CN115866658A - 一种基于动态时空超图卷积网络的流量预测方法和系统 - Google Patents
一种基于动态时空超图卷积网络的流量预测方法和系统 Download PDFInfo
- Publication number
- CN115866658A CN115866658A CN202310064987.2A CN202310064987A CN115866658A CN 115866658 A CN115866658 A CN 115866658A CN 202310064987 A CN202310064987 A CN 202310064987A CN 115866658 A CN115866658 A CN 115866658A
- Authority
- CN
- China
- Prior art keywords
- hypergraph
- time
- network
- traffic
- mobile
- 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 27
- 230000001413 cellular effect Effects 0.000 claims abstract description 18
- 230000000750 progressive effect Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 106
- 230000004913 activation Effects 0.000 claims description 18
- 238000009792 diffusion process Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000013178 mathematical model Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 2
- 241000394635 Acetomicrobium mobile Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线通信技术领域,具体涉及一种基于动态时空超图卷积网络的流量预测方法和系统。首先建立门控时间卷积网络模型和高阶时间差分卷积网络模型的时间模块来模拟动态异构网络中移动流量更复杂的时间关系;建立空间渐进卷积网络模型构成空间模块,模拟动态异构网络中移动流量更复杂的空间关系;然后在图卷积网络的基础上建立移动数据流量的超图卷积网络模块,将时间模块、空间模块、超图卷积网络模块相融合,从而建立完整的移动数据流量的动态时空超图卷积预测模型;最后通过优化算法更新动态时空超图卷积预测模型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,从而实现动态异构网络中高精度的移动流量预测。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种基于动态时空超图卷积网络的流量预测方法和系统。
背景技术
随着数据网络的快速发展和对移动流量需求的不断增加,移动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,在提高服务质量、缓解网络拥堵和减少运营支出等方面起着至关重要的作用。
现有的移动流量预测机制(如线性回归模型、时间序列模型、支持向量机、概率统计模型、深度神经网络模型等)大多忽略了移动流量跨空间和跨时间特征,预测准确度不高,较难实现全网范围估计和长期流量预测。目前,图卷积网络(GCN)被引入无线流量预测中,它将各区域移动流量数据值作为节点,流量数据值之间的关系作为边,构建邻接矩阵和图来实现移动流量的预测。目前大多数的图卷积网络模型无法有效模拟移动流量在时间和空间上的动态相关性,而真实世界中的移动流量值及其相关性在时间和空间上会发生动态变化。此外,传统的图卷积网络模型只能表达移动流量节点之间直观的流量数据关系,无法表达移动流量内部潜在的高阶信息。
发明内容
为了克服现有技术存在的不足,提高移动流量预测的精度,我们探索了一种新的数据表示结构——超图。超图是传统图的推广,表示具有超边的顶点之间的非成对关系。超图可以模拟移动流量中高阶数据的内在关系,携带高阶信息。因此超图具有复杂的拓扑结构和动态时间特征,能够充分利用移动流量在时空上的动态特性,适用于移动流量数据建模。
因此,本发明通过构建移动数据流量的超图,研究基于动态时空超图卷积网络的流量预测方法,实现精确的全网范围内移动流量预测,从而有效地提高移动数据流量预测精度,克服现有移动数据流量预测方法预测精度低、预测时间短等问题。
为了克服现有移动数据流量预测方法预测精度低、预测时间短等问题,本发明的目的在于提出一种基于动态时空超图卷积网络的流量预测方法和系统。
为了达到上述目的,本发明所采用的技术方案是:一种基于动态时空超图卷积网络的流量预测方法,所述方法包括如下步骤:
步骤1,构建图卷积网络模块。通过研究移动流量数据时空相关性特点,对动态异构网络中移动数据流量预测数学模型进行描述;
步骤2,为了模拟动态异构网络中移动流量更复杂的时间关系,建立门控时间卷积网络模型和高阶时间差分卷积网络模型构成时间模块;
步骤3,为了模拟动态异构网络中移动流量更复杂的空间关系,建立空间渐进卷积网络模型来构成空间模块;
步骤4,在此基础上,将图卷积网络扩展为超图卷积网络,从而建立移动数据流量的超图卷积网络模块;
步骤5,在此基础上,时间模块、空间模块、超图卷积网络模块相融合,从而建立完整的移动数据流量的动态时空超图卷积预测模型;
步骤6,通过优化算法更新动态时空超图卷积预测模型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。
进一步地,步骤1中,构建图卷积网络模块及对动态异构网络中移动数据流量预测数学模型进行描述的过程包括:
将移动蜂窝流量网络建模成无向图,/>是移动蜂窝流量网络中/>个节点的集合,/>是边的集合,/>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/>,否则/>,其中/>表示区域/>在时间/>内的流量,/>表示区域/>在时间/>内的流量;
考虑到节点在时间的流量为/>,则/>个节点在时间/>的流量表示为/>,对于一个周期/>,将移动流量的流量序列表示为/>,因此,我们利用时间/>之前的/>时间段内的历史移动流量数据来预测时间/>之后的/>时间段内的移动流量数据,预测的移动流量定义为:
进一步地,步骤2中,建立门控时间卷积网络模型(GateTCN)和高阶时间差分卷积网络模型(HDTCN)来构成时间模块的过程包括:
为了模拟动态异构网络中移动流量更复杂的时间关系,建立门控时间卷积网络模型,门控时间卷积网络模型GateTCN的表达式如下:
其中,TCN为时间卷积网络模型,是时间维数上的扩张卷积,/>是移动流量的时间序列,/>为参数值,/>和/>是/>的含有不同参数/>和/>的时间卷积网络模型,/>和/>为激活函数,/>为逻辑运算符,表示同或运算。
为了直接获得高阶的时间信息,如移动流量的变化率。因此,建立高阶时间差分卷积网络模型HDTCN,表达式如下:
进一步地,步骤3中,建立空间渐进卷积网络模型(SPGCN)来构成空间模块的过程包括:
为了模拟动态异构网络中移动流量更复杂的空间关系,建立空间渐进卷积网络模型SPGCN,表达式如下:
其中,是移动流量的时间序列,/>是在/>中使用随机整数值初始化所得到的矩阵,/>是移动蜂窝流量网络中/>个节点的集合,该矩阵可表现出节点之间潜在的空间相关性,因此可以获得更小的移动流量预测误差。/>为移动流量的转移矩阵,/>为输入特征矩阵,/>为参数值,/>为激活函数。
进一步地,步骤4中,将图卷积网络扩展为超图卷积网络,从而建立移动数据流量的超图卷积网络模块(HGCN)的过程包括:
图卷积网络通过聚合和转换相邻节点的特征来更新节点特征。图卷积网络GCN的一阶切比雪夫表达式为:
超图卷积网络为图到超图的扩展,超图卷积网络HGCN表示为:
为了有效模拟移动流量在空间上的随机特性,因此,构建一个有限步长的图信号扩散过程来模拟移动流量的空间建模,表示为:
因此,相应的超图卷积网络表达式为:
其中,是超图中的超边所拥有的权重向量,/>为创建对角矩阵所需的函数,为/>的对角矩阵,/>为超节点之间的特征矩阵,/>为扩散系数,/>表示超边度的对角矩阵,/>表示超节点度的对角矩阵,/>为超图的关联矩阵,/>为可学习的参数。
进一步地,步骤5中,移动流量的时间序列经过时间模块和空间模块的融合来进行更新,并将更新后的时间序列传输给超图卷积网络模块,从而构建完整的移动数据流量的动态超图卷积预测模型DHGCN,表达式如下:
其中,为移动流量的空间模型,提供了移动流量图中节点的动态特征,为经过平均池化后的输入特征矩阵,/>由对/>进行归一化处理得到,/>为归一化邻接矩阵/>的/>次幂,/>为创建对角矩阵所需的函数,/>是移动流量空间模型的对角矩阵,/>为超图的时间序列,/>为扩散系数,/>表示超边度的对角矩阵,/>表示超节点度的对角矩阵,/>为超图的关联矩阵,/>为可学习的参数。
进一步地,步骤6中,通过优化算法更新动态时空超图卷积预测模型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的过程包括:
动态时空超图卷积预测模型的输出经过激活函数和线性变换的处理,得到最终的移动流量预测结果,表达式为:
进一步的,利用绝对平方误差作为损失函数,所述损失函数表示为:
本发明还提供一种基于动态时空超图卷积网络的流量预测系统,包括如下模块:
图卷积网络构建模块,用于构建图卷积网络,通过研究移动流量数据时空相关性特点,对动态异构网络中移动数据流量预测数学模型进行描述;
时间关系构建模块,用于建立门控时间卷积网络模型和高阶时间差分卷积网络模型构成时间模块,模拟动态异构网络中移动流量更复杂的时间关系;
空间关系构建模块,用于建立空间渐进卷积网络模型构成空间模块,模拟动态异构网络中移动流量更复杂的空间关系;
超图卷积网络构建模块,用于将图卷积网络扩展为超图卷积网络,从而建立移动数据流量的超图卷积网络模块;
动态时空超图卷积预测模型构建模块,用于将时间模块、空间模块、超图卷积网络模块相融合,从而建立完整的移动数据流量的动态时空超图卷积预测模型;
预测模块,用于通过优化算法更新动态时空超图卷积预测模型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,时间关系构建模块的具体实现方式如下;
门控时间卷积网络模型GateTCN的表达式如下:
其中,TCN为时间卷积网络模型,是时间维数上的扩张卷积,/>是移动流量的时间序列,/>为参数值,/>和/>是/>的含有不同参数/>和/>的时间卷积网络模型,/>和/>为激活函数,/>为逻辑运算符,表示同或运算;
为了直接获得高阶的时间信息,建立高阶时间差分卷积网络模型HDTCN,表达式如下:
进一步的,超图卷积网络构建模块的具体实现方式如下;
图卷积网络通过聚合和转换相邻节点的特征来更新节点特征,图卷积网络GCN的一阶切比雪夫表达式为:
超图卷积网络为图到超图的扩展,超图卷积网络HGCN表示为:
为了有效模拟移动流量在空间上的随机特性,因此,构建一个有限步长的图信号扩散过程来模拟移动流量的空间建模,表示为:
因此,相应的超图卷积网络表达式为:
其中,是超图中的超边所拥有的权重向量,/>为创建对角矩阵所需的函数,为/>的对角矩阵,/>为超节点之间的特征矩阵,/>为扩散系数,/>表示超边度的对角矩阵,/>表示超节点度的对角矩阵,/>为超图的关联矩阵,/>为可学习的参数。
与现有技术相比,本发明的有益效果是:本发明充分利用移动流量在时空上的动态特性,利用超图模拟移动流量中高阶数据的高阶信息,研究基于动态时空超图卷积网络的流量预测方法,实现精确的全网范围内移动流量预测,从而克服现有移动数据流量预测方法预测时间短、预测精度低的问题。
附图说明
图1是本发明基于动态超图卷积网络架构的移动数据流量预测架构示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
针对现有移动数据流量预测方法预测精度低、无法有效表现移动流量在时空上的相关性、无法表达移动流量内部潜在的高阶信息等问题,本发明通过研究用户移动性和流量数据时空相关性等特点,对动态异构网络中移动数据流量预测数学模型进行描述;建立门控时间卷积网络模型和高阶时间差分卷积网络模型构成时间模块,模拟动态异构网络中移动流量复杂的时间关系和高阶信息;建立建立空间渐进卷积网络模型来构成空间模块,模拟动态异构网络中移动流量复杂的空间关系和高阶信息;建立超图卷积网络模型,结合时间模块与空间模块,从而构建完整的移动流量的动态超图卷积预测模型;最后通过优化算法更新动态超图卷积网络模型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,从而达到实现动态异构网络中高精度的移动流量预测的目的。
A.移动数据流量预测数学模型
将移动蜂窝流量网络建模成无向图,/>是移动蜂窝流量网络中/>个节点的集合,/>是边的集合,/>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/>,否则/>,其中/>表示区域/>在时间/>内的流量,/>表示区域/>在时间/>内的流量;
考虑到节点在时间的流量为/>,则/>个节点在时间/>的流量表示为/>,对于一个周期/>,将移动流量的流量序列表示为/>,因此,我们利用时间/>之前的/>时间段内的历史移动流量数据来预测时间/>之后的/>时间段内的移动流量数据,预测的移动流量定义为:
B.建立门控时间卷积网络模型和高阶时间差分卷积网络模型构成时间模块
为了模拟动态异构网络中移动流量更复杂的时间关系,建立门控时间卷积网络模型,门控时间卷积网络模型的表达式如下:
其中,TCN为时间卷积网络模型,是时间维数上的扩张卷积,/>是移动流量的时间序列,/>为参数值,/>和/>是/>的含有不同参数/>和/>的时间卷积网络模型,/>和/>为激活函数,/>为逻辑运算符,表示同或运算。
为了直接获得高阶的时间信息,如移动流量的变化率。因此,建立高阶时间差分卷积网络模型,表达式如下:
C.建立空间渐进卷积网络模型构成空间模块
为了模拟动态异构网络中移动流量更复杂的空间关系,建立空间渐进卷积网络模型SPGCN,表达式如下:
其中,是移动流量的时间序列,/>是在/>中使用随机整数值初始化所得到的矩阵,/>是移动蜂窝流量网络中/>个节点的集合,该矩阵可表现出节点之间潜在的空间相关性,因此可以获得更小的移动流量预测误差。/>为移动流量的转移矩阵,/>为输入特征矩阵,/>为参数值,/>为激活函数。
D.将图卷积网络扩展为超图卷积网络,建立移动数据流量的超图卷积网络模块;
图卷积网络通过聚合和转换相邻节点的特征来更新节点特征。图卷积网络的一阶切比雪夫表达式为:
超图卷积网络为图到超图的扩展,表示为:
为了有效模拟移动流量在空间上的随机特性,因此,构建一个有限步长的图信号扩散过程来模拟移动流量的空间建模,表示为:
因此,相应的超图卷积网络表达式为:
其中,是超图中的超边所拥有的权重向量,/>为创建对角矩阵所需的函数,为/>的对角矩阵,/>为超节点之间的特征矩阵,/>为扩散系数,/>表示超边度的对角矩阵,/>表示超节点度的对角矩阵,/>为超图的关联矩阵。
E.将时间模块、空间模块、超图卷积网络模块相融合,建立完整的移动数据流量的动态时空超图卷积预测模型
移动流量的时间序列经过时间模块和空间模块的融合来进行更新,并将更新后的时间序列传输给超图卷积网络模块,从而构建完整的移动数据流量的动态时空超图卷积预测模型,表达式如下:
其中,为移动流量的空间模型,提供了移动流量图中节点的动态特征,为经过平均池化后的输入特征矩阵,/>由对/>进行归一化处理得到,/>为归一化邻接矩阵/>的/>次幂,/>为创建对角矩阵所需的函数,/>是移动流量空间模型的对角矩阵,/>为超图的时间序列,/>为扩散系数,/>表示超边度的对角矩阵,/>表示超节点度的对角矩阵,/>为超图的关联矩阵,/>为可学习的参数。
F.更新网络参数获得最小损失函数
动态时空超图卷积预测模型的输出经过激活函数和线性变换的处理,得到最终的移动流量预测结果,表达式为:
进一步的,利用绝对平方误差作为损失函数,所述损失函数表示为:
本发明实施例还提供一种基于动态时空超图卷积网络的流量预测系统,包括如下模块:
图卷积网络构建模块,用于构建图卷积网络,通过研究移动流量数据时空相关性特点,对动态异构网络中移动数据流量预测数学模型进行描述;
时间关系构建模块,用于建立门控时间卷积网络模型和高阶时间差分卷积网络模型构成时间模块,模拟动态异构网络中移动流量更复杂的时间关系;
空间关系构建模块,用于建立空间渐进卷积网络模型构成空间模块,模拟动态异构网络中移动流量更复杂的空间关系;
超图卷积网络构建模块,用于将图卷积网络扩展为超图卷积网络,从而建立移动数据流量的超图卷积网络模块;
动态时空超图卷积预测模型构建模块,用于将时间模块、空间模块、超图卷积网络模块相融合,从而建立完整的移动数据流量的动态时空超图卷积预测模型;
预测模块,用于通过优化算法更新动态时空超图卷积预测模型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。
各模块的具体实现方式和各步骤相应,本发明不予撰述。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种基于动态时空超图卷积网络的流量预测方法,其特征在于,所述方法包括如下步骤:
步骤1,构建图卷积网络,通过研究移动流量数据时空相关性特点,对动态异构网络中移动数据流量预测数学模型进行描述;
步骤2,建立门控时间卷积网络模型和高阶时间差分卷积网络模型构成时间模块,模拟动态异构网络中移动流量更复杂的时间关系;
步骤3,建立空间渐进卷积网络模型构成空间模块,模拟动态异构网络中移动流量更复杂的空间关系;
步骤4,将图卷积网络扩展为超图卷积网络,从而建立移动数据流量的超图卷积网络模块;
步骤5,将时间模块、空间模块、超图卷积网络模块相融合,从而建立完整的移动数据流量的动态时空超图卷积预测模型;
步骤6,通过优化算法更新动态时空超图卷积预测模型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所述的基于动态时空超图卷积网络的流量预测方法,其特征在于:步骤1中,构建图卷积网络及对动态异构网络中移动数据流量预测数学模型进行描述的过程包括:将移动蜂窝流量网络建模成无向图,/>是移动蜂窝流量网络中/>个节点的集合,/>是边的集合,/>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/>,否则/>,其中/>表示区域/>在时间/>内的流量,/>表示区域/>在时间/>内的流量;
考虑到节点在时间的流量为/>,则/>个节点在时间/>的流量表示为/>,对于一个周期/>,将移动流量的流量序列表示为/>,因此,利用时间/>之前的/>时间段内的历史移动流量数据来预测时间/>之后的/>时间段内的移动流量数据,预测的移动流量定义为:
5.根据权利要求1所述的所述的基于动态时空超图卷积网络的流量预测方法,其特征在于:步骤4的具体实现方式如下;
图卷积网络通过聚合和转换相邻节点的特征来更新节点特征,图卷积网络GCN的一阶切比雪夫表达式为:
超图卷积网络为图到超图的扩展,超图卷积网络HGCN表示为:
为了有效模拟移动流量在空间上的随机特性,因此,构建一个有限步长的图信号扩散过程来模拟移动流量的空间建模,表示为:
因此,相应的超图卷积网络表达式为:
6.根据权利要求5所述的所述的基于动态时空超图卷积网络的流量预测方法,其特征在于:步骤5的具体实现方式如下;
移动流量的时间序列经过时间模块和空间模块的融合来进行更新,并将更新后的时间序列传输给超图卷积网络模块,从而构建完整的移动数据流量的动态时空超图卷积预测模型DHGCN,表达式如下:
8.一种基于动态时空超图卷积网络的流量预测系统,其特征在于,包括如下模块:
图卷积网络构建模块,用于构建图卷积网络,通过研究移动流量数据时空相关性特点,对动态异构网络中移动数据流量预测数学模型进行描述;
时间关系构建模块,用于建立门控时间卷积网络模型和高阶时间差分卷积网络模型构成时间模块,模拟动态异构网络中移动流量更复杂的时间关系;
空间关系构建模块,用于建立空间渐进卷积网络模型构成空间模块,模拟动态异构网络中移动流量更复杂的空间关系;
超图卷积网络构建模块,用于将图卷积网络扩展为超图卷积网络,从而建立移动数据流量的超图卷积网络模块;
动态时空超图卷积预测模型构建模块,用于将时间模块、空间模块、超图卷积网络模块相融合,从而建立完整的移动数据流量的动态时空超图卷积预测模型;
预测模块,用于通过优化算法更新动态时空超图卷积预测模型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。
10.如权利要求8所述的一种基于动态时空超图卷积网络的流量预测系统,其特征在于:超图卷积网络构建模块的具体实现方式如下;
图卷积网络通过聚合和转换相邻节点的特征来更新节点特征,图卷积网络GCN的一阶切比雪夫表达式为:
超图卷积网络为图到超图的扩展,超图卷积网络HGCN表示为:
为了有效模拟移动流量在空间上的随机特性,因此,构建一个有限步长的图信号扩散过程来模拟移动流量的空间建模,表示为:
因此,相应的超图卷积网络表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310064987.2A CN115866658B (zh) | 2023-02-06 | 2023-02-06 | 一种基于动态时空超图卷积网络的流量预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310064987.2A CN115866658B (zh) | 2023-02-06 | 2023-02-06 | 一种基于动态时空超图卷积网络的流量预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115866658A true CN115866658A (zh) | 2023-03-28 |
CN115866658B CN115866658B (zh) | 2023-05-16 |
Family
ID=85657597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310064987.2A Active CN115866658B (zh) | 2023-02-06 | 2023-02-06 | 一种基于动态时空超图卷积网络的流量预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115866658B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030428A (zh) * | 2023-03-30 | 2023-04-28 | 武汉创领信服科技有限公司 | 工地区域危险报警监测方法及装置 |
CN116055224A (zh) * | 2023-03-29 | 2023-05-02 | 山东省计算中心(国家超级计算济南中心) | 基于时空超图卷积的加密应用程序行为流量检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111918321A (zh) * | 2020-07-22 | 2020-11-10 | 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 |
CN114158085A (zh) * | 2021-11-18 | 2022-03-08 | 湖北工业大学 | 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 |
CN114611798A (zh) * | 2022-03-06 | 2022-06-10 | 北京工业大学 | 一种基于动态超图卷积神经网络的od客流预测方法 |
CN114723011A (zh) * | 2022-04-13 | 2022-07-08 | 广东技术师范大学 | 一种面向动态图链接预测的高阶时序超图卷积网络运行方法 |
CN114944053A (zh) * | 2022-03-16 | 2022-08-26 | 浙江工业大学 | 一种基于时空超图神经网络的交通流预测方法 |
CN115062727A (zh) * | 2022-07-12 | 2022-09-16 | 广东技术师范大学 | 一种基于多阶超图卷积网络的图节点分类方法及系统 |
CN115482656A (zh) * | 2022-05-23 | 2022-12-16 | 汕头大学 | 一种使用空间动态图卷积网络进行交通流预测方法 |
CN115565369A (zh) * | 2022-09-20 | 2023-01-03 | 北京工商大学 | 一种基于超图的时空超图卷积交通流量预测方法及系统 |
-
2023
- 2023-02-06 CN CN202310064987.2A patent/CN115866658B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111918321A (zh) * | 2020-07-22 | 2020-11-10 | 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 |
CN114158085A (zh) * | 2021-11-18 | 2022-03-08 | 湖北工业大学 | 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 |
CN114611798A (zh) * | 2022-03-06 | 2022-06-10 | 北京工业大学 | 一种基于动态超图卷积神经网络的od客流预测方法 |
CN114944053A (zh) * | 2022-03-16 | 2022-08-26 | 浙江工业大学 | 一种基于时空超图神经网络的交通流预测方法 |
CN114723011A (zh) * | 2022-04-13 | 2022-07-08 | 广东技术师范大学 | 一种面向动态图链接预测的高阶时序超图卷积网络运行方法 |
CN115482656A (zh) * | 2022-05-23 | 2022-12-16 | 汕头大学 | 一种使用空间动态图卷积网络进行交通流预测方法 |
CN115062727A (zh) * | 2022-07-12 | 2022-09-16 | 广东技术师范大学 | 一种基于多阶超图卷积网络的图节点分类方法及系统 |
CN115565369A (zh) * | 2022-09-20 | 2023-01-03 | 北京工商大学 | 一种基于超图的时空超图卷积交通流量预测方法及系统 |
Non-Patent Citations (5)
Title |
---|
DONGYANG BAO,WEI ZHENG,WENXIN HU: "Hybrid Graph Convolutional Networks for Semi-Supervised Classification" * |
刘伟; 贾素玲: "《基于图对比学习的稳健交通流量预测》" * |
张永凯; 武志昊; 林友芳; 赵苡积: "《面向交通流量预测的时空超关系图卷积网络》" * |
李晓杰;崔超然;宋广乐;苏雅茜;吴天泽: "基于时序超图卷积神经网络的股票趋势预测方法", 《计算机应用》 * |
范聂霏: "基于卷积神经网络的流量分类方法研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116055224A (zh) * | 2023-03-29 | 2023-05-02 | 山东省计算中心(国家超级计算济南中心) | 基于时空超图卷积的加密应用程序行为流量检测方法 |
CN116030428A (zh) * | 2023-03-30 | 2023-04-28 | 武汉创领信服科技有限公司 | 工地区域危险报警监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115866658B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115866658A (zh) | 一种基于动态时空超图卷积网络的流量预测方法和系统 | |
CN114116198A (zh) | 一种移动车辆的异步联邦学习方法、系统、设备及终端 | |
CN104010329B (zh) | 基于量化无偏广播Gossip算法的分布式负载均衡方法 | |
Hou et al. | The prediction of multistep traffic flow based on AST-GCN-LSTM | |
CN114077913A (zh) | 基于自动储层神经网络的多步预测未来风速的方法和系统 | |
CN115051925B (zh) | 一种基于迁移学习的时空序列预测方法 | |
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 | |
Shiang et al. | Gated recurrent unit network-based cellular trafile prediction | |
EP3884732A1 (en) | Method and node for handling sensor nodes and fog nodes in a communications system | |
CN110278570B (zh) | 一种基于人工智能的无线通信系统 | |
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 | |
CN109581280A (zh) | 终端自适应在线定位方法、系统及装置 | |
Wang et al. | Terrain-based coverage manifold estimation: Machine learning, stochastic geometry, or simulation? | |
Chen et al. | Digital twin mobility profiling: A spatio-temporal graph learning approach | |
CN111935766B (zh) | 一种基于全局空间依赖性的无线网络流量预测方法 | |
CN113347384B (zh) | 一种基于时序表征学习的视频会议流量预测方法及系统 | |
Duran et al. | 6G-Enabled DTaaS (Digital Twin as a Service) for Decarbonized Cities | |
Hu et al. | Improved particle swarm optimization for minimum spanning tree of length constraint problem | |
Zhu et al. | Prediction of cellular network channel utilization based on graph convolutional networks | |
Lin et al. | An Effective Scheme of Building Electromagnetic Map for Spectrum Sensing | |
CN117528573B (zh) | 一种无线网络优化方法、装置、设备和计算机程序产品 | |
CN115134816B (zh) | 基于时空卷积和多时间尺度的基站流量预测方法 | |
Liu et al. | Enhanced decentralized federated learning based on consensus in connected vehicles | |
WO2023097641A1 (zh) | 信道数据的数据扩充方法、装置、设备及存储介质 | |
Yang et al. | An Antenna Optimization Method Based on Optuna-ANN |
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 |