基于图卷积神经网络的无线基站流量预测研究.pdfVIP

基于图卷积神经网络的无线基站

流量预测研究

为节点之间复杂关系的拓扑图结构数据要素价值愈

1研究背景

发凸显，加上通信网络设备之间天然的拓扑连接结

为支撑无线网络基站License资源动态调配及基构，图神经网络算法在复杂网络场景下可表现出更优

站智能节能场景，需要对无线基站未来多个时刻流量的决策能力，大幅度提高网络智能运营效能。

做出精准预测，根据预测的结果可以提前部署进行网

2研究综述

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，2.1多变量时序预测方法

很少考虑节点与节点之间的连接关系，模型的预测准当前对无线网络基站流量预测主要为孤岛式节

确度不高，严重制约智能化运营策略的实施效能。随点流量预测，即从单个节点的时间序列数据出发，根

着人工智能技术在通信领域的应用愈加广泛，可表示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

收稿日期：2023-04-02是线性预测模型，常用的有移动平均模型MA、自回归

362023/06/DTPT

模型AR、自回归移动平均ARIMA及其相关改进模型，合，充分挖掘节点之间的时空依赖关系。

这类模型的优点是较为简单，可解释性强，缺点是无

3时空图神经网络算法模型

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本文以无线基站为节点进行建模分析，提出了

器学习算法，常见的有逻辑回归、LightGBM等梯度提GCN与门控循环单元（GRU）组合的时空图神经网络

升模型，这类算法在线性模型的基础上提高了模型的预测模型GCN+GRU。首先根据基站地理位置构建预

复杂度，模型准确率也有一定幅度提升，同时也衍生定义网络拓扑图，并加入自适应学习方法对网络拓扑

了一些基于数据驱动的深度学习预测模型，常见的有进行优化补全，完善基站之间潜在邻居连接关系，其

循环神经网络（RNN）及其改进模型LSTM等，通常模次利用图卷积来提取基站之间的空间依赖关系，聚合

型可解释性差，需要大量的训练数据且训练耗时。目标节点以及邻居节点信息，然后将具有空间特征的

以上模型均只考虑了多变量时序数据的时间依数据输入到GRU网络中，提取无线基站网络流量的时

赖特征，没有考虑变量与变量之间的邻接关系，模型间特征，最后通过全连接层得到预测结果。模型整体

预测准确性有待提升。针对无线网络基站流量预测架构及建模步骤如图1所示。

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数据采集及预处理

基站之间存在某种强连接关系，因此本文引入了构建基站特征数据

基站地理位置数据数据预处理

（流量、用户数、时刻特征）

基站邻接关系的图神经网络预测方法。

2.2图神经网络（GNN）

训练集