CN111935766B - 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 PDFInfo
- Publication number
- CN111935766B CN111935766B CN202010967363.8A CN202010967363A CN111935766B CN 111935766 B CN111935766 B CN 111935766B CN 202010967363 A CN202010967363 A CN 202010967363A CN 111935766 B CN111935766 B CN 111935766B
- Authority
- CN
- China
- Prior art keywords
- grid
- flow
- wireless network
- data
- 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.)
- Active
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
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
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和输出张量两部分,输入张量,其中为邻近时间部分,,为以天为周期时间部分,;其中,s表示任意业务类型的流量数据,t表示第t个时间段,a表示以小时为单位的片段长度,q表示以天为单位的片段长度;
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:
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
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:
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:
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
进一步地,所述的S7中的最后的预测结果的计算公式如下:
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:
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:
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:
然后构建训练样本集,每个训练样本均包括输入张量和输出张量两部分,输入张量,其中为邻近时间部分(Closeness),其片段长度为a,;为以天为周期时间部分(Weekly Period),其片段长度为q,。其中,s表示任意业务类型的流量数据,t表示第t个时间段,a表示以小时为单位的片段长度,q表示以天为单位的片段长度。
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:
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:
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:
其中,和分别为两个线性变换操作,和分别为、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。最终,非局部特征提取模块得到的输出为。
S5:将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;同时对也执行同样的操作,得到得到以天为周期时间部分作为输入时的输出结果。
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:
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。
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 (6)
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和输出张量两部分,输入张量,其中为邻近时间部分, ,为以天为周期时间部分,;其中,s表示任意业务类型的流量数据,t表示第t个时间段,a表示以小时为单位的片段长度,q表示以天为单位的片段长度;
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;
所述的S4中提取基于全局依赖性的特征的计算公式如下:
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
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:
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
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 CN111935766A (zh) | 2020-11-13 |
CN111935766B true 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) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103747477B (zh) * | 2014-01-15 | 2017-08-25 | 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 |
EP3357271B1 (en) * | 2015-09-30 | 2020-03-25 | Telecom Italia S.p.A. | Method for managing wireless communication networks by prediction of traffic parameters |
CN109257760B (zh) * | 2018-09-28 | 2019-10-11 | 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 |
CN109495327B (zh) * | 2018-12-28 | 2020-05-19 | 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 |
CN111200531B (zh) * | 2020-01-02 | 2022-01-04 | 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 |
CN111246552B (zh) * | 2020-01-14 | 2021-11-26 | 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 |
-
2020
- 2020-09-15 CN CN202010967363.8A patent/CN111935766B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111935766A (zh) | 2020-11-13 |
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 | |
CN110263280B (zh) | 一种基于多视图的动态链路预测深度模型及应用 | |
CN110910659B (zh) | 一种交通流量预测方法、装置、设备以及存储介质 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
Zhao et al. | Spatial-temporal aggregation graph convolution network for efficient mobile cellular traffic prediction | |
Zhao et al. | Spatial-temporal attention-convolution network for citywide cellular traffic prediction | |
CN111918321B (zh) | 一种基于时空注意卷积网络的移动流量预测方法 | |
Zhang et al. | LNTP: An end-to-end online prediction model for network traffic | |
CN113905391A (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
CN112910690A (zh) | 基于神经网络模型的网络流量预测方法、装置及设备 | |
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 | |
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 | |
CN111935766B (zh) | 一种基于全局空间依赖性的无线网络流量预测方法 | |
CN115034496A (zh) | 基于GCN-Transformer的城市轨道交通节假日短时客流预测方法 | |
Shiang et al. | Gated recurrent unit network-based cellular trafile prediction | |
CN109903205B (zh) | 一种公开课智能推荐方法以及管理系统 | |
CN113194493B (zh) | 基于图神经网络的无线网络数据缺失属性恢复方法及装置 | |
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 | |
CN115713044B (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
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 | |
Xu et al. | Self-similarity analysis and application of network traffic | |
CN111045861B (zh) | 一种基于深度神经网络的传感器数据恢复方法 | |
CN116170351B (zh) | 一种基于时空图注意力机制的网络流量预测方法 |
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 |