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！

龙图腾网获悉南京信息工程大学申请的专利子图驱动的轻量化联邦学习时空蜂窝网络预测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：CN119047657B 。

龙图腾网通过国家知识产权局官网在2025-08-12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：202411533393.2，技术领域涉及：G06Q10/04；该发明授权子图驱动的轻量化联邦学习时空蜂窝网络预测方法是由金子龙;张昕设计研发完成，并于2024-10-31向国家知识产权局提交的专利申请。

本子图驱动的轻量化联邦学习时空蜂窝网络预测方法在说明书摘要公布了：本发明属于蜂窝网络通信技术领域，具体涉及子图驱动的轻量化联邦学习时空蜂窝网络预测方法，包括以下步骤：S1、数据预处理；S2、子图划分；S3、模型训练；S4、模型参数剪枝；S5、模型传输；S6、参数聚合；S7、模型更新，为联邦分布式环境设计了一种以节点间时空相关性为核心的分布式子图划分策略，据此制定出更接近实际FL应用场景的子图节点划分方案。本发明将FL框架与STGCN模型进行集成，引入了一种基于传输参数权重的自适应剪枝方案，在模型数据传输阶段设计了强化学习代理进行决策，剪除较低权重参数，以降低模型通信成本与计算成本，实现模型轻量化的同时有效保持预测精度。

本发明授权子图驱动的轻量化联邦学习时空蜂窝网络预测方法在权利要求书中公布了：1.子图驱动的轻量化联邦学习时空蜂窝网络预测方法，其特征在于：包括以下步骤： S1、数据预处理：选取蜂窝网络数据集，进行清洗，去除无效或缺失的数据点； 并将数据处理为时序输入，每个序列包含12个时间步的历史数据，用于预测下一个时间步的流量情况； S2、子图划分：提取节点间的邻接距离矩阵以及节点流量模式矩阵以构建混合式稀疏矩阵，通过图嵌入提取代表节点多跳邻居结构的低维连续向量表示节点间的复杂依赖关系，获得相似度矩阵，对相似度矩阵进行社区检测划分得到最后的子图； 所述混合式稀疏矩阵是将BS记录节点单日流量视作一条向量，则D天内产生的流量按天划分为一组向量，对于任意节点即存在向量组；将该向量组视作一项概率分布，每条向量视作概率分布的一项概率质量，得到节点的概率质量组成的概率分布： 不同节点间概率分布间的转换代价视为节点流量模式间的差距距离，使用Wasserstein概率分布距离计算每两个节点间的流量模式距离，而代价函数表示为1与两个向量组间的余弦相似度的差值： 进一步得到节点与节点间的Wasserstein概率分布距离矩阵为，每两个节点间的概率分布距离为： 其中，是一个联合概率分布，它满足以下边际约束： 其中，和分别是节点和节点的概率分布； 由概率分布距离表示的节点间流量模式关系矩阵和由节点间实际距离为主导的邻接矩阵理解为是隐式时空关系和显式时空关系的外在表现，对二者的有机结合； 对邻接矩阵和进行聚合获得新的稀疏矩阵： 其中，是归一化常数，代表稀疏性矩阵保留阈值； 所述相似度矩阵是指全局图中的每个节点在广度和深度两个维度均存在许多邻居节点，需要更进一层提取这些邻居节点的信息，以保证节点划分后子图所包含信息的最大有效性； 使用Node2vec节点嵌入模型，提取节点间的两个特性： 同质性，所述同质性即节点在图上的距离越近越相似； 同构性，所述同构性即如果两个节点周围的结构越相近，则越相似； 通过对同质性以及同构性的提取，低维节点连续向量中包含了多跳节点间的邻居关系，帮助进一步获取节点间的影响关系；控制返回参数和进出参数来平衡DFS和BFS策略，从而生成节点序列，节点连续向量提取过程如下： 给定当前节点和前一个节点，选择下一步节点的转移概率为： 其中，是权重，是归一化常数，权重的计算取决于和： 之后，对每个节点进行次长度为的随机游走生成节点序列，并使用生成的节点序列来训练Skip-gram模型，Skip-gram模型通过最大化节点和上下文节点的共现概率来学习节点的嵌入表示： 其中，对于上下文节点，在窗口大小范围内；是所有生成的节点对集合，是条件概率，用softmax函数表示： 模型的最终输出是节点嵌入矩阵，其大小为，其中是节点的数量，是嵌入向量的维度，每一行对应一个节点的嵌入向量； 在全局图中有个节点，每个节点的嵌入向量维度为，则节点嵌入矩阵表示为： 其中，是节点的嵌入向量； 这些提取出的连续向量有效代表了每个节点在一定维度内的连接关系及边权重，通过算法计算，获得每个节点的向量，对图中的两两节点间的向量进行相似度计算，则获得节点的邻居相似度矩阵，如下： 所述社区检测划分是指使用相似度矩阵，应用Leiden算法进行社区检测，Leiden算法通过最大化模块度来优化社区结构，模块度定义为： 其中，是邻接矩阵，和分别是节点和节点的度，是图中的总边数，是Kroneckerdelta，当节点和节点属于同一社区时，值为1；或节点和节点不属于同一社区时，值为0；Leiden算法通过迭代优化模块度，不断细化社区结构，从而生成密集连接的子图； S3、模型训练：在划分后的子图上进行本地客户端的时空图卷积神经网络模型训练，获得本地模型参数； 所述步骤S3中还搭建了一个联邦学习通信框架，自适应剪枝模块为优化传输成本模块，本地训练模型考虑客户端训练资源有限，所以采用非循环网络中的时空图卷积神经网络的网络流量预测模型； 时空图卷积神经网络包括时空图卷积块和一个最终卷积层，每个时空图卷积块包括Chebyshev图卷积层和时间卷积层及一个残差连接层，其中输入信号的形状为，其中，是批大小，是节点数量，是输入特征维度，是时间步长，时空图卷积块组成如下： Chebyshev图卷积层： 采用了Chebyshev多项式近似方法计算图卷积，图卷积层的计算公式为： 其中，是第阶的Chebyshev多项式，是归一化的拉普拉斯算子，是第阶的滤波器参数，输出的形状为，其中是输出特征维度； 时间卷积层对图卷积层的输出进行卷积操作，计算公式为： 输出的形状为，其中是卷积后的时间步长； 在残差连接层中，输入信号与经过图卷积和时间卷积后的信号相加，以保留输入信号的信息；残差连接层的计算公式为： 其中，是对输入信号进行的卷积操作，使其形状与一致；残差连接层输出的形状为； 最终卷积层将残差连接层的输出进行进一步处理，以得到最终的预测结果，最终卷积层的输出形状为，其中是最终的时间步长； 所述联邦学习通信框架包括中心服务器和边缘客户端； 模型初始化后分发到各个客户端，在客户端进行训练后，将模型参数传输至中心服务器聚合，之后进行参数下发，直至模型收敛； 每次模型聚合前，在客户端内设置自适应权重剪枝模块，自适应模块内置了一个强化学习模型以及动态损失窗口，模型以本地客户端本轮模型与滑动窗口轮次内最低训练损失与验证损失，通过强化学习模型自适应调整剪枝比例以保护模型精度； 每个客户端剪枝后的权重被上传至中央服务器；所述联邦学习通信框架如下： 假设，有个客户端，每个客户端有个数据样本，总数据量为，各客户端分别训练本地模型并更新其参数； 然后，将这些参数上传至中央服务器，服务器根据各客户端的数据量对参数进行加权平均，更新全局模型，如下： 每个客户端的模型参数按其数据量加权，得到全局模型参数； S4、模型参数剪枝：对训练后的模型权重参数进行自适应剪枝，通过强化学习代理调整剪枝策略，获取剪枝后的权重参数； S5、模型传输：客户端将剪枝后的模型参数传输至服务器； S6、参数聚合：服务器获取每个客户端传递的参数进行联邦平均聚合； S7、模型更新：服务器将聚合得到的新参数发送回客户端，客户端获取传回参数进行下一轮时空图卷积神经网络模型训练，直到迭代轮次结束。

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南京信息工程大学，其通讯地址为：210044 江苏省南京市浦口区宁六路219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”。