[发明专利]室内可用频谱的实时预测方法

权利要求书

1.一种室内可用频谱的实时预测方法，其特征在于，包括：根据室内不同候选点的频谱分布和不同频段的相关关系，通过聚类确定室内的多个强度预测点，根据从信号强度预测点得到的信号强度时间序列，经建模后进行初步预测得到信号强度预测信息，最后经压缩感知处理得到完整的信号强度预测矩阵用于实时预测。

2.根据权利要求1所述的方法，其特征是，所述的相关关系是指：信号强度之间的皮尔森相关系数，具体为：对每个候选点检测若干个频段下的信号强度并生成信号强度数据矩阵，计算每个候选点不同频段下的任意两个信号强度之间的皮尔森相关系数以及同一个频段下任意两个候选点的信号强度之间的皮尔森相关系数。

3.根据权利要求1所述的方法，其特征是，所述的聚类是指：以相关系数作为聚类的标准，使得相关性越强的候选点尽量聚类到一起，在每个聚类中选出聚类中心作为强度预测点。

4.根据权利要求1所述的方法，其特征是，所述的建模，采用自回归积分滑动平均模型实现，具体为：对所有强度预测点的所有频段依次使用ARIMA模型建模，预测得到未来一个时间片的信号强度的值。

5.根据权利要求4所述的方法，其特征是，所述的自回归积分滑动平均模型具体为：其中：xt表示时间序列在时间t的值，表示对原时间序列进行d次差分，得到一个平稳的时间序列，平稳的时间序列指时间序列任意一段的均值都在一定范围内，∈_t表示高斯分布噪声在时间t的值，α_i和β_i都表示线性组合系数，p和q表示线性组合的阶数。通过得到平稳时间序列的差分次数得到d的值，通过差分后的时间序列的自相关系数和偏自相关系数的截断位置确定q和p的值，通过Yule-Walker方程确定α_i的值，通过极大似然法得到β_i的值。ARIMA模型建立之后可以根据时间序列中前t-1个时刻的值来预测时刻t的值。

6.根据权利要求1所述的方法，其特征是，所述的压缩感知处理是指：通过压缩感知技术解决室内频谱预测矩阵恢复的问题，即针对求解，其中：°表示矩阵两个同样维度大小的矩阵的对应位置相乘，B_s为n*m矩阵，表示预测点的位置，n为候选点的个数，m为频段的个数，r个预测点的m个频段相应位置均为1，其余位置为0；D_s为n*m矩阵，表示预测点建模预测得到的信号强度数据，r个预测点的m个频段的位置为预测到的信号强度值，其余位置为0；P为n*n的矩阵，P₀为n*m的矩阵，表示在第二步中得到的不同候选点之间相关关系的约束矩阵；C为m*m的矩阵，C₀为n*m的矩阵，表示在第二步中得到的不同频段之间的相关关系的约束矩阵；拉格朗日系数λ₁、λ₂、λ₃用来平衡每个部分的权重；L为n*r的矩阵，R为m*r的矩阵，分别表示最终的预测矩阵的奇异值分解，即

7.根据权利要求1或6所述的方法，其特征是，所述的完整的信号强度预测矩阵通过从压缩感知处理中得到最优奇异值分解L和R得到，优选通过交替最陡下降算法，具体为：首先随机初始化L和R的值，然后固定L的值，利用梯度下降算法优化R的值，之后固定R优化之后的值，利用梯度下降算法优化L的值，依次交替，直到L和R的值的变化极小的时候停止迭代，得到最优奇异值分解L和R。

8.根据权利要求1所述的方法，其特征是，所述的完整的信号强度预测矩阵，进一步与提前设定的阈值相比，小于阈值的频段被视为可用频谱，进而得到未来时间片室内不同候选点的可用频谱频段分布。

9.一种实现上述任一权利要求所述方法的系统，其特征在于，包括：实时信号检测模块、实时预测模块以及中心服务器模块，其中：实时信号检测模块周期性地将检测到的最新信号强度数据上传到中心服务器模块，中心服务器模块与实时预测模块相连，将服务器中保存的时间序列数据以及最新训练数据传输到实时预测模块，实时预测模块根据最新训练数据进行实时建模预测得到预测点的预测数据并传回中心服务器模块，中心服务器模块根据预数据进行压缩感知处理并恢复处理得到完整的信号强度预测矩阵，当特定位置的用户提出频谱信息查询请求时，中心服务器模块根据信号强度预测矩阵进行实时预测。