基于图卷积神经网络的多维空间频谱预测方法及系统

本发明涉及频谱感知预测，具体是指基于图卷积神经网络的多维空间频谱预测方法及系统。

背景技术：

1、随着无线通信技术的高速迭代与全域普及，5g、物联网、卫星通信等多制式、多频段无线业务密集部署，电磁频谱空间呈现出多维异构、动态时变、区域耦合、瞬态扰动显著的复杂特性。频谱资源作为无线通信的核心战略资源，其高效利用、精准管控依赖于对全域空间、全时段、多频段频谱状态的精准预测，提前感知频谱占用、能量分布、干扰变化等状态演化规律，能够为频谱动态分配、干扰规避、电磁环境管控提供核心数据支撑。

2、当前主流频谱预测技术多基于传统时序预测模型，仅依托单点频谱时序数据开展时间维度预测，存在明显技术缺陷：其一，忽略了全域频谱监测节点间的空间电磁传播关联与频谱状态耦合特性，无法挖掘跨区域、远距离的频谱联动规律，空间维度建模能力缺失；其二，未区分频谱空间稳态特征、时序连续特征、频段异构特征与瞬态干扰特征的差异化物理属性，多类异构特征混合编码导致特征冗余、有效特征淹没，建模精度受限；其三，传统模型缺乏对稳态频谱基线与瞬态频谱突变的差异化适配能力，针对城区密集、郊区稀疏、频段异构等复杂电磁场景的自适应性能差，存在时序建模滞后、瞬态扰动预测失真、全域预测精度不均衡等问题；其四，单一损失约束模型无法同时兼顾频谱长期稳态演化的整体精度与短时突发突变的单点精度，难以适配复杂动态的真实电磁环境。

3、图卷积神经网络凭借其非结构化数据拓扑建模优势，可有效挖掘节点间关联特征，为全域频谱空间建模提供了新思路，但现有基于图卷积的频谱预测方案普遍存在拓扑构建贴合性差、异构特征解耦能力弱、特征挖掘分层性不足、时序校准精度低、场景自适应能力欠缺等问题，无法实现多维空间频谱的高精度、全场景自适应预测。基于此，本发明提出一种基于图卷积神经网络的多维空间频谱预测方法及系统。

技术实现思路

1、本发明的目的是提供一种基于图卷积神经网络的多维空间频谱预测方法及系统，解决传统频谱预测技术空间建模缺失、异构特征混杂、场景适配性差、稳态与瞬态预测精度失衡、时序建模滞后的技术问题，实现全域、多频段、长短期兼顾的高精度多维频谱智能预测。

2、为实现上述目的，本发明提供的技术方案为：一种基于图卷积神经网络的多维空间频谱预测方法，包括：

3、s1、构建电磁机理驱动的自适应频谱拓扑图：以全域分布式部署的各频谱监测节点为拓扑节点，结合无线电磁空间衰减传播机理计算节点间的空间电磁关联权重，结合各节点历史频谱时序演化规律计算频谱状态耦合权重，对空间电磁关联权重与频谱状态耦合权重进行自适应融合，生成动态加权邻接矩阵，并剔除无电磁耦合关联的无效拓扑连接，得到贴合真实电磁传播特性的频谱拓扑网络；

4、s2、多维频谱异构特征分层解耦嵌入：采集各拓扑节点对应的空间稳态特征、时序连续特征、频段异构特征、瞬态干扰特征四类核心多维频谱特征，分别配置独立专属编码分支完成差异化嵌入编码，保留各类特征的独立物理属性，再通过机理级特征融合策略完成特征拼接与维度对齐，生成高维统一的频谱融合特征向量；

5、s3、双残差自适应图卷积分层特征挖掘：构建双层嵌套残差结构的自适应图卷积神经网络，通过首层局部残差图卷积层挖掘节点邻域内的局部频谱关联特征，通过次层全局残差图卷积层挖掘跨节点、跨区域的全域频谱耦合联动特征，同时根据实时电磁环境动态自适应调整卷积特征权重，筛选并强化有效频谱特征、抑制冗余噪声特征；

6、s4、稳态-瞬态双分支时序动态校准：引入双分支时序注意力机制，对频谱长期稳态基线特征分配恒定基准权重，对短时突发扰动、频谱跳变的瞬态特征分配动态自适应权重，修正时序建模滞后偏差，完成频谱时序特征的精细化校准；

7、s5、联合损失约束模型迭代优化与预测输出：采用稳态损失函数与瞬态损失函数相结合的联合损失约束机制，对模型进行反向迭代训练直至模型收敛，基于收敛后的最优模型，输入实时多维频谱数据，输出未来预设时长内各空间节点、各目标频段的多维频谱预测结果。

8、进一步地，步骤s1中，空间电磁关联权重的计算方式为：基于频谱监测节点的经纬度坐标计算欧式空间距离，结合无线信号自由空间衰减模型，将空间距离转化为电磁衰减系数，依据电磁衰减系数大小映射得到归一化空间电磁关联权重，空间距离越近、电磁衰减越小，对应空间电磁关联权重越大。

9、进一步地，步骤s1中，频谱状态耦合权重的计算方式为：提取任意两个频谱监测节点预设历史时长内的频谱能量时序序列、频段占用时序序列，通过余弦相似度算法计算两组时序序列的演化相似度，归一化后得到频谱状态耦合权重，两节点频谱演化趋势一致性越高，频谱状态耦合权重越大。

10、进一步地，步骤s1中，自适应融合具体为：针对城区密集部署节点，降低空间权重占比、提升频谱耦合权重占比，规避近距离节点权重冗余问题；针对郊区稀疏部署节点，提升空间权重占比、保留弱频谱耦合权重，维持全域频谱基线关联特性；针对同频段节点强化耦合权重，针对异频段节点弱化耦合权重，实现拓扑权重场景自适应匹配。

11、进一步地，步骤s2中，四类核心多维频谱特征的编码方式具体包括：对空间稳态特征进行拓扑结构嵌入编码，固化节点固有空间关联属性；对时序连续特征进行平滑序列化嵌入编码，提取频谱日夜基线演化规律；对频段异构特征进行差异化独热嵌入编码，区分不同频段的穿透性、带宽特性差异；对瞬态干扰特征进行高频特征强化嵌入编码，保留突发噪声、瞬时干扰、频段跳变的细节特征。

12、进一步地，步骤s3中，所述双层嵌套残差结构具体为：每层图卷积层均设置残差旁路连接，将卷积层输入原始特征与卷积输出深度特征逐元素融合；局部残差图卷积层专注挖掘邻域频谱干扰叠加、资源复用、同步波动特征，全局残差图卷积层专注挖掘跨区域干扰扩散、全域频谱基线偏移、远距离频谱联动特征。

13、进一步地，步骤s3中，实时电磁环境动态自适应调整卷积特征权重的逻辑为：当频谱时序波动方差小于预设平稳阈值时，判定为稳态电磁场景，弱化随机噪声特征权重、强化频谱基线稳态特征权重；当频谱时序波动方差大于预设突变阈值时，判定为非平稳电磁场景，放大高频扰动特征权重、强化瞬态突变特征表征能力。

14、进一步地，步骤s4中，所述双分支时序注意力机制具体实现为：构建稳态注意力分支与瞬态注意力分支，所述稳态注意力分支基于长周期时序统计特征生成固定权重；所述瞬态注意力分支基于短时时序梯度变化特征生成动态权重，自适应适配频谱突发波动、瞬时占用跳变场景，所述固定权重与动态权重融合后完成时序特征校准。

15、进一步地，步骤s5中，所述联合损失约束机制构建方式为：采用均方误差作为稳态损失函数，约束频谱基线长期演化的整体预测精度；采用平均绝对误差作为瞬态损失函数，约束频谱突发突变点的单点预测精度，通过加权系数平衡两类损失，实现稳态场景与非平稳场景预测精度的双向优化。

16、本发明还提供了一种基于图卷积神经网络的多维空间频谱预测系统，用于实现上述多维空间频谱预测方法，包括：

17、自适应拓扑构建模块，用于采集全域频谱监测节点的空间位置数据与历史频谱数据，基于电磁衰减机理与频谱时序相似度计算双重权重，自适应融合生成动态加权拓扑邻接矩阵，构建贴合真实电磁环境的频谱拓扑网络；

18、多维特征解耦嵌入模块，用于拆分空间稳态、时序连续、频段异构、瞬态干扰四类频谱特征，通过独立编码分支完成差异化嵌入，实现多维异构特征的机理级融合，生成统一高维特征向量；

19、双残差图卷积特征挖掘模块，用于通过双层嵌套残差图卷积网络分层挖掘局部与全域频谱耦合特征，并根据实时电磁场景自适应调整卷积权重，筛选优化核心频谱特征；

20、时序动态校准模块，用于通过稳态-瞬态双分支时序注意力机制，对深度频谱特征进行差异化加权校准，修正时序预测滞后偏差，适配频谱稳态演化与突发扰动场景；

21、模型训练与预测输出模块，用于通过稳态-瞬态联合损失函数迭代优化模型，保存收敛后的最优模型，基于实时输入数据实现全域多维频谱状态预测，输出各空间节点、各目标频段的频谱占用率、能量强度、干扰强度预测结果。

22、本发明与现有技术相比的优点在于：

23、本发明构建了电磁机理与数据驱动融合的自适应频谱拓扑网络，结合无线自由空间衰减机理计算空间关联权重、依托时序相似度计算频谱耦合权重，同时针对城区、郊区、同异频段场景实现权重自适应融合，剔除无效拓扑连接，拓扑结构完全贴合真实电磁传播特性，解决了传统拓扑构建固定权重、场景适配性差、关联建模失真的问题。

24、本发明采用四类多维频谱异构特征分层解耦嵌入策略，针对空间、时序、频段、瞬态四类特征的差异化物理属性配置独立编码分支，保留各类特征固有物理特性，通过机理级融合实现异构特征高效融合，避免了传统特征混合编码导致的特征冗余、有效信息淹没问题，大幅提升特征表征精度。

25、本发明设计双层嵌套残差自适应图卷积网络，分层挖掘局部邻域频谱关联与全域跨区域频谱耦合特征，依托残差结构规避深层网络特征退化问题，同时基于频谱时序波动方差实现电磁场景自适应权重调整，稳态场景强化基线特征、非稳态场景强化瞬态突变特征，有效筛选有效频谱特征、抑制冗余噪声。

26、本发明引入稳态-瞬态双分支时序注意力机制，通过固定基准权重保障频谱长期稳态预测的稳定性，通过动态自适应权重适配短时频谱突发扰动、频段跳变场景，有效修正单一时序建模的滞后偏差，实现频谱时序特征的精细化校准，兼顾长周期基线预测精度与短周期瞬态突变预测精度。

27、本发明构建稳态与瞬态联合损失约束机制，通过均方误差损失约束全局稳态演化精度，通过平均绝对误差损失约束瞬态突变单点精度，双向平衡不同电磁场景的预测误差，模型训练收敛效果更好、泛化能力更强，可实现全域空间、多频段、长短期兼顾的高精度多维频谱智能预测，适配复杂动态的真实电磁环境。