基于T-GCN的4G/5G基站节能减排智能决策系统

随着4G/5G移动互联网的快速发展,为了满足不断增长的流量需求并提升蜂窝网络的覆盖率,基站的流量负荷呈爆炸式增长。在全球能源短缺的背景下,要实现碳达峰、碳中和的目标,在不降低用户通信质量的前提下,如何对基站进行精准开关控制,使其能耗减小到最低是一个重要问题。为此,在栅格模型和基站能耗计算模型的基础上,提出了一种基于时间图卷积网络(Temporal-Graph Convolutional Network, T-GCN)预测和自设计启发式算法关断决策的基站智能决策系统,实现了基站的智能开启和关闭。同时保证符合实际约束,从而得以提高网络资源管理的效率并优化网络能耗性能。通过仿真实验,流量预测效果良好,在一定范围内得到了理想的基站开关决策结果。

基于深度学习的隐私保护方法研究

准确和实时的轨迹数据发布能够为用户提供最新的交通和路况信息,有助于用户合理规划出行时间和路线,但是,位置信息的不当发布和反向推理容易泄露用户个人信息,甚至危及用户的生命安全。采用差分隐私方法添加的噪声,会导致隐私保护在数据发布和有效性方面引入不准确性。为了提高发布数据的准确性和可用性,提出了一种基于深度学习和差分隐私模型的数据发布方法,确保时空轨迹数据的安全发布。首先,设计了一种自顶向下递归划分区域的方法,并根据递归深度的增加,多维度定义隐私预算分配规则;其次,通过时空图卷积网络(T-GCN)提取数据的时间和空间特征预测隐私预算矩阵,并对区域添加Laplace噪声,实现轨迹数据的隐私保护。实验结果表明,在满足ε-差分隐私的前提下,该方法能更合理地实现轨迹的隐私保护。

耦合时空因素的城市供水管网压力预测研究

为了更好地监控供水管网运行状态,辅助压力调度,提出了基于时间图卷积网络(T-GCN)的供水管网压力时空预测方法。将供水管网中压力传感器的空间分布与历史压力数据有效结合,分析了供水管网压力预测的时空依赖关系,利用真实供水管网数据分析了不同时间步长下T-GCN模型对压力的时空预测性能,并与其他模型预测精度进行了对比。结果表明,T-GCN模型预测效果比HA、SVR、ARIMA等传统模型更好,并且随着时间步长的增加,其精度和R2值要优于单独GCN模型和GRU模型。T-GCN模型能够有效从传感器网络中获取到空间和时间特征,实现对供水管网压力更加准确的时空预测。