[发明专利]一种基于时空注意卷积网络的移动流量预测方法

权利要求书

1.一种基于时空注意卷积网络的移动流量预测方法，其特征在于，时空注意卷积网络通过三个时间部件分别对小时周期、日周期、周周期的移动流量网络进行建模，并得到对应的三个移动流量预测信息；将三个移动流量预测信息与外部干扰信息进行融合，得到最终的移动流量预测结果；

每个所述时间部件均包括依次连接的两个时空模块和一个全连接层；每个所述时空模块均包括时空注意模块、时空卷积模块；通过所述时空注意模块获取移动流量的动态时空相关性，通过所述时空卷积模块获取移动流量的时空特征；通过所述全连接层确保所述时间部件输出的维数与预测目标的维数相同；

所述时空注意模块由时间注意力机制和空间注意力机制组成；

通过所述时间注意力机制获得不同时间段之间的相关性；所述时间注意力机制的输出表示为：

其中，X^(l)表示时间部件中第l个时空模块的输入变量，1≤l≤2；表示获得时间相关性后的移动流量数据，W_t1和W_t2均表示时间注意力机制的可学习参数，B_t表示时间注意力机制的偏移矩阵，σ₁和σ₂分别表示sigmoid激活函数和归一化指数函数；

通过所述空间注意力机制在空间维度上获得中不同节点之间的相关性；

所述时空注意模块的归一化注意力矩阵表示为：

其中，A_s表示归一化注意力矩阵，W_s1和W_s2均表示空间注意力机制的可学习参数，B_s表示空间注意力机制的偏移矩阵。

2.根据权利要求1所述的基于时空注意卷积网络的移动流量预测方法，其特征在于，将待预测区域划分成多个子区域，每个所述子区域作为待预测区域移动流量网络中的一个节点；

所述移动流量网络建模成无向图G＝(ν,ε,A)，ν是N个节点的集合，ε是节点之间相连边的集合，A是无向图G的邻接矩阵。

3.根据权利要求1所述的基于时空注意卷积网络的移动流量预测方法，其特征在于，三个时间部件分别为小时周期部件、日周期部件、周周期部件；

将前时间τ之前Δh个小时的数据作为所述小时周期部件的输入，表示为X_h＝(X_τ-Δh+1,X_τ-Δh+2 ,… ,X_τ),1≤Δh≤24-t_p；X_h作为所述小时周期部件中第一个时空模块的输入流量；

将时间t_d＝τ+t_p-24之前Δd天的数据作为所述日周期部件的输入，表示为X_d ＝(X_{td-24× Δ d+1} , X_{td-24× Δ d+2} ,…,X_td),1 ≤Δ d ≤ 7 ； X_d作为所述日周期部件中第一个时空模块的输入流量；

将时间t_w＝τ+t_p-24×7之前Δw周的数据作为所述周周期部件的输入，表示为X_w作为所述周周期部件中第一个时空模块的输入流量。

4.根据权利要求3所述的基于时空注意卷积网络的移动流量预测方法，其特征在于，在所述时空卷积模块中，依次通过图卷积网络、标准卷积网络获取移动流量的时空特征；

所述图卷积网络的卷积运算表示如下：

其中，是图卷积网络的输出，表示通过相邻节点特征更新自身信息的移动流量数据；β_k是多项式系数的变量，I_N是单位矩阵，L是无向图G的标准化拉普拉斯矩阵，λ_max是L的最大特征值，T_k(x)是切比雪夫多项式，K是T_k(x)的项数；

所述标准卷积网络的输出表示为：

其中，是标准卷积网络的输出，表示通过相邻时间段特征更新了自身信息的移动流量；*表示卷积操作，φ₁表示标准卷积网络卷积核的参数，Relu()表示激活函数。