文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.191010
中文引用格式： 荊通，丁文銳，劉春輝. 基于關(guān)聯(lián)規(guī)則挖掘的多步長頻譜占用預(yù)測方法[J].電子技術(shù)應(yīng)用，2020，46(3)：80-85.
英文引用格式： Jing Tong，Ding Wenrui，Liu Chunhui. Multi-step spectrum occupancy prediction method based on association rule mining[J]. Application of Electronic Technique，2020，46(3)：80-85.
0 引言
認知無線電技術(shù)提高了系統(tǒng)的頻譜利用率，然而在傳統(tǒng)頻譜感知中，認知用戶對所有頻帶進行感知會造成大量的能量損耗和處理時延，因此如何準確預(yù)測空間頻譜占用情況，即頻譜預(yù)測技術(shù)，受到研究人員的廣泛研究。頻譜預(yù)測技術(shù)能夠為認知用戶提供更好的頻譜接入條件，減少認知用戶和主用戶之間產(chǎn)生的數(shù)據(jù)傳輸沖突，避免對主用戶通信造成干擾，降低響應(yīng)時延，增加網(wǎng)絡(luò)的吞吐量[1]。頻譜預(yù)測過程一般包含3個步驟：(1)數(shù)據(jù)采集，實際頻譜采集或建立仿真頻譜模型生成；(2)數(shù)據(jù)預(yù)處理，有效數(shù)據(jù)選取、信號與噪聲的分離；(3)頻譜預(yù)測，設(shè)計頻譜預(yù)測方法進行預(yù)測。
設(shè)計有效的頻譜預(yù)測方法需考慮預(yù)測機制與預(yù)測方法兩方面：預(yù)測機制大多是采用時隙通信模式，將每個時隙的頻譜占用或空閑情況定義為一個二元時間序列，通過分析歷史數(shù)據(jù)獲取頻譜使用規(guī)律，進而預(yù)測未來頻譜占用狀態(tài)[2]；頻譜預(yù)測方法主要有基于隱馬爾可夫(Hidden Markov Model，HMM)的方法[3]、基于自回歸移動平均模型(Autoregressive Integrated Moving Average，ARIMA)的方法[4]、基于神經(jīng)網(wǎng)絡(luò)的方法[5]、基于關(guān)聯(lián)規(guī)則挖掘的方法等[6]?；陉P(guān)聯(lián)規(guī)則挖掘的方法在頻譜預(yù)測中性能表現(xiàn)較好，這類方法又包括基于部分周期模式挖掘的方法[6]、基于貝葉斯的方法[7]、應(yīng)用統(tǒng)計學(xué)習(xí)的方法[8]以及最大子模式命中[9]等。
在實際頻譜預(yù)測應(yīng)用中，往往不僅需要預(yù)測下一個時隙的頻譜占用情況，而且需要預(yù)測多個時隙一分鐘甚至一小時的頻譜占用情況，進而統(tǒng)計分析信道的可用性，避免頻繁切換信道?，F(xiàn)有方法只能保證下一個時隙的一步預(yù)測效果較為理想，而多時隙多步預(yù)測存在效果下降較快的問題。針對這一問題，本文借鑒Apriori算法中查找頻繁項集的思想，提出基于關(guān)聯(lián)規(guī)則挖掘的多步長頻譜占用預(yù)測方法，通過采集真實數(shù)據(jù)對所提出方法進行實驗驗證。
1 頻譜占用度
1.1 頻譜占用度預(yù)測用數(shù)據(jù)選取
信道頻譜占用度可以體現(xiàn)頻譜的活躍程度，信道頻譜活躍程度對驗證方法的可行性十分關(guān)鍵。若信道頻譜占用度極低(0%～5%)，數(shù)據(jù)處理后生成的信道狀態(tài)信息(Channel State Information，CSI)序列將近似為全0序列；若信道頻譜占用度極高(95%～100%)，生成的CSI序列將近似為全1序列，對這些信道進行CSI序列預(yù)測得到的結(jié)果極為可觀，正確率可達到90%以上，丟失率接近0。但這兩種極端情況都將使得CSI信道活躍度降低，即0/1狀態(tài)的轉(zhuǎn)換頻率變低，此時頻譜占用預(yù)測也將失去意義。故本文選取頻譜占用度35%～94%的信道進行預(yù)測分析。信道占用度計算方法如式(1)所示：
其中，F(xiàn)co表示信道占用度，Tf表示信道占用時間，T表示信道測量時間。
1.2 頻譜占用度閾值選取
頻譜占用狀態(tài)只有兩種：占用和空閑。通常，信道頻譜強度高于某門限，則認為信道處于被占用狀態(tài)，用“1”表示；相反，認為信道處于空閑狀態(tài)，用“0”表示，轉(zhuǎn)換原理如式(2)所示：
其中，cs表示信道狀態(tài)，PC表示信道電平值，PO表示預(yù)設(shè)門限值。該過程中如果預(yù)設(shè)門限值設(shè)置較小，則某些噪聲信號將被誤認為是有用信號；若門限設(shè)置較高，則會遺漏有用信號，因此頻譜占用度閾值的選取是數(shù)據(jù)預(yù)處理過程較為關(guān)鍵的步驟。
本文采用動態(tài)門限分割[10]的方法確定頻譜占用度門限，方法流程如圖1所示。
動態(tài)門限分割方法涉及兩個參數(shù)，一個是用于信噪分離的判別值，另一個是噪聲曲線平滑處理的次數(shù)。在《超短波頻段占用度測試技術(shù)規(guī)范》中，建議門限電平設(shè)置為各頻段內(nèi)當?shù)亟邮諜C平均功率電平或電壓指示以上5 dB。在無線電監(jiān)測工作中，一般把超過噪聲電平3 dB～5 dB的頻點視為信號?；谝陨蟽牲c，本文采用5 dB作為信噪分離的判別值，平滑處理次數(shù)取60，動態(tài)門限如圖2所示。
圖2(a)信道編號為3，統(tǒng)計電平值較低，多數(shù)集中在-76.45 dBm左右，且處于動態(tài)判決門限以下，被認定為噪聲信道；圖2(b)信道編號為61，統(tǒng)計電平值較高，多數(shù)集中在-67.45 dBm左右，且處于動態(tài)判決門限以上，被認定為信號信道。
各個信道的幅度-頻率信號被動態(tài)門限分割之后就形成了CSI矩陣，如圖3所示(圖中黑色實心方塊表示當前CSI=1，空白處則表示CSI=0)。
2 算法原理
2.1 時間序列關(guān)聯(lián)規(guī)則挖掘算法
Apriori算法[6]是關(guān)聯(lián)規(guī)則挖掘算法中經(jīng)典的算法，多用于非時序項集。算法一般分為兩部，一是生成頻繁模式，二是根據(jù)頻繁模式生成關(guān)聯(lián)規(guī)則。而使用該算法處理時間序列數(shù)據(jù)時，必須對序列進行模式劃分。對序列進行模式劃分時，每次取一部分數(shù)據(jù)進行時間序列關(guān)聯(lián)規(guī)則計算，然后向后滑動一個窗口，產(chǎn)生一個新的事務(wù)，再次計算時間序列關(guān)聯(lián)規(guī)則。保持每個事務(wù)窗口一致，這樣可以使當前事務(wù)區(qū)別于上一個事務(wù)，同時又不會漏掉可能產(chǎn)生的時間序列特征組合，如圖4所示。
時間序列關(guān)聯(lián)規(guī)則挖掘過程中有兩個重要判決條件：(1)當模式出現(xiàn)次數(shù)N大于最小支持度時，生成頻繁模式；(2)頻繁模式轉(zhuǎn)移率P大于最小置信度時，生成關(guān)聯(lián)規(guī)則，如圖5所示。
2.2 基于關(guān)聯(lián)規(guī)則挖掘的多步長頻譜占用預(yù)測算法
本節(jié)將使用上文方法生成的關(guān)聯(lián)規(guī)則進行多步長頻譜占用預(yù)測。
本文算法涉及概念和符號見表1。
輸入：原始幅度頻率數(shù)據(jù)（File_level）。
輸出：預(yù)測的準確率以及丟失率。
(1)將原始幅度頻率數(shù)據(jù)通過動態(tài)門限分割、信道分割，生成由0和1組成的CSI序列。
(2)當生成的CSI序列長度大于跨度L時，檢測序列中異常值的情況，進行基于關(guān)聯(lián)規(guī)則挖掘的多步長頻譜占用預(yù)測。
(3)對預(yù)測結(jié)果與實際監(jiān)測結(jié)果進行對比，統(tǒng)計預(yù)測準確率和丟失率。
算法中輸入的原始數(shù)據(jù)為401×n的矩陣(File_level)，n為采集數(shù)據(jù)的時隙數(shù)(本文時隙間隔為1 s)，通過動態(tài)門限分割以及信道編號(1~401)的選擇，形成單一信道的CSI序列。頻繁項跨度(FrQ_length)限定了頻繁子序列長度的最大值，取值范圍可設(shè)為1~n之中的任意整數(shù)值，當其設(shè)為1時，算法可近似于兩狀態(tài)馬爾可夫過程；當其設(shè)置為接近n時，頻繁項數(shù)量太少，算法失效，故本文取10%n。最小支持度(Min_sup)與最小置信度(Min_conf)體現(xiàn)了頻繁項的頻繁程度以及規(guī)則的可靠性。最小預(yù)測長度(Min_span)的設(shè)定可以減少頻繁子序列生成規(guī)則的數(shù)量，提升算法效率和精度。
關(guān)聯(lián)規(guī)則是頻譜占用預(yù)測的主要依據(jù)。項集統(tǒng)計數(shù)大于Min_sup即為頻繁項，若頻繁項A統(tǒng)計數(shù)為a、頻繁項B統(tǒng)計數(shù)為b，則轉(zhuǎn)移率Pab=a/b，當Pab大于Min_conf時產(chǎn)生強關(guān)聯(lián)規(guī)則，即當前序列為A時，預(yù)測結(jié)果為B的概率為Pab。
圖6為多步長頻譜占用預(yù)測算法流程。
在多步長預(yù)測過程中，算法沒有在規(guī)則中找到適合的規(guī)則，則記為一次丟失，輸出“-1”，即異常值，異常值的出現(xiàn)會影響下一次的預(yù)測，所以要進行異常值替換，每個異常值“-1”都會分兩次替換成“0”或“1”，例如序列[1 0 -1 0]會替換成[1 0 0 0]和[1 0 1 0]，由這兩個序列查找關(guān)聯(lián)規(guī)則中置信度最高的規(guī)則進行預(yù)測或者繼續(xù)丟失，即如果有m個異常值，則要進行2m次替換，最終由替換后的序列置信度最高值進行預(yù)測或者繼續(xù)丟失。若Pred_length>1，即多步長，步長遞增過程如圖7所示，圖中標注下劃線并加粗的字符為預(yù)測序列值，算法使用預(yù)測結(jié)果更新CSI序列，直至完成多步長預(yù)測算法。
若當前序列滿足預(yù)測條件，記預(yù)測次數(shù)(Predict)加1；若預(yù)測結(jié)果與下一時隙狀態(tài)序列相同，記預(yù)測正確次數(shù)(Correct)加1；若最終沒有找到滿足預(yù)測條件的關(guān)聯(lián)規(guī)則，記丟失次數(shù)(Loss)加1，丟失率記為Loss_Rate，公式如下：
3 實驗及分析
3.1 數(shù)據(jù)采集與預(yù)處理
本文中的頻譜監(jiān)測數(shù)據(jù)來自北京航空航天大學(xué)學(xué)院路校區(qū)連續(xù)約48 h(2018年12月22日16時22分~2018年12月24日16時25分)頻段為88 MHz～108 MHz，即調(diào)頻FM廣播業(yè)務(wù)頻段進行監(jiān)測，監(jiān)測設(shè)備包括是德公司E4407b頻譜分析儀、PC以及SAS-521F-2接收天線，表2列出了監(jiān)測參數(shù)。
頻譜儀每次掃描空間頻譜獲得400個頻譜采樣點，在監(jiān)測時間內(nèi)每一秒形成一個“場強-頻率”對應(yīng)關(guān)系的文本數(shù)據(jù)文件，因此每小時產(chǎn)生3 600個數(shù)據(jù)集。
數(shù)據(jù)的選取對預(yù)測模型的學(xué)習(xí)效果有著極為重要的影響，合適的數(shù)據(jù)能夠為提高預(yù)測模型的正確率提供良好的支持。正常情況下，頻譜的短期變化趨勢是連續(xù)的，而長期變化具有明顯的周期性，周期性具體體現(xiàn)在日、星期、年周期性以及節(jié)假日特性。為了提高信道頻譜占用預(yù)測精度，在數(shù)據(jù)選擇時應(yīng)考慮這一周期性特點。故本文采用第一天100時隙作為訓(xùn)練集，第二天相同時間的100時隙作為測試集。
圖8為對所采集到的頻譜數(shù)據(jù)進行“場強-頻率-時間”三維可視化處理結(jié)果。
3.2 主要參數(shù)分析
3.2.1 多步長對預(yù)測結(jié)果的影響
圖9和圖10分別展示了13號和86號信道中預(yù)測步長對預(yù)測結(jié)果的影響。
通過信道13和信道86的10步預(yù)測結(jié)果可見，隨著預(yù)測步長的增加，預(yù)測丟失率逐漸減少，雖然預(yù)測正確率也隨步長增加呈下降趨勢，但下降趨勢較緩，總預(yù)測正確率由于丟失率的逐漸減少，隨預(yù)測步長的增加呈略微上升的趨勢?？梢娫撍惴ㄔ诙嗖介L預(yù)測中有效減少丟失率的同時，保持了較高的預(yù)測正確率。
3.2.2 信道占用度對預(yù)測結(jié)果的影響
本實驗中選取了占用度由35%到94%依次升高的6個信道。圖11展示了預(yù)測步長為1和10的結(jié)果。
從圖11中可以看出，總體上信道占用預(yù)測正確率保持較高的水準，其丟失率沒有隨著占用度的變化有正相關(guān)或者負相關(guān)的規(guī)律。由此可見總體上算法體現(xiàn)出了良好的性能，信道占用度的變化對預(yù)測結(jié)果的影響不大。
3.2.3 規(guī)則置信度對預(yù)測結(jié)果的影響
圖12(a)和圖12(b)分別展示了3個信道在最小置信度為0.7、0.8和0.9時的正確率和丟失率。
從圖12中可以看出，隨著最小置信度由0.7升高至0.9，丟失率由15%左右升高至40%左右?？梢?，最小置信度的設(shè)置對丟失率影響很大，這是由于隨著最小置信度的升高，可用的關(guān)聯(lián)規(guī)則逐漸減少，即信道信息的可預(yù)測性降低。預(yù)測正確率隨最小置信度的提高緩慢升高，而預(yù)測丟失率則隨最小置信度的提高急劇升高，因此，設(shè)置適合的最小置信度對CSI序列的可預(yù)測性至關(guān)重要。
4 結(jié)論
本文提出類Apriori算法的頻繁模式關(guān)聯(lián)規(guī)則挖掘算法，實現(xiàn)對信道占用狀態(tài)的多步長預(yù)測。實驗表明，該算法在實際頻譜預(yù)測中相比隱馬爾科夫模型和神經(jīng)網(wǎng)絡(luò)模型等預(yù)測方法，不需要任何先驗知識，可根據(jù)歷史數(shù)據(jù)進行快速預(yù)測，達到了較好的預(yù)測效果。
參考文獻
[1] 劉鎮(zhèn)鳴，龔曉峰.認知無線電中頻譜預(yù)測方法[J].兵工自動化，2017，36(9)：86-89.
[2] 尹斯星.認知無線電中基于海量頻譜監(jiān)測數(shù)據(jù)挖掘的動態(tài)頻譜接入策略研究[D].北京：北京郵電大學(xué)，2010.
[3] 張凱，齊麗娜.一種基于隱馬爾可夫模型的自適應(yīng)聯(lián)合頻譜預(yù)測方法[J].南京郵電大學(xué)學(xué)報(自然科學(xué)版)，2015，35(1)：79-83.
[4] 段洪濤，曾繁聲，李景春.一種預(yù)測頻段占用度的時間序列分析方法[J].無線電工程，2011，41(7)：17-20，64.
[5] 楊健，趙杭生，陳曦.遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)頻譜預(yù)測模型訓(xùn)練[J].解放軍理工大學(xué)學(xué)報(自然科學(xué)版)，2016，17(6)：505-511.
[6] 滿方微，石榮，何彬彬.基于關(guān)聯(lián)規(guī)則挖掘的無線電頻譜占用預(yù)測[J].電訊技術(shù)，2016，56(11)：1183-1188.
[7] HUANG P，LIU C，YANG X，et al.Wireless spectrum occupancy prediction based on partial periodic pattern mining[J].IEEE Transactions on Parallel and Distributed Systems，2014，25(7)：1925-1934.
[8] JACOB J，JOSE B R，MATHEW J.Spectrum prediction in cognitive radio networks: a bayesian approach[C].2014 Eighth International Conference on Next Generation Mobile Apps，Services and Technologies，Oxford，2014：203-208.
[9] MAN F，SHI R，HE B.The data mining in wireless spectrum monitoring application[C].2017 IEEE 2nd International Conference on Big Data Analysis(ICBDA)，Beijing，2017：223-227.
[10] 丁浩，沈文靜.基于動態(tài)門限電平的短波段頻譜占用度測量[C].2011全國無線及移動通信學(xué)術(shù)大會論文集，2011：408-411.
作者信息：
荊 通1，丁文銳1，2，劉春輝2
(1.北京航空航天大學(xué) 電子信息工程學(xué)院，北京100191；2.北京航空航天大學(xué) 無人系統(tǒng)研究院，北京100191)