一种面向电磁通信数据的可预测性判断方法

本发明属于无线通信，尤其涉及该领域中的一种面向电磁通信数据的可预测性判断方法。

背景技术：

1、电磁通信是当代社会广泛采用的通信手段之一，涵盖了无线电波、微波、红外线等多种电磁波形式，这些波能在空气、真空乃至特定的固体与液体介质中传播。在电磁通信过程中，原始数据首先被编码为适于电磁传输的格式，随后，经调制技术转换，这些数据便附着于电磁波的载波信号之上进行传播。当信号抵达目标地点，接收器便捕捉到这些电磁波，并通过解调过程将其还原为原始数据信号，以供终端用户使用。电磁通信展现出多项显著优势：其一，能够覆盖广阔距离，实现无需物理连接的远程通信；其二，支持包括声音、文本、图像及视频在内的多种数据格式传输，满足了多元化的通信需求；其三，数据传输速度接近光速，几乎可以做到实时信息共享，极大提升了通信效率。

2、电磁通信数据在一定时间段内本质上可被视为时空序列，其显著特性之一是时间相关性，展现了数据随时间推移的变化趋势。时空数据分析已成为数据挖掘领域的研究热点，对于电磁通信数据而言，挖掘其中的潜在关系并进行预测具有重要意义。目前，多种方法已被应用于时间序列预测，包括：(1)传统统计学习方法：这些方法主要基于历史数据和经验规律，通过建立数学模型来分析和预测未来电磁通信参数的变化。尽管在短期预测领域传统统计方法具有一定的应用价值，但鉴于电磁通信的复杂性，其预测精度和可靠性面临限制。(2)现代机器学习方法：机器学习技术能够利用电磁信号在时空上的相关性，特别是图卷积网络方法，它将时空数据表示为图结构，并通过图神经网络学习时空特征。这种方法能够更有效地捕捉时空数据间的关联，从而提升预测的准确性。

3、综上所述，虽然传统统计学习方法在电磁通信数据预测中发挥了作用，但现代机器学习方法，尤其是图卷积网络，因其对时空数据间复杂关系的深入捕捉能力，展现出更高的预测准确性和应用潜力。

4、随着算法在电磁通信数据预测方面取得显著进展，一个关键性的问题随之浮现：对于给定的电磁通信数据集，其预测精度的理论上限是多少？这一问题涉及到数据集的内在可预测性，即在理论上，任何模型能够达到的最高预测精度。分析电磁通信数据的内在可预测性对于在不同场景下的数据集提供模型选择和实际应用指导具有重要意义。然而，目前对可预测性的分析大多仅限于从内在可预测性计算的角度研究时空序列，因此，构建一个既能计算内在可预测性又能指导预测模型建立的综合性判断框架，呈现出显著的挑战性和研究价值。

技术实现思路

1、本发明的主要目的在于提供一种面向电磁通信数据的可预测性判断方法，解决电磁通信数据的数据挖掘、预测问题。

2、本发明采用如下技术方案：

3、一种面向电磁通信数据的可预测性判断方法，包括如下步骤：

4、步骤1：对一段时间内多个接收机和发射机的电磁通信数据进行采集，对每个点上的参数时间序列进行基于真实熵、样本熵和多尺度熵的内在可预测性计算；

5、步骤2：基于步骤1内在可预测性计算的结果，选定熵值最小的时间尺度，对电磁通信数据时间序列进行该尺度上的预处理，并构建时空相似性图以将电磁通信数据转化为图数据的形式；

6、步骤3：本地构建具有节点级注意力的时空图卷积网络模型，用于训练步骤2预处理过后的数据，进行本地预测，计算预测精度；

7、步骤4：结合步骤1的内在可预测性计算结果和步骤3的模型预测精度，对电磁通信数据进行可预测性判断。

8、进一步的，所述步骤1具体为：

9、确定电磁通信业务场景下接收机和发射机的地理位置，将多接收机视为多节点，构造图数据。我们将电磁通信网络表示为图g＝(v,e)，其中v代表电磁通信网络内一组n个节点的集合，e代表一组表示节点之间连接性的边。图g的邻接矩阵用表示，ai,j表示节点i和节点j的连通性，因此电磁通信数据在任意时间步t下的状态可被视为图信号其中，c是电磁通信数据参数的类型。因此对于每一个节点n和其上的某个参数c来说，都存在一条时间序列x，对于每个节点和每个参数，我们都对其进行基于真实熵、样本熵和多尺度熵的内在可预测性计算。

10、进一步的，所述步骤2具体为：

11、基于步骤1内在可预测性计算的结果，选定熵值最小的时间尺度，对电磁通信数据时间序列进行该尺度上的预处理，并构建时空相似性图以将电磁通信数据转化为图数据的形式。

12、首先对比时间序列计算而出的真实熵、样本熵和多尺度熵的计算结果，选定该熵值属于最低的熵值，若该熵值属于真实熵和样本熵，则不对时间序列进行尺度处理；若该熵值属于多尺度熵，则选取最低熵值对应的时间尺度，对原始时间序列进行尺度上的平均。

13、对原始时间序列进行处理后，通过状态时间序列相关性、沃瑟斯坦距离，kl散度三方面构造时空相似性图。

14、进一步的，所述步骤3具体为：

15、本地构建具有节点级注意力的时空图卷积网络模型，用于训练步骤2预处理过后的数据，进行本地预测，计算预测精度。

16、本方法引入了具有节点级注意力的时空图卷积网络模型，首先，为了捕获每个节点在当前和附近时间步上对其邻居的影响，并扩展时空感受野，我们构建了一个全连接的局部时空图，其中给定节点与其他时间步长的所有节点互连。然而，该图不仅包括每个时间步的原始图的边，还包括连接不同时间步之间的图的节点的边。因此，必须确定这些新引入的边的权重。

17、其次，我们实现具有节点级注意力的图卷积网络，以更有效地捕获局部时空相关性，它由两个主要操作组成：一系列图卷积操作和一系列(翻转)节点级注意力的操作。通过并行执行这些操作，我们将注意力机制与图卷积相结合，从而实现相互增强。通过注意力机制，图卷积的感受野可以扩展到更多相关节点，这些节点可能远离中心节点。另一方面，图卷积可以帮助注意力机制捕获复杂的图拓扑信息，并帮助有效地聚合来自邻域的更多相关节点。

18、最后，我们采用了包含12个历史时间步的数据作为输入，用于结合具有节点级注意力的时空图卷积网络模型，以预测接下来的12个时间步的数据。然后，我们通过比较模型的预测结果与实际值来评估其预测精度。

19、进一步的，所述步骤4具体为：

20、结合步骤1的内在可预测性计算结果和步骤3的模型预测精度，对电磁通信数据进行可预测性判断。在步骤1中，我们通过计算某时间序列的内在可预测性值，揭示了该时序数据的规律性与混乱性。这一值不仅反映了在理论上，任何模型在这特定数据集上所能达到的最高预测精度，而且为针对不同场景下的模型选择与优化提供了宝贵的指导。而步骤3所展现的模型预测精度，则为研究者提供了一个重要的参考点，指示出所采用的方法是否存在进一步优化的空间，以及当前模型是否有简化的可能性。因此，结合步骤1和步骤3的结果，我们能够对电磁通信数据的可预测性进行全面的评估。

21、本发明的有益效果是：

22、本发明公开的方法，首先对电磁通信数据进行采集，接收机视为图结构上的节点，将内在可预测性的计算引入电磁通信数据预测领域，对每个点上的参数的时间序列进行基于真实熵、样本熵和多尺度熵的内在可预测性计算。这一步是可预测性判断的关键步骤，内在可预测性计算的结果揭示了电磁通信数据的内在规律。

23、本发明公开的方法，在内在可预测性计算的基础上，选定熵值最小的时间尺度，对电磁通信数据时间序列进行该尺度上的预处理，并首次提出构建时空相似性图的方法，以将电磁通信数据转化为图数据的形式。对数据进行预处理能够充分提高原始数据的预测精度，充分表示出时间序列的内在规律，这位后续的模型训练奠定了基础。

24、本发明公开的方法，构建了一个全连接的局部时空图，从而在预测时增加信息量，使模型能学习到更丰富的特征表示，在此基础上还首次引入了具有节点级注意力的时空图卷积网络模型，从一种全新的角度将注意力机制与图卷积相结合，从而实现相互增强的效果。

25、本发明公开的方法，结合内在可预测性的计算结果和模型的预测精度，对电磁通信数据整体进行可预测性判断。这一步是该方法前置工作的总结，首次在该领域提出既能计算内在可预测性又能指导预测模型建立的综合性判断框架，从而可对电磁通信数据的可预测性进行全面的评估。