中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
指挥控制与仿真

指挥控制与仿真 >

2024 , Vol. 46 >Issue 1: 138 - 146

DOI: https://doi.org/10.3969/j.issn.1673-3819.2024.01.018

雷达/通信/导航

一种融合多源动态时空特征的战术互联网流量预测模型

  • 刘思晓 1, 2 ,
  • 周明 1, † ,
  • 郑富中 1 ,
  • 田罗庚 1 ,
  • 石永琪 1
展开
  • 1 国防科技大学信息通信学院, 湖北 武汉 430019
  • 2 陆军步兵学院, 江西 南昌 330000
† 周 明(1975—),男,博士,副教授。

刘思晓(1990—),女,硕士,研究方向为军事通信,作战模拟。

Copy editor: 李楠

收稿日期: 2023-05-11

  修回日期: 2023-06-05

  网络出版日期: 2024-02-21

收起

A tactical Internet incorporating multi-source dynamic spatio-temporal characteristics traffic prediction model

  • LIU Sixiao 1, 2 ,
  • ZHOU Ming 1 ,
  • ZHENG Fuzhong 1 ,
  • TIAN Luogeng 1 ,
  • SHI Yongqi 1
Expand
  • 1 College of Information and Communication, National University of Defense Technology, Wuhan 430019, China
  • 2 Army Infantry Academy, Nanchang 330000, China

Received date: 2023-05-11

  Revised date: 2023-06-05

  Online published: 2024-02-21

Fold

摘要

战术互联网流量具有极强的动态时空特征,且与天气、高程等外部特征紧密相关,现有的网络流量预测模型不能很好地提取其复杂特征,提出了一种融合多源动态时空特征的战术互联网流量预测模型。首先,将外部特征与流量特征融合为多源特征;然后,提取当前时刻网络流量的空间特征,并对随时间变化的卷积权重迭代更新得到不同时间片下的空间特征信息;最后,通过时间卷积聚合当前和历史时刻的空间信息以预测下一时刻的多源动态时空流量。相比单一的基础模型,该方法在平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)三种评估指标中效果均更好。

关键词： 网络流量预测; 战术互联网; 多源动态时空特征; 神经网络

本文引用格式

刘思晓 , 周明 , 郑富中 , 田罗庚 , 石永琪 . 一种融合多源动态时空特征的战术互联网流量预测模型[J]. 指挥控制与仿真, 2024 , 46(1) : 138 -146 . DOI: 10.3969/j.issn.1673-3819.2024.01.018

Abstract

Tactical Internet traffic has extremely dynamic spatio-temporal features and is closely related to external features such as weather and elevation, existing network traffic prediction models can not extract its complex features well, a tactical Internet traffic prediction model that fuses multi-source dynamic spatio-temporal features is proposed. Firstly, external features are fused with traffic features as multi-source features; then the spatial features of network traffic at the current moment are extracted and the convolution weights over time are iteratively updated to obtain the spatial feature information under different time slices; finally, the spatial information of the current and historical moments are aggregated by the temporal convolution layer to predict the multi-source dynamic spatio-temporal traffic at the next moment. Compared with the single base model, the proposed method is better in all three evaluation metrics, namely, mean absolute error (MAE), root mean square error (RMSE) and coefficient of determination (R2).

Key words： network traffic prediction; tactical Internet; multi-source dynamic spatial and temporal characteristics; neural network

流量预测是一种根据历史网络流量,通过流量预测模型提前了解其变化趋势的手段。其实质是基于历史流量的不同特征对未来流量进行预测,从而反映特定时间、条件下的网络运行状态[1]。在军事斗争中,复杂的通信环境使网络通信质量难以保证。同时,随着战术互联网的提出,早期依据指挥关系形成的树状网络结构发展至现在的“扁平公网为主,树状专网为辅”的分层分布式结构,单一的话音业务发展至数据传输为主的各类异质业务(如图像、视频等)[2]。网络流量相比从前呈现出更加复杂的特征,通信指挥员对于通信质量的好坏常常难以把握。因此,需要对战术互联网流量预测方法进行研究,提前了解未来网络流量趋势,做好流量控制,为通信指挥员有效指挥提供支持。
在早期的军事通信网络流量建模方法研究中,大多学者使用传统统计方法进行建模。叶春明[3]等人提出了面向业务的重尾分布流量建模方法;鲁云军[4]等人提出了运用指数法对部队信息量进行统计来建立背景业务流量生成模型;罗颖光[5]等人在现有战术通信网业务流量仿真方法的基础上,提出了一种基于吸引系数和泊松流模型。以上主要是对线性数据建模方法的研究,近几年,随着深度学习在非线性数据处理方面取得的成果,越来越多学者开始使用深度神经网络模型对网络流量进行预测。朱江[1]等人针对网络流量的多分形特性,提出了一种融合流量粗细粒度的预测模型;在时间序列的预测基础上,苗卫伟[6]等人提出了使用二维时间卷积与三维卷积网络组合的方法来提取无线网络流量数据的时序特征和空间相关性特征;Jiawei Zhu[7]等人考虑各种外部因素对网络流量产生的影响,如天气状况和地理环境等,提出了一种属性增强的时空图卷积网络模型;李荆[8]等人提出了一种动态图卷积神经网络模型,将动态图上的表示学习建模为时间和空间信息的聚合,对不断变化的节点和边进行信息表征。
尽管上述方法在一定程度上解决了网络流量的预测难题,但战术互联网具有极强的动态性,且与天气、高程等外部环境紧密相关,目前的方法没有很好结合战术互联网动态拓扑结构、外部影响和流量数据自身的特征进行预测,存在较大的随意性和不确定性。因此,需要建立一种结合外部相关特征的动态时空流量预测模型。

1 战术互联网流量特征分析

由于战术互联网流量数据在时间和空间上动态分布,且不同流量传输场景的特征也不相同。因此,可将网络流量看作受外部环境实时影响的动态时空序列数据。本文主要从流量数据的时间、空间及外部影响三方面特征进行具体分析。

1.1 时间特征分析

随着战术互联网分组无线业务的展开,数据通信成为网络流量的主体。这些数据主要为不同节点和不同通信业务数据的混合,产生的时间对应战场状态的变化[9]。如图1所示,敌情的出现与消失或节点状态变化等情况直接体现了流量的随机性与突发性,而坐标位置或侦察情报发送等消息的定期传输,也反映了其周期性特征,如图2所示。网络流量在时间上的突发性与周期性特征,使流量数据本身由早期的平稳时间序列短相关性逐渐呈现出非平稳时间序列的长相关和自相似性。
图1 网络流量突发性特征

Fig.1 Network traffic burst characteristics

图2 网络流量周期性特征

Fig.2 Network traffic cyclical characteristics

同时,随着战术互联网中多种通信手段增加,网络流量已成为由多个网络流相互叠加的融合,这些网络流量在时间上的任意重叠使网络流量产生混沌特性[10],而流量数据的自相似、长相关和混沌性等时间序列特征综合体现为多重分形性。这表明网络流量数据的特征是由多个维数的特征分量组合而成,不同的维数对应不同时间尺度下的流量特征。

1.2 空间特征分析

网络流量除了与时间相关外,还呈现出明显的空间相关性,在变化的拓扑结构下不同节点的网络流量会相互影响并表现出一定的依赖性[11]。如:根据指挥关系进行垂直通信时,下级向本级节点传递信息,本级向多个下级节点逐级传递信息以及本级节点之间相互传递信息等,网络流量数据都会因空间信息的改变而发生相应的变化。
图3描述了在T时刻和T+1时刻拓扑结构下流量的变化。图中圆形表示网络节点,连接两节点之间的边代表相互影响的权重,颜色越深代表权重越高。令A、B为上级节点,随着时间变化,与上级节点相连的其他下级节点连接关系发生改变,从而导致A、B节点的权重变化,整个网络结构的流量也相应改变。
图3 网络流量空间特征

Fig.3 Spatial characteristics of network traffic

由此可见,节点间采样的流量数据并不是相互独立的,它们之间存在很强的时空相关性。因此,战术互联网流量预测是一个典型的时空序列预测问题。

1.3 外部特征分析

战术互联网的有效通信往往对战场环境有很高的要求。在雨天等恶劣环境下,由于微波、超短波类只能直线传播,并且不能通过云层反射,所以在雨天信号会变差,两节点之间的地理位置高差也对视距传输造成一定影响。
图4、5分别描述了网络流量外部特征中天气与地理环境因素对流量造成的影响。图4可以看出,在晴天时的流量趋势起伏较小,而雨天则呈现出明显的差异;图5描述了不同地理位置对通信传输的影响,当高程差距过大时,流量数据则会出现明显的回落。
图4 网络流量天气特征

Fig.4 Network traffic weather characteristics

图5 网络流量地理特征

Fig.5 Geographic characteristics of network traffic

综上所述,实时变化的战场通信数据、网络拓扑结构以及战场环境等因素决定了战术互联网流量具备动态的时空特征与外部特征。因此,战术互联网流量预测的本质是多源动态时空数据预测。传统的线性数据统计方法或单一的非线性基础预测模型难以真正抓住战术互联网流量的特征,为了解决这些问题,本文提出了一种融合多源动态时空特征的战术互联网流量预测模型来提高预测结果的精确性。

2 战术互联网流量预测模型构建

战术互联网流量预测是根据历史流量和外部信息来对未来流量进行预测。战术互联网历史流量是由时间与空间相关序列数据组成,同时战场环境的天气与地理因素会对通信网络传输流量产生一定影响。因此,本文的预测任务主要是基于过去一段时间内的网络流量、拓扑结构以及外部信息来预测未来的网络流量。

2.1 数据集生成

1)网络流量数据
本文采用对战术互联网流量实时采集的方法得到流量信息数据,网络流量采集器所采集的流量信息主要包含节点间IP地址、期间流量数据以及时间戳三部分内容,表1为部分数据集信息示例。
表1 网络流量数据示例

Tab.1 Example of network traffic data

数据集参数 数据信息
Flow.ID 172.19.1.46-10.200.7.7
Flow.Duration 52422
Timestamp 20XX/X/X 11:11:17
将流量信息内容转换成流量数据集后包含N个网络节点,每个节点选取与时间特征相关的源地址流量数据作为特征值,各节点流量表示为Y∈RN,在任意时刻t∈T,网络流量数据集如式(1)所示:
Y N t= Y 11 , Y 12 , … , Y 1 N Y 21 , Y 22 , … , Y 2 N ︙       Y N 1 , Y N 2 , … , Y N N
其中N为节点的个数,Yt表示t时刻各节点的网络流量。
2)网络拓扑结构数据
按照战术互联网预先规划的N个网络节点,在动态时间变化下,可用整个通信网络的无向图Gt=(Vt,Et)来表示当前时间的网络连接关系。其中Vt( V 1 t, V 2 t,… V N t)表示节点,N为节点的数量;将连通节点间的网络链路作为一组边,用Et ( E 1 t, E 2 t… E M t)来表示,M为边的数量。在任意时刻t∈T下,网络节点的联通性由邻接矩阵At∈RN*N构成,若图中存在一条连接顶点Vi和Vj的边Eij,则Aij≠0,否则为0,如式(2)所示;网络节点的相关性由度矩阵Dt∈RN*N,Dii= ∑ j Aij构成,如式(3)所示。另外,由于战术互联网常处于机动状态,其拓扑结构会随作战进程发生改变。因此,流量数据会随着拓扑结构的变化而发生改变。
At= 0 1 1 1 0 0 0 1 1 0 0 1 1 1 1 0 1 0 0 1 1 1 1 0 1 1 1 0 1 1 0 0 0 1 1 1 0 0 0 0 0 1 1 1 0 0 1 1 0 1 1 0 0 1 0 1 1 0 0 0 0 1 1 0
Dt= 4 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 3
3)外部信息数据
① 地理属性数据
数据集数据从作战地域的地理位置信息中提取,本文将两节点之间的高差定义为地理属性特征值,由于高差随时间与网络拓扑结构的变化而发生改变。因此,将时间周期内的节点间高差数据作为地理属性数据集。在任意时刻t∈T,式(4)表示了各节点间的地理特征。
H N t= H 11 , H 12 , … , H 1 N H 21 , H 22 , … , H 2 N ︙       H N 1 , H N 2 , … , H N N
② 天气属性数据
天气属性是随着时间动态变化的,记录每个节点间在某一时间片下对应的天气特征值构成数据集。则在任意时刻t∈T,可将战术互联网的天气特征表示如式(5)所示:
C N t= C 11 , C 12 , … , C 1 N C 21 , C 22 , … , C 2 N ︙       C N 1 , C N 2 , … , C N N

2.2 多源动态时空特征流量预测模型构建

随着作战进程的发展,战术互联网拓扑结构与作战环境会不定期发生变化,这就形成了融合外部环境因素的网络流量在当前拓扑结构下传输的场景。为了捕捉不同节点之间随时间变化的空间和外部环境影响,本文提出了一种融合多源动态时空特征的流量预测模型(Multi Dynamic-Spatio Temporal Graph Convolutional Network,MD-STGCN),模型把每个时间片下的网络流量特征作为一张空间特征图,将历史时间序列的空间特征图连接起来,以捕获网络流量动态的时空相关性,图6展示了其整体架构。MD-STGCN模型主要由流量的空间卷积模块和时间卷积模块两部分组成。首先,将外部特征与流量特征数据融合为多源特征数据;然后,在空间卷积层聚合节点的邻居信息, 并对变化的卷积权重进行迭代更新得到每个时间片下的空间特征信息;最后,将输出的向量输入时间卷积层, 聚合当前时刻和历史时刻的信息以预测下一时刻的多源动态时空图流量。
图6 流量预测模型框架

Fig.6 Flow forecasting modeling framework

2.2.1 空间卷积模块

1)多源动态特征流量矩阵生成
为了捕捉节点之间随时间变化的整体空间影响,本文将多个前后时间片的流量图合并,形成一个时空图。如图7所示,捕捉不同时间段多源时空图特征的一种方法是,将当前时间片的网络流量矩阵与多源特征外部特征矩阵合并,与图的空间结构矩阵相结合,形成多源流量图的特征。
图7 多源动态特征时空图

Fig.7 Spatio-temporal map of multi-source dynamic features

其中,将地理与天气属性数据通过一个全连接层(FC Layer)[12]进行特征融合,全连接层的输出则为包含这两种属性的多种外部特征的融合表征张量,为网络流量提供对应时间的外部特征数据。外部特征随时间动态改变,因此,在任意时刻t∈T,各节点的外部特征可表示为 E N t∈RN×(w×t),其中w为外部特征的种类数量。
然后,将流量特征矩阵Y和外部特征矩阵E融合为多源特征矩阵M。在任意时刻t∈T,多源特征流量矩阵表示为
Mt=(At,Et)
2)多源动态空间特征提取
图卷积网络(Graph Convolutional Network,GCN)经常被用来确定网络拓扑结构的连通性,也可以表示节点之间的相关程度[13]。许多基于GCN的方法使用基于原始网络拓扑结构的预定义静态邻接矩阵,然而,由于每个节点的邻接矩阵会随时间的推移而变化,因此,可以将学习动态图表示法建模为前一个时间片的预测图的时空特征作为当前预测模型的输入,对下一时间片下时空图特征进行预测。预测结果可表示为
X l + 1 t=F( M l t,At, W l t)
其中, M l t,At, W l t分别表示t时刻下l层预测输出的多源特征流量矩阵、邻接矩阵与权重矩阵。
又因为GCN的建模过程表示为
Xl+1=σ( D ˜ - 1 2 A ˜ D ˜ - 1 2MlWl)
其中,σ为激活函数, D ˜ - 1 2 A ˜ D ˜ - 1 2为对称归一化后的拉普拉斯矩阵,能够使GCN对图信号在傅里叶域的卷积处理更加稳定,其中 D ˜ i i=∑j A ˜ j j, A ˜=A+I, D ˜ - 1 2 A ˜ D ˜ - 1 2的特征值范围在(-1,1],能够尽量避免图卷积处理时梯度消失或梯度爆炸的情况。
因此,用GCN对某一时刻下的时空特征预测可以表示为
X l + 1 t=σ( D ˜ - 1 2 A ˜ D ˜ - 1 2 M l t W l t)
需注意的是,由于网络结构随时间动态变化,那么在图卷积操作时的节点权重也应发生相应的改变。因此,需要对权重进行迭代更新才能适应新的图结构[7]。本文使用GRU(Gate Recurrent Unit,门控循环单元)对权重数据进行更新,GRU模型结构如图8所示。
图8 GRU模型结构

Fig.8 GRU model structure

其中,ht为t时刻的隐藏状态,Zt、Rt分别为更新门和重置门,用以控制对前一时刻状态信息的忽略或代入。GRU以t-1时刻的隐藏状态和当前时刻特征为输入,获得t时刻的特征信息。在获得当前时刻的特征信息时,该模型仍然保留了历史信息的变化趋势,并能够捕获时间序列上的依赖性。
因此,使用GRU对权重参数进行更新操作时,考虑到其不仅存在于时间序列,还存在于时间序列下每一层图中,因此,t时刻第l层的权重更新方式如下:
G - W l t=(1- Z l t)* W l - 1 t+ Z l t* W ˜ l t
Z l t=σ(WZ*[ W l - 1 t, M l t])
R l t=σ(WR*[ W l - 1 t, M l t])
W ˜ l t=tanh(W*[ R l t* W l - 1 t, M l t])
在GRU对权重参数的更新过程中,t时刻下l层的权重矩阵 W l t为GRU的隐状态, M l t为t时刻第l层中GRU单元的输入特征,得到当前的特征信息并更新权重矩阵 W l + 1 t作为下一时刻的输入权重参数。
综上可看出,GCN处理的是提取图空间特征,GRU是将每一层的图结构特征进行更新,将两者的结合可以得到一个动态的图信息预测结果:
X l + 1 t=F( M l t,At, G - W l t)

2.2.2 时间卷积模块

在本文中,时间序列建模方法对预测结果至关重要,因为战术互联网流量预测被定义为对多个时间片下的多源动态特征图进行序列预测的问题。本文使用Bai Shaojie[14]等人提出的一种时间卷积网络(Temporal Convolutional Network,TCN)模型,该模型来源于卷积神经网络(Convolutional Neural Network,CNN)。
与CNN将某个图像视为三维或二维矩阵不同的是,TCN模型将图像作为一个n*1大小的时间序列,形成多个连续时间序列的卷积架构。同时,CNN中的多层网络结构会扩大其感受野,并使用大规模并行处理的方式进行卷积操作。TCN则是在CNN的基础上使用因果卷积(Casual Convolution)和膨胀卷积(Dilated Convolution)来对时间序列进行预测。因果卷积的作用是使t时刻的输出都只由它之前的时刻卷积得到,由此保证由当前时刻的信息和历史信息去建模未来时刻的预测,如图9所示。但是,单纯的因果卷积存在传统卷积神经网络的问题,即对时间的建模长度受限于卷积核的大小,如果要想获取更长的依赖关系,就需要线性的堆叠很多的层。膨胀卷积允许卷积时的输入存在间隔采样,采样率受图10中的d和k控制。d表示的是卷积核的数量,最下面一层的d=1,表示输入时每个点都采样,中间层d=2,表示输入时每2个点采样一个作为输入。一般来讲,越高的层级使用的d越大。k是卷积核的大小,我们可以通过增加卷积核大小k或增加膨胀因子d来扩大卷积的感受野。
图9 因果膨胀卷积单元

Fig.9 Causal expansion convolution unit

图10 不同模型随时间变化预测结果曲线

Fig.10 Prediction results curve of different models with time

根据膨胀卷积的定义:滤波器F=(f1,f2,…,fK),序列X=(x1,x2,…,xX),在xt处膨胀因子为d时的膨胀卷积为
(F*dX)(xt)= ∑ k = 1 Kfkxt-(K-k)d
将定义运用于多源动态图时间序列预测中,滤波器F=(f1,f2,…,fK),序列X=(x1,x2,…,xX),第l层输出中满足的卷积过程推算为
(Xl*dX)(xl)= ∑ k = 1 Kfkxl-(K-k)d

3 实验评估

3.1 实验参数设置

1)流量数据集
为了分析MD-STGCN模型的预测性能,本实验使用真实采集的某次作战场景下的战术互联网流量数据进行评估。数据集的采样频率为10 min/次,即一天包含 144 个采样点,采集周期为10天;在战术互联网中以指挥所、武器平台及战术分队为单位节点进行采样,根据初始网络组织状态以36×36的拓扑结构进行流量统计。
2)外部特征数据集
① 天气数据
实验采用的作战地域的天气数据,数据集中涵盖了当地10天内监测到的气象数据。由于无线通信的传播效率与雨衰有密切联系,所以选取降水量作为天气特征数据集。该数据集在时间上每10 min汇总一次,因此构成1 440×36×36的特征矩阵。本文使用[15]的降水强度标准对采集到的降水数据进行分类。
表2 作战区域降水强度分类

Tab.2 Classification of precipitation intensity in the combat zone

非常轻微 [1,3],指[0.20,2.0]mm/h的量
轻度 [4,6],指[2.0,7.0]mm/h的量
中等 [7,9],指[7.0,16.0]mm/h的量
重度 [10,12],指[16.0,30.0]mm/h的量
非常大 [13,15],指[30.0,70.0]mm/h的量
极端 [16,18],指超过70 mm/h的量
② 地理数据
将高程差作为影响通信效果的地理特征数据,由于作战过程中网络结构会跟随进程发生动态变化,因此两节点之间的高差值也随时间发生变化。将数据集采样设置为每10 min/次,得到1 440×36×36的动态地理特征矩阵。
3)空间特征数据集
战术互联网主要以机动通信为主,因此,其网络结构会在作战过程中根据通信行为变化调整。节点与节点之间的连接关系构成了空间特征,因此,在作战周期内以每10 min/次记录当时的节点关系数据,构成1 440×36×36的动态空间特征矩阵。

3.2 实验设计

为了证明本文提出的模型的验证效果,使用以下方法来实现对各个预测模型的综合评估。
1)回归模型评估指标
流量预测模型产生预测结果后,需要适当的指标来评估该模型的质量。本文使用不同的指标组合来衡量预测模型的有效性,以量化模型的预测效果,并充分验证模型的预测能力。
① 平均绝对误差(Mean Absolute Error,MAE),绝对误差的平均值,能反映预测值误差的实际情况。取值越小,模型准确度越高,公式(17)所示,式中 y ^ i表示网络流量的预测值,yi表示真实的网络流量值,m代表待评估的网络流量总数。
MAE= 1 m ∑ i m y i- y ^ i
② 均方根误差(Root Mean Squard Error,RMSE),又叫标准误差,是均方误差的算术平方根,该结果与实际数据的数量级一样,取值越小,模型准确度越高,如公式(18)所示。式中 y ^ i表示网络流量的预测值,yi表示真实的网络流量值,m代表待评估的网络流量序列的总数。
RMSE= 1 m · ∑ l m y i - y ^ i ) 2
③ 确定性相关系数(R Squared,R2):取值反映了预测值表示真实值的能力及模型的优异程度,其范围一般为[0,1],结果越靠近1,则模型准确度越高,结果越靠近0,准确率越低。R2在表征回归方程方面,很大程度上解释了因变量的变化,回归线与各观测点越接近,则回归的拟合程度就越好。
R2=1- S S r e s S S t o t= ∑ i ( y ^ i - y - ) 2 ∑ i ( y i - y ^ i ) 2
2)对比模型
为了验证多源动态特征及其表征方法的有效性,设置了与部分时空序列基础预测模型进行对比。
① GCN[13]:这是一个静态的图卷积模型, 也是进行图表示学习的经典方法。模型通过谱卷积聚合节点的邻居信息来学习节点的嵌入向量。由于动态图中的每一个时间片都会产生一个图的快照, 对每个模型的时间片都采用同一个GCN模型, 即不考虑图的动态性, GCN模型基于每个时间步上的图进行训练。
② GCN-GRU[1]:将GCN与序列建模相结合, 首先通过GCN架构学习每个时间片下节点的表示向量, 再将这些向量输入GRU单元,学习节点表示的动态性。此方法对动态性的表示建立在节点表示向量上, 属于节点导向的方法。
③ AST-GCN[7]:该模型在时空序列的基础上融合了天气状况和地理环境信息的外部特征数据来提升预测的精准性。具体操作为在时间序列数据中融入每个时间片的静态和动态外部属性来扩展原始特征矩阵的尺寸,进而结合同一个GCN模型来进行时空序列的预测。

3.3 实验设置

在训练模型过程中,先从训练集中选取80%的数据用于训练,10%用于验证,10%用于测试。模型选取Adam梯度优化算法,设置所有模型的GCN隐藏层数为2,初始学习率为0.001,学习率衰减为0.0001,epoch为20,batchsize为128,dropput为0.5,其中dropput和batchsize的设置是为了防止模型过拟合。

3.4 实验结果

将MD-STGCN模型与以下时空序列基础预测模型进行对比,结果如表3所示。
表3 不同模型预测性能比较结果

Tab.3 Comparison results of prediction performance of different models

评估指标 GCN GCN-GRU AST-GCN MD-STGCN
MAE 3.015 2.918 2.473 2.292
RMSE 5.611 4.837 4.476 4.101
R2 0.592 0.611 0.748 0.937
表3显示了不同模型在战术互联网流量数据集上的预测结果。其中,各模型分别训练5次后取平均值作为最终结果。
表3可看出,MD-STGCN模型的预测误差及准确率均为最优。MD-STGCN的MAE和RMSE值分别比GCN降低了2.3%和2.6%,R2上升了0.345;与GCN-GRU相比,MD-STGCN的MAE和RMSE值分别降低了2.1%和1.5%,R2上升了0.326;与AST-GCN相比,MD-STGCN的MAE和RMSE值分别降低了0.7%和0.8%,R2上升了0.189。由此可看出,完善了网络流量外部及动态因素的预测模型要比静止的基础流量模型效果好,多种特征的融合提升了模型的泛化能力,使预测结果更加贴近真实值。
在前面的实验基础上,进一步观察长时间下的预测模型性能,对未来15个时间片下的多步预测流量数据结果进行对比评估,选用MAE与R2两种评估指标来对不同模型的误差与精度两方面进行比较。
图10是MD-STGCN模型与其他三种基础预测模型在评估指标中的结果对比,其中(a)、(b)分别是训练结果在MAE与R2上的体现。根据可视化的结果,可以得出以下结论:
1)对于长时间下的预测范围,MD-STGCN模型可以较好地保持预测结果优势,在误差与精度方面均好于其他模型;
2)短期预测的表现好于长期预测。从两个评估指标的对比结果来看,MD-STGCN模型预测值在后期均会出现较大的波动,这说明在长期预测过程中模型会丢失部分特征信息;
3)结合外部特征的流量预测模型预测结果更好。从(a)、(b)两个评估标准可以看出,AST-GCN与MD-STGCN两种有外部特征的模型的预测误差与精度均优于其他没有的两种;
4)在处理数据动态特征方面,MD-STGCN模型较GCN-GRU体现出更好的稳定性。虽然GCN-GRU模型在每个时间序列中考虑了节点的历史信息,但是MD-STGCN模型在处理动态特征时能够对每个时间片下的动态特征实时更新,因此MD-STGCN在评估中体现出更优的结果。

4 结束语

为了更好对战术互联网流量准确预测,本文提出了一种多源动态图的表示学习模型MD-STGCN。该模型不仅考虑了战术互联网流量的时空特征,还结合了影响战术互联网流量的两个重要因素,即外部特征与动态特征来进行预测。通过整合外部特征来拓展时间特征数据,利用动态更新机制对空间特征,在时间与空间卷积交替中使模型学习到有效的多源动态图表示。最后通过标准评估与模型对比方法证实该模型的优势与实际意义,在未来可融入更多的特征数据,提高模型泛化能力,从而有效运用到更多的军事应用场景中。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
朱江. 融合时空特征的网络流量智能预测方法研究[D], 南京: 南京信息工程大学, 2022.

ZHU J. Research on Intelligent Prediction Method of Network Traffic with Fusion of Spatio-temporal Features[D]. Nanjing: Nanjing University of information, 2022.

[2]
王海, 刘熹, 王向东. 战术互联网[M]. 北京: 国防工业出版社, 2020: 2-75.

WANG H, LIU X, WANG X D. Tactical Internet[M]. Beijing: National Defense Industry Press, 2020: 2-75.

[3]
叶春明, 单洪, 马涛, 等. 面向战场通信业务的网络流量建模与仿真[J]. 系统仿真学报, 2014, 26(7): 1 527-1 534.

YE C M, SHAN H, MA T, et al. Combat-oriented traffic modeling and simulation for tactical communications network[J]. Journal of System Simulation, 2014, 26(7): 1 527-1 534.

[4]
鲁云军, 蔡福利, 周明. 一种面向训练的通信网系背景业务量建模方法[J]. 系统仿真学报, 2017, 29(3): 552-558.

DOI

LU Y J, CAI F L, ZHOU M. Modeling method of communication networks background traffic for counter-command simulation training[J]. Journal of System Simulation, 2017, 29(3): 552-558.

DOI

[5]
罗颖光, 邹自力, 余亮. 一种用于战术通信网络仿真的通信业务量模型[J]. 火力与指挥控制, 2020, 45(5): 125-129.

LUO Y G, ZOU Z L, YU L. A communication traffic model for tactical communication network simulation[J]. Fire Control & Command Control, 2020, 45(5): 125-129.

[6]
苗卫伟. 基于时空特征的移动网络流量预测[D]. 上海: 上海师范大学, 2021.

MIAO W W. Mobile network traffic prediction based on spatio-temporal characteristics[D]. Shanghai: Shanghai Normal University, 2021.

[7]
ZHU J W, WANG Q J, TAO C, et al. AST-GCN: Attribute-augmented spatiotemporal graph convolutional network for traffic forecasting[J]. IEEE Access, 2021(9): 3 5973-35 983.

[8]
李荆, 刘钰, 邹磊. 基于时空建模的动态图卷积神经网络[J]. 北京大学学报(自然科学版), 2021, 57(4): 605-613.

LI J, LIU Y, ZOU L. A dynamic graph convolutional network based on spatial-temporal modeling[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(4): 605-613.

[9]
卢颖, 钟联炯, 康凤举. 战术通信网业务量建模技术研究及网络性能仿真[J]. 火力与指挥控制, 2012, 37(12): 191-194.

LU Y, ZHONG L J, KANG F J. Study of tactic communication network traffic modeling technology and network performance simulation[J]. Fire Control & Command Control, 2012, 37(12): 191-194.

[10]
王西锋. 网络流量的特性分析与预测研究[D]. 西安: 西北大学, 2007.

WANG X F. Research on characteristics analysis and prediction of network traffic[D]. Xi'an: Northwest University, 2007.

[11]
YING L, JIE L, QI G. Tactical internet communication traffic characteristics and modeling methods[C]. 2018 IEEE 4th Inter national Conference on Computer and Communications.

[12]
蔡世杰. 基于多源数据的时空交通流量预测方法研究[D]. 武汉: 武汉理工大学, 2021.

CAI S J. Research on spatio-temporal traffic flow forecasting method based on multi-source data[D]. Wuhan: Wuhan University of Technology, 2021.

[13]
吴凌飞, 崔鹏, 裴健. 图神经网络:基础、前沿与应用[M]. 北京: 人民邮电出版社, 2022.

WU L F, CUI P, PEI J. Graph neural network[M]. Beijing: Posts & Telecom Press, 2022.

[14]
BAI S J, KOLTER J Z, KOLTUN V. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling[EB/OL]. 2018: arXiv: 1803.01271. https://arxiv.org/abs/1803.01271.

[15]
Gianni Barlacchi, Marco De Nadai, Roberto Larcher, et al. A multi-source dataset of urban life in the city of Milan and the Province of Trentino[J]. Scientific Data, 2015(2):10.1038.

Options
文章导航

/

〈 〉