[發明專利]一種基于加權聯邦學習的無線業務流量預測方法

有效

• 申請號: 202010122093.0
• 申請日: 2020-02-27
• 公開（公告）號: CN111369042B
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 張海霞;張傳亭;袁東風;郭帥帥;周曉天
• 申請（專利權）人: 山東大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;H04L12/24;H04W24/06
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 趙龍群

1.一種基于加權聯邦學習的無線業務流量預測方法，其特征在于，用于提升分布式無線業務流量預測的總體預測準確性，具體步驟如下：

(1)將N個基站依次編號為i，i＝1；2；···；N；控制中心隨機生成一個初始化模型M，并復制N份模型，N份模型組成隨后，控制中心將需要訓練的模型推送到基站i的學習單元；

(2)基站i的學習單元根據接收到的需要訓練的模型在已有歷史數據集上對模型進行訓練以更新參數；經過訓練之后，得到新的本地模型M′_i；

(3)基站i將新的本地模型M′_i發送到控制中心；

(4)控制中心對從基站得到的模型{M′₁，…，M′_N}，根據加權策略進行模型融合，得到更新后的全局模型并將更新后的全局模型推送到基站i；

所述步驟(4)中，根據加權策略進行模型融合的具體步驟為：根據式(1)進行全局模型的參數更新：

式(1)中，表示本輪訓練中控制中心經過加權融合后的全局模型；f_agg(·)表示采用的加權融合策略；α表示對基站i來說，本地模型M′_i所占的比重；β表示除了本地模型M′_i之外的其他模型M′_j之和所占的比重；α與β的關系滿足α+β＝1；

所述步驟(4)中，進行全局模型的參數更新時，α＞β；

(5)重復執行步驟(2)到(4)，設定循環次數，當達到設定的循環次數后，循環結束，得到最終模型；

(6)基站根據步驟(5)得到的最終模型對未來時刻的無線業務流量進行預測；

所述預測方法還包括：(7)以一定的時間周期重復步驟(2)-(6)，對模型進行周期性的全局更新訓練。

2.根據權利要求1所述的一種基于加權聯邦學習的無線業務流量預測方法，其特征在于，所述時間周期為一天或者三天或者一周。

3.根據權利要求2所述的一種基于加權聯邦學習的無線業務流量預測方法，其特征在于，每次參與更新訓練的基站數量是動態變化的，如果當前參與訓練的基站數量大于設定的閾值，則對模型進行全局更新訓練；否則，跳過此次更新，下一個周期再做更新請求。

4.根據權利要求1所述的一種基于加權聯邦學習的無線業務流量預測方法，其特征在于，步驟(1)中，在控制中心將需要訓練的模型推送到基站學習單元之前，需要確定初始化模型的具體形式、生成訓練樣本數據集和測試樣本數據集及數據標準化，具體步驟包括：

1-A、選擇初始化模型的具體形式，所述具體形式為線性模型或者非線性模型；

1-B、將基站的歷史數據集分成訓練數據集和測試數據集，并在所述訓練數據集和測試數據集上根據滑動窗口機制，選擇滑動窗口大小p，分別生成訓練樣本數據集和測試樣本數據集；

1-C、對于訓練樣本數據集，得到流量的最小值和標準差；對于測試樣本數據集，根據所述流量的最小值和標準差對訓練數據集和測試數據集中的數據進行標準化。

5.根據權利要求4所述的一種基于加權聯邦學習的無線業務流量預測方法，其特征在于，步驟(2)中，在已有歷史數據集上對需要訓練的模型進行訓練以更新參數，具體步驟包括：

2-A、選定優化算法，所述算法為隨機梯度下降法、小批量梯度下降法、適應性動量估計法中任一種；

2-B、從訓練數據集中，根據批處理大小選擇相應的樣本數量，并進行梯度計算；

2-C、模型的參數根據當前樣本的梯度信息進行更新；

2-D、重復執行所述步驟2-B和步驟2-C，直至滿足訓練結束條件。

6.根據權利要求1-5任一項所述的一種基于加權聯邦學習的無線業務流量預測方法，其特征在于，在步驟(6)得到預測值后，所述預測方法還包括如下步驟：

a、步驟(6)得到的預測值做標準化的逆操作，得到預測值的真實尺度；

b、根據評價指標對預測性能進行評估；所述評價指標包括均方誤差MSE和平均絕對誤差MAE；

c、評估完成后，基站將新到的數據存儲到歷史數據集中。