基于时空卷积和多时间尺度的基站流量预测方法技术

本公开涉及基于时空卷积和多时间尺度的基站流量预测方法，该方法包括：预处理步骤，基于基站的电子栅格，采用矢量路网的自适应图像表达方法将基站流量地图化后转为二维图像；以及多时间尺度信息融合建模步骤，对多时间尺度下的近、中、长期流量地图化图像序列的历史数据分别进行利用时空卷积的特征提取，构建深度时空残差网络，融合外部信息，动态感知序列的长短相关性，选择当前最优的窗口尺度，自动聚合多个深度时空残差网络的输出，加权得到基站流量的预测结果值。流量的预测结果值。流量的预测结果值。

【技术实现步骤摘要】
基于时空卷积和多时间尺度的基站流量预测方法


[0001]本公开总体上涉及大数据与人工智能领域，具体而言涉及一种基于时空卷积和多时间尺度的基站流量预测方法。

技术介绍

[0002]随着通信技术的演进，面向未来的第五代移动通信(the Fifth Generation Mobile Communication，简称5G)技术作为最新一代蜂窝移动通信技术正逐步普及。同时，伴随着大数据、人工智能(AI)和互联网技术的高速发展及应用，移动流量业务近年来持续高速增长，并且在可以预见的未来还将急剧增长。对于电信运营商而言，如何针对特定地区，在历史数据的基础上准确预测基站流量，是研究通信网络的性能、管理、协议及服务质量的基础，进而对提高5G及以后的网络性能、提升用户体验、节省运营商成本等具有重要意义。
[0003]预测基站流量属于时间序列预测问题。通常，时间序列是一种现实生活中非常常见且和时间关联、具有先后次序的数值序列，可以是由分析动态系统的研究人员按照一定规则的时间间隔t采样得到的有序观测数据X(t)，例如可以为基站流量、股票波动数据、病人的心电图数据等。时间序列预测是依据过去的信息建立适当的模型，并对未来一定时期的趋势进行定量预测的方法。时间序列预测是时间序列数据挖掘应用的重要手段，分析时间序列的规律并利用规律来预测其未来的行为是非常有用的，除了本公开中作为具体示例的基站流量预测场景之外，还有例如气象预报、灾害预警、金融趋势分析和交通流预测等。传统的时间序列预测建模方法，如差分整合移动平均自回归ARIMA(Autoregressive Integrated Moving Average Model)等时序线性预测、传统的机器学习和深度学习算法等，已经在科学界和工业界得到了广泛的应用。
[0004]然而，在将现有的时间序列预测技术应用于例如基站流量等的预测的情况下，主要存在如下问题：1、只能用于数据相对稳定、呈线性变化的预测问题，但现实世界的各类时间序列、例如基站流量等大多具有非线性特征且波动规律多变，因此很难适应实际需求；2、无法完整反映时间序列的多维特征，没有考虑到时间序列在空间区域上的依赖关系，特征表达有限，因而预测精度低，度量效果不佳，普适性和灵活性较差；3、尤其是在例如基站流量预测的应用场景下，现有的一站一模型的孤立建模和重复运算会造成运算效率低，精度不高，而且容易受到随机波动和人工干预的影响。
[0005]在基站流量预测场景下，针对现有预测方法普遍缺乏考虑时空联动性、单站孤立建模等精度低效率差的问题，如何充分挖掘基站流量间的时空关联性，以较高的精度预测未来时刻基站的流量，业内目前尚在探索之中。

技术实现思路

[0006]针对现有基站流量预测方法中缺乏考虑时空联动性、单站孤立建模等精度低效率差的技术问题，本公开的目的在于提出一种基于时空卷积和多时间尺度的基站流量预测方
法，在基站流量的栅格化地图基础上，针对多个时间尺度下，对近、中、长期序列信息分别采用时空卷积进行特征提取来建模，并且融入网络特性等外部因素，从而自动、高效地捕获空间、时间维度的特征，深度挖掘基站间的时空关联性，动态聚合多个尺度的网络的输出，由此能够以较高的精度预测未来时刻基站的流量情况。
[0007]在下文中给出了关于本公开的简要概述，以便提供关于本公开的一些方面的基本理解。但是，应当理解，这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分，也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念，以此作为稍后给出的更详细描述的前序。
[0008]根据本公开的一个方面，提供一种基于时空卷积和多时间尺度的基站流量预测方法，该方法可以包括：预处理步骤，基于基站的电子栅格，采用矢量路网的自适应图像表达方法将基站流量地图化后转为二维图像，构造流量地图化图像序列，其中流量地图化图像的每个像素对应于预设地理精度下的网格内对应时刻下的业务负荷流量值；以及多时间尺度信息融合建模步骤，在多个时间尺度下，对近、中、长期的历史图像序列数据分别利用时空卷积进行特征提取，构建深度时空残差网络，再融合外部信息，动态感知序列的时空关联性和序列的长短相关性，选择当前最优的窗口尺度，自动聚合多个深度时空残差网络的输出，加权得到基站流量的预测结果值，其中，利用时空卷积的特征提取包括空间卷积子步骤和时间卷积子步骤，用于提取基站流量历史数据的时间维和空间维特征以及时空相关性，在所述空间卷积子步骤中，针对流量地图化图像序列，采用谱图方法对单个时间片上的空间图的图信号进行处理，利用空间图卷积自动提取基站流量图数据在空间维上的特征以用于建模，在所述时间卷积子步骤中，针对流量地图化图像上每个像素点在时间维度上的序列，利用标准2维卷积自动提取基站流量时间序列的时间维特征以用于建模。
[0009]根据本公开的另一个方面，提供一种基于时空卷积和多时间尺度的基站流量预测装置，该装置可以包括：存储器，其上存储有指令；以及处理器，被配置为执行存储在所述存储器上的指令，以执行本公开的上述方面所述的基于时空卷积和多时间尺度的基站流量预测方法。
[0010]根据本公开的又一个方面，提供一种计算机可读存储介质，其可以包括计算机可执行指令，所述计算机可执行指令在由一个或多个处理器执行时，使得所述一个或多个处理器执行根据本公开的上述方面所述的基于时空卷积和多时间尺度的基站流量预测方法。
[0011]根据本公开的再一个方面，提供一种计算机程序产品，其包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现根据本公开的上述方面所述的基于时空卷积和多时间尺度的基站流量预测方法的步骤。
[0012]根据本公开的基于时空卷积和多时间尺度的基站流量预测方法，能够实现指定区域内全部基站的小区的联动和并行预测，提高运算效率，而且有效克服了传统预测方法无法解决基站的小区间的相互影响与依赖关系的问题；并且通过时空卷积和多个时间尺度下的近、中、长期序列信息，充分挖掘基站间的时空关联性和序列间的长短相关性，再融合外部信息，在多个时间尺度下动态选择当前最合适的窗口尺度，减低噪声信息和人工干扰，有效提升了基站流量的预测精度。
附图说明
[0013]构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
[0014]参照附图，根据下面的详细描述，可以更清楚地理解本公开，其中：
[0015]图1示出了根据本公开的实施例的基于时空卷积和多时间尺度的基站流量预测方法100的示例性流程图；
[0016]图2是示出根据本公开的实施例的基于时空卷积和多时间尺度的基站流量预测方法100中的多时间尺度信息融合处理模型200的示意图；
[0017]图3示出了可以实现根据本公开实施例的计算设备300的示例性配置。
具体实施方式
[0018]参考附图进行以下详细描述，以帮助全面理解本公开的各种示例实施例。以下描述包括各种细节以帮助理解，但是这些细本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空卷积和多时间尺度的基站流量预测方法，该方法包括：预处理步骤，基于基站的电子栅格，采用矢量路网的自适应图像表达方法将基站流量地图化后转为二维图像，构造流量地图化图像序列，其中流量地图化图像的每个像素对应于预设地理精度下的网格内在对应时刻下的业务负荷流量值；以及多时间尺度信息融合建模步骤，在多个时间尺度下，对近、中、长期的历史图像序列数据分别利用时空卷积进行特征提取，构建深度时空残差网络，再融合外部信息，动态感知序列的时空关联性和序列的长短相关性，选择当前最优的窗口尺度，自动聚合多个深度时空残差网络的输出，加权得到基站流量的预测结果值，其中利用时空卷积的特征提取包括空间卷积子步骤和时间卷积子步骤，用于提取基站流量历史数据的时间维和空间维特征以及时空相关性，在所述空间卷积子步骤中，针对流量地图化图像序列，采用谱图方法对单个时间片上的空间图的图信号进行处理，利用空间图卷积自动提取基站流量图数据在空间维上的特征以用于建模，在所述时间卷积子步骤中，针对流量地图化图像上每个像素点在时间维度上的序列，利用标准2维卷积自动提取基站流量时间序列的时间维特征以用于建模。2.根据权利要求1所述的基于时空卷积和多时间尺度的基站流量预测方法，其中，在所述预处理步骤中，所述预设的地理精度能够根据下游的实际需求和任务而灵活调节。3.根据权利要求1所述的基于时空卷积和多时间尺度的基站流量预测方法，其中，在所述多时间尺度信息融合建模步骤中，多次并行进行空间卷积子步骤和时间卷积子步骤以实现多层时空卷积，从而提取时空维上的信息，再通过全连接操作使时空卷积的...

【专利技术属性】
技术研发人员：郑佳欢，向勇，关迎辉，张海平，云龙，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：