CN109862585B - 一种基于深度时空神经网络的动态异构网络流量预测方法 - Google Patents

一种基于深度时空神经网络的动态异构网络流量预测方法 Download PDF

Info

Publication number
CN109862585B
CN109862585B CN201910097964.5A CN201910097964A CN109862585B CN 109862585 B CN109862585 B CN 109862585B CN 201910097964 A CN201910097964 A CN 201910097964A CN 109862585 B CN109862585 B CN 109862585B
Authority
CN
China
Prior art keywords
time
prediction
neural network
space
traffic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910097964.5A
Other languages
English (en)
Other versions
CN109862585A (zh
Inventor
赵楠
谭惠文
刘畅
裴一扬
刘聪
曾春艳
贺潇
刘泽华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201910097964.5A priority Critical patent/CN109862585B/zh
Publication of CN109862585A publication Critical patent/CN109862585A/zh
Application granted granted Critical
Publication of CN109862585B publication Critical patent/CN109862585B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于无线通信技术领域，具体涉及一种基于深度时空神经网络的动态异构网络流量预测方法。针对现有移动数据流量预测方法覆盖区域小、预测精度低、预测时间短等问题，研究基于深度时空神经网络的动态异构网络流量预测方法。考虑用户移动性和流量数据时空相关性等特点，深入研究动态异构网络中广覆盖的长期移动数据流量预测数学模型描述方法；在此基础上，研究时空相关的卷积长短时记忆网络模型，以预测动态异构网络中移动流量的长期趋势；研究时空相关的三维卷积神经网络模型，以捕获动态异构网络中移动流量序列的微小波动；融合上述移动流量的长期趋势预测模型和短期变化模型，从而实现动态异构网络中广覆盖、高精度的长期移动流量预测。

Description

一种基于深度时空神经网络的动态异构网络流量预测方法
技术领域
本发明属于无线通信技术领域，具体涉及一种基于深度时空神经网络的动态异构网络流量预测方法。
背景技术
为了满足移动用户日益增长的传输速率和移动数据量的需求，异构网络通过在传统宏蜂窝的基础上部署不同类型的低功率小型蜂窝，系统容量和网络覆盖能力得到明显的提升。为了满足热点区域的按需流量卸载需求，小型蜂窝需要提前优化通信参数以便满足即时通信请求，无人机基站更要通过调整位置提前部署到热点区域。因此，借助于机器学习强大的数据分析手段，预测流量拥塞事件以及估计蜂窝网络内的供需差距，以便提前部署小型蜂窝以服务热点区域。
现有的移动流量预测机制(如线性回归模型、时间序列模型、支持向量机、概率统计模型、人工神经网络模型等)大多采用各个基站观察到的流量数据进行预测建模，忽略了移动流量跨空间和跨时间特征，预测准确度不高，较难实现全网范围估计和长期流量预测。从空间和时间维度的角度来看，移动流量数据与视频或语音具有重要的相似性，移动流量和视频的大规模演进均由“帧”序列组成，小覆盖区域的单个流量消耗序列类似于自然语言序列。因此，成熟的计算机视觉工具(如，卷积神经网络)或自然语言处理技术(如，循环神经网络、长短期记忆网络)在移动数据流量预测方面具有极大的潜力。同时，移动流量数据具有自身独特属性。在细粒度的移动流量快照中相邻“像素”值通常没有明显差异，而这种差异性经常发生在自然图像的边缘区域；不同于视频像素，单个移动流量序列通常表现出周期性；由于用户的移动性，流量消耗更有可能停留或转移到相邻小区，而在视频中像素值不会在相邻视频帧中移动。
因此，本发明利用不同地理位置和时间的用户流量相关性特点，研究基于深度时空神经网络的移动流量预测方法，实现精确的全网范围内移动流量预测，从而克服现有移动数据流量预测方法覆盖区域小、预测精度低、预测时间短等问题。
发明内容
为了克服现有移动数据流量预测方法覆盖区域小、预测精度低、预测时间短等问题，本发明的目的在于提出一种基于深度时空神经网络的动态异构网络流量预测方法。
为了达到上述目的，本发明所采用的技术方案是：一种基于深度时空神经网络的动态异构网络流量预测方法，其特征在于，所述方法包括如下步骤：
步骤1，通过研究用户移动性和流量数据时空相关性特点，对动态异构网络中广覆盖的长期移动数据流量预测数学模型进行描述；
步骤2，在此基础上，通过时空相关的卷积长短时记忆神经网络模型，来预测动态异构网络中移动流量的长期趋势，从而建立移动数据流量的长期趋势预测模型；
步骤3，运用时空相关的三维卷积神经网络模型，来捕获动态异构网络中移动流量序列的微小波动，从而建立移动数据流量的微小波动预测模型；
步骤4，在卷积长短时记忆神经网络模型和三维卷积神经网络模型基础上，建立基于编码器-解码器架构的移动数据流量双重时空预测架构，从而实现动态异构网络中广覆盖、高精度的长期移动流量预测。
进一步地，步骤1中，对动态异构网络中广覆盖的长期移动数据流量预测数学模型进行描述的过程包括：
现有时空流量预测方法通常基于给定先前观测数据的前提下，预测概率较高的多步数据序列。然而，考虑到不同区域流量间的时空相关性，预测的网络流量间存在着统计依赖性。同时，距离较远的蜂窝网络流量对目标蜂窝流量的影响较少，因此，通过将观测的流量限制在一定相邻蜂窝网络区域内，从而将上述预测问题简化成单步流量预测。
用数据点D＝{D1,D2,...,DT}的时空序列表示在时间间隔T上观测到的网络范围内的移动通信量，其中Dt是在时间t处的快照，以X×Y网格表示的地理区域内的移动业务量，dt (x,y)用坐标(x,y)测量正方形单元格中的数据通信量，从机器学习的角度来看，时空流量预测问题是根据先前的S观测，预测最有可能的K阶数据点序列，那意味着需要解决以下问题：
Figure BDA0001964929120000031
因此，仅考虑(r+1)×(r+1)相邻小区的通信量能够简化问题并表示一步预测
为：
Figure BDA0001964929120000032
其中，
Figure BDA0001964929120000033
是(r+1)×(r+1))与位置(x,y)相邻的区域中时间t处的数据流量矩阵。
于是，Dt+1的预测
Figure BDA0001964929120000034
表示为集合
Figure BDA0001964929120000035
其中，
Figure BDA0001964929120000036
是dt+1 (x,y)的预测，并通过求解
Figure BDA0001964929120000037
得到。
进一步地，步骤2中，建立移动数据流量的长期趋势预测模型的过程包括：
利用长短时记忆神经网络在捕获时间序列数据中的时间相关性方面有优势，解决动态异构网络流量预测问题。同时，考虑到长短时记忆神经网络较难精细地刻画局部特征，本发明在其基础上加上卷积操作，通过堆叠多个卷积长短时记忆神经网络层形成编码预测结构,并采取在每层卷积长短期时记忆神经网络层后增加批量标准化防止网络过拟合,且施加在权重上的正则项使用L2正则规范化初始化方式防止过拟合，给定一系列表示X＝{X1,X2,....,XT}的三维输入序列，
Figure BDA0001964929120000039
表示Hadamard积，“*”是二维卷积算子，σ(.)是一个Sigmoid函数，由于该神经网络的每个隐元素都表示为二维映射，因此通过卷积运算能够有效地捕获跨空间业务关联；
Figure BDA0001964929120000038
其中，W(..)和b(..)表示通过模型训练得到的权重和偏差，输入到状态、单元到状态和单元格到单元格之间的转换是由每个门(it、οt和ft)按元素控制的，这个特性极大地提高了模型捕捉时空趋势的能力。本发明这种卷积长短时记忆神经网络(卷积LSTM)不仅具有长短时记忆神经网络的时序建模能力，而且像卷积神经网络一样能够刻画局部特征，从而准确地捕获移动数据流量的长期趋势。
进一步地，步骤3中，建立移动数据流量的微小波动预测模型的过程包括：
在传统卷积神经网络中引入第三维信息，通过三维卷积核提取移动流量数据的时间和空间特征。同时，该三维卷积神经网络(3D convNets)由3个三维卷积层(3D conv)，3个池化层(3D max pool)，及一个全连接层组成，如图2所示，其中所有池化均采用maxpooling，这样可以保证特征的位置与旋转不变性，而且减少了过拟合问题。给定一系列具有N个特征映射的时空数据序列X＝{X1,X2,....,XN}，三维卷积层的输出将由H1,....,HM复杂的特征映射
Figure BDA0001964929120000041
给出。三维卷积神经网络在输入的不同位置共享权重，允许维持相邻输入点与特征表示中时空局部性之间的关系，全连接层最终将时空域特征映射为特征向量,不仅可以提高整体模型的泛化能力，而且能够更好捕获移动数据流量的局部依赖性，从而实现动态异构网络中移动数据流量的微小波动预测。
进一步地，步骤4中，建立基于编码器-解码器架构的移动数据流量双重时空预测架构的过程包括：
在上述卷积长短时记忆神经网络模型和三维卷积神经网络模型基础上，研究基于编码器-解码器架构的移动数据流量双重时空预测架构，如图3所示。在编码器结构中，通过多级融合层将上述两个结构提取的时空流量特征进行融合，在编码器输出端，获得兼具流量长期趋势和局部波动的特征。在解码器结构中，利用多层感知器将编码器输出的特征通过全连接层进行最终的流量预测，从而克服了传统编码器-解码器结构受限于固定长度向量的不足。
上述移动数据流量的双重时空预测架构，通过建立边缘分布期望模型，同时提取时空流量特征，进而实现可端到端训练的架构。借助于上述双重时空预测架构，采用“本地”时空流量数据，可预测下一时段的移动数据流量。上述预测过程重复多次，以获得整个蜂窝网络覆盖区域的流量预测。在模型训练过程中，采用最大似然估计模型，利用Adam算法以较快收敛速度获得最小的损失函数。
与现有技术相比，本发明的有益效果是：本发明利用不同地理位置和时间的用户流量相关性特点，研究基于深度时空神经网络的移动流量预测方法，实现精确的全网范围内移动流量预测，从而克服现有移动数据流量预测方法覆盖区域小、预测精度低、预测时间短等问题。
附图说明
图1是本发明卷积长短时记忆神经网络模型示意图。
图2是本发明三维卷积神经网络模型示意图。
图3是本发明基于编码器-解码器架构的移动数据流量双重时空预测架构示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明通过研究用户移动性和流量数据时空相关性等特点，对动态异构网络中广覆盖的长期移动数据流量预测数学模型进行描述；在此基础上，通过时空相关的卷积长短时记忆网络模型，来预测动态异构网络中移动流量的长期趋势；运用时空相关的三维卷积神经网络模型，来捕获动态异构网络中移动流量序列的微小波动；最后融合上述移动流量的长期趋势预测模型和短期变化模型，从而达到实现动态异构网络中高精度、广覆盖的长期移动流量预测的目的。
A.移动数据流量预测数学模型
现有时空流量预测方法通常基于给定先前观测数据的前提下，预测概率较高的多步数据序列。然而，考虑到不同区域流量间的时空相关性，预测的网络流量间存在着统计依赖性。同时，距离较远的蜂窝网络流量对目标蜂窝流量的影响较少，因此，本发明通过将观测的流量限制在一定相邻蜂窝网络区域内，从而将上述预测问题简化成单步流量预测。我们用数据点D＝{D1,D2,...,DT}的时空序列表示在时间间隔T上观测到的网络范围内的移动通信量，其中Dt是在时间t处的快照，以X×Y网格表示的地理区域内的移动业务量，dt (x,y)用坐标(x,y)测量正方形单元格中的数据通信量，从机器学习的角度来看，时空流量预测问题是根据先前的S观测，预测最有可能的K阶数据点序列，那意味着需要解决以下问题：
Figure BDA0001964929120000061
因此，仅考虑(r+1)×(r+1)相邻小区的通信量能够简化问题并表示一步预测
为：
Figure BDA0001964929120000062
其中，
Figure BDA0001964929120000063
是(r+1)×(r+1))与位置(x,y)相邻的区域中时间t处的数据流量矩阵。
于是，Dt+1的预测
Figure BDA0001964929120000064
表示为集合
Figure BDA0001964929120000065
其中，
Figure BDA0001964929120000066
是dt+1 (x,y)的预测，并通过求解
Figure BDA0001964929120000067
得到。
B.移动数据流量的长期趋势预测模型
利用长短时记忆神经网络在捕获时间序列数据中的时间相关性方面有优势，解决动态异构网络流量预测问题。同时，考虑到长短时记忆神经网络较难精细地刻画局部特征，本发明在其基础上加上卷积操作，通过堆叠多个卷积长短时记忆神经网络层形成编码预测结构,并采取在每层卷积长短期时记忆神经网络层后增加批量标准化防止网络过拟合,且施加在权重上的正则项使用L2正则规范化初始化方式防止过拟合，给定一系列表示X＝{X1,X2,....,XT}的三维输入序列，
Figure BDA0001964929120000068
表示Hadamard积，“*”是二维卷积算子，σ(.)是一个Sigmoid函数，由于该神经网络的每个隐元素都表示为二维映射，因此通过卷积运算能够有效地捕获跨空间业务关联；
Figure BDA0001964929120000071
其中，W(..)和b(..)表示通过模型训练得到的权重和偏差，输入到状态、单元到状态和单元格到单元格之间的转换是由每个门(it、οt和ft)按元素控制的，这个特性极大地提高了模型捕捉时空趋势的能力。本发明这种卷积长短时记忆神经网络(卷积LSTM)不仅具有长短时记忆神经网络的时序建模能力，而且像卷积神经网络一样能够刻画局部特征，从而准确地捕获移动数据流量的长期趋势。
C.移动数据流量的微小波动预测模型
在传统卷积神经网络中引入第三维信息，通过三维卷积核提取移动流量数据的时间和空间特征。同时，该三维卷积神经网络(3D convNets)由3个三维卷积层(3D conv),3个池化层(3D max pool),及一个全连接层组成,如图2所示,其中所有池化均采用maxpooling,这样可以保证特征的位置与旋转不变性，而且减少了过拟合问题。给定一系列具有N个特征映射的时空数据序列X＝{X1,X2,....,XN}，三维卷积层的输出将由H1,....,HM复杂的特征映射
Figure BDA0001964929120000072
给出。三维卷积神经网络在输入的不同位置共享权重，允许维持相邻输入点与特征表示中时空局部性之间的关系，全连接层最终将时空域特征映射为特征向量,不仅可以提高整体模型的泛化能力，而且能够更好捕获移动数据流量的局部依赖性，从而实现动态异构网络中移动数据流量的微小波动预测。
D.基于编码器-解码器架构的移动数据流量双重时空预测架构
在上述卷积长短时记忆神经网络模型和三维卷积神经网络模型基础上，研究基于编码器-解码器架构的移动数据流量双重时空预测架构，如图3所示。在编码器结构中，通过多级融合层将上述两个结构提取的时空流量特征进行融合，在编码器输出端，获得兼具流量长期趋势和局部波动的特征。在解码器结构中，利用多层感知器将编码器输出的特征通过全连接层进行最终的流量预测，从而克服了传统编码器-解码器结构受限于固定长度向量的不足。
上述移动数据流量的双重时空预测架构，通过建立边缘分布期望模型，同时提取时空流量特征，进而实现可端到端训练的架构。借助于上述双重时空预测架构，采用“本地”时空流量数据，可预测下一时段的移动数据流量。上述预测过程重复多次，以获得整个蜂窝网络覆盖区域的流量预测。在模型训练过程中，采用最大似然估计模型，利用Adam算法以较快收敛速度获得最小的损失函数。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (4)

1.一种基于深度时空神经网络的动态异构网络流量预测方法，其特征在于，所述方法包括如下步骤：
步骤1，通过研究用户移动性和流量数据时空相关性特点，对动态异构网络中广覆盖的长期移动数据流量预测数学模型进行描述；
步骤2，在此基础上，通过时空相关的卷积长短时记忆神经网络模型，来预测动态异构网络中移动流量的长期趋势，从而建立移动数据流量的长期趋势预测模型；
步骤3，运用时空相关的三维卷积神经网络模型，来捕获动态异构网络中移动流量序列的微小波动，从而建立移动数据流量的微小波动预测模型；
步骤4，在卷积长短时记忆神经网络模型和三维卷积神经网络模型基础上，建立基于编码器-解码器架构的移动数据流量双重时空预测架构，从而实现动态异构网络中广覆盖、高精度的长期移动流量预测；
步骤1中，对动态异构网络中广覆盖的长期移动数据流量预测数学模型进行描述的过程包括：现有时空流量预测方法通常基于给定先前观测数据的前提下，预测概率较高的多步数据序列，然而，考虑到不同区域流量间的时空相关性，预测的网络流量间存在着统计依赖性，同时，距离较远的蜂窝网络流量对目标蜂窝流量的影响较少，因此，通过将观测的流量限制在一定相邻蜂窝网络区域内，从而将上述预测问题简化成单步流量预测；用数据点D＝{D1,D2,...,DT}的时空序列表示在时间间隔T上观测到的网络范围内的移动通信量，其中Dt是在时间t处的快照，以X×Y网格表示的地理区域内的移动业务量，dt (x,y)用坐标(x,y)测量正方形单元格中的数据通信量，从机器学习的角度来看，时空流量预测问题是根据先前的S观测，预测最有可能的K阶数据点序列，那意味着需要解决以下问题：
Figure FDA0003529570140000011
因此，仅考虑(r+1)×(r+1)相邻小区的通信量能够简化问题并表示一步预测为：
Figure FDA0003529570140000012
其中，
Figure FDA0003529570140000021
是(r+1)×(r+1)与位置(x,y)相邻的区域中时间t处的数据流量矩阵；
于是，Dt+1的预测表示为集合
Figure FDA0003529570140000022
其中，
Figure FDA0003529570140000023
是dt+1 (x,y)的预测，并通过求解
Figure FDA0003529570140000024
得到。
2.根据权利要求1所述的基于深度时空神经网络的动态异构网络流量预测方法，其特征在于：步骤2中，建立移动数据流量的长期趋势预测模型的过程包括：利用长短时记忆神经网络在捕获时间序列数据中的时间相关性方面有优势，解决动态异构网络流量预测问题，同时，考虑到长短时记忆神经网络较难精细地刻画局部特征，本方法在其基础上加上卷积操作，通过堆叠多个卷积长短时记忆神经网络层形成编码预测结构，并采取在每层卷积长短期时记忆神经网络层后增加批量标准化防止网络过拟合，且施加在权重上的正则项使用L2正则规范化初始化方式防止过拟合，给定一系列表示X＝{X1,X2,....,XT}的三维输入序列，
Figure FDA00035295701400000210
表示Hadamard积，“*”是二维卷积算子，σ(.)是一个Sigmoid函数，由于该神经网络的每个隐元素都表示为二维映射，因此通过卷积运算能够有效地捕获跨空间业务关联；
Figure FDA0003529570140000025
Figure FDA0003529570140000026
Figure FDA0003529570140000027
Figure FDA0003529570140000028
Figure FDA0003529570140000029
其中，W(..)和b(..)表示通过模型训练得到的权重和偏差，输入到状态、单元到状态和单元格到单元格之间的转换是由每个门，it、οt和ft，按元素控制的，这个特性极大地提高了模型捕捉时空趋势的能力，这种卷积长短时记忆神经网络不仅具有长短时记忆神经网络的时序建模能力，而且像卷积神经网络一样能够刻画局部特征，从而准确地捕获移动数据流量的长期趋势。
3.根据权利要求2所述的基于深度时空神经网络的动态异构网络流量预测方法，其特征在于：步骤3中，建立移动数据流量的微小波动预测模型的过程包括：在传统卷积神经网络中引入第三维信息，通过三维卷积核提取移动流量数据的时间和空间特征，同时，该三维卷积神经网络由3个三维卷积层，3个池化层，及一个全连接层组成，其中所有池化均采用max pooling，这样可以保证特征的位置与旋转不变性，而且减少了过拟合问题；给定一系列具有N个特征映射的时空数据序列X＝{X1,X2,....,XN}，三维卷积层的输出将由H1,....,HM复杂的特征映射
Figure FDA0003529570140000031
给出；三维卷积神经网络在输入的不同位置共享权重，允许维持相邻输入点与特征表示中时空局部性之间的关系，全连接层最终将时空域特征映射为特征向量，不仅可以提高整体模型的泛化能力，而且能够更好捕获移动数据流量的局部依赖性，从而实现动态异构网络中移动数据流量的微小波动预测。
4.根据权利要求3所述的基于深度时空神经网络的动态异构网络流量预测方法，其特征在于：步骤4中，建立基于编码器-解码器架构的移动数据流量双重时空预测架构的过程包括：在上述卷积长短时记忆神经网络模型和三维卷积神经网络模型基础上，研究基于编码器-解码器架构的移动数据流量双重时空预测架构，在编码器结构中，通过多级融合层将上述卷积长短时记忆神经网络模型和三维卷积神经网络模型提取的时空流量特征进行融合，在编码器输出端，获得兼具流量长期趋势和局部波动的特征，在解码器结构中，利用多层感知器将编码器输出的特征通过全连接层进行最终的流量预测，从而克服了传统编码器-解码器结构受限于固定长度向量的不足；
上述移动数据流量的双重时空预测架构，通过建立边缘分布期望模型，同时提取时空流量特征，进而实现可端到端训练的架构，借助于上述双重时空预测架构，采用“本地”时空流量数据，可预测下一时段的移动数据流量；上述预测过程重复多次，以获得整个蜂窝网络覆盖区域的流量预测；在模型训练过程中，采用最大似然估计模型，利用Adam算法以较快收敛速度获得最小的损失函数。
CN201910097964.5A 2019-01-31 2019-01-31 一种基于深度时空神经网络的动态异构网络流量预测方法 Expired - Fee Related CN109862585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910097964.5A CN109862585B (zh) 2019-01-31 2019-01-31 一种基于深度时空神经网络的动态异构网络流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910097964.5A CN109862585B (zh) 2019-01-31 2019-01-31 一种基于深度时空神经网络的动态异构网络流量预测方法

Publications (2)

Publication Number Publication Date
CN109862585A CN109862585A (zh) 2019-06-07
CN109862585B true CN109862585B (zh) 2022-04-19

Family

ID=66897202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910097964.5A Expired - Fee Related CN109862585B (zh) 2019-01-31 2019-01-31 一种基于深度时空神经网络的动态异构网络流量预测方法

Country Status (1)

Country Link
CN (1) CN109862585B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110381523B (zh) * 2019-06-17 2023-04-07 盐城吉研智能科技有限公司 一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法
CN112468312A (zh) * 2019-09-09 2021-03-09 中兴通讯股份有限公司 一种网络流量预测方法及通信设备和存储介质
CN112488600A (zh) * 2019-09-11 2021-03-12 英业达科技有限公司 订单预测方法
EP4035283A4 (en) * 2019-09-24 2023-10-25 Samsung Electronics Co., Ltd. METHODS AND SYSTEMS FOR SHARING AIR ASSETS AMONG GROUND NETWORK OPERATORS
CN110839253A (zh) * 2019-11-08 2020-02-25 西北工业大学青岛研究院 一种确定无线网格网络流量的方法
CN111327453B (zh) * 2020-01-19 2023-04-07 国网福建省电力有限公司经济技术研究院 一种考虑网格化动态、静态分量的通信带宽估算方法
CN111369042B (zh) * 2020-02-27 2021-09-24 山东大学 一种基于加权联邦学习的无线业务流量预测方法
CN111309489A (zh) * 2020-03-26 2020-06-19 华东师范大学 一种面向地理大数据的云计算资源调度方法及系统
CN111726243B (zh) * 2020-05-14 2021-10-22 华为技术有限公司 预测节点状态的方法和装置
CN111711957B (zh) * 2020-05-27 2022-08-05 中国联合网络通信集团有限公司 基于流量的站点扩容预测方法、装置及系统
CN112291807B (zh) * 2020-10-15 2022-09-23 山东科技大学 一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法
CN112291808B (zh) * 2020-11-02 2022-12-23 东南大学 基于深度学习的区域网络流量预测方法
CN112437451B (zh) * 2020-11-10 2022-08-02 南京大学 一种基于生成对抗网络的无线网络流量预测方法和设备
CN112215667B (zh) * 2020-11-18 2023-07-18 中国联合网络通信集团有限公司 用户行为预测方法和装置
CN112949896B (zh) * 2020-12-22 2022-06-17 浙江佰安信息技术有限公司 一种基于融合序列分解与时空卷积的时序预测方法
CN112583852B (zh) * 2020-12-28 2022-05-13 华北电力大学 一种异常流量检测方法
CN115134816B (zh) * 2021-03-18 2024-03-08 中国电信股份有限公司 基于时空卷积和多时间尺度的基站流量预测方法
CN113077053B (zh) * 2021-03-18 2022-09-02 中国电子科技集团公司第五十四研究所 多元群体活动模式表征方法及目标地理活动区域识别方法
CN112967275B (zh) * 2021-03-29 2022-05-24 中国科学院深圳先进技术研究院 软组织运动预测方法、装置、终端设备及可读存储介质
CN113347657B (zh) * 2021-04-01 2022-04-29 青岛科技大学 移动通信系统的安全容量性能预测方法
CN113905391B (zh) * 2021-09-27 2023-05-23 湖北工业大学 集成学习网络流量预测方法、系统、设备、终端、介质
CN113743594B (zh) * 2021-09-30 2023-12-05 中国联合网络通信集团有限公司 网络流量预测模型建立方法、装置、电子设备及存储介质
CN113988264A (zh) * 2021-10-29 2022-01-28 支付宝(杭州)信息技术有限公司 获得用于执行流量预测业务的图神经网络的方法及装置
CN114580285B (zh) * 2022-03-07 2022-11-01 哈尔滨理工大学 一种基于cae网络的双曲型系统模型约简方法
CN115022191B (zh) * 2022-05-26 2023-10-03 电子科技大学 一种IPv6网络中端到端流快速反演方法
CN115913996A (zh) * 2022-12-07 2023-04-04 长春理工大学 一种基于区域时空特征的移动流量预测系统及方法
CN115866658B (zh) * 2023-02-06 2023-05-16 湖北工业大学 一种基于动态时空超图卷积网络的流量预测方法和系统
CN117471575B (zh) * 2023-12-28 2024-03-08 河海大学 基于bo-lstm神经网络模型的台风浪波高预报方法
CN117994007B (zh) * 2024-04-03 2024-07-05 山东科技大学 一种基于多视图融合异质图神经网络的社交推荐方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1259030A2 (en) * 2001-05-18 2002-11-20 Gateway, Inc. System and method for predicting network performance
CN105050170A (zh) * 2015-06-30 2015-11-11 东南大学 一种异构网络中基于流量预测的基站休眠方法
CN105471631A (zh) * 2015-11-17 2016-04-06 重庆大学 基于流量趋势的网络流量预测方法
CN107026763A (zh) * 2017-06-02 2017-08-08 广东电网有限责任公司中山供电局 一种基于流量分解的数据通信网流量预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10855550B2 (en) * 2016-11-16 2020-12-01 Cisco Technology, Inc. Network traffic prediction using long short term memory neural networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1259030A2 (en) * 2001-05-18 2002-11-20 Gateway, Inc. System and method for predicting network performance
CN105050170A (zh) * 2015-06-30 2015-11-11 东南大学 一种异构网络中基于流量预测的基站休眠方法
CN105471631A (zh) * 2015-11-17 2016-04-06 重庆大学 基于流量趋势的网络流量预测方法
CN107026763A (zh) * 2017-06-02 2017-08-08 广东电网有限责任公司中山供电局 一种基于流量分解的数据通信网流量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于优化神经网络的混合网络流量预测模型仿真与实现";周晓;《中国优秀硕士学位论文全文数据库 信息科技辑 I140-18》;20171215;全文 *

Also Published As

Publication number Publication date
CN109862585A (zh) 2019-06-07

Similar Documents

Publication Publication Date Title
CN109862585B (zh) 一种基于深度时空神经网络的动态异构网络流量预测方法
Li et al. A deep learning method based on an attention mechanism for wireless network traffic prediction
Yu et al. Scene learning: Deep convolutional networks for wind power prediction by embedding turbines into grid space
Chen et al. Machine learning for wireless networks with artificial intelligence: A tutorial on neural networks
CN112418409B (zh) 一种利用注意力机制改进的卷积长短期记忆网络时空序列预测方法
CN109299401B (zh) 基于混合深度学习模型LSTM-ResNet的城域时空流预测方法
CN109493599A (zh) 一种基于生成式对抗网络的短时交通流预测方法
CN111246552B (zh) 一种基于移动网络流量预测的基站休眠方法
CN112911626B (zh) 基于多图卷积的无线网络流量预测方法
CN110267292B (zh) 基于三维卷积神经网络的蜂窝网络流量预测方法
CN113610329B (zh) 一种双流卷积长短期记忆网络的短时临近降雨预报方法
Ma et al. Deep learning for mmWave beam-management: State-of-the-art, opportunities and challenges
CN114007228B (zh) 基于异构图神经网络流量预测的基站智能控制方法
CN109062956A (zh) 一种面向区域综合能源系统的时空特征挖掘方法
Kirmaz et al. Mobile network traffic forecasting using artificial neural networks
Abubakar et al. A lightweight cell switching and traffic offloading scheme for energy optimization in ultra-dense heterogeneous networks
CN114885388A (zh) 联合rss预测的多业务类型自适应切换判决方法
CN114360242A (zh) 一种基于混合卷积lstm的城市短时交通流预测方法及系统
CN117640931A (zh) 一种基于图神经网络的vvc帧内编码快速块划分方法
Xu et al. Spatial-Temporal Contrasting for Fine-Grained Urban Flow Inference
Abdullah et al. Weather-aware fiber-wireless traffic prediction using graph convolutional networks
CN112560946B (zh) 一种线上线下关联推理的边缘服务器热点预测方法
CN115938112A (zh) 交通需求预测方法、系统、电子设备及计算机存储介质
Liu et al. Acfm: A dynamic spatial-temporal network for traffic prediction
CN118400685A (zh) 一种基于栅格划分的人群分布预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220419