[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

说明书

本发明涉及一种基于加权联邦学习的无线业务流量预测方法，该方法包括：控制中心将多个预训练模型推送到基站侧；基站侧根据本地数据进行模型训练，并将训练后的模型传到控制中心；控制中心根据加权规则对模型融合并反馈到基站，加权规则中对本地模型给予更多的权重；基站根据得到的最终模型对未来时刻的无线业务流量进行预测。本发明提供的无线业务流量预测方法，在控制中心模型聚合策略上，利用加权聚合规则替代平均策略，能够避免由于数据异构性而带来的预测不准确现象，提高了分布式无线业务流量预测的总体预测精度。

技术领域

本发明涉及一种基于加权联邦学习的无线业务流量预测方法，属于通信网络和人工智能技术领域。

背景技术

传统中心式的无线业务流量预测方法需要将大规模、分散在不同节点的业务数据收集到中心节点，然后对这些数据集中处理、训练以及预测。随后，根据预测结果，核心网通过控制单元对基站做动态调整，如：增加或者减少基带处理单元个数以调整基站业务服务能力。

但是，由于数据传输的带宽有限以及数据隐私的问题，将数据传输到云中心需要占用大量的资源，造成网络拥塞；此外，随着用户对数据隐私保护的要求不断加强，特别是在通用数据保护规范(General Data Protection Regulation，GDPR)的发布之后，更是对隐私保护提出了更高的要求。将数据传输到云中心，则增加了数据不可控的可能性。这些因素促使未来的预测模型朝着分布式、本地化、轻量级的方向发展。

联邦学习就属于一种特定的分布式学习算法。本地基站基于自己的数据训练一个本地模型；然后只需要将此模型发送给云端控制中心，而并不需要发送庞大的数据本体；云端控制中心收到所有模型后，对模型进行融合，并发送给基站；基站收到全局模型后，继续对此模型训练。该过程重复一定循环后，就得到了最终的预测模型。

然而，传统联邦学习算法中，只是对模型进行平均操作，忽略了模型之间的差异性。由于基站所处的位置不同、覆盖范围内用户的移动和通信行为亦不同，这就导致了数据差异性很大，传统的简单平均并不能准确捕捉不同基站的业务流量模式，所以预测效果不准确。因此，亟需发展一个既能考虑模型相似性，又能专注于捕捉本地业务流量模式的预测模型。

发明内容

针对现有技术的不足，本发明提出一种基于加权联邦学习的无线业务流量预测方法，本发明中，控制中心将多个预训练模型推送到基站侧后，基站侧根据本地数据进行模型训练，并将训练后的模型传到控制中心；控制中心根据加权规则对模型融合并反馈到基站，加权规则中对本地模型给予更多的权重；基站学习单元根据历史数据再次对模型更新；本发明提供的方法，在控制中心模型聚合策略上，利用加权聚合规则替代平均策略，能够避免由于数据异构性而带来的预测不准确现象。

本发明的技术方案为：

一种基于加权联邦学习的无线业务流量预测方法，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；模型的参数就是待学习的权重，比如长短记忆神经网络的参数。

(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{M₁′；…；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；

(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；每次循环都会对参数进行更新。