一种图神经网络模型训练与网络优化方法及装置与流程

本申请涉及通信，尤其涉及一种图神经网络模型训练与网络优化方法及装置。

背景技术：

1、在移动通信领域，图神经网络(graph neural network，gnn)因其能够处理复杂的图结构数据而备受关注。然而，在实际应用中，gnn的性能高度依赖于输入的图结构数据质量。若数据质量不佳，将导致基于这些数据计算出的邻接矩阵存在显著偏差，进而直接影响gnn模型的学习效果和预测准确性。此外，节点间的连接可能具有不同的权重或重要性，而传统邻接矩阵采用0和1表示节点间的连接状态，这种表示方法缺乏对于连接实际意义的深入解释。

技术实现思路

1、本申请实施例提供一种图神经网络模型训练与网络优化方法及装置，用于提升图神经模型训练的鲁棒性。捕捉图中更高阶的结构信息和易于理解的注意力机制，从而更好地满足对图神经网络模型的需求。

2、第一方面，本申请实施例提供一种图神经网络模型训练方法，该方法包括：

3、获取历史大尺度衰落数据以及用于表示基站间连接关系的拓扑结构，历史大尺度衰落数据是采用大尺度衰落公式，根据历史的无线传播特性参数以及无线传播损耗参数得到的，无线传播参数用于表示信号在基站对之间传输时的物理行为和性能，无线传播损耗参数用于表示由于基站对之间的障碍物和传播条件导致信号能量衰减的指标；

4、将历史大尺度衰落数据输入图神经网络模型得到邻接矩阵，邻接矩阵用于描述基站间信号的连接强度，邻接矩阵中的元素值用于表示信号在对应的基站对之间传输的质量以及稳定性；

5、采用预设的正则化损失函数确定元素值与流量元素值的差异值，并基于差异值调整图神经网络模型中的参数，直至差异值满足预设规则，流量元素值是基于基站对之间的流量数据进行数据序列相关性计算得到的。

6、可选的，上述无线传播特性参数包括信号在基站对之间传输的信噪比，若信噪比大于预设的信噪比阈值，采用大尺度衰落公式，分析无线传播特性参数以及无线传播损耗参数得到大尺度衰落数据。

7、可选的，若信噪比小于等于预设的信噪比阈值，确定基站对在邻接矩阵中对应的元素值为0。

8、可选的，上述历史大尺度衰落数据包括信号的路径损失值以及信号衰落值，路径损失值用于表示传输信号过程中的信号衰减程度，信号衰落值用于表示由于信道变化导致接收信号的幅度发生变化的程度。

9、可选的，上述将历史大尺度衰落数据输入图神经网络模型得到邻接矩阵，具体包括：

10、将路径损失值以及信号衰落值相加，得到线性组合值；

11、采用自然指数函数变换线性组合值，并采用预设的缩放因子调整线性组合值对自然指数函数的影响，得到邻接矩阵中的元素值。

12、可选的，上述方法还包括：

13、采用softmax函数对元素值进行计算，得到归一化的权重值；

14、将权重值作为邻接矩阵中的元素值。

15、第二方面，本申请实施例提供一种网络优化方法，该方法包括：

16、获取利用第一方面中任一方法得到的邻接矩阵；

17、基于邻接矩阵对基站网络进行优化调整。

18、可选的，对上述基站网络进行优化调整的方式包括基站选址调整、天线方向调整、功率分配调整、负载均衡策略调整中的至少一种。

19、第三方面，本申请实施例提供一种图神经网络模型训练装置，包括：

20、收发模块，用于获取历史大尺度衰落数据以及用于表示基站间连接关系的拓扑结构，历史大尺度衰落数据是采用大尺度衰落公式，分析历史的无线传播特性参数以及无线传播损耗参数得到的，无线传播参数用于表示信号在基站对之间传输时的物理行为和性能，无线传播损耗参数用于表示由于基站对之间的障碍物和传播条件导致信号能量衰减的指标；

21、处理模块，用于将历史大尺度衰落数据输入图神经网络模型得到邻接矩阵，邻接矩阵用于描述基站间信号的连接强度，邻接矩阵中的元素值用于表示信号在对应的基站对之间传输的质量以及稳定性；

22、调整模块，用于采用预设的正则化损失函数确定元素值与流量元素值的差异值，并基于差异值调整图神经网络中的参数，直至差异值满足预设规则，流量元素值是基于基站对之间的流量数据进行数据序列相关性计算得到的。

23、第四方面，本申请实施例提供一种网络优化装置，包括：

24、获取模块，用于获取利用第一方面中任一方法得到的邻接矩阵；

25、优化模块，用于基于邻接矩阵对基站网络进行优化调整。

26、第五方面，本申请实施例提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，当计算机程序被处理器执行时，使得处理器实现上述第一方面中的任一项图神经网络模型训练方法，或，上述第二方面中的任一项网络优化方法。

27、第六方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时，实现第一方面中的任一项图神经网络模型训练方法，或，上述第二方面中的任一项网络优化方法。

28、第七方面，本申请实施例还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行以实现第一方面中的任一项图神经网络模型训练方法，或，上述第二方面中的任一项网络优化方法。

29、第三方面至第七方面中任意一种实现方式所带来的技术效果可参见第一方面、第二方面中对应的实现方式所带来的技术效果，此处不再赘述。

技术特征：

1.一种图神经网络模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述无线传播特性参数包括信号在所述基站对之间传输的信噪比，若所述信噪比大于预设的信噪比阈值，采用所述大尺度衰落公式，分析所述无线传播特性参数以及所述无线传播损耗参数得到所述大尺度衰落数据。

3.根据权利要求2所述的方法，其特征在于，若所述信噪比小于等于预设的信噪比阈值，确定所述基站对在所述邻接矩阵中对应的元素值为0。

4.根据权利要求1所述的方法，其特征在于，所述历史大尺度衰落数据包括信号的路径损失值以及信号衰落值，所述路径损失值用于表示传输信号过程中的信号衰减程度，所述信号衰落值用于表示由于信道变化导致接收信号的幅度发生变化的程度。

5.根据权利要求1所述的方法，其特征在于，所述将所述历史大尺度衰落数据输入图神经网络模型得到邻接矩阵，具体包括：

6.根据权利要求1至5中任一所述的方法，其特征在于，所述方法还包括：

7.一种网络优化方法，其特征在于，所述方法包括：

8.根据权利要求7所述的方法，其特征在于，对所述基站网络进行优化调整的方式包括基站选址调整、天线方向调整、功率分配调整、负载均衡策略调整中的至少一种。

9.一种图神经网络模型训练装置，其特征在于，包括：

10.一种网络优化装置，其特征在于，包括：

11.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6或权利要求7-8中任一项所述的方法。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于使所述计算机执行权利要求1-6或权利要求7-8中任一项所述的方法。

13.一种计算机程序产品，其特征在于，所述计算机程序产品在被计算机调用时，使得所述计算机执行如权利要求1-6或权利要求7-8中任一项所述的方法。

技术总结本申请涉及通信技术领域，尤其涉及一种图神经网络模型训练与网络优化方法及装置。该方法中，获取历史大尺度衰落数据以及用于表示基站间连接关系的拓扑结构。历史大尺度衰落数据是采用大尺度衰落公式，根据历史的无线传播特性参数以及无线传播损耗参数得到的。将历史大尺度衰落数据输入图神经网络模型得到邻接矩阵。其中，邻接矩阵用于描述基站间信号的连接强度。采用预设的正则化损失函数确定元素值与流量元素值的差异值，并基于差异值调整图神经网络模型中的参数，直至差异值满足预设规则。上述方案，可以提升图神经模型训练的鲁棒性。捕捉图中更高阶的结构信息和易于理解的注意力机制，从而更好地满足对图神经网络模型的需求。技术研发人员：熊奕洋,张东,史芳宁,张浩明受保护的技术使用者：中国电信股份有限公司技术创新中心技术研发日：技术公布日：2024/9/2