一种基于流量预测的无线网络资源调度优化方法、装置和存储介质与流程

本发明涉及无线通信，特别涉及一种基于流量预测的无线网络资源调度优化方法、装置和存储介质。

背景技术：

1、随着移动互联网业务的飞速发展和5g基站的大量普及，提供快速的无线网络接入和高速的数据信息传输，确保高质量、低时延的通信服务，成为人们亟待解决的问题。无线网络资源调度是无线通信领域中的一个重要研究领域，旨在通过合理调度无线网络中的资源，提高网络性能。无线网络资源包括频谱、时隙、功率等，它们在无线环境中是有限的。因此，如何合理地调度这些资源是一个关键的问题。无线网络资源调度的目标是提高网络的效率、可靠性和容量。它需要考虑到多种因素，包括用户的通信需求、网络的环境和物理限制等。常用的无线网络资源调度策略包括频谱调度、时隙调度、功率调度等。总的来说，无线网络资源调度是一个复杂的系统优化问题，需要综合多种因素来进行调度。其成功与否将直接影响无线网络的性能。因此，无线网络资源调度在无线通信领域中具有重要的研究价值。

2、5g基站的最大问题在于能耗过高，与4g相比，5g基站的能耗明显更高，因为它们需要更多的功率来支持更高的带宽和更多的连接。在建立和扩展5g网络时，需要大量的基站来支持更多的用户和更大的面积覆盖。这将导致基站的能耗显著增加，并对电力系统产生重大负担。同时，在许多发展中国家，电力系统的可靠性和可用性仍然不足，这使得支持高能耗的基站成为一个巨大的挑战。因此，寻找降低5g基站能耗的方法，例如使用节能技术和绿色能源，是一个非常重要的问题。在未来，通过提高效率和改善技术，可以有效地解决5g基站能耗问题。同样的，通过准确预测无线网络流量需求，动态调整无线网络资源，也可以解决5g基站的能耗过高问题。在动态调整无线网络资源过程中，主要包括频谱调度、时隙调度、功率调度，其中常用的手段包括基站的载波关闭开启和功率的调整。

3、基站载波关闭开启是指在无线通信系统中，控制基站在特定时间内关闭或开启载波传输的过程。这是通过使用载波控制(carrier-sense multiple access withcollision avoidance，csma/ca)协议来实现的。具体来说，在载波关闭开启中，基站控制单元会对指定的载波进行监听，并通过载波控制协议来识别载波上是否有数据传输。如果该载波上没有数据传输，则基站控制单元会关闭该载波，以减少频谱浪费。如果该载波上有数据传输，则基站控制单元会开启该载波，以保证数据的正常传输。基站载波关闭开启的实现对于提高无线网络的效率、减少频谱浪费和提高网络容量具有重要的意义。但是，这也需要考虑到载波关闭时可能会对数据传输产生影响，因此需要适当平衡关闭和开启的频率，以保证数据传输的可靠性。

4、目前，现有技术中的资源调度主要还是基于简单的历史数据分析，并未结合现实中复杂多变的网络负荷动态调整基站载波。同时，传统的流量预测准确度并不高，并未考虑事件域的特征，时间域、空间域的特征提取方案。

技术实现思路

1、(一)要解决的技术问题

2、本发明提供基于流量预测的无线网络资源调度优化方法和系统，能够完成5g无线网络的在线学习和流量预测，更加合理地利用无线网络资源，包括频谱资源、时间资源和功率资源，同时，本发明基于人工智能注意力lstm、图卷积进行特征抽取，以解决现有技术中系统网络资源不高效满足用户的流量需求问题。

3、(二)技术方案

4、本发明提供了一种基于流量预测的无线网络资源调度优化方法、装置及存储介质，以实现无线网络资源的合理化利用。

5、为了解决上述技术问题，本发明提供了一种基于流量预测的无线网络资源调度优化方法，包括：

6、s1、获取网络流量数据；

7、s2、对获得的网络流量数据进行预处理，得到纯净的可学习数据；

8、s3、通过注意力lstm机制进行时间域特征提取，通过图卷积神经网络进行空间域特征提取，通过一维卷积进行事件域特征提取；

9、s4、通过全连接网络将步骤s3多域提取到的信息进行融合，并给出预测结果；

10、s5、测试模型并不断修正模型达到满足上线要求的预测精度；

11、s6、基于离线训练模型，通过在线数据的实时训练，进行在线模型的微调(finetune)，以随时满足不同时间段的差异化需求；其中在线模型和离线模型分别是在线学习和离线学习训练出来的模型；

12、s7、基于网络流量预测结果，给出基站载波的关闭开启建议或者功率调整建议。

13、优选地，在获取网络流量数据之前，还包括：

14、划定城市基站片区；设置采集的周期；通过天气网站、地图网站、大麦网站获取在未来某地点、某时间点的事件数据；

15、优选地，数据预处理以得到纯净网络流量数据，包括：

16、将数据在时间维度上进行切片，例如以每周进行切片，通过简单易用的机器学习分类算法，例如逻辑回归、k-近邻等，将数据分为纯净数据和污染数据两大类；

17、优选地，所述通过注意力lstm机制进行时间域特征提取，包括：

18、将固定周期点、固定趋势点的数据经过注意力机制加强，例如需要预测早上10点的流量，则8-10点间的流量、昨天8-10点的流量、上周8-10点的流量在预测时会有更高的权重。经过lstm的遗忘门、信息增强门对记忆进行遗忘和增强。如果不采用前面的注意力机制，则会导致大量信息的冗余而使得学习和处理很慢，不能处理超长时间序列的数据(以秒为周期，数据量会很大，通信系统以ms为级进行调度，如果采集ms级数据，则量会更大)。

19、优选地，所述通过图卷积神经网络进行空间域特征提取，包括：

20、建立各个基站间的链接，并且不断迭代得到各个基站的链接强弱关系，强的链接代表两个基站的流量数据有很强的相似性，例如，可以通过周模板的匹配，设计相似算法计算两个周模板的相似程度，得到两个基站的链接强弱。得到链接图后通过图卷积神经网络去学习不同链接(边)上的信息，获得网络流量空间维度特征。

21、优选地，所述通过一维卷积进行事件域特征提取，包括：

22、获取天气网站的数据，获取车流量网站的数据(看看哪地方拥堵，哪地方人多)，获取大麦网上的演唱会等各种赛事数据，将数据经过向量化处理后给到一维卷积神经网络。通过一维卷积简单好用的特性提取到事件域的特征。

23、优选地，所述在线模型是经过离线模型训练而来的，包括：对神经网络模型进行参数的微调(fine tune)以适用于不同的在线场景，例如，可以固定前面的多域特征提取模块，对后面的全连接网络进行fine tune，或者固定特征提取网络的前面几层，fine tune后面的一两层神经网络。

24、优选地，所述基于网络流量预测结果，给出基站载波的关闭开启建议或者功率调整建议，包括：

25、根据预测到的网络流量，如果低于某个特定的值，那就在多个载波中关闭一个载波，如果高于某个值(这个值事先给定，通过仿真确定)，则需要多开启一个载波。同理，可以进行功率的动态调整。也可以载波和功率同时进行调整，即预测到的网络流量，如果低于某个特定的值，则关闭一个载波并降低其他载波功率；如果高于某个值，则多开启一个载波并增加其他载波功率。

26、第二部分，为了解决上述技术问题，本发明还提供了一种基于流量预测的无线网络资源调度优化装置，包括：

27、数据采集模块，用户给定区域设定，数据采集模块采集区域内的基站的流量数据；

28、数据预处理模型，通过分类算法剔除污染的数据，得到纯净的流量数据；

29、时间域特征提取模块，设计注意力机制的lstm神经网络，提取时间域特征；

30、空间域特征提取模块，设计图卷积神经网络，提取空间域特征；

31、事件域特征提取模块，设计一维卷积神经网络，提取事件域特征；

32、特征融合单元，通过全连接神经网络融合不同域的特征；

33、在线调整模块，上线后需要对模型进行微调(fine tune)；

34、调度优化输出模块，得到某基站网络流量的预测结果后，需要调整基站的载波多少和功率大小。

35、第三部分，为了解决上述技术问题，本发明提供了一种基于流量预测的无线网络资源调度优化存储介质，包括：

36、数据存储介质，用于储存大量的时序数据；

37、程序存储介质，用于存储预处理程序、离线神经网络模型、在线神经网络模型、调度优化程序。

38、(三)有益效果

39、相比于现有技术，本发明的具有如下有益效果：

40、本发明通过流量数据的预处理，剔除了污染数据带来的模型性能下降的影响，基于注意力的lstm神经网络可以处理非常长的时间序列数据集，捕捉几十年以前的数据特征，能够在历史中发现更加细微的关联性特征。基于图卷积的神经网络可以准确获取地址位置空间上的相关性，打通地理上的障碍，有利于全局考虑时间空间上的特征集合。加入事件域的特征提取会更加符合现实情况，使得预测更为准确，在临时性突发事件上有着先天性优势。同时在线上微调阶段，可以准确获取在线的一些特有特征，提高模型的鲁棒性。在获取准确的网络流量预测后，对载波的关闭开启、功率的大小调整可以更高效的利用资源，节省基站能耗。