基于图卷积神经网络的无线基站流量预测研究.docxVIP

36

36 2023/06/DTPT

基于图卷积神经网络的无线基站

流量预测研究

1研究背景

为支撑无线网络基站License资源动态调配及基站智能节能场景，需要对无线基站未来多个时刻流量做出精准预测，根据预测的结果可以提前部署进行网络资源优化、设备降耗节能以及精准运维。而当前对无线网络基站的通信流量预测主要是单个节点预测，很少考虑节点与节点之间的连接关系，模型的预测准确度不高，严重制约智能化运营策略的实施效能。随着人工智能技术在通信领域的应用愈加广泛，可表示

——————————

收稿日期：2023-04-02

为节点之间复杂关系的拓扑图结构数据要素价值愈发凸显，加上通信网络设备之间天然的拓扑连接结构，图神经网络算法在复杂网络场景下可表现出更优的决策能力，大幅度提高网络智能运营效能。

2研究综述

2.1多变量时序预测方法

当前对无线网络基站流量预测主要为孤岛式节点流量预测，即从单个节点的时间序列数据出发，根据目标节点的历史数据，建立每个节点当前特征与之前特征随时间变化的函数，主要分为2种类型。一种是线性预测模型，常用的有移动平均模型MA、自回归

模型AR、自回归移动平均ARIMA及其相关改进模型，这类模型的优点是较为简单，可解释性强，缺点是无法进行多变量预测。另外一种是非线性预测模型。随着人工智能技术的发展，出现了基于特征工程的机器学习算法，常见的有逻辑回归、LightGBM等梯度提升模型，这类算法在线性模型的基础上提高了模型的复杂度，模型准确率也有一定幅度提升，同时也衍生了一些基于数据驱动的深度学习预测模型，常见的有循环神经网络（RNN）及其改进模型LSTM等，通常模型可解释性差，需要大量的训练数据且训练耗时。

以上模型均只考虑了多变量时序数据的时间依赖特征，没有考虑变量与变量之间的邻接关系，模型预测准确性有待提升。针对无线网络基站流量预测任务，考虑到用户无线网络信号连接的基站会随着位移的改变发生切换，一定程度上可以认为基站与邻居基站之间存在某种强连接关系，因此本文引入了构建基站邻接关系的图神经网络预测方法。

2.2图神经网络（GNN）

传统的深度学习方法在提取欧氏空间数据特征方面取得了不错的效果，但是在处理非欧式空间数据上的表现不佳，其中最主要的就是对图结构数据的应用。这是因为图是不规则的，不具备平移不变性，每

合，充分挖掘节点之间的时空依赖关系。

3时空图神经网络算法模型

本文以无线基站为节点进行建模分析，提出了GCN与门控循环单元（GRU）组合的时空图神经网络预测模型GCN+GRU。首先根据基站地理位置构建预定义网络拓扑图，并加入自适应学习方法对网络拓扑进行优化补全，完善基站之间潜在邻居连接关系，其次利用图卷积来提取基站之间的空间依赖关系，聚合目标节点以及邻居节点信息，然后将具有空间特征的数据输入到GRU网络中，提取无线基站网络流量的时间特征，最后通过全连接层得到预测结果。模型整体架构及建模步骤如图1所示。

数据采集及预处理

基站地理位置数据 基站特征数据 数据预处理

（流量、用户数、时刻特征）

训练集、验证集、测试集划分：7∶1∶2构建预定义网络拓扑+自适应学习优化补全

时空图神经网络预测模型-提取时空依赖关系

个图都有一个大小可变的无序节点，每个节点又都可能有不同数量的相邻节点，导致不能利用卷积等操作来提取相同的结构信息。由此衍生了图神经网络，图

①1×1卷积层特征降维

②图卷积层提取空间特征信息

③GRU网络层提取时间特征信息

神经网络=图结构数据+神经网络，就是将卷积网络、

循环网络和深度自动编码器等算法思想构建成用于处理图数据的神经网络结构。

图神经网络可以划分为五大类别，分别是：图卷积网络（GraphConvolutionNetworks，GCN），将卷积运算从传统数据推广到图数据，核心思想是学习一个函数映射，图中的目标节点通过该映射可以聚合它自己

的特征与它的邻居特征来生成节点的新表示；图注意力网络（GraphAttentionNetworks），在聚合邻居特征信息时融入注意力机制，自适应学习不同邻居节点的权重；图自动编码器（GraphAutoencoders），是一种图嵌

全连接层：T个神经元（T为预测长度）

模型预测结果评价

图1模型整体架构及建模步骤

3.1数据采集及预处理

a）基站位置数据。以基站为目标节点，采集基站经纬度地理位置数据用于构建预定义网络拓扑图。

b）