基于双通道GRU和图卷积神经网络的通信基站负载预测方法 专利技术说明

电子通信装置的制造及其应用技术基于双通道gru和图卷积神经网络的通信基站负载预测方法技术领域1.本发明属于无线通信技术领域，具体涉及一种基于双通道选通递归单元(gru)和图卷积神经网络的通信基站负载预测方法。背景技术：2.蜂窝移动通信网络的快速发展对网络管理和运营优化提出了巨大挑战。准确预测蜂窝网络负载，例如基站吞吐量或活动呼叫数，有助于运营商合理规划网络资源，提高效率，提升用户体验、实现节能优化。3.蜂窝移动通信基站的负载数据具有较强的时间相关性。例如商业写字楼区域的基站在工作时间负载高、节假日负载低；而居民区的基站负载正好相反，且负载数据常存在较强的周期性。同时，由于现代交通的便捷化，通信用户的移动性增强，不同基站负载的空间相关性也越来越强。因此，精确的预测通信基站负载需要抓住负载的时间和空间相关性。由于用户活动不再受距离的限制，使得相距较远的基站与基站之间仍可能存在空间相关性，所以引入图卷积神经网络，构造图结构，使得模型能够提取任意具有相关性基站间的数据关系特征。技术实现要素：4.本发明旨在提供一种基于双通道gru和图卷积神经网络的通信基站负载预测方法，通过结合每个基站历史数据的时间关系特征和基站与基站之间的空间联系，来同时精确预测多个基站的通信负载。5.为实现上述发明目的，本发明采取下述的技术方案：6.步骤s1：对基站负载历史数据进行特征选择，构建模型输入向量，用输入向量构建预测模型的输入序列。7.步骤s2：用图结构表示基站网络，基于负载历史数据构建图的邻接矩阵。8.步骤s3：搭建基于双通道gru和图卷积神经网络的负载预测模型。9.优选的，步骤s1具体包括以下步骤：10.1-1.特征选择，构建模型输入向量11.假设当前时隙为t，预测的目标为第t+1时隙n个基站的负载。提取历史负载及其时间信息构造每个基站的输入向量(以第m个基站t时刻为例)，具体包括如下特征：12.①第m个基站t时刻的历史负载数据，表示为13.②t时刻在一天中所处的时段，表示为14.③t时刻处于一周中的周几，表示为15.④t时刻是否处于节假日，表示为16.⑤预测的t+1时刻是否处于节假日，表示为17.则第m个基站t时刻的输入向量表示为18.1-2.构建输入序列。19.用表示t时刻n个基站的输入数据，选择不同时段的历史输入向量构建输入序列。20.1-2-1.输入序列ⅰ21.由n个基站t+1时刻前tr时隙的输入向量构成，输入序列ⅰ的引入是为了便于预测模型从时间连续性角度抓取数据变化的规律，表示为：[0022][0023]1-2-2.输入序列ⅱ[0024]由n个基站t+1时刻的前td天中与t+1时刻处于同一时间点的历史输入向量构成，输入序列ⅱ的引入是为了便于模型从每天数据周期变化角度抓取数据变化的规律，表示为：[0025][0026]1-2-3.输入序列ⅲ[0027]由n个基站从预测时刻提取的先验时间信息序列构成，包括t+1时刻处于第几个小时、处于周几、是否处于节假日三个特征。输入序列ⅲ的引入是为了增加模型对时间周期性这一特征提取的权重，帮助修正预测结果，表示为：[0028][0029]基站负载预测问题表示为利用来预测未来一个时隙的输出[0030]优选的，步骤s2具体实现过程如下：[0031]以每个基站为节点，基站负载数据间的关系为边，构建无向图，表示为g＝(v,a)，其中v为节点，a为无向图的邻接矩阵，ai,j反映i,j两个节点之间在构建的图上是否有连接。本发明利用基站负载数据之间的相关性来构建邻接矩阵，认为皮尔逊相关系数值越大，两个序列相关性越高，空间关系越紧密；值越小，两个序列相关性越低，空间相关度越低。[0032][0033]其中，cov(·)是协方差，ri、rj分别为基站i、j的历史负载，为分别为历史负载rj、rj对应的标准差。a为定义i、j两个基站节点之间在构建的图上是否有连接的阈值。[0034]优选的，步骤s3搭建预测模型具体包括以下步骤：[0035]模型主要由三部分构成：[0036]1)由图卷积网络和gru网络组成的时空混合模块，用于从输入序列ⅰ和输入序列ⅱ提取中间特征。[0037]2)二次空间特征提取模块，连接于时空混合模块之后，用于对时空混合模块提取的两路中间特征进行空间加权，得到新中间特征。[0038]3)全连接网络特征加权模块，连接于二次空间特征提取模块之后。用于结合新中间特征和输入序列ⅲ的信息，进一步修正最终的预测结果。[0039]本发明具有以下的特点和有益效果：[0040]本发明提供了一种基于双通道gru和图卷积神经网络的通信基站负载预测方法，与基准预测模型相比，实现了更好的预测效果，且本发明利用图卷积网络提取空间特征，不需要原始数据为规则的网格形式，因此更具实用性。本发明运用领域广，适用于无线通信网络流量预测。附图说明[0041]图1为本发明实施例整体预测框架图；[0042]图2为本发明实施例结合图卷积网络的gru网络图；[0043]图3为本发明实施例gru cell示意图；[0044]图4为本发明实施例rmse、mae、r2指标示意图。具体实施方式[0045]下面结合附图和一个实施例对本发明的技术内容进行具体的说明。[0046]在本发明的一个实施例中，采用意大利米兰市区400个通信基站的负载数据作为数据集，该数据集记录了三种负载：短信服务(sms)、语音通话(call)和上网流量(internet)。对于每一种负载数据，每隔一小时有一个数据记录，数据采集时长为2013年1月11日至2014年1月1日。预测的目标是在第t小时，预测第t+1小时400个基站的短信服务、语音通话和上网流量三种基站负载。[0047]在本发明的一个实施例中，本发明公布的通信基站负载预测方法被依次用于预测短信服务、语音通话和上网流量三种基站负载。每种负载预测主要包括如下步骤：[0048]步骤s1：分析基站历史数据特性，对基站负载历史数据进行特征选择，构建模型输入向量，用输入向量构建预测模型的输入序列。[0049]1-1.特征选择，构建模型输入向量[0050]假设当前时隙为t，预测的目标为第t+1时隙n个基站的负载。提取历史负载及其时间信息构造每个基站的输入向量，具体包括如下特征：[0051]①第m个基站t时刻的历史负载数据，表示为[0052]②t时刻在一天中所处的时段，表示为[0053]③t时刻处于一周中的周几，表示为[0054]④t时刻是否处于节假日，表示为[0055]⑤预测的t+1时刻是否处于节假日，表示为[0056]则第m个基站t时刻的输入向量表示为[0057]1-2.构建输入序列。[0058]用表示t时刻n个基站的输入数据，选择不同时段的历史输入向量构建输入序列。[0059]1-2-1.输入序列ⅰ[0060]由n个基站t+1时刻前tr时隙的输入向量构成，输入序列ⅰ的引入是为了便于预测模型从时间连续性角度抓取数据变化的规律，表示为：[0061][0062]1-2-2.输入序列ⅱ[0063]由n个基站t+1时刻的前td天中与t+1时刻处于同一时间点的历史输入向量构成，输入序列ⅱ的引入是为了便于模型从每天数据周期变化角度抓取数据变化的规律，表示为：[0064][0065]1-2-3.输入序列ⅲ[0066]由n个基站从预测时刻提取的先验时间信息序列构成，包括t+1时刻处于第几个小时、处于周几、是否处于节假日三个特征。输入序列ⅲ的引入是为了增加模型对时间周期性这一特征提取的权重，帮助修正预测结果，表示为：[0067][0068]基站负载预测问题表示为利用来预测未来一个时隙的输出本实施例中tr＝24，td＝3，n＝400。[0069]步骤s2：用图结构表示基站网络，将基站历史数据表示为图的节点。基于历史数据构建图的邻接矩阵。[0070]以每个基站为节点，基站负载数据间的关系为边，构建无向图，表示为g＝(v,a)，其中v为节点，a为无向图的邻接矩阵，ai,j反映i,j两个节点之间在构建的图上是否有连接。本发明利用基站负载数据之间的相关性来构建邻接矩阵，认为皮尔逊相关系数值越大，两个序列相关性越高，空间关系越紧密；值越小，两个序列相关性越低，空间相关度越低。[0071][0072]其中，cov(·)是协方差，ri、rj分别为基站i、j的历史负载，为分别为历史负载ri、rj对应的标准差。a为定义i、j两个基站节点之间在构建的图上是否有连接的阈值，a＝0.96。[0073]步骤s3：搭建时空预测网络模型，主要包括结合图卷积的双通道gru网络。[0074]整体预测模型如图1所示，模型主要由三部分构成：[0075](1)由图卷积网络和gru网络组成的时空混合模块，用于从输入序列ⅰ和输入序列ⅱ提取中间特征。[0076](2)二次空间特征提取模块，连接于时空混合模块之后，用于对时空混合模块提取的两路中间特征进行空间加权，得到新中间特征。[0077](3)全连接网络特征加权模块，连接于二次空间特征提取模块之后。用于结合新中间特征和输入序列ⅲ的信息，进一步修正最终的预测结果。[0078]进一步的，所述的图卷积网络和gru网络结合的时空混合模块：[0079]图卷积网络对每个节点聚合其自身及与其相连接的节点数据的特征，由于每个节点的连接数不同，使得数据结构不是欧几里德结构型，而由于传统卷积神经网络(convolutional neural network)的平移不变性，不能直接将其迁移到图卷积网络。基于此，本实施例利用谱方法(spectral methods)进行图卷积，即利用傅里叶变换将空间域的数据映射到频域进行卷积，提取特征后再利用傅里叶反变换映射回空间域。对图x与卷积核进行卷积表示为[0080](x*g)g＝u((utg)·(utx))ꢀꢀꢀ(5)[0081]其中，g为卷积核，u是傅里叶逆变换的基，ut(·)表示进行傅里叶变换，u(·)表示进行反傅里叶变换，ut∧u＝l，∧为拉普拉斯矩阵l的特征值组成的对角矩阵，l＝d-a，d为度矩阵，是值代表邻接矩阵a对应节点的连接数的对角矩阵。utg是频域可学习的卷积核，写作gθ(∧)，它是特征值∧的一个函数，上式可以表示为：[0082]gθ*x＝ugθ(∧)utxꢀꢀꢀ(6)[0083]为了降低计算复杂度，利用切比雪夫多项式tk(x)的k阶截断展开式来近似gθ(∧)，即经过化简后，上式可表示为[0084][0085]其中，i为单位矩阵，λmax是l的最大特征值。和x为已知量，图卷积转化为训练θk参数来实现特征提取。本实施例中k＝3。[0086]进一步的，所述的图卷积网络和gru结合网络[0087]输入序列进行图卷积后利用gru提取时间相关性的特征，如图2所示，gru cell的内部结构如图3所示。gru对输入向量进行图卷积得到输入到gru cell中提取当前时刻的信息得到输出向量与下一时刻的输入一起作为下一个cell的输入，得到的输出向量与下一时刻的输入一起再作为下一个cell的输入，重复此步骤直至最后一个时刻的输入运算完成。最后一个cell的输出向量包含了所有时刻输入的信息。经全连接层后得到中间特征，两个输入序列经时空混合模块后的输出的预测结果表示为[0088]进一步的，所述的二次空间特征提取模块[0089]搭建图卷积网络，对输出的两个时空混合预测结果进行空间上的加权特征提取，具体是先对两个预测结果进行拼接，然后对拼接后的特征通过图卷积网络进行特征提取，得到结果经全连接层后得到中间特征[0090]进一步的，所述的全连接网络特征加权模块[0091]将得到的结果与输入序列ⅲ进行拼接后，输入到全连接网络，得到最终预测结果[0092]本实施例采用均方根误差(rmse)、平均绝对误差(mae)和决定系数(r2)三种指标对模型进行评估。并与传统时间序列模型arima、长短期记忆网络(lstm)、时空跨域神经网络(stcnet)进行性能对比，评估结果如图4所示。结果表明，在短信服务(sms)数据集上，与arima、lstm、stcnet相比，所提出的模型在rmse上的性能提升分别为113.95％、15.87％、12.02％；在mae上的性能提升分别为126.35％、24.15％和34.39％；在语音通话(call)数据集上，所提出的模型在rmse上的性能提升分别为184.18％、49.45％、33.74％；在mae上的性能提升分别为191.82％、43.54％和19.87％；在上网流量(internet)数据集上，所提出的模型在rmse上的性能提升分别为155.16％、7.11％、0.71％；在mae上的性能提升分别为131.63％、14.26％和5.50％。[0093]以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式包括部件进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!