图推理视角下时空融合的用户业务行为预测方法

本技术涉及无线通信，特别涉及图推理视角下时空融合的用户业务行为预测方法。

背景技术：

1、在通信网络中，用户行为是指用户在通信过程中表现出的各种特性和活动模式。这些行为不仅包括用户的通信活动，如语音、数据传输和媒体使用，还包括用户使用设备的模式、活动时间节奏等。具体来说，以移动通信为例，短信、电话和互联网等用户活动构成了非常典型的用户行为。掌握和分析用户行为有助于运营商更好地了解用户需求，从而合理分配频谱资源，确保网络在高峰时段能够满足用户需求。

2、如图1所示，一个被移动通信网络覆盖的区域被可视化，其中包含多个移动用户。图中的椭圆表示一个基站所覆盖的空间区域。在不同的子区域中，移动用户的数量会有所不同。由于现实中移动用户的数量极大(难以分析每个用户的活动)，并且用户通过与各自子区域内的基站进行通信来访问网络，因此每个基站的流量状况可以反映子区域内的整体用户业务行为。在住宅和商业子区域中，用户流量会更多，这将产生更多的业务行为。由于日常生活需求，用户会移动到不同的子区域，相应的移动通信也会发生变化。因此，这两个子区域可能表现出相似的移动通信模式。此外，当不同子区域中的两个用户进行移动通信时，他们都会与各自子区域内的基站建立无线通信连接，因此这两个子区域都会产生相应的蜂窝流量，以上情况说明用户行为具有时空特征。

3、从图推理的角度来看，两个区域之间的空间相关性对彼此的重要性是不同的，例如在图2中，(q+h,p)节点受到(q+h,p+u)节点很大的影响，但(q+1,p+u+1)节点对(q+h,p+u)节点的影响更大。这意味着在空间相关性的网络中，边的方向不是对称的。因此，对于(q+h,p)节点，存在一个指向(q+h,p+u)节点的边，表示前者对后者有较大的影响。然而，反过来并不成立，即不存在从(q+h,p+u)节点指向(q+h,p)节点的边，这意味着后者对前者的影响较小或者没有显著影响。这种非对称性和不同子区域之间影响程度的差异是理解和分析空间相关性网络时需要考虑的重要因素。它们不仅揭示了空间相关性的复杂性，也提供了优化网络结构、改进预测模型等实际应用中的宝贵信息。

4、然而，以往研究中对时空信息的提取并不充分。首先一些研究仅关注时间信息，忽略了空间信息在用户业务行为中的作用。其次在一些研究中，时空信息的特征提取是串行进行的，即先提取空间信息，然后再基于空间信息提取时间信息，从而忽略了原始数据中的时间信息。此外，现有技术中通过无向图描述了用户服务行为之间的空间相关性，但没有考虑到同一空间相关性对不同区域的重要性是不同的。为了更充分地提取原始数据中的时空信息，空间特征和时间特征的提取应该分开进行，互不干扰。

技术实现思路

1、本技术提供了图推理视角下时空融合的用户业务行为预测方法，可用于解决现有技术中忽略空间信息的技术问题。

2、本技术提供图推理视角下时空融合的用户业务行为预测方法，方法包括：

3、步骤1，构建基于历史数据的用户业务行为空间有向图；

4、步骤2，构建基于历史数据的用户业务行为时间相关性张量；

5、步骤3，基于时空融合结构的用户业务行为预测模型；

6、步骤4，评估时空融合预测方法性能。

7、进一步地，构建基于历史数据的用户业务行为空间有向图，包括：

8、对地图进行网格化，将每个网格视为图中的一个节点，并对节点进行皮尔逊相关性系数计算得到网格之间的空间相关性；

9、对每个节点选取前k个空间相关性最大的节点形成从当前节点指向对面节点的有向边；有向图为g＝<v,e>，其中v表示节点集，e表示这些节点之间空间相关性的边集；其中皮尔逊相关性系数计算方法为：

10、

11、其中，r表示av和bv之间的皮尔逊相关性系数，av和bv分别表示av网格和bv网格的历史数据，v表示网格的总数量，表示av的样本均值，表示bv的样本均值；皮尔逊相关性系数的取值范围在-1到1之间，当系数越接近1时，表示这两个网格之间的正相关性越强；越接近0，相关性越弱；越接近-1，则表示具有较强的负相关性。

12、进一步地，步骤2，构建基于历史数据的用户业务行为时间相关性张量，包括：

13、由于用户业务行为在相邻的时间段内具有时间相关性，将地图划分为网格，然后对每个网格的流量数据表示为矩阵以进行处理；

14、按时间顺序分析每个网格的用户业务行为状况，以一小时为时间单位；分析用户业务行为生成了时间相关性张量：

15、

16、

17、κ＝{k(q,p)}q,p∈{1,2,...,n}

18、

19、χ表示在时间t1和tt之间所有网格中用户业务行为量；ti表示第i个时间单位，表示在ti时间内所有网格的用户业务行为；κ表示整个地区网格的集合，而表示在时间单位ti时网格k(q,p)中的总用户业务行为；(q,p)表示网格所在的位置，q表示横坐标，p表示纵坐标，q和p都的取值范围都属于1到n；时间相关性张量为由历史数据构成的用户业务行为状态矩阵组成，时间相关性张量满足其中所有矩阵均满足a×b＝|v|，矩阵均为二阶张量，a和b指的是张量各维度的尺寸，也即矩阵的行列数。

20、进一步地，步骤3，建立基于时空融合结构的用户业务行为预测模型，包括：

21、建立基于时空融合结构的用户业务行为预测模型，所述模型包括三个网络模块，分别为空间网络，时间网络，以及融合网络；

22、将有向图g＝<v,e>中的所有节点及在过去到时间单位的用户业务行为数据作为模型的输入；对于每个时间单位的用户业务行为数据，基于时空融合结构的用户业务行为预测模型首先使用具有线性层的前馈网络将用户业务行为数据的值映射到更高的维度；

23、将经过线性层处理后得到的矩阵到输入到时间网络tnet和空间网络snet中，以学习用户业务行为的时空相关性；经过时间网络tnet和空间网络snet这两个模块后，获得了每个节点的时间和空间特征，然后通过fnet将这两种特征信息融合；最后，输出未来n个时间单位的用户业务行为预测结果。

24、进一步地，空间网络包括四个卷积层以及两个图卷积层；其中前三个卷积层起到了跳跃连接的作用，空间网络中首先输入数据，输入分为两个分支，其中一个分支为第一层卷积层，由该卷积层保留数据原始信息，另一个分支为图卷积层，经过图卷积层得到特征又分为两个分支，其中一个分支为第二个卷积层，另一个分支为第二个图卷积层，由第二个图卷积层得到的特征被输入第三个卷积层，最后将前三个卷积层得到的特征进行汇集，输入最后一个卷积层得到空间网络的输出；

25、其中，卷积层的内核大小为1×1，步长设置为1×1，relu作为激活函数，使用1×1卷积层作为输出层，将输入通道尺寸转换为所需的输出维度；

26、矩阵到和g＝<v,e>输入空间网络。

27、进一步地，时间网络用于提取用户业务行为的时间特征；使用卷积层和relu激活函数提取时间信息，并使用残差块避免梯度爆炸问题；

28、卷积层的参数包括卷积核大小，步长和填充大小；其中，卷积核是实现局部滤波矩阵的区域连通性，步长是卷积核每次遍历特征时移动的距离，填充大小实现特征矩阵符合卷积过程的预定尺寸，利用卷积核在特征矩阵和权重向量之间执行点积运算生成新的特征矩阵；求第j层卷积特征矩阵的卷积通过以下方法确定：

29、

30、其中表示在ti时间内第j层的卷积特征矩阵，表示在ti时间内第j-1层的卷积特征矩阵，wj表示第j层的卷积核权值，hj表示偏移向量，λ表示激活函数，表示卷积运算；

31、将通过线性层得到的矩阵输入时间网络；

32、时间网络包括四个卷积层以及两个残差块，其中卷积层的卷积核为3×3，步长为1×1；首先，矩阵输入一个卷积核为3×3，步长为1×1的卷积层，残差块之后采用两个卷积层来获得更多特征，最后一个卷积层作为输出层；

33、残差块包括两个卷积核是3×3步长是1×1的卷积层，每个卷积层之前都有一个relu激活函数来映射特征矩阵；当残差块的输入记为时，输出如下:

34、

35、其中，r表示relu激活函数，残差块将以高级特征作为输出的原始输入。

36、进一步地，融合网络通过sigmoid函数为时空特征分配不同的特征权重来计算融合结果，具体的方法如下：

37、

38、其中，表示通过融合网络得到的融合结果，γ表示学习得到的分配权重，权重的计算如下为：

39、

40、σ表示sigmoid函数，w1和w2分别表示空间特征和时间特征的权重，而b表示偏差；使用融合后的特征通过一个线性层得到最终预测结果；最后输出未来一段时间内的预测结果

41、进一步地，步骤4，评估时空融合预测方法性能，包括：

42、未来一个时间单位的预测结果与此时间单位的真实用户业务行为状态相比较，给出状态图以及预测性能评估指标：平均绝对误差，均方根误差和r2；

43、平均绝对误差反映了预测值和真实值之间的平均绝对差，均方根误差表示预测值和真实值之间的平均平方根差；r2为决定系数或拟合优度，表示回归关系解释预测值和真实值的变化的程度，分子表示预测值和真实值的平方方差之和，而分母部分表示平均值与真实值之间的平方偏差之和：

44、

45、

46、

47、其中，表示预测值，yi表示真实值，s表示预测的数量；mae和rmse的值越小，则所提出模型的预测性能越好；r2的范围在0到1之间，如果它的值越接近1，则所提出模型的预测性能越好；相反，越接近0，则模型的预测性能越差。

48、本发明与现有技术相比，其显著优点为：

49、(1)有向图推理方法强调了两个区域之间不同程度的影响力，突破了传统空间相关性分析仅考虑相邻地理区域之间空间相关性的物理限制以及无向图没有考虑到同一空间相关性对不同区域的不同重要性。

50、(2)本发明采用时间特征和空间特征并行提取并自适应融合的方法，有效避免了传统时空网络串行结构造成的特征提取受损问题。