基于注意力机制的联邦无线流量预测模型.pdfVIP

软件学报

ISSN

1000-9825,

CODEN

RUXUEWE-mail:

jos@

2025,36(2):715−731

[doi:

10.13328/ki.jos.007153]

[CSTR:

32375.14.jos.007153]

©中国科学院软件研究所版权所有.Tel:

+86-10

*

基于注意力机制的联邦无线流量预测模型

122213

柴宝宝,

董安明,

王桂娟,

韩玉冰,

李

浩,

禹继国

1(山东科技大学

计算机科学与工程学院,

山东

青岛

266590)

2(齐鲁工业大学(山东省科学院),

山东

济南

250353)

3(中国石油大学(华东)

计算机科学与技术学院,

山东

青岛

266580)

通信作者:

禹继国,

E-mail:

jiguoyu@

摘要:

移动数据每天都在不断增长,

如何精准预测无线流量对高效、合理的配置通信和网络资源至关重要.

现有

的流量预测方法多采用集中式训练架构,

涉及大规模的流量数据传输,

会导致用户隐私泄露等安全问题.

联邦学习

可以在数据本地存储的前提下训练一个全局模型,

保护用户隐私,

有效减轻数据频繁传输负担.

但是在无线流量预

测中,

单个基站数据量有限,

且不同基站流量数据模式异构,

流量模式难以捕捉,

导致训练得到的全局模型泛化能

力较差.

此外,

传统联邦学习方法在进行模型聚合时采用简单平均,

忽略了客体贡献差异,

进一步导致全局模型性

能下降.

针对上述问题,

提出一种基于注意力的“类内平均,

类间注意力”联邦无线流量预测模型,

该模型根据基站

的流量数据进行聚类,

更好地捕捉具有相似流量模式基站的流量变化特性;

同时,

设计一个预热模型,

利用少量基

站数据缓解数据异构,

提高全局模型的泛化能力;

在模型聚合阶段引入注意力机制,

量化不同客体对全局模型的贡

献,

并在模型迭代过程中融入预热模型,

大幅提升模型的预测精度.

在两个真实数据集(Milano和Trento)上进行大

量实验,

结果表明该方法优于所有基线方法.

并且与目前最先进的方法相比,

在两个数据集上的平均绝对误差性能

增益最高分别达到10.1%和9.6%.

关键词:

无线流量预测;

联邦学习;

聚类;

注意力机制

中图法分类号:

TP393

中文引用格式:

柴宝宝,

董安明,

王桂娟,

韩玉冰,

李浩,

禹继国.

基于注意力机制的联邦无线流量预测模型.

软件学报,

2025,

36(2):

715–731.

/1000-9825/7153.htm

英文引用格式:

Chai

BB,

Dong

AM,

Wang

GJ,

Han

YB,

Li

H,

Yu

JG.

Federated

Wireless

Traffic

Prediction

Model

Based

on

Attention

Mechanism.

Ruan

Jian

Xue

Bao/Journal

of

Software,

2025,

36(2):

715–731

(in

Chinese).

/1000-9825/7153.htm

FederatedWirelessTrafficPredictionModelBasedonAttentionMechanism

122213

CHAI

Bao-Bao,

DONG

An-Ming,

WANG

Gui-Juan,

HAN

Yu-Bing,

LI

Hao,

YU

Ji-Guo

1(College

of

Comp