CN114039870B - 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 - Google Patents
基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 Download PDFInfo
- Publication number
- CN114039870B CN114039870B CN202111135071.9A CN202111135071A CN114039870B CN 114039870 B CN114039870 B CN 114039870B CN 202111135071 A CN202111135071 A CN 202111135071A CN 114039870 B CN114039870 B CN 114039870B
- Authority
- CN
- China
- Prior art keywords
- bandwidth
- deep learning
- learning model
- data
- network
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于深度学习的蜂窝网络中视频流应用实时带宽预测方法,涉及移动通信领域,该方法包括:步骤S1、从视频流应用中获取原始数据样本;步骤S2、对原始数据样本进行预处理生成特征图样本;构建深度学习模型;将特征图样本输入深度学习模型进行模型训练;步骤S3、将训练完成的深度学习模型发放至视频流应用;步骤S4、采集待测试的带宽、网络状态信息以及用户移动速度的数据并将其输入到训练得到的深度学习模型中来预测未来时刻带宽值。本发明提高了预测精度,提升了用户体验质量。
Description
技术领域
本发明涉及移动通信技术领域,特别是一种基于深度学习的蜂窝网络中视频流应用实时带宽预测方法。
背景技术
随着移动互联网的日益普及以及视频会议、虚拟现实、在线游戏移动等对于带宽波动敏感度较高的移动应用发展,此时用户的体验质量(QoE)显得极为重要。此类需要高带宽低延迟的应用程序严重依赖于蜂窝网络的稳定性,而无线连接的高波动性给此类应用的用户体验质量(QoE)带来了极大的挑战。如果能够提前预测未来时刻带宽值,那么应用程序可利用该预测值来调整其数据传输策略以显著提高用户体验质量(QoE)。例如在实时视频通话场景下,如果通过预测未来时刻带宽值,以此提前采取控制策略调整视频流的码率,使得视频流的质量适应网络环境,将会使得实时通话的用户体验质量(QoE)更高,从而避免因为自适应切换的滞后性导致的用户体验质量(QoE)下降的问题。
现有预测方法主要集中于统计学模型,根据短期历史时刻的带宽值,预测未来时刻带宽值,存在预测精度较差的问题;根据当前带宽值自适应调整的方法存在着明显的滞后性。因此如何做到精度地预测未来时刻带宽值来为视频流应用提供传输策略调整依据显得极为必要。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于深度学习的蜂窝网络中视频流应用实时带宽预测方法,用以解决现有的统计学模型预测精度较差,以及自适应调整方法滞后性的问题,以提升视频流用户实际体验质量。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种基于深度学习的蜂窝网络中视频流应用实时带宽预测方法,包括以下步骤:
步骤S1、从视频流应用中获取原始数据样本,原始数据样本包括带宽、网络状态信息以及用户移动速度的数据;
步骤S2、对原始数据样本进行归一化处理,得到归一化后的数据样本,并对归一化后的数据样本进行特征处理,生成特征图样本;
构建深度学习模型;
将特征图样本输入深度学习模型进行模型训练,得出训练完成的深度学习模型;
生成特征图样本的具体过程如下:
S21、将归一化后的数据样本中的带宽、网络状态信息以及用户移动速度的数据进行耦合;通过使用GloVe词向量方法,将耦合后的某一时刻的带宽、网络状态信息以及用户移动速度串联成为向量表示,以此形成一个全新的数据样本;
S22、通过滑动窗口的方式依次将S21中得到的全新的数据样本生成特征图样本;
步骤S3、将训练完成的深度学习模型发放至视频流应用;
步骤S4、采集待测试的带宽、网络状态信息以及用户移动速度的数据,并将其输入到训练得到的深度学习模型中来预测未来时刻带宽值。
作为本发明所述的一种基于深度学习的蜂窝网络中视频流应用实时带宽预测方法进一步优化方案,步骤S2中归一化处理的公式如下:
其中,X为原始的带宽、网络状态信息以及用户移动速度的数据,Xnorm为归一化处理后得到的带宽、网络状态信息以及用户移动速度的数据,Xmax为原始带宽、网络状态信息以及用户移动速度的数据中的最大值;Xmin为原始带宽、网络状态信息以及用户移动速度的数据中的最小值。
作为本发明所述的一种基于深度学习的蜂窝网络中视频流应用实时带宽预测方法进一步优化方案,步骤S2中的深度学习模型包括卷积神经网络CNN和门控循环单元GRU,其中:
卷积神经网络CNN,用于对特征图样本的局部特征进行提取;
门控循环单元GRU,用于对从卷积神经网络中提取的局部特征进行处理,学习局部特征中的长期依赖关系。
作为本发明所述的一种基于深度学习的蜂窝网络中视频流应用实时带宽预测方法进一步优化方案,步骤S2中,深度学习模型训练过程中使用缩放指数线性单元SELU优化深度学习模型,基于未来时刻带宽预测值与该未来时刻带宽真实值计算得到损失函数;损失函数小于阈值门槛时,得出训练完成的深度学习模型,其中,损失函数的计算公式如下:
其中,Bsr为损失函数值,N为特征图样本的数目,i为特征图样本的序号,B预测为未来时刻带宽预测值,B真实为该未来时刻带宽真实值。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明提供一种基于深度学习的蜂窝网络中视频流应用实时带宽预测方法,首先通过集成于视频流应用中的网络监控模块,采集网络带宽、网络状态信息以及用户移动速度的数据,并将其上传视频流应用服务器,通过其数据处理模块进行归一化处理,并通过特征处理构建出输入深度学习模型所需要的特征图样本,并划分为训练特征图样本和测试特征图样本,接着,深度学习模型构建模块构建出深度学习模型,之后将所构建出的训练特征图样本输入深度学习模型进行训练,得到训练完成的深度学习模型,之后将训练得到的深度学习模型通过模型发放模块发放至视频流应用的带宽预测模块,视频流应用通过网络监控模块获取待测试数据输入到带宽预测模块中,通过其中已训练完成的深度学习模型来预测未来时刻带宽值;
(2)与现有带宽预测方法相比,本发明通过不同的深度学习模型构建组合的深度学习模型,将历史带宽、网络状态信息以及用户移动速度的数据纳入深度学习模型的输入特征中,提高了带宽预测的精度,并提出在视频流应用中集成网络监控模块和带宽预测模块,带宽预测模块通过其中已训练完成的深度学习模型来预测未来时刻带宽值。
附图说明
图1是一个实施例中基于深度学习的蜂窝中视频流应用实时带宽预测方法。
图2是一个实施例中视频流系统架构图。
图3是一个实施例中深度学习模型结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明进行详细描述。
针对现有的带宽预测方法大多基于统计学模型得到,此类方法仅仅考虑较短时间内的历史带宽数据,仅能够利用到数据的浅层特征,而未考虑其他影响因素,预测得到的结果精度较低。如图1,2,3所示,本发明公开了一个具体的实施例,公开一种基于深度学习的蜂窝网络中视频流应用实时带宽预测方法,包括下述步骤:
S1:在视频流应用中通过网络状态监控模块获取原始数据样本,原始数据样本包含带宽、网络状态信息以及用户移动速度的数据,并将数据上传至视频流应用服务器。具体的来说,对于视频流应用来说,通常按照1s的时间间隔进行数据采样;
其中,采集的带宽包括,下行带宽比特率(DL_bitrate)、和上行带宽比特率(UL_birate),网络状态信息包括网络模式(4G/5G)、参考信号接受功率(RSRP)、参考信号接收质量(RSRQ)、接收信号强度指示(RSSI)、信噪比(SNR)、CQI(信道质量指示),用户移动速度(speed)。
S2:应用服务器通过其数据处理模块,对数据进行归一化处理,并通过特征处理构建出输入深度学习模型所需要的特征图样本,视频流应用服务器通过其模型构建模块构建深度学习模型,并将所述特征图样本输入深度学习模型进行模型训练,得出训练完成的深度学习模型;
其中所述步骤S2的具体步骤包括:
S21:对数据进行归一化之后,将带宽、网络状态信息以及用户移动速度的数据进行耦合,通过使用GloVe词向量方法,将耦合后的某一时刻的带宽、网络状态信息以及用户移动速度的数据串联成为向量表示,以此形成一个全新的数据样本。归一化处理公式为:
其中X为原始带宽、网络状态信息以及用户移动速度的数据;Xnorm为归一化处理后得到的带宽、网络状态信息以及用户移动速度的数据;Xmax为原始带宽、网络状态信息以及用户移动速度的数据中的最大值;Xmin为原始带宽、网络状态信息以及用户移动速度的数据中的最小值。通过归一化的方法,将数据限制在一定的范围内,从而消除异常数据带来的影响,有利于提高预测结果的精度。
S22:通过滑动窗口的方式依次将S21中得到的全新的数据样本生成特征图样本,并划分为训练特征图样本和测试特征图样本;
其中,便于后序计算,此处滑动窗口宽设置为9条记录,步长设为1,单位特征图样本的尺寸为9×9。
S23:基于不同的深度学习模型对于特征图样本中特征的不同处理能力,构建深度学习模型;
如图3所示是本实施例中深度学习模型结构图,深度学习模型包括;
卷积神经网络(CNN),用于对所述特征图样本中的局部特征进行提取,其中CNN网络层,设计有2层卷积层(Conv2D),两层最大池化层(MaxPooling2D),一个扁平化层(Flattern),CNN可根据内核的大小,从输入的特征图样本中提取许多有用的特征,可以通过将卷积核设置地更大或者更小来提取特征图样本中更窄或更宽的时间段的特征,扁平化层(Flattren)用于将前一层输出的数据转化为一维数组作为全局特征提取,卷积核数目依次为64、128。卷积核大小设置为3×3,在池化层(MaxPooling)中,池大小为2。
门控循环单元(GRU),用于学习从特征图样本中提取的局部特征中的长期依赖关系,图3所示的GRU层,由三个依次连接的GRU网络组成,GRU层包含多个神经元,每个神经元均由更新门和重置门组成,更新门用于控制前边记忆信息能够保留到当前时刻的数据量,重置门控制要遗忘过去多少信息,在每层GRU网络层间采用随机失活的方式防止过拟合,概率设置为0.5;最后通过全连接层,输出指定格式的向量,即为未来时刻带宽值,包括上行带宽的比特率和下行带宽比特率。各层神经元数目为4、8和16。
S24:将所述的特征图样本输入所构建的深度学习模型中进行训练,得到训练完成的深度学习模型。
在对深度学习模型进行模型训练的过程中,基于未来时刻带宽预测值与该未来时刻带宽真实值计算得到损失函数,当损失函数小于阈值门限时,得到训练完成的深度学习模型,使用缩放指数线性单元(SELU)优化深度学习模型,其中损失函数的计算公式如下:
式中,Bsr为损失函数值,N为特征图样本的数目,i为特征图样本的序号,B预测未来时刻带宽预测值,B真实为该未来时刻带宽真实值。
缩放指数线性单元(SELU)的公式如下:
式中,λ=1.05,α=1.67。
根据划分的训练特征图样本和测试特征图样本,其中训练特征图样本占总特征图样本的80%,用于对深度学习预测模型进行训练;测试特征图样本占总特征图样本的20%,用于对深度学习模型进行测试验证,得到训练完成的深度学习预测模型。其中在利用训练特征图样本进行训练的过程中,利用平均绝对误差作为目标函数,并通过未来时刻带宽预测值与该未来时刻带宽真实值计算损失函数,当损失函数小于阈值门限时,对应于得到训练完成的深度学习模型。其中阈值门限依据实际情况由认为设定得到。通过采用训练特征图样本对深度学习模型进行训练,得到训练好的深度学习模型,为后期进行带宽预测提供技术支撑和依据。
S3:视频流应用服务器通过其模型发放模块,将训练完成的深度学习模型发放至视频流应用;
S4:视频流应用中网络监控模块采集待测试的数据样本,并将其输入到带宽预测模块中已经训练完成的深度学习模型中来预测未来时刻带宽值。带宽预测模块将从网络监控模块中输入的数据样本进行归一化并构建出特征图样本,之后通过其中训练完成的深度学习模型对于未来时刻带宽值进行预测。
在一个实施例中图2所示一个实施例中视频流系统架构图,首先通过集成于视频流应用中的网络监控模块,采集网络带宽、网络状态信息和用户移动速度的数据,并将其上传至视频流应用服务器,通过其中数据处理模块进行归一化处理,并通过特征处理构建出输入深度学习模型的特征图样本,并划分出训练特征图样本和测试特征图样本,接着,深度学习模型构建模块构建出深度学习模型,之后将所构建出的特征图样本输入深度学习模型中进行训练,得到训练好的深度学习模型,之后将训练得到的深度学习模型通过模型发放模块发放至视频流应用的带宽预测模块,视频流应用通过网络监控模块获取待测试数据样本并输入到带宽预测模块中,通过其中已经训练完成的深度学习模型来预测未来时刻带宽值。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围内。
Claims (3)
1.一种基于深度学习的蜂窝网络中视频流应用实时带宽预测方法,其特征在于,包括以下步骤:
步骤S1、从视频流应用中获取原始数据样本,原始数据样本包括带宽、网络状态信息以及用户移动速度的数据;
步骤S2、对原始数据样本进行归一化处理,得到归一化后的数据样本,并对归一化后的数据样本进行特征处理,生成特征图样本;
构建深度学习模型;
将特征图样本输入深度学习模型进行模型训练,得出训练完成的深度学习模型;
生成特征图样本的具体过程如下:
S21、将归一化后的数据样本中的带宽、网络状态信息以及用户移动速度的数据进行耦合;通过使用GloVe词向量方法,将耦合后的某一时刻的带宽、网络状态信息以及用户移动速度串联成为向量表示,以此形成一个全新的数据样本;
S22、通过滑动窗口的方式依次将S21中得到的全新的数据样本生成特征图样本;
步骤S3、将训练完成的深度学习模型发放至视频流应用;
步骤S4、采集待测试的带宽、网络状态信息以及用户移动速度的数据,并将其输入到训练得到的深度学习模型中来预测未来时刻带宽值;
步骤S2中的深度学习模型包括卷积神经网络CNN和门控循环单元GRU,其中:
卷积神经网络CNN,用于对特征图样本的局部特征进行提取;
门控循环单元GRU,用于对从卷积神经网络中提取的局部特征进行处理,学习局部特征中的长期依赖关系;
其中,CNN包括2层卷积层、两层池化层、一个扁平化层,CNN根据卷积核的大小,从输入的特征图样本中提取多个特征,卷积核设置的越大则能够提取特征图样本中越窄的时间段的特征,卷积核设置的越小则能够提取特征图样本中越宽的时间段的特征,扁平化层用于将前一层输出的数据转化为一维数组作为全局特征提取,卷积核数目依次为64、128;卷积核大小设置为3×3,在池化层中,池大小为2;
GRU由三个依次连接的GRU网络层组成,GRU网络层包含多个神经元,每个神经元均由更新门和重置门组成,更新门用于控制前边记忆信息能够保留到当前时刻的数据量,重置门控制要遗忘过去多少信息,在每层GRU网络层间采用随机失活的方式防止过拟合,概率设置为0.5;最后通过全连接层,输出指定格式的向量,即为未来时刻带宽值,包括上行带宽的比特率和下行带宽比特率;各层神经元数目为4、8和16。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111135071.9A CN114039870B (zh) | 2021-09-27 | 2021-09-27 | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111135071.9A CN114039870B (zh) | 2021-09-27 | 2021-09-27 | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114039870A CN114039870A (zh) | 2022-02-11 |
CN114039870B true CN114039870B (zh) | 2022-12-09 |
Family
ID=80140239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111135071.9A Active CN114039870B (zh) | 2021-09-27 | 2021-09-27 | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114039870B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115022684B (zh) * | 2022-05-27 | 2023-08-04 | 西安交通大学 | 一种quic协议下基于深度强化学习的视频流自适应传输方法 |
CN115022685A (zh) * | 2022-06-02 | 2022-09-06 | 上海普适导航科技股份有限公司 | 一种适用于无人机的视频传输方法及装置 |
CN117649153B (zh) * | 2024-01-29 | 2024-04-16 | 南京典格通信科技有限公司 | 基于信息集成的移动通信网络用户体验质量预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110445653A (zh) * | 2019-08-12 | 2019-11-12 | 灵长智能科技(杭州)有限公司 | 网络状态预测方法、装置、设备及介质 |
CN111031387A (zh) * | 2019-11-21 | 2020-04-17 | 南京大学 | 一种监控视频发送端视频编码流速控制的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110474815B (zh) * | 2019-09-23 | 2021-08-13 | 北京达佳互联信息技术有限公司 | 带宽预测方法、装置、电子设备及存储介质 |
CN112532459A (zh) * | 2020-12-07 | 2021-03-19 | 郑州师范学院 | 一种带宽资源调整方法、装置及设备 |
CN113076199A (zh) * | 2021-04-28 | 2021-07-06 | 河南理工大学 | 一种基于rnn的epon动态带宽分配算法 |
-
2021
- 2021-09-27 CN CN202111135071.9A patent/CN114039870B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110445653A (zh) * | 2019-08-12 | 2019-11-12 | 灵长智能科技(杭州)有限公司 | 网络状态预测方法、装置、设备及介质 |
CN111031387A (zh) * | 2019-11-21 | 2020-04-17 | 南京大学 | 一种监控视频发送端视频编码流速控制的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114039870A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114039870B (zh) | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 | |
CN112561148B (zh) | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及系统 | |
CN111369042A (zh) | 一种基于加权联邦学习的无线业务流量预测方法 | |
WO2020228796A1 (en) | Systems and methods for wireless signal configuration by a neural network | |
CN110267292B (zh) | 基于三维卷积神经网络的蜂窝网络流量预测方法 | |
CN111242287A (zh) | 一种基于通道l1范数剪枝的神经网络压缩方法 | |
CN110460880A (zh) | 基于粒子群和神经网络的工业无线流媒体自适应传输方法 | |
CN113852432B (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
CN113840297B (zh) | 一种基于射频机器学习模型驱动的频谱预测方法 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN112307927A (zh) | 基于bp网络针对非合作通信中mpsk信号的识别研究 | |
Liu et al. | Dynamic multichannel sensing in cognitive radio: Hierarchical reinforcement learning | |
CN115802401B (zh) | 一种无线网络信道状态预测方法、装置、设备及存储介质 | |
KR20220048832A (ko) | 인공 신경망 프루닝 방법 및 장치 | |
CN114584230B (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
CN114449536B (zh) | 一种基于深度强化学习的5g超密集网络多用户接入选择方法 | |
CN115129888A (zh) | 一种基于网络边缘知识图谱的主动内容缓存方法 | |
CN116491115A (zh) | 用于视频编码的具有反馈控制的速率控制机器学习模型 | |
CN112906883A (zh) | 用于深度神经网络的混合精度量化策略确定方法和系统 | |
CN117649153B (zh) | 基于信息集成的移动通信网络用户体验质量预测方法 | |
CN117528552B (zh) | 一种基于5g的手机数据传输方法和系统 | |
CN115276856B (zh) | 一种基于深度学习的信道选择方法 | |
CN117667749B (zh) | 一种模糊测试用例优化方法及系统 | |
AU2021101713A4 (en) | Remote sensing image building recognition method based on activated representational substitution | |
CN112804074B (zh) | 网络参数配置方法及装置 |
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 |