[发明专利]一种基于加权联邦学习的无线业务流量预测方法

权利要求书

1.一种基于加权联邦学习的无线业务流量预测方法，其特征在于，用于提升分布式无线业务流量预测的总体预测准确性，具体步骤如下：

(1)将N个基站依次编号为i，i＝1；2；···；N；控制中心随机生成一个初始化模型M，并复制N份模型，N份模型组成随后，控制中心将需要训练的模型推送到基站i的学习单元；

(2)基站i的学习单元根据接收到的需要训练的模型在已有历史数据集上对模型进行训练以更新参数；经过训练之后，得到新的本地模型M′_i；

(3)基站i将新的本地模型M′_i发送到控制中心；

(4)控制中心对从基站得到的模型{M′₁，…，M′_N}，根据加权策略进行模型融合，得到更新后的全局模型并将更新后的全局模型推送到基站i；

所述步骤(4)中，根据加权策略进行模型融合的具体步骤为：根据式(1)进行全局模型的参数更新：

式(1)中，表示本轮训练中控制中心经过加权融合后的全局模型；f_agg(·)表示采用的加权融合策略；α表示对基站i来说，本地模型M′_i所占的比重；β表示除了本地模型M′_i之外的其他模型M′_j之和所占的比重；α与β的关系满足α+β＝1；

所述步骤(4)中，进行全局模型的参数更新时，α＞β；

(5)重复执行步骤(2)到(4)，设定循环次数，当达到设定的循环次数后，循环结束，得到最终模型；

(6)基站根据步骤(5)得到的最终模型对未来时刻的无线业务流量进行预测；

所述预测方法还包括：(7)以一定的时间周期重复步骤(2)-(6)，对模型进行周期性的全局更新训练。

2.根据权利要求1所述的一种基于加权联邦学习的无线业务流量预测方法，其特征在于，所述时间周期为一天或者三天或者一周。

3.根据权利要求2所述的一种基于加权联邦学习的无线业务流量预测方法，其特征在于，每次参与更新训练的基站数量是动态变化的，如果当前参与训练的基站数量大于设定的阈值，则对模型进行全局更新训练；否则，跳过此次更新，下一个周期再做更新请求。

4.根据权利要求1所述的一种基于加权联邦学习的无线业务流量预测方法，其特征在于，步骤(1)中，在控制中心将需要训练的模型推送到基站学习单元之前，需要确定初始化模型的具体形式、生成训练样本数据集和测试样本数据集及数据标准化，具体步骤包括：

1-A、选择初始化模型的具体形式，所述具体形式为线性模型或者非线性模型；

1-B、将基站的历史数据集分成训练数据集和测试数据集，并在所述训练数据集和测试数据集上根据滑动窗口机制，选择滑动窗口大小p，分别生成训练样本数据集和测试样本数据集；

1-C、对于训练样本数据集，得到流量的最小值和标准差；对于测试样本数据集，根据所述流量的最小值和标准差对训练数据集和测试数据集中的数据进行标准化。

5.根据权利要求4所述的一种基于加权联邦学习的无线业务流量预测方法，其特征在于，步骤(2)中，在已有历史数据集上对需要训练的模型进行训练以更新参数，具体步骤包括：

2-A、选定优化算法，所述算法为随机梯度下降法、小批量梯度下降法、适应性动量估计法中任一种；

2-B、从训练数据集中，根据批处理大小选择相应的样本数量，并进行梯度计算；

2-C、模型的参数根据当前样本的梯度信息进行更新；

2-D、重复执行所述步骤2-B和步骤2-C，直至满足训练结束条件。

6.根据权利要求1-5任一项所述的一种基于加权联邦学习的无线业务流量预测方法，其特征在于，在步骤(6)得到预测值后，所述预测方法还包括如下步骤：

a、步骤(6)得到的预测值做标准化的逆操作，得到预测值的真实尺度；

b、根据评价指标对预测性能进行评估；所述评价指标包括均方误差MSE和平均绝对误差MAE；

c、评估完成后，基站将新到的数据存储到历史数据集中。