CN114626174B 基于知识图谱和图神经网络的无线业务预测方法及装置 （中南大学）

基于知识图谱和图神经网络的无线业务预本发明提供一种基于知识图谱和图神经网依据记录有无线网络中各无线通信指标状态及录有无线网络中移动终端所涉及的应用层业务于所述网络环境属性和移动终端属性构建适用性图构建无线业务预测的空时图神经网络模型可利用所有影响无线业务预测各因素之间的关2依据记录有无线网络中各无线通信指标状态及关联关系的无线通信内生因素知识图时刻下与无线通信业务相关的网络环境属性基于所述网络环境属性和移动终端属性构建适用于空时图神经网络模型的空时属性基于所述空时属性图构建无线业务预测的空时图神经网络模型并进2.根据权利要求1所述的基于知识图谱和图神经网络的无线业务预测方法，其特征在依据无线通信内生因素知识图谱确定不同时刻下影响无线业务预测的移动终端对象依据业务数据仓库确定不同时刻下影响无线业务预测的移动终端对象所具备的移动3.根据权利要求1所述的基于知识图谱和图神经网络的无线业务预测方法，其特征在根据无线通信内生因素知识图谱确定空时属性图中节点间的连接关4.根据权利要求3所述的基于知识图谱和图神经网络的无线业务预测方法，其特征在5.根据权利要求3所述的基于知识图谱和图神经网络的无线业务预测方法，其特征在6.根据权利要求1所述的基于知识图谱和图神经网络的无线业务预测方法，其特征在于，所述基于所述空时属性图构建无线业务预测的空时图神经网络模型并进行模型训练，根据具体的无线业务预测任务，设计相应的空时图神经网3根据具体的无线业务预测任务确定空时图神经网络模型的损失7.根据权利要求1所述的基于知识图谱和图神经网络的无线业务预测方法，其特征在属性获取模块，用于依据记录有无线网络中各无线通空时属性图构建模块，用于基于所述网络环境属9.一种电子设备，包括存储器、处理器及存储在于，所述计算机程序被处理器执行时实现根据权利要求1-7任一项所述的基于知识图谱和4的知识库，有利于利用深度学习技术挖掘其中数据内生因素间的相互影响及深层次关系，息可能会随时间而动态变化。因此除了考虑特定时间点下无线通信网络空间依赖性关系，还需要考虑无线通信网络在时间序列上的时间依赖性[0007]基于所述网络环境属性和移动终端属性构建适用于空时图神经网络模型的空时动终端对象，各节点的属性包含对应移动终端对象所具备的移动终端属性和网络环境属[0008]基于所述空时属性图构建无线业务预测的空时图神经网5[0009]本发明中无线通信内生因素知识图谱和业务数据仓库是利用无线网络协议知识[0012]依据无线通信内生因素知识图谱确定不同时刻下影响无线业务预测的移动终端[0013]依据业务数据仓库确定不同时刻下影响无线业务预测的移动终端对象所具备的[0020]作为优选，所述基于所述空时属性图构建无线业务预测6一种无线业务预测方法，以利用图神经网络充分挖掘无线通信网络拓扑结构中的有效信[0033]图1是本发明具体实施例提供的基于知识图谱和图神经网络的无线业务预测方法[0034]图2是本发明具体实施例提供的抽取不同时刻下与无线通信业务相关的网络环境[0035]图3是本发明具体实施例提供的在不同时刻下，根据无线业务预测的移动终端对象确定无线通信内生因素知识图谱中的网络环境属性和业务数据仓库中的移动终端属性7[0037]图5是本发明具体实施例提供的基于所述网络环境属性和移动终端属性构建适用[0038]图6是本发明具体实施例提供的基于所述空时属性图构建无线业务预测的空时图[0040]图8是本发明具体实施例提供的基于知识图谱和图神经网络的无线业务预测装置[0043]图1是本发明实施例提供的基于知识图谱和图神经网络的无线业务预测方法的流[0045]无线通信内生因素关系知识图谱和业务数据仓库的构建可以参见本专利发明人[0046]在步骤100中，所述抽取不同时刻下与无线通信业务相关的网络环境属性和移动业务处理等维度信息。在确定与无线通信业务相关的网络环境属性和移动终端属性之前，[0050]无线通信内生因素知识图谱中每一个节点表征了一个与无线通信网络性能相关8的非数值属性特征选取合适的非数值属性特以采用前述非数值属性编码方式对相关移动终端属性进行[0057]步骤200、基于所述网络环境属性和移动终端属性构建适用于空时图神经网络模[0058]如图4所示，空时属性图的构建流程主要是从时间序列上的无线通信内生知识图[0059]在步骤200中，所述基于所述网络环境属性和移动终端属性构建适用于空时图神9属性特征向量的构成只需按照相应网络环境属性和移动终端属性的类型进行[0063]步骤230：根据无线通信内生因素知识图谱以确定空时属性图中节点间的连接关[0064]具体来说，无线通信内生因素知识图谱中的三元组反映了不同实体间的连接关节点间在无线通信内生因素知识图谱中至少有一对相关内生要素节点(无需类型相同)间[0066]步骤300、基于所述空时属性图构建无线业务预测的空时图神经网络模型并进行[0067]在步骤300中，所述基于所述空时属性图构建无线业务预测的空时图神经网络模经网络的输入为和输出为其中q为业务预测类别为[0079]本发明具体实施例将基于递归神经网络的一种变体GRU(GateRecurrentUnit)sc，t下的一个图信号(属性特征矩阵Xt的一列)，s(t)表示生因素知识图谱与业务数据仓库中获取。空时图神经网络模型的损失函数使用MeanPer-[0091]图8是本发明具体实施例提供的基于知识图谱和图神经网络的无线业务预测装置取不同时刻下与无线通信业务相关的网络环境属[0096]上述装置实施例的各模块的具体实施细节参见前述方法实施例，此处不再赘所述的基于知识图