买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉云南大学申请的专利融合时空信息和流量特征的基站调控方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119835748B 。

龙图腾网通过国家知识产权局官网在2025-06-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510312835.9，技术领域涉及：G06F17/40；该发明授权融合时空信息和流量特征的基站调控方法是由涂杰;段亮;岳昆;孙磊;陈国伟;李涛;何璐璐设计研发完成，并于2025-03-17向国家知识产权局提交的专利申请。

本融合时空信息和流量特征的基站调控方法在说明书摘要公布了：本申请涉及通信技术领域，尤其涉及一种融合时空信息和流量特征的基站调控方法。通过融合基站网络的时空特征进行基站流量预测，然后根据流量预测结果制定区域化的基站节能策略。具体包括对大规模基站网络的区域划分；使用编码树提取基站网络层次结构特征，基于注意力机制提取基站网络流量关联特征；通过特征融合生成具有时空特征的表示，采用多个不同膨胀因子的时域卷积网络捕获基站流量的时序特征并预测未来基站流量的变化，最后根据流量预测结果制定区域化的基站节能策略。旨在解决如何降低基站能耗的问题。

本发明授权融合时空信息和流量特征的基站调控方法在权利要求书中公布了：1.一种融合时空信息和流量特征的基站调控方法，其特征在于，所述方法包括以下步骤：S10，将原基站网络划分为多个区域基站网络，并构建每一所述区域基站网络的图表示，并通过定义区域间的连接关系，构建一个以区域为节点的图表示；所述S10中，构建每一所述区域基站网络的图表示具体包括：S14，将基站作为图节点，所述区域基站网络中基站间的连接关系作为边，用表示基站网络，其中，表示该基站网络中的基站集合，表示所包含的基站数量，表示基站间的连接关系，若基站和之间存在连接关系，则矩阵的第行第列元素值为1，即，否则；S15，依次为步骤S14得到的个区域基站网络构建各自的图表示，得到，其中，表示中包含的基站数量，N表示个区域的基站数量之和；S16，若两个不同区域的基站在原始基站网络中存在连接关系，则将这两个区域进行连接，构成网状结构，作为区域关联网络，所述区域关联网络记为，其中，为所有区域的集合，表示区域间的连接关系，的第行第列元素值表示编号为和的区域基站网络之间所有跨区域连接的基站对的数量；所述步骤S16之后，还包括：S17，设基站属性特征表示为，则的属性特征矩阵表示为，其中表示基站属性特征长度，将每个区域基站网络的特征矩阵通过全连接层进行特征变换得到的特征矩阵，基站记录的连续且等间隔的个时刻的流量构成了流量序列，在每个时刻对区域内所有基站的流量求和得到该区域的整体流量序列，将所有区域的流量序列拼接得到区域关联网络的流量特征矩阵；S20，基于编码树提取所述区域基站网络的层次结构特征，将流量特征进行奇异值分解，并添加可学习参数以构造基站间的有向权重矩阵，将所述有向权重矩阵更新为注意力矩阵后，基于所述注意力矩阵捕捉基站网络流量关联特征；所述S20中，基于编码树提取所述区域基站网络的层次结构特征的步骤具体包括：S21，将一个区域基站网络中的基站依次初始化为个独立的基站划分，表示的基站数量，基站网络初始化后的基站划分为，其中表示的子划分，表示编号为的区域基站网络图表示；S22，遍历所有基站划分，若基站划分和满足值最大且为正，则将和合并，得到新的基站划分，其中，为划分合并后的编码树，表示基站划分和在当前基站网络图表示上合并前的结构熵，表示合并后的结构熵；S23，遍历所有基站划分，若基站划分和满足值最大且为正，则将和联合，创建一个新的划分，将和两个划分放入，和成为的子划分，其中，编码树的高度不超过3；S24，重复步骤S22和S23，直到不存在可合并与联合的基站，得到该区域的最终基站划分集合，其中，编码树的第0层为根节点，将基站划分集合中的所有划分作为第1层节点，若某划分中包含了子划分，则将所述子划分作为子节点继续扩展，直到基站作为叶子节点，从而得到该区域基站网络对应的最优编码树；S25，重复步骤S22-S24，构造整个区域关联网络的最优编码树，将各区域基站网络的最优编码树的根节点替换为的叶子节点，得到整个基站网络的层次结构表示，在的层与层之间通过图卷积进行信息聚合，第层的节点特征矩阵通过所述图卷积得到层的节点特征矩阵，从开始，将编码树第6层的基站属性特征拼接得到，迭代地向上传递信息，最终得到长度为，基站网络层次结构特征表示，其中，所述图卷积的表达式如下： ；式中，表示编码树的层节点与层节点间的连接关系，为激活函数，为第层的参数矩阵；所述S20中，将流量特征进行奇异值分解，并添加可学习参数以构造基站间的有向权重矩阵，将所述有向权重矩阵更新为注意力矩阵后，基于所述注意力矩阵捕捉基站网络流量关联特征的步骤，具体包括：S26，设流量特征矩阵，利用等式对所述流量特征矩阵进行奇异值分解，得到表示基站之间空间分布的左奇异值矩阵，以及流量随时间变化的右奇异矩阵，对角线元素即为奇异值，选取前10个奇异值得到，选取前十列的得到，选取前10行得到；S27，将、和加入可学习参数和，通过函数对基站间关联权重的范围进行约束，利用函数保证基站间关联权重的非负性，从而得到可学习的有向权重矩阵： ；式中，表示各基站间的关联程度，第行表示其他基站节点对当前基站的关联程度，权重值越大则相关性越大；S28，计算任意两个基站间的基站间距，并将两者服务半径之和的5倍作为距离阈值，若所述基站间距超过设定阈值，则将其权重置为0，然后利用函数为每个行向量保留其个最大值，其余置为0，得到不依赖基站间的物理连接或通信路径的注意力矩阵，的表达式如下： ； ；式中，为分段函数，表示第行列的元素，即基站和基站的关联权重，表示和之间的距离；S29，对的属性特征向量进行聚合更新： ；式中，是特征变换矩阵，是的属性特征向量，为聚合更新后的特征向量；S210，重复步骤S26至S29，依次计算每个区域基站网络及区域关联网络的注意力矩阵，得到，...和，再依次进行基于注意力机制的特征聚合，从而得到区域基站网络的流量关联特征，以及区域关联网络的流量关联特征；步骤S30中，为基站流量序列嵌入三类自然周期标记，得到流量的时序特征表示，利用卷积操作将所述流量的时序特征表示与所述基站网络流量关联特征融合，得到融合时空信息的张量表示，采用不同膨胀因子的时域卷积网络捕捉所述张量表示中不同周期的流量变化规律，得到融合了时空特征和不同周期特征的基站流量表示，将所述基站流量表示输入至全连接层，以预测下一时刻的基站流量；所述步骤S30中，所述为基站流量序列嵌入三类自然周期标记，得到流量的时序特征表示，利用卷积操作将所述流量的时序特征表示与所述基站网络流量关联特征融合的步骤包括：S31，向所述基站流量序列嵌入日标记、周标记和月标记，得到流量的时序特征表示；S32，将所述基站网络层次结构特征表示、所述流量关联特征表示和所述进行拼接，得到拼接后的基站网络流量关联特征表示： ；S33，将与进行拼接，并通过函数进行维度扩展： ；其中，通道数为、高为1、宽为的图像，利用输入通道为、输出通道为32的1×1卷积层进行卷积操作，得到融合时空信息的张量表示： ；所述步骤S30中，采用不同膨胀因子的时域卷积网络捕捉所述张量表示中不同周期的流量变化规律，得到融合了时空特征和不同周期特征的基站流量表示，将所述基站流量表示输入至全连接层，以预测下一时刻的基站流量的步骤包括：S34，将所述融合时空信息的张量表示进行维度转换，得到，将作为基站流量时序特征提取模型的输入；S35，将基站的输入序列分别输入5个不同层级的时域卷积网络模块，通过下式进行步幅为1的卷积： ；式中，表示第层的第个时刻的流量表示，卷积核大小为，为卷积核权重；得到；S36，获取5个时域卷积网络模块输出的分别进行、、、和次卷积后得到、、、和；其中，，，，，；S37，将卷积结果按照下式相加，得到基站的流量时序特征表示： ；其中，表示膨胀因子为的模型的第层输出结果的末尾个元素；S38，将流量时序特征表示输入至全连接层以预测时刻的基站流量，计算其预测值与时刻基站真实流量的均方误差，并将所述均方误差作为损失函数通过随机梯度下降算法更新各模块的权重参数，模型训练完成后，通过自回归过程进行迭代预测，从而实现多时间步的基站流量预测；S40，以基站运行成本最小化为目标，根据预测的所述基站流量确定每个区域的基站功率调节的最佳调控策略；所述步骤S40具体包括：S41，设基站在时刻的流量为，基站能耗与流量呈正相关，通过下式表示在保证用户体验的前提下能调整到最低功率： ； ；式中，为能提供的最大功率，为基站能同时处理的最大流量，为静态能耗比例系数，是在时刻预测流量，表示时刻的开关状态，时表示关闭状态，为覆盖范围内的其他基站集合；S42，预测未来个时刻的基站流量，相邻时刻间隔为分钟，在每个时刻允许调节一次基站功率和开关状态，调节后持续运行时间，到达下一时刻可进行下一次调节，根据不同时间间隔的基站运行状态可计算未来时间段内区域中基站功率的总和，通过单位能耗成本可计算出该区域的基站运行成本： ； ；其中，表示第个内基站的功率，为时段内区域中基站的启动次数，为区域中的基站数量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人云南大学，其通讯地址为：650031 云南省昆明市翠湖北路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。