[发明专利]基于图神经网络的多维频谱预测方法、系统、装置及介质

说明书

本发明公开了基于图神经网络的多维频谱预测方法、系统、装置及介质，方法包括：获取频谱数据，并对频谱数据进行时间域上的相关性分析，得到频谱相关系数；根据频谱相关系数对频谱数据进行构造，得到图结构频谱数据；对图结构频谱数据进行谱聚类处理，得到待测数据；将待测数据输入图神经网络，通过图神经网络捕捉得到待测数据在不同维度上的相关性，确定预测结果。本发明能够将频谱数据构造成图结构，并根据图神经网络对未来频谱状态进行多时隙预测，可广泛应用于无线通信技术领域。

技术领域

本发明涉及无线通信技术领域，尤其是基于图神经网络的多维频谱预测方法、系统、装置及介质。

背景技术

随着智能无线网络的快速发展，对以更高速率传输大量数据的需求不断增长，这也造成了频谱资源趋于饱和，甚至过载状态。而频谱预测是认知无线电技术的有效补充，帮助用户减少频谱感知过程中的时延和能量消耗，增加频谱接入的系统吞吐量。现有的大多数研究只考虑单一维度单一时隙的频谱预测，即只根据某个频点或频段的有限历史频谱信息来推测其在下一时刻的频谱状态，这也大大限制了频谱预测的性能。单一时隙的频谱预测在时间上跨度较小，无法适应不断变化的无线网络环境。因此，联合多维频谱预测是一个具有挑战性的问题。

发明内容

有鉴于此，本发明实施例提供一种简单高效的基于图神经网络的多维频谱预测方法、系统、装置及介质，以实现多维频谱预测。

一方面，本发明提供了基于图神经网络的多维频谱预测方法，包括：

获取频谱数据，并对频谱数据进行时间域上的相关性分析，得到频谱相关系数；

根据频谱相关系数对频谱数据进行构造，得到图结构频谱数据；

对图结构频谱数据进行谱聚类处理，得到待测数据；

将待测数据输入图神经网络，通过图神经网络捕捉得到待测数据在不同维度上的相关性，确定预测结果。

可选地，获取频谱数据，并对频谱数据进行时间域上的相关性分析，得到频谱相关系数，包括：

获取频谱数据；

对频谱数据按大小顺序进行排列，得到顺序数据；

对顺序数据进行秩次计算，得到顺序数据的秩次差；

根据秩次差计算得到频谱相关系数。

可选地，根据频谱相关系数对频谱数据进行构造，得到图结构频谱数据，包括：

根据频谱数据的频谱状态，构建得到节点集合；

根据频谱数据的连接关系，构建得到边集合；

根据频谱相关系数，构建得到互相关邻接矩阵；

根据节点集合、边集合和互相关邻接矩阵，构建得到图结构频谱数据。

可选地，对图结构频谱数据进行谱聚类处理，得到待测数据，包括：

构建图结构频谱数据的相似度矩阵；

计算相似度矩阵的特征值和特征向量，构建特征向量空间；

根据谱聚类算法对特征向量空间中的特征向量进行聚类，得到待测数据。

可选地，将待测数据输入图神经网络，通过图神经网络捕捉得到待测数据在不同维度上的相关性，确定预测结果，包括：

将待测数据输入图神经网络，图神经网络包括K阶扩散卷积模块和长短期记忆模块；

通过K阶扩散卷积模块捕捉待测数据的非线性相关性，通过长短期记忆模块捕捉待测数据在时间域上的相关性，得到预测结果。

可选地，K阶扩散卷积模块的模型公式为：