本技术涉及通信，尤其涉及一种流量的预测方法、装置及电子设备。
背景技术：
1、随着第五代移动通信技术(英文：5th generation mobile communicationtechnology，缩写为5g)的发展，来源于各种设备(尤其是移动设备)的蜂窝流量不断地增加。蜂窝流量的预测作为蜂窝网络资源的管理中的不可或缺的一部分，在蜂窝网络资源的配置和蜂窝网络服务质量的提高中至关重要。
2、现有技术中，主要通过图神经网络(英文：graphneural network，缩写为gnn)来对蜂窝流量进行预测。在对蜂窝流量进行预测时，首先构建gnn，再基于构建后的gnn，对蜂窝流量进行预测。
3、在构建gnn时，首先将构成移动通信网络的各个基站作为一个节点，并将基站之间的通信作为边，从而将各个基站转化为图结构(如图1所示)。然后，基于转化后的图结构，构建邻接矩阵(如图2所示)。在图2所示的邻接矩阵中，邻接矩阵值为1表示节点与节点之间有连接，邻接矩阵值为0表示节点与节点之间无连接，从而基于邻接矩阵中的邻接矩阵值，可以获悉节点之间的空间关系，进而获悉基站与基站之间的空间关系。再基于邻接矩阵，构建gnn。
4、当前，在构建邻接矩阵时，首先基于时间序列的相关性来计算邻接矩阵值，再基于邻接矩阵值，构建邻接矩阵。然而，时间序列的相关性依赖于蜂窝流量，使得邻接矩阵值受到蜂窝流量本身的数据质量的影响。当数据质量一般时，邻接矩阵值会出现偏差，从而导致通过gnn预测蜂窝流量时的预测准确性低。
技术实现思路
1、本技术提供了一种流量的预测方法、装置及电子设备，用以解决邻接矩阵值受数据质量的影响，导致gnn对流量的预测准确性低的问题。具体实现方案如下：
2、第一方面，本技术提供了一种流量的预测方法，所述方法包括：
3、获取两两基站之间的自由空间路径损耗值fspl，并将每一个所述fspl转化为对应的邻接矩阵值；
4、基于各个所述邻接矩阵值，得到目标图神经网络；
5、将待预测流量输入所述目标图神经网络，得到预测后的目标流量。
6、通过上述申请实施例，根据两两基站之间的fspl来得到对应的邻接矩阵值，再基于各个邻接矩阵值，得到用于预测待预测流量的目标图神经网络，从而实现待预测流量的预测。通过该方式，避免了现有技术中直接基于时间序列的相关性来计算邻接矩阵值，从而避免了数据质量对邻接矩阵值的影响，同时，通过移动通信的基本理论(即fspl)与图神经网络的整合，使得图神经网络的参数(如邻接矩阵值)的合理性得以提高，并更加准确地反映了不同基站(或节点)间的通信特征，从而使得图神经网络对待预测流量的预测准确性得以大幅度地提高。
7、在一种可能的实施方式中，在所述获取两两基站之间的自由空间路径损耗值fspl之前，还包括：
8、获取发射天线的增益、接收天线的增益、电磁波波长、目标基站的发射功率以及信号在所述目标基站与当前基站之间的传输距离；
9、基于所述发射天线的增益、所述接收天线的增益、所述电磁波波长、所述发射功率与所述传输距离，计算所述当前基站与所述目标基站之间的所述fspl。
10、通过上述申请实施例，基于获取到的发射天线的增益、接收天线的增益、电磁波波长、目标基站的发送功率以及信号在目标基站与当前基站之间的传输距离，计算出了当前基站与目标基站之间的fspl，为后续邻接矩阵值的计算提供了数据。
11、在一种可能的实施方式中，所述将每一个所述fspl转化为对应的邻接矩阵值，包括：
12、获取每一个所述fspl各自对应的权重参数，并通过所述权重参数调整所述权重参数对应的所述fspl，得到每一个所述fspl各自对应的中间值；其中，所述权重参数用于控制所述fspl对所述邻接矩阵值的影响程度；
13、根据归一化方式，分别将各个所述中间值转化为所述fspl对应的所述邻接矩阵值。
14、通过上述申请实施例，基于fspl对应的权重参数对该fspl进行调整，以控制该fspl对邻接矩阵值的影响程度，再基于得到的中间值的归一化，得到fspl对应的邻接矩阵值，通过该方式来计算邻接矩阵值，有利于将fspl送入到图神经网络中，从而将影响fspl的距离、功率、天线材质等关键特征送入到图神经网络中，有助于实现移动通信的基本理论与图神经网络的整合，为图神经网络的学习带来了大量的有用信息，进而有利于提高图神经网络对流量的预测准确性。
15、在一种可能的实施方式中，所述基于各个所述邻接矩阵值，得到目标图神经网络，包括：
16、基于各个所述邻接矩阵值，构建邻接矩阵；
17、基于所述邻接矩阵，构建图神经网络；
18、通过采集的流量数据训练所述图神经网络，得到所述目标图神经网络。
19、通过上述申请实施例，根据各个邻接矩阵值，构建了邻接矩阵，再基于邻接矩阵，可以实现图神经网络的构建，然后通过采集的流量数据对图神经网络的训练，得到了可以预测待预测流量的目标图神经网络，从而为待预测流量的预测提供了模型。
20、在一种可能的实施方式中，所述通过采集的流量数据训练所述图神经网络，得到所述目标图神经网络，包括：
21、基于所述fspl对应的中间值与原邻接矩阵值，计算正则化值；其中，所述原邻接矩阵值为基于时间序列的相关性的计算得到的；
22、在所述图神经网络对应的第一损失函数中，添加所述正则化值，得到第二损失函数；
23、基于所述第二损失函数，通过采集的所述流量数据训练所述图神经网络，得到所述目标图神经网络。
24、通过上述申请实施例，在图神经网络对应的第一损失函数中，添加基于fspl对应的中间值与原邻接矩阵值得到的正则化值，得到第二损失函数，基于该第二损失函数，通过采集的流量数据实现图神经网络的训练，有助于避免数据误差对邻接矩阵的影响，防止图神经网络训练过程的过拟合，提高了图神经网络的鲁棒性，从而避免了流量的预测准确性的降低。
25、第二方面，本技术还提供了一种流量的预测装置，所述装置包括：
26、转化模块，用于获取两两基站之间的自由空间路径损耗值fspl，并将每一个所述fspl转化为对应的邻接矩阵值；
27、构建模块，用于基于各个所述邻接矩阵值，得到目标图神经网络；
28、处理模块，用于将待预测流量输入所述目标图神经网络，得到预测后的目标流量。
29、在一种可能的实施方式中，所述转化模块，具体用于获取发射天线的增益、接收天线的增益、电磁波波长、目标基站的发射功率以及信号在所述目标基站与当前基站之间的传输距离；基于所述发射天线的增益、所述接收天线的增益、所述电磁波波长、所述发射功率与所述传输距离，计算所述当前基站与所述目标基站之间的所述fspl。
30、在一种可能的实施方式中，所述转化模块，具体用于获取每一个所述fspl各自对应的权重参数，并通过所述权重参数调整所述权重参数对应的所述fspl，得到每一个所述fspl各自对应的中间值；其中，所述权重参数用于控制所述fspl对所述邻接矩阵值的影响程度；根据归一化方式，分别将各个所述中间值转化为所述fspl对应的所述邻接矩阵值。
31、在一种可能的实施方式中，所述构建模块，具体用于基于各个所述邻接矩阵值，构建邻接矩阵；基于所述邻接矩阵，构建图神经网络；通过采集的流量数据训练所述图神经网络，得到所述目标图神经网络。
32、在一种可能的实施方式中，所述构建模块，具体用于基于所述fspl对应的中间值与原邻接矩阵值，计算正则化值；其中，所述原邻接矩阵值为基于时间序列的相关性的计算得到的；在所述图神经网络对应的第一损失函数中，添加所述正则化值，得到第二损失函数；基于所述第二损失函数，通过采集的所述流量数据训练所述图神经网络，得到所述目标图神经网络。
33、第三方面，本技术提供了一种电子设备，包括：
34、存储器，用于存放计算机程序；
35、处理器，用于执行所述存储器上所存放的计算机程序时，实现上述的一种流量的预测方法步骤。
36、第四方面，本技术提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述的一种流量的预测方法步骤。
37、上述第二方面至第四方面中的各个方面以及各个方面可能达到的技术效果请参照上述针对第一方面或第一方面中的各种可能方案可以达到的技术效果说明，这里不再重复赘述。