一种无线基站数据流量预测方法和设备

本公开属于通信技术领域，具体涉及一种无线基站数据流量预测方法和设备。

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。

城市5g移动通信基站的流量预测对于拥堵控制、基础设施配置以及运营方案的制订有着至关重要的作用。而实际中，基站流量不仅仅受到其所在区域的影响，也会受到其周边基站的关联。因此单单只考虑单个基站的流量序列而忽略其周边基站的影响并不能反映出基站流量的真实特征。除此之外，城市移动通信基站一般具有大规模的分布特点。

而且，现有技术中仅能预测某个基站的流量，不仅增加了基站流量预测的时间，同时先预测出的基站流量数据滞后于后预测出的基站流量数据，导致相邻的多个基站的流量数据不能实现同步预测。

因此，目前迫切需要一种无线基站数据流量预测方法，不仅能够将基站内流量与基站间流量之间的相互关联的关系考虑在内，而且能够同时预测多个相邻的基站流量数据。

技术实现要素：

本公开为了解决上述问题，提出了一种无线基站数据流量预测方法和设备，本公开不仅可以对大规模基站进行建模，同时也可以将目标基站与其关联基站之间的相互作用考虑进去；可用于大规模移动通信基站流量的同时预测并实现较为理想的预测效果。

第一方面，本公开提供了一种无线基站数据流量预测方法，包括：

将待预测的基站对应的基站内流量特征及基站间流量特征输入预先基于稀疏模糊认知图建立的无线基站数据流量预测模型，获取输出的待预测的基站流量预测值；

其中，所述基站内流量特征为待预测的基站及与待预测的基站相邻基站的基站内流量，所述基站间流量特征为待预测的基站与待预测的基站相邻基站之间的基站间流量。

在一些进一步的实施中，获取训练样本并基于模糊认知图构建无线基站数据流量预测模型，所述训练样本包括输入特征及对应的结果；所述输入特征为待预测的基站对应的t时段的前s个时段的基站内流量特征和基站间流量特征，所述结果为s时段的流量值；其中，k和s为大于1的自然数；

将所述待预测的基站对应的s时段的前k个时段的基站内流量特征输入到无线基站数据流量预测模型的节点上，将所述待预测的基站对应的s时段的前k个时段的基站间流量特征输入到所述无线基站数据流量预测模型的节点连边上进行训练，获取训练完成的无线基站数据流量预测模型。

在一些进一步的实施中，基于模糊认知图构建无线基站数据流量预测模型的过程包括：

(1)根据模糊概念认知图产生响应序列对应的响应矩阵，并对模糊概念图中的每个节点进行学习；

(2)将模糊认知图的学习任务转换为一个信号重构任务，构造目标函数；

(3)将elastic-net和全变分正则项作为惩罚项加入到目标函数中，得到elastic-net和全变分之后的目标函数；

(4)采用基于结构稀疏性的迭代平滑算法的凸优化方法对步骤(3)中的elastic-net和全变分之后的目标函数进行优化，得到无线基站数据流量预测模型。

第二方面，本公开提供了一种无线基站数据流量预测设备，包括：

至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求上述方面提供的无线基站数据流量预测方法。例如将所述待预测的基站对应的s时段的前k个时段的基站内流量特征输入到无线基站数据流量预测模型的节点上，将所述待预测的基站对应的s时段的前k个时段的基站间流量特征输入到所述无线基站数据流量预测模型的节点连边上进行训练，获取训练完成的无线基站数据流量预测模型。

与现有技术相比，本公开的有益效果为：

本公开提供的无线基站数据流量预测方法和设备，通过根据用户的移动特性将基站的流量分解为基站内流量和基站间流量，并利用基于稀疏模糊认知图的无线基站数据流量预测模型对多个相邻的基站同时进行流量预测，充分考虑了用户的移动对基站流量的影响，从而准确地进行流量预测。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是本公开的实施例提供的基于模糊认知图构建无线基站数据流量预测模型的流程示意图，；

图2是本公开的一个具有四个节点的模糊认知图；

图3是本公开的基站数据流量预测设备的结构示意图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例一

本实施例提供了一种无线基站数据流量预测方法，包括：

将待预测的基站对应的基站内流量特征及基站间流量特征输入预先基于稀疏模糊认知图建立的无线基站数据流量预测模型，获取输出的待预测的基站流量预测值；

其中，所述基站内流量特征为待预测的基站及与待预测的基站相邻基站的基站内流量，所述基站间流量特征为待预测的基站与待预测的基站相邻基站之间的基站间流量。

具体地，当大量用户聚集到某个基站范围时，该基站的流量将会上涨；当大量用户撤离该基站时，该基站的流量将会下降；因此，在对基站流量进行建模时，根据用户的移动特性，可以将某一时间段内基站的流量的来源分成两个部分：基站内流量和基站间流量。

基站内流量为当前时段及前一时段均在待预测基站的用户所产生的；基站间流量为前一时段不在待预测基站，而当前时段在待预测基站的用户所产生的流量。

用户可以选择4g无线通讯的方式，也可以选择5g无线通讯方式；本公开的技术方案既能满足5g无线基站数据流量预测，也能满足4g无线基站数据流量预测，或者4g与5g混合的无线基站数据流量预测。

获取训练样本并基于模糊认知图构建无线基站数据流量预测模型，所述训练样本包括输入特征及对应的结果；所述输入特征为待预测的基站对应的t时段的前s个时段的基站内流量特征和基站间流量特征，所述结果为s时段的流量值；其中，k和s为大于1的自然数；

将所述待预测的基站对应的s时段的前k个时段的基站内流量特征输入到无线基站数据流量预测模型的节点上，将所述待预测的基站对应的s时段的前k个时段的基站间流量特征输入到所述无线基站数据流量预测模型的节点连边上进行训练，获取训练完成的无线基站数据流量预测模型。

图1是本公开实施例提供的基于模糊认知图构建无线基站数据流量预测模型的流程示意图，如图1所示，在本实施例中，基于模糊认知图构建无线基站数据流量预测模型的过程包括：

(1)根据模糊概念认知图产生响应序列对应的响应矩阵，并对模糊概念图中的每个节点进行学习；

(2)将模糊认知图的学习任务转换为一个信号重构任务，构造目标函数；

(3)将elastic-net和全变分正则项作为惩罚项加入到目标函数中，得到elastic-net和全变分之后的目标函数；

(4)采用基于结构稀疏性的迭代平滑算法的凸优化方法对步骤(3)中的elastic-net和全变分之后的目标函数进行优化，得到无线基站数据流量预测模型。

对模糊认知图的介绍：

图2是一个具有四个节点的模糊认知图，如图2所示，模糊认知图是一种软计算方法，它可以看作是模糊逻辑和神经网络的结合。形式上模糊认知图可以用有向图来表示，其中，每个节点表示一个概念，可以表示为c1,c2,...,cn，其中n表示概念节点的个数，节点连边上的权重反映了节点之间的关系，一个简单的模糊认知图的模型如figure1所示。节点连边的权重可以被描述为n×n的权重矩阵w，即：

其中，wi表示权重矩阵w第i列的列向量。wji∈[-1,1]表示节点j到节点i的影响程度的大小，当wji＞0时，说明节点j对节点i的影响是正面的，即节点j状态值增加将促进节点i状态值的增加；当wji＜0时，说明节点j对节点i的影响是负面的，即节点j状态值增加将促进节点i状态值的减少；当wji＝0时，说明节点j对节点i无影响。

在t时刻，第i个节点ci的状态值可以用ai(t)进行表示，其中ai(t)的范围在0到1之间。模糊认知图的动力学公式如下所示：

其中，f表示变换函数，作用是将节点的状态值映射到一定范围的区间中。常用的变换函数有二值函数，三值函数，tanh函数以及sigmoid函数。通常情况下，sigmoid函数作为转换函数的效果最佳，因此在本文中，sigmoid被考虑作为模糊认知图的转换函数，它的形式是：

其中，θ是一个用于表示函数在原点处的陡度的参数，它的值越大函数在原点处越陡峭。在相关的论文中，它的值通常设置为5。因此，在本文中，陡度参数的值同样设置为5。

模糊认知图构建无线基站数据流量预测模型的具体实现过程：

首先，以一个具有n个概念节点的模糊认知图为例，假设一个响应序列的长度是t，则产生的响应序列对应的矩阵形式是：

其中，响应矩阵的第一行表示网络节点的第一个时刻的值，即初始化状态。类似的，最后一行则表示网络节点t时刻的状态值。在响应矩阵中，相邻两行组成一个输入-输出对，也即是一个训练样本。因此，如果一个响应序列的时间长度为t，就可以得到t-1个训练样本。每个节点的学习过程一致，所以以第i个节点的学习过程为例，由模糊认知图的动力学公式可知，这个过程可以表示为：

若是sigmoid函数，由于它是一个单调递增的非线性连续函数，则它对应的逆函数可以唯一的确定，则上面的式子可以表示为：

上式可简化为：

yi＝φwi(7)

这是一个典型的稀疏信号重构的问题，其中，yi是一个t-1乘1的矩阵，φ是一个t-1乘n的矩阵。则模糊认知图的学习目标是在已知观测矩阵φ和yi的情况下，对wi进行估计。显然针对此类问题，可以通过最小二乘法来最小化误差进行求解，即：

为了防止模型过拟合，通常会加入l2正则项，这样可以使得参数值比较小，如ridge模型。更进一步地，由于大规模的模糊认知图通常都是稀疏的，所以为了学习得到具有稀疏结构的模型可通过加入l1正则项，如lasso模型。弹性网络(elasticnet)是一种使用l1，l2范数作为先验正则项用于训练的线性回归模型。这种组合允许学习到一个只有少量参数是非零稀疏的模型，就像lasso一样，但是它仍然保持一些像ridge的正则性质。因此，这里引入了elastic-net惩罚项，它不仅能够捕获网络中稀疏结构信息，而且能够防止模型过拟合。这样，引入elastic-net惩罚项之后的形式如下：

其中，β是l2正则项系数。λ是l1正则项系数。

考虑到现实情况中，观测到的序列通常包含噪音，因此，为了消除噪音的影响，引入了全变分正则项。全变分正则项可以有效保持边缘平滑的同时去除平坦区域的噪音，因此，全变分正则常用于信号处理。与信号处理类似，网络结构也不会突然发生变化，因此，本文采用引入稀疏结构elastic-net惩罚项和全变分正则的模型，它即可以学习网络的稀疏特征，也可以保存网络的结构并提高网络重构的鲁棒性。引入全变分之后的目标函数表示为：

其中，γ是全变分正则系数。需要注意的是，全变分正则项是一个复杂的非光滑稀疏正则项，为了使用后面的优化方法进行求解，需要对其进行光滑处理。针对此类问题的求解，我们用到了一种iterativesmoothingalgorithmwithstructuresparsity(isss)方法，即先对全变分正则项进行平滑处理，而保持l1正则项约束不变，之后通过加速近似梯度下降算对平滑处理后的目标函数进行求解。在对全变分正则项进行平滑处理时用到了nesterov平滑方法。其首先将全变分项tv(wi)转换为其对偶形式，即：

其中，为与vg相关的增广向量，以及集合κ是欧几里得空间中单位球的笛卡尔乘积。矩阵v为所有子矩阵vg的垂直级联矩阵，即：

在对全变分项进行平滑处理之前，需要先引入下面的引理：

引理：记sμ(wi)为tv(wi)的nesterov平滑项。如果则对于所有的有如下不等式成立：

sμ(wi)≤tv(wi)≤sμ(wi)+μm(13)

则经过nesterov平滑技术处理之后，平滑全变分正则的表达形式为：

其中，μ是非负平滑参数，并且当limμ→0sμ(wi)＝tv(wi)。在上面的式子中，根据投影理论可知，为在紧致凸空间κ上的投影，即有：

其中，为对应凸集κg上的投影，即：

经过了nesterov平滑技术对全变分正则项进行平滑之后，原优化问题就转化为了下面的形式：

根据定理[16]知sμ(wi)是lipschitzgradientcontinuous，并且是可导凸函数，它的梯度是则可以构造目标函数：

其中，这是一个可微的光滑凸函数，h(wi)＝λ||wi||1，这是一个不可微的非光滑凸函数，即这是一个凸优化问题。在面对一个凸优化问题时，通常可以将其转化为二阶锥规划(secondorderconeprogramming)问题，从而使用内点法(interiorpoint)等方法进行求解。然而在面对大规模问题时，由于数据维度太大，而内点法的算法复杂度为o(n³)，导致求解非常耗时。基于上述原因，很多研究者研究通过简单的基于梯度的方法来求解。基于梯度的方法其计算量主要集中在矩阵φ与向量wi的乘积上，算法复杂度小，而且算法结构简单，容易操作。而此问题的目标函数中包含了不可微分项，所以可以采用近端梯度下降的方法来解决。通过近端梯度下降算法来进行迭代求解时，变量的迭代递推公式是：

其中，proxη,h(.)(w)表示关于变量w和函数h(.)的近端算子，特别地，当h(wi)＝λ||wi||1时，proxη,h(.)(w)就是所谓的软阈值函数，即proxλη,h(.)(w)＝sgn(w)(|w|-λη)+表示向量wi的逐个分量的软阈值函数，η表示迭代步长，表示下一次迭代的起始点。关于迭代起始点的选取我们采取了快速迭代软阈值的思想，即在求解的过程中加入了nesterov技术的加速过程。的求解过程如下：

由于f是平滑凸函数，并且满足以常数为l(f)的lipschitzgradientcontinuous，即：

又根据泰勒展开式对目标函数在处进行二阶近似。这样，就得到了目标函数在处的近似函数：

当迭代步长η＝1/l(f)时理论上的迭代速度是最快的，但是当面临大规模问题的时候，决定步长的lipschitz常数并不总是已知和可以计算的。举个例子，l1正则化问题的lipschitz常数依赖于φ^tφ的最大特征值，而当面临大规模问题时，很难求得其特征值。所以我们采用基于回溯的方法。

在第k轮迭代计算过程中，对于δ＞1，先找到最小的非负整数ik，得到使得：

之后，将得到的作为lipschitz常数而用于计算。

算法的流程图如algorithm1所示。为了便于展示，在算法流程中展示的是针对权重矩阵的每列串行的学习方式。而权重矩阵每列的学习过程互不影响，所以为了提升训练速度，可以在实际应用时可以采取并行的训练方式。迭代凸优化的时间复杂度估计是一项复杂的过程，因为它依赖于收敛准则。当采用并行的训练方式时，根据文章的结论，假设迭代过程中的最优解为则给定迭代终止准则可知算法的迭代次数的上界估计为：

在完成了对大规模模糊认知图的学习之后，学习得到的模型便可以用于城市基站流量的预测中了。

实施例二

图3是本公开实施例提供的无线基站数据流量预测设备的结构示意图，如图3所示，该设备包括：

至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求上述各个实施例所提供的无线基站数据流量预测方法。例如包括，将所述待预测的基站对应的s时段的前k个时段的基站内流量特征输入到无线基站数据流量预测模型的节点上，将所述待预测的基站对应的s时段的前k个时段的基站间流量特征输入到所述无线基站数据流量预测模型的节点连边上进行训练，获取训练完成的无线基站数据流量预测模型。

本公开提出了一种无线基站数据流量预测方法和设备为了有效模拟城市基站之间的相互关联，采用一种快速、鲁棒的模糊认知图学习方法，它可用于大规模稀疏模糊认知图的建模，并且也可以从包含噪声的数据中进行学习。在公开中，模糊认知图的学习任务被转换为一个信号重构的任务，同时elastic-net和全变分正则项作为惩罚项被加入到目标函数中，前者可以捕获网络的稀疏结构并防止模型出现过拟合，后者可以用于消除噪音的影响。最后，通过一种基于结构稀疏性的迭代平滑算法的凸优化方法对其进行快速求解。实验证实了提出的方法相较于现有方法，可以实现更高的精度。并且，即使少量且包含噪声的数据也可以实现较好的学习效果。总而言之，这项工作可用于大规模移动通信基站的建模，并实现较为理想的流量预测效果。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。