CN115150840B - 一种基于深度学习的移动网络流量预测方法 - Google Patents
一种基于深度学习的移动网络流量预测方法 Download PDFInfo
- Publication number
- CN115150840B CN115150840B CN202210543002.XA CN202210543002A CN115150840B CN 115150840 B CN115150840 B CN 115150840B CN 202210543002 A CN202210543002 A CN 202210543002A CN 115150840 B CN115150840 B CN 115150840B
- Authority
- CN
- China
- Prior art keywords
- feature
- mobile network
- extraction component
- time
- feature extraction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 230000001413 cellular effect Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000000737 periodic effect Effects 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 229940050561 matrix product Drugs 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的移动网络流量预测方法，包括：获取移动网络的蜂窝流量数据；将获取得到的移动网络的蜂窝流量数据输入到预测模型中，得未来预设时间间隔的流量数据分布图，完成基于深度学习的移动网络流量预测，该方法能够有效解决对蜂窝流量数据全局空间依赖性刻画不足以及模型占用GPU内存大的问题。
Description
技术领域
本发明涉及一种移动网络流量预测方法，具体涉及一种基于深度学习的移动网络流量预测方法。
背景技术
随着智能算法的发展，根据业务数据的变化，无线网络进行实时化、智能化的动态配置和运营管理将成为未来的研究热点。为了应对这一挑战，需要对蜂窝网络流量进行精准感知。而流量预测是蜂窝网络数据分析和管理中的重要任务之一。蜂窝流量预测有助于推进6G无线通信技术的智能化发展，因此有必要对蜂窝流量预测技术进行深入研究。
针对现有时空预测方法对蜂窝流量数据全局空间依赖性刻画不足以及模型占用GPU内存大的问题，为了捕捉蜂窝流量数据时间域特征的同时更好地建模远距离空间特性。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种基于深度学习的移动网络流量预测方法，该方法能够有效解决对蜂窝流量数据全局空间依赖性刻画不足以及模型占用GPU内存大的问题。
为达到上述目的，本发明所述的基于深度学习的移动网络流量预测方法包括：
获取移动网络的蜂窝流量数据；
将获取得到的移动网络的蜂窝流量数据输入到预测模型中，得未来预设时间间隔的流量数据分布图，完成基于深度学习的移动网络流量预测。
所述预测模型包括临近时间特征提取组件、周期特征提取组件、跨域数据特征提取组件及3D卷积预测组件，其中，临近时间特征提取组件、周期特征提取组件及跨域数据特征提取组件与3D卷积预测组件相连接。
将获取得到的移动网络的蜂窝流量数据输入到训练后的预测模型中，得移动网络流量的预测结果的具体过程为：
设置采样间隔τ＝1，对移动网络的蜂窝流量数据进行采样，再将采样结果输入到临近时间特征提取组件中，得临近时间特征；设置采样间隔τ＝7，对移动网络的蜂窝流量数据进行采样，再将采样结果输入到周期特征提取组件中，得以周为周期的时间特征；将跨域数据输入到跨域数据特征提取组件中，得跨域数据特征，通过3D卷积预测组件将所述临近时间特征、以周为周期的时间特征及跨域数据特征进行融合，再利用3D卷积预测未来预设时间间隔的流量数据分布图。
所述跨域数据包括新闻分布图及社交活动分布图。
所述跨域数据特征提取组件、周期特征提取组件及临近时间特征提取组件均包括若干TANL组件。
跨域数据特征提取组件中TANL组件的数目为一个；周期特征提取组件及临近时间特征提取组件中TANL组件的数目均为两个。
所述TANL组件的工作过程为：
使用大小为1×1×1的卷积核对流量活动特征向量集X进行3D卷积，分别获得三个新特征图θ及g，其中，/>对得到的特征图进行三分支操作，分别提取电信时空数据的时间特征、经度特征及纬度特征，具体为：
在第一个分支，将θ,g改变形状，使得/>使用相似度函数f(·)计算/>与θ的相似度，再通过归一化指数函数softmax(·)归一化处理后，得时间相似度矩阵
计算相似度矩阵与特征图g的矩阵乘积，得到的乘积结果与输入的时空数据X相加，得时间特征CT；
在第二个分支，将θ及g改变形状，使得/>使用相似度函数f(·)计算/>与θ的纬度相似度，归一化处理后，得纬度相似度矩阵/>
将相似度矩阵与特征图g的矩阵乘积与输入的时空数据X相加，将相加的结果CH作为纬度特征。
在第三个分支，将θ及g改变形状，使得/>计算经度相似度矩阵
将相似度矩阵与特征图g的矩阵乘积与输入的时空数据X相加，并将相加的结果CW作为经度特征；
最后将三个分支得到的时间特征CT、纬度特征CH及经度特征CW放入融合层中进行特征融合，得TANL组件输出的最终特征C为：
C＝WT⊙CT+WH⊙CH+WW⊙CW (4)
其中，⊙为哈达玛乘积，WT、WH及WW为可学习的参数，分别反映时间相关性、纬度相关性及经度相关性对最终特征的影响程度。
时间相似度矩阵中位置(i,j)处的元素为：
其中，sij衡量第i个时刻对第j个时刻的影响。
纬度相似度矩阵中位置(i,j)处的元素为：
经度相似度矩阵中位置(i,j)处的元素为：
本发明具有以下有益效果：
本发明所述的基于深度学习的移动网络流量预测方法在具体操作时，先获取移动网络的蜂窝流量数据，将获取得到的移动网络的蜂窝流量数据输入到预测模型中，得未来预设时间间隔的流量数据分布图，有效解决对蜂窝流量数据全局空间依赖性刻画不足以及模型占用GPU内存大的问题。
进一步，所述预测模型包括临近时间特征提取组件、周期特征提取组件、跨域数据特征提取组件及3D卷积预测组件，其中，临近时间特征提取组件使用TANL单元捕捉临近时间特征，学习电信数据的近期依赖关系；周期特征提取组件使用TANL单元计算以周为周期的时间特征，跨域数据特征提取组件使用调整后的TANL单元提取跨域数据特征，3D卷积预测组件将临近时间特征提取组件、周期特征提取组件及跨域数据特征提取组件学习到的特征进行融合，利用3D卷积预测未来特定时间间隔的流量数据分布图，其中，TANL单元能够捕获时间特征、空间上的经度特征及纬度特征。本发明适用于硬件设备受限时的大规模时空数据预测任务，能够以更低的内存同时获取流量数据的时间相关和全局空间相关性。
附图说明
图1为预测模型图；
图2为TANL单元的示意图；
图3为DANL单元的示意图；
图4为3D卷积模块的示意图；
图5为SMS数据集的预测结果图；
图6为CALL数据集的预测结果图；
图7为Internet数据集的预测结果图；
图8为引入周期输入的短期预测结果图；
图9为引入周期输入的长期预测结果图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。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，都应当属于本发明保护的范围。
在附图中示出了根据本发明公开实施例的结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
参考图1至图4，本发明包括异常检测模块及时空序列预测模块，其中，在异常检测模块，数据预处理时采用基于软阈值的聚类方法检测并剔除临界点及非临界点中的异常数据。预测模型包括临近时间特征提取组件、周期特征提取组件、跨域数据特征提取组件及3D卷积预测组件，具体包括以下步骤：
1)设临界点和流量模式：流量模式为每个网格的蜂窝流量变化范围。当两个或多个流量模式的取值范围相近，则无法准确判断样本点属于哪种流量模式，这种不确定流量模式的网格称为临界点。
2)为有效识别临界点，需先初步划分不同的流量模式，使用k-means集群算法将所有样本分类为代表k个模式的k个簇，为此，蜂窝业务序列在每个网格被一个一维向量替换，其中，包含672个元素，设xj＝[xj[1]，…，xj[672]]T，xj[672]为时隙p中网格j的聚合移动电话活动流量，流量活动特征向量集X＝{x1,x2,…,x3000}将3000个网格内的xj作为输入样本，在使用kmeans划分流量模式时，使用平均簇内平方和确定最优簇数k，聚类中心记为{o1,o2,…,ok}，分别计算样本点xi与k个聚类中心{o1,o2,…,ok}的距离，确定最小距离dmin和次小距离dsubmin，当时，则将样本点xi同时放入dmin及dsubmin对应的Cmin及Csubmin，否则，则将样本点xi放入dmin对应的Cmin，以统计所有类群中的样本点，其中，表1为临界点的统计结果，表2为异常数据的分布结果。
表1
表2
3)将临界点和非临界点采取不同的划分方法归类到一个或多个集群，再对k个集群分别使用kmeans聚类算法表示异常网格；
4)对异常网格中的数据使用kmeans聚类算法，定位异常出现的时刻，对于剔除异常后数据缺失位置使用进行数据补齐，其中，xt为网格i在t时刻的流量值，一般为异常值，/>为网格i在时刻t剔除异常后的填补值，T为网格i中计算平均值时采用的时间片长度，本发明中取T＝3。
5)设置采样间隔τ＝1，对移动网络的蜂窝流量数据进行采样，再将采样结果输入到临近时间特征提取组件中，得临近时间特征；设置采样间隔τ＝7，对移动网络的蜂窝流量数据进行采样，再将采样结果输入到周期特征提取组件中，得以周为周期的时间特征；将跨域数据输入到跨域数据特征提取组件中，得跨域数据特征，通过3D卷积预测组件将所述临近时间特征、以周为周期的时间特征及跨域数据特征进行融合，再利用3D卷积预测未来预设时间间隔的流量数据分布图。
所述跨域数据特征提取组件、周期特征提取组件及临近时间特征提取组件均包括若干TANL组件，其中，跨域数据特征提取组件中TANL组件的数目为一个；周期特征提取组件及临近时间特征提取组件中TANL组件的数目均为两个。
TANL单元的具体工作过程为：
使用大小为1×1×1的卷积核对X进行3D卷积，分别获得三个新特征图θ及g,其中，/>对得到的特征图进行三分支操作，分别提取电信时空数据的时间特征、经度特征及纬度特征，在第一个分支，将/>θ,g改变形状使得/>使用相似度函数f(·)计算/>与θ的相似度，再通过归一化指数函数softmax(·)归一化处理后，得时间相似度矩阵/>时间相似度矩阵中位置(i,j)处的元素为：
其中，sij衡量第i个时刻对第j个时刻的影响，时间相似度矩阵种的元素越大，则对应两时刻的时间相关性越强；
计算相似度矩阵与特征图g的矩阵乘积，得到的乘积结果与输入时空数据X相加，得到时间特征CT，其中，相加操作本质为残差学习，一方面使得堆积层在输入特征基础上学习到新的特征，从而拥有更好的预测性能；另一方面控制模型输入输出相等，方便三重非局部模块嵌入其他网络结构中。
在第二个分支，将θ及g改变形状使得/>使用相似度函数f(·)计算/>与θ的纬度相似度，归一化处理后，得纬度相似度矩阵/>其中，纬度相似度矩阵中位置(i,j)处的元素为：
将相似度矩阵与特征图g的矩阵乘积与输入的时空数据X相加，将相加的结果CH作为纬度特征。
在第三个分支，将θ及g改变形状使得/>计算经度相似度矩阵经度相似度矩阵中位置(i,j)处的元素为：
将相似度矩阵与特征图g的矩阵乘积与输入的时空数据X相加，并将相加的结果CW作为经度特征；
最后将三个注意力分支学到的时间特征CT、纬度特征CH及经度特征CW放入融合层中进行特征融合，得最终特征C为：
C＝WT⊙CT+WH⊙CH+WW⊙CW (4)
其中，⊙为哈达玛乘积，WT、WH及WW为可学习的参数，分别反映时间相关性、纬度相关性及经度相关性对最终特征的影响程度。
需要说明的是，所述跨域数据包括新闻分布图及社交活动分布图，其中，新闻分布图通过将新闻数据集划分网格区域得到，新闻数据集记录2013.11.1到2013.12.31所有发表在米兰日报上的文章，内容包括文章主题、日期、时间戳以及事件发生的地理坐标等，统计这两个月内各个网格的新闻发布量，生成静态的新闻分布图。类似地，社交活动分布图通过对社交活动数据集重新划分网格区域得到，社交活动数据集记录了2013.11.1到2013.12.31所有标注地理位置的推特动态，经过图片化处理后全局的静态新闻分布图和社交活动分布图可以表示为如下二维矩阵：
其中，各位置可被视为流量分布图的一个像素点，dsocial为在位置(h,w)处的像素大小。同理，dnew为新闻分布图中位置(h,w)处的像素大小，需要注意的是，新闻分布图及社交分布图均为单通道图像。
3D卷积预测组件结构如图4所示，3D卷积预测组件的输入为168帧大小为30×100的单通道电信时空数据图，首先使用一组大小为5×5×120的卷积核从输入的单通道图片中生成多通道信息，在L1层可以得到49个双通道特征图，L2为下采样层，下采样层对上一层的输出进行采样大小为2×2的采样，使得特征图数量不变但空间分辨率降低，在L3卷积层中，使用三组卷积核大小为10×10×24的卷积核分别对上一层的输出进行3D卷积，在采样层L4中，使用大小4×4的采样块降低空间分辨率，得到26*6个大小为1×9的特征图，在该阶段，时间维度的大小已经比较小，所以只在这一层的空间维度使用大小为1×9的卷积核，此时输出的特征图大小减少到1×1，最后L5的输出放入全连接层中进行预测全连接输出层中神经元个数为3000，通过多层卷积和子采样，得到预测输出，预测误差如表3所示。
表3
Claims (6)
1.一种基于深度学习的移动网络流量预测方法，其特征在于，包括：
获取移动网络的蜂窝流量数据；
将获取得到的移动网络的蜂窝流量数据输入到预测模型中，得未来预设时间间隔的流量数据分布图，完成基于深度学习的移动网络流量预测；
所述预测模型包括临近时间特征提取组件、周期特征提取组件、跨域数据特征提取组件及3D卷积预测组件，其中，临近时间特征提取组件、周期特征提取组件及跨域数据特征提取组件与3D卷积预测组件相连接；
将获取得到的移动网络的蜂窝流量数据输入到训练后的预测模型中，得移动网络流量的预测结果的具体过程为：
设置采样间隔τ＝1，对移动网络的蜂窝流量数据进行采样，再将采样结果输入到临近时间特征提取组件中，得临近时间特征；设置采样间隔τ＝7，对移动网络的蜂窝流量数据进行采样，再将采样结果输入到周期特征提取组件中，得以周为周期的时间特征；将跨域数据输入到跨域数据特征提取组件中，得跨域数据特征，通过3D卷积预测组件将所述临近时间特征、以周为周期的时间特征及跨域数据特征进行融合，再利用3D卷积预测未来预设时间间隔的流量数据分布图；
所述跨域数据特征提取组件、周期特征提取组件及临近时间特征提取组件均包括若干TANL组件；
所述TANL组件的工作过程为：
使用大小为1×1×1的卷积核对流量活动特征向量集X进行3D卷积，分别获得三个新特征图θ及g，其中，/>对得到的特征图进行三分支操作，分别提取电信时空数据的时间特征、经度特征及纬度特征，具体为：
在第一个分支，将θ,g改变形状，使得/>使用相似度函数f(·)计算/>与θ的相似度，再通过归一化指数函数softmax(·)归一化处理后，得时间相似度矩阵
计算相似度矩阵与特征图g的矩阵乘积，得到的乘积结果与输入的时空数据/>相加，得时间特征CT；
在第二个分支，将θ及g改变形状，使得/>使用相似度函数f(·)计算与θ的纬度相似度，归一化处理后，得纬度相似度矩阵/>
将相似度矩阵与特征图g的矩阵乘积与输入的时空数据X相加，将相加的结果CH作为纬度特征；
在第三个分支，将θ及g改变形状，使得/>计算经度相似度矩阵
将相似度矩阵与特征图g的矩阵乘积与输入的时空数据χ相加，并将相加的结果CW作为经度特征；
最后将三个分支得到的时间特征CT、纬度特征CH及经度特征CW放入融合层中进行特征融合，得TANL组件输出的最终特征C为：
C＝WT⊙CT+WH⊙CH+WW⊙CW (4)
其中，⊙为哈达玛乘积，WT、WH及WW为可学习的参数，分别反映时间相关性、纬度相关性及经度相关性对最终特征的影响程度。
2.根据权利要求1所述的基于深度学习的移动网络流量预测方法，其特征在于，所述跨域数据包括新闻分布图及社交活动分布图。
3.根据权利要求1所述的基于深度学习的移动网络流量预测方法，其特征在于，跨域数据特征提取组件中TANL组件的数目为一个；周期特征提取组件及临近时间特征提取组件中TANL组件的数目均为两个。
4.根据权利要求1所述的基于深度学习的移动网络流量预测方法，其特征在于，时间相似度矩阵中位置(i,j)处的元素为：
其中，sij衡量第i个时刻对第j个时刻的影响。
5.根据权利要求4所述的基于深度学习的移动网络流量预测方法，其特征在于，纬度相似度矩阵中位置(i,j)处的元素为：
6.根据权利要求5所述的基于深度学习的移动网络流量预测方法，其特征在于，经度相似度矩阵中位置(i,j)处的元素为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210543002.XA CN115150840B (zh) | 2022-05-18 | 2022-05-18 | 一种基于深度学习的移动网络流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210543002.XA CN115150840B (zh) | 2022-05-18 | 2022-05-18 | 一种基于深度学习的移动网络流量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115150840A CN115150840A (zh) | 2022-10-04 |
| CN115150840B true CN115150840B (zh) | 2024-03-12 |
Family
ID=83406114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210543002.XA Active CN115150840B (zh) | 2022-05-18 | 2022-05-18 | 一种基于深度学习的移动网络流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115150840B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460855A (zh) * | 2018-09-29 | 2019-03-12 | 中山大学 | 一种基于聚焦机制的群体流量预测模型及方法 |
| CN110851782A (zh) * | 2019-11-12 | 2020-02-28 | 南京邮电大学 | 一种基于轻量级时空深度学习模型的网络流量预测方法 |
| WO2020119481A1 (zh) * | 2018-12-11 | 2020-06-18 | 深圳先进技术研究院 | 一种基于深度学习的网络流量分类方法、系统及电子设备 |
| CN112291808A (zh) * | 2020-11-02 | 2021-01-29 | 东南大学 | 基于深度学习的区域网络流量预测方法 |
| CN112291807A (zh) * | 2020-10-15 | 2021-01-29 | 山东科技大学 | 一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法 |
| CN112532439A (zh) * | 2020-11-24 | 2021-03-19 | 山东科技大学 | 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 |
| CN112862084A (zh) * | 2021-04-26 | 2021-05-28 | 苏州博宇鑫交通科技有限公司 | 基于深度迁移融合学习的交通流量预测方法 |
| 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 |
| WO2021186158A1 (en) * | 2020-03-17 | 2021-09-23 | The University Court Of The University Of Edinburgh | A distributed network traffic data decomposition method |
| WO2022041394A1 (zh) * | 2020-08-28 | 2022-03-03 | 南京邮电大学 | 一种网络加密流量识别方法及装置 |
-
2022
- 2022-05-18 CN CN202210543002.XA patent/CN115150840B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460855A (zh) * | 2018-09-29 | 2019-03-12 | 中山大学 | 一种基于聚焦机制的群体流量预测模型及方法 |
| WO2020119481A1 (zh) * | 2018-12-11 | 2020-06-18 | 深圳先进技术研究院 | 一种基于深度学习的网络流量分类方法、系统及电子设备 |
| CN110851782A (zh) * | 2019-11-12 | 2020-02-28 | 南京邮电大学 | 一种基于轻量级时空深度学习模型的网络流量预测方法 |
| WO2021186158A1 (en) * | 2020-03-17 | 2021-09-23 | The University Court Of The University Of Edinburgh | A distributed network traffic data decomposition method |
| WO2022041394A1 (zh) * | 2020-08-28 | 2022-03-03 | 南京邮电大学 | 一种网络加密流量识别方法及装置 |
| CN112291807A (zh) * | 2020-10-15 | 2021-01-29 | 山东科技大学 | 一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法 |
| CN112291808A (zh) * | 2020-11-02 | 2021-01-29 | 东南大学 | 基于深度学习的区域网络流量预测方法 |
| CN112532439A (zh) * | 2020-11-24 | 2021-03-19 | 山东科技大学 | 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 |
| CN112862084A (zh) * | 2021-04-26 | 2021-05-28 | 苏州博宇鑫交通科技有限公司 | 基于深度迁移融合学习的交通流量预测方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| Haizhou Guo ; Dian Zhang.ASTCN: An Attentive Spatial–Temporal Convolutional Network for Flow Prediction.IEEE.2022,全文. * |
| 基于CNN-SVR混合深度学习模型的短时交通流预测;罗文慧;董宝田;王泽胜;;交通运输系统工程与信息(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115150840A (zh) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109726658B (zh) | 人群计数及定位方法、系统、电子终端及存储介质 | |
| CN111754498A (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
| CN110837582A (zh) | 数据关联方法、装置、电子设备和计算机可读存储介质 | |
| CN112291807B (zh) | 一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法 | |
| CN110096979B (zh) | 模型的构建方法、人群密度估计方法、装置、设备和介质 | |
| CN112634369A (zh) | 空间与或图模型生成方法、装置、电子设备和存储介质 | |
| CN108965017A (zh) | 一种网络流量预测方法和装置 | |
| CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
| CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
| CN117079148B (zh) | 城市功能区的识别方法、装置、设备和介质 | |
| CN113949881A (zh) | 一种基于智慧城市数据的业务处理方法及系统 | |
| CN115150840B (zh) | 一种基于深度学习的移动网络流量预测方法 | |
| CN116311089B (zh) | 一种基于图像处理的污水水质数据智能分析方法和系统 | |
| CN117368862A (zh) | 一种高效气象雷达数据质量评估系统 | |
| CN117475253A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
| CN114430530B (zh) | 空间划分方法、装置、设备、介质和程序产品 | |
| CN117010537A (zh) | 目标区域预测方法、装置、计算机设备和存储介质 | |
| CN113901899A (zh) | 一种人物群体行为分析方法、系统、设备和介质 | |
| CN116805435B (zh) | 一种数电机房智能巡检装置 | |
| CN117458450B (zh) | 电力数据能耗预测分析方法及系统 | |
| LIU et al. | A case study on intelligent operation system for wireless networks | |
| CN117372866A (zh) | 处理方法、装置、电子设备及存储介质 | |
| CN116541252A (zh) | 一种机房故障日志数据处理方法及装置 | |
| CN115474203A (zh) | 区域补点规划方法、装置、电子设备和存储介质 | |
| CN116563919A (zh) | 肤色识别模型训练方法、肤色识别方法、装置及电子设备 |
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 |