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 PDF

Info

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
Application number
CN202310064987.2A
Other languages
English (en)
Other versions
CN115866658B (zh
Inventor
赵楠
孙奕灵
陈楷桥
朱华霖
宋海娜
曾春艳
余长亮
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.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202310064987.2A priority Critical patent/CN115866658B/zh
Publication of CN115866658A publication Critical patent/CN115866658A/zh
Application granted granted Critical
Publication of CN115866658B publication Critical patent/CN115866658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于动态时空超图卷积网络的流量预测方法和系统
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
Figure SMS_2
，/>
Figure SMS_4
是移动蜂窝流量网络中/>
Figure SMS_5
个节点的集合，/>
Figure SMS_8
是边的集合，/>
Figure SMS_10
是描述节点连通性的邻接矩阵。若两个时空数据点/>
Figure SMS_12
和/>
Figure SMS_14
来自相邻区域，则/>
Figure SMS_1
，否则/>
Figure SMS_3
，其中/>
Figure SMS_6
表示区域/>
Figure SMS_7
在时间/>
Figure SMS_9
内的流量，/>
Figure SMS_11
表示区域/>
Figure SMS_13
在时间/>
Figure SMS_15
内的流量；
考虑到节点在时间
Figure SMS_17
的流量为/>
Figure SMS_19
，则/>
Figure SMS_21
个节点在时间/>
Figure SMS_23
的流量表示为/>
Figure SMS_24
，对于一个周期/>
Figure SMS_25
，将移动流量的流量序列表示为/>
Figure SMS_26
，因此，我们利用时间/>
Figure SMS_16
之前的/>
Figure SMS_18
时间段内的历史移动流量数据来预测时间/>
Figure SMS_20
之后的/>
Figure SMS_22
时间段内的移动流量数据，预测的移动流量定义为：
Figure SMS_27
其中，
Figure SMS_28
为一个可学习的函数，/>
Figure SMS_29
为移动流量网络建模成的无向图。
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：
Figure SMS_30
其中，TCN为时间卷积网络模型，
Figure SMS_32
是时间维数上的扩张卷积，/>
Figure SMS_34
是移动流量的时间序列，/>
Figure SMS_35
为参数值，/>
Figure SMS_38
和/>
Figure SMS_39
是/>
Figure SMS_40
的含有不同参数/>
Figure SMS_41
和/>
Figure SMS_31
的时间卷积网络模型，/>
Figure SMS_33
和/>
Figure SMS_36
为激活函数，/>
Figure SMS_37
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：
Figure SMS_42
其中，
Figure SMS_44
是移动流量的时间序列，/>
Figure SMS_45
和/>
Figure SMS_46
是/>
Figure SMS_47
的含有不同参数/>
Figure SMS_48
和/>
Figure SMS_49
的时间卷积网络模型，/>
Figure SMS_50
和/>
Figure SMS_43
为激活函数。
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：
Figure SMS_51
其中，
Figure SMS_53
是移动流量的时间序列，/>
Figure SMS_55
是在/>
Figure SMS_56
中使用随机整数值初始化所得到的矩阵，/>
Figure SMS_57
是移动蜂窝流量网络中/>
Figure SMS_58
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。/>
Figure SMS_59
为移动流量的转移矩阵，/>
Figure SMS_60
为输入特征矩阵，/>
Figure SMS_52
为参数值，/>
Figure SMS_54
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：
Figure SMS_61
,
其中，
Figure SMS_62
为归一化邻接矩阵，/>
Figure SMS_63
为输入特征矩阵，/>
Figure SMS_64
为可学习的参数。
超图卷积网络为图到超图的扩展，超图卷积网络HGCN表示为：
Figure SMS_65
其中，
Figure SMS_66
为超图的输入特征矩阵，/>
Figure SMS_67
表示超边度的对角矩阵，/>
Figure SMS_68
表示超节点度的对角矩阵，/>
Figure SMS_69
为超图的关联矩阵，/>
Figure SMS_70
是超边的加权对角矩阵。
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：
Figure SMS_71
，
其中，
Figure SMS_72
由对/>
Figure SMS_73
进行归一化处理得到，/>
Figure SMS_74
为归一化邻接矩阵/>
Figure SMS_75
的/>
Figure SMS_76
次幂，/>
Figure SMS_77
为扩散系数，/>
Figure SMS_78
为可学习的参数。
因此，相应的超图卷积网络表达式为：
Figure SMS_79
其中，
Figure SMS_81
是超图中的超边所拥有的权重向量，/>
Figure SMS_82
为创建对角矩阵所需的函数，
Figure SMS_84
为/>
Figure SMS_86
的对角矩阵，/>
Figure SMS_87
为超节点之间的特征矩阵，/>
Figure SMS_88
为扩散系数，/>
Figure SMS_89
表示超边度的对角矩阵，/>
Figure SMS_80
表示超节点度的对角矩阵，/>
Figure SMS_83
为超图的关联矩阵,/>
Figure SMS_85
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：
Figure SMS_90
其中，
Figure SMS_92
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，
Figure SMS_93
为经过平均池化后的输入特征矩阵，/>
Figure SMS_96
由对/>
Figure SMS_98
进行归一化处理得到，/>
Figure SMS_100
为归一化邻接矩阵/>
Figure SMS_101
的/>
Figure SMS_103
次幂，/>
Figure SMS_91
为创建对角矩阵所需的函数，/>
Figure SMS_94
是移动流量空间模型的对角矩阵，/>
Figure SMS_95
为超图的时间序列，/>
Figure SMS_97
为扩散系数，/>
Figure SMS_99
表示超边度的对角矩阵，/>
Figure SMS_102
表示超节点度的对角矩阵，/>
Figure SMS_104
为超图的关联矩阵，/>
Figure SMS_105
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：
Figure SMS_106
其中，
Figure SMS_107
为激活函数,/>
Figure SMS_108
为时间/>
Figure SMS_109
之后/>
Figure SMS_110
时间段所预测的经过线性变换后的流量值。
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：
Figure SMS_111
其中，
Figure SMS_112
是流量数据真实值，所述动态时空超图卷积预测模型通过获取最小损失函数来调整可学习的参数/>
Figure SMS_113
。
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：
Figure SMS_114
其中，TCN为时间卷积网络模型，
Figure SMS_116
是时间维数上的扩张卷积，/>
Figure SMS_117
是移动流量的时间序列，/>
Figure SMS_119
为参数值，/>
Figure SMS_121
和/>
Figure SMS_123
是/>
Figure SMS_124
的含有不同参数/>
Figure SMS_125
和/>
Figure SMS_115
的时间卷积网络模型，/>
Figure SMS_118
和/>
Figure SMS_120
为激活函数，/>
Figure SMS_122
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：
Figure SMS_126
其中，
Figure SMS_128
是移动流量的时间序列，/>
Figure SMS_129
和/>
Figure SMS_130
是/>
Figure SMS_131
的含有不同参数/>
Figure SMS_132
和/>
Figure SMS_133
的时间卷积网络模型，/>
Figure SMS_134
和/>
Figure SMS_127
为激活函数。
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：
Figure SMS_135
,
其中，
Figure SMS_136
为归一化邻接矩阵，/>
Figure SMS_137
为输入特征矩阵，/>
Figure SMS_138
为可学习的参数；
超图卷积网络为图到超图的扩展，超图卷积网络HGCN表示为：
Figure SMS_139
其中，
Figure SMS_140
为超图的输入特征矩阵，/>
Figure SMS_141
表示超边度的对角矩阵，/>
Figure SMS_142
表示超节点度的对角矩阵，/>
Figure SMS_143
为超图的关联矩阵，/>
Figure SMS_144
是超边的加权对角矩阵；
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：
Figure SMS_145
，
其中，
Figure SMS_146
由对/>
Figure SMS_147
进行归一化处理得到，/>
Figure SMS_148
为归一化邻接矩阵/>
Figure SMS_149
的/>
Figure SMS_150
次幂，/>
Figure SMS_151
为扩散系数，/>
Figure SMS_152
为可学习的参数；
因此，相应的超图卷积网络表达式为：
Figure SMS_153
其中，
Figure SMS_155
是超图中的超边所拥有的权重向量，/>
Figure SMS_157
为创建对角矩阵所需的函数，
Figure SMS_158
为/>
Figure SMS_160
的对角矩阵，/>
Figure SMS_161
为超节点之间的特征矩阵，/>
Figure SMS_162
为扩散系数，/>
Figure SMS_163
表示超边度的对角矩阵，/>
Figure SMS_154
表示超节点度的对角矩阵，/>
Figure SMS_156
为超图的关联矩阵,/>
Figure SMS_159
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
Figure SMS_165
，/>
Figure SMS_166
是移动蜂窝流量网络中/>
Figure SMS_168
个节点的集合，/>
Figure SMS_171
是边的集合，/>
Figure SMS_172
是描述节点连通性的邻接矩阵。若两个时空数据点/>
Figure SMS_175
和/>
Figure SMS_177
来自相邻区域，则/>
Figure SMS_164
，否则/>
Figure SMS_167
，其中/>
Figure SMS_169
表示区域/>
Figure SMS_170
在时间/>
Figure SMS_173
内的流量，/>
Figure SMS_174
表示区域/>
Figure SMS_176
在时间/>
Figure SMS_178
内的流量；
考虑到节点在时间
Figure SMS_180
的流量为/>
Figure SMS_181
，则/>
Figure SMS_183
个节点在时间/>
Figure SMS_185
的流量表示为/>
Figure SMS_187
，对于一个周期/>
Figure SMS_188
，将移动流量的流量序列表示为/>
Figure SMS_189
，因此，我们利用时间/>
Figure SMS_179
之前的/>
Figure SMS_182
时间段内的历史移动流量数据来预测时间/>
Figure SMS_184
之后的/>
Figure SMS_186
时间段内的移动流量数据，预测的移动流量定义为：
Figure SMS_190
其中，
Figure SMS_191
为一个可学习的函数，/>
Figure SMS_192
为移动流量网络建模成的无向图。
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：
Figure SMS_193
其中，TCN为时间卷积网络模型，
Figure SMS_195
是时间维数上的扩张卷积，/>
Figure SMS_197
是移动流量的时间序列，/>
Figure SMS_198
为参数值，/>
Figure SMS_200
和/>
Figure SMS_202
是/>
Figure SMS_203
的含有不同参数/>
Figure SMS_204
和/>
Figure SMS_194
的时间卷积网络模型，/>
Figure SMS_196
和/>
Figure SMS_199
为激活函数，/>
Figure SMS_201
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：
Figure SMS_205
其中，
Figure SMS_207
是移动流量的时间序列，/>
Figure SMS_208
和/>
Figure SMS_209
是/>
Figure SMS_210
的含有不同参数/>
Figure SMS_211
和/>
Figure SMS_212
的时间卷积网络模型，/>
Figure SMS_213
和/>
Figure SMS_206
为激活函数。
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：
Figure SMS_214
其中，
Figure SMS_216
是移动流量的时间序列，/>
Figure SMS_217
是在/>
Figure SMS_219
中使用随机整数值初始化所得到的矩阵，/>
Figure SMS_220
是移动蜂窝流量网络中/>
Figure SMS_221
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。/>
Figure SMS_222
为移动流量的转移矩阵，/>
Figure SMS_223
为输入特征矩阵，/>
Figure SMS_215
为参数值，/>
Figure SMS_218
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：
Figure SMS_224
,
其中，
Figure SMS_225
为归一化邻接矩阵，/>
Figure SMS_226
为输入特征矩阵，/>
Figure SMS_227
为可学习的参数。
超图卷积网络为图到超图的扩展，表示为：
Figure SMS_228
其中，
Figure SMS_229
为超图的输入特征矩阵，/>
Figure SMS_230
表示超边度的对角矩阵，/>
Figure SMS_231
表示超节点度的对角矩阵，/>
Figure SMS_232
为超图的关联矩阵，/>
Figure SMS_233
是超边的加权对角矩阵。
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：
Figure SMS_234
，
其中，
Figure SMS_235
由对/>
Figure SMS_236
进行归一化处理得到，/>
Figure SMS_237
为归一化邻接矩阵/>
Figure SMS_238
的/>
Figure SMS_239
次幂，/>
Figure SMS_240
为扩散系数，/>
Figure SMS_241
为可学习的参数。
因此，相应的超图卷积网络表达式为：
Figure SMS_242
其中，
Figure SMS_243
是超图中的超边所拥有的权重向量，/>
Figure SMS_246
为创建对角矩阵所需的函数，
Figure SMS_247
为/>
Figure SMS_248
的对角矩阵，/>
Figure SMS_249
为超节点之间的特征矩阵，/>
Figure SMS_250
为扩散系数，/>
Figure SMS_251
表示超边度的对角矩阵，/>
Figure SMS_244
表示超节点度的对角矩阵，/>
Figure SMS_245
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：
Figure SMS_252
其中，
Figure SMS_254
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，
Figure SMS_255
为经过平均池化后的输入特征矩阵，/>
Figure SMS_258
由对/>
Figure SMS_260
进行归一化处理得到，/>
Figure SMS_262
为归一化邻接矩阵/>
Figure SMS_264
的/>
Figure SMS_265
次幂，/>
Figure SMS_253
为创建对角矩阵所需的函数，/>
Figure SMS_256
是移动流量空间模型的对角矩阵，/>
Figure SMS_257
为超图的时间序列，/>
Figure SMS_259
为扩散系数，/>
Figure SMS_261
表示超边度的对角矩阵，/>
Figure SMS_263
表示超节点度的对角矩阵，/>
Figure SMS_266
为超图的关联矩阵，/>
Figure SMS_267
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：
Figure SMS_268
其中，
Figure SMS_269
为时间/>
Figure SMS_270
之后/>
Figure SMS_271
时间段所预测的经过线性变换后的流量值。
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：
Figure SMS_272
其中，
Figure SMS_273
是流量数据真实值，所述动态时空超图卷积预测模型通过获取最小损失函数来调整可学习的参数/>
Figure SMS_274
。
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
Figure QLYQS_1
，/>
Figure QLYQS_3
是移动蜂窝流量网络中/>
Figure QLYQS_5
个节点的集合，/>
Figure QLYQS_7
是边的集合，/>
Figure QLYQS_9
是描述节点连通性的邻接矩阵；若两个时空数据点/>
Figure QLYQS_12
和/>
Figure QLYQS_14
来自相邻区域，则/>
Figure QLYQS_2
，否则/>
Figure QLYQS_4
，其中/>
Figure QLYQS_6
表示区域/>
Figure QLYQS_8
在时间/>
Figure QLYQS_10
内的流量，/>
Figure QLYQS_11
表示区域/>
Figure QLYQS_13
在时间/>
Figure QLYQS_15
内的流量；
考虑到节点在时间
Figure QLYQS_17
的流量为/>
Figure QLYQS_18
，则/>
Figure QLYQS_21
个节点在时间/>
Figure QLYQS_23
的流量表示为/>
Figure QLYQS_24
，对于一个周期/>
Figure QLYQS_25
，将移动流量的流量序列表示为/>
Figure QLYQS_26
，因此，利用时间/>
Figure QLYQS_16
之前的/>
Figure QLYQS_19
时间段内的历史移动流量数据来预测时间/>
Figure QLYQS_20
之后的/>
Figure QLYQS_22
时间段内的移动流量数据，预测的移动流量定义为：
Figure QLYQS_27
其中，
Figure QLYQS_28
为一个可学习的函数，/>
Figure QLYQS_29
为移动流量网络建模成的无向图。
3.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2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：
Figure QLYQS_30
其中，TCN为时间卷积网络模型，
Figure QLYQS_32
是时间维数上的扩张卷积，/>
Figure QLYQS_33
是移动流量的时间序列，/>
Figure QLYQS_35
为参数值，/>
Figure QLYQS_37
和/>
Figure QLYQS_39
是/>
Figure QLYQS_40
的含有不同参数/>
Figure QLYQS_41
和/>
Figure QLYQS_31
的时间卷积网络模型，/>
Figure QLYQS_34
和/>
Figure QLYQS_36
为激活函数，/>
Figure QLYQS_38
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：
Figure QLYQS_42
其中，
Figure QLYQS_44
是移动流量的时间序列，/>
Figure QLYQS_45
和/>
Figure QLYQS_46
是/>
Figure QLYQS_47
的含有不同参数/>
Figure QLYQS_48
和/>
Figure QLYQS_49
的时间卷积网络模型，/>
Figure QLYQS_50
和/>
Figure QLYQS_43
为激活函数。
4.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3的具体实现方式如下；
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：
Figure QLYQS_51
其中，
Figure QLYQS_53
是移动流量的时间序列，/>
Figure QLYQS_55
是在/>
Figure QLYQS_56
中使用随机整数值初始化所得到的矩阵，
Figure QLYQS_57
是移动蜂窝流量网络中/>
Figure QLYQS_58
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，/>
Figure QLYQS_59
为移动流量的转移矩阵，/>
Figure QLYQS_60
为输入特征矩阵，/>
Figure QLYQS_52
为参数值，/>
Figure QLYQS_54
为激活函数。
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：
Figure QLYQS_61
,
其中，
Figure QLYQS_62
为归一化邻接矩阵，/>
Figure QLYQS_63
为输入特征矩阵，/>
Figure QLYQS_64
为可学习的参数；
超图卷积网络为图到超图的扩展，超图卷积网络HGCN表示为：
Figure QLYQS_65
其中，
Figure QLYQS_66
为超图的输入特征矩阵，/>
Figure QLYQS_67
表示超边度的对角矩阵，/>
Figure QLYQS_68
表示超节点度的对角矩阵，/>
Figure QLYQS_69
为超图的关联矩阵，/>
Figure QLYQS_70
是超边的加权对角矩阵；
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：
Figure QLYQS_71
，
其中，
Figure QLYQS_72
由对/>
Figure QLYQS_73
进行归一化处理得到，/>
Figure QLYQS_74
为归一化邻接矩阵/>
Figure QLYQS_75
的/>
Figure QLYQS_76
次幂，/>
Figure QLYQS_77
为扩散系数，/>
Figure QLYQS_78
为可学习的参数；
因此，相应的超图卷积网络表达式为：
Figure QLYQS_79
其中，
Figure QLYQS_81
是超图中的超边所拥有的权重向量，/>
Figure QLYQS_83
为创建对角矩阵所需的函数，/>
Figure QLYQS_85
为/>
Figure QLYQS_86
的对角矩阵，/>
Figure QLYQS_87
为超节点之间的特征矩阵，/>
Figure QLYQS_88
为扩散系数，/>
Figure QLYQS_89
表示超边度的对角矩阵，
Figure QLYQS_80
表示超节点度的对角矩阵，/>
Figure QLYQS_82
为超图的关联矩阵, />
Figure QLYQS_84
为可学习的参数。
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：
Figure QLYQS_90
其中，
Figure QLYQS_92
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，/>
Figure QLYQS_93
为经过平均池化后的输入特征矩阵，/>
Figure QLYQS_95
由对/>
Figure QLYQS_96
进行归一化处理得到，/>
Figure QLYQS_99
为归一化邻接矩阵
Figure QLYQS_101
的/>
Figure QLYQS_103
次幂，/>
Figure QLYQS_91
为创建对角矩阵所需的函数，/>
Figure QLYQS_94
是移动流量空间模型的对角矩阵，/>
Figure QLYQS_97
为超图的时间序列，/>
Figure QLYQS_98
为扩散系数，/>
Figure QLYQS_100
表示超边度的对角矩阵，/>
Figure QLYQS_102
表示超节点度的对角矩阵，/>
Figure QLYQS_104
为超图的关联矩阵，/>
Figure QLYQS_105
为可学习的参数。
7.根据权利要求6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：
Figure QLYQS_106
其中，
Figure QLYQS_107
为激活函数，/>
Figure QLYQS_108
为时间/>
Figure QLYQS_109
之后/>
Figure QLYQS_110
时间段所预测的经过线性变换后的流量值；
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：
Figure QLYQS_111
其中，
Figure QLYQS_112
是流量数据真实值，所述动态时空超图卷积预测模型通过获取最小损失函数来调整可学习的参数/>
Figure QLYQS_113
。
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。
9.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：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：
Figure QLYQS_114
其中，TCN为时间卷积网络模型，
Figure QLYQS_116
是时间维数上的扩张卷积，/>
Figure QLYQS_117
是移动流量的时间序列，/>
Figure QLYQS_119
为参数值，/>
Figure QLYQS_122
和/>
Figure QLYQS_123
是/>
Figure QLYQS_124
的含有不同参数/>
Figure QLYQS_125
和/>
Figure QLYQS_115
的时间卷积网络模型，/>
Figure QLYQS_118
和/>
Figure QLYQS_120
为激活函数，/>
Figure QLYQS_121
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：
Figure QLYQS_126
其中，
Figure QLYQS_127
是移动流量的时间序列，/>
Figure QLYQS_129
和/>
Figure QLYQS_130
是/>
Figure QLYQS_131
的含有不同参数/>
Figure QLYQS_132
和/>
Figure QLYQS_133
的时间卷积网络模型，/>
Figure QLYQS_134
和/>
Figure QLYQS_128
为激活函数。
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：
Figure QLYQS_135
,
其中，
Figure QLYQS_136
为归一化邻接矩阵，/>
Figure QLYQS_137
为输入特征矩阵，/>
Figure QLYQS_138
为可学习的参数；
超图卷积网络为图到超图的扩展，超图卷积网络HGCN表示为：
Figure QLYQS_139
其中，
Figure QLYQS_140
为超图的输入特征矩阵，/>
Figure QLYQS_141
表示超边度的对角矩阵，/>
Figure QLYQS_142
表示超节点度的对角矩阵，/>
Figure QLYQS_143
为超图的关联矩阵，/>
Figure QLYQS_144
是超边的加权对角矩阵；
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：
Figure QLYQS_145
，
其中，
Figure QLYQS_146
由对/>
Figure QLYQS_147
进行归一化处理得到，/>
Figure QLYQS_148
为归一化邻接矩阵/>
Figure QLYQS_149
的/>
Figure QLYQS_150
次幂，/>
Figure QLYQS_151
为扩散系数，/>
Figure QLYQS_152
为可学习的参数；
因此，相应的超图卷积网络表达式为：
Figure QLYQS_153
其中，
Figure QLYQS_155
是超图中的超边所拥有的权重向量，/>
Figure QLYQS_156
为创建对角矩阵所需的函数，/>
Figure QLYQS_159
为
Figure QLYQS_160
的对角矩阵，/>
Figure QLYQS_161
为超节点之间的特征矩阵，/>
Figure QLYQS_162
为扩散系数，/>
Figure QLYQS_163
表示超边度的对角矩阵，
Figure QLYQS_154
表示超节点度的对角矩阵，/>
Figure QLYQS_157
为超图的关联矩阵, />
Figure QLYQS_158
为可学习的参数。/>
CN202310064987.2A 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 Active CN115866658B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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