造成运算效率低,精度不高,而且容易受到随机波动和人工干预的影响。
在基站流量预测场景下,针对现有预测方法普遍缺乏考虑时空联动性、单站孤立建模等精度低效率差的问题,如何充分挖掘基站流量间的时空关联性,以较高的精度预测未来时刻基站的流量,业内目前尚在探索之中。
发明内容
针对现有基站流量预测方法中缺乏考虑时空联动性、单站孤立建模等精度低效率差的技术问题,本公开的目的在于提出一种基于时空卷积和多时间尺度的基站流量预测方法,在基站流量的栅格化地图基础上,针对多个时间尺度下,对近、中、长期序列信息分别采用时空卷积进行特征提取来建模,并且融入网络特性等外部因素,从而自动、高效地捕获空间、时间维度的特征,深度挖掘基站间的时空关联性,动态聚合多个尺度的网络的输出,由此能够以较高的精度预测未来时刻基站的流量情况。
在下文中给出了关于本公开的简要概述,以便提供关于本公开的一些方面的基本理解。但是,应当理解,这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分,也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念,以此作为稍后给出的更详细描述的前序。
根据本公开的一个方面,提供一种基于时空卷积和多时间尺度的基站流量预测方法,该方法可以包括:预处理步骤,基于基站的电子栅格,采用矢量路网的自适应图像表达方法将基站流量地图化后转为二维图像,构造流量地图化图像序列,其中流量地图化图像的每个像素对应于预设地理精度下的网格内对应时刻下的业务负荷流量值;以及多时间尺度信息融合建模步骤,在多个时间尺度下,对近、中、长期的历史图像序列数据分别利用时空卷积进行特征提取,构建深度时空残差网络,再融合外部信息,动态感知序列的时空关联性和序列的长短相关性,选择当前最优的窗口尺度,自动聚合多个深度时空残差网络的输出,加权得到基站流量的预测结果值,其中,利用时空卷积的特征提取包括空间卷积子步骤和时间卷积子步骤,用于提取基站流量历史数据的时间维和空间维特征以及时空相关性,在所述空间卷积子步骤中,针对流量地图化图像序列,采用谱图方法对单个时间片上的空间图的图信号进行处理,利用空间图卷积自动提取基站流量图数据在空间维上的特征以用于建模,在所述时间卷积子步骤中,针对流量地图化图像上每个像素点在时间维度上的序列,利用标准2维卷积自动提取基站流量时间序列的时间维特征以用于建模。
根据本公开的另一个方面,提供一种基于时空卷积和多时间尺度的基站流量预测装置,该装置可以包括:存储器,其上存储有指令;以及处理器,被配置为执行存储在所述存储器上的指令,以执行本公开的上述方面所述的基于时空卷积和多时间尺度的基站流量预测方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其可以包括计算机可执行指令,所述计算机可执行指令在由一个或多个处理器执行时,使得所述一个或多个处理器执行根据本公开的上述方面所述的基于时空卷积和多时间尺度的基站流量预测方法。
根据本公开的再一个方面,提供一种计算机程序产品,其包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现根据本公开的上述方面所述的基于时空卷积和多时间尺度的基站流量预测方法的步骤。
根据本公开的基于时空卷积和多时间尺度的基站流量预测方法,能够实现指定区域内全部基站的小区的联动和并行预测,提高运算效率,而且有效克服了传统预测方法无法解决基站的小区间的相互影响与依赖关系的问题;并且通过时空卷积和多个时间尺度下的近、中、长期序列信息,充分挖掘基站间的时空关联性和序列间的长短相关性,再融合外部信息,在多个时间尺度下动态选择当前最合适的窗口尺度,减低噪声信息和人工干扰,有效提升了基站流量的预测精度。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更清楚地理解本公开,其中:
图1示出了根据本公开的实施例的基于时空卷积和多时间尺度的基站流量预测方法100的示例性流程图;
图2是示出根据本公开的实施例的基于时空卷积和多时间尺度的基站流量预测方法100中的多时间尺度信息融合处理模型200的示意图;
图3示出了可以实现根据本公开实施例的计算设备300的示例性配置。
具体实施方式
参考附图进行以下详细描述,以帮助全面理解本公开的各种示例实施例。以下描述包括各种细节以帮助理解,但是这些细节仅被认为是示例,而不是为了限制本公开,本公开是由随附权利要求及其等同内容限定的。在以下描述中使用的词语和短语仅用于能够清楚一致地理解本公开。另外,为了清楚和简洁起见,可能省略了对公知的结构、功能和配置的描述。本领域普通技术人员将认识到,在不脱离本公开的精神和范围的情况下,可以对本文描述的示例进行各种改变和修改。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,而在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。本公开内容的技术能够应用于各种产品。
为便于理解和说明,作为根据本公开实施例的基于时空卷积和多时间尺度的基站流量预测方法,主要以通信领域中的基站流量预测场景为例进行说明,但根据本公开实施例的基于时空卷积和多时间尺度的基站流量预测方法的适用场景不限于此。
以下,首先对根据本公开实施例的基于时空卷积和多时间尺度的基站流量预测方法的整体流程进行说明。图1示出了根据本公开实施例的基于时空卷积和多时间尺度的基站流量预测方法100的示例性流程图。优选地,根据本公开实施例的基于时空卷积和多时间尺度的基站流量预测方法100总体上可以包括下述的步骤S110~S120。各个步骤S110~S120的详情如下:
预处理步骤S110:基于基站的电子栅格,采用矢量路网的自适应图像表达方法将基站流量地图化后转为二维图像,构造流量地图化图像序列,其中流量地图化图像的每个像素对应于预设地理精度下的网格内在对应时刻下的业务负荷流量值。
具体而言,在该步骤S110中,作为预处理,进行基站流量的栅格地图化处理。在此预设的地理精度可以是例如以50m×50m作为一个格子的划分尺寸,也可以是其它任意合适的精度。优选的是,所述预设的地理精度能够根据下游的实际需求和任务而灵活调节。在此由于可以灵活地调节输出的地理精度,从而能够满足个性化的预测需求。
多时间尺度信息融合建模步骤S120:在多个时间尺度下,对近、中、长期的历史图像序列数据分别利用时空卷积进行特征提取,构建深度时空残差网络,再融合外部信息,动态感知序列的时空关联性和序列长短的相关性,选择当前最优的窗口尺度,自动聚合多个深度时空残差网络的输出,加权得到基站流量的预测结果值。
更具体而言,利用时空卷积的特征提取包括空间卷积子步骤S121和时间卷积子步骤S122,用于提取基站流量数据的时间维和空间维特征以及时空相关性。
其中,在所述空间卷积子步骤S121中,针对流量地图化图像序列,采用谱图方法对单个时间片上的空间图的图信号进行处理,利用空间维图卷积自动提取基站流量图数据在空间维上的特征以用于建模。
在所述时间卷积子步骤中S122,针对流量地图化图像上每个像素点在时间维度上的序列,利用标准2维卷积自动提取基站流量时间序列的时间维特征以用于建模。
针对现有预测方法中由于缺乏考虑时空联动性、单站孤立建模等局限导致模型精度低效率差的问题,本公开的实施例通过该利用时空卷积的特征提取,采用时空卷积的方法,从而自动、高效地捕获空间维和时间维特征,深度挖掘基站间的时空关联性,提升预测效率和精度。
以下对于多时间尺度信息融合建模步骤S120中的空间卷积子步骤S121和时间卷积子步骤中S122的具体处理过程及其原理进行说明。
首先,关于空间卷积子步骤S121,在本公开的实施例中,基于谱图论(SpectrogramTheory),采用谱图方法进行空间卷积运算,即进行空间维度上的图卷积。
首先仅考虑某一时间片上的空间图G,以了解空间维特征的建模过程。在本公开中,采用谱图方法将卷积操作推广到图结构数据,将数据视为图上的信号,然后直接在图上对图信号进行处理,从而捕获空间中有意义的模式和特征。在此,谱图方法主要通过将图转化为代数的形式来分析图结构。在本公开中,主要关心图结构中节点间的连通关系及相互影响。这里的“节点”可以理解为对应于经过预处理步骤S110而得到的基站流量的栅格地图中的一个格子中的流量。在谱图论中,可以将一个图用其对应的拉普拉斯矩阵来表示。通过分析拉普拉斯矩阵及其特征值就能够得到图结构的性质。
其中,图的拉普拉斯矩阵定义为L=D-A,其规范化形式为
对拉普拉斯矩阵进行特征值分解得到L=UΛUT。
以t时刻的基站流量数据为例,图信号为对图信号进行傅里叶变换可表示为根据拉普拉斯矩阵的性质可知U是正交矩阵,因此得到逆傅里叶变换图卷积是利用定义在傅里叶域中对角化的线性算子来等价代替经典卷积算子实现的卷积操作,用卷积核gθ对图G进行卷积操作。
gθ×Gx=gθ(L)x=gθ(UΛUT)x=Ugθ(Λ)UTx 式(2)
由于对图信号进行卷积操作再做傅里叶变换等于对这些信号进行傅里叶变换后的乘积,上式(2)可以理解为对gθ和x分别做傅里叶变换到谱域,然后对二者的变换结果进行乘法操作,再做傅立叶逆变换得到卷积操作的结果。
将图变换到谱域实现图上的卷积操作即为空间维图卷积。
根据本公开的实施例的基于时空卷积和多时间尺度的基站流量预测方法100中,多时间尺度信息融合建模步骤S120中的利用时空卷积的特征提取还包括时间卷积子步骤S122,也就是说,在与通过空间维图卷积操作对输入数据的空间维特征进行建模的同时,还用标准2维卷积捕获时间维特征。在此,对于流量地图化图像序列,可以先进行空间维图卷积再进行时间维卷积,也可以先进行时间维卷积再进行空间维图卷积。例如在先进行空间维图卷积再进行时间维卷积的情况下,在经过一层空间维图卷积操作之后,某个节点及其相邻时间片信息已包含其相邻节点同时刻的信息;再经过一层时间维卷积之后,该节点的信息又被该节点相邻时间片信息更新。因此,通过一层时空卷积操作之后,就会捕获到数据的时间维和空间维特征以及时空相关性。在此,为了提高特征提取效率,优选为同时并行地进行空间维图卷积和时间维卷积。
在本公开的实施例中,在所述多时间尺度信息融合建模步骤S120中,优选的是,多次并行进行空间卷积子步骤和时间卷积子步骤以实现多层时空卷积,从而提取时空维上的信息,再通过全连接操作使时空卷积的结果与预测目标维数一致。在此,由于使用多层时空卷积,能够提取时空维上更丰富的信息,有利于得出更为准确的预测结果。
通过多时间尺度信息融合建模步骤S120中的利用时空卷积的特征提取,采用空间卷积和时间卷积,能够直接从基于图结构的基站流量数据中,自动、有效地同时捕获空间和时间维特征,无需数据预处理和人工特征工程,大大提高特征提取的完整性和效率。
接下来参照图2,对本公开的实施例的基于时空卷积和多时间尺度的基站流量预测方法100中的多时间尺度信息融合建模步骤S120进行说明。图2是示出根据本公开的实施例的多时间尺度信息融合处理模型200的示意图。
如前所述,在多个时间尺度下,对近、中、长期的历史图像序列数据分别利用时空卷积进行特征提取,构建深度时空残差网络,再融合外部信息,动态感知序列的时空关联性和序列的长短相关性,选择当前最优的窗口尺度,自动聚合多个深度时空残差网络的输出,加权得到基站流量的预测结果值。
其中,优选的是,外部信息可以包括:小区网络特性、POI(Point of Interest,兴趣点)特征、天气气象、日期时间信息等;其中小区网络特性可以包括:TA(time advanced,最大时间提前量)值、信号强弱、接通率、掉话率、下载速率等。基于外部信息的预测结果为图2中的结果“Xex”。
其中的多时间尺度和在各时间尺度下所取的近、中、长期的时间序列长度能够根据下游的实际需求和任务而灵活调节。作为一个例子,多时间尺度可以采用秒、分钟、小时级。其中,在融合处理(对应于图2中的“Fusion”(融合)层)中,可以利用基于参数矩阵的融合方法,在例如时间尺度“秒”、“分”和“小时”下分别取各自的近、中、长期的时间序列长度,将多个预测结果的输出进行组合,得到图2中的结果“Xres”。
在采用秒级时间尺度进行建模的情况下,以例如1秒为采样间隔,将与预测时段在时间轴上直接相邻的若干秒之前的近、中、长期的时间跨度范围内的图数据,即不同时间跨度的流量地图化图像序列分别作为输入进行建模;举例来说,在此,近期的时间序列段的时间序列长度可以取为1天,中期的时间序列段的时间序列长度可以取为1周,长期的时间序列段的时间序列长度可以取为1个月。
在采用分钟级时间尺度进行建模的情况下,以例如1分钟为采样间隔,将与预测时段在时间轴上若干分钟之前的近、中、长期的时间跨度范围内的图数据,即不同时间跨度的流量地图化图像序列分别作为输入进行建模。举例来说,在此,近期的时间序列段的时间序列长度可以取为1周,中期的时间序列段的时间序列长度可以取为1个月,长期的时间序列段的时间序列长度可以取为1年。
在采用小时级时间尺度进行建模的情况下,以例如1小时为间隔,将与预测时段在时间轴上若干小时之前的近、中、长期的时间跨度范围内的图数据,即流量地图化图像序列分别作为输入进行建模。举例来说,在此,近期的时间序列段的时间序列长度可以取为1个月,中期的时间序列段的时间序列长度可以取为1年,长期的时间序列段的时间序列长度可以取为10年。
当然,对于多时间尺度以及各时间尺度下分别所取的近、中、长期的时间序列长度,不限于上述的示例,例如还可以将多时间尺度分别设置为以1小时、1日、1周为周期提取历史数据进行建模,或者还可以将多时间尺度设置为以15分钟、4小时、3日为周期提取历史数据进行建模。对于上述各个多时间尺度,可以根据情况再分别设置多种不同的时间序列长度,从近、中、长期三种时间跨度来提取历史数据。这些都是示例而非限定性的,可以根据下游的实际需求和任务而多样化地设置任意合适的多时间尺度以及各时间尺度下的近、中、长期的时间序列长度。
在多时间尺度信息融合建模步骤S120中,由于将多个时间尺度(例如秒、分、时)下的近、中、长期序列信息与外部特征进行充分融合,能够动态感知序列的长短相关性,在不同时刻点将动态选择当前最合适的窗口尺度,从而能够有效减低噪声的干扰,提升基站流量的预测精度。
优选的是,根据本公开的实施例的基于时空卷积和多时间尺度的基站流量预测方法100还可以包括实际资源预分配步骤S130,结合下游的实际需求和任务,根据利用基于时间序列的历史数据而训练好的模型来预测出的未来指定时间的基站流量的预测结果值,预先分配相应的基础设施资源。
对此,本公开的技术主旨可以直接应用于当前和未来任意的基站流量预测,进而扩展至基于该基站流量预测的精准网络规划,从而实现智慧网络建设;还可以扩展至基于该基站流量预测的网络基站节能,从而实现促使网络绿色运营;还可以扩展至基于基站流量预测的切片服务,从而实现全生命周期智慧运营。
此外,本公开的技术主旨除了基站流量预测以外,还可以广泛应用于其它任意合适的场景,例如切片网络资源预测、道路交通流预测等,进而延伸至更广泛的例如车站、营业厅或商店的选址及布局等场景。
根据本公开的实施例的基于时空卷积和多时间尺度的基站流量预测方法100,由于包括现网的基站负荷及KPI指标等时序数据的基站栅格地图化数据、多个时间尺度的流量数据、网络特性及其它外部因素都是能够容易地获取的,因此能够方便地直接构建流量图像序列,从而提取多维度时空特征。在本公开的实施例中,优选的是,对数据的存储采用时序数据库的存储方式。通过使用时序数据库的存储方式,使得时序大数据可以高效存储,海量时序数据得以快速处理,非常有利于海量时序数据挖掘。该技术极大提高了时间相关数据的处理能力,相对于关系型数据库它的存储空间减半,查询速度极大的提高。作为代表性技术,可以将例如Informix TimeSeries用于本公开的实施例的时序分析应用。
此外,作为大数据处理工具以及深度学习框架,可以采用例如tensorflow、pytorch等。分别针对多个时间尺度(例如秒、分、时等)下近、中、长期序列信息,采用快速卷积可直接从基于图结构的流量数据中自动提取时空特征,能够方便地以较高的精度预测未来时刻基站的流量情况。
进一步地,根据本公开实施例,还可以提供一种基于时空卷积和多时间尺度的基站流量预测装置,包括:存储器,其上存储有指令;以及处理器,被配置为执行存储在所述存储器上的指令,以执行根据本公开实施例的基于时空卷积和多时间尺度的基站流量预测方法100。
根据本公开实施例,还可以提供一种计算机可读存储介质,包括计算机可执行指令,所述计算机可执行指令在由一个或多个处理器执行时,使得所述一个或多个处理器执行根据本公开实施例的基于时空卷积和多时间尺度的基站流量预测方法100。
根据本公开实施例,还可以提供一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现根据本公开实施例的基于时空卷积和多时间尺度的基站流量预测方法100的步骤。
图3示出了能够实现根据本公开实施例的计算设备300的示例性配置图。
计算设备300是能够应用本公开的上述方面的硬件设备的实例。计算设备300可以是被配置为执行处理和/或计算的任何机器。计算设备300可以是但不限制于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数据助手(PDA)、智能电话、车载计算机或以上组合。
如图3所示,计算设备300可以包括可以经由一个或多个接口与总线302连接或通信的一个或多个元件。总线302可以包括但不限于:工业标准架构(Industry StandardArchitecture,ISA)总线、微通道架构(Micro Channel Architecture,MCA)总线、增强ISA(EISA)总线、视频电子标准协会(VESA)局部总线、以及外设组件互连(PCI)总线等。计算设备300可以包括例如一个或多个处理器304、一个或多个输入设备306以及一个或多个输出设备308。一个或多个处理器304可以是任何种类的处理器,并且可以包括但不限于一个或多个通用处理器或专用处理器(诸如专用处理芯片)。处理器304例如可以被配置为实现根据本公开的上述方面所述的基于时空卷积和多时间尺度的基站流量预测方法100。输入设备306可以是能够向计算设备输入信息的任何类型的输入设备,并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或远程控制器。输出设备308可以是能够呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。
计算设备300还可以包括或被连接至非暂态存储设备314,该非暂态存储设备314可以是任何非暂态的并且可以实现数据存储的存储设备,并且可以包括但不限于盘驱动器、光存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其它磁性介质、压缩盘或任何其它光学介质、缓存存储器和/或任何其它存储芯片或模块、和/或计算机可以从其中读取数据、指令和/或代码的其它任何介质。计算设备300还可以包括随机存取存储器(RAM)310和只读存储器(ROM)312。ROM 312可以以非易失性方式存储待执行的程序、实用程序或进程。RAM 310可提供易失性数据存储,并存储与计算设备300的操作相关的指令。计算设备300还可包括耦接至数据链路318的网络/总线接口316。网络/总线接口316可以是能够启用与外部装置和/或网络通信的任何种类的设备或系统,并且可以包括但不限于调制解调器、网络卡、红外线通信设备、无线通信设备和/或芯片集(诸如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设施等)。
本公开可以被实现为装置、系统、集成电路和非瞬时性计算机可读介质上的计算机程序的任何组合。可以将一个或多个处理器实现为执行本公开中描述的部分或全部功能的集成电路(IC)、专用集成电路(ASIC)或大规模集成电路(LSI)、系统LSI,超级LSI或超LSI组件。
本公开包括软件、应用程序、计算机程序或算法的使用。可以将软件、应用程序、计算机程序或算法存储在非瞬时性计算机可读介质上,以使诸如一个或多个处理器的计算机执行上述步骤和附图中描述的步骤。例如,一个或多个存储器以可执行指令存储软件或算法,并且一个或多个处理器可以关联执行该软件或算法的一组指令,以根据本公开中描述的实施例提供各种功能。
软件和计算机程序(也可以称为程序、软件应用程序、应用程序、组件或代码)包括用于可编程处理器的机器指令,并且可以以高级过程性语言、面向对象编程语言、功能性编程语言、逻辑编程语言或汇编语言或机器语言来实现。术语“计算机可读介质”是指用于向可编程数据处理器提供机器指令或数据的任何计算机程序产品、装置或设备,例如磁盘、光盘、固态存储设备、存储器和可编程逻辑设备(PLD),包括将机器指令作为计算机可读信号来接收的计算机可读介质。
举例来说,计算机可读介质可以包括动态随机存取存储器(DRAM)、随机存取存储器(RAM)、只读存储器(ROM)、电可擦只读存储器(EEPROM)、紧凑盘只读存储器(CD-ROM)或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或可以用于以指令或数据结构的形式携带或存储所需的计算机可读程序代码以及能够被通用或专用计算机或通用或专用处理器访问的任何其它介质。如本文中所使用的,磁盘或盘包括紧凑盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘和蓝光盘,其中磁盘通常以磁性方式复制数据,而盘则通过激光以光学方式复制数据。上述的组合也包括在计算机可读介质的范围内。
提供本公开的主题作为用于执行本公开中描述的特征的装置、系统、方法和程序的示例。但是,除了上述特征之外,还可以预期其它特征或变型。可以预期的是,可以用可能代替任何上述实现的技术的任何新出现的技术来完成本公开的部件和功能的实现。
另外,以上描述提供了示例,而不限制权利要求中阐述的范围、适用性或配置。在不脱离本公开的精神和范围的情况下,可以对所讨论的元件的功能和布置进行改变。各种实施例可以适当地省略、替代或添加各种过程或部件。例如,关于某些实施例描述的特征可以在其它实施例中被结合。
另外,在本公开的描述中,虽然在附图中以特定次序描绘了操作,但是这不应该被理解为要求以所示的特定次序或者以顺序次序执行这样的操作,或者要求执行所有图示的操作以实现所希望的结果。在某些情况下,多任务处理和并行处理可以是有利的。
Claims (9)
1.一种基于时空卷积和多时间尺度的基站流量预测方法,该方法包括:
预处理步骤,基于基站的电子栅格,采用矢量路网的自适应图像表达方法将基站流量地图化后转为二维图像,构造流量地图化图像序列,其中流量地图化图像的每个像素对应于预设地理精度下的网格内在对应时刻下的业务负荷流量值;以及
多时间尺度信息融合建模步骤,在多个时间尺度下,对近、中、长期的历史图像序列数据分别利用时空卷积进行特征提取,构建深度时空残差网络,再融合外部信息,动态感知序列的时空关联性和序列的长短相关性,选择当前最优的窗口尺度,自动聚合多个深度时空残差网络的输出,加权得到基站流量的预测结果值,其中
利用时空卷积的特征提取包括空间卷积子步骤和时间卷积子步骤,用于提取基站流量历史数据的时间维和空间维特征以及时空相关性,
在所述空间卷积子步骤中,针对流量地图化图像序列,采用谱图方法对单个时间片上的空间图的图信号进行处理,利用空间图卷积自动提取基站流量图数据在空间维上的特征以用于建模,
在所述时间卷积子步骤中,针对流量地图化图像上每个像素点在时间维度上的序列,利用标准2维卷积自动提取基站流量时间序列的时间维特征以用于建模。
2.根据权利要求1所述的基于时空卷积和多时间尺度的基站流量预测方法,其中,
在所述预处理步骤中,所述预设的地理精度能够根据下游的实际需求和任务而灵活调节。
3.根据权利要求1所述的基于时空卷积和多时间尺度的基站流量预测方法,其中,
在所述多时间尺度信息融合建模步骤中,多次并行进行空间卷积子步骤和时间卷积子步骤以实现多层时空卷积,从而提取时空维上的信息,再通过全连接操作使时空卷积的结果与预测目标维数一致。
4.根据权利要求1所述的基于时空卷积和多时间尺度的基站流量预测方法,其中,
在所述多时间尺度信息融合建模步骤中,外部信息包括小区网络特性、POI特征、天气气象、日期时间信息,
其中小区网络特性包括:TA值、信号强弱、接通率、掉话率、下载速率,
所述多时间尺度以及在各时间尺度下所取的近、中、长期的时间序列长度能够根据下游的实际需求和任务而灵活调节。
5.根据权利要求1所述的基于时空卷积和多时间尺度的基站流量预测方法,还包括:
实际资源预分配步骤,结合下游的实际需求和任务,根据利用基于流量地图化图像序列的历史数据而训练好的模型来预测出的未来指定时间的基站流量的预测结果值,预先分配相应的基础设施资源。
6.根据权利要求1所述的基于时空卷积和多时间尺度的基站流量预测方法,其中,
对数据的存储采用时序数据库的存储方式。
7.一种基于时空卷积和多时间尺度的基站流量预测装置,包括:
存储器,其上存储有指令;以及
处理器,被配置为执行存储在所述存储器上的指令,以执行根据权利要求1至6中的任一项所述的基于时空卷积和多时间尺度的基站流量预测方法。
8.一种计算机可读存储介质,包括计算机可执行指令,所述计算机可执行指令在由一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1至6中的任意一项所述的基于时空卷积和多时间尺度的基站流量预测方法。
9.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至6中的任意一项所述的基于时空卷积和多时间尺度的基站流量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110290130.3A CN115134816B (zh) | 2021-03-18 | 2021-03-18 | 基于时空卷积和多时间尺度的基站流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110290130.3A CN115134816B (zh) | 2021-03-18 | 2021-03-18 | 基于时空卷积和多时间尺度的基站流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115134816A true CN115134816A (zh) | 2022-09-30 |
CN115134816B CN115134816B (zh) | 2024-03-08 |
Family
ID=83375054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110290130.3A Active CN115134816B (zh) | 2021-03-18 | 2021-03-18 | 基于时空卷积和多时间尺度的基站流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115134816B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053080A (zh) * | 2017-12-30 | 2018-05-18 | 中国移动通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 一种基于深度时空神经网络的动态异构网络流量预测方法 |
WO2020024319A1 (zh) * | 2018-08-01 | 2020-02-06 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
US20200125852A1 (en) * | 2017-05-15 | 2020-04-23 | Deepmind Technologies Limited | Action recognition in videos using 3d spatio-temporal convolutional neural networks |
CN112291808A (zh) * | 2020-11-02 | 2021-01-29 | 东南大学 | 基于深度学习的区域网络流量预测方法 |
-
2021
- 2021-03-18 CN CN202110290130.3A patent/CN115134816B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200125852A1 (en) * | 2017-05-15 | 2020-04-23 | Deepmind Technologies Limited | Action recognition in videos using 3d spatio-temporal convolutional neural networks |
CN108053080A (zh) * | 2017-12-30 | 2018-05-18 | 中国移动通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
WO2020024319A1 (zh) * | 2018-08-01 | 2020-02-06 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 一种基于深度时空神经网络的动态异构网络流量预测方法 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN112291808A (zh) * | 2020-11-02 | 2021-01-29 | 东南大学 | 基于深度学习的区域网络流量预测方法 |
Non-Patent Citations (2)
Title |
---|
荣斌;武志昊;刘晓辉;赵苡积;林友芳;景一真;: "基于时空多图卷积网络的交通站点流量预测", 计算机工程, no. 05 * |
荣斌等: "基于时空多图卷积网络的交通站点流量预测", 《计算机工程》, vol. 46, no. 5, pages 26 - 31 * |
Also Published As
Publication number | Publication date |
---|---|
CN115134816B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363449B (zh) | 一种风险识别方法、装置及系统 | |
US9495099B2 (en) | Space-time-node engine signal structure | |
Lv et al. | DeepSTF: A deep spatial–temporal forecast model of taxi flow | |
CN109117856B (zh) | 基于智能边缘云的人及物追踪方法、装置及系统 | |
CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
CN113434483B (zh) | 一种基于时空大数据的可视化建模方法及系统 | |
CN113986933A (zh) | 物化视图的创建方法、装置、存储介质及电子设备 | |
US20140156672A1 (en) | Space-time-nodal type signal processing | |
CN113807926A (zh) | 推荐信息生成方法、装置、电子设备和计算机可读介质 | |
CN115225520B (zh) | 一种基于元学习框架的多模态网络流量预测方法及装置 | |
CN109145225B (zh) | 一种数据处理方法及装置 | |
US10444062B2 (en) | Measuring and diagnosing noise in an urban environment | |
CN117215728B (zh) | 一种基于代理模型的仿真模拟方法、装置及电子设备 | |
JP2012253445A (ja) | トラヒック予測方法及び装置及びプログラム | |
CN116822803B (zh) | 基于智能算法的碳排放数据图构建方法、装置与设备 | |
CN115134816B (zh) | 基于时空卷积和多时间尺度的基站流量预测方法 | |
CN117688984A (zh) | 神经网络结构搜索方法、装置及存储介质 | |
CN113641909A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN116150429A (zh) | 异常对象识别方法、装置、计算设备以及存储介质 | |
CN117593096B (zh) | 产品信息智能推送方法、装置、电子设备和计算机介质 | |
Sun et al. | Application of Big Data Mining in Prediction and Optimization of Mobile Communication Networks | |
US20230376651A1 (en) | Generating weather simulations based on significant events | |
CN117573123B (zh) | 应用于网页应用的页面生成方法、装置和电子设备 | |
CN117636100B (zh) | 预训练任务模型调整处理方法、装置、电子设备和介质 | |
Cheng et al. | A theoretical approach to domain decomposition for parallelization of Digital Terrain Analysis |
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 |