CN110381524A - 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质 - Google Patents
基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN110381524A CN110381524A CN201910636453.6A CN201910636453A CN110381524A CN 110381524 A CN110381524 A CN 110381524A CN 201910636453 A CN201910636453 A CN 201910636453A CN 110381524 A CN110381524 A CN 110381524A
- Authority
- CN
- China
- Prior art keywords
- prediction
- lstm
- flow
- prediction model
- mobile
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Bi‑LSTM的大场景移动流量在线预测方法、系统及存储介质。本发明把双向长短期记忆神经网络(Bi‑LSTM)作为预测模型的核心算法,利用多种场景下海量的历史流量数据训练模型,把训练好的模型通过迁移学习技术,实现特定场景的移动流量在线预测与学习,进而构建出具有自适应能力的预测模型来对各大场景的移动流量进行在线预测。本发明将先进的深度学习领域算法Bi‑LSTM用于构建移动网络流量预测,在一个模型中同时实现上行和下行流量的双预测,且预测精度高、泛化能力强,能在线预测移动网络流量。
Description
技术领域
本发明涉及大场景移动互联网流量预测领域,尤其涉及一种基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质。
背景技术
随着通信技术的飞速发展和手机科技的进步,人们开始从有线互联时代走进移动互联网时代。移动互联网不仅丰富着人们娱乐生活,而且也给我们的日常生活带来了极大便利,这使得我们的生活和移动网络关系变的越来越紧密。据工信部公布的《2019年1-3月份通信业经济运行情况》,当前中国4G用户规模为12.04亿户,人均流量为7.27GB,并且依然保持增长趋势,尤其是人均流量;移动运营商们也从传统的“话务量”经营转变成“流量”经营。快速增长的用户需求和网络规模给当前的网络设施带来了诸多挑战,对于一些人员高流动、高密集的场景(游乐场、体育竞赛或音乐会现场等),急剧增长的流量给其网络架构带来极大的压力,用户体验也随着降低。此外,急剧增长的流量也给节假日移动网络的安全保障带来极大的困难。
快速准确的预测移动流量,对网络维护和安全保障具有重大意义,尤其是节假日、大型体育赛事或演唱会等大型活动的网络安全的保障。由于人员的流动性和个人行为特性,使得移动网络流量峰值的出现呈现出不确定性;场景的不同,网络流量的变化趋势也极大的不同;此外,技术的进步和政策也都影响着用户的流量,这些给网络流量预测带来极大困难。因此,当前还没有一个能长期用于不同场景的网络流量的通用预测模型。
发明内容
本发明的主要目的是提出一种基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质,旨在解决现有技术中还没有一个能长期用于不同场景的网络流量的通用预测模型的问题。
为实现上述目的,本发明提出一种基于Bi-LSTM的大场景移动流量在线预测方法,把双向长短期记忆神经网络(Bi-LSTM)作为预测模型的核心算法,利用多种场景下海量的历史流量数据训练模型,把训练好的模型通过迁移学习技术,实现特定场景的移动流量在线预测与学习,进而构建出具有自适应能力的预测模型来对各大场景的移动流量进行在线预测。
进一步地,具体包括以下步骤:
S1、以粒度为15分钟,获取多场景下的长期移动网络的上行和下行流量数据,把获取的序列化的流量数据映射到特定区间,然后将其转换成等长的三维输入数据和对应的二维预测输出据;
S2、基于双向长短期记忆神经网络(Bi-LSTM)算法,搭建移动网路上行和下行流量预测模型;
S3、把预处理好的历史流量数据分别作为构建的待训练预测模型的输入和输出,进行预测模型训练,并通过自适应梯度下降法Adam实现其参数调整;
S4、将训练好的预测模型保存,然后用于某具体场景的移动网络的上行和下行流量的在线预测,通过迁移学习技术,定期在闲暇时期把该场景的新的历史流量数据用于预测模型的在线学习,更新预测模型参数,进而构建出具有一定的参数自适应性的流量预测模型,能长期用于不同场景的网络流量的在线预测。
进一步地,所述步骤S1中的数据映射方法如下:
x′为处理后的流量数据,x为实际流量数据,xmax和xmin分别为输入流量数据的最大值和最小值;其中Δ为取值在0和1之间的变量,Bi-LSTM的输出的取值区间为[0,1];为允许Bi-LSTM的预测输出的最大值大于输入的历史数据的最大值,本发明把输入流量映射到区间[0,Δ]之内。
优选地,所述步骤S1中处理后的三维输入数据的格式为N×L×D,其中N为样本数,L为时间序列长度,D为时间序列的维度,D取值为2,分别是移动网络的上行和下行流量。
进一步地,所述步骤S2中的基于Bi-LSTM的预测模型的构建方法如下:
预测模型包含输入层、双向隐层记忆网络、一个全连接层和输出层,设时间数列为T,输入序列为{x1,x2,…,xT},前向隐层状态为{a1,a2,…,aT},反向隐层的状态为{c1,c2,…,cT},网络的权值和偏置分别为w和b。对于给定cell,输入门、遗忘门和输出门分别为i、f和o,前向隐层的状态at为:
反向隐层的状态ct为:
记忆网络的输出为:
Ot=Uo·at+wo·ct+bo (4)
全连接层的输入为Ot,输出为:
yt=sigmoid(wy·Ot+by) (5)。
优选的,所述预测模型在全连接层后引入一个Dropout层,以增强预测模型的可训练性和防过学习。
进一步地,所述步骤S3中Adam梯度下降实现为:
其中mt为梯度的第一时刻平均值,vt为为梯度的第二时刻非中心方差值,ε、β1和β2为参数。
此外,为实现上述目的,本发明一种存储介质,所述存储介质上存储有基于Bi-LSTM的大场景移动流量在线预测程序,所述基于Bi-LSTM的大场景移动流量在线预测程序被处理器执行时实现上文所述的基于Bi-LSTM的大场景移动流量在线预测方法的计算流程。
此外,为实现上述目的,本发明还提出一种基于Bi-LSTM的大场景移动流量在线预测系统,该系统包括:
获取上、下行流量模块:以粒度为15分钟,获取多场景下的长期移动网络的上行和下行流量数据,把获取的序列化的流量数据映射到特定区间,然后将其转换成等长的三维输入数据和对应的二维预测输出据;
上、下行流量预测模块:基于双向长短期记忆神经网络(Bi-LSTM)算法,搭建移动网路上行和下行流量预测模型;
预测模型训练模块:把预处理好的历史流量数据分别作为构建的待训练预测模型的输入和输出,进行预测模型训练,并通过自适应梯度下降法Adam实现其参数调整;
在线预测模块:将训练好的预测模型保存,然后用于某具体场景的移动网络的上行和下行流量的在线预测,通过迁移学习技术,定期在闲暇时期把该场景的新的历史流量数据用于预测模型的在线学习,更新预测模型参数,进而构建出具有一定的参数自适应性的流量预测模型,能长期用于不同场景的网络流量的在线预测。
本发明的技术方案中,具有以下有益效果:(1)本发明将先进的深度学习领域算法Bi-LSTM用于构建移动网络流量预测,在一个模型中同时实现上行和下行流量的双预测,且预测精度高、泛化能力强,能在线预测移动网络流量;(2)本发明模型的训练使用多种场景下长期历史数据,使得训练好的模型具很好的通用性;当模型用于特定场景的移动网络流量预测时,采用迁移学习技术,定期学习该场景下新的历史流量数据并更新自我参数,具有一定的自适应性,能长期用于不同场景的网络流量的在线预测。
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一些实施例,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,还可以根据这些附图示出的结构获得其他的附图。
图1是实施例1中的基于Bi-LSTM的大场景移动流量在线预测方法的实现流程图;
图2是Bi-LSTM预测模型的结构图;
图3是某大型商场2019年4月15日—5月12日上行流量;
图4是某大型商场2019年4月15日—5月12日下行流量;
图5是预测模型训练过程损失曲线;
图6是预测模型训练上行流量与实际上行流量对比;
图7是预测模型训练下行流量与实际下行流量对比;
图8是训练好的模型上行流量测试结果与实际上行流量对比;
图9是训练好的模型下行流量测试结果与实际下行流量对比;
图10是实施例3中的基于Bi-LSTM的大场景移动流量在线预测系统结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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的一部分实施例,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作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。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,全文中出现的“和/或”的含义,包括三个并列的方案,以“A和/或B”为例,包括A方案、或B方案、或A和B同时满足的方案。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提出一种基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质,旨在解决现有技术中还没有一个能长期用于不同场景的网络流量的通用预测模型的问题。
实施例1
为实现上述目的,本实施例提出一种基于Bi-LSTM的大场景移动流量在线预测方法,把双向长短期记忆神经网络(Bi-LSTM)作为预测模型的核心算法,利用多种场景下海量的历史流量数据训练模型,把训练好的模型通过迁移学习技术,实现特定场景的移动流量在线预测与学习,进而构建出具有自适应能力的预测模型来对各大场景的移动流量进行在线预测。
需要说明的是,本发明预测模型基于深度学习算法Bi-LSTM,其预测精度高、误差泛化能力强。
应理解的是,本发明模型训练时选用多种场景下的大量历史数据,通用性强,被用于特定场景后又能定期学习该场景下新的历史流量数据并更新自我参数。
在具体实现中,本发明具有一定的自适应性,能长期用于不同场景的网络流量的在线预测。
进一步地,参见图1:具体包括以下步骤:
具体包括以下步骤:
S1、以粒度为15分钟,获取多场景下的长期移动网络的上行和下行流量数据,把获取的序列化的流量数据映射到特定区间,然后将其转换成等长的三维输入数据和对应的二维预测输出据;
所述步骤S1中的数据映射方法如下:
x′为处理后的流量数据,x为实际流量数据,xmax和xmin分别为输入流量数据的最大值和最小值;
其中Δ为取值在0和1之间的变量,Bi-LSTM的输出的取值区间为[0,1];为允许Bi-LSTM的预测输出的最大值大于输入的历史数据的最大值,本发明把输入流量映射到区间[0,Δ]之内。
所述步骤S1中处理后的三维输入数据的格式为N×L×D,其中N为样本数,L为时间序列长度,D为时间序列的维度,D取值为2,分别是移动网络的上行和下行流量。
S2、基于双向长短期记忆神经网络(Bi-LSTM)算法,搭建移动网路上行和下行流量预测模型;
如图2所示为Bi-LSTM预测模型的结构图,基于Bi-LSTM的预测模型的构建方法如下:
本发明构建的Bi-LSTM预测模型包含输入层、双向隐层记忆网络、一个全连接层、Dropout层和输出层;设时间数列为T,输入序列为{x1,x2,…,xT},前向隐层状态为{a1,a2,…,aT},反向隐层的状态为{c1,c2,…,cT},网络的权值和偏置分别为w和b。对于给定cell,输入门、遗忘门和输出门分别为i、f和o,前向隐层的状态at为:
反向隐层的状态ct为:
记忆网络的输出为:
Ot=Uo·at+wo·ct+bo (4)
全连接层的输入为Ot,输出为:
yt=sigmoid(wy·Ot+by) (5)。
需要说明的是,双向长短期记忆神经网络(Bi-LSTM)的实质是一种改进型LSTM,核心模块依旧是带有遗忘和记忆功能的cell构成;不同之处在于Bi-LSTM的隐含层由前向隐层和后向隐层构成,传统的Bi-LSTM模型主要包含三部分,分别是输入、双向隐层和输出模块构成。
应当理解的是,所述预测模型在全连接层后引入一个Dropout层,以增强预测模型的可训练性和防过学习。
S3、把预处理好的历史流量数据分别作为构建的待训练预测模型的输入和输出,进行预测模型训练,并通过自适应梯度下降法Adam实现其参数调整;所述步骤S3中Adam梯度下降实现为:
其中mt为梯度的第一时刻平均值,vt为为梯度的第二时刻非中心方差值,ε、β1和β2为参数。
S4、将训练好的预测模型保存,然后用于某具体场景的移动网络的上行和下行流量的在线预测,通过迁移学习技术,定期在闲暇时期把该场景的新的历史流量数据用于预测模型的在线学习,更新预测模型参数,进而构建出具有一定的参数自适应性的流量预测模型,能长期用于不同场景的网络流量的在线预测。
需要说明的是,本发明将先进的深度学习领域算法Bi-LSTM用于构建移动网络流量预测,在一个模型中同时实现上行和下行流量的双预测,且预测精度高、泛化能力强,能在线预测移动网络流量。
应理解的是,本发明模型的训练使用多种场景下长期历史数据,使得训练好的模型具很好的通用性;当模型用于特定场景的移动网络流量预测时,采用迁移学习技术,定期学习该场景下新的历史流量数据并更新自我参数,具有一定的自适应性。
在具体实现中,本发明能长期用于不同场景的网络流量的在线预测,下面以实际案例仿真说明实施方案的有效性。
首先获取移动网络流量数据,实验数据是淮南某大型商场(包含广场)2019年4月15日—5月12日的连续上行和下行流量数据,其中包含五一假期。数据采集的粒度为15分钟,即每小时采集4次流量数据,共2688×2,见附图3和附图4。获取实验数据后将其映射到区间[0,Δ]内,其中Δ的取值为0.8。在本案例中,L取值为96,处理后的输入数据的维度为N×96×2。实验中,4月15日—5月6日的流量数据用于模型的训练,5月6日—5月12日的流量数据用于训练好的模型测试。
预测模型的建立,输入层的维度为96,隐层前、后向记忆网络的cell数分别为128,全连接层神经元数为258,Dropout神经元失效率设定为0.25,优化器Adam的学习率为0.00075,β1和β2分别为0.85和0.995。实验平台为深度学习开源框架Tensorflow,数据输入batch-size为32,epochs取值为200,即训练预测模型时,训练数据集使用200次,模型训练时的损失曲线如图5。
从图5的训练损失曲线可知,本发明设计的用于大场景移动网络流量预测的模型可训练性较强,收敛速度快。在训练好的模型在训练集中的上、下行流量预测结果分别见图6和图7,在测试集中的预测结果如图8和图9。从图6、7、8和9中可知,本发明对移动网络的上下行流量预测精度很高,误差泛化能力强。
实施例2
此外,为实现上述目的,本实施例一种存储介质,所述存储介质上存储有基于Bi-LSTM的大场景移动流量在线预测程序,所述基于Bi-LSTM的大场景移动流量在线预测程序被处理器执行时实现上文所述的基于Bi-LSTM的大场景移动流量在线预测方法的计算流程。
实施例3
此外,为实现上述目的,参见图10:本实施例还提出一种基于Bi-LSTM的大场景移动流量在线预测系统,该系统包括:
获取上、下行流量模块:以粒度为15分钟,获取多场景下的长期移动网络的上行和下行流量数据,把获取的序列化的流量数据映射到特定区间,然后将其转换成等长的三维输入数据和对应的二维预测输出据;
上、下行流量预测模块:基于双向长短期记忆神经网络(Bi-LSTM)算法,搭建移动网路上行和下行流量预测模型;
预测模型训练模块:把预处理好的历史流量数据分别作为构建的待训练预测模型的输入和输出,进行预测模型训练,并通过自适应梯度下降法Adam实现其参数调整;
在线预测模块:将训练好的预测模型保存,然后用于某具体场景的移动网络的上行和下行流量的在线预测,通过迁移学习技术,定期在闲暇时期把该场景的新的历史流量数据用于预测模型的在线学习,更新预测模型参数,进而构建出具有一定的参数自适应性的流量预测模型,能长期用于不同场景的网络流量的在线预测。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于Bi-LSTM的大场景移动流量在线预测方法,其特征在于,把双向长短期记忆神经网络(Bi-LSTM)作为预测模型的核心算法,利用多种场景下海量的历史流量数据训练模型,把训练好的模型通过迁移学习技术,实现特定场景的移动流量在线预测与学习,进而构建出具有自适应能力的预测模型来对各大场景的移动流量进行在线预测。
2.根据权利要求1所述的基于Bi-LSTM的大场景移动流量在线预测方法,其特征在于,具体包括以下步骤:
S1、以粒度为15分钟,获取多场景下的长期移动网络的上行和下行流量数据,把获取的序列化的流量数据映射到特定区间,然后将其转换成等长的三维输入数据和对应的二维预测输出据;
S2、基于双向长短期记忆神经网络(Bi-LSTM)算法,搭建移动网路上行和下行流量预测模型;
S3、把预处理好的历史流量数据分别作为构建的待训练预测模型的输入和输出,进行预测模型训练,并通过自适应梯度下降法Adam实现其参数调整;
S4、将训练好的预测模型保存,然后用于某具体场景的移动网络的上行和下行流量的在线预测,通过迁移学习技术,定期在闲暇时期把该场景的新的历史流量数据用于预测模型的在线学习,更新预测模型参数,进而构建出具有一定的参数自适应性的流量预测模型,能长期用于不同场景的网络流量的在线预测。
3.根据权利要求2所述的基于Bi-LSTM的大场景移动流量在线预测方法,其特征在于,所述步骤S1中的数据映射方法如下:
x′为处理后的流量数据,x为实际流量数据,xmax和xmin分别为输入流量数据的最大值和最小值;其中Δ为取值在0和1之间的变量,Bi-LSTM的输出的取值区间为[0,1];为允许Bi-LSTM的预测输出的最大值大于输入的历史数据的最大值,把输入流量映射到区间[0,Δ]之内。
4.根据权利要求2所述的基于Bi-LSTM的大场景移动流量在线预测方法,其特征在于,所述步骤S1中处理后的三维输入数据的格式为N×L×D,其中N为样本数,L为时间序列长度,D为时间序列的维度,D取值为2,分别是移动网络的上行和下行流量。
5.根据权利要求2所述的基于Bi-LSTM的大场景移动流量在线预测方法,其特征在于,所述步骤S2中的基于Bi-LSTM的预测模型的构建方法如下:
预测模型包含输入层、双向隐层记忆网络、一个全连接层和输出层,设时间数列为T,输入序列为{x1,x2,…,xT},前向隐层状态为{a1,a2,…,aT},反向隐层的状态为{c1,c2,…,cT},网络的权值和偏置分别为w和b。对于给定cell,输入门、遗忘门和输出门分别为i、f和o,前向隐层的状态at为:
s.t.:
反向隐层的状态ct为:
s.t.:
记忆网络的输出为:
Ot=Uo·at+wo·ct+bo (4)
全连接层的输入为Ot,输出为:
yt=sigmoid(wy·Ot+by) (5)。
6.根据权利要求5所述的基于Bi-LSTM的大场景移动流量在线预测方法,其特征在于,所述预测模型在全连接层后引入一个Dropout层,以增强预测模型的可训练性和防过学习。
7.根据权利要求2所述的基于Bi-LSTM的大场景移动流量在线预测方法,其特征在于,所述步骤S3中Adam梯度下降实现为:
其中mt为梯度的第一时刻平均值,vt为为梯度的第二时刻非中心方差值,ε、β1和β2为参数。
8.一种存储介质,其特征在于,所述存储介质上存储有基于Bi-LSTM的大场景移动流量在线预测程序,所述基于Bi-LSTM的大场景移动流量在线预测程序被处理器执行时实现如权利要求2至7任一项所述的基于Bi-LSTM的大场景移动流量在线预测方法的计算流程。
9.一种基于Bi-LSTM的大场景移动流量在线预测系统,其特征在于,该系统包括:
获取上、下行流量模块:以粒度为15分钟,获取多场景下的长期移动网络的上行和下行流量数据,把获取的序列化的流量数据映射到特定区间,然后将其转换成等长的三维输入数据和对应的二维预测输出据;
上、下行流量预测模块:基于双向长短期记忆神经网络(Bi-LSTM)算法,搭建移动网路上行和下行流量预测模型;
预测模型训练模块:把预处理好的历史流量数据分别作为构建的待训练预测模型的输入和输出,进行预测模型训练,并通过自适应梯度下降法Adam实现其参数调整;
在线预测模块:将训练好的预测模型保存,然后用于某具体场景的移动网络的上行和下行流量的在线预测,通过迁移学习技术,定期在闲暇时期把该场景的新的历史流量数据用于预测模型的在线学习,更新预测模型参数,进而构建出具有一定的参数自适应性的流量预测模型,能长期用于不同场景的网络流量的在线预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910636453.6A CN110381524B (zh) | 2019-07-15 | 2019-07-15 | 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910636453.6A CN110381524B (zh) | 2019-07-15 | 2019-07-15 | 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110381524A true CN110381524A (zh) | 2019-10-25 |
CN110381524B CN110381524B (zh) | 2022-12-20 |
Family
ID=68253228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910636453.6A Active CN110381524B (zh) | 2019-07-15 | 2019-07-15 | 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110381524B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110830303A (zh) * | 2019-11-13 | 2020-02-21 | 大连大学 | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 |
CN110839040A (zh) * | 2019-11-20 | 2020-02-25 | 北京天融信网络安全技术有限公司 | 一种流量的监控方法、模型的训练方法、装置及存储介质 |
CN111355633A (zh) * | 2020-02-20 | 2020-06-30 | 安徽理工大学 | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 |
CN113162811A (zh) * | 2021-06-01 | 2021-07-23 | 长扬科技(北京)有限公司 | 一种基于深度学习的工控网络流量异常检测方法及装置 |
CN113959979A (zh) * | 2021-10-29 | 2022-01-21 | 燕山大学 | 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 |
CN113973156A (zh) * | 2021-12-22 | 2022-01-25 | 杭州远传新业科技有限公司 | 一种话务量预测方法及系统、话务量预测装置 |
CN115396831A (zh) * | 2021-05-08 | 2022-11-25 | 中国移动通信集团浙江有限公司 | 交互模型生成方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017000557A1 (zh) * | 2015-06-30 | 2017-01-05 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
US20180121788A1 (en) * | 2016-11-03 | 2018-05-03 | Salesforce.Com, Inc. | Deep Neural Network Model for Processing Data Through Mutliple Linguistic Task Hiearchies |
US20180219895A1 (en) * | 2017-01-27 | 2018-08-02 | Vectra Networks, Inc. | Method and system for learning representations of network flow traffic |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN108900346A (zh) * | 2018-07-06 | 2018-11-27 | 西安电子科技大学 | 基于lstm网络的无线网络流量预测方法 |
CN109120463A (zh) * | 2018-10-15 | 2019-01-01 | 新华三大数据技术有限公司 | 流量预测方法及装置 |
CN109462520A (zh) * | 2018-11-19 | 2019-03-12 | 电子科技大学 | 基于lstm模型的网络流量资源态势预测方法 |
CN109846471A (zh) * | 2019-01-30 | 2019-06-07 | 郑州大学 | 一种基于BiGRU深度神经网络的心肌梗死检测方法 |
-
2019
- 2019-07-15 CN CN201910636453.6A patent/CN110381524B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017000557A1 (zh) * | 2015-06-30 | 2017-01-05 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
US20180121788A1 (en) * | 2016-11-03 | 2018-05-03 | Salesforce.Com, Inc. | Deep Neural Network Model for Processing Data Through Mutliple Linguistic Task Hiearchies |
US20180219895A1 (en) * | 2017-01-27 | 2018-08-02 | Vectra Networks, Inc. | Method and system for learning representations of network flow traffic |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN108900346A (zh) * | 2018-07-06 | 2018-11-27 | 西安电子科技大学 | 基于lstm网络的无线网络流量预测方法 |
CN109120463A (zh) * | 2018-10-15 | 2019-01-01 | 新华三大数据技术有限公司 | 流量预测方法及装置 |
CN109462520A (zh) * | 2018-11-19 | 2019-03-12 | 电子科技大学 | 基于lstm模型的网络流量资源态势预测方法 |
CN109846471A (zh) * | 2019-01-30 | 2019-06-07 | 郑州大学 | 一种基于BiGRU深度神经网络的心肌梗死检测方法 |
Non-Patent Citations (2)
Title |
---|
ZIKAI ZOU等: "City-Level Traffic Flow Prediction via LSTM Networks", 《PROCEEDINGS OF THE 2ND INTERNATIONAL CONFERENCE ON ADVANCES IN IMAGE PROCESSING》 * |
钱兵等: "基于深度学习的LTE小区趋势预测研究", 《信息通信技术与政策》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110830303A (zh) * | 2019-11-13 | 2020-02-21 | 大连大学 | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 |
CN110830303B (zh) * | 2019-11-13 | 2022-04-01 | 大连大学 | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 |
CN110839040A (zh) * | 2019-11-20 | 2020-02-25 | 北京天融信网络安全技术有限公司 | 一种流量的监控方法、模型的训练方法、装置及存储介质 |
CN110839040B (zh) * | 2019-11-20 | 2021-12-14 | 北京天融信网络安全技术有限公司 | 一种流量的监控方法、模型的训练方法、装置及存储介质 |
CN111355633A (zh) * | 2020-02-20 | 2020-06-30 | 安徽理工大学 | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 |
CN115396831A (zh) * | 2021-05-08 | 2022-11-25 | 中国移动通信集团浙江有限公司 | 交互模型生成方法、装置、设备及存储介质 |
CN113162811A (zh) * | 2021-06-01 | 2021-07-23 | 长扬科技(北京)有限公司 | 一种基于深度学习的工控网络流量异常检测方法及装置 |
CN113959979A (zh) * | 2021-10-29 | 2022-01-21 | 燕山大学 | 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 |
CN113959979B (zh) * | 2021-10-29 | 2022-07-29 | 燕山大学 | 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 |
CN113973156A (zh) * | 2021-12-22 | 2022-01-25 | 杭州远传新业科技有限公司 | 一种话务量预测方法及系统、话务量预测装置 |
CN113973156B (zh) * | 2021-12-22 | 2022-04-08 | 杭州远传新业科技有限公司 | 一种话务量预测方法及系统、话务量预测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110381524B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110381524A (zh) | 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质 | |
CN109902880A (zh) | 一种基于Seq2Seq生成对抗网络的城市人流预测方法 | |
CN109190795A (zh) | 一种区域间出行需求预测方法及装置 | |
CN107045785B (zh) | 一种基于灰色elm神经网络的短时交通流量预测的方法 | |
CN110070715A (zh) | 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法 | |
CN110310479A (zh) | 一种城市交通流量预测系统及方法 | |
CN110737968A (zh) | 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统 | |
CN109146156A (zh) | 一种用于预测充电桩系统充电量的方法 | |
CN110232444A (zh) | 地质监测bp神经网络的优化方法、装置、设备及存储介质 | |
Han et al. | Keeping cell selection model up-to-date to adapt to time-dependent environment in sparse mobile crowdsensing | |
CN110543671A (zh) | 一种基于人工社会的城市安全宜居度建模方法 | |
CN112418508B (zh) | 基于物理空间与社交网络空间交互的人口分布预测方法 | |
CN112766600A (zh) | 一种城市区域人群流量预测方法及系统 | |
CN108106624A (zh) | 一种多人预约调度路径规划方法及相关装置 | |
CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
CN116384565A (zh) | 一种基于缺失数据填补的层次式大气臭氧浓度预测方法 | |
Li et al. | Evolutionary dynamics of the last mile travel choice | |
Liu et al. | A deep reinforcement learning approach for ramp metering based on traffic video data | |
Lv | [Retracted] Martial Arts Competitive Decision‐Making Algorithm Based on Improved BP Neural Network | |
KR102424507B1 (ko) | 인공지능과 위치정보 기술을 기반으로 유저 맞춤형 팀매칭과 라운딩 노쇼를 방지하는 골프팀매칭 플랫폼의 운영방법 | |
CN116843069A (zh) | 一种基于人群活动强度特征的通勤流量估计方法及系统 | |
CN116596727A (zh) | 一种基于人群时空分布预测的城市服务设施布局评估方法 | |
CN106844626A (zh) | 利用微博关键词和位置信息模拟空气质量的方法及系统 | |
CN114154024B (zh) | 一种基于动态网络属性表示的链接预测方法 | |
Jiang et al. | Hierarchical fuzzy rule interpolation and its application for hotels location selection |
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 |