[发明专利]基于图神经网络的5G连通簇基站群流量预测方法及系统

说明书

本公开提供了一种基于图神经网络的5G连通簇基站群流量预测方法及系统，包括：获取5G连通簇中每个基站的流量原始时间序列；基于所述流量原始时间序列构建多阶模糊认知图；基于得到的每阶模糊认知图，利用图神经网络模型生成包含丰富空间信息的模糊认知图节点嵌入序列；基于获得的节点嵌入序列，利用时序卷积模型建立时序关系，实现对5G连通簇中多个基站的流量时间序列的预测。所述方案充分考虑了簇内不同基站流量序列之间时间上和空间上的关联，基于图神经网络模型，有效捕获了基站流量序列的时序关系以及基站与其周边基站的空间关系，提高了基站群流量预测的精度。

技术领域

本公开属于5G基站流量预测技术领域，尤其涉及基于图神经网络的5G连通簇基站群流量预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着5G移动通信技术的不断发展，移动设备以及互联网应用日益增多，社会生活对无线网络的需求也越来越大。无线基站流量预测可为通信资源优化、设备节能降耗以及精准运维提供重要的决策信息，在5G网络建设和运行中起到重要作用。

发明人发现，5G网络中C-band(3.4GHz-4.9GHz)成为主力频谱，随着高频的应用为保证连续覆盖必然带来站址密度的增加，较4G网络单位区域内基站间距进一步缩小，基站间连通关系更加紧密，从而提出了紧密组网的要求。5G连通簇是具有强关联性的局部性基站群，相互之间具有较强的影响关系。目前，针对单基站流量预测有较多研究，但5G网络环境下连通簇的多基站流量预测尚是一个亟待解决的问题。在实际中，基站流量序列具有复杂的非线性特性，因而传统的线性时间序列预测方法难以有效对其进行时序建模。另外，单个基站的流量不仅仅受其所在区域的影响，也会受到簇内基站的影响；因此，不同基站流量序列之间既具有时间上的联系，也具有空间上的关联。

发明内容

本公开为了解决上述问题，提供了一种基于图神经网络的5G连通簇基站群流量预测方法及系统，所述方案充分考虑了簇内不同基站流量序列之间时间上和空间上的关联，基于图神经网络模型，有效捕获了基站流量序列的时序关系以及基站与其周边基站的空间关系，提高了基站群流量预测的精度。

根据本公开实施例的第一个方面，提供了一种基于图神经网络的5G连通簇基站群流量预测方法，包括：

获取5G连通簇中每个基站的流量原始时间序列；

基于所述流量原始时间序列构建多阶模糊认知图；

基于得到的每阶模糊认知图，利用图神经网络模型生成包含丰富空间信息的模糊认知图节点嵌入序列；

基于获得的节点嵌入序列，利用时序卷积模型建立时序关系，实现对5G连通簇中多个基站的流量时间序列的预测。

进一步的，所述多阶模糊认知图的构建，具体包括：将每个基站特定时刻的流量数据作为模糊认知图的概念节点，连通簇中的每个基站间的关联程度作为模糊认知图的权值有向边，其中，k阶模糊认知图的迭代公式具体表示如下：

其中，A_i(t)表示第i个基站节点在第t时刻的流量数据，σ为激活函数，表示在第k阶模糊认知图中，基站节点j到基站节点i的权值。

进一步的，所述基站间的关联程度的计算，具体为：通过模糊认知图学习得到的权重矩阵对基站间的关联程度进行表示。

进一步的，所述利用图神经网络模型生成包含丰富空间信息的模糊认知图节点嵌入，具体包括：分别将每阶模糊认知图输入图神经网络模型中，获得模糊认知图中每个节点与其他节点经过特征融合后得到的抽象空间特征向量。

进一步的，所述图神经网络模型具体包括若干密集连接图卷积神经网络，其中，每个密集连接图卷积神经网络具有两层图卷积层，且所述密集连接图卷积神经网络的个数与模糊认知图的阶数一致。