基于注意力机制的联邦无线流量预测模型

作     者：柴宝宝 董安明 王桂娟 韩玉冰 李浩 禹继国 CHAI Bao-Bao;DONG An-Ming;WANG Gui-Juan;HAN Yu-Bing;LI Hao;YU Ji-Guo

作者机构：山东科技大学计算机科学与工程学院山东青岛266590 齐鲁工业大学(山东省科学院)山东济南250353 中国石油大学(华东)计算机科学与技术学院山东青岛266580 

基　　金：国家自然科学基金(62272256,62202250,61832012) 山东省自然科学基金基础研究重大基础研究项目(ZR2022ZD03) 山东省自然科学基金(ZR2021QF079,ZR2023MF040) 齐鲁工业大学(山东省科学院)科教融合创新试点项目(2022XD001) 齐鲁工业大学(山东省科学院)培优基金(2023PY059) 济南“新高校20条”资助项目(20228093) 

出 版 物：《软件学报》 (Journal of Software)

年 卷 期：2025年第36卷第2期

页      码：715-731页

摘      要：移动数据每天都在不断增长,如何精准预测无线流量对高效、合理的配置通信和网络资源至关重要.现有的流量预测方法多采用集中式训练架构,涉及大规模的流量数据传输,会导致用户隐私泄露等安全问题.联邦学习可以在数据本地存储的前提下训练一个全局模型,保护用户隐私,有效减轻数据频繁传输负担.但是在无线流量预测中,单个基站数据量有限,且不同基站流量数据模式异构,流量模式难以捕捉,导致训练得到的全局模型泛化能力较差.此外,传统联邦学习方法在进行模型聚合时采用简单平均,忽略了客体贡献差异,进一步导致全局模型性能下降.针对上述问题,提出一种基于注意力的“类内平均,类间注意力”联邦无线流量预测模型,该模型根据基站的流量数据进行聚类,更好地捕捉具有相似流量模式基站的流量变化特性;同时,设计一个预热模型,利用少量基站数据缓解数据异构,提高全局模型的泛化能力;在模型聚合阶段引入注意力机制,量化不同客体对全局模型的贡献,并在模型迭代过程中融入预热模型,大幅提升模型的预测精度.在两个真实数据集(Milano和Trento)上进行大量实验,结果表明该方法优于所有基线方法.并且与目前最先进的方法相比,在两个数据集上的平均绝对误差性能增益最高分别达到10.1%和9.6%.

主 题 词：无线流量预测 联邦学习 聚类 注意力机制 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 08[工学] 081201[081201] 0812[工学-测绘类] 

核心收录：

D　O　I：10.13328/j.cnki.jos.007153

馆 藏 号：203156809...