一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114158085A(43)申请公布日2022.03.08(21)申请号202111366432.0G06Q10/04(2012.01)(22)申请日2021.11.18(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)发明人赵楠陈金莲陈哲任凡杜威(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代理人王琪(51)Int.Cl.H04W24/08(2009.01)H04L41/16(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书7页附图1页(54)发明名称一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法(57)摘要本发明公开了一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法，首先，聚合图卷积网络将预测区域划分成多个子区域并将其作为网络中的各个节点，通过对移动流量的每日历史模式和每小时当前模式建模，捕获跨不同时间所有节点的复杂时空相关性。接着，通过嵌入模块将K层聚合图卷积网络模块的输出进行连接。然后，利用回归模块将预测信息与外部模块提取的外部特征进行融合，得到最终的移动流量预测结果，并更新模型参数以获取最小损失函数。本发明有效提高了移动蜂窝流量的预测性能。CN114158085ACN114158085A权利要求书1/3页1.一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法，其特征在于，包括如下步骤：步骤1，构建聚合图卷积网络模块，并将数据的时间序列作为聚合图卷积网络模块的输入，将预测区域划分成多个子区域并将其作为聚合图卷积网络模块中的各个节点，通过对移动蜂窝流量的每日历史模式和每小时当前模式建模，捕获跨不同时间所有节点的移动蜂窝流量的复杂时空相关性；所述聚合图卷积网络模块中，采用图卷积网络通过相邻节点之间的信息交换来学习每个节点的特征；步骤2，通过一个嵌入模块将K层的聚合图卷积网络模块的输出进行级联，从而将T个时间段的输出连接起来；步骤3，考虑到节假日的流量特征不同于工作日，因此提取节假日的外部特征形成特征向量，将节假日的流量特征向量输入到外部模块中以聚合外部因素，所述节假日即假期和周末；步骤4，将外部模块的输出与嵌入模块的输出相结合，得到回归模块的输入，然后通过回归模块获得移动蜂窝预测流量；步骤5，更新聚合图卷积网络模块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所述的一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法，其特征在于：数据的时间序列选择将每日历史数据和每小时当前数据进行级联；其中，当前时间t与之前的α小时的流量信息表示为：日历史流量数据为当前时刻t前β天的历史流量信息：最后将和级联作为聚合图卷积网络的输入：其中L＝α+β，N表示N个节点，T表示T个连续时间段。3.根据权利要求1所述的一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法，其特征在于：步骤1中将移动蜂窝流量网络建模成无向图G＝(ν,ε,A)，v是移动蜂窝流量网络中N个节点的集合，ε是边的集合，A是描述节点连通性的邻接矩阵，A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Aij＝1，否则Aij＝0，其中表示区域i在时间t内的流量，表示区域j在时间t内的流量；考虑到节点在时间t的流量为则N个节点在时间t的流量表示为s个时间段的历史流量预测值为Xs＝(Xt‑s+1,Xt‑s+2,...,Xt)，然后预测所有节点的未来γ个时间段的流量序列，记为其中为t时刻N个节2CN114158085A权利要求书2/3页点的预测流量。4.根据权利要求2所述的一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法，其特征在于：设计一种聚合时空邻接矩阵来描述T个连续时间不同节点的复杂时空依赖关系，即复杂时空相关性，具体表示为：其中，表示N个节点在时间t和t'之间的邻接矩阵；当t＜t'时，表示移动蜂窝流量取决于前一个时间节点的流量特征；当t＝t'时，表示每个节点在t时刻时聚合相邻空间流量特征；当t'＜t时，表示每个节点在t时刻的流量是将前一个1到(t‑1)时间段相邻节点和自身的流量特征进行聚合，其中I表示为：最后，N个节点在t时刻跨T个连续时间段的聚合移动蜂窝流量数据可表示为5.根据权利要求4所述的一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法，其特征在于：所述聚合图卷积网络模块的具体处理过程如下；令第l层聚合图卷积网络模块的输入为通过使用图神经网络频谱，得到时空聚合特征表示为：其中，D是的对角矩阵，是第l层的可学习权重参数；然后将输入特征与时空聚合特征级联，即最后进行非线性激活得到第l层的