[發明專利]一種基于圖卷積神經網絡的鄰區關系預測方法及系統

有效

• 申請號: 202010091204.6
• 申請日: 2020-02-13
• 公開（公告）號: CN111372255B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 李克;駱曦;翁晨傲
• 申請（專利權）人: 北京聯合大學
• 主分類號: H04W16/18
• 分類號: H04W16/18;H04W24/02;H04W24/06;H04W24/10
• 代理公司: 北京馳納智財知識產權代理事務所(普通合伙) 11367
• 代理人: 李佳佳

1.一種基于圖卷積神經網絡的鄰區關系預測方法，包括輸入數據，其特征在于，還包括以下步驟：

步驟1：初始化P-GCN模型；

步驟2：進行區域分割，將目標區域S按空間分割為k個矩形子區域S₁，S₂，…，S_i，…，S_k，每個子區域內保證小區節點數固定為N_C、總節點數為N，并相鄰子區域保持一定程度的重疊；

步驟3：進行P-GCN模型訓練的前向計算；

步驟4：進行所述P-GCN模型訓練的反向誤差計算；

步驟5：更新所述P-GCN模型訓練得到的參數；

步驟6：利用訓練好的所述P-GCN模型對預測區域中的各子區域S_t+1～S_k進行分區域的鄰區關系預測，其中，t為訓練區域所包含的子區域個數，k為子區域的總個數；

步驟7：對所述預測的結果進行后處理。

2.如權利要求1所述的基于圖卷積神經網絡的鄰區關系預測方法，其特征在于，所述數據包括MCS或MR覆蓋采樣數據集D、初步構建的目標區域S的無線網絡知識圖譜G＝(V，E)和目標區域的小區鄰接矩陣Ac＝[Nca*Nca]，其中，V表示實體集合，E表示關系集合，Nca為區域S內的小區總數。

3.如權利要求2所述的基于圖卷積神經網絡的鄰區關系預測方法，其特征在于，所述步驟1包括以下子步驟：

步驟11：初始化節點特征矩陣X[N*D]，從無線網絡知識圖譜數據庫中提取各實體及其屬性信息存入所述節點特征矩陣X[N*D]，其中，N是子區域的實體節點數，D是最大特征維數；

步驟12：初始化節點類型向量F[N*1]：與X中的節點排序順序相同，且小區節點對應項為1，其他為0，用于識別小區節點；

步驟13：初始化鄰接矩陣A[N*N]：鄰接矩陣，表征兩兩節點間的邊是否存在，包括小區實體-基站實體、采樣實體-小區實體、終端實體-小區實體、采樣實體-終端實體和小區實體-小區實體，其中，1為存在，0為不存在或未知；

步驟14：隨機初始化卷積窗權重矩陣W¹＝[D*C₁]、W²＝[C₁*1]和W⁴＝[N_C(N_C-1)/2*2]，對L1和L2兩個卷積層，同層各神經元共享相同的卷積窗權重，其中，C₁為卷積窗W²的窗長，N_C為每個子區域內的小區節點數。

4.如權利要求3所述的基于圖卷積神經網絡的鄰區關系預測方法，其特征在于，所述步驟2包括基于D、G、Ac得到各子區域S_i的節點特征矩陣X_i、節點類型向量F_i、鄰接矩陣A_i和小區對關系指示向量P_i，其中，i＝1～k。

5.如權利要求4所述的基于圖卷積神經網絡的鄰區關系預測方法，其特征在于，所述鄰接矩陣A_i中包含所有的隸屬關系、駐留關系、關聯關系和已標記的鄰區關系。

6.如權利要求5所述的基于圖卷積神經網絡的鄰區關系預測方法，其特征在于，所述子區域S₁～S_t成為訓練區域，所述訓練區域的鄰區關系完全已知，隨機取部分鄰區關系作為訓練時的輸入信息，其余部分鄰區關系用于測試。

7.如權利要求5所述的基于圖卷積神經網絡的鄰區關系預測方法，其特征在于，所述子區域S_t+1～S_k成為預測區域，所述預測區域的鄰區關系僅部分已知并作為正向計算時的輸入，其余部分為未知或待預測。