CN115913996A - 一种基于区域时空特征的移动流量预测系统及方法 - Google Patents
一种基于区域时空特征的移动流量预测系统及方法 Download PDFInfo
- Publication number
- CN115913996A CN115913996A CN202211562204.5A CN202211562204A CN115913996A CN 115913996 A CN115913996 A CN 115913996A CN 202211562204 A CN202211562204 A CN 202211562204A CN 115913996 A CN115913996 A CN 115913996A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- prediction
- mobile
- space
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000000737 periodic effect Effects 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 230000007774 longterm Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 238000012300 Sequence Analysis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于区域时空特征的移动流量预测系统及方法,预测系统包括数据预处理模块、邻近序列处理模块和周期序列处理模块、权重融合模块、时间特征提取模块和预测及结果处理模块。本发明预测方法包括以下步骤:(1)获取目标区域移动流量数据,对数据进行预处理,清除异常值,使用均值插补法处理数据中的缺失值;(2)根据时间戳将移动流量数据转换成数据序列;(3)将根据数据邻近性和周期性序列分为邻近输入序列和周期输入序列;(4)将邻近输入序列和周期输入序列作为输入数据送入移动流量时空预测模型中进行预测;(5)根据移动流量时空预测模型输出的目标区域未来时间段的预测结果进行可视化。本发明解决了现有技术中预测未考虑空间特征及时空特征考虑不全面,导致预测结果存在误差的问题。
Description
技术领域
本发明涉及时空预测,尤其涉及一种基于区域时空特征的移动流量系统及方法。
背景技术
精准预测移动流量可以帮助运营商提前规划网络资源,加强网络资源的管理与运用。移动流量预测的精度受到周边区域人流量改变和历史流量等时空因素的影响,大多数方法是对只对移动流量数据的时间特征建模,忽略了数据的空间特征或者时空特征考虑不全,预测结果存在一定误差。
移动流量在时间维度和空间维度都具有复杂的非线性关系,要实现移动流量的精准预测,需要充分挖掘移动流量的时间相关性和空间相关性,构建具备提取时空特征的能力、预测精度高的移动流量预测模型。采取传统时序分析方法的移动流量预测技术要求时序数据是稳定的,但在实际情况中,移动流量数据不稳定,并且将数据处理为稳定序列时会丢失部分重要特征,无法学习到移动流量数据的突变性特征,导致预测值与真实值差距大。同时时序分析方法预测模型只能捕捉线性关系,而不能捕捉非线性关系,将导致模型预测精度下降。
采用基于机器学习方法的移动流量预测方法也存在一定的局限性,机器学习方法通过提取流量数据的非线性特征来学习到数据的特征规律,预测表现相较于基于传统时序分析的预测方法更优,但是在处理具有高维复杂特征的流量数据时,预测精度会大打折扣,能够处理高维数据和提取非线性数据特征的深度神经网络相比典型的机器学习方法,对移动数据的特征有更好的捕捉能力。移动流量在城市不同区域需求不同且相邻区域的需求会互相影响,但是部分采用深度学习方法的预测模型只针对了流量数据的时间特征,没有考虑数据具有的空间特征或时空因素考虑不全,提取的移动流量特征不足,导致预测模型性能和精度下降。
发明内容
发明目的:本发明提供一种基于区域时空特征的移动流量预测系统及方法,以解决现有技术中的预测未考虑空间特征及时空特征考虑不全面,预测结果存在误差的问题。
技术方案:本发明基于区域时空特征的移动流量预测系统包括:
对数据进行清洗、均值插补处理缺失值的数据预处理模块:
提取邻近输入序列数据邻近性、周期性和空间特征的邻近序列处理模块和周期序列处理模块:
用于融合不同序列处理模块的输出的权重融合模块:
提取移动流量数据的长期时间特征的时间特征提取模块;
对预测结果进行可视化的预测及结果处理模块。
数据预处理模块采取均值插补法处理移动流量数据中的缺失值,根据数据具有的邻近性和相关性,组成邻近输入序列和周期输入序列作为预测模型输入。
邻近输入序列由预测天数的预测时刻相邻的前一个时刻目标区域移动流量历史值组成。
周期输入序列由预测天数相邻的前一天,与预测时刻相同的时刻目标区域移动流量历史值组成。
邻近序列处理模块和周期序列模块通过二维卷积分别提取临近输入与周期输入移动流量的局部空间特征,将经过二维卷积处理的不同输入模块的数据输入至残差单元中。
权重融合模块使用可学习的权重矩阵从历史数据中学习权重值,进行加权融合,两个序列融合后连接激活函数进行输出。
时间特征提取模块经过权重融合得到的输入送入长短期记忆网络的输入层和隐藏层中,然后经过一个全连接层输出结果,提取数据的长期时间特征。
预测及结果处理模块通过移动流量时空预测模型得到目标区域未来时间段的预测移动流量值,将预测结果和真实数据通过不同数据曲线表示。
本发明基于区域时空特征的移动流量预测方法包括以下步骤:
(1)获取目标区域移动流量数据,对数据进行预处理,清除异常值,使用均值插补法处理数据中的缺失值;
(2)根据时间戳将移动流量数据转换成数据序列;
(3)将根据数据邻近性和周期性序列分为邻近输入序列和周期输入序列;
(4)将邻近输入序列和周期输入序列作为输入数据送入移动流量时空预测模型中进行预测;
(5)根据移动流量时空预测模型输出的目标区域未来时间段的预测结果进行可视化。
步骤(1)中,获取目标区域的历史移动流量使用值数据时,分析历史移动流量数据特性,发现数据在时间维度上具有邻近性、周期性,在空间维度上具有相关性。根据输入的历史移动流量使用值,通过预测模型对目标区域未来一段时间的移动流量使用值进行预测。
移动流量的邻近性指当前时刻的移动流量值与相邻的历史移动流量值存在相关性;周期性指当前时刻的移动流量值与相邻前一天的相同时刻流量值存在相关性,即同一区域的移动流量值在不同时刻具有很强的相关性。
空间相关性指网格内任意区域的移动流量值会受到周边相邻区域移动流量值的影响,但局限于一定范围内,较远距离的区域对其的影响忽略不计。
步骤(4)中,移动流量时空预测模型的预测步骤如下:
(4.1)对数据进行最大最小归一化;
(4.2)建立邻近输入序列和周期输入序列提取数据的邻近性和周期性;
(4.3)构建训练集与测试集;
(4.4)建立移动流量时空预测模型,将训练集送入移动流量时空预测模型中进行训练;
(4.5)将测试集送入训练好的移动流量时空预测模型中进行预测,实现对移动流量的预测。
工作原理:本发明从包含输入的移动流量数据中进行数据预处理和建立不同输入序列,提取数据的邻近性、周期性及其空间相关性,训练移动流量时空预测模型和进行目标区域未来移动流量的预测。建立邻近输入序列和周期输入序列来提取数据邻近性、周期性和空间相关性特征,通过权重融合解决了不同输入序列所占比重不同的问题,从历史移动流量数据学习权重值,动态融合不同序列的输入,缓解了传统方法只对移动流量数据的时间特征建模,忽略了数据的空间特征或者时空特征考虑不全导致的预测误差大的问题。
有益效果:与现有技术相比,本发明具有以下优点:
(1)本发明基于区域时空特征的移动流量预测系统和方法使用预测目标区域的历史移动流量数据作为数据来源,在输入预测模型前对数据进行清洗,均值插补处理缺失值;之后对数据进行可视化时空特征分析,得到移动流量数据在时间维度上具有邻近性和周期性,在空间维度上具有空间相关性的结论。
(2)本发明中的移动流量时空预测模型基于残差网络和长短期记忆网络,根据数据的邻近性和周期性把输入数据分为邻近输入序列和周期输入序列,从而提取数据的邻近行和周期性特性,提高模型预测精度。通过不同分支中的二维卷积和残差单元处理两种输入后,通过历史移动流量数据学习权重后将不同分支输出加权融合,动态融合两个分支的输出,送入长短期记忆网络中提取数据的长期特征,实现对移动流量的预测。
附图说明
图1为本发明基于区域时空特征的移动流量预测方法的流程图;
图2为本发明基于区域时空特征的移动流量预测系统的结构示意图。
具体实施方式
如图1所示,本发明基于区域时空特征的移动流量预测方法包括以下步骤:
(1)获取目标区域移动流量数据,对数据进行预处理,清除异常值,使用均值插补法处理数据中的缺失值。
(2)根据时间戳将移动流量数据转换成数据序列。
(3)将根据数据邻近性和周期性序列分为邻近输入序列和周期输入序列。
(4)将两个不同输入序列作为输入数据送入移动流量时空预测模型中进行预测。
(5)根据移动流量时空预测模型输出的目标区域未来时间段的预测结果进行可视化。
在实际应用中,移动流量时空预测模型中包含了对数据邻近性、周期性的处理,将预测区域网格化,划分成M×N个区域。每一个小方格代表在t时刻此区域产生的移动流量,进而构建了整个预测区域在t时刻的移动流量时空矩阵通过二维卷积处理邻近输入序列与周期输入序列时间段t的移动流量时空矩阵,采用皮尔逊相关系数对移动流量进行相关性分析,确定了邻近输入序列与周期输入序列:
(1)邻近输入序列:由预测天数T的预测时刻t+1相邻的前一个时刻移动流量时空矩阵组成。
(2)周期输入序列:由预测天数T相邻的前一天,与预测时刻相同的t+1时刻移动流量时空矩阵组成。
在实际应用中,移动流量时空预测模型中包含了对数据空间相关性的处理,把时空矩阵看作是一张单通道的图像数据,送入卷积层中,分别提取邻近输入与周期输入移动流量的局部空间特征。为了避免网络层数过多导致的退化问题,引入残差单元,在二维卷积层后堆叠残差模块,将经过二维卷积处理的不同输入分支的移动流量时空矩阵输入至残差模块中。
二维卷积公式定义为:
Xk=f(Xk-1*Wk+bk);k=1,2,...K
残差单元公式定义为:
Rk=R(k-1)+F(R(k-1)/θk);k=1,2,...K
在本实施例中,为了动态融合两个分支的输出,使用可学习的权重矩阵从历史数据中学习权重值,进行加权融合,融合后连接激活函数进行输出。加权融合公式如下:
在本实施例中,移动流量时空预测模型中包含了对数据长期时间特征的处理,将加权融合后得到的时空矩阵展平成一维向量输入到长短期记忆网络中,通过全连接层得到输出值。长短期记忆网络单元公式如下:
i(t)=σ(Wixt+Wihh(t-1)+bi)
f(t)=σ(Wfxt+Wfhh(t-1)+bf)
o(t)=σ(Woxt+Wohh(t-1)+bo)
c(t)=tanh(Wcxt+Wchh(t-1)+bc)
g(t)=g(t-1)*f(t)+c(t)*i(t)
h(t)=tanh(g(t))*o(t)
在本实施例中,移动流量时空预测模型的预测算法步骤如下:
(1)对数据进行最大最小归一化;
(2)建立邻近输入序列和周期输入序列提取数据的邻近性和周期性。
(3)构建训练集与测试集。
(4)将训练集送入移动流量时空预测模型中进行训练,建立预测模型。
(5)将测试集送入训练好的移动流量时空预测模型中进行预测,实现对移动流量的预测。
如图2所示,本发明基于区域时空特征的移动流量预测系统包括:
数据预处理模块:对数据进行清洗,均值插补处理缺失值;
邻近序列和周期序列处理模块:提取邻近输入序列数据邻近性、周期性和空间特征;
权重融合模块:用于融合不同序列处理模块的输出;
时间特征提取模块:提取移动流量数据的长期时间特征。
预测及结果处理模块:对预测结果进行可视化。
在本实施例的实际应用中,数据预处理模块具体包括:
采取均值插补法处理移动流量数据中的缺失值,根据数据具有的邻近性和相关性,组成邻近输入序列和周期输入序列作为预测模型输入。
在本实施例的实际应用中,邻近序列处理模块和周期序列模块具体包括:
首先通过二维卷积分别提取临近输入与周期输入移动流量的局部空间特征,将经过二维卷积处理的不同输入模块的数据输入至残差单元中。
在本实施例的实际应用中,邻权重融合模块具体包括:
不同序列所占比重不同,为了动态融合两个序列的输出,使用可学习的权重矩阵从历史数据中学习权重值,进行加权融合,融合后连接激活函数进行输出。
在本实施例的实际应用中,时间特征提取模块具体包括:
经过权重融合得到的输入送入长短期记忆网络的输入层和隐藏层中,然后经过一个全连接层输出结果,提取数据的长期时间特征。
在本实施例的实际应用中,预测及结果处理模块具体包括:
通过预测模型得到目标区域未来时间段的预测移动流量值,将预测结果和真实数据通过不同数据曲线表示。
本实施例中的系统从包含输入的移动流量数据中进行数据预处理和建立不同输入序列,提取数据的邻近性、周期性及其空间相关性,训练移动流量预测模型和进行目标区域未来移动流量的预测。
Claims (10)
1.一种基于区域时空特征的移动流量预测系统,其特征在于:包括:
对数据进行清洗、均值插补处理缺失值的数据预处理模块:
提取邻近输入序列数据邻近性、周期性和空间特征的邻近序列和周期序列处理模块:
用于融合不同序列处理模块的输出的权重融合模块:
提取移动流量数据的长期时间特征的时间特征提取模块;
对预测结果进行可视化的预测及结果处理模块。
2.根据权利要求1所述的基于区域时空特征的移动流量预测系统,其特征在于:数据预处理模块采取均值插补法处理移动流量数据中的缺失值,根据数据具有的邻近性和相关性,组成邻近输入序列和周期输入序列作为预测模型输入。
3.根据权利要求2所述的基于区域时空特征的移动流量预测系统,其特征在于:所述邻近输入序列由预测天数的预测时刻相邻的前一个时刻目标区域移动流量历史值组成。
4.根据权利要求2所述的基于区域时空特征的移动流量预测系统,其特征在于:所述周期输入序列由预测天数相邻的前一天,与预测时刻相同的时刻目标区域移动流量历史值组成。
5.根据权利要求1所述的基于区域时空特征的移动流量预测系统,其特征在于:所述邻近序列处理模块和周期序列模块通过二维卷积分别提取临近输入与周期输入移动流量的局部空间特征,将经过二维卷积处理的不同输入模块的数据输入至残差单元中。
6.根据权利要求1所述的基于区域时空特征的移动流量预测系统,其特征在于:所述权重融合模块使用可学习的权重矩阵从历史数据中学习权重值,进行加权融合,两个序列融合后连接激活函数进行输出。
7.根据权利要求1所述的基于区域时空特征的移动流量预测系统,其特征在于:所述时间特征提取模块经过权重融合得到的输入送入长短期记忆网络的输入层和隐藏层中,然后经过一个全连接层输出结果,提取数据的长期时间特征。
8.根据权利要求1所述的基于区域时空特征的移动流量预测系统,其特征在于:所述预测及结果处理模块通过移动流量时空预测模型得到目标区域未来时间段的预测移动流量值,将预测结果和真实数据通过不同数据曲线表示。
9.一种基于区域时空特征的移动流量预测方法,其特征在于:包括以下步骤:
(1)获取目标区域移动流量数据,对数据进行预处理,清除异常值,使用均值插补法处理数据中的缺失值;
(2)根据时间戳将移动流量数据转换成数据序列;
(3)将根据数据邻近性和周期性序列分为邻近输入序列和周期输入序列;
(4)将邻近输入序列和周期输入序列作为输入数据送入移动流量时空预测模型中进行预测;
(5)根据移动流量时空预测模型输出的目标区域未来时间段的预测结果进行可视化。
10.根据权利要求9所述的基于区域时空特征的移动流量预测方法,其特征在于:步骤(4)中移动流量时空预测模型的预测步骤如下:
(4.1)对数据进行最大最小归一化;
(4.2)建立邻近输入序列和周期输入序列提取数据的邻近性和周期性;
(4.3)构建训练集与测试集;
(4.4)建立移动流量时空预测模型,将训练集送入移动流量时空预测模型中进行训练;
(4.5)将测试集送入训练好的移动流量时空预测模型中进行预测,实现对移动流量的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211562204.5A CN115913996A (zh) | 2022-12-07 | 2022-12-07 | 一种基于区域时空特征的移动流量预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211562204.5A CN115913996A (zh) | 2022-12-07 | 2022-12-07 | 一种基于区域时空特征的移动流量预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115913996A true CN115913996A (zh) | 2023-04-04 |
Family
ID=86474709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211562204.5A Pending CN115913996A (zh) | 2022-12-07 | 2022-12-07 | 一种基于区域时空特征的移动流量预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115913996A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 一种基于深度时空神经网络的动态异构网络流量预测方法 |
CN111861027A (zh) * | 2020-07-29 | 2020-10-30 | 北京工商大学 | 一种基于深度学习融合模型的城市交通流量预测方法 |
CN112466117A (zh) * | 2020-11-24 | 2021-03-09 | 南通大学 | 基于深度时空残差网络的路网短时交通流预测方法 |
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 |
CN113240179A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 融合时空信息的轨道人流量预测方法及系统 |
-
2022
- 2022-12-07 CN CN202211562204.5A patent/CN115913996A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 一种基于深度时空神经网络的动态异构网络流量预测方法 |
CN111861027A (zh) * | 2020-07-29 | 2020-10-30 | 北京工商大学 | 一种基于深度学习融合模型的城市交通流量预测方法 |
CN112466117A (zh) * | 2020-11-24 | 2021-03-09 | 南通大学 | 基于深度时空残差网络的路网短时交通流预测方法 |
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 |
CN113240179A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 融合时空信息的轨道人流量预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
朱江: "融合时空特征的网络流量智能预测方法研究", 《CNKI硕士电子期刊论文》, 15 November 2022 (2022-11-15), pages 1 - 60 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230418250A1 (en) | Operational inspection system and method for domain adaptive device | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN108921051B (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
CN114882421B (zh) | 一种基于时空特征增强图卷积网络的骨架行为识别方法 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN113033276A (zh) | 一种基于转换模块的行为识别方法 | |
CN115830179A (zh) | 一种类别无关的遥感地物矢量拓扑结构提取方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN117252928A (zh) | 用于电子产品模块化智能组装的视觉图像定位系统 | |
CN117152815A (zh) | 一种学生活动伴随式数据分析方法、装置及设备 | |
CN117132919A (zh) | 一种多尺度高维特征分析无监督学习视频异常检测方法 | |
CN115913996A (zh) | 一种基于区域时空特征的移动流量预测系统及方法 | |
CN116403152A (zh) | 一种基于空间上下文学习网络的人群密度估计方法 | |
CN114972871A (zh) | 基于图像配准的少样本图像异常检测方法及系统 | |
CN114980723A (zh) | 一种用于跨工况贴片机吸嘴的故障预测方法、系统 | |
CN113222206A (zh) | 一种基于ResLS-C深度学习组合的交通状态预测方法 | |
CN117128862B (zh) | 一种汽车部件的扫描检测分析方法 | |
CN116030347B (zh) | 一种基于注意力网络的高分辨率遥感影像建筑物提取方法 | |
CN112364892B (zh) | 一种基于动态模型的图像识别方法及装置 | |
CN113947756A (zh) | 一种基于迭代设计的目标检测方法 | |
CN114373126A (zh) | 一种基于微控制器的智能检测视觉系统 | |
CN117853596A (zh) | 无人机遥感测绘方法及系统 | |
CN117724452A (zh) | 一种基于图神经网络的工业过程异常检测方法 | |
CN115909181A (zh) | 模型更新方法及装置、设备、存储介质 | |
CN117831062A (zh) | 一种基于多特征融合Transformer的电气图纸分类方法及系统 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhou Chaoran Inventor after: Zhang Ying Inventor after: Bai Sen Inventor after: Ma Jian Inventor after: Yue Ming Inventor after: Zhang Xin Inventor after: Feng Xin Inventor before: Ma Jian |
|
CB03 | Change of inventor or designer information |