本發(fā)明涉及無(wú)線通信鏈路質(zhì)量置信區(qū)間預(yù)測(cè)，特別是一種基于transformer和多頭圖注意力網(wǎng)絡(luò)的無(wú)線通信鏈路質(zhì)量置信區(qū)間預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、在無(wú)線通信系統(tǒng)中，鏈路質(zhì)量評(píng)估與預(yù)測(cè)對(duì)保障網(wǎng)絡(luò)性能和輔助高層協(xié)議設(shè)計(jì)極為關(guān)鍵。傳統(tǒng)方法如基于物理層參數(shù)的硬度量和基于分組接收統(tǒng)計(jì)的軟度量存在諸多缺陷。硬度量測(cè)量局限、易受干擾，軟度量對(duì)短期鏈路變化不敏感?；诮y(tǒng)計(jì)學(xué)和曲線擬合構(gòu)建映射關(guān)系的方法依賴大量數(shù)據(jù)和固定時(shí)間窗，難以適應(yīng)鏈路時(shí)變特性，鏈路突發(fā)性特征更使其局限性凸顯。

2、同時(shí)，無(wú)線鏈路自身特性復(fù)雜?？臻g上存在連通、過(guò)渡和非連通區(qū)域，過(guò)渡區(qū)域波動(dòng)大且不同設(shè)備場(chǎng)景下中間鏈路判別差異大；時(shí)間上中間鏈路具有突發(fā)性，傳統(tǒng)方法難以應(yīng)對(duì)其快速變化。這些都要求能精確捕捉鏈路時(shí)空變化，綜合權(quán)衡準(zhǔn)確性、速度、穩(wěn)定性等多因素并靈活適應(yīng)不同場(chǎng)景，但現(xiàn)有方法均難以滿足，迫切需要新的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種基于transformer和多頭圖注意力網(wǎng)絡(luò)的無(wú)線通信鏈路質(zhì)量置信區(qū)間預(yù)測(cè)方法，該方法結(jié)合小波分解、圖注意力網(wǎng)絡(luò)和transformer模型，有效提取鏈路質(zhì)量數(shù)據(jù)的時(shí)空特征，為無(wú)線通信鏈路質(zhì)量置信區(qū)間的預(yù)測(cè)提供更為準(zhǔn)確的依據(jù)。

2、為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

3、本發(fā)明提供的基于transformer和多頭圖注意力網(wǎng)絡(luò)的無(wú)線通信鏈路質(zhì)量置信區(qū)間預(yù)測(cè)方法，包括以下步驟：

4、s1，構(gòu)建無(wú)線通信鏈路的歸一化質(zhì)量評(píng)估數(shù)據(jù)矩陣序列和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的鄰接矩陣；

5、s2，采用小波分解將歸一化質(zhì)量評(píng)估數(shù)據(jù)矩陣序列分解為平穩(wěn)數(shù)據(jù)矩陣序列和噪聲數(shù)據(jù)矩陣序列；

6、s3，計(jì)算噪聲數(shù)據(jù)矩陣序列的標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列；

7、s4，利用殘差結(jié)構(gòu)多頭圖注意力網(wǎng)絡(luò)捕獲具有空間特征的平穩(wěn)數(shù)據(jù)矩陣序列殘差結(jié)構(gòu)輸出和標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列殘差結(jié)構(gòu)輸出；

8、s5，將具有空間特征的平穩(wěn)數(shù)據(jù)矩陣序列殘差結(jié)構(gòu)輸出和標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列殘差結(jié)構(gòu)輸出分別輸入transformer預(yù)測(cè)下一時(shí)刻的輸出并計(jì)算無(wú)線通信鏈路質(zhì)量置信區(qū)間。

9、進(jìn)一步，所述步驟s1中，構(gòu)建無(wú)線通信鏈路的歸一化質(zhì)量評(píng)估數(shù)據(jù)矩陣序列包括以下步驟：

10、將原始數(shù)據(jù)建模為；

11、其中，矩陣表示在時(shí)間t范圍內(nèi)記錄的第k個(gè)無(wú)線通信鏈路質(zhì)量評(píng)估數(shù)據(jù)矩陣,?k表示時(shí)間t范圍內(nèi)記錄的所有數(shù)據(jù)矩陣的數(shù)量，n表示無(wú)線通信鏈路網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中節(jié)點(diǎn)總數(shù),c代表評(píng)估無(wú)線通信鏈路質(zhì)量的參數(shù)種類。

12、將所述質(zhì)量評(píng)估數(shù)據(jù)矩陣序列歸一化映射到[0,1],歸一化過(guò)程為；

13、其中，為第i種質(zhì)量評(píng)估參數(shù)下的原始數(shù)據(jù)，和分別為第i種質(zhì)量評(píng)估參數(shù)下數(shù)據(jù)中的最大值和最小值，為第i種質(zhì)量評(píng)估參數(shù)下歸一化后的數(shù)據(jù)。

14、進(jìn)一步，所述步驟s1中，構(gòu)建網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的鄰接矩陣a包括以下步驟：

15、對(duì)無(wú)線通信鏈路網(wǎng)絡(luò)中的n個(gè)節(jié)點(diǎn)從0到n-1編號(hào)；

16、創(chuàng)建全零矩陣a作為鄰接矩陣；

17、將權(quán)重信息添加到邊,令,其中表示某一節(jié)點(diǎn),表示第i個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn),表示i節(jié)點(diǎn)和j節(jié)點(diǎn)之間邊的權(quán)重值。

18、進(jìn)一步，所述步驟s2中，小波分解包含以下步驟：

19、選擇小波基函數(shù)為db系列小波；

20、確定閾值,其中，t為歸一化質(zhì)量評(píng)估數(shù)據(jù)矩陣序列的元素個(gè)數(shù)；

21、確定分解層數(shù)l=2；

22、確定閾值函數(shù)；

23、其中，b為原始序列在小波分解過(guò)程中第二層上的小波系數(shù)；

24、將歸一化質(zhì)量評(píng)估數(shù)據(jù)矩陣序列小波分解得到平穩(wěn)數(shù)據(jù)矩陣序列和噪聲數(shù)據(jù)矩陣序列；

25、其中，表示在時(shí)間t范圍內(nèi)的第k個(gè)平穩(wěn)數(shù)據(jù)矩陣,表示在時(shí)間t范圍內(nèi)的第k個(gè)噪聲數(shù)據(jù)矩陣。

26、進(jìn)一步，所述步驟s3中，計(jì)算噪聲數(shù)據(jù)矩陣序列的標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列包括以下步驟：

27、噪聲數(shù)據(jù)矩陣序列的標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列表示為：

28、；

29、其中，為標(biāo)準(zhǔn)差數(shù)據(jù)矩陣,n為節(jié)點(diǎn)總數(shù),c為質(zhì)量評(píng)估參數(shù)種類,t為時(shí)間步長(zhǎng)；

30、計(jì)算標(biāo)準(zhǔn)差，其公式為：

31、；

32、其中，，為在第k個(gè)時(shí)間步下第i個(gè)節(jié)點(diǎn)在第j種質(zhì)量評(píng)價(jià)參數(shù)下的標(biāo)準(zhǔn)差值，g為用于計(jì)算標(biāo)準(zhǔn)差窗口的長(zhǎng)度，為在m個(gè)時(shí)間步下第i個(gè)節(jié)點(diǎn)第j種質(zhì)量評(píng)價(jià)參數(shù)下噪聲數(shù)據(jù)值。

33、進(jìn)一步，所述步驟s4中，殘差結(jié)構(gòu)多頭圖注意力網(wǎng)絡(luò)捕獲具有空間特征的平穩(wěn)數(shù)據(jù)矩陣序列殘差結(jié)構(gòu)輸出和標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列殘差結(jié)構(gòu)輸出包含以下步驟：

34、將平穩(wěn)數(shù)據(jù)矩陣序列和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的鄰接矩陣a作為輸入；

35、將平穩(wěn)數(shù)據(jù)矩陣序列線性變換為，線性變換的過(guò)程為：

36、；

37、其中，表示在時(shí)間t范圍內(nèi)記錄的第k個(gè)時(shí)間步下的質(zhì)量評(píng)估數(shù)據(jù)矩陣,為變換后的特征矩陣，為線性變換矩陣；

38、利用圖注意力網(wǎng)絡(luò)的注意力機(jī)制計(jì)算節(jié)點(diǎn)間的相關(guān)性系數(shù)，相關(guān)性系數(shù)計(jì)算公式為：

39、；

40、其中，表示第k個(gè)時(shí)間步下節(jié)點(diǎn)i與其鄰居節(jié)點(diǎn)j之間的注意力系數(shù),為非線性激活函數(shù),為初始化的可學(xué)習(xí)矩陣,和分別表示第k個(gè)時(shí)間步下節(jié)點(diǎn)i與其鄰居節(jié)點(diǎn)j的特征向量；

41、將注意力系數(shù)歸一化：

42、；

43、其中，是節(jié)點(diǎn)i的鄰居節(jié)點(diǎn)集合；

44、利用多頭注意力機(jī)制得到平穩(wěn)數(shù)據(jù)空間特征矩陣序列：

45、；

46、其中，為在第k個(gè)時(shí)間步下提取的空間特征矩陣,n為節(jié)點(diǎn)總數(shù),m為某一時(shí)間步下單個(gè)節(jié)點(diǎn)的空間特征維數(shù)。

47、將標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的鄰接矩陣a作為輸入；

48、采用同平穩(wěn)數(shù)據(jù)矩陣序列步驟得到標(biāo)準(zhǔn)差數(shù)據(jù)空間特征矩陣序列：

49、；

50、進(jìn)一步，利用多頭注意力機(jī)制得到平穩(wěn)數(shù)據(jù)空間特征矩陣序列，具體包括以下步驟：

51、對(duì)鄰居節(jié)點(diǎn)的特征加權(quán)求和得到單頭輸出：

52、

53、其中，是非線性激活函數(shù)，為歸一化后的注意力系數(shù)；

54、將多頭注意力輸出拼接，拼接過(guò)程為：

55、；

56、其中，表示第i個(gè)節(jié)點(diǎn)的第p個(gè)注意力頭的輸出特征,表示鄰居節(jié)點(diǎn)j的第p個(gè)注意力頭的輸出特征,表示在第k個(gè)時(shí)間步下第i個(gè)節(jié)點(diǎn)的特征向量,用于將拼接后的特征維度調(diào)整到目標(biāo)維度；

57、進(jìn)一步，所述步驟s4中，所述殘差結(jié)構(gòu)的設(shè)計(jì)步驟為：

58、將所述多頭圖注意力網(wǎng)絡(luò)提取的平穩(wěn)數(shù)據(jù)空間特征矩陣序列和標(biāo)準(zhǔn)差數(shù)據(jù)空間特征矩陣序列進(jìn)行批歸一化，其計(jì)算公式為：

59、；

60、；

61、其中和分別為批歸一化的平穩(wěn)數(shù)據(jù)空間特征矩陣序列和標(biāo)準(zhǔn)差數(shù)據(jù)空間特征矩陣序列；

62、將批歸一化的平穩(wěn)數(shù)據(jù)空間特征矩陣序列和標(biāo)準(zhǔn)差數(shù)據(jù)空間特征矩陣序列分別與上一層輸入殘差連接，其中第一層殘差連接的過(guò)程為：

63、；

64、；

65、其中為平穩(wěn)數(shù)據(jù)矩陣序列的殘差結(jié)構(gòu)輸出，為和標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列的殘差結(jié)構(gòu)輸出；

66、將和再輸入一個(gè)上述殘差結(jié)構(gòu)得到最終的平穩(wěn)數(shù)據(jù)矩陣序列的殘差結(jié)構(gòu)輸出和

67、?標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列的殘差結(jié)構(gòu)輸出;

68、進(jìn)一步，所述步驟s5，將具有空間特征的平穩(wěn)數(shù)據(jù)矩陣序列殘差結(jié)構(gòu)輸出和標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列殘差結(jié)構(gòu)輸出分別輸入transformer預(yù)測(cè)下一時(shí)刻的輸出并整合得到無(wú)線通信鏈路質(zhì)量置信區(qū)間包括以下步驟：

69、將平穩(wěn)數(shù)據(jù)矩陣序列的殘差結(jié)構(gòu)輸出和

70、?標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列的殘差結(jié)構(gòu)輸出按時(shí)間步展開(kāi)；

71、其中表示第k個(gè)時(shí)間步的標(biāo)準(zhǔn)差空間特征矩陣，n為節(jié)點(diǎn)總數(shù)，c為質(zhì)量評(píng)估參數(shù)種類；

72、對(duì)每個(gè)時(shí)間步的矩陣和分別添加動(dòng)態(tài)位置編碼，公式為：

73、

74、

75、其中和為基于時(shí)間步k生成的節(jié)點(diǎn)級(jí)位置編碼矩陣，用于保留時(shí)序與空間關(guān)聯(lián)性；

76、將位置編碼后的矩陣序列和分別輸入transformer編碼器，通過(guò)自注意力機(jī)制捕獲跨時(shí)間步之間的時(shí)間依賴關(guān)系，輸出預(yù)測(cè)的下一時(shí)刻平穩(wěn)數(shù)據(jù)特征矩陣和標(biāo)準(zhǔn)差特征矩陣；

77、對(duì)和進(jìn)行節(jié)點(diǎn)級(jí)反歸一化，恢復(fù)為原始數(shù)據(jù)尺度，公式為：

78、

79、

80、其中、和、分別為第i個(gè)節(jié)點(diǎn)的原始數(shù)據(jù)與標(biāo)準(zhǔn)差極值；

81、計(jì)算節(jié)點(diǎn)級(jí)反歸一化后的和得到c種質(zhì)量評(píng)估參數(shù)的無(wú)線通信鏈路質(zhì)量置信下限矩陣和置信上限矩陣；

82、其中，是標(biāo)準(zhǔn)正態(tài)分布的分位數(shù)，表示顯著性水平；

83、加權(quán)平均不同質(zhì)量評(píng)估參數(shù)種類下預(yù)測(cè)的置信水平得到包含所有節(jié)點(diǎn)的可靠性置信區(qū)間矩陣；

84、其中為不同質(zhì)量評(píng)估參數(shù)種類的權(quán)重矩陣，滿足，c為質(zhì)量評(píng)估參數(shù)種類；

85、本發(fā)明提供的基于transformer和圖注意力網(wǎng)絡(luò)的無(wú)線通信鏈路質(zhì)量置信區(qū)間預(yù)測(cè)系統(tǒng)，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)上述方法。

86、本發(fā)明的有益效果在于：

87、本發(fā)明提供的基于transformer和多頭圖注意力網(wǎng)絡(luò)的無(wú)線通信鏈路質(zhì)量置信區(qū)間預(yù)測(cè)方法，本發(fā)明涉及無(wú)線通信鏈路質(zhì)量置信區(qū)間預(yù)測(cè)領(lǐng)域，包括構(gòu)建無(wú)線通信鏈路的歸一化質(zhì)量評(píng)估數(shù)據(jù)矩陣序列和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的鄰接矩陣；采用小波分解將歸一化質(zhì)量評(píng)估數(shù)據(jù)矩陣序列分解為平穩(wěn)數(shù)據(jù)矩陣序列和噪聲數(shù)據(jù)矩陣序列；計(jì)算噪聲數(shù)據(jù)矩陣序列的標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列；利用殘差結(jié)構(gòu)多頭圖注意力網(wǎng)絡(luò)捕獲具有空間特征的平穩(wěn)數(shù)據(jù)矩陣序列殘差結(jié)構(gòu)輸出和標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列殘差結(jié)構(gòu)輸出；將具有空間特征的平穩(wěn)數(shù)據(jù)矩陣序列殘差結(jié)構(gòu)輸出和標(biāo)準(zhǔn)差數(shù)據(jù)矩陣序列殘差結(jié)構(gòu)輸出分別輸入transformer預(yù)測(cè)下一時(shí)刻的輸出并計(jì)算無(wú)線通信鏈路質(zhì)量置信區(qū)間。本發(fā)明該方法結(jié)合小波分解、殘差結(jié)構(gòu)多頭圖注意力網(wǎng)絡(luò)和transformer模型，有效提取鏈路質(zhì)量數(shù)據(jù)的時(shí)空特征，為無(wú)線通信鏈路質(zhì)量置信區(qū)間的預(yù)測(cè)提供更為準(zhǔn)確的依據(jù)。

88、本方法中無(wú)線通信鏈路質(zhì)量評(píng)估數(shù)據(jù)為多變量時(shí)間序列，將其建模為矩陣序列，可同時(shí)預(yù)測(cè)各個(gè)節(jié)點(diǎn)的信噪比、信號(hào)強(qiáng)度以及分組接收和重傳等鏈路質(zhì)量評(píng)估參數(shù)，單一參數(shù)的置信區(qū)間易受噪聲以及異常值的影響，而結(jié)合多種參數(shù)可以減少這些因素的影響，使最終得到的可靠性置信區(qū)間更加穩(wěn)健。

89、本方法利用小波分解預(yù)處理機(jī)制將無(wú)線通信鏈路質(zhì)量評(píng)估數(shù)據(jù)矩陣序列分解成平穩(wěn)矩陣序列和非平穩(wěn)矩陣序列，有利于快速識(shí)別和預(yù)測(cè)中間鏈路質(zhì)量的短期變化，有效的捕捉了鏈路的突發(fā)性特征，這種分解方式同時(shí)能夠降低數(shù)據(jù)復(fù)雜度，讓后續(xù)模型更專注于不同特性的數(shù)據(jù)，提升模型處理復(fù)雜數(shù)據(jù)的能力。

90、本方法采用多頭圖注意力網(wǎng)絡(luò)，多頭注意力機(jī)制可同時(shí)關(guān)注節(jié)點(diǎn)的不同特征子空間，能從多角度捕捉節(jié)點(diǎn)間的復(fù)雜關(guān)系。在無(wú)線通信鏈路質(zhì)量預(yù)測(cè)場(chǎng)景中，不同的注意力頭可分別聚焦于接收信號(hào)強(qiáng)度、信噪比、分組接收和重傳等不同的鏈路質(zhì)量評(píng)估參數(shù)，從而全面挖掘節(jié)點(diǎn)間的空間相關(guān)性。相比單頭注意力，多頭注意力提供的信息更豐富，有助于模型更細(xì)致地刻畫(huà)節(jié)點(diǎn)關(guān)系。

91、本方法對(duì)無(wú)線通信鏈路數(shù)據(jù)序列和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行建模，先通過(guò)圖注意力網(wǎng)絡(luò)殘差結(jié)構(gòu)提取空間特征，綜合考慮了地理位置相近節(jié)點(diǎn)間的空間相關(guān)性以及序列之間的時(shí)間特征，能夠適用于分流傳輸?shù)膱?chǎng)景，為無(wú)線通信鏈路質(zhì)量評(píng)估與預(yù)測(cè)提供了更具細(xì)粒度和靈活性的選擇。再將結(jié)果輸入transformer，可自適應(yīng)捕捉鏈路質(zhì)量數(shù)據(jù)的長(zhǎng)距時(shí)間依賴，挖掘復(fù)雜時(shí)間關(guān)聯(lián)，二者結(jié)合，能全面捕捉無(wú)線通信鏈路質(zhì)量數(shù)據(jù)的時(shí)空特征。

92、本方法綜合小波分解、transformer和多頭圖注意力網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)對(duì)無(wú)線通信鏈路質(zhì)量置信區(qū)間的預(yù)測(cè)為網(wǎng)絡(luò)管理者提供了關(guān)于預(yù)測(cè)可靠性的關(guān)鍵信息，有助于其制定更為科學(xué)合理的決策。

93、本發(fā)明的其他優(yōu)點(diǎn)、目標(biāo)和特征在某種程度上將在隨后的說(shuō)明書(shū)中進(jìn)行闡述，并且在某種程度上，基于對(duì)下文的考察研究對(duì)本領(lǐng)域技術(shù)人員而言將是顯而易見(jiàn)的，或者可以從本發(fā)明的實(shí)踐中得到教導(dǎo)。本發(fā)明的目標(biāo)和其他優(yōu)點(diǎn)可以通過(guò)下面的說(shuō)明書(shū)來(lái)實(shí)現(xiàn)和獲得。