本发明属于无线通信，特别涉及一种基于加权图卷积网络的小区间干扰建模方法。
背景技术：
1、预测无线接入点的干扰并对其进行建模具有重要意义，能够显著提升无线网络网络的性能和管理效率。首先，通过预测干扰，可以提高数据传输速率，减少误码率，从而提升网络性能。优化频谱利用是另一大好处，干扰预测允许高效的频谱分配和动态频谱管理，避免资源浪费和冲突。改善用户体验是关键，通过减少掉话和提高服务质量，用户能享受更稳定和高质量的通信服务。此外，干扰预测增强了网络可靠性，能预防潜在问题并快速响应故障，提供高效的诊断和恢复措施。节省能耗也是重要优势，优化功率控制可以降低无线接入点和终端设备的能耗，从而减少运营成本。对无线接入点干扰进行建模的原因主要在于深入了解干扰源和特性。通过建模，可以识别主要干扰源，分析干扰的时频特性和空间分布，为制定干扰抑制措施提供科学依据。建模还能优化网络规划和设计，合理布局无线接入点，避免干扰严重区域，并制定科学的频谱规划策略。支持动态资源管理是另一重要原因，干扰建模允许实时调整网络参数和实现负载均衡，优化网络资源利用。建模还提升了干扰抑制技术的效果，通过指导干扰抑制策略和优化算法，提高干扰抑制的效率和效果。
2、随着大数据技术和人工智能的发展，深度神经网络已在无线通信领域崭露头角，如无线流量预测、网络异常检测、无线网络性能优化等方面。它能够自主地从大量真实数据中学习复杂的非线性关系，进一步降低系统设计复杂度的同时，还具有一定的泛化能力。这些优势使得深度神经网络能够为无线通信系统提供更为精确的无线接入点小区间干扰建模。利用深度神经网络中的图卷积网络(gcn)对无线接入点干扰进行建模具有关键优势。gcn能够有效处理无线接入点之间复杂的干扰关系，通过学习无线接入点的空间布局和干扰强度等特征，实现精确的干扰预测。gcn通过多层卷积操作实现信息的有效聚合，能够动态更新模型以适应网络拓扑的变化，并支持实时的干扰管理和频谱分配优化。最终，gcn建模不仅优化干扰抑制策略，提升网络性能和用户体验，还能有效利用频谱资源，推动无线网络的智能化和可持续发展。
技术实现思路
1、本发明的目的在于提供一种基于加权图卷积网络的小区间干扰建模方法，使用深度学习中的加权图卷积网络来解决多无线接入点场景中不同无线接入点的干扰预测问题。
2、为实现上述目的，本发明的技术方案是：一种基于加权图卷积网络的小区间干扰建模方法，包括如下步骤：
3、步骤s1、构建一个多无线接入点的蜂窝网络场景；结合无线网络相关数据，筛选并定义各无线接入点的关键参数；
4、步骤s2、构建干扰模型所需的图结构数据，以针对干扰准确建模干扰模型；
5、步骤s3、构建一个基于加权图卷积网络的小区间干扰模型，基于加权图卷积网络的小区间干扰模型以图结构数据作为输入，通过具有权重的多层图卷积网络，来输出小区间干扰参数，基于加权图卷积网络的小区间干扰模型借助真实数据进行训练，直至收敛。
6、在本发明一实施例中，步骤s1中，各无线接入点的关键参数包括各个无线接入点的工程参数和实时参数。
7、在本发明一实施例中，步骤s2中，图结构数据包含节点特征及结构特征，通过工程参数和实时参数计算得出。
8、在本发明一实施例中，步骤s1具体包括如下步骤：
9、步骤s11、定义蜂窝网络中的无线接入点参数；假设蜂窝网络场景中存在m个无线接入点，第m个无线接入点的工程参数dm包括额定资源rm、中心载频信号fm和位置坐标(xm,ym)，额定资源rm包括额定带宽bm和最大发射功率pm；第m个无线接入点在时间间隔t内的实时参数包括物理资源块prb平均占用率小区资源块rb最大干扰电平和平均干扰电平
10、步骤s12、确定干扰模型所需的关键参数：
11、无线接入点范围内任意用户u接收到的累计干扰为
12、
13、其中，为用户与干扰无线接入点间的距离，hmu为干扰无线接入点和用户间的信道，那么无线接入点m的所受干扰表示为
14、
15、在不考虑用户的情况下，从上式可知无线接入点所受干扰取决于与它共用同一信道的其他无线接入点参数，这包括无线接入点的发射功率、小区带宽和空间位置信息；因此，通过fm能够确定存在干扰的同频无线接入点集合，通过和rm能够确定无线接入点的实时带宽结合步骤s11中的其他参数进行干扰模型建模。
16、在本发明一实施例中，步骤s2中，由于蜂窝网络中无线接入点间的关系能够自然地表示为一个图结构，其中每个无线接入点是一个节点，它们之间相连接的边能够表示空间位置关系和干扰关系；因此，根据步骤s1中的关键参数构建蜂窝网络场景的图结构数据，图结构数据的节点特征为无线接入点的实时带宽资源和最大发射功率pm，即每个无线接入点节点都具有二维的特征向量；图结构数据的结构特征通过无线接入点间距离和频带重合率计算。
17、在本发明一实施例中，图结构数据的结构特征通过无线接入点间距离和频带重合率计算的具体方式如下：
18、考虑到获取数据的真实无线通信场景中，无线接入点利用带宽范围内的空闲频谱进行随机分配，假设每个时刻中无线接入点所使用的物理资源块prb服从均匀分布，那么无线接入点m与其他同频无线接入点间的频带重合概率表示为
19、
20、通过上式对蜂窝网络场景内全部无线接入点进行分析，能够推导处一个在t时刻的频带重合概率矩阵，将其表示为
21、
22、其中，对角元素均设为0，即小区间干扰并不考虑无线接入点本身存在的内部干扰；最终，将上式与空间位置关系相结合，得到存在权重的邻接矩阵at，其中元素表示为
23、
24、其中，为无线接入点间距离，μ为路径损耗指数；通过上式推导出矩阵at，并将其作为图结构数据的结构特征。
25、在本发明一实施例中，步骤s3具体包括以下步骤：
26、步骤s31、确定小区间干扰模型；假设小区间干扰在每小时内服从正态分布，因此，结合所有无线接入点组成的平均干扰矩阵干扰标准差被定义为的计算公式为进一步确定模型的输出的干扰参数，即从步骤s1中可知无线接入点干扰与其他同频无线接入点的工程参数和实时参数密切相关，因此，预测的干扰参数表示为
27、
28、其中，表示在t时刻分配给无线接入点的带宽矩阵，是所有无线接入点的最大发射功率组成的矩阵；为小区间干扰模型，它能够根据区域内全部无线接入点的实时频带范围和工程参数来计算无线接入点m的平均干扰和干扰标准差；
29、步骤s32、构建基于加权图卷积网络的小区间干扰模型；以小区间干扰模型为目标，步骤s2推导的图结构数据作为加权图卷积网络的输入xt，采用多层的加权图卷积来构建干扰模型，它的分层传播规律如下：
30、h(l+1)＝λ(ath(l)w(l))
31、其中，w(l)为l层的权重矩阵，h(l)为上一层的节点特征矩阵，当l＝0时，h(0)＝xt，λ(·)为激活函数，由于小区间干扰不只受到区域内的无线接入点影响，节点区域外仍存在相邻的同频无线接入点，所以不采用归一化的邻接矩阵；
32、步骤s33、设计加权图卷积网络的损失函数；将图结构数据作为输入，通过多层加权图卷积网络后，最终输出的高维特征通过一个池化层来获得干扰参数和σt；网络训练过程为监督学习，采用已有的数据集进行训练，损失函数被定义为：
33、
34、其中，为小区间干扰模型；通过上式进行网络训练后，既能够获得一个可靠的基于加权图卷积网络的小区间干扰模型。
35、本发明还提供了一种基于加权图卷积网络的小区间干扰建模系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上述所述的方法步骤。
36、本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上述所述的方法步骤。
37、本发明还提供了一种基于加权图卷积网络的小区间干扰建模装置，包括：
38、第一模块，构建一个多无线接入点的蜂窝网络场景；结合无线网络相关数据，筛选并定义各无线接入点的关键参数；
39、第二模块，构建干扰模型所需的图结构数据，以针对干扰准确建模干扰模型；
40、第三模块，构建一个基于加权图卷积网络的小区间干扰模型，基于加权图卷积网络的小区间干扰模型以图结构数据作为输入，通过具有权重的多层图卷积网络，来输出小区间干扰参数，基于加权图卷积网络的小区间干扰模型借助真实数据进行训练，直至收敛。
41、相较于现有技术，本发明具有以下有益效果：本发明方法结合“无线网络”相关数据和图神经网络，解决一个核心问题：如何根据无线接入点的实时性能数据和工程参数，来对区域内全部无线接入点的小区间干扰准确建模。针对该问题，本发明分析了小区间干扰的影响因素，设计了一种结合实时无线资源和频带重合率的加权图卷积网络，使用深度学习中的加权图卷积网络来解决多无线接入点场景中不同无线接入点的干扰预测问题，以此来准确得到蜂窝网络中的多无线接入点场景中的小区间干扰。
1.一种基于加权图卷积网络的小区间干扰建模方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于加权图卷积网络的小区间干扰建模方法，其特征在于，步骤s1中，各无线接入点的关键参数包括各个无线接入点的工程参数和实时参数。
3.根据权利要求2所述的一种基于加权图卷积网络的小区间干扰建模方法，其特征在于，步骤s2中，图结构数据包含节点特征及结构特征，通过工程参数和实时参数计算得出。
4.根据权利要求1所述的一种基于加权图卷积网络的小区间干扰建模方法，其特征在于，步骤s1具体包括如下步骤：
5.根据权利要求4所述的一种基于加权图卷积网络的小区间干扰建模方法，其特征在于，步骤s2中，由于蜂窝网络中无线接入点间的关系能够自然地表示为一个图结构，其中每个无线接入点是一个节点，它们之间相连接的边能够表示空间位置关系和干扰关系；因此，根据步骤s1中的关键参数构建蜂窝网络场景的图结构数据，图结构数据的节点特征为无线接入点的实时带宽资源和最大发射功率pm，即每个无线接入点节点都具有二维的特征向量；图结构数据的结构特征通过无线接入点间距离和频带重合率计算。
6.根据权利要求5所述的一种基于加权图卷积网络的小区间干扰建模方法，其特征在于，图结构数据的结构特征通过无线接入点间距离和频带重合率计算的具体方式如下：
7.根据权利要求6所述的一种基于加权图卷积网络的小区间干扰建模方法，其特征在于，步骤s3具体包括以下步骤：
8.一种基于加权图卷积网络的小区间干扰建模系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-7任一所述的方法步骤。
9.一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-7任一所述的方法步骤。
10.一种基于加权图卷积网络的小区间干扰建模装置，其特征在于，包括：
