一种基于迁移学习的时空序列预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115051925A(43)申请公布日2022.09.13(21)申请号202210683711.8H04W4/20(2018.01)(22)申请日2022.06.16H04W24/06(2009.01)G06N3/04(2006.01)(66)本国优先权数据202110678113.72021.06.18CN(71)申请人北京邮电大学地址100876北京市海淀区西土城路10号(72)发明人朱新宁田楚杰胡铮张春红(74)专利代理机构北京永创新实专利事务所11121专利代理师易卜(51)Int.Cl.H04L41/14(2022.01)H04L41/147(2022.01)H04L41/16(2022.01)H04W4/14(2009.01)权利要求书2页说明书7页附图3页(54)发明名称一种基于迁移学习的时空序列预测方法(57)摘要本发明公开了一种基于迁移学习的时空序列预测方法，属于时空序列预测领域和迁移预测领域；具体为：首先，收集待预测城市的无线业务流量，作为时空序列源数据，基于时空预测模型的局部卷积网络和残差网络，学习时空特征；同时提取外部信息源数据，基于局部卷积学习外部信息特征；然后，将时空特征输入对抗生成网络，学习得到时空共性特征；通过融合时空特征、时空共性特征和外部信息特征，得到时空预测模型的预测值；并通过最小化预测损失函数，优化预测模型的参数。最后，将该时空预测模型迁移到与源数据具备同时空的共性特征的目标域数据，得到目标域模型参数，并进一步对目标域进行预测。本发明提高了预测准确度和稳定性。CN115051925ACN115051925A权利要求书1/2页1.一种基于迁移学习的时空序列预测方法，其特征在于，具体步骤如下：首先，将待预测城市进行网格划分，按固定时间间隔收集每个网格区域的无线业务流量，作为时空序列源数据，并基于时空预测模型的局部卷积网络和残差网络，学习时空特征同时提取外部信息源数据预处理，并基于时空预测模型的局部卷积学习外部信息特征然后，将时空特征输入时空预测模型的对抗生成网络，学习得到时空共性特征接着，融合时空特征、时空共性特征和外部信息特征，得到时空预测模型的预测值；融合公式为：WC表示卷积网络的参数矩阵，bC表示卷积网络的偏置向量；进一步，通过最小化预测损失函数，使得时空预测模型的预测值接近真值，从而优化整个预测模型的参数；最后，将源数据预训练的时空预测模型，迁移到与源数据具备同时空的共性特征的目标域数据，通过有限次训练得到目标域模型参数，对目标域测试集进行预测，对预测结果进行性能评估。2.根据权利要求1所述的一种基于迁移学习的时空序列预测方法，其特征在于，所述无线业务流量包括：用户短信数据SMS、呼叫服务数据Call和移动上网数据Internet；外部信息源数据包括：各区域的兴趣点数据POI、基站信息数据BS、社交数据Social；兴趣点数据包括每个区域的公交地铁站点、商店、教堂、公园、银行或酒吧的数量；基站信息数据包括每个区域的基站数量；社交数据由推特信息得到。3.根据权利要求1所述的一种基于迁移学习的时空序列预测方法，其特征在于，所述学习时空特征的具体过程为：基于局部卷积网络学习近距离空间特征XNear：其中表示第l层近距离空间模块的输入，表示第l层近距离空间模块的输出，表示局部卷积网络的参数矩阵，表示局部卷积网络的偏置向量；基于残差网络学习远距离空间特征XDis：表示第l层远距离空间模块的输入，表示第l层远距离空间模块的输出，表示残差网络的参数矩阵，表示残差网络的偏置向量，kl表示第l层的空洞卷积网络的扩张因子；2CN115051925A权利要求书2/2页通过拼接近距离空间特征XNear和远距离空间特征XDis，得到完整的空间特征表示XS；然后，通过两个并行的ConvLSTM模型组成的时间网络模块，分别学习时空序列的顺序性特征和周期性特征，拼接两部分特征得到时空特征表示4.根据权利要求1所述的一种基于迁移学习的时空序列预测方法，其特征在于，所述学习外部信息特征的计算公式为：所述学习时空共性特征的计算公式如下：Xf为提取的外部信息数据；和表示三层卷积操作。5.根据权利要求1所述的一种基于迁移学习的时空序列预测方法，其特征在于，所述预测损失函数包括：预测损失和判别损失两部分；预测损失表示如下：Xt表示监督学习的真值；判别损失表示如下：其中，LC()表示二元交叉熵损失函数，表示第一类源数据输入经过网络的判别类型，表示第二类源数据输入经过网络的判别类型；对应的预测网络的目标函数为：α表示判别损失权重值；判别网络的目标函数表示如下：3CN115051925A说明书1/7页一种基于迁移学习的时空序列预测方法技术领域[0001]本发明涉及时空