[发明专利]一种基于图嵌入技术和动力学方程推理的通信基站流量分析系统及分析方法

说明书

本发明公开了一种基于图嵌入技术和动力学方程推理的通信基站流量分析系统及分析方法，系统包括：通信基站信息采集模块、输入代理模块、特征空间降维模块、动力学模型推断模块和函数库模块；方法包括如下步骤：实测通信基站网络的流量数据信息；使用图嵌入技术对高维稀疏的邻接矩阵的特征向量空间进行降维，将时变流量数据投影到低维特征空间；构建两个基础函数库；基于降维后的数据空间从基础函数库中推理网络动力学方程。本发明利用动力学方程的时变性质捕获了网络节点的自我演变与交互效应，并从基本函数库中对方程进行推理，能充分捕捉到通信基站流量的内在特征和潜在规律，可解释性较强，对短期和长期的流量预测都能达到更好的精度。

技术领域

本发明涉及人工智能预测算法技术领域，尤其是一种基于图嵌入技术和动力学方程推理的通信基站流量分析系统及分析方法。

背景技术

随着无线通信技术的快速发展和移动终端的大面积普及，网络流量出现爆炸式增长已成为必然趋势。通信基站是移动终端之间的信息中转站，也是网络流量传播路径上的枢纽，如何为基站分配网络和人力资源是网络运营商需要面临的一个巨大挑战。未来5G通信技术的广泛落地，将催生更多的互联网应用场景，如自动驾驶、虚拟现实技术、元宇宙技术等，人们对移动流量的需求将会更加多元。

在时间尺度上，通信网络流量强度的变化是高度动态性的，但也隐含着潜在的趋势，即在一个地区内，基站流量的强弱分布具有特定的规律性。推断出基站流量周期性变化所服从的数学特征，对解决基站布局选址、网络资源调配、互联网用户画像等一系列问题具有重要意义。

目前，针对基站流量的高度动态性、周期性特征，已有大量专家学者开展相关研究。传统的基站流量模型主要以预测为目的，代表性的模型有：时间序列模型、泊松模型、马尔可夫模型等。Li等人(The Learning and Prediction of Application-level TrafficData in Cellular Networks，2017)基于时间和空间两个维度提出了α-stable模型，该模型与传统的线性时间序列模型相比精度有明显提升。Kusdarwati等人(System forPrediction of Non Stationary Time Series based on the Wavelet Radial BasesFunction Neural Network Model，2018)提出了SARI-MA模型，该模型分析了时间序列的自相关性，并能够捕获网络流量的季节性特征。Cao等人(Network traffic analysis andprediction of Hotspot in cellular network，2018)使用三指数平滑模型对流量的上下行数据进行预测。Le等人(Applying Big Data,Machine Learning,and SDN/NFV for 5GEarly-Stage Traffic Classification and Network QoS Control，2018)使用线性和非线性方法对基站流量进行建模预测，结果表明非线性方法性能优于线性。虽然上述参数化的统计模型能够描述基站流量的非线性特征，但仍存在模型拟合精度不高，泛化能力差等问题。