24、Circle Attention: 基于相交圆学习可解释空间关系的网络流量预测

Circle Attention: 基于相交圆学习可解释空间关系的网络流量预测

1. 引言

准确预测移动流量对于有效的网络管理、资源分配和优化能源消耗至关重要。然而，由于涉及复杂的时空相关性，实现精确的流量预测是一项具有挑战性的任务。电信网络旨在同时处理大量用户，为满足需求，会通过建设更多无线电塔或升级现有塔来提供额外容量。但由于流量负载波动，为这些塔维持持续供电效率低下。因此，精确预测未来流量可以显著降低成本并提高能源效率。

电信塔通常有指向三个不同地理方向的天线，这些方向被称为扇区。每个扇区有多个对应不同频率和通信技术（如 2G、3G、4G）的小区，可分为覆盖层和容量层。覆盖层的小区必须始终保持通电以满足关键基础设施要求，而容量层的小区在低需求期间可以关闭以节省能源，但在高需求期间关闭可能导致客户服务中断。因此，准确预测流量可以让电信运营商在低需求期间关闭容量层的小区，而捕获塔之间的空间关系对于提前了解一个塔的节能措施如何影响相邻塔至关重要。

此前有许多尝试同时建模多个无线电塔之间复杂的空间和时间相互依赖关系，深度学习方法主要采用循环神经网络（RNN）建模时间关系，卷积神经网络（CNN）或图卷积网络（GCN）捕获空间关系，但这些技术都依赖于手动构建图。我们提出了一种名为 Circle Attention 的方法，作为神经网络训练过程的一部分，自动端到端地建模塔扇区之间的空间关系。

Circle Attention 方法具有以下优点：
- 通过几何设计，专家可以通过在地图上绘制学习到的圆来验证建模效果的合理性。
- 从物理角度看，圆形影响区域具有一定的合理性，在足够强的学习信号下，可能推断出世界的真实物理属性。
- 两个圆的相交