[發(fā)明專(zhuān)利]基于圖神經(jīng)網(wǎng)絡(luò)的5G連通簇基站群流量預(yù)測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110838710.1
• 申請(qǐng)日: 2021-07-23
• 公開(kāi)（公告）號(hào): CN113691993A
• 公開(kāi)（公告）日: 2021-11-23
• 發(fā)明（設(shè)計(jì)）人: 駱超;丁奉乾
• 申請(qǐng)（專(zhuān)利權(quán)）人: 山東師范大學(xué)
• 主分類(lèi)號(hào): H04W16/22
• 分類(lèi)號(hào): H04W16/22;H04L12/24;G06N3/04;G06N3/08
• 代理公司: 濟(jì)南圣達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 37221
• 代理人: 閆圣娟

本公開(kāi)提供了一種基于圖神經(jīng)網(wǎng)絡(luò)的5G連通簇基站群流量預(yù)測(cè)方法及系統(tǒng)，包括：獲取5G連通簇中每個(gè)基站的流量原始時(shí)間序列；基于所述流量原始時(shí)間序列構(gòu)建多階模糊認(rèn)知圖；基于得到的每階模糊認(rèn)知圖，利用圖神經(jīng)網(wǎng)絡(luò)模型生成包含豐富空間信息的模糊認(rèn)知圖節(jié)點(diǎn)嵌入序列；基于獲得的節(jié)點(diǎn)嵌入序列，利用時(shí)序卷積模型建立時(shí)序關(guān)系，實(shí)現(xiàn)對(duì)5G連通簇中多個(gè)基站的流量時(shí)間序列的預(yù)測(cè)。所述方案充分考慮了簇內(nèi)不同基站流量序列之間時(shí)間上和空間上的關(guān)聯(lián)，基于圖神經(jīng)網(wǎng)絡(luò)模型，有效捕獲了基站流量序列的時(shí)序關(guān)系以及基站與其周邊基站的空間關(guān)系，提高了基站群流量預(yù)測(cè)的精度。

技術(shù)領(lǐng)域

本公開(kāi)屬于5G基站流量預(yù)測(cè)技術(shù)領(lǐng)域，尤其涉及基于圖神經(jīng)網(wǎng)絡(luò)的5G連通簇基站群流量預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)

本部分的陳述僅僅是提供了與本公開(kāi)相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

隨著5G移動(dòng)通信技術(shù)的不斷發(fā)展，移動(dòng)設(shè)備以及互聯(lián)網(wǎng)應(yīng)用日益增多，社會(huì)生活對(duì)無(wú)線(xiàn)網(wǎng)絡(luò)的需求也越來(lái)越大。無(wú)線(xiàn)基站流量預(yù)測(cè)可為通信資源優(yōu)化、設(shè)備節(jié)能降耗以及精準(zhǔn)運(yùn)維提供重要的決策信息，在5G網(wǎng)絡(luò)建設(shè)和運(yùn)行中起到重要作用。

發(fā)明人發(fā)現(xiàn)，5G網(wǎng)絡(luò)中C-band(3.4GHz-4.9GHz)成為主力頻譜，隨著高頻的應(yīng)用為保證連續(xù)覆蓋必然帶來(lái)站址密度的增加，較4G網(wǎng)絡(luò)單位區(qū)域內(nèi)基站間距進(jìn)一步縮小，基站間連通關(guān)系更加緊密，從而提出了緊密組網(wǎng)的要求。5G連通簇是具有強(qiáng)關(guān)聯(lián)性的局部性基站群，相互之間具有較強(qiáng)的影響關(guān)系。目前，針對(duì)單基站流量預(yù)測(cè)有較多研究，但5G網(wǎng)絡(luò)環(huán)境下連通簇的多基站流量預(yù)測(cè)尚是一個(gè)亟待解決的問(wèn)題。在實(shí)際中，基站流量序列具有復(fù)雜的非線(xiàn)性特性，因而傳統(tǒng)的線(xiàn)性時(shí)間序列預(yù)測(cè)方法難以有效對(duì)其進(jìn)行時(shí)序建模。另外，單個(gè)基站的流量不僅僅受其所在區(qū)域的影響，也會(huì)受到簇內(nèi)基站的影響；因此，不同基站流量序列之間既具有時(shí)間上的聯(lián)系，也具有空間上的關(guān)聯(lián)。

發(fā)明內(nèi)容

本公開(kāi)為了解決上述問(wèn)題，提供了一種基于圖神經(jīng)網(wǎng)絡(luò)的5G連通簇基站群流量預(yù)測(cè)方法及系統(tǒng)，所述方案充分考慮了簇內(nèi)不同基站流量序列之間時(shí)間上和空間上的關(guān)聯(lián)，基于圖神經(jīng)網(wǎng)絡(luò)模型，有效捕獲了基站流量序列的時(shí)序關(guān)系以及基站與其周邊基站的空間關(guān)系，提高了基站群流量預(yù)測(cè)的精度。

根據(jù)本公開(kāi)實(shí)施例的第一個(gè)方面，提供了一種基于圖神經(jīng)網(wǎng)絡(luò)的5G連通簇基站群流量預(yù)測(cè)方法，包括：

獲取5G連通簇中每個(gè)基站的流量原始時(shí)間序列；

基于所述流量原始時(shí)間序列構(gòu)建多階模糊認(rèn)知圖；

基于得到的每階模糊認(rèn)知圖，利用圖神經(jīng)網(wǎng)絡(luò)模型生成包含豐富空間信息的模糊認(rèn)知圖節(jié)點(diǎn)嵌入序列；

基于獲得的節(jié)點(diǎn)嵌入序列，利用時(shí)序卷積模型建立時(shí)序關(guān)系，實(shí)現(xiàn)對(duì)5G連通簇中多個(gè)基站的流量時(shí)間序列的預(yù)測(cè)。

進(jìn)一步的，所述多階模糊認(rèn)知圖的構(gòu)建，具體包括：將每個(gè)基站特定時(shí)刻的流量數(shù)據(jù)作為模糊認(rèn)知圖的概念節(jié)點(diǎn)，連通簇中的每個(gè)基站間的關(guān)聯(lián)程度作為模糊認(rèn)知圖的權(quán)值有向邊，其中，k階模糊認(rèn)知圖的迭代公式具體表示如下：

其中，A_i(t)表示第i個(gè)基站節(jié)點(diǎn)在第t時(shí)刻的流量數(shù)據(jù)，σ為激活函數(shù)，表示在第k階模糊認(rèn)知圖中，基站節(jié)點(diǎn)j到基站節(jié)點(diǎn)i的權(quán)值。

進(jìn)一步的，所述基站間的關(guān)聯(lián)程度的計(jì)算，具體為：通過(guò)模糊認(rèn)知圖學(xué)習(xí)得到的權(quán)重矩陣對(duì)基站間的關(guān)聯(lián)程度進(jìn)行表示。

進(jìn)一步的，所述利用圖神經(jīng)網(wǎng)絡(luò)模型生成包含豐富空間信息的模糊認(rèn)知圖節(jié)點(diǎn)嵌入，具體包括：分別將每階模糊認(rèn)知圖輸入圖神經(jīng)網(wǎng)絡(luò)模型中，獲得模糊認(rèn)知圖中每個(gè)節(jié)點(diǎn)與其他節(jié)點(diǎn)經(jīng)過(guò)特征融合后得到的抽象空間特征向量。

進(jìn)一步的，所述圖神經(jīng)網(wǎng)絡(luò)模型具體包括若干密集連接圖卷積神經(jīng)網(wǎng)絡(luò)，其中，每個(gè)密集連接圖卷積神經(jīng)網(wǎng)絡(luò)具有兩層圖卷積層，且所述密集連接圖卷積神經(jīng)網(wǎng)絡(luò)的個(gè)數(shù)與模糊認(rèn)知圖的階數(shù)一致。