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！

申请/专利权人：黑龙江科技大学

摘要：本发明公开了一种基于时空特征的内容流行度预测方法，所述方法包括如下步骤：步骤一、系统模型构建；步骤二、基于综合权重的图结构构建；步骤三、基于STTNS的内容流行度预测。本发明考虑到内容请求所呈现的时空相关性，综合考虑各个节点间的空间距离和相关性，提出了基于综合权重的方法构建图结构，以学习具有结构感知的节点特征；考虑到历史内容请求的时空相关性，提出了一种基于STTNS的内容流行度预测模型，利用时空特征提取层在动态依赖性的上下文中联合提取时空特征，有效地提高内容流行度预测的准确性。本发明减轻了车联网中车辆数据大幅增长造成的中心服务器的负载压力，提高了缓存效率。

主权项：1.一种基于时空特征的内容流行度预测方法，其特征在于所述方法包括如下步骤：步骤一、系统模型构建在车联网通信场景中，存在多个RSU，将RSU视为内容提供者，车辆视为内容请求者，车辆直接向RSU发送内容请求信息，将预测车辆内容请求信息表示为时空预测问题，预测N个RSU在时间步τ的车辆请求内容；交通网格表示为图G＝V,E,A，其中V代表RSU的N个节点的集合，E是反映RSU之间物理连通性的边的集合，A∈RN×N是用RSU之间的权重综合邻接矩阵，通过观测RSU接收到的M个历史时间步的车辆请求内容状况[pτ-M+1,...,pτ]，预测T个未来车辆内容状况其中p代表车辆请求的内容；步骤二、基于综合权重的图结构构建将欧几里得距离权重与斯皮尔曼相关系数相乘，利用斯皮尔曼相关性对欧几里得距离权重进行调整： 式中，为欧几里得距离权重矩阵，为斯皮尔曼相关性矩阵，两矩阵逐个元素相乘即得到欧几里得距离-斯皮尔曼综合权重矩阵将该矩阵作为邻接矩阵构建图结构；步骤三、基于STTNS的内容流行度预测步骤三一、STTNS模型构建STTNS模型包括时空特征提取层和预测层，其中：所述时空特征提取层包含空间Transformer模块和时间Transformer模块，在动态依赖性的上下文中联合提取时空特征；所述空间Transformer模块由位置嵌入层、动态图卷积注意力模块、固定图卷积层和特征融合的门机制组成；所述时间Transformer模块由位置嵌入层、动态图卷积注意力模块和特征融合的门机制组成；所述预测层利用两个1×1卷积层聚合时空特征提取层提取的时空特征进行车辆内容请求的预测；步骤三二、空间特征提取1利用图邻接矩阵进行初始化作为空间位置矩阵沿时间轴进行维度扩展得到Ds∈RM×N×N，one-hot时间编码进行初始化作为时间位置矩阵沿空间轴方向进行维度扩展得到DT∈RM×N×M，在空间特征中获得具有固定维度数dG的嵌入特征；2将X'S分别输入到固定图卷积注意力模块和动态图卷积注意力模块进行空间特征学习，通过图卷积的张量运算在M个历史时间步并行实现，将任意一个时间步的二维张量视为3将每个时间步的嵌入特征通过前馈神经网络映射到高维潜在子空间中，对于每一个单头的自注意力机制模型，节点中的潜在子空间分为查询子空间、键子空间和值子空间： 式中，分别是QS、KS和VS的权重矩阵，利用QS和KS的点积计算得到相关性数值，即捕捉到空间的动态依赖性SS∈RN×N： 利用SS更新节点特征：MS＝SSVS；在每个节点上应用非线性激活的共享前馈神经网络，以改进学习节点特征MS的预测效果： 式中，W1S和是三个不同的权重矩阵，为了防止网络退化加入的一个残差连接将US和M'S组合得到用于与门机制的特征融合： 4将和固定图卷积层得到的特征XG通过线性投影fS和fG转化为一维向量，通过sigmoid激活函数得到门g： 利用门机制对和XG进行加权求，并与学习到的空间特征进行融合： 空间Transformer模块的输出收集了M个时间步长的并送入随后的时间Transformer模块；步骤三三、时间特征提取1通过输入特征XT＝XS+YS和时间嵌入DT的连接来获得具有维度数为dG的为了建立时间依赖性模型，将G中任意一个节点的信息视为二维张量2时间Transformer模块的输入是具有长度为M的滑动窗口和dG通道的时间序列在高维潜在子空间中动态计算时间依赖性，同样包括查询子空间、键子空间和值子空间： 式中，和是学习到的线性映射，利用QT和KT的点积计算动态依赖性ST∈RN×N： 进一步将VT值与时间特征MT的权重ST聚合：MT＝STVT；为了探索潜在特征之间的相互作用，为MT设计了一个共享的三层前馈神经网络： 采用残差连接进行稳定训练，对于每个节点，其输出为YT＝UT+M'T，通过收集所有节点的得到输出对时间特征进行提取后，若所在层为最后一个时空特征提取层，则将XST＝XT+YT输入预测层，否则将XS＝XT+YT输入到下一个时空特征提取层；步骤三四、内容流行度预测预测层利用两个1×1卷积层，根据最后一个时空特征提取层的时空特征进行多步预测，它的输入是一个二维张量由上一个时间步长τ的N个节点的dST维时空特征组成，对N个节点的T个未来车辆内容请求的多步骤预测为：Y＝ConvConvXST。

全文数据：

权利要求：

百度查询： 黑龙江科技大学 基于时空特征的内容流行度预测方法