计算机应用

作者：林尚静, 马冀, 庄琲, 李月颖, 李子怡, 李铁, 田锦

单位：1.安全生产智能监控北京市重点实验室（北京邮电大学），北京 100876；2.金陵科技学院 网络与通信工程学院，南京 211169

关键词：联邦学习,云边协同,无线流量预测,JS散度,合作博弈

基金：国家重点研发计划项目(2019YFC1511400);北京邮电大学中央高校基本科研业务费新进教师人才项目(2021RC07);泛网无线通信教育部重点实验室开放基金资助项目(KFKT-2020102);北京邮电大学研究生创新创业资助项目(2022-YC-A086)

无线通信网络流量预测对运营商建设网络、管理基站无线资源和提升用户体验具有重要意义。然而，现有的集中式算法模型面临着复杂性和时效性问题，难以满足城市全域尺度的通信流量预测需求。因此，提出一个分布式的云边协同下的无线通信流量预测框架，以较低的复杂度和通信开销实现基于单栅格基站的流量预测。在分布式架构的基础上，提出了基于联邦学习的无线通信流量预测模型。各个栅格流量预测模型同步训练，通过中心云服务器利用JS（Jensen-Shannon）散度挑选出流量分布相似的栅格流量模型，并采用联邦平均（FedAvg）算法融合具有相似流量分布的栅格流量模型的参数，从而在提高模型泛化性的同时达到保持对本地流量精准刻画的目的。此外，由于城市范围内不同地区流量具有高度差异化的特征，在FedAvg的基础上，提出了基于合作博弈的联邦训练方法，将栅格作为合作博弈的参与者，结合超可加性准则筛选栅格，并引入合作博弈的核和夏普利值分配收益以确保联盟的稳定性，提高模型预测的准确性。实验结果表明，以短消息业务（SMS）流量为例，与栅格独立式训练相比，所提模型的预测误差下降在郊区最为明显，下降范围在26.1%~28.7%，在市区下降范围在0.7%~3.4%，在市中心下降范围在0.8%~4.7%；与栅格集中式训练相比，3个区域的模型预测误差下降范围在49.8%~79.1%。

来源：2023年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第6期