[发明专利]基于神经网络的移动通信用户时空分布预测方法及装置

权利要求书

1.一种基于神经网络的移动通信用户时空分布预测方法，其特征在于，所述方法包括：

获取在第一时段内各个子时段采集的目标栅格和该目标栅格的外围栅格的栅格数据、以及与所述目标栅格相关的外部指标数据，其中，所述栅格数据包括栅格内地理指标数据和移动用户通信数据；其中，栅格表示正方形或长方形的地理区域；所述栅格内地理指标数据包括室内栅格占比和/或道路栅格占比；所述外部指标数据包括以下一种或多种：时间点因子、节假日因子、突发事件因子和区域发展因子；

将所述栅格数据和所述外部指标数据输入预先训练的预测模型，得到所述目标栅格在所述第一时段之后的预测时段内各个子时段的预测用户数目；其中，所述预测模型是根据预先采集的历史时段内各个子时段的样本栅格的栅格数据、外部指标数据、所述历史时段之后多个子时段的真实用户数目训练的；

所述预测模型包含预设数目个子模型，所述预设数目等同于所述第一时段内子时段数目，每个子模型对应一个子时段；每个子模型包含卷积神经网络CNN、循环神经网络RNN和支持向量回归模型SVR；各个子时段对应的子模型的RNN网络的输出和SVR模型的输出均连接下一子时段对应的子模型的RNN网络的输入，且最终子时段对应的子模型中SVR模型的输出层大小等同于所述预测时段内子时段数目；

所述将所述栅格数据和所述外部指标数据输入预先训练的预测模型，得到所述目标栅格在所述第一时段之后的预测时段内各个子时段的预测用户数目，包括：

将各个子时段的栅格数据输入该子时段对应的子模型中的CNN网络，得到栅格特征数据，将所述栅格特征数据、该子时段的外部指标数据、上一子时段对应的子模型中RNN网络的输出以及上一子时段对应的子模型中SVR模型的输出拼接，并依次输入该子时段对应的子模型中的RNN网络、全连接层和SVR模型，直到得到最终子时段对应的子模型的SVR模型的输出层结果，其中，所述输出层的输出结果为所述预测时段内各个子时段的预测用户数目。

2.根据权利要求1所述的方法，其特征在于，

所述移动用户通信数据包括以下一种或多种：用户总数、运动态用户数、静止态用户数、通信流量总和、服务小区切换次数、参考信号接收功率和/或信号与干扰加噪声比。

3.根据权利要求1所述的方法，其特征在于，基于如下损失函数训练所述预测模型：

其中，L(x,θ)表示损失函数，x表示输入的样本特征数据，包括栅格数据和外部指标数据，θ表示模型参数，C表示模型惩罚系数，表示真实用户数量，f(θ.x_i)表示模型输出，δ表示松弛因子，i表示样本标号，n表示模型输入的样本总数，m表示模型参数数目，θ_i表示第i个模型参数。

4.根据权利要求1所述的方法，其特征在于，所述预测模型还包括域分类器；所述方法还包括：

获取第一样本数据和第二样本数据，其中所述第一样本数据为已学习的栅格数据和外部指标数据，所述第二样本数据为未学习的栅格数据和外部指标数据；

分别将所述第一样本数据和所述第二样本数据输入所述预测模型，得到所述预测模型中域分类器的分类结果；

根据所述分类结果，以及预先设置的损失函数，确定分类损失值；

根据所述分类损失值，按照梯度上升方向调整所述预测模型中的参数，直到分类损失值大于预设阈值。