一种基于动态时空超图卷积网络的流量预测方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115866658A(43)申请公布日2023.03.28(21)申请号202310064987.2G06N3/08(2023.01)(22)申请日2023.02.06(71)申请人湖北工业大学地址430068湖北省武汉市洪山区南李路28号(72)发明人赵楠孙奕灵陈楷桥朱华霖宋海娜曾春艳余长亮(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222专利代理师王琪(51)Int.Cl.H04W24/06(2009.01)H04W24/02(2009.01)G06N3/0464(2023.01)G06N3/048(2023.01)权利要求书5页说明书9页附图1页(54)发明名称一种基于动态时空超图卷积网络的流量预测方法和系统(57)摘要本发明属于无线通信技术领域，具体涉及一种基于动态时空超图卷积网络的流量预测方法和系统。首先建立门控时间卷积网络模型和高阶时间差分卷积网络模型的时间模块来模拟动态异构网络中移动流量更复杂的时间关系；建立空间渐进卷积网络模型构成空间模块，模拟动态异构网络中移动流量更复杂的空间关系；然后在图卷积网络的基础上建立移动数据流量的超图卷积网络模块，将时间模块、空间模块、超图卷积网络模块相融合，从而建立完整的移动数据流量的动态时空超图卷积预测模型；最后通过优化算法更新动态时空超图卷积预测模型中的网络参数以获取最小损失函数，得到最终的移动蜂窝流量预测结果，从而实现动态异构网络中高精度的移动流量预测。CN115866658ACN115866658A权利要求书1/5页1.一种基于动态时空超图卷积网络的流量预测方法，其特征在于，所述方法包括如下步骤：步骤1，构建图卷积网络，通过研究移动流量数据时空相关性特点，对动态异构网络中移动数据流量预测数学模型进行描述；步骤2，建立门控时间卷积网络模型和高阶时间差分卷积网络模型构成时间模块，模拟动态异构网络中移动流量更复杂的时间关系；步骤3，建立空间渐进卷积网络模型构成空间模块，模拟动态异构网络中移动流量更复杂的空间关系；步骤4，将图卷积网络扩展为超图卷积网络，从而建立移动数据流量的超图卷积网络模块；步骤5，将时间模块、空间模块、超图卷积网络模块相融合，从而建立完整的移动数据流量的动态时空超图卷积预测模型；步骤6，通过优化算法更新动态时空超图卷积预测模型中的网络参数以获取最小损失函数，得到最终的移动蜂窝流量预测结果。2.根据权利要求1所述的基于动态时空超图卷积网络的流量预测方法，其特征在于：步骤1中，构建图卷积网络及对动态异构网络中移动数据流量预测数学模型进行描述的过程包括：将移动蜂窝流量网络建模成无向图，是移动蜂窝流量网络中个节点的集合，是边的集合，是描述节点连通性的邻接矩阵；若两个时空数据点和来自相邻区域，则，否则，其中表示区域在时间内的流量，表示区域在时间内的流量；考虑到节点在时间的流量为，则个节点在时间的流量表示为，对于一个周期，将移动流量的流量序列表示为，因此，利用时间之前的时间段内的历史移动流量数据来预测时间之后的时间段内的移动流量数据，预测的移动流量定义为：其中，为一个可学习的函数，为移动流量网络建模成的无向图。3.根据权利要求1所述的基于动态时空超图卷积网络的流量预测方法，其特征在于：步骤2的具体实现方式如下；门控时间卷积网络模型GateTCN的表达式如下：其中，TCN为时间卷积网络模型，是时间维数上的扩张卷积，是移动流量的时间序列，为参数值，和是的含有不同参数和的时间卷积网络模型，和为激活函数，为逻辑运算符，表示同或运算；为了直接获得高阶的时间信息，建立高阶时间差分卷积网络模型HDTCN，表达式如下：2CN115866658A权利要求书2/5页其中，是移动流量的时间序列，和是的含有不同参数和的时间卷积网络模型，和为激活函数。4.根据权利要求1所述的所述的基于动态时空超图卷积网络的流量预测方法，其特征在于：步骤3的具体实现方式如下；为了模拟动态异构网络中移动流量更复杂的空间关系，建立空间渐进卷积网络模型SPGCN，表达式如下：其中，是移动流量的时间序列，是在中使用随机整数值初始化所得到的矩阵，是移动蜂窝流量网络中个节点的集合，该矩阵可表现出节点之间潜在的空间相关性，因此可以获得更小的移动流量预测误差，为移动流量的转移矩阵，为输入特征矩阵，为参数值，为激活函数。5.根据权利要求1所述的所述的基于动态时空超图卷积网络的流量预测方法，其特征在于：步骤4的具体实现方式如下；图卷积网络通过聚合和转换相邻节点的特征来更新节点特征，图卷积网络GCN的一阶切比雪夫表达式为：,其中，为归一化邻接矩阵，为输入特征矩阵，为可学习的参数；超图卷积网络为图到超图的扩展，超图卷积网络HGCN表示为：其中，为超图的输入