隨著5G技術的迅猛發展與廣泛普及，基站業務量的精準預測愈發關鍵。在多基站的場景中，預測工作不僅依賴于各基站自身的歷史業務量信息，還需充分考量基站間的空間聯系及其對預測結果的作用。本文聚焦于多基站情境下的業務量預測問題，探討時間維度和空間維度如何影響基站業務量的預測成效，以期為相關研究與實踐提供有益的參考和借鑒。

基站業務量預測概述

5G基站業務量預測方法成為了一種重要的技術手段，旨在提前感知流量的變化趨勢，從而幫助基站進行資源的合理分配和調整，以滿足用戶的需求。然而多基站業務量預測屬于復雜的時間序列預測任務。時間域方面，傳統的數理統計和機器學習模型，在提取業務量數據特征的能力有限。近年來，深度學習模型因為擅長處理非線性數據，所以被開發應用于時間序列任務中。但卷積神經網絡（CNN）卷積層的局部感知能力需要在模型中設置多層卷積和池化操作，通常難以捕捉長期依賴關系。循環神經網絡（RNN）類的模型存在梯度爆炸和無法在硬件顯卡中并行訓練的問題。此外，在空間域方面，5G基站的業務量數據表現出明顯的區域性特征。

圖1 不同地區5G基站業務量的走勢圖

如圖 1 所示，我們獲取了來自高鐵站、住宅區、高校等多個區域的真實 5G 基站業務量數據，并繪制出相應的業務量走勢圖。經分析發現，某高速路段的 5G 基站業務量呈現出顯著的潮汐特性，其波峰與波谷的數值差異頗為顯著。與之相對，某小區的 5G 基站業務量走勢較為平穩緩和，并且在趨勢上與高速基站的業務量走勢表現出一定的趨同性。另外，公園區域的 5G 基站業務量數據中，波峰和波谷的出現時間相對更早。基于以上的分析，我們利用基站之間在空間上的相關性，進一步提高模型的預測精度。

GCformer時空預測模型

我們描述如何使用GCFormer模型來對5G基站的業務量進行預測，模型由空域和時間域兩個子模塊組成，如圖2所示。空間域方面，我們根據多基站的工參和業務量數據對相關基站節點選擇，得到鄰接矩陣的空間數據。之后我們使用圖卷積神經網絡(Graph Convolutional Networks, GCN)模型提取基站網絡的空間關聯結構。時域方面我們將多基站的歷史業務量數據，通過1D-CNN模塊提取歷史數據的時間段信息，其次將得到的數據輸入到Transformer模型中。并且在Transformer的位置編碼的分，我們通過TVOM(Time Variant Optimization Module)方法加入了周期項信息，提高模型捕獲時序關系的能力。最后我們將時空兩模塊的輸出特征進行融合，得到模型的預測結果。

圖2. GCformer系統模型，包括通過1D-CNN和TVOM模塊改進的Transformer類模型和通過基站節點選擇并基于GCN模型的空間信息提取部分

圖卷積神經網絡和相關基站節點選擇

圖神經網絡(Graph Neural Networks，GNN)是一種處理圖數據的深度學習模型。與CNN, RNN等傳統的深度學習模型不同，它能夠處理非歐幾里德空間的數據，對節點和邊進行信息傳遞和學習，從而對整個圖進行綜合建模和分析。

圖卷積神經網絡(GCN)是 GNN 中的一種。相比于傳統的 GNN，GCN 利用圖形結構的信息，在節點卷積操作中使用鄰接矩陣和度矩陣進行特征聚合，從而提取節點的高層次特征表示，反映出基站間復雜的網絡拓撲結構，進一步準確地捕捉空間相關性。具體來說GCN 的核心就是在圖形數據上定義卷積層。與傳統的卷積神經網絡不同，GCN 中的卷積層旨在利用圖形結構，從相鄰節點的信息中汲取有效的特征，而關系越親近的鄰居對當前節點的影響就越大。

在構建5G基站的鄰接矩陣時，選擇合適的基站節點是至關重要的，這不僅影響數據的準確性，還關系到網絡優化的效果。基于此，我們運用三種方法來構建鄰接矩陣：一是歐式距離法，即通過計算兩基站間的直線距離衡量其物理接近程度，此為評估地理位置相近基站關系的基本方法；二是區域類型法，鑒于基站所處區域類型（如商業區、學校區、住宅區等）會對其業務量特性產生重要影響，故而依據區域類型將功能或位置相似的基站分組，以此明晰基站間的異同；三是業務量相似性法，借助余弦相似度、聚類等手段對基站間業務量數據展開分析，基于數據驅動從多維度揭示基站在業務量上的相似或差異情況，助力基站網絡的理解與分析。

時間域模型和時變優化模塊

Transformer模型是一種應用于序列建模的神經網絡模型，因為其內部的Self-Attention機制以及Positional Encoding方法，使得該模型在文本摘要、語言翻譯等自然語言處理任務中取得了優異的成績。近年來，Transformer模型也被廣泛應用其他領域的序列建模和預測任務。而5G基站業務量預測是一個時間序列預測任務，其中每個時間窗口都對應著基站的一段實際業務量。因此，Transformer 模型可以被用來對5G基站的業務量進行建模和預測，為相關的業務決策提供參考和依據。

圖3 Self-Attention and Multi-head attention

此外，傳統的Transformer模型根據輸入數據位置的不同，通過Positional Encoding的方法增加輸入數據之間的順序關系。但是這種絕對位置編碼的方法，在處理5G基站業務量數據時，缺乏可靠且針對性的時間序列的分析。因此，我們提出Time Variant Optimization Module(TVOM)增加Transformer模型中的時序信息。TVOM通過計算數據中的相關性，來提取5G基站小區的業務量數據的周期項信息，并將周期數據加入到Positional Encoding部分。

具體來說，我們利用Prophet模型分析5G基站用戶數業務量數據，提取出具體的周期性信息。隨后我們通過最小二乘法進行曲線擬合，該方法將設計的曲線數據和實際數據的誤差作為目標函數，對擬合的曲線進行優化。通過最小化誤差的平方值，來獲得最優的多項式的系數，進而構造出周期項對應的的函數表達式。在訓練模型的過程中，將小區ID作為匹配標簽，根據輸入數據的起始時刻對應替換周期項函數。從而彌補原始的Positional Encoding方法無法在時間序列數據中表示不足的問題。

總結

在這項研究中，我們根據5G基站業務量數據的時空特性，提出了一個深度學習架構GCformer。為了有效地描述多個基站之間空間相關性的關系，我們選取了基站距離、區域類型、數據相似度建立綜合信息的鄰接矩陣，并使用GCN模塊提取其空間關系。此外GCformer的時間域模塊繼承了Transformer模型，使用Self-Attention方法提取業務量數據之間的關系，并且通過1D-CNN和TVOM模塊進一步提升捕獲數據中的時序信息。