由中国移动研究院首席科学家冯俊兰博士、人工智能与智慧运营中心常务副总经理邓超博士指导和带领，“九天”团队王星、杨可欣、王振东、朱琳和赵娟共同撰写的文章《Adaptive Hybrid Spatial-Temporal Graph Neural Network for Cellular Traffic Prediction》被IEEE Communication Society旗舰级会议International Conference on Communications (ICC) 2023主会录用，该工作是中国移动研究院“九天”团队在网络智能化领域的最新成果。
场景难点剖析
移动通信网络中，准确的蜂窝流量预测对于网络设备扩容规划、流量调度、资源成本节约等具有重要意义。但是蜂窝流量数据通常呈现出非线性时序相关性，且频繁的用户移动行为和复杂的网络调度机制带来了蜂窝网络中网元之间复杂的空间相关性（如图1所示），导致难以实现对蜂窝流量趋势精准建模。同时，由于蜂窝基站所处地理位置、周围环境等不同，蜂窝网络流量数据呈现出异质性。这些因素给准确的蜂窝流量预测技术提出了较大的挑战。
图1 某区域蜂窝网络基站分布与用户移动示意图
模型架构与创新点
针对上述问题，中国移动“九天”团队开展针对性研究，创新性地提出了一种自适应混合时空图网络Adaptive Hybrid Spatial-Temporal Graph Neural Network (AHSTGNN) 的多步流量预测模型，有效实现对蜂窝流量精准时空建模预测。该模型结构如图2所示，主要包含自适应混合图学习模块Adaptive Hybrid Graph Learning Module (AHGLM)、时间卷积模块Temporal Convolution Module (TCM)和时空自适应模块Spatial-Temporal Adaptive Module (STAM)，分别应用于捕获蜂窝流量中复杂空间相关性、时间相关性和实现网元异质性建模。
图2 AHSTGNN时空预测框架
技术亮点1
自适应混合图学习包含静态自适应图学习Static Adaptive Graph Learning (SAGL)和动态图学习Dynamic Graph Learning (DGL)两个模块。其中，SAL通过图卷积神经网络Graph Neural Networks (GCN)捕获网元间相对稳定的长期空间相关性。DGL利用图注意力网络Graph Attention Networks (GAT)捕获网元间短期、动态的空间相关性。然后，通过空间门控融合Spatial Gate Fusion机制进行融合，准确建模网元间的空间依赖。
技术亮点2
时间卷积模块引入多周期历史蜂窝流量序列并使用时间卷积网络（Temporal Convolutional Networks（TCN）捕获流量的周期性和非线性时序特征。通过时间卷积模块和自适应混合图学习模块分别捕获时间和空间维度特征后，再通过时空自适应模块利用注意力机制自适应建模不同网元各自的时空特性，实现对网元异质性建模。
评估结果与应用
AHSTGNN模型在江苏省现网蜂窝流量数据集和Milan公开数据集上进行了测试，实验结果如图3和图4所示：
图3 在现网蜂窝流量数据集和Milan公开数据集上的平均实验效果
图4 在现网蜂窝流量数据集和Milan公开数据集上的多步预测实验效果
实验结果表明AHSTGNN模型达到了最优效果SOTA，其中MAE降低3.3%，RMSE降低了2.9%。目前，该成果已集成至中国移动九天网络智能化平台，供中国移动省公司集中共享调用。未来将针对现网应用场景，进一步优化适配支撑网络智能化领域多项时空预测应用。
作者 | 九天基础算法团队
版权声明：本文内容转自互联网，本文观点仅代表作者本人。本站仅提供信息存储空间服务，所有权归原作者所有。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至1393616908@qq.com 举报，一经查实，本站将立刻删除。
