CN115297496A - 结合Bi-LSTM和时间模式注意力的链路质量预测方法 - Google Patents

结合Bi-LSTM和时间模式注意力的链路质量预测方法 Download PDF

Info

Publication number
CN115297496A
CN115297496A CN202211186686.9A CN202211186686A CN115297496A CN 115297496 A CN115297496 A CN 115297496A CN 202211186686 A CN202211186686 A CN 202211186686A CN 115297496 A CN115297496 A CN 115297496A
Authority
CN
China
Prior art keywords
link quality
time sequence
time
sample
multivariate
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
Application number
CN202211186686.9A
Other languages
English (en)
Other versions
CN115297496B (zh
Inventor
范杰彬
刘琳岚
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.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
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 Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN202211186686.9A priority Critical patent/CN115297496B/zh
Publication of CN115297496A publication Critical patent/CN115297496A/zh
Application granted granted Critical
Publication of CN115297496B publication Critical patent/CN115297496B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种结合Bi‑LSTM和时间模式注意力的链路质量预测方法，包括如下步骤：S1：选取链路质量参数构建样本空间，对于样本集中的缺失值使用生成对抗网络方法填充，采用离差标准化法消除参数间量纲差异的影响，然后采用滑动时间窗口构建多元时间序列样本；S2：根据所述多元时间序列样本，使用双向长短期记忆网络提取深度时间依赖，并采用时间模式注意力机制为时序变量加权，从而构建基于双向长短期记忆网络的链路质量预测模型，并得到多元时序预测结果；S3：采用Sigmoid函数构建多元时序预测结果与数据包接受率之间的映射模型，通过该映射模型预测下一时刻的链路质量。本发明能够提高链路质量预测模型的准确性。

Description

结合Bi-LSTM和时间模式注意力的链路质量预测方法
技术领域
本发明涉及链路质量预测技术领域，特别是涉及一种结合Bi-LSTM和时间模式注意力的链路质量预测方法。
背景技术
无线传感器网络（Wireless Sensor Network, WSNs）是由部署在监控区域内的大量传感器节点以自组织的方式构成的网络。这些传感器节点协同感知、收集并且处理需要观察的区域信息，然后将收集的信息发送给观察者，传感器、感知对象和观察者是构成无线传感器网络的三要素。近年来，无线传感器网络在军事调查、环境检测、工业控制、家庭自动化等领域得到了越来越多的应用。尽管无线传感网络的应用越来越成功，但维持网络的长期稳定仍然具有挑战性，由于传感器节点通常部署在户外以及恶劣的环境中，所以在无线传感器网络中，导致多径传播效应的外部环境、由内部并发传输引起的干扰以及硬件收发器内部的噪声使得无线链路不太稳定。其次，传感器节点的能量来源于有限的电源，由于无线通信消耗了不可忽视的能量，数据包的重新传输将迅速耗尽电池，缩短网络寿命。
近年来，链接质量预测受到了广泛关注，因为它在克服这些挑战方面有着巨大的潜力，是设计高层协议即拓扑控制、路由和移动性管理协议的基本组成部分。为了提高网络传输效率，降低数据包重传花费的开销，需要准确、灵活的链路质量预测来寻找最佳的端到端路由，因此，链路质量预测模型的性能对无线传感器网络的设计至关重要，然而现有的链路质量预测模型大多数都忽略了物理层参数序列之间的相关性，局限于使用历史数据包接受率（Packet Reception Rate, PRR）值来预测下一时刻的PRR值，由于在小时间窗内计算的PRR不能准确反映链路质量，并且总是需要很长时间才能获得准确的PRR值。因此，直接使用PRR进行链路质量预测会导致在链路波动的情况下产生更多误差，影响预测的准确性。
发明内容
针对上述问题，本发明的目的在于提出一种结合双向长短期记忆网络（Bi-directional Long Short-Term Memory, Bi-LSTM）和时间模式注意力的链路质量预测方法，以提高链路质量预测模型的准确性。
本发明采用的技术方案如下：一种结合Bi-LSTM和时间模式注意力的链路质量预测方法，包括如下步骤：
S1：选取链路质量参数构建样本空间，对于样本集中的缺失值使用生成对抗网络方法填充，采用离差标准化法消除参数间量纲差异的影响，然后采用滑动时间窗口构建多元时间序列样本；
S2：根据所述多元时间序列样本，使用双向长短期记忆网络提取深度时间依赖，并采用时间模式注意力机制为时序变量加权，从而构建基于双向长短期记忆网络的链路质量预测模型，并得到多元时序预测结果；
S3：采用Sigmoid函数构建多元时序预测结果与数据包接受率之间的映射模型，通过该映射模型预测下一时刻的链路质量。
上述结合Bi-LSTM和时间模式注意力的链路质量预测方法，其中，步骤S1具体包括：
S11，选取链路质量参数构建样本集空间，使用生成对抗网络方法填补样本缺失值；
其中，X为拥有缺失值的原始样本集，xti表示ti时刻观察到的X，
Figure 336172DEST_PATH_IMAGE001
表示ti时刻的 第j个变量，引入掩码矩阵和时间间隔矩阵，若
Figure 911510DEST_PATH_IMAGE002
缺失，则掩码矩阵的对应值为0，否则为1， 时间间隔矩阵表示为当前变量和最近的非缺失值对应的时间间隔，表达式如下：
Figure 185496DEST_PATH_IMAGE003
其中，ti和ti-1分别表示第i和第i-1时刻，
Figure 504482DEST_PATH_IMAGE004
表示ti时刻的第j个变量的掩码矩阵，
Figure 672158DEST_PATH_IMAGE005
表示ti-1时刻的第j个变量的掩码矩阵，
Figure 418397DEST_PATH_IMAGE006
为ti时刻的第j个变量相邻非缺失值之间的 时间间隔，
Figure 914101DEST_PATH_IMAGE007
为ti-1时刻的第j个变量相邻非缺失值之间的时间间隔，然后基于时间间隔 矩阵引入衰减因子β；
Figure 36777DEST_PATH_IMAGE008
其中，Wβ是衰减系数，bβ是偏置量；
S12，使用门循环单元作为生成对抗网络的生成器和判别器，并使用衰减因子β来 更新门循环单元的隐状态
Figure 327469DEST_PATH_IMAGE009
来衰减过去缺失值的影响，更新后的隐状态
Figure 182293DEST_PATH_IMAGE010
的表达式 如下：
Figure 493188DEST_PATH_IMAGE011
其中，
Figure 216294DEST_PATH_IMAGE012
为逐元素相乘；
S13，根据训练好的生成器和判别器，对于任何不完整的时间序列x，使用一个由掩码重建损失函数和判别损失函数组成的填充损失函数来训练由生成器生成的虚假样本，掩码重建损失和判别损失基于如下公式：
Figure 30666DEST_PATH_IMAGE013
Figure 321970DEST_PATH_IMAGE014
其中，Lr(z)为掩码重建损失，M为掩码矩阵，G(z)为生成器生成的样本，Ld(z)为判别损失，其代表生成的样本的真实性程度，D(G(z))为判别器的输出；
最后组合掩码重建损失和判别损失得到填充损失Limputation(z)：
Limputation(z)= Lr(z)+λLd(z)
其中，λ是控制掩码重建损失和判别损失之间的比例的超参数；对于缺失的样本x，首先通过随机采样得到噪声样本z，将其输入生成器中，再根据Limputation(z)训练此样本，在收敛后就可以将该样本替代原先缺失的样本；
S14，在缺失值填充完毕后，使用离差标准化消除量纲影响并采用滑动时间窗口构建多元时间序列样本。
上述结合Bi-LSTM和时间模式注意力的链路质量预测方法，其中，步骤S2具体包括：
S21，采用双向长短期记忆网络从时间序列中提取深度时间依赖，即原始多元时序在输入双向长短期记忆网络后得到的隐状态，具体根据以下公式计算：
ht=concat(htf, htb)
其中，ht是经过双向长短期记忆网络编码得到的隐状态向量，concat是隐藏层输出的拼接操作，htf, htb分别是长短期记忆网络的向前和向后输出的隐状态向量；
S22，根据得到的隐状态向量，使用时间模式注意力机制为不同变量加权，然后通过结合注意力层和Bi-LSTM的隐含层构建基于双向长短期记忆网络的链路质量预测模型，进而得到多元时序预测结果。
上述结合Bi-LSTM和时间模式注意力的链路质量预测方法，其中，步骤S3具体包括：
S31，基于时序样本集，采用Sigmoid函数构建多元时序预测结果与数据包接受率之间的映射模型；
S32，将基于双向长短期记忆网络的链路质量预测模型得到的多元时序预测结果输入映射模型，以映射多元时序预测结果和数据包接受率之间的关系，从而得到下一时刻的链路质量；
其中，数据包接受率的计算公式如下：
Figure 854582DEST_PATH_IMAGE015
其中，PRR表示数据包接受率，
Figure 381379DEST_PATH_IMAGE016
为多元时序预测结果中的物理层参数，θk为物理 层参数的权值，k表示第k个物理层参数。
根据本发明提供的结合Bi-LSTM和时间模式注意力的链路质量预测方法，考虑到测量的链路质量参数本身就是一种时序数据，且参数之间也有一定相关性，将链路质量预测转化为多元时序预测问题，本发明使用滑动窗口构建时间序列，通过Bi-LSTM网络表征时间序列的历史相关性、再使用时间注意力机制从Bi-LSTM网络中得到的隐含行向量中提取多变量之间的关系并得到多元时序预测结果，最后通过映射模型获得PRR值来评价链路质量，以此获得一种较全面的链路质量预测方法，为上层协议选择更好的链路进行数据传输，提高了链路质量预测模型的准确性和稳定性。
附图说明
图1是为无线传感器网络实验场景的模拟图；
图2为本发明中Bi-LSTM的结构图；
图3为本发明中时间模式注意力机制的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
请参考图1，本实施例中，以CrossBow公司的TelosB节点在不同实验场景下组成网络为例进行说明，一种结合Bi-LSTM和时间模式注意力的链路质量预测方法，包括步骤S1~S3：
S1，选取链路质量参数构建样本空间，对于样本集中的缺失值使用生成对抗网络方法填充，采用离差标准化法消除参数间量纲差异的影响，然后采用滑动时间窗口构建多元时间序列样本；
其中，步骤S1具体包括步骤S11~S14。
S11，选取链路质量参数构建样本集空间，使用生成对抗网络方法填补样本缺失值；
综合考虑WSNs链路的不对称、不稳定等性质，对WSNs中的链路质量参数进行选取。常用的无线链路物理层参数有接收信号强度指标（Received Signal StrengthIndication, RSSI）、链路质量指标（Link Quality Indicator, LQI）、信噪比（SignalNoise Ratio, SNR）这三种，其中RSSI是指接收到的数据包的信号强度，它在短时间内是稳定的，但容易受环境的影响。相比于RSSI，LQI对环境的适应能力更强，但LQI的波动范围更大。SNR由纯接收信号强度和噪声流之间的分贝差给出，在一定程度上考虑了噪声和干扰的影响，但也受环境变化的影响。综上所述，物理层参数均对链路质量有一定影响且易于收集，故选择RSSI、LQI和SNR作为链路质量参数，故所构建的样本空间为{RSSI、LQI、SNR}；
X为拥有缺失值的原始样本集，xti表示ti时刻观察到的X，
Figure 50257DEST_PATH_IMAGE017
表示ti时刻的第j个 变量，引入掩码矩阵和时间间隔矩阵，若
Figure 512463DEST_PATH_IMAGE018
缺失，则掩码矩阵的对应值为0，否则为1，时间 间隔矩阵表示为当前变量和最近的非缺失值对应的时间间隔，表达式如下：
Figure 532371DEST_PATH_IMAGE019
其中，ti和ti-1分别表示第i和第i-1时刻，
Figure 862859DEST_PATH_IMAGE020
表示ti时刻的第j个变量的掩码矩阵，
Figure 386244DEST_PATH_IMAGE005
表示ti-1时刻的第j个变量的掩码矩阵，
Figure 19350DEST_PATH_IMAGE021
为ti时刻的第j个变量相邻非缺失值之间的 时间间隔，
Figure 260976DEST_PATH_IMAGE007
为ti-1时刻的第j个变量相邻非缺失值之间的时间间隔，然后基于时间间隔 矩阵引入衰减因子β；
Figure 129575DEST_PATH_IMAGE022
其中，Wβ是衰减系数，bβ是偏置量；
S12，使用门循环单元作为生成对抗网络的生成器和判别器，并使用衰减因子β来 更新门循环单元的隐状态
Figure 38625DEST_PATH_IMAGE023
来衰减过去缺失值的影响，更新后的隐状态
Figure 577054DEST_PATH_IMAGE010
的表达式 如下：
Figure 571554DEST_PATH_IMAGE024
其中，
Figure 243844DEST_PATH_IMAGE012
为逐元素相乘；
S13，根据训练好的生成器和判别器，对于任何不完整的时间序列x，使用一个由掩码重建损失函数和判别损失函数组成的填充损失函数来训练由生成器生成的虚假样本，掩码重建损失和判别损失基于如下公式：
Figure 945084DEST_PATH_IMAGE025
Figure 716731DEST_PATH_IMAGE026
其中，Lr(z)为掩码重建损失，M为掩码矩阵，G(z)为生成器生成的样本，Ld(z)为判别损失，其代表生成的样本的真实性程度，D(G(z))为判别器的输出；
最后组合掩码重建损失和判别损失得到填充损失Limputation(z)：
Limputation(z)= Lr(z)+λLd(z)
其中，λ是控制掩码重建损失和判别损失之间的比例的超参数。对于缺失的样本x，首先通过随机采样得到噪声样本z，将其输入生成器中，再根据Limputation(z)训练此样本，在收敛后就可以将该样本替代原先缺失的样本；
S14，在缺失值填充完毕后，使用离差标准化消除量纲影响并采用滑动时间窗口构建多元时间序列样本。
其中，基于测量得到的物理层参数值，采用滑动时间窗口构建时间序列样本，观测到的一段时间内目标无线链路物理层参数的值为PHY(n)={phy1, phy2, … ,phyn}，其中，n表示观测到的物理层参数个数，phy={RSSI、LQI、SNR}，通过窗口平均计算物理层参数的均值，则每个时间窗口的平均参数值为：
Figure 260845DEST_PATH_IMAGE027
其中，iϵ{1,2, … ,n-w+1}，w为时间窗口大小，phyi表示第i个物理层参数值，基于原始数据序列滑动平均得到的值构成一个新的时间序列G(A)={g1, g2, … ,gA}，其中A=n/w。
S2，根据所述多元时间序列样本，使用双向长短期记忆网络提取深度时间依赖，并采用时间模式注意力机制为时序变量加权，从而构建基于双向长短期记忆网络的链路质量预测模型，并得到多元时序预测结果；
其中，步骤S2具体包括步骤S21~S22：
S21，采用Bi-LSTM从时间序列中提取深度时间依赖，即原始多元时序在输入Bi-LSTM后得到的隐状态，根据以下公式计算：
ht=concat(htf, htb)
其中，ht是经过双向长短期记忆网络编码得到的隐状态向量，concat是隐藏层输出的拼接操作，htf, htb分别是长短期记忆网络的向前和向后输出的隐状态向量，Bi-LSTM的结构请参阅图2；
S22，根据得到的隐状态向量，使用时间模式注意力机制为不同变量加权，然后通过结合注意力层和Bi-LSTM的隐含层构建基于双向长短期记忆网络的链路质量预测模型，进而得到多元时序预测结果；
其中，时间序列被Bi-LSTM处理后，得到的
Figure 143350DEST_PATH_IMAGE028
表示各时间 步下由Bi-LSTM编码构成的隐状态变量，使用一维卷积核提取每个参数在总时长的时间特 征HC：
Figure 761413DEST_PATH_IMAGE029
其中，w为时间窗口大小，Cj为第j个卷积核，×为卷积运算；
具体使用如下注意力机制来计算卷积特征变量的权重：
Figure 907224DEST_PATH_IMAGE030
Figure 610738DEST_PATH_IMAGE031
其中，
Figure 359251DEST_PATH_IMAGE032
是HC的第a个行向量，ht为Bi-LSTM输出的隐变量，W表示参数矩阵，
Figure 97400DEST_PATH_IMAGE033
是注 意力权重，使用注意力权重
Figure 148532DEST_PATH_IMAGE034
和
Figure 339342DEST_PATH_IMAGE032
加权求和向量vt，最终将vt和ht加权后得到最终输出，如 下公式：
Figure 894476DEST_PATH_IMAGE035
Figure 487131DEST_PATH_IMAGE036
其中，c表示输入变量的特征数，时间模式注意力机制结构请参阅图3。
S3，采用Sigmoid函数构建多元时序预测结果与数据包接受率之间的映射模型，通过该映射模型预测下一时刻的链路质量。
其中，步骤S3具体包括步骤S31~S32：
S31，基于时序样本集，采用Sigmoid函数构建多元时序预测结果与数据包接受率之间的映射模型；
S32，将基于双向长短期记忆网络的链路质量预测模型得到的多元时序预测结果输入映射模型，以映射多元时序预测结果和数据包接受率之间的关系，从而得到下一时刻的链路质量；
其中，数据包接受率的计算公式如下：
Figure 974744DEST_PATH_IMAGE037
其中，PRR表示数据包接受率，
Figure 652850DEST_PATH_IMAGE038
为多元时序预测结果中的物理层参数，θk为物理 层参数的权值，k表示第k个物理层参数。
根据上述的结合Bi-LSTM和时间模式注意力的链路质量预测方法，考虑到测量的链路质量参数本身就是一种时序数据，且参数之间也有一定相关性，将链路质量预测转化为多元时序预测问题，本发明使用滑动窗口构建时间序列，通过Bi-LSTM网络表征时间序列的历史相关性、再使用时间注意力机制从Bi-LSTM网络中得到的隐含行向量中提取多变量之间的关系并得到多元时序预测结果，最后通过映射模型获得PRR值来评价链路质量，以此获得一种较全面的链路质量预测方法，为上层协议选择更好的链路进行数据传输，提高了链路质量预测模型的准确性和稳定性。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (4)

1.一种结合Bi-LSTM和时间模式注意力的链路质量预测方法，其特征在于，包括如下步骤：
S1：选取链路质量参数构建样本空间，对于样本集中的缺失值使用生成对抗网络方法填充，采用离差标准化法消除参数间量纲差异的影响，然后采用滑动时间窗口构建多元时间序列样本；
S2：根据所述多元时间序列样本，使用双向长短期记忆网络提取深度时间依赖，并采用时间模式注意力机制为时序变量加权，从而构建基于双向长短期记忆网络的链路质量预测模型，并得到多元时序预测结果；
S3：采用Sigmoid函数构建多元时序预测结果与数据包接受率之间的映射模型，通过该映射模型预测下一时刻的链路质量。
2.根据权利要求1所述的结合Bi-LSTM和时间模式注意力的链路质量预测方法，其特征在于，步骤S1具体包括：
S11，选取链路质量参数构建样本集空间，使用生成对抗网络方法填补样本缺失值；
X为拥有缺失值的原始样本集，xti表示ti时刻观察到的X，
Figure 642075DEST_PATH_IMAGE001
表示ti时刻的第j个变量， 引入掩码矩阵和时间间隔矩阵，若
Figure 205912DEST_PATH_IMAGE001
缺失，则掩码矩阵的对应值为0，否则为1，时间间隔矩 阵表示为当前变量和最近的非缺失值对应的时间间隔，表达式如下：
Figure 858610DEST_PATH_IMAGE002
其中，ti和ti-1分别表示第i和第i-1时刻，
Figure 570956DEST_PATH_IMAGE003
表示ti时刻的第j个变量的掩码矩阵，
Figure 727131DEST_PATH_IMAGE004
表示ti-1时刻的第j个变量的掩码矩阵，
Figure 727448DEST_PATH_IMAGE005
为ti时刻的第j个变量相邻非缺失值之间的时间 间隔，
Figure 601863DEST_PATH_IMAGE006
为ti-1时刻的第j个变量相邻非缺失值之间的时间间隔，然后基于时间间隔矩阵 引入衰减因子β；
Figure 103251DEST_PATH_IMAGE007
其中，Wβ是衰减系数，bβ是偏置量；
S12，使用门循环单元作为生成对抗网络的生成器和判别器，并使用衰减因子β来更新 门循环单元的隐状态
Figure 379512DEST_PATH_IMAGE008
来衰减过去缺失值的影响，更新后的隐状态
Figure 550730DEST_PATH_IMAGE009
的表达式如下：
Figure 912442DEST_PATH_IMAGE010
其中，
Figure 951942DEST_PATH_IMAGE011
为逐元素相乘；
S13，根据训练好的生成器和判别器，对于任何不完整的时间序列x，使用一个由掩码重建损失函数和判别损失函数组成的填充损失函数来训练由生成器生成的虚假样本，掩码重建损失和判别损失基于如下公式：
Figure 82709DEST_PATH_IMAGE012
Figure 424828DEST_PATH_IMAGE013
其中，Lr(z)为掩码重建损失，M为掩码矩阵，G(z)为生成器生成的样本，Ld(z)为判别损失，其代表生成的样本的真实性程度，D(G(z))为判别器的输出；
最后组合掩码重建损失和判别损失得到填充损失Limputation(z)：
Limputation(z)= Lr(z)+λLd(z)
其中，λ是控制掩码重建损失和判别损失之间的比例的超参数；
S14，在缺失值填充完毕后，使用离差标准化消除量纲影响并采用滑动时间窗口构建多元时间序列样本。
3.根据权利要求1所述的结合Bi-LSTM和时间模式注意力的链路质量预测方法，其特征在于，步骤S2具体包括：
S21，采用双向长短期记忆网络从时间序列中提取深度时间依赖，即原始多元时序在输入双向长短期记忆网络后得到的隐状态，具体根据以下公式计算：
ht=concat(htf, htb)
其中，ht是经过双向长短期记忆网络编码得到的隐状态向量，concat是隐藏层输出的拼接操作，htf, htb分别是长短期记忆网络的向前和向后输出的隐状态向量；
S22，根据得到的隐状态向量，使用时间模式注意力机制为不同变量加权，然后通过结合注意力层和Bi-LSTM的隐含层构建基于双向长短期记忆网络的链路质量预测模型，进而得到多元时序预测结果。
4.根据权利要求1所述的结合Bi-LSTM和时间模式注意力的链路质量预测方法，其特征在于，步骤S3具体包括：
S31，基于时序样本集，采用Sigmoid函数构建多元时序预测结果与数据包接受率之间的映射模型；
S32，将基于双向长短期记忆网络的链路质量预测模型得到的多元时序预测结果输入映射模型，以映射多元时序预测结果和数据包接受率之间的关系，从而得到下一时刻的链路质量；
其中，数据包接受率的计算公式如下：
Figure 601732DEST_PATH_IMAGE014
其中，PRR表示数据包接受率，
Figure 117027DEST_PATH_IMAGE015
为多元时序预测结果中的物理层参数，θk为物理层参 数的权值，k表示第k个物理层参数。
CN202211186686.9A 2022-09-28 2022-09-28 结合Bi-LSTM和时间模式注意力的链路质量预测方法 Active CN115297496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211186686.9A CN115297496B (zh) 2022-09-28 2022-09-28 结合Bi-LSTM和时间模式注意力的链路质量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211186686.9A CN115297496B (zh) 2022-09-28 2022-09-28 结合Bi-LSTM和时间模式注意力的链路质量预测方法

Publications (2)

Publication Number Publication Date
CN115297496A true CN115297496A (zh) 2022-11-04
CN115297496B CN115297496B (zh) 2022-12-20

Family

ID=83834652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211186686.9A Active CN115297496B (zh) 2022-09-28 2022-09-28 结合Bi-LSTM和时间模式注意力的链路质量预测方法

Country Status (1)

Country Link
CN (1) CN115297496B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116502959A (zh) * 2023-06-21 2023-07-28 南京航空航天大学 一种基于元学习的产品制造质量预测方法
CN117014555A (zh) * 2023-09-04 2023-11-07 云南电网有限责任公司 一种呼叫中心呼叫预测的识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110636517A (zh) * 2019-09-25 2019-12-31 南昌航空大学 一种采用卷积长短期记忆的在线链路质量预测方法
US20200053591A1 (en) * 2018-08-10 2020-02-13 Verizon Patent And Licensing Inc. Systems and methods for wireless low latency traffic scheduler
CN111553543A (zh) * 2020-05-18 2020-08-18 润联软件系统(深圳)有限公司 基于TPA-Seq2Seq的电力负荷预测方法及相关组件
CN111563611A (zh) * 2020-04-13 2020-08-21 北京工业大学 面向图卷积网络的云数据中心可再生能源时空预测方法
CN111612254A (zh) * 2020-05-22 2020-09-01 中国科学院合肥物质科学研究院 基于改进注意力双向长短期记忆网络的道路机动车尾气排放预测方法
US20200410671A1 (en) * 2019-06-28 2020-12-31 Shandong University Of Science And Technology Ct lymph node detection system based on spatial-temporal recurrent attention mechanism
CN112703457A (zh) * 2018-05-07 2021-04-23 强力物联网投资组合2016有限公司 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112703457A (zh) * 2018-05-07 2021-04-23 强力物联网投资组合2016有限公司 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统
US20200053591A1 (en) * 2018-08-10 2020-02-13 Verizon Patent And Licensing Inc. Systems and methods for wireless low latency traffic scheduler
US20200410671A1 (en) * 2019-06-28 2020-12-31 Shandong University Of Science And Technology Ct lymph node detection system based on spatial-temporal recurrent attention mechanism
CN110636517A (zh) * 2019-09-25 2019-12-31 南昌航空大学 一种采用卷积长短期记忆的在线链路质量预测方法
CN111563611A (zh) * 2020-04-13 2020-08-21 北京工业大学 面向图卷积网络的云数据中心可再生能源时空预测方法
CN111553543A (zh) * 2020-05-18 2020-08-18 润联软件系统(深圳)有限公司 基于TPA-Seq2Seq的电力负荷预测方法及相关组件
CN111612254A (zh) * 2020-05-22 2020-09-01 中国科学院合肥物质科学研究院 基于改进注意力双向长短期记忆网络的道路机动车尾气排放预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BOFENG FU等: "10.Attention-Based Recurrent Multi-Channel Neural Network for Influenza Epidemic Prediction", 《2018 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 *
倪维健等: "基于注意力双向循环神经网络的业务流程剩余时间预测方法", 《计算机集成制造系统》 *
孙立辉等: "基于A-LSTM算法的烧结矿质量预测", 《软件导刊》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116502959A (zh) * 2023-06-21 2023-07-28 南京航空航天大学 一种基于元学习的产品制造质量预测方法
CN116502959B (zh) * 2023-06-21 2023-09-08 南京航空航天大学 一种基于元学习的产品制造质量预测方法
CN117014555A (zh) * 2023-09-04 2023-11-07 云南电网有限责任公司 一种呼叫中心呼叫预测的识别方法
CN117014555B (zh) * 2023-09-04 2024-01-12 云南电网有限责任公司 一种呼叫中心呼叫预测的识别方法

Also Published As

Publication number Publication date
CN115297496B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN115297496B (zh) 结合Bi-LSTM和时间模式注意力的链路质量预测方法
Sun et al. WNN-LQE: Wavelet-neural-network-based link quality estimation for smart grid WSNs
Rabbat et al. Distributed optimization in sensor networks
Nurgaliyev et al. Prediction of energy consumption for LoRa based wireless sensors network
Hu et al. On state estimation for nonlinear dynamical networks with random sensor delays and coupling strength under event-based communication mechanism
Wen et al. Event-based distributed recursive filtering for state-saturated systems with redundant channels
CN112311706B (zh) 基于贝叶斯神经网络信道预测的频分双工下行传输方法
Wei et al. An RNN-based delay-guaranteed monitoring framework in underwater wireless sensor networks
CN103139804B (zh) 无线传感器网络的节能传播自适应rls分布式检测方法
Bonnah et al. Coverage maximization in wireless sensor networks using minimal exposure path and particle swarm optimization
Boucetta et al. QoS in IoT networks based on link quality prediction
Hribar et al. Energy-aware deep reinforcement learning scheduling for sensors correlated in time and space
Stamatakis et al. Semantics-aware active fault detection in IoT
CN108271168B (zh) 一种基于Dijkstra算法的无线传感器网络覆盖优化方法
Xu et al. Analysis and simulation of reliability of wireless sensor network based on node optimization deployment model
CN106257849B (zh) 基于多目标量子萤火虫搜索机制的频谱感知方法
Guo et al. Reinforcement learning-enabled reliable wireless sensor networks in dynamic underground environments
Aboubakar et al. An efficient and adaptive configuration of IEEE 802.15. 4 MAC for communication delay optimisation
Liu et al. A link quality prediction mechanism for wsns based on time series model
CN113890633B (zh) 一种基于深度神经网络的水声通信体制自适应选取方法
Xu et al. Recurrent neural network based link quality prediction for wireless sensor networks
Liu et al. Prediction of wireless network connectivity using a Taylor Kriging approach
Kong NLOS Identification for UWB Positioning Based on IDBO and Convolutional Neural Networks
Liu et al. Eliminating Mapping Error of Link Quality Prediction for Low Power Wireless Networks
Fanjiebin et al. A Hybrid Model with CNN-LSTM for Link Quality 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