CN117295093A - 一种基于数据驱动的终端业务流量行为建模方法 - Google Patents

Abstract

本发明公开了一种基于数据驱动的终端业务流量行为建模方法，包括以下步骤：S1.将采样区域地图进行栅格化处理，以流量信息赋值后的栅格化地图序列作为输入，构建终端的流量时空分布特征提取模型；S2.将采样区域基站分布的拓扑结构提取为基站小区流量有权图，构建终端流量行为的时空特征提取模型；S3.对终端流量行为特征进行聚合优化处理，完成终端业务流量行为建模。本发明通过对区域内的无线网络终端进行流量行为的建模，实现了对终端的时空预测。

Description

一种基于数据驱动的终端业务流量行为建模方法

技术领域

本发明涉及流量行为建模，特别是涉及一种基于数据驱动的终端业务流量行为建模方法。

背景技术

现有的通信时空预测方案在基于终端业务流量的历史数据进行分析时，主要有传统数据建模的方法与采用基于监督学习的时空预测方法，通常传统数据建模的只针对数据的时域相关性进行，在对终端的空间上分布的处理效果欠佳，难以针对大范围多基站覆盖的终端流量行为进行建模分析。同时现有的基于神经网络的流量行为时空预测方法，通常只分别关注空间与时间的相关性，而难以结合终端的时空相关性，导致预测效果往往较低。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于数据驱动的终端业务流量行为建模方法，通过对区域内的无线网络终端进行流量行为的建模，实现对终端的时空预测。

本发明的目的是通过以下技术方案来实现的：一种基于数据驱动的终端业务流量行为建模方法，包括以下步骤：

S1.将采样区域地图进行栅格化处理，以流量信息赋值后的栅格化地图序列作为输入，构建终端的流量时空分布特征提取模型；

S2.将采样区域基站分布的拓扑结构提取为基站小区流量有权图，构建终端流量行为的时空特征提取模型；

S3.对终端流量行为特征进行聚合优化处理，完成终端业务流量行为建模。

本发明的有益效果是：本发明通过对区域内的无线网络终端进行流量行为的建模，实现对终端的时空预测，解决了终端流量难以进行准确时空预测的问题，为后续基站资源分配，基站建设指导奠定基础。

附图说明

图1为本发明的原理示意图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种基于数据驱动的终端业务流量行为建模方法，包括以下步骤：

S1.将采样区域地图进行栅格化处理，以流量信息赋值后的栅格化地图序列作为输入，构建终端的流量时空分布特征提取模型；

S101.将采样区域地图进行栅格化，每一个栅格的大小为50x50m，并采集每一个栅格中心的经纬度信息作为栅格经纬度：

S102.获取终端分布概率地图，首先需要采集终端4G最小化路测数据MDT与5G测量报告数据MR；预先对数据进行扩充：

1、对于MDT数据，采用指纹数据库回填方法：

(1)对于每一个MDT数据，提取有经纬度信息的终端数据，包括以下字段：经纬度，一个服务小区数据：PCI、RSRP、RSRQ、SINR，以及多个邻区数据，每一个邻区数据均包括该邻区的PCI、RSRP；

将有经纬度的MDT数据放入地理位置最近的栅格中，放入规则：寻找与当前MDT数据的经纬度最近的栅格中心，然后将MDT数据放入该栅格中心对应的栅格中，以此建立指纹数据库：即为每个栅格生成一个特征向量，其中栅格经纬度(x,y)的栅格对应的特征向量记为G_(x,y)；

首先将放入栅格经纬度(x,y)的栅格中的所有MDT数据进行分类：将栅格中所有MDT数据中包含的服务小区数据按照PCI进行分类，每一个PCI为一类；将所有MDT数据中包含的邻区数据按照PCI进行分类，每一个PCI为一类；设总共得到了k1类服务小区和k2类邻区，则：

G_(x,y)＝{x,y,sc₁,sc₂,...,sc_k1,nc₁,nc₂,…,nc_k2}

其中，sc_j为栅格中第j类服务小区信息，nc_i为第i类邻区信息，j＝1,2，…,k1，i＝1,2，…,k2；

第j类服务小区信息特征向量sc_j包含rsrp_scj，rsrq_scj，sinr_scj，pci_scj，分别为第j类服务小区RSRP、RSRQ、SINR和PCI，其中rsrp_scj取第j类服务小区中各个小区的RSRP的平均值，rsrq_scj取第j类服务小区中各个小区的RSRQ的平均值，其sinr_scj取第j类服务小区中各个小区的SINR的平均值：

sc_j＝{rsrp_scj,rsrq_scj,sinr_scj,pci_scj}

第i类邻区信息特征向量nc_i包含rsrp_nci、pci_nci，分别为第i类邻区的RSRP和PCI，其中，rsrp_nci取第i类邻区中各个邻区的RSRP的平均值：

nc_i＝{rsrp_nci,pci_nci}；

(2)对于未知经纬度的MDT数据，根据PCI值进行匹配：从各个栅格的特征向量筛选出与未知经纬度的MDT数据中PCI相同的栅格；然后计算未知经纬度的MDT数据到筛选出的栅格的欧式距离，具体方法如下：

A1、对于任一未知经纬度的MDT数据，选取服务小区与其中K个邻区的信息，构建小区信息特征向量u＝{sc′,nc′₁,...,nc′_K}，其中K可以根据需要进行设置，一般情况下需要不大于MDT数据中包含的邻区数目；其中：

sc′＝{rsrp′_sc,rsrq′_sc,sinr′_sc,pci′_sc}，rsrp′_sc,rsrq′_sc,sinr′_sc,pci′_sc分别表示未知经纬度的MDT数据中服务小区的PCI、RSRP、RSRQ、SINR；

nc′_k＝{rsrp′_nck,pci′_nck}，rsrp′_nck,pci′_nck分别表示选择的K个邻区中第k个邻区的RSRP和PCI，k＝1,…,K；

A2、使用u与指纹数据库中的栅格特征向量G_(x,y)进行匹配：

A21、对于任一栅格，若该栅格的特征向量G_(x,y)中，同时包含了PCI为pci′_sc的服务小区数据和PCI为pci′_nc1、...、pci′_ncK的邻区数据，则：将G_(x,y)中PCI为pci′_sc的一类服务小区数据，与sc′求欧式距离；将G_(x,y)中与PCI为pci′_nck的邻区数据，与nc′_k求欧式距离，k＝1,2，…,K；然后将所有得到的欧式距离相加，得到当前栅格特征向量与MDT数据的欧式距离和；

A22、遍历每一个栅格，并分别按照步骤A21处理，从得到的欧式距离和中，选择欧式距离和最小的栅格，将其经纬度作为该未知经纬度的MDT数据的经纬度信息，并回填到数据中，达到扩充含经纬度的MDT数据的目的；同时将回填经纬度后的MDT数据放入对应的栅格中；

A3、对于每一个未知经纬度的MDT数据，重复执行步骤A1～A2；

2、对于每一个MR数据，由于无经纬度信息，采用三角函数计算终端经纬度，首先提取MR数据中垂直方向角vAOA，时间提前量TA，水平方向角hAOA，基站天线站高H，终端海拔h，具体方法如下：

使用时间提前量TA，与单位时间提前量对应的距离相乘，作为终端与天线直线距离，即三角形斜边，5G下单位时间提前量对应的距离为39m；

基站天线站高H与终端海拔h作差，结果为三角形高；

将基站垂直方向角vAOA为三角形顶角；

根据三角函数计算底边长d，即终端与基站水平投影距离。

d＝39·TA·sin(vAOA)

从已知位置的基站出发，根据水平方向角hAOA与投影距离d进行延伸，得到MR数据的位置，并以最近距离的栅格中心的经纬度为该数据的回填经纬度，从而实现MR数据的扩容处理，回填经纬度后的MR数据放入对应的栅格中；

S102.生成终端分布概率地图：以当前时刻t落入某一栅格g的终端数量占小区c总终端数量的比例p，为该栅格g在t时刻的终端分布概率，由此生成了t时刻的终端分布概率地图m；

采集基站小区性能指标数据，提取数据中的不同时刻的小区上下行流量，根据对应时刻的终端分布概率地图，将小区流量按比例放入各栅格中，生成不同时刻的终端流量分布地图；

S103.采用ConvLSTM网络，使用含有终端流量分布的栅格地图进行卷积处理训练：将选定区域的栅格数据通过归一化处理，生成的矩阵使用卷积计算，并输入LSTM网络取代LSTM的记忆cell中的全连接层，从而实现提取各栅格的时间特征，以S102中生成的历史时刻流量地图作为训练集对ConvLSTM进行模型训练，其中训练窗口为T1(28天)，将T1时间长度内每一个时刻的流量地图作为训练输入，之后的T2时间长度(7天)作为训练标签，使用adam优化器对网络进行训练，训练完成的ConvLSTM网络输出为终端用户的在T2时间长度分布序列，即每一个时刻预测到的终端流量分布地图G₁。在时间长度T1、T2内各个时刻的时间间隔由用户根据基站区流量数据粒度进行预先设定，可以是1小时，也可以是30分钟，15分钟。

S2.将采样区域基站分布的拓扑结构提取为基站小区流量有权图，构建终端流量行为的时空特征提取模型；

所述步骤S2中，所述基站小区流量有权图记为G＝(V,E)，其中顶点V为采样区域内基站小区的指标向量的集合；邻边E为表示连接采样区域内两个基站是否相邻的边的邻接矩阵。

所述顶点V的特征指标向量使用基站性能指标提取生成，包含当前采样时刻基站小区不同业务的上下行流量数据和小区占用率：

其中V_n为第n个小区，分别为该小区不同业务的上行、下行流量以及占用率，V＝{V₁,V₂,...,V_N}，N表示基站小区的数目。

所述邻接矩阵E的确定方式如下：

确定基于基站小区空间距离的邻接矩阵E_d：

其中，M表示基站数目，表示第i个基站小区和第j个基站小区的空间距离，i＝1,2,...,M，j＝1,2,...,M；pos_i表示第i个基站小区对应的基站位置，pos_j表示第j个基站小区对应的基站位置，所述基站位置是指基站的经纬度信息，由于每个基站均包含多个基站小区，所以当第i个基站小于和第j个基站小区属于同一基站时，基站对应的基站位置相同，

确定基于相邻基站小区切换次数的邻接矩阵E_c：

表示第i个基站小区和第j个基站小区间的切换次数，i＝1,2,...,M，j＝1,2,...,M；当i＝j时，/>

确定基于相邻基站小区切换流量大小的邻接矩阵E_s：

表示第i个基站小区和第j个基站小区间的切换流量大小，i＝1,2,...,M，j＝1,2,...,M；当i＝j时，/>

构建邻接矩阵的方式以矩阵点乘，分别对权重矩阵E_d、E_c、E_s进行归一化处理后，进行点乘处理，得到最终得到GCN邻接矩阵E＝E_d·E_c·E_s。

所述构建终端流量行为的时空特征提取模型的过程包括：

将采样区域内的不同时刻的有权图作为训练数据集输入图卷积神经网络GCN进行终端流量行为的时空特征提取训练；

GCN网络采用2-Hop，即两层卷积层进行空间特征提取，不同时刻的图的每个顶点即每个基站小区，都生成相对应的两层计算树，计算该顶点的二阶相邻关系，计算过程通过计算树实现，计算树从第二层叶节点的特征向量开始，通过加权求和操作，再经过神经网络获得第一层叶节点的特征向量，对第一层叶节点重复该步骤，最终获得根节点的嵌入特征向量，该向量包含了该根节点的两层空间特征语义信息，从而捕获空间上各节点的依赖关系，即多基站流量的空间特征；对于所有顶点，计算树第一层与第二层神经网络权重分别共享权值，权值通过历史基站流量有权图集G训练学习：

将所有基站小区流量有权图集G以一定时间粒度分为若干份子集，每份子集包含每天同一时刻t的基站流量有权图，子集随机分为训练集和标签集，GCN网络训练中，训练集为输入，标签集样本为计算树计算后结果；训练后GCN网络输出为在时刻t每个节点的两层空间特征向量，从而提取时刻基站空间分布特征；

各基站小区流量的时间特征采用LSTM网络进行捕捉，LSTM网络训练输入为前一段时间长度T3(28天)基站小区流量有权图经过GCN网络后的输出结果，其中LSTM中t时刻cell的输入，使用时刻t的GCN网络输出替代，即该时刻t的所有节点的两层空间特征，维度为R^{N ×F}，N为基站节点数量，F为提取的两层节点空间特征的长度；训练标签为后一段设定时间长度T4(7天)的基站小区流量有权图经过GCN网络后的输出结果，最终LSTM网络输出为预测后一段设定时间长度T4的基站流量有权图的空间特征；从而在提取多基站小于空间特征的基础上提取了基站小区流量的时间特征，获得基站小区的流量预测结果；

在时间长度T3、T4内各个时刻的时间间隔由用户根据基站区流量数据粒度进行预先设定，可以是1小时，也可以是30分钟，15分钟。

将LSTM网络的输出作为基站小区的流量行为时空特征序列，根据步骤S101，S102的生成流量概率分布的方法，基于此前生成的终端分布概率地图，将预测后的小区流量以终端分布的概率放入栅格地图中，得到终端流量分布地图G₂。

S3.对终端流量行为特征进行聚合优化处理，完成终端业务流量行为建模。

所述步骤S3包括：

对训练获得的终端流量行为特征进行聚合优化处理；步骤S1中的ConvLSTM网络输出为预测后的终端流量分布地图G₁，步骤S2中的GCN网络输出为小区预测流量，经过栅格化地图处理，输出也为终端流量分布地图G₂；对于每一个栅格，使用加权平均方法，将输出结果进行聚合处理，G₃＝(G₁,G₂)(a₁,a₂)^T，a₁,a₂为聚合参数，得到的G₃为流量行为的输出结果，完成终端业务流量行为建模。a₁,a₂由用户根据数据采样点稀疏度进行设定，如果当前数据不为空的栅格采样点数足够，则意味着栅格不稀疏，使用ConvLSTM效果更好，所以a₁权重较大，反之亦然。

本发明在栅格化地图的基础上进行终端流量的时空预测分析，步骤1中采用ConvLSTM方法，以流量信息赋值后的栅格化地图序列作为输入，提取终端的流量时空分布特征。同时针对现实中终端采样数据提取时，出于隐私保护考虑，地理信息缺失导致采样点较为稀疏的问题，本专利步骤2中提出采用GCN方式提取基站层面的流量时空分布，再赋值到栅格化地图中。在步骤3中，将步骤2与步骤1中的终端时空分布特征进行聚合，增强预测效果。本方案通过上述步骤，对终端的业务流量数据进行建模分析，解决了终端流量难以进行准确时空预测的问题，为后续基站资源分配，基站建设指导，以及建立数字孪生体奠定基础。

上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.一种基于数据驱动的终端业务流量行为建模方法，其特征在于：包括以下步骤：

S1.将采样区域地图进行栅格化处理，以流量信息赋值后的栅格化地图序列作为输入，构建终端的流量时空分布特征提取模型；

S2.将采样区域基站分布的拓扑结构提取为基站小区流量有权图，构建终端流量行为的时空特征提取模型；

S3.对终端流量行为特征进行聚合优化处理，完成终端业务流量行为建模。

2.根据权利要求1所述的一种基于数据驱动的终端业务流量行为建模方法，其特征在于：所述步骤S1包括：

S101.将采样区域地图进行栅格化，每一个栅格的大小为50x50m，并采集每一个栅格中心的经纬度信息作为栅格经纬度：

S102.获取终端分布概率地图，首先需要采集终端4G最小化路测数据MDT与5G测量报告数据MR；预先对数据进行扩充：

1、对于MDT数据，采用指纹数据库回填方法：

(1)对于每一个有经纬度信息的MDT数据，提取以下字段：经纬度，一个服务小区数据：PCI、RSRP、RSRQ、SINR，以及多个邻区数据，每一个邻区数据均包括该邻区的PCI、RSRP；

将有经纬度的MDT数据放入地理位置最近的栅格中，放入规则：寻找与当前MDT数据的经纬度最近的栅格中心，然后将MDT数据放入该栅格中心对应的栅格中，以此建立指纹数据库：即为每个栅格生成一个特征向量，其中栅格经纬度(x,y)的栅格对应的特征向量记为G_(x,y)；

首先将放入栅格经纬度(x,y)的栅格中的所有MDT数据进行分类：将栅格中所有MDT数据中包含的服务小区数据按照PCI进行分类，每一个PCI为一类；将所有MDT数据中包含的邻区数据按照PCI进行分类，每一个PCI为一类；设总共得到了k1类服务小区和k2类邻区，则：

G_(x,y)＝{x,y,sc₁,sc₂,...,sc_k1,nc₁,nc₂,...,nc_k2}

其中，sc_j为栅格中第j类服务小区信息，nc_i为第i类邻区信息，j＝1,2，…,k1，i＝1,2，…,k2；

第j类服务小区信息特征向量sc_j包含rsrp_scj，rsrq_scj，sinr_scj，pci_scj，分别为第j类服务小区RSRP、RSRQ、SINR和PCI，其中rsrp_scj取第j类服务小区中各个小区的RSRP的平均值，rsrq_scj取第j类服务小区中各个小区的RSRQ的平均值，其sinr_scj取第j类服务小区中各个小区的SINR的平均值：

sc_j＝{rsrp_scj,rsrq_scj,sinr_scj,pci_scj}

第i类邻区信息特征向量nc_i包含rsrp_nci、pci_nci，分别为第i类邻区的RSRP和PCI，其中，rsrp_nci取第i类邻区中各个邻区的RSRP的平均值：

nc_i＝{rsrp_nci,pci_nci}；

(2)对于未知经纬度的MDT数据，根据PCI值进行匹配：从各个栅格的特征向量筛选出与未知经纬度的MDT数据中PCI相同的栅格；然后计算未知经纬度的MDT数据到筛选出的栅格的欧式距离，具体方法如下：

A1、对于任一未知经纬度的MDT数据，选取服务小区与其中K个邻区的信息，构建小区信息特征向量u＝{sc′,nc′₁,...,nc′_K}，其中：

sc′＝{rsrp′_sc,rsrq′_sc,sinr′_sc,pci′_sc}，rsrp′_sc,rsrq′_sc,sinr′_sc,pci′_sc分别表示未知经纬度的MDT数据中服务小区的PCI、RSRP、RSRQ、SINR；

nc′_k＝{rsrp′_nck,pci′_nck}，rsrp′_nck,pci′_nck分别表示选择的K个邻区中第k个邻区的RSRP和PCI，k＝1,…,K；

A2、使用u与指纹数据库中的栅格特征向量G_(x,y)进行匹配：

A21、对于任一栅格，若该栅格的特征向量G_(x,y)中，同时包含了PCI为pci′_sc的服务小区数据和PCI为pci′_nc1、...、pci′_ncK的邻区数据，则：将G_(x,y)中PCI为pci′_sc的一类服务小区数据，与sc′求欧式距离；将G_(x,y)中与PCI为pci′_nck的邻区数据，与nc′_k求欧式距离，k＝1,2，…,K；然后将所有得到的欧式距离相加，得到当前栅格特征向量与MDT数据的欧式距离和；

A22、遍历每一个栅格，并分别按照步骤A21处理，从得到的欧式距离和中，选择欧式距离和最小的栅格，将其经纬度作为该未知经纬度的MDT数据的经纬度信息，并回填到数据中，达到扩充含经纬度的MDT数据的目的；同时将回填经纬度后的MDT数据放入对应的栅格中；

A3、对于每一个未知经纬度的MDT数据，重复执行步骤A1～A2；

2、对于每一个MR数据，由于无经纬度信息，采用三角函数计算终端经纬度，首先提取MR数据中垂直方向角vAOA，时间提前量TA，水平方向角hAOA，基站天线站高H，终端海拔h，具体方法如下：

使用时间提前量TA，与单位时间提前量对应的距离相乘，作为终端与天线直线距离，即三角形斜边，5G下单位时间提前量对应的距离为39m；

基站天线站高H与终端海拔h作差，结果为三角形高；

将基站垂直方向角vAOA为三角形顶角；

根据三角函数计算底边长d，即终端与基站水平投影距离

d＝39·TA·sin(vAOA)

从已知位置的基站出发，根据水平方向角hAOA与投影距离d进行延伸，得到MR数据的位置，并以最近距离的栅格中心的经纬度为该数据的回填经纬度，从而实现MR数据的扩容处理，回填经纬度后的MR数据放入对应的栅格中；

S102.生成终端分布概率地图：以当前时刻t落入某一栅格g的终端数量占小区c总终端数量的比例p，为该栅格g在t时刻的终端分布概率，由此生成了t时刻的终端分布概率地图m；

采集基站小区性能指标数据，提取数据中的不同时刻的小区上下行流量，根据对应时刻的终端分布概率地图，将小区流量按比例放入各栅格中，生成不同时刻的终端流量分布地图；

S103.采用ConvLSTM网络，使用含有终端流量分布的栅格地图进行卷积处理训练：将选定区域的栅格数据通过归一化处理，生成的矩阵使用卷积计算，并输入LSTM网络取代LSTM的记忆cell中的全连接层，从而实现提取各栅格的时间特征，以S102中生成的历史时刻流量地图作为训练集对ConvLSTM进行模型训练，其中训练窗口为T1，将T1时间长度内每一个时刻的流量地图作为训练输入，之后的T2时间长度作为训练标签，使用adam优化器对网络进行训练，训练完成的ConvLSTM网络输出为终端用户的在T2时间长度分布序列，即每一个时刻预测到的终端流量分布地图G₁。

3.根据权利要求1所述的一种基于数据驱动的终端业务流量行为建模方法，其特征在于：所述步骤S2中，所述基站小区流量有权图记为G＝(V,E)，其中顶点V为采样区域内基站小区的指标向量的集合；邻边E为表示连接采样区域内两个基站是否相邻的边的邻接矩阵。

4.根据权利要求3所述的一种基于数据驱动的终端业务流量行为建模方法，其特征在于：所述顶点V的特征指标向量使用基站性能指标提取生成，包含当前采样时刻基站小区不同业务的上下行流量数据和小区占用率：

其中V_n为第n个小区，分别为该小区不同业务的上行、下行流量以及占用率，V＝{V₁,V₂,...,V_N}，N表示基站小区的数目。

5.根据权利要求3所述的一种基于数据驱动的终端业务流量行为建模方法，其特征在于：所述邻接矩阵E的确定方式如下：

确定基于基站小区空间距离的邻接矩阵E_d：

其中，M表示基站数目，表示第i个基站小区和第j个基站小区的空间距离，i＝1,2,...,M，j＝1,2,...,M；pos_i表示第i个基站小区对应的基站位置，pos_j表示第j个基站小区对应的基站位置，所述基站位置是指基站的经纬度信息，由于每个基站均包含多个基站小区，所以当第i个基站小于和第j个基站小区属于同一基站时，基站对应的基站位置相同，

确定基于相邻基站小区切换次数的邻接矩阵E_c：

表示第i个基站小区和第j个基站小区间的切换次数，i＝1,2,...,M，j＝1,2,...,M；当i＝j时，/>

确定基于相邻基站小区切换流量大小的邻接矩阵E_s：

表示第i个基站小区和第j个基站小区间的切换流量大小，i＝1,2,...,M，j＝1,2,...,M；当i＝j时，/>

构建邻接矩阵的方式以矩阵点乘，分别对权重矩阵E_d、E_c、E_s进行归一化处理后，进行点乘处理，得到最终得到GCN邻接矩阵E＝E_d·E_c·E_s。

6.根据权利要求1所述的一种基于数据驱动的终端业务流量行为建模方法，其特征在于：所述构建终端流量行为的时空特征提取模型的过程包括：

将采样区域内的不同时刻的有权图作为训练数据集输入图卷积神经网络GCN进行终端流量行为的时空特征提取训练；

GCN网络采用2-Hop，即两层卷积层进行空间特征提取，不同时刻的图的每个顶点即每个基站小区，都生成相对应的两层计算树，计算该顶点的二阶相邻关系，计算过程通过计算树实现，计算树从第二层叶节点的特征向量开始，通过加权求和操作，再经过神经网络获得第一层叶节点的特征向量，对第一层叶节点重复该步骤，最终获得根节点的嵌入特征向量，该向量包含了该根节点的两层空间特征语义信息，从而捕获空间上各节点的依赖关系，即多基站流量的空间特征；对于所有顶点，计算树第一层与第二层神经网络权重分别共享权值，权值通过历史基站流量有权图集G训练学习：

将所有基站小区流量有权图集G以一定时间粒度分为若干份子集，每份子集包含每天同一时刻t的基站流量有权图，子集随机分为训练集和标签集，GCN网络训练中，训练集为输入，标签集样本为计算树计算后结果；训练后GCN网络输出为在时刻t每个节点的两层空间特征向量，从而提取时刻基站空间分布特征；

各基站小区流量的时间特征采用LSTM网络进行捕捉，LSTM网络训练输入为前一段时间长度T3基站小区流量有权图经过GCN网络后的输出结果，其中LSTM中t时刻cell的输入，使用时刻t的GCN网络输出替代，即该时刻t的所有节点的两层空间特征，维度为R^N×F，N为基站节点数量，F为提取的两层节点空间特征的长度；训练标签为后一段设定时间长度T4的基站小区流量有权图经过GCN网络后的输出结果，最终LSTM网络输出为预测后一段设定时间长度T4的基站流量有权图的空间特征；从而在提取多基站小于空间特征的基础上提取了基站小区流量的时间特征，获得基站小区的流量预测结果；

将LSTM网络的输出作为基站小区的流量行为时空特征序列，根据步骤S101，S102的生成流量概率分布的方法，基于此前生成的终端分布概率地图，将预测后的小区流量以终端分布的概率放入栅格地图中，得到终端流量分布地图G₂。

7.根据权利要求1所述的一种基于数据驱动的终端业务流量行为建模方法，其特征在于：所述步骤S3包括：

对训练获得的终端流量行为特征进行聚合优化处理；步骤S1中的ConvLSTM网络输出为预测后的终端流量分布地图G₁，步骤S2中的GCN网络输出为小区预测流量，经过栅格化地图处理，输出也为终端流量分布地图G₂；对于每一个栅格，使用加权平均方法，将输出结果进行聚合处理，G₃＝(G₁,G₂)(a₁,a₂)^T，a₁,a₂为聚合参数，得到的G₃为流量行为的输出结果，完成终端业务流量行为建模。