[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

本發明涉及一種基于加權聯邦學習的無線業務流量預測方法，該方法包括：控制中心將多個預訓練模型推送到基站側；基站側根據本地數據進行模型訓練，并將訓練后的模型傳到控制中心；控制中心根據加權規則對模型融合并反饋到基站，加權規則中對本地模型給予更多的權重；基站根據得到的最終模型對未來時刻的無線業務流量進行預測。本發明提供的無線業務流量預測方法，在控制中心模型聚合策略上，利用加權聚合規則替代平均策略，能夠避免由于數據異構性而帶來的預測不準確現象，提高了分布式無線業務流量預測的總體預測精度。

技術領域

本發明涉及一種基于加權聯邦學習的無線業務流量預測方法，屬于通信網絡和人工智能技術領域。

背景技術

傳統中心式的無線業務流量預測方法需要將大規模、分散在不同節點的業務數據收集到中心節點，然后對這些數據集中處理、訓練以及預測。隨后，根據預測結果，核心網通過控制單元對基站做動態調整，如：增加或者減少基帶處理單元個數以調整基站業務服務能力。

但是，由于數據傳輸的帶寬有限以及數據隱私的問題，將數據傳輸到云中心需要占用大量的資源，造成網絡擁塞；此外，隨著用戶對數據隱私保護的要求不斷加強，特別是在通用數據保護規范(General Data Protection Regulation，GDPR)的發布之后，更是對隱私保護提出了更高的要求。將數據傳輸到云中心，則增加了數據不可控的可能性。這些因素促使未來的預測模型朝著分布式、本地化、輕量級的方向發展。

聯邦學習就屬于一種特定的分布式學習算法。本地基站基于自己的數據訓練一個本地模型；然后只需要將此模型發送給云端控制中心，而并不需要發送龐大的數據本體；云端控制中心收到所有模型后，對模型進行融合，并發送給基站；基站收到全局模型后，繼續對此模型訓練。該過程重復一定循環后，就得到了最終的預測模型。

然而，傳統聯邦學習算法中，只是對模型進行平均操作，忽略了模型之間的差異性。由于基站所處的位置不同、覆蓋范圍內用戶的移動和通信行為亦不同，這就導致了數據差異性很大，傳統的簡單平均并不能準確捕捉不同基站的業務流量模式，所以預測效果不準確。因此，亟需發展一個既能考慮模型相似性，又能專注于捕捉本地業務流量模式的預測模型。

發明內容

針對現有技術的不足，本發明提出一種基于加權聯邦學習的無線業務流量預測方法，本發明中，控制中心將多個預訓練模型推送到基站側后，基站側根據本地數據進行模型訓練，并將訓練后的模型傳到控制中心；控制中心根據加權規則對模型融合并反饋到基站，加權規則中對本地模型給予更多的權重；基站學習單元根據歷史數據再次對模型更新；本發明提供的方法，在控制中心模型聚合策略上，利用加權聚合規則替代平均策略，能夠避免由于數據異構性而帶來的預測不準確現象。

本發明的技術方案為：

一種基于加權聯邦學習的無線業務流量預測方法，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；模型的參數就是待學習的權重，比如長短記憶神經網絡的參數。

(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{M₁′；…；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；

(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；每次循環都會對參數進行更新。