CN111935766A - 一种基于全局空间依赖性的无线网络流量预测方法 - Google Patents

一种基于全局空间依赖性的无线网络流量预测方法 Download PDF

Info

Publication number
CN111935766A
CN111935766A CN202010967363.8A CN202010967363A CN111935766A CN 111935766 A CN111935766 A CN 111935766A CN 202010967363 A CN202010967363 A CN 202010967363A CN 111935766 A CN111935766 A CN 111935766A
Authority
CN
China
Prior art keywords
grid
flow
wireless network
global
dependency
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
Application number
CN202010967363.8A
Other languages
English (en)
Other versions
CN111935766B (zh
Inventor
孙黎
朱奇奇
吴迎笑
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.)
Xian Jiaotong University
Zhejiang Lab
Original Assignee
Xian Jiaotong University
Zhejiang Lab
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 Xian Jiaotong University, Zhejiang Lab filed Critical Xian Jiaotong University
Priority to CN202010967363.8A priority Critical patent/CN111935766B/zh
Publication of CN111935766A publication Critical patent/CN111935766A/zh
Application granted granted Critical
Publication of CN111935766B publication Critical patent/CN111935766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种基于全局空间依赖性的无线网络流量预测方法，通过建立由两个共享结构不共享参数的网络构成的流量预测模型，分别提取不同维度的时间特征，一个为以天为周期的部分，另一个为相邻时刻部分，再利用改进的非局部神经网络计算任意两个网格区域流量数据之间的相似性，将每个网格的特征表示为所有网格特征的加权平均。本发明的方法在指标均方根误差和平均绝对误差下的表现优于传统方法，预测准确率更高。

Description

一种基于全局空间依赖性的无线网络流量预测方法
技术领域
本发明属于移动无线网络技术领域，具体涉及一种基于全局空间依赖性的无线网络流量预测方法。
背景技术
在实现增强的全自动无线网络管理的过程中，准确的流量预测也是一个重要的问题。资源分配的效率在很大程度上得益于对未来无线流量预测的准确性。准确的流量预测不仅帮助网络动态分配网络资源，还可以平衡流量负载。例如，功能性基站的睡眠机制也依赖于特定基站或区域的预测流量，从而实现绿色通信。
目前，传统的预测方法将流量预测视为时间序列预测问题，然而这些方法无法同时建模考虑多种因素的影响。为了挖掘无线网络流量数据中隐藏着的复杂依赖性关系，深度学习模型被应用到无线网络流量预测中。基于长短期记忆网络的方法主要集中预测单个网格区域的流量，如果将其应用于城市范围的大规模网络，需要同时训练数百甚至上千个模型，造成计算量大的问题。基于卷积神经网络的方法仅用一个模型对整个区域进行预测，它是通过卷积运算来捕获相邻区域的空间依赖性。但是它忽略了非相邻区域之间流量序列的相关性。
发明内容
针对现有流量预测技术忽略全局空间依赖性的问题，提出一种基于全局空间依赖性的无线网络流量预测方法，具体技术方案如下：
一种基于全局空间依赖性的无线网络流量预测方法，该方法基于无线流量预测模型来实现，该方法具体包括如下步骤：
S1：构建无线网络流量预测模型，该模型包括输入模块、非局部特征提取模块、输出模块、融合模块；
S2：将所关注的城市区域划分网格区域，并将每一种业务类型的流量数据进行预处理，然后构建训练样本集，每个训练样本均包括输入张量
Figure 326902DEST_PATH_IMAGE001
和输出张量
Figure 167819DEST_PATH_IMAGE002
两部分，输入张量
Figure 504123DEST_PATH_IMAGE003
，其中
Figure 354267DEST_PATH_IMAGE004
为邻近时间部分，
Figure 725205DEST_PATH_IMAGE005
，
Figure 940286DEST_PATH_IMAGE006
为以天为周期时间部分，
Figure 29465DEST_PATH_IMAGE007
；
S3：将训练样本中的邻近时间部分
Figure 650677DEST_PATH_IMAGE008
和以天为周期时间部分
Figure 407280DEST_PATH_IMAGE009
分别输入一个输入模块，并均依次进行卷积操作、归一化操作并加入非线性激活函数，得到所有网格区域的特征张量；
S4：将
Figure 590000DEST_PATH_IMAGE010
对应的所有网格区域的特征张量输入一个非局部特征提取模块，提取
Figure 900895DEST_PATH_IMAGE011
对应的基于全局依赖性的特征；同时对
Figure 30525DEST_PATH_IMAGE012
也执行同样的操作；
S5：将
Figure 376056DEST_PATH_IMAGE013
对应的基于全局依赖性的特征分别经过两次的卷积、批量归一化和非线性激活函数的连续操作，然后再使用一个卷积操作实现特征维度变换到输出维度；同时对
Figure 995256DEST_PATH_IMAGE014
也执行同样的操作；
S6：通过参数矩阵的方式将S5中得到的两部分输出进行融合，得到融合后的特征；
S7：将S6融合后的特征通过一个sigmoid函数，得到最后的预测结果。
进一步地，所述的S2中的网格区域为H×W，所述的H和W分别为整个城市区域的长度和宽度，均为正整数；所述的业务类型包括短信息发送流量、短信息接收流量、呼叫服务发送流量、呼叫服务接收流量、互联网流量数据。
进一步地，所述的S2中的预处理包括依次进行的缺失值填补、数据聚合和最大最小归一化；
对于任意业务类型的流量数据s，如果网格i在第t个时间段存在缺失值，利用网格i周围的区域在第t个时间段的流量值取平均进行填充：
Figure 793448DEST_PATH_IMAGE015
式中：
Figure 523507DEST_PATH_IMAGE016
为第j个区域在时刻t的流量值；
Figure 926806DEST_PATH_IMAGE017
为网格i周围一圈不存在缺失值的网格区域；
Figure 952793DEST_PATH_IMAGE018
为网格i周围一圈不存在缺失值的网格个数；
所述的数据聚合为将原始数据集中以10分钟为单位的每种业务的流量数据聚合为以小时为单位；
所述的最大最小归一化具体为将流量值压缩的[0,1]区间，计算公式如下
Figure 238281DEST_PATH_IMAGE019
式中：
Figure 37610DEST_PATH_IMAGE020
为数据集中某个区域在第t个时间段内类型为s的流量值；
Figure 92153DEST_PATH_IMAGE021
和
Figure 990839DEST_PATH_IMAGE022
为分别为类型为s的流量值中的最大值和最小值，h、w分别为网格的长度和宽度。
进一步地，所述的S3中的进行卷积操作、归一化操作并加入非线性激活函数通过如下公式来实现：
Figure 763623DEST_PATH_IMAGE023
其中，Conv(g)为卷积操作，卷积层由m个k1×k1的卷积核组成，BN(g)为批量归一化操作，h(g)为非线性激活函数，Is,t为所有网格区域的特征张量，
Figure 101064DEST_PATH_IMAGE024
。
进一步地，所述的S4中提取基于全局依赖性的特征的计算公式如下：
Figure 10114DEST_PATH_IMAGE025
其中，
Figure 142018DEST_PATH_IMAGE026
为基于全局依赖性的特征，
Figure 640913DEST_PATH_IMAGE027
为归一化因子，
Figure 516465DEST_PATH_IMAGE028
为相似度计算函数，用于计算两个区域的相似程度；
Figure 483284DEST_PATH_IMAGE029
为线性变换操作，
Figure 786090DEST_PATH_IMAGE030
为可学习的权重，
Figure 533466DEST_PATH_IMAGE031
和
Figure 947130DEST_PATH_IMAGE032
分别为两个不同的特征向量。
进一步地，所述的S6中，通过如下的公式将S5中得到的两部分输出进行融合
Figure 34034DEST_PATH_IMAGE033
其中，
Figure 507741DEST_PATH_IMAGE034
为融合后的特征，e为哈达玛积；
Figure 476834DEST_PATH_IMAGE035
和
Figure 959768DEST_PATH_IMAGE036
均为可学习的参数，
Figure 199382DEST_PATH_IMAGE037
为以邻近时间部分
Figure 47252DEST_PATH_IMAGE038
作为输入时的输出；
Figure 503641DEST_PATH_IMAGE039
为以以天为周期时间部分
Figure 524687DEST_PATH_IMAGE040
作为输入时的输出。
进一步地，所述的S7中的最后的预测结果的计算公式如下：
Figure 382921DEST_PATH_IMAGE041
其中，
Figure 136114DEST_PATH_IMAGE042
为最后的预测结果，
Figure 79799DEST_PATH_IMAGE043
为sigmoid函数。
进一步地，所述的S4中的相似度计算函数选用嵌入式高斯函数，计算公式如下：
Figure 904536DEST_PATH_IMAGE044
其中，
Figure 617277DEST_PATH_IMAGE045
和
Figure 603687DEST_PATH_IMAGE046
分别为两个线性变换操作，
Figure 972352DEST_PATH_IMAGE047
和
Figure 568156DEST_PATH_IMAGE048
分别为
Figure 666562DEST_PATH_IMAGE049
、
Figure 823874DEST_PATH_IMAGE050
对应的可学习的权重。
本发明的有益效果如下：
本发明的预测模型由两个共享结构不共享参数的网络构成，分别提取不同维度的时间特征，一个为以天为周期的部分，另一个为相邻时刻部分，利用改进的非局部神经网络计算任意两个网格区域流量数据之间的相似性，将每个网格的特征表示为所有网格特征的加权平均，从而捕获所有网格区域流量序列的局部和远程空间相关性，该方法相对于现有的网络流量预测方法的指标均方根误差（Root Means Square Error，RMSE）和平均绝对误差（Means Absolute Error，MAE）均更小，预测准确率更高。
附图说明
图1为本发明提出的无线流量预测模型结构图；
图2为输入模块结构图；
图3 为非局部特征提取模块结构图；
图4 为输出模块结构图；
图5 融合模块结构图；
图6为短消息业务预测值与真实值对比曲线图；
图7为语音业务的预测值与真实值对比曲线图；
图8为互联网业务的预测值与真实值对比曲线图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明的基于全局空间依赖性的无线网络流量预测方法如图1所示，该方法构建一个由两个共享结构不共享参数的网络构成的无线网络流量预测模型，分别提取不同维度的时间特征，一个为以天为周期的部分，另一个为相邻时刻部分，再利用改进的非局部神经网络计算任意两个网格区域流量数据之间的相似性，将每个网格的特征表示为所有网格特征的加权平均。
该方法具体包括如下步骤：
S1：构建无线网络流量预测模型，如图1所示，该模型包括输入模块、非局部特征提取模块、输出模块、融合模块；所述的输入模块如图2所示，包括卷积层（Convolutionoperation，Conv）、批量归一化层（Batch Normalization，BN）和激活函数（ActivationFunction）；无线网络流量预测模型由两个共享结构不共享参数的网络构成；
S2：将所关注的城市区域划分为H×W的网格区域，这里H和W分别为整个城市区域的长度和宽度，它们均为正整数。数据集中包括三种业务流量数据：短消息流量数据（SMS）、呼叫服务流量数据（CALL）以及互联网流量数据（Internet）。其中短消息流量数据和呼叫服务流量数据又分为发送（out）和接收（in）流量。对于每一种类型
Figure 679834DEST_PATH_IMAGE051
的流量数据进行预处理，预处理包括以下几个步骤：缺失值填补、数据聚合和最大最小归一化。对于任意业务类型的流量数据s，如果网格i在第t个时间段存在缺失值，利用网格i周围的区域在第t个时间段的流量值取平均进行填充：
Figure 580794DEST_PATH_IMAGE052
式中：
Figure 533707DEST_PATH_IMAGE053
为第j个区域在时刻t的流量值；
Figure 861920DEST_PATH_IMAGE054
为网格i周围一圈不存在缺失值的网格区域；
Figure 1914DEST_PATH_IMAGE055
为网格i周围一圈不存在缺失值的网格个数；
接着进行数据聚合，将原始数据集中以10分钟为单位的每种业务的流量数据聚合为以小时为单位。
然后，最大最小归一化将其取值压缩到[0,1]区间，公式如下：
Figure 644248DEST_PATH_IMAGE019
式中：
Figure 186088DEST_PATH_IMAGE056
为数据集中某个区域在第t个时间段内类型为s的流量值；
Figure 452246DEST_PATH_IMAGE057
和
Figure 79537DEST_PATH_IMAGE058
为分别为类型为s的流量值中的最大值和最小值，h、w分别为网格的长度和宽度。
经过数据预处理后，所有网格在第t个时间间隔内的流量数据可以组成二维矩阵
Figure 322299DEST_PATH_IMAGE059
，即：
Figure 718646DEST_PATH_IMAGE060
式中：
Figure 591924DEST_PATH_IMAGE061
——位置为(h,w)的网格内的流量值。
然后构建训练样本集，每个训练样本均包括输入张量
Figure 706510DEST_PATH_IMAGE062
和输出张量
Figure 752964DEST_PATH_IMAGE063
两部分，输入张量
Figure 269396DEST_PATH_IMAGE064
，其中
Figure 110313DEST_PATH_IMAGE004
为邻近时间部分（Closeness），其片段长度为p，
Figure 204871DEST_PATH_IMAGE005
；
Figure 789436DEST_PATH_IMAGE006
为以天为周期时间部分（Weekly Period），其片段长度为q，
Figure 363637DEST_PATH_IMAGE007
。
作为其中一种实施方式，模型中
Figure 375455DEST_PATH_IMAGE065
。
S3：将训练样本中的邻近时间部分
Figure 464634DEST_PATH_IMAGE066
和以天为周期时间部分
Figure 852890DEST_PATH_IMAGE067
分别输入一个输入模块，并均依次进行卷积操作、归一化操作并加入非线性激活函数，得到所有网格区域的特征张量；
进行卷积操作、归一化操作并加入非线性激活函数通过如下公式来实现：
Figure 78335DEST_PATH_IMAGE023
其中，Conv(g)为卷积操作，卷积层由32个1×1的卷积核组成，BN(g)为批量归一化操作，h(g)为非线性激活函数，
Figure 729896DEST_PATH_IMAGE068
，Is,t为所有网格区域的特征张量，
Figure 40792DEST_PATH_IMAGE069
。
S4：对S3得到的所有网格区域的特征张量输入非局部特征提取模块，提取基于全局依赖性的特征，非局部特征提取模块的结构如图3所示，计算公式如下：
Figure 967160DEST_PATH_IMAGE025
其中，
Figure 79734DEST_PATH_IMAGE070
为基于全局依赖性的特征，
Figure 433355DEST_PATH_IMAGE027
为归一化因子，
Figure 434809DEST_PATH_IMAGE071
为相似度计算函数，用于计算两个区域的相似程度；
Figure 164868DEST_PATH_IMAGE072
为线性变换操作，
Figure 364905DEST_PATH_IMAGE073
为可学习的权重，
Figure 155007DEST_PATH_IMAGE074
和
Figure 440494DEST_PATH_IMAGE075
分别为两个不同的特征向量。
作为其中一种实施方式，相似度计算函数选用嵌入式高斯函数，计算公式如下：
Figure 911927DEST_PATH_IMAGE076
其中，
Figure 966471DEST_PATH_IMAGE077
和
Figure 193053DEST_PATH_IMAGE046
分别为两个线性变换操作，
Figure 464372DEST_PATH_IMAGE078
和
Figure 270654DEST_PATH_IMAGE079
分别为
Figure 648545DEST_PATH_IMAGE080
、
Figure 514870DEST_PATH_IMAGE081
对应的可学习的权重。在模型实现过程中，线性变换操作均使用卷积核大小为1×1的卷积代替，卷积核的个数均为32。模型实现归一化因子设置为
Figure 40530DEST_PATH_IMAGE082
。最终，非局部特征提取模块得到的输出为
Figure 650502DEST_PATH_IMAGE083
。
S5：将
Figure 679638DEST_PATH_IMAGE084
对应的基于全局依赖性的特征分别经过两次的卷积、批量归一化和非线性激活函数的连续操作，如图4所示，其中卷积操作中有32个大小为1×1的滤波器，非线性激活函数为ReLU函数。然后再使用一个卷积操作实现特征维度变换到输出维度；其中卷积操作是一个大小为1×1的滤波器，该步骤得到输出
Figure 982444DEST_PATH_IMAGE085
；同时对
Figure 667503DEST_PATH_IMAGE086
也执行同样的操作，得到得到以天为周期时间部分
Figure 81167DEST_PATH_IMAGE087
作为输入时的输出结果
Figure 731853DEST_PATH_IMAGE088
。
S6：通过参数矩阵的方式将S5中得到的两部分输出进行融合，得到融合后的特征：
Figure 205560DEST_PATH_IMAGE089
其中，
Figure 377915DEST_PATH_IMAGE090
为融合后的特征，e为哈达玛积；
Figure 329691DEST_PATH_IMAGE091
和
Figure 333419DEST_PATH_IMAGE092
均为可学习的参数，
Figure 243606DEST_PATH_IMAGE093
为以邻近时间部分
Figure 699995DEST_PATH_IMAGE094
作为输入时的输出；
Figure 455462DEST_PATH_IMAGE039
为以以天为周期时间部分
Figure 251379DEST_PATH_IMAGE095
作为输入时的输出。
S7：由于预测结果的取值范围通过最大最小归一化压缩到[0,1]区间之内，所以将S5融合后的特征
Figure 66888DEST_PATH_IMAGE090
通过一个sigmoid函数，得到最后的预测结果，计算公式如下：
Figure 514968DEST_PATH_IMAGE096
其中，
Figure 339705DEST_PATH_IMAGE042
为最后的预测结果，
Figure 52446DEST_PATH_IMAGE043
为sigmoid函数。
图5简单展示了S6和S7的两步操作。
S3~S6中使用基于随机梯度的优化技术Adam对预测模型进行优化，该模型每步训练中输入数据的样本数为32。将整个训练集中所有数据训练一次称一次迭代，在实验中对每个模型总共进行300次迭代训练。在模型训练时，采用学习率
Figure 976539DEST_PATH_IMAGE097
。
该实施例使用意大利电信移动公司在大数据挑战赛中所提供的数据集对本发明的方法进行评估。图6为短消息业务的预测值与真实值对比曲线图，图7为语音业务的预测值与真实值对比曲线图，图8为互联网业务的预测值与真实值对比曲线图，从图中可以看出，以上三种情况下本发明的方法的预测值与真实值都非常接近，预测准确率高。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (8)

1.一种基于全局空间依赖性的无线网络流量预测方法，其特征在于，该方法基于无线流量预测模型来实现，该方法具体包括如下步骤：
S1：构建无线网络流量预测模型，该模型包括输入模块、非局部特征提取模块、输出模块、融合模块；
S2：将所关注的城市区域划分网格区域，并将每一种业务类型的流量数据进行预处理，然后构建训练样本集，每个训练样本均包括输入张量
Figure 400313DEST_PATH_IMAGE001
和输出张量
Figure 230866DEST_PATH_IMAGE002
两部分，输入张量
Figure 145732DEST_PATH_IMAGE003
，其中
Figure 10920DEST_PATH_IMAGE004
为邻近时间部分，
Figure 618619DEST_PATH_IMAGE005
，
Figure 670888DEST_PATH_IMAGE006
为以天为周期时间部分，
Figure 655025DEST_PATH_IMAGE007
；
S3：将训练样本中的邻近时间部分
Figure 109140DEST_PATH_IMAGE008
和以天为周期时间部分
Figure 153319DEST_PATH_IMAGE009
分别输入一个输入模块，并均依次进行卷积操作、归一化操作并加入非线性激活函数，得到所有网格区域的特征张量；
S4：将
Figure 692885DEST_PATH_IMAGE010
对应的所有网格区域的特征张量输入一个非局部特征提取模块，提取
Figure 480713DEST_PATH_IMAGE011
对应的基于全局依赖性的特征；同时对
Figure 786405DEST_PATH_IMAGE012
也执行同样的操作；
S5：将
Figure 735906DEST_PATH_IMAGE013
对应的基于全局依赖性的特征分别经过两次的卷积、批量归一化和非线性激活函数的连续操作，然后再使用一个卷积操作实现特征维度变换到输出维度；同时对
Figure 762768DEST_PATH_IMAGE014
也执行同样的操作；
S6：通过参数矩阵的方式将S5中得到的两部分输出进行融合，得到融合后的特征；
S7：将S6融合后的特征通过一个sigmoid函数，得到最后的预测结果。
2.根据权利要求1所述的基于全局空间依赖性的无线网络流量预测方法，其特征在于，所述的S2中的网格区域为H×W，所述的H和W分别为整个城市区域的长度和宽度，均为正整数；所述的业务类型包括短信息发送流量、短信息接收流量、呼叫服务发送流量、呼叫服务接收流量、互联网流量数据。
3.根据权利要求2所述的基于全局空间依赖性的无线网络流量预测方法，其特征在于，所述的S2中的预处理包括依次进行的缺失值填补、数据聚合和最大最小归一化；
对于任意业务类型的流量数据s，如果网格i在第t个时间段存在缺失值，利用网格i周围的区域在第t个时间段的流量值取平均进行填充：
Figure 354286DEST_PATH_IMAGE015
式中：
Figure 517414DEST_PATH_IMAGE016
为第j个区域在时刻t的流量值；
Figure 903396DEST_PATH_IMAGE017
为网格i周围一圈不存在缺失值的网格区域；
Figure 417554DEST_PATH_IMAGE018
为网格i周围一圈不存在缺失值的网格个数；
所述的数据聚合为将原始数据集中以10分钟为单位的每种业务的流量数据聚合为以小时为单位；
所述的最大最小归一化具体为将流量值压缩的[0,1]区间，计算公式如下
Figure 281605DEST_PATH_IMAGE019
式中：
Figure 564819DEST_PATH_IMAGE020
为数据集中某个区域在第t个时间段内类型为s的流量值；
Figure 121702DEST_PATH_IMAGE021
和
Figure 123156DEST_PATH_IMAGE022
为分别为类型为s的流量值中的最大值和最小值，h、w分别为网格的长度和宽度。
4.根据权利要求3所述的基于全局空间依赖性的无线网络流量预测方法，其特征在于，所述的S3中的进行卷积操作、归一化操作并加入非线性激活函数通过如下公式来实现：
Figure 525319DEST_PATH_IMAGE023
其中，Conv(g)为卷积操作，卷积层由m个k1×k1的卷积核组成，BN(g)为批量归一化操作，h(g)为非线性激活函数，Is,t为所有网格区域的特征张量，
Figure 928618DEST_PATH_IMAGE024
。
5.根据权利要求4所述的基于全局空间依赖性的无线网络流量预测方法，其特征在于，
所述的S4中提取基于全局依赖性的特征的计算公式如下：
Figure 656403DEST_PATH_IMAGE025
其中，
Figure 613994DEST_PATH_IMAGE026
为基于全局依赖性的特征，
Figure 351006DEST_PATH_IMAGE027
为归一化因子，
Figure 608812DEST_PATH_IMAGE028
为相似度计算函数，用于计算两个区域的相似程度；
Figure 241919DEST_PATH_IMAGE029
为线性变换操作，
Figure 217965DEST_PATH_IMAGE030
为可学习的权重，
Figure 227509DEST_PATH_IMAGE031
和
Figure 71313DEST_PATH_IMAGE032
分别为两个不同的特征向量。
6.根据权利要求5所述的基于全局空间依赖性的无线网络流量预测方法，其特征在于，
所述的S6中，通过如下的公式将S5中得到的两部分输出进行融合
Figure 406479DEST_PATH_IMAGE033
其中，
Figure 338663DEST_PATH_IMAGE034
为融合后的特征，e为哈达玛积；
Figure 151899DEST_PATH_IMAGE035
和
Figure 118718DEST_PATH_IMAGE036
均为可学习的参数，
Figure 93627DEST_PATH_IMAGE037
为以邻近时间部分
Figure 44265DEST_PATH_IMAGE038
作为输入时的输出；
Figure 395612DEST_PATH_IMAGE039
为以以天为周期时间部分
Figure 216938DEST_PATH_IMAGE040
作为输入时的输出。
7.根据权利要求6所述的基于全局空间依赖性的无线网络流量预测方法，其特征在于，所述的S7中的最后的预测结果的计算公式如下：
Figure 628327DEST_PATH_IMAGE041
其中，
Figure 535104DEST_PATH_IMAGE042
为最后的预测结果，
Figure 955721DEST_PATH_IMAGE043
为sigmoid函数。
8.根据权利要求5所述的基于全局空间依赖性的无线网络流量预测方法，其特征在于，所述的S4中的相似度计算函数选用嵌入式高斯函数，计算公式如下：
Figure 631553DEST_PATH_IMAGE044
其中，
Figure 479423DEST_PATH_IMAGE045
和
Figure 873495DEST_PATH_IMAGE046
分别为两个线性变换操作，
Figure 832224DEST_PATH_IMAGE047
和
Figure 628142DEST_PATH_IMAGE048
分别为
Figure 646913DEST_PATH_IMAGE049
、
Figure 262702DEST_PATH_IMAGE050
对应的可学习的权重。
CN202010967363.8A 2020-09-15 2020-09-15 一种基于全局空间依赖性的无线网络流量预测方法 Active CN111935766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010967363.8A CN111935766B (zh) 2020-09-15 2020-09-15 一种基于全局空间依赖性的无线网络流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010967363.8A CN111935766B (zh) 2020-09-15 2020-09-15 一种基于全局空间依赖性的无线网络流量预测方法

Publications (2)

Publication Number Publication Date
CN111935766A true CN111935766A (zh) 2020-11-13
CN111935766B CN111935766B (zh) 2021-01-12

Family

ID=73334639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010967363.8A Active CN111935766B (zh) 2020-09-15 2020-09-15 一种基于全局空间依赖性的无线网络流量预测方法

Country Status (1)

Country Link
CN (1) CN111935766B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113316163A (zh) * 2021-06-18 2021-08-27 东南大学 基于深度学习的长期网络流量预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103747477A (zh) * 2014-01-15 2014-04-23 广州杰赛科技股份有限公司 网络流量分析与预测方法和装置
US20180262921A1 (en) * 2015-09-30 2018-09-13 Telecom Italia S.P.A. Method for managing wireless communication networks by prediction of traffic parameters
CN109257760A (zh) * 2018-09-28 2019-01-22 西安交通大学深圳研究院 无线网络中的用户流量预测系统
CN109495327A (zh) * 2018-12-28 2019-03-19 西安交通大学 一种基于大数据分析的用户活动异常检测和流量预测方法
CN111200531A (zh) * 2020-01-02 2020-05-26 国网冀北电力有限公司信息通信分公司 一种通信网流量预测方法、装置与电子设备
CN111246552A (zh) * 2020-01-14 2020-06-05 南京工业大学 一种基于移动网络流量预测的基站休眠方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103747477A (zh) * 2014-01-15 2014-04-23 广州杰赛科技股份有限公司 网络流量分析与预测方法和装置
US20180262921A1 (en) * 2015-09-30 2018-09-13 Telecom Italia S.P.A. Method for managing wireless communication networks by prediction of traffic parameters
CN109257760A (zh) * 2018-09-28 2019-01-22 西安交通大学深圳研究院 无线网络中的用户流量预测系统
CN109495327A (zh) * 2018-12-28 2019-03-19 西安交通大学 一种基于大数据分析的用户活动异常检测和流量预测方法
CN111200531A (zh) * 2020-01-02 2020-05-26 国网冀北电力有限公司信息通信分公司 一种通信网流量预测方法、装置与电子设备
CN111246552A (zh) * 2020-01-14 2020-06-05 南京工业大学 一种基于移动网络流量预测的基站休眠方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹素娥，等: "基于聚类分析算法和优化支持向量机的无线网络流量预测", 《计算机科学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113316163A (zh) * 2021-06-18 2021-08-27 东南大学 基于深度学习的长期网络流量预测方法
CN113316163B (zh) * 2021-06-18 2022-04-15 东南大学 基于深度学习的长期网络流量预测方法

Also Published As

Publication number Publication date
CN111935766B (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
CN111159425B (zh) 基于历史关系和双图卷积网络的时态知识图谱表示方法
CN110910659B (zh) 一种交通流量预测方法、装置、设备以及存储介质
CN112532439B (zh) 一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法
Zhao et al. Spatial-temporal attention-convolution network for citywide cellular traffic prediction
CN113158543A (zh) 一种软件定义网络性能智能预测方法
Zhang et al. LNTP: An end-to-end online prediction model for network traffic
CN111918321B (zh) 一种基于时空注意卷积网络的移动流量预测方法
CN113905391A (zh) 集成学习网络流量预测方法、系统、设备、终端、介质
CN113673769A (zh) 基于多元时间序列插补的图神经网络交通流预测方法
CN112348222A (zh) 一种基于因果逻辑和图卷积特征提取的网络耦合时序信息流预测方法
CN111935766B (zh) 一种基于全局空间依赖性的无线网络流量预测方法
Shiang et al. Gated recurrent unit network-based cellular trafile prediction
CN115034496A (zh) 基于GCN-Transformer的城市轨道交通节假日短时客流预测方法
CN113691993B (zh) 基于图神经网络的5g连通簇基站群流量预测方法及系统
CN105281959A (zh) 一种基于隐马尔可夫模型的移动通信用户流失预测方法
CN116306780B (zh) 一种动态图链接生成方法
CN117175588A (zh) 基于时空相关性的用电负荷预测方法及装置
CN108764489B (zh) 基于虚拟样本的模型训练方法及设备
CN114158085B (zh) 一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法
CN116347504A (zh) 基于emd-mwoa-lstm的通信基站流量预测方法
Yu et al. Network traffic overload prediction with temporal graph attention convolutional networks
Xu et al. Self-similarity analysis and application of network traffic
Shterev et al. Time series prediction with neural networks: a review
Wan et al. Capturing Spatial-Temporal Correlations with Attention Based Graph Convolutional Networks for Network Traffic Prediction
HS et al. An efficient Multi-Layer Hybrid Neural Network and optimized parameter enhancing approach for traffic prediction in Big Data Domain.

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