CN119402900A 通信网络流量的预测方法、装置、电子设备及存储介质 （中国联合网络通信集团有限公司）

特征数据，确定目标区域内各个小区的数据效数据效度子区域集合中各个低数据效度子区域少解决相关技术中存在的通信网络数据流量预2低数据效度子区域用于表征通信网络流量数据质量差的小构建所述低数据效度子区域集合中各个低数据效度子区域的通信网络流量预测模型，评估目标区域内各个小区的辅助特征数据的数据完整度，其中，根据目标区域内各个小区的辅助特征数据的权重、样本容量和数重，I(t)表示目标区域内第i小区在S时间尺度下t时刻的辅助特征数据的数据完整度，e(r)表示目标区域内第i小区在S时间尺度下T时刻的数据效度。对所述目标子区域的数据效度进行排序，并根据四分位距法确定目标5.根据权利要求4所述的通信网络流量的预测方法，获取目标区域内所有小区的邻区关系信息，并根据所述邻区关系3根据所述第i小区的空间特征数据和数据效度、所述第i小区的邻区响应于所述第i小区不在所述第i小区下的子区域内，连接所述Voronoi边界点和所述响应于所述第i小区在所述第i小区下的子区域内，确定所述第i小区下的子区域为所6.根据权利要求5所述的通信网络流量的预测方法在所述根据空间特征数据和所述数据效度，确定目标区域内提取所述低数据效度子区域集合中各个低数据效度子区域的通信网络流基于时间序列分析算法，对所述各个低数据效度子区域的通信基于宽度学习算法，构建所述低数据效度子区域集合中第簇下各个小区的映射节度子区域集合中第簇下各个低数据效度子区域的通信网4基于所述强化学习环境、深度Q学习算法，优化所述第簇下各个小区的初始预测模取所述长期预测误差最小的所述优化预测模型作为所述低数据效度子区域集合中第簇下各个低数据效度子区域的通信网络流量预测模型。iii获取Ci在T时刻的状态S3(T);响应于Di(T)＝FL，确定Ci的初始预测模型为i的优化模型参数；5习模型参数融合参与者集合[am(r)]中所有优化联邦学习模型参数融合参与者的模型参构建模块，与第二确定模块连接，用于构建所述低数序，所述处理器被设置为运行所述计算机程序以实现如权利要求1至13任一项所述的一种6[0002]随着通信网络的飞速发展，通信网络数据流量呈井喷式增长。目前，5G(5th7V(t)表示目标区域内第i小区在S时间尺度下t时刻的辅助(t)表示目标区域内第i小区在S时间尺度下t时刻的辅助特征数据的权重，I(t)表示目标区域内第i小区在S时间尺度下t时刻的辅助特征数据的数据完整下的子区域内，连接所述Voronoi边界点和所述第i小区，得到所述第i小区下的目标子区的空间特征数据和数据效度，计算所述第i小区与所述第i小区的邻区之间的Voronoi边界8行时间序列分解和拟合，得到所述各个低数据效度子区域对应的通信网络流量时间序列；数据效度子区域集合中第簇下各个低数据效度子区域的通信网到所述低数据效度子区域集合中第簇下各个低数据效度子区域的通信网络流量预测模长期预测误差最小的所述优化预测模型作为所述低数据效度子区域集合中第簇下各个第{I}簇的所有边缘服务器对应的中心服务器，区，表示Cartesian乘积，S:(T)=(E(T),风(T),D:(T)),si(r)表示Ci在T时刻的状态，9i刻的状态S3(T);根据Ci在T时刻的状态si(T),判断Ci所需选择的动作Di(T)；响应于Di(T)={1}簇下T时刻的所有优化联邦学习模型参数融合参与者，得到联邦学习模型参数融合学习模型参数融合参与者的数据效度总和与所述第簇da下T时刻的所有小区的数据效T时刻的所有优化联邦学习模型参数融合参与者的优化模型络和无线网络。无线网络指通过无线信号进行数据传输的网络，包括但不限于移动网络、实施例以空间特征数据为二维空间下的小区所特征集合为A(t),记Ci的辅助特征meA(t),辅助特征m下的辅助特征数据为如：数据的样本集合为{x(t)BF(t)},其中，X(t)为Ci在时间尺度s下t时刻的辅助特征数据，并且存在公式的约束关系。记Ci在时间尺度s下t时刻的样本容量为对于I(t),根据公式评估目标区域内各个小区的各个辅助特[0067]S1023，根据目标区域内各个小区的辅助特征数据的权重、样本容量和数据完整ef(r)表示目标区域内第i小区在S时间尺度下T时刻的数据效度。权重样本容量v(t)、数据完整度I(t),计算Ci的数据效度ef(r)。相较于现有技术考虑到在现实场景中不同数据特征权重的差异性以及数据缺失率会随着多元跨域数据获[0075]本实施例中，现有技术主要通过空间特征数据划分无线相等的正方形子区域；Voronoi图法是将无线网络区域基于邻区关系的物理距离划分为大行预测；现有技术采用Voronoi图法划分无线网络区域则未考虑到无线网络区域内物理距区的邻区的空间特征数据和数据效度，计算第i小区与第i小区的邻区之间的Voronoi边界小区集合为Cj。对于Ci,Cj而言，记二者之间的边为<Ci,Cj>，记Ci与Cj之间的边集合记由中所有无向边组成的空间为记由Ci的多元跨域数据所所构造。[0087](2_1)将C中所有小区放入Delauany三角形(若为三维空间，则为Delauany三棱所构造。对于四分位距法。本实施例以异常值检测方法为四分位距法为例。记低数据效度子区域集合本实施例基于统计[0103]S1051，提取低数据效度子区域集合Δ中各个低数据效度子区域的通信网络流量算法包括但不限于：经验模态分解、季节性分解(SeasonalDecomposition)、小波变换[0107]记为无线网络流量数据分解后的第α个时间序列分量，为第α个时间序列分量的残差项。记eianu(t)为用于拟合非周期性时间序列的趋势特征子项函数、线法，记所构造的上包络线为厢T,下包络线为(V)计算上下包络线均值α+1。(VII_iii)转至第(III)步。(VIII)经过经验模态分解后的时间序列如公式所示。[0109]基于Prophet模型，对各个低数据效度子区域的无线网络流量数据进行时间序列器参数为因此，可由公式xr~N(0,v2),其中v∝节假日对模型影响程度。(IV)生成一个服从某种正态分布的随机值[0111]时间序列拟合后，根据公式计算Ci在时间尺度s下t时[0113]本实施例中，聚类算法包括但不限于K_means聚类、层次聚类(HierarchicalClustering)、DBSCAN(Density_BasedSpatialClusteringofApplicationswithNoise，密度基聚类算法)、OPTICS(OrderingPointstoidentifytheclusteringd,fl}=1,2,…,N,具体为：[0116](2)记Davies_Bouldin指数为D,令D-+co.[0118](4)对于VB,根据公式simr(G⃞P(T),GP,(T))=计算和的相似计算和的距离测度。[0121](6)对于vci,Gj,根据公式计算[0122](7)对于根据公式计算簇内[0125](8_2)令D-D'.映射节点，得到映射层映射节点集合Mi.(t)。再将映射节点经过非线性变换生成增强节点，得到增强层增强节点集合εi(*)(t)，其中，Ci∈Cs(T)，射层映射节点集合为Mi.)(t)={[0130]增强层增强节点集于Ci在s时间尺度下t时刻的通信网络流量数据F(t),构建和训练初始预测模型，并获得初记映射层模型参数中的偏置向量为(1_2)Ci记增强层模型参数中的偏置向量为(2)根据公和Ci在s时间尺度下t时刻的通信网络流量数据F(t),构建和训练初始预测模型，其中，以作为初始预测模型的初始模型参数。由于u(e)存在不可逆的情况，因此，利用岭回归法计算初始预测模型的模型参数(7_1)记u(t)为u(t)的_2)根据公式W⃞=U(t)F(t),计算初始预测模型的模型参数(8)根据公式(r)为初始预测模型预测Ci在s时间尺度下t时刻[0136]本实施例中，现有技术通常由第簇下各个边缘服务器本地构建和训练第簇都需要选择第簇下所有边缘服务器的模型参数参与融合，不仅会增加第中心服务器的优化预测模型作为低数据效度子区域集合中第簇的通信网始预测模型的均方误差根和第簇下各个小区的数据效度，计算第簇下各个小区的均始预测模型后的长期预测误差，以及小区1和小区2选择动作b优化小区1和小区2的初始预第簇下各个小区的初始预测模型，得到各个低数据效度子区域的通信网络流量预测模型。示Ci在T时刻的数据效度等级，表示Ci在T时刻的均方对数误差根等级，R;(T)表示Cii记Ci在T时刻的数据效度等级刻的状态S3(T)=(E(T),⃞(T),D:(T)),时刻第簇dm的状态[0147]记策略为m兰SU(T)一Aa(T),即到的映射。[0148]记T时刻内所有边缘服务器[0149]记T时刻选择动作时，的状态由转移到sum(T+1)的状态转策略π*使得每一个智能体能够在每一个状态sun(I)下均能采取一个有效的动作Aaq(T),近似为动作价值Q函数即__利用随机梯度下降法优化并更新θ。动作Aa(I)。(6)执行Aa(I),获得R"'(T)和sa(T+1)。(7)从经验池中获得小批量数据，如则有令E-E+1,转至(2)。[0159]本实施例基于马尔可夫决策过程，在第中心服务器上构建第簇的强化学习务器基于联邦学习算法，确定Ci的初始预测模型的优化模型参数wg也利用密码学算法[0162]同理于构建初始预测模型时模型参数计算、Ci的均方对数误差(t)＝+E时，增加一个增强节点组，具体为：计算新增增强节点组的模型参数和表示新增增强节点组的模型参数中的偏置向量，根据公式Eir1)=计算根据公式计算其中，(t)为增加一个增强节点组后的初始预测模型预测Ci在s时间尺度下t时刻的预测通信网络流增强节点组拼接剩余的增强节点集合；拼接映射节点集合和剩余的增强节点点组的模型参数中的随机权重矩阵为记新增映射节点组的模型参数中的偏置向量为根据公式生成第j组增强节点；根据公式拼接映射节点和增强节点，其中，根据公式计算io根据公式计算其中，为增加一个映射节点组后的初始预测模型预测Ci在s时间尺度下t时刻的预测通信网络流量数据；根据增加一个映射节点组后的初始预测模型预测Ci在s时间映射节点组拼接剩余的映射节点集合；拼接剩余的映射节点集合和增强节i的多元跨域数据的样本集合，记增加样本集合后的样本容量为irco,增拼接映射节点，其中，根据公式根据公式q,=i,(tut(t),计算Q1；根据公式u.-i-uuo.计算Q2；根据公式计算Q3；根据公式⃞(t)=[uf(t)-Q3Q1Q引],计算(t);根据公式计算计算+D动作下Ci的均方对数误差根。刻的所有优化联邦学习模型参数融合参与者，得到联邦学习模型参数融合参与者集合[-m(r)J:计算模型参数接受率，其中，模型参数接受率指参数融合参与者的数据效度总和与第簇da下T时刻的所有小区的数据效度总和的比于或等于模型参数接受率阈值，基于预设权重，融合联邦学习模型参数融合参与者集合[-m(r)]中所有优化联邦学习模型参数融合参与者的模型参数，将融合结果作为T时刻的所有优化联邦学习模型参数融合参与者的优[0170]本实施例中，记t时刻第中心服务器接收到内的边缘服务器集合为Ci的模型参数[wil。(2)令(3)根据公式整小区与小区的邻区之间的Voronoi边界，并充分考虑目标区域内小区存在邻区关系和不中心服务器能够确定和学习第簇下不同状态下小区的最优动作，以优化不同状态的中心服务器的负荷和通信开销。气因素特征数据可通过国家气象科学数据中心网站获取；空气质量特征数据的AQI可通过集合中各个低数据效度子区域的通信网络流量预测模型，并基于通信网络流量预测模型，预测低数据效度子区域集合中各个低数据效度子区域的均方误差根和第簇下各个小区的数据效度，计算第{1}簇下各个小区的均方误差根等级和数据效度等级，确定第簇下各个小区的所需选择动作，得到第簇下各个小区的状小区2所需选择动作为b，计算小区1和小区2选择动作a优化小区1和小区2的初始预测模型后的长期预测误差，以及小区1和小区2选择动作b优化小区1和小区2的初始预测模型后的[0186]若第uy簇下的第i小区Ci的所需选择动作为基于联邦学习算法，优化C