本發(fā)明涉及通信，具體而言，涉及一種蜂窩流量預測方法、裝置、存儲介質(zhì)及計算機設(shè)備。

背景技術(shù)：

1、在工業(yè)物聯(lián)網(wǎng)領(lǐng)域，蜂窩流量預測對于網(wǎng)絡(luò)資源優(yōu)化至關(guān)重要。通過預測蜂窩流量可以提前了解網(wǎng)絡(luò)的負載情況，從而更加智能地分配資源，從而避免網(wǎng)絡(luò)擁塞和延遲。

2、相關(guān)技術(shù)雖然可以滿足蜂窩流量預測的初步需求，但是在工業(yè)互聯(lián)網(wǎng)復雜業(yè)務場景下，在面對多樣化且快速變化的工業(yè)應用時，未能充分捕捉蜂窩流量的動態(tài)時空特性，導致對蜂窩流量預測的準確度不高。

3、針對上述的問題，目前尚未提出有效的解決方案。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供了一種蜂窩流量預測方法、裝置、存儲介質(zhì)及計算機設(shè)備，以至少解決蜂窩流量預測的預測準確度較低的技術(shù)問題。

2、根據(jù)本發(fā)明實施例的一個方面，提供了一種蜂窩流量預測方法，包括：獲取工業(yè)物聯(lián)網(wǎng)的歷史蜂窩流量數(shù)據(jù)；基于歷史蜂窩流量數(shù)據(jù)，對工業(yè)物聯(lián)網(wǎng)中的蜂窩節(jié)點進行相關(guān)性分析，生成工業(yè)物聯(lián)網(wǎng)目標圖，其中，目標圖包含的不同節(jié)點用于表征不同蜂窩節(jié)點，連接在兩個節(jié)點之間的邊用于表征兩個節(jié)點對應蜂窩節(jié)點之間的數(shù)據(jù)傳遞路徑；將歷史蜂窩流量數(shù)據(jù)和目標圖輸入至流量預測模型，利用流量預測模型預測得到目標蜂窩流量數(shù)據(jù)。

3、進一步地，基于歷史蜂窩流量數(shù)據(jù)，對工業(yè)物聯(lián)網(wǎng)中蜂窩節(jié)點進行相關(guān)性分析，生成工業(yè)物聯(lián)網(wǎng)目標圖，包括：基于工業(yè)物聯(lián)網(wǎng)組網(wǎng)模式和業(yè)務場景，構(gòu)建初始圖；從歷史蜂窩流量數(shù)據(jù)中，確定初始圖中不同節(jié)點對應的蜂窩流量數(shù)據(jù)；利用皮爾遜系數(shù)對不同節(jié)點對應的蜂窩流量數(shù)據(jù)進行相關(guān)性分析，得到不同節(jié)點之間的皮爾遜系數(shù)矩陣；基于皮爾遜系數(shù)矩陣對初始圖進行調(diào)整，得到目標圖。

4、進一步地，基于皮爾遜系數(shù)矩陣對初始圖進行調(diào)整，得到目標圖，包括：從皮爾遜系數(shù)矩陣中確定任意兩個節(jié)點之間的目標皮爾遜系數(shù)；確定任意兩個節(jié)點在初始圖中是否通過邊連接；若目標皮爾遜系數(shù)小于預設(shè)閾值，且任意兩個節(jié)點在初始圖中通過邊連接，則從初始圖中刪除任意兩個節(jié)點之間的邊；若目標皮爾遜系數(shù)大于預設(shè)閾值，且任意兩個節(jié)點在初始圖中未通過邊連接，則在初始圖中添加任意兩個節(jié)點之間的邊。

5、進一步地，流量預測模型包括：輸入層、多個時空卷積塊、全連接層和輸出層，將歷史蜂窩流量數(shù)據(jù)和目標圖輸入至流量預測模型，利用流量預測模型預測得到目標蜂窩流量數(shù)據(jù)，包括：將歷史蜂窩流量數(shù)據(jù)和目標圖輸入至輸入層，利用輸入層生成圖信號序列，其中，圖信號序列包含不同節(jié)點對應的蜂窩流量數(shù)據(jù)和不同節(jié)點之間的連接關(guān)系；利用多個時空卷積塊對圖信號序列的時間特征和空間特征進行融合，得到多通道特征；利用全連接層將多通道特征轉(zhuǎn)換為時空特征；利用輸出層將時空特征映射為目標蜂窩流量數(shù)據(jù)。

6、進一步地，將歷史蜂窩流量數(shù)據(jù)和目標圖輸入至輸入層，利用輸入層生成圖信號序列，包括：從歷史蜂窩流量數(shù)據(jù)中確定不同節(jié)點對應的第一蜂窩流量數(shù)據(jù)；基于不同節(jié)點對應的第一蜂窩流量數(shù)據(jù)，構(gòu)建節(jié)點特征矩陣，其中，節(jié)點特征矩陣中的不同元素用于表征不同時間點的流量值；基于目標圖構(gòu)建鄰接矩陣，其中，鄰接矩陣中的不同元素用于表征不同節(jié)點之間的連接關(guān)系；基于節(jié)點特征矩陣和鄰接矩陣，得到圖信號序列。

7、進一步地，時空卷積塊包括：注意力層、圖卷積層、門控卷積層和批量歸一化層，利用多個時空卷積塊對圖信號序列的時間特征和空間特征進行融合，得到多通道特征，包括：利用注意力層對圖信號序列中節(jié)點特征矩陣進行注意力處理，得到不同節(jié)點之間的注意力系數(shù)；基于注意力系數(shù)和圖信號序列中的鄰接矩陣，利用圖卷積層對節(jié)點特征矩陣進行圖卷積處理，得到空間特征；利用門控卷積層對節(jié)點特征矩陣進行卷積處理，得到時間特征；利用批量歸一化層分別對空間特征和時間特征進行歸一化處理，得到多通道特征。

8、進一步地，利用全連接層將多通道特征轉(zhuǎn)換為時空特征，包括：將目標圖生成過程中得到的皮爾遜系數(shù)矩陣作為輔助特征；對多通道特征和輔助特征進行拼接，得到拼接特征；利用全連接層將拼接特征轉(zhuǎn)換為時空特征。

9、根據(jù)本發(fā)明實施例的另一方面，還提供了一種蜂窩流量預測裝置，包括：獲取模塊，用于獲取工業(yè)物聯(lián)網(wǎng)的歷史蜂窩流量數(shù)據(jù)；相關(guān)性分析模塊，用于基于歷史蜂窩流量數(shù)據(jù)，對工業(yè)物聯(lián)網(wǎng)中的蜂窩節(jié)點進行相關(guān)性分析，生成工業(yè)物聯(lián)網(wǎng)目標圖，其中，目標圖包含的節(jié)點用于表征蜂窩節(jié)點，邊用于表征蜂窩節(jié)點之間的數(shù)據(jù)傳遞路徑；預測模塊，用于將歷史蜂窩流量數(shù)據(jù)和目標圖輸入至流量預測模型，利用流量預測模型預測得到目標蜂窩流量數(shù)據(jù)。

10、根據(jù)本發(fā)明實施例的另一方面，還提供了一種非易失性存儲介質(zhì)，非易失性存儲介質(zhì)包括存儲的程序，其中，程序運行時控制非易失性存儲介質(zhì)所在設(shè)備執(zhí)行上述的蜂窩流量預測方法。

11、根據(jù)本發(fā)明實施例的另一方面，還提供了一種計算機設(shè)備，包括：存儲器和處理器，存儲器存儲有計算機程序；處理器，用于執(zhí)行存儲器中存儲的計算機程序，計算機程序運行時使得處理器執(zhí)行上述的蜂窩流量預測方法。

12、根據(jù)本發(fā)明實施例的另一方面，還提供了一種計算機程序產(chǎn)品，包括：計算機程序，其中，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述的蜂窩流量預測方法。

13、在本發(fā)明實施例中，獲取工業(yè)物聯(lián)網(wǎng)的歷史蜂窩流量數(shù)據(jù)；基于歷史蜂窩流量數(shù)據(jù)，對工業(yè)物聯(lián)網(wǎng)中的蜂窩節(jié)點進行相關(guān)性分析，生成工業(yè)物聯(lián)網(wǎng)目標圖，其中，目標圖包含的不同節(jié)點用于表征不同蜂窩節(jié)點，連接在兩個節(jié)點之間的邊用于表征兩個節(jié)點對應蜂窩節(jié)點之間的數(shù)據(jù)傳遞路徑；將歷史蜂窩流量數(shù)據(jù)和目標圖輸入至流量預測模型，利用流量預測模型預測得到目標蜂窩流量數(shù)據(jù)。容易注意到的是，基于歷史蜂窩流量數(shù)據(jù)，對工業(yè)物聯(lián)網(wǎng)中的蜂窩節(jié)點進行相關(guān)性分析，可以充分捕捉蜂窩流量的動態(tài)時空特性，使用流量預測模型基于歷史蜂窩流量數(shù)據(jù)和可以表征蜂窩流量動態(tài)時空特性的目標圖預測目標蜂窩流量數(shù)據(jù)，達到了提高蜂窩流量預測的預測準確度的目的，進而解決了蜂窩流量預測的預測準確度較低的技術(shù)問題。

技術(shù)特征：

1.一種蜂窩流量預測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的蜂窩流量預測方法，其特征在于，所述基于所述歷史蜂窩流量數(shù)據(jù)，對所述工業(yè)物聯(lián)網(wǎng)中的蜂窩節(jié)點進行相關(guān)性分析，生成所述工業(yè)物聯(lián)網(wǎng)的目標圖，包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于所述皮爾遜系數(shù)矩陣對所述初始圖進行調(diào)整，得到目標圖，包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述流量預測模型包括：輸入層、多個時空卷積塊、全連接層和輸出層，所述將所述歷史蜂窩流量數(shù)據(jù)和所述目標圖輸入至流量預測模型，利用所述流量預測模型預測得到目標蜂窩流量數(shù)據(jù)，包括：

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述將所述歷史蜂窩流量數(shù)據(jù)和所述目標圖輸入至所述輸入層，利用所述輸入層生成圖信號序列，包括：

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述時空卷積塊包括：注意力層、圖卷積層、門控卷積層和批量歸一化層，所述利用所述多個時空卷積塊對所述圖信號序列的時間特征和控件特征進行融合，得到多通道特征，包括：

7.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述利用所述全連接層將所述多通道特征轉(zhuǎn)換為時空特征，包括：

8.一種蜂窩流量預測裝置，其特征在于，包括：

9.一種非易失性存儲介質(zhì)，其特征在于，所述非易失性存儲介質(zhì)包括存儲的程序，其中，在所述程序運行時控制所述非易失性存儲介質(zhì)所在設(shè)備執(zhí)行權(quán)利要求1至7中任意一項所述的蜂窩流量預測方法。

10.一種計算機設(shè)備，其特征在于，包括：存儲器和處理器，

技術(shù)總結(jié)
本發(fā)明公開了一種蜂窩流量預測方法、裝置、存儲介質(zhì)及計算機設(shè)備，涉及通信技術(shù)領(lǐng)域。其中，該方法包括：獲取工業(yè)物聯(lián)網(wǎng)的歷史蜂窩流量數(shù)據(jù)；基于歷史蜂窩流量數(shù)據(jù)，對工業(yè)物聯(lián)網(wǎng)中的蜂窩節(jié)點進行相關(guān)性分析，生成工業(yè)物聯(lián)網(wǎng)目標圖，其中，目標圖包含的不同節(jié)點用于表征不同蜂窩節(jié)點，連接在兩個節(jié)點之間的邊用于表征兩個節(jié)點對應蜂窩節(jié)點之間的數(shù)據(jù)傳遞路徑；將歷史蜂窩流量數(shù)據(jù)和目標圖輸入至流量預測模型，利用流量預測模型預測得到目標蜂窩流量數(shù)據(jù)。本發(fā)明解決了蜂窩流量預測的預測準確度較低的技術(shù)問題。

技術(shù)研發(fā)人員：陳于鋒,盧文倩,王欣剛,蔡志薇,顧旭
受保護的技術(shù)使用者：中國電信股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15