CN110381523A - 一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法 - Google Patents
一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法 Download PDFInfo
- Publication number
- CN110381523A CN110381523A CN201910523562.7A CN201910523562A CN110381523A CN 110381523 A CN110381523 A CN 110381523A CN 201910523562 A CN201910523562 A CN 201910523562A CN 110381523 A CN110381523 A CN 110381523A
- Authority
- CN
- China
- Prior art keywords
- base station
- network
- cellular base
- tvf
- emd
- 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.)
- Granted
Links
- 230000001413 cellular effect Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 230000010354 integration Effects 0.000 abstract 1
- 238000002360 preparation method Methods 0.000 abstract 1
- 230000002123 temporal effect Effects 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于TVF‑EMD‑LSTM模型的蜂窝基站网络流量预测方法，所述制备方法包括以下步骤：采集流量数据并进行预处理，形成蜂窝基站网络流量数据集；利用TVF‑EMD算法对蜂窝基站网络流量数据集进行分解重构形成蜂窝基站流量分量信号imfn；利用MATLAB对蜂窝基站流量分量信号imfn进行TVF‑EMD‑LSTM深度学习网络构架的搭建，形成最终的基站流量预测结果yp。本发明将TVF‑EMD算法与LSTM深度学习网络结合，能够预测蜂窝网络流量的时空分布信息，有效解决现有的蜂窝基站网络流量预测方法中预测精度低且在变化剧烈的预测点易产生较大误差的问题。
Description
技术领域
本发明涉及蜂窝网络流量预测方法技术领域，更具体的说是涉及一种基 于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法。
背景技术
目前，当今的无线通信网络设备是按照随时都能够满足最大流量负载或 最差通信环境的原则而设计的，在普通情况下通信网络的能量利用率较低， 造成了大量的能源浪费，如何有效地利用能量资源成为节能技术研究的重点 和难点。针对蜂窝基站流量进行高效准确的预测，从而进行功率控制，基站 休眠等一系列基站节能技术成为解决这一问题的重要方向。其中如何对蜂窝 基站流量进行高效准确的预测是关键。
最早的基站网络流量过程相对简单，基站网络流量预测模型多采用线性 预测模型，如自回归模型、马尔科夫调制和复合的泊松过程；随着网络的日 益复杂化，由于传统的线性网络流量预测模型都是基于短相关原理的，无法 对长相关特性进行描述，因此传统的线性流量预测模型已经不适合模拟现在 的自相似网络流量序列了。如今非线性智能预测算法开始被广泛应用于建模 和预测领域。包括：神经网络理论、支持向量回归机方法、小波分析法、混 沌理论、模糊方法等，且已经在交通、能源、气象等预测领域被实际应用。
基站网络流量的时空分布特性表现为波动强烈的非线性时间序列,目前, 神经网络和其他机器学习算法,能通过基站网络流量的历史时间序列进行分析 预测，并得到了广泛的应用。然而,这些采用智能化算法直接建模的单一预测 方法由于缺乏对基站网络流量本质变化规律的把握,很难从根本上取得较高的 预测精度,往往会在基站网络流量变化剧烈的预测点产生较大的误差。
近年来经验模态分解(Empirical Mode Decomposition,EMD)和神经网络结 合的各种组合预测方法在时序序列预测方面取得了成功的应用,实验结果证明 与单一预测方法相比,组合预测方法可以有效的提高预测精度。然而,EMD缺乏 严格的理论支撑,且其过包络和欠包络等问题易导致模态混叠现象,导致分解 结果的有效性不能保证,也增加了组合预测的计算规模。针对EMD所存在的问 题，提出了基于自适应时变滤波的经验模态分解方法(TVF-EMD)，来解决 模态混叠问题。长短期记忆深度学习网络LSTM(Long Short-TermMemory)， 是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较 长的重要事件。
因此，如何提供一种基于TVF-EMD-LSTM模型的精度较高的蜂窝基站网 络流量预测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于TVF-EMD-LSTM模型的蜂窝基站网络 流量预测方法。
为了实现上述目的，本发明采用如下技术方案：
一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征 在于，所述制备方法包括以下步骤：
S1、采集流量数据并进行预处理，形成蜂窝基站网络流量数据集；
S2、利用TVF-EMD算法对蜂窝基站网络流量数据集进行分解重构形成 蜂窝基站流量分量信号imfn；
S3、针对经TVF-EMD分解的蜂窝基站流量分量信号imfn进行 TVF-EMD-LSTM深度学习网络构架的搭建，形成最终的基站流量预测结果 yp。
优选的，所述步骤S1的具体过程如下：
S11、数据采集：采集某蜂窝基站的网络流量数据，以固定时间间隔采集。
S12、预处理：对蜂窝基站网络流量数据进行数据清洗处理，去除无效数 据点，补充数据断点，形成蜂窝基站网络流量数据集x；
优选的，所述步骤S2的具体过程如下：
S21、希尔伯特变换：对蜂窝基站网络流量时序序列x(t)进行希尔伯特变 换，变换结果记为v(t)，则得到的解析信号Y(t)表示为两个信号分量相加，即：
式中，A(t)表示瞬时幅度，表示瞬时频率；
S22、根据解析信号中瞬时幅度A(t)的极大值点和极小值点，计算获得B 样条曲线函数：确定瞬时幅度A(t)的局部极小值点和极大值点，分别表示为 {tmin}和{tmax}，并分别计算其B样条曲线函数b1(t)和b2(t)，即：
b1(t)＝|a1(t)-a2(t)|；b2(t)＝a1(t)+a2(t)；
则a1(t)＝(b1(t)+b2(t))/2；a2(t)＝(b2(t)-b1(t))/2；
S23、对所述B样条曲线函数进行变形计算，进一步得到积分后的余弦函 数w(t)；
S24、对余弦函数w(t)应用B样条逼近滤波，即将余弦函数w(t)的局部极 值点形成集合，将极值点作为节点，计算B样条近似滤波器，利用B样条近 似滤波器对蜂窝基站网络流量时序序列x(t)进行滤波，得到滤波结果bw(t)；
S25、计算截止频率θ(t)：
式中BL(t)表示Loughlin瞬时带宽，表示加权平均瞬时频率；
S26、判断：如果θ(t)≤ɑ，则x(t)作为一个IMF分量，否则令 x(t)＝x(t)-bw(t),并重复S21-S26的步骤；
优选的，所述步骤S3的具体过程如下：
S31、对蜂窝基站流量分量信号imfn分别进行归一化处理并分组；
S32、根据蜂窝基站流量分量信号imfn的特性，网络的结构依次包括输入 层、lstm层、全连接层和回归层。
S33、在所述网络结构的基础上，利用adma算法对输入信号，即IMF分 量进行迭代学习，将蜂窝基站流量分量信号imfn序列逐个输入网络进行训练 与结果预测，输出序列预测序列记为yfn。
S34、对输出序列预测序列yfn进行反归一化处理，结果记为yn，将各个 yn叠加形成最终的基站流量预测结果yp；
优选的，所述网络结构中输入层节点数为1，LSTM层节点数为30，全 连接层大小为1；其中lstm层的cell单元包括三个门结构，即输入门、遗忘 门和输出门,用于控制cell单元的状态；
优选的，所述网络结构学习算法采用adma算法，并利用平均绝对误差法 进行学习效果评估。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基 于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法。针对模态混叠现象， 本发明提出了基于自适应时变滤波的经验模态分解方法(TVF-EMD)，保证 了分解结果的有效性。长短期记忆深度学习网络LSTM是一种时间递归神经网 络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。因此本 发明中LSTM系统可以有效的完成预测时序序列，且能有效解决现有的蜂窝基 站网络流量预测方法中预测精度低且在变化剧烈的预测点易产生较大误差的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不 付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的程序流程框图。
图2附图为本发明提供的仿真实验中每个分量的原值以及预测值对比。
图3附图为本发明蜂窝基站流量分量信号imfn叠加重构形成最终基站流量 预测结果yp，预测序列(橙色)与原序列(蓝色)对比图。
图4附图为使用传统的lstm预测方法预测的预测序列(橙色)与原序列(蓝 色)结果对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于TVF-EMD-LSTM模型的蜂窝基站网络流 量预测方法。
S1、采集流量数据并进行预处理，形成蜂窝基站网络流量数据集：数据 集采用某基站2018.01.01-2018.03.11七十天的流量数据，每一小时为一个数据 记录点，共1680个数据点；进一步对蜂窝基站网络流量数据进行数据清洗处 理，去除无效数据点，补充数据断点，形成蜂窝基站网络流量数据集x；
S2、利用TVF-EMD算法对蜂窝基站网络流量数据集进行分解重构形成蜂 窝基站流量分量信号imfn，进一步的所述S2包括以下步骤：
S21、希尔伯特变换：蜂窝基站网络流量时序序列记为x(t)，对蜂窝基站 网络流量时序序列x(t)进行希尔伯特变换，变换结果记为v(t)；则得到解析信 号Y(t),即其中瞬时幅度瞬 时频率同样Y(t)可表示为两个信号分量相加，即：
S22、根据解析信号中瞬时幅度A(t)的极大值点和极小值点，计算获得B 样条曲线函数：确定瞬时幅度A(t)的局部极小值点和极大值点，分别表示为 {tmin}和{tmax}，之后利用极小值点的集合({tmin})作为节点计算其B样条曲线函 数b1(t)，利用极大值点的集合({tmax})作为节点计算其B样条曲线函数b2(t)，即：
b1(t)＝|a1(t)-a2(t)|；b2(t)＝a1(t)+a2(t)；
则a1(t)＝(b1(t)+b2(t))/2；a2(t)＝(b2(t)-b1(t))/2；
S23、对所述B样条曲线函数进行变形计算，进一步得到积分后的余弦函 数w(t)：
S231、计算：
其中，表示的导数。
S232、利用以下四个公式计算得出
|a1(tmin)-a2(tmin)|＝A(tmin)
a1'(tmin)-a2'(tmin)＝0
S233、利用以下四个公式计算得出φ1(tmax),φ2(tmax),a1(tmax),a2(tmax)：
a1(tmax)+a2(tmax)＝A(tmax)
a1'(tmax)+a2'(tmax)＝0
S234、计算：
S235、计算：
S236、计算和的平均数
S237、根据平均数确定余弦函数w(t)：
S24、对余弦函数w(t)应用B样条逼近滤波，即将余弦函数w(t)的局部极 值点形成集合，将极值点作为节点，计算B样条近似滤波器，利用该B样条 近似滤波器对蜂窝基站网络流量时序序列x(t)进行滤波，得到滤波结果bw(t)；
S241、计算加权平均瞬时频率
S242、计算Loughlin瞬时带宽BL(t):
S25、计算截止频率θ(t)：
S26、如果θ(t)≤ɑ，通常ɑ设定为0.1，则x(t)作为一个IMF分量，否 则令x(t)＝x(t)-bw(t),并重复S21-S26的步骤；
S3、针对经TVF-EMD分解的蜂窝基站流量分量信号imfn利用matlab进 行TVF-EMD-LSTM深度学习网络框架的搭建；
S31、归一化处理：对蜂窝基站流量分量信号imfn分别进行归一化处理, 将前80％的数据作为训练样本集(大小为1344),其余数据作为测试样本集， 记前1343个数据为xtrain,第2-1344的数据序列记为ytrain，1344-1679的数据序 列记为xtest，1345-1680的数据序列记为ytest；
S32、网络的结构与参数设定：根据蜂窝基站流量分量信号imfn的特性， 网络的结构与参数设定如下：
网络结构依次为：输入层，lstm层，全连接层，回归层；其中输入层节 点数为1，LSTM层节点数为30，全连接层节点数为1；其中lstm层的cell 单元包括三个门结构，即输入门、遗忘门和输出门,用于控制cell单元的状态； 每一个时刻,cell单元通过3个门接受当前状态和上一时刻的隐藏状态,同时接 收上一时刻cell单元的状态,通过计算得到新的cell单元的状态,最后通过激活 函数和输出门进行输出；
S33、在所述网络结构的基础上，利用adma算法对输入信号，即IMF分 量进行迭代学习，将蜂窝基站流量分量信号imfn序列逐个输入网络进行训练 与结果预测，输出序列预测序列记为yfn。其方法及参数设置如下：学习算法 采用adma算法；最大迭代次数：200；输入门、遗忘门和输出门的激活函数 为：sigmoid；cell单元的状态激活函数为tanh；初始学习率：0.005；梯度阈 值：1；网络评估方法：平均绝对误差法(RMSE)；
S34、反归一化：对输出序列预测序列yfn进行反归一化处理，结果记为 yn，将各个yn叠加形成最终的基站流量预测结果yp；
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基 于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法。预处理去除无效数 据点，补充数据断点，使实验数据平滑稳定，有效减小误差，保证了数据的 完整性和准确性。针对模态混叠现象，本发明提出了基于自适应时变滤波的 经验模态分解方法(TVF-EMD)，保证了分解结果的有效性。长短期记忆深 度学习网络LSTM是一种时间递归神经网络，适合于处理和预测时间序列中 间隔和延迟相对较长的重要事件。因此本发明中LSTM系统可以有效的完成 预测时序序列，且能有效解决现有的蜂窝基站网络流量预测方法中预测精度 低且在变化剧烈的预测点易产生较大误差的问题。
以下通过仿真实验，对本发明的技术效果作进一步说明，并与传统的lstm 网络进行对比：
1、仿真环境：Windows7系统，cpu：intel-i5，gpu:Geforce GT 1030,仿真 软件：matlab2018a；
2、依照上述步骤搭建网络，输入数据集x，结果如下：
(1)共形成10个imf分量，每个分量的原值以及预测值见图2(1)至 图2(10)所示；
(2)蜂窝基站流量分量信号imfn叠加重构形成最终基站流量预测结果yp， 预测序列(橙色)与原序列(蓝色)对比，如图3所示；
3、利用传统的lstm预测方法，实验结果如图4所示；
4、仿真结果分析
利用本发明和传统的lstm流量预测方法分别对测试样本集进行仿真预测, 使用平均绝对误差MAE、均方误差RMSE、相关系数R2(R平方)进行性能 结果对比，如表一所示：
表一仿真预测结果对比表
| MAE | RMSE | R2 | |
| 本发明方法 | 22.44 | 31.2068 | 0.99 |
| 传统lstm方法 | 93.74 | 122.8509 | 0.8462 |
如表一所示,通过上述仿真实验得出实验结果，利用传统lstm方法得到的 平均绝对误差是本发明方法的四倍多，均方误差是本发明方法的四倍左右， 且利用本发明方法得到的相关系数R2比利用传统lstm方法得到的相关系数 R2更加接近于1，表明本发明的预测误差较小且线性相关程度较高。
由上述实验分析可知，本发明预测误差明显低于传统lstm预测方法,验证 了本发明对于蜂窝基站网络流量预测精度具有明显的提升效果，且本发明的 线性相关程度较高，有效解决现有的蜂窝基站网络流量预测方法中预测精度 低且在变化剧烈的预测点易产生较大误差的问题。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都 是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。 对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述 的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用 本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易 见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下， 在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例， 而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述制备方法包括以下步骤：
S1、采集流量数据并进行预处理，形成蜂窝基站网络流量数据集；
S2、利用TVF-EMD算法对蜂窝基站网络流量数据集进行分解重构形成蜂窝基站流量分量信号imfn；
S3、针对经TVF-EMD分解的蜂窝基站流量分量信号imfn进行TVF-EMD-LSTM深度学习网络构架的搭建，形成最终的基站流量预测结果yp。
2.根据权利要求1所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述步骤S1的具体过程如下：
S11、数据采集：采集蜂窝基站的网络流量数据，以固定时间间隔采集。
S12、预处理：对蜂窝基站网络流量数据进行数据清洗处理，去除无效数据点，补充数据断点，形成蜂窝基站网络流量数据集x。
3.根据权利要求1所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述步骤S2的具体过程如下：
S21、希尔伯特变换：对蜂窝基站网络流量时序序列x(t)进行希尔伯特变换，变换结果记为v(t)，则得到的解析信号Y(t)表示为两个信号分量相加，即：
式中，A(t)表示瞬时幅度，表示瞬时频率；
S22、根据解析信号中瞬时幅度A(t)的极大值点和极小值点，计算获得B样条曲线函数：确定瞬时幅度A(t)的局部极小值点和极大值点，分别表示为{tmin}和{tmax}，并分别计算其B样条曲线函数b1(t)和b2(t)，即：
b1(t)＝|a1(t)-a2(t)|；b2(t)＝a1(t)+a2(t)；
则a1(t)＝(b1(t)+b2(t))/2；a2(t)＝(b2(t)-b1(t))/2；
S23、对所述B样条曲线函数进行变形计算，进一步得到积分后的余弦函数w(t)；
S24、对余弦函数w(t)应用B样条逼近滤波，即将余弦函数w(t)的局部极值点形成集合，将极值点作为节点，计算B样条近似滤波器，利用B样条近似滤波器对蜂窝基站网络流量时序序列x(t)进行滤波，得到滤波结果bw(t)；
S25、计算截止频率θ(t)：
式中BL(t)表示Loughlin瞬时带宽，表示加权平均瞬时频率；
S26、判断：如果θ(t)≤a，则x(t)作为一个IMF分量，否则令x(t)＝x(t)-bw(t),并重复S21-S26的步骤。
4.根据权利要求1所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述步骤S3的具体过程如下：
S31、对蜂窝基站流量分量信号imfn分别进行归一化处理并分组；
S32、根据蜂窝基站流量分量信号imfn的特性，网络的结构依次包括输入层、lstm层、全连接层和回归层。
S33、在所述网络结构的基础上，利用adma算法对输入信号，即IMF分量进行迭代学习，将蜂窝基站流量分量信号imfn序列逐个输入网络进行训练与结果预测，输出序列预测序列记为yfn。
S34、对输出序列预测序列yfn进行反归一化处理，结果记为yn，将各个yn叠加形成最终的基站流量预测结果yp。
5.根据权利要求4所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述网络结构中输入层节点数为1，LSTM层节点数为30，全连接层大小为1；其中lstm层的cell单元包括三个门结构，即输入门、遗忘门和输出门,用于控制cell单元的状态。
6.根据权利要求4所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述网络结构学习算法采用adma算法，并利用平均绝对误差法进行学习效果评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910523562.7A CN110381523B (zh) | 2019-06-17 | 2019-06-17 | 一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910523562.7A CN110381523B (zh) | 2019-06-17 | 2019-06-17 | 一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110381523A true CN110381523A (zh) | 2019-10-25 |
| CN110381523B CN110381523B (zh) | 2023-04-07 |
Family
ID=68248993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910523562.7A Active CN110381523B (zh) | 2019-06-17 | 2019-06-17 | 一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110381523B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111464354A (zh) * | 2020-03-31 | 2020-07-28 | 全球能源互联网研究院有限公司 | 一种细粒度的网络流量计算方法、装置及存储介质 |
| CN112105048A (zh) * | 2020-07-27 | 2020-12-18 | 北京邮电大学 | 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法 |
| CN112183846A (zh) * | 2020-09-25 | 2021-01-05 | 合肥工业大学 | 基于模糊c均值聚类的tvf-emd-mcqrnn负荷概率预测方法 |
| CN112600728A (zh) * | 2020-12-07 | 2021-04-02 | 华东交通大学理工学院 | 一种基于大数据的5g移动基站流量预测分析系统 |
| CN112954715A (zh) * | 2021-02-01 | 2021-06-11 | 福州大学 | 基于迁移学习的无线服务节点容量估计方法 |
| WO2021129086A1 (zh) * | 2019-12-25 | 2021-07-01 | 中兴通讯股份有限公司 | 流量预测方法、装置以及存储介质 |
| CN113660676A (zh) * | 2021-07-20 | 2021-11-16 | 山东师范大学 | 基站流量预测方法、系统、存储介质及设备 |
| CN114048829A (zh) * | 2022-01-14 | 2022-02-15 | 浙江大学 | 一种基于模版构建的网络流信道化时序筛分方法和装置 |
| WO2022057268A1 (zh) * | 2020-09-15 | 2022-03-24 | 中国电信股份有限公司 | 基站节能策略确定方法、装置以及存储介质 |
| CN114449549A (zh) * | 2020-11-05 | 2022-05-06 | 中国移动通信集团广西有限公司 | 一种小区休眠控制方法和电子设备 |
| CN115066006A (zh) * | 2022-05-28 | 2022-09-16 | 哈尔滨工业大学 | 一种基于强化学习的基站休眠方法、设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
| CN108234198A (zh) * | 2017-12-19 | 2018-06-29 | 清华大学 | 一种基站流量预测方法和设备 |
| US20180234348A1 (en) * | 2017-02-14 | 2018-08-16 | Cisco Technology, Inc. | Prediction of network device control plane instabilities |
| CN108985514A (zh) * | 2018-07-17 | 2018-12-11 | 广东工业大学 | 基于eemd和lstm的负荷预测方法、装置及设备 |
| CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 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 |
-
2019
- 2019-06-17 CN CN201910523562.7A patent/CN110381523B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
| US20180234348A1 (en) * | 2017-02-14 | 2018-08-16 | Cisco Technology, Inc. | Prediction of network device control plane instabilities |
| CN108234198A (zh) * | 2017-12-19 | 2018-06-29 | 清华大学 | 一种基站流量预测方法和设备 |
| CN108985514A (zh) * | 2018-07-17 | 2018-12-11 | 广东工业大学 | 基于eemd和lstm的负荷预测方法、装置及设备 |
| CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| ZHENPENG ZHENG: "Mode Decomposition Based Hybrid Model for Traffic Flow Prediction", 《 2018 IEEE THIRD INTERNATIONAL CONFERENCE ON DATA SCIENCE IN CYBERSPACE (DSC)》 * |
| 彭铎: "基于空间合作关系的基站流量预测模型", 《计算机应用》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4047878A4 (en) * | 2019-12-25 | 2022-12-14 | ZTE Corporation | TRAFFIC PREDICTION METHOD, DEVICE AND STORAGE MEDIA |
| US11863397B2 (en) | 2019-12-25 | 2024-01-02 | Zte Corporation | Traffic prediction method, device, and storage medium |
| WO2021129086A1 (zh) * | 2019-12-25 | 2021-07-01 | 中兴通讯股份有限公司 | 流量预测方法、装置以及存储介质 |
| CN111464354A (zh) * | 2020-03-31 | 2020-07-28 | 全球能源互联网研究院有限公司 | 一种细粒度的网络流量计算方法、装置及存储介质 |
| CN111464354B (zh) * | 2020-03-31 | 2023-02-28 | 全球能源互联网研究院有限公司 | 一种细粒度的网络流量计算方法、装置及存储介质 |
| CN112105048A (zh) * | 2020-07-27 | 2020-12-18 | 北京邮电大学 | 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法 |
| CN112105048B (zh) * | 2020-07-27 | 2021-10-12 | 北京邮电大学 | 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法 |
| WO2022057268A1 (zh) * | 2020-09-15 | 2022-03-24 | 中国电信股份有限公司 | 基站节能策略确定方法、装置以及存储介质 |
| CN112183846B (zh) * | 2020-09-25 | 2022-04-19 | 合肥工业大学 | 基于模糊c均值聚类的tvf-emd-mcqrnn负荷概率预测方法 |
| CN112183846A (zh) * | 2020-09-25 | 2021-01-05 | 合肥工业大学 | 基于模糊c均值聚类的tvf-emd-mcqrnn负荷概率预测方法 |
| CN114449549A (zh) * | 2020-11-05 | 2022-05-06 | 中国移动通信集团广西有限公司 | 一种小区休眠控制方法和电子设备 |
| CN112600728A (zh) * | 2020-12-07 | 2021-04-02 | 华东交通大学理工学院 | 一种基于大数据的5g移动基站流量预测分析系统 |
| CN112954715A (zh) * | 2021-02-01 | 2021-06-11 | 福州大学 | 基于迁移学习的无线服务节点容量估计方法 |
| CN113660676A (zh) * | 2021-07-20 | 2021-11-16 | 山东师范大学 | 基站流量预测方法、系统、存储介质及设备 |
| CN113660676B (zh) * | 2021-07-20 | 2024-04-30 | 山东师范大学 | 基站流量预测方法、系统、存储介质及设备 |
| CN114048829A (zh) * | 2022-01-14 | 2022-02-15 | 浙江大学 | 一种基于模版构建的网络流信道化时序筛分方法和装置 |
| CN115066006A (zh) * | 2022-05-28 | 2022-09-16 | 哈尔滨工业大学 | 一种基于强化学习的基站休眠方法、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110381523B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110381523B (zh) | 一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法 | |
| Yu et al. | LSTM-EFG for wind power forecasting based on sequential correlation features | |
| CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
| Peng et al. | Short-term traffic volume prediction using GA-BP based on wavelet denoising and phase space reconstruction | |
| CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
| CN109214575B (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
| Wang et al. | Wind speed forecasting based on the hybrid ensemble empirical mode decomposition and GA-BP neural network method | |
| CN105391083B (zh) | 基于变分模态分解和相关向量机的风功率区间短期预测方法 | |
| CN111193256A (zh) | 基于变分模态分解和门控循环单元的电力负荷预测方法 | |
| CN114220271A (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
| Wang et al. | Short-term PV power prediction based on optimized VMD and LSTM | |
| Jiang et al. | Modeling for chaotic time series based on linear and nonlinear framework: Application to wind speed forecasting | |
| CN106599520A (zh) | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 | |
| Zeng et al. | Predicting vacant parking space availability: A DWT-Bi-LSTM model | |
| Jiang et al. | A novel wind speed prediction method based on robust local mean decomposition, group method of data handling and conditional kernel density estimation | |
| Zhou et al. | Short-term wind power prediction optimized by multi-objective dragonfly algorithm based on variational mode decomposition | |
| CN111652425A (zh) | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 | |
| Han et al. | Network traffic prediction using variational mode decomposition and multi-reservoirs echo state network | |
| CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
| Wu et al. | Image denoising with rectified linear units | |
| CN115049135A (zh) | 基于vmd和注意力机制前置的lstm中长期径流量预测方法 | |
| Yu et al. | A novel discussion on two long-term forecast mechanisms for hydro-meteorological signals using hybrid wavelet-NN model | |
| CN117332227A (zh) | 一种多时空尺度注意力机制的环境变量预测方法及设备 | |
| Wen et al. | Short-Term Power Load Forecasting with Hybrid TPA-BiLSTM Prediction Model Based on CSSA. | |
| Zhang et al. | Growing-type WASD for power-activation neuronet to model and forecast monthly time series |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210610 Address after: 224000 Building 1, intelligent terminal industry pioneer park, high tech Zone, Yandu District, Yancheng City, Jiangsu Province (d) Applicant after: Yancheng Jiyan Intelligent Technology Co.,Ltd. Address before: 224000 Building 1, intelligent terminal industry pioneer park, high tech Zone, Yandu District, Yancheng City, Jiangsu Province Applicant before: Co., Ltd of intelligent terminal industrial research institute of Yancheng Jinlin University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |