CN116347504A - 基于emd-mwoa-lstm的通信基站流量预测方法 - Google Patents
基于emd-mwoa-lstm的通信基站流量预测方法 Download PDFInfo
- Publication number
- CN116347504A CN116347504A CN202310388134.4A CN202310388134A CN116347504A CN 116347504 A CN116347504 A CN 116347504A CN 202310388134 A CN202310388134 A CN 202310388134A CN 116347504 A CN116347504 A CN 116347504A
- Authority
- CN
- China
- Prior art keywords
- base station
- mwoa
- lstm
- communication base
- data
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 95
- 241000283153 Cetacea Species 0.000 claims abstract description 116
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000015654 memory Effects 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 62
- 238000000354 decomposition reaction Methods 0.000 claims description 33
- 238000010606 normalization Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 201000004569 Blindness Diseases 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- 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)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
基于EMD‑MWOA‑LSTM的通信基站流量预测方法，包括以下步骤：1)采集通信基站过去T时间的流量数据，并对通信基站过去T时间的流量数据进行预处理，得到训练集和测试集；2)基于训练集，将t—1时刻数据作为模型输入，t时刻数据作为模型输出，利用改进鲸鱼算法对长短期记忆网络中的隐藏层节点数、学习率和正则化系数进行寻优，构建MWOA‑LSTM预测模型；3)利用MWOA‑LSTM预测模型对测试集中的元素进行预测，得到若干预测结果；将这些预测结果叠加，重构得到通信基站未来流量预测值。本发明实现了对数据特征的有效提取并避免了人为选择预测模型超参数的盲目性，可有效提高整体的预测精度。
Description
技术领域
本发明涉及通基站流量预测技术领域，具体是指一种基于EMD-MWOA-LSTM的通信基站流量预测方法。
背景技术
随着移动通信技术的快速发展和视频媒体的广泛使用，通信基站承载的网络流量负荷急剧上升。地方电信运营商将面临如何有效分配基站资源的严峻挑战。基站流量预测对控制和优化网络上的各种资源起着至关重要的作用，是通信基站高效运行、优化资源、节约能源的关键。建立合理的基站流量预测模型，可以合理分配流量资源，提前进行流量预警，保证重要业务的质量。
然而，人员的流动和节假日与工作日的交替会造成基站负荷的剧烈波动，这进一步增强了基站流量数据的非线性和突发性，使准确预测通信基站流量成为一种挑战。
近年来，研究人员已经提出了一些预测方法。如卡尔曼滤波和自回归积分移动平均模型(Autoregressive Integrated Moving Average model，ARIMA)等传统模型。随着深度学习的发展，人们对在基站流量预测中使用深度学习的有效性越来越感兴趣。提出了人工神经网络(Artificial Neural Network，ANN)、长短期记忆网络(Long Short-TermMemory，LSTM)等一系列预测模型。
然而，深度学习在预测通信基站流量方面的应用仍处于探索阶段。单纯使用神经网络模型来预测通信基站流量会导致模型难以有效捕捉流量数据的特征。此外，神经网络的超参数的初始值往往是由用户凭经验设定的，这使得预测实验具有一定的盲目性。所有这些原因都会降低预测的准确性。
发明内容
针对在使用神经网络模型进行通信基站流量预测时所面临的模型难以有效捕捉流量数据的特征和人为设定神经网络超参数的初始值往往具有一定的盲目性的问题，本发明提出了一种基于EMD-MWOA-LSTM的通信基站流量预测方法。
为实现本发明目的而采用的技术方案是这样的，基于EMD-MWOA-LSTM的通信基站流量预测方法，包括以下步骤：
1)采集通信基站过去T时间的流量数据，并对通信基站过去T时间的流量数据进行预处理，得到训练集和测试集。
2)基于训练集，将t—1时刻数据作为模型输入，t时刻数据作为模型输出，利用改进鲸鱼算法对长短期记忆网络中的隐藏层节点数、学习率和正则化系数进行寻优，构建MWOA-LSTM预测模型。
3)利用MWOA-LSTM预测模型对测试集中的元素进行预测，得到若干数据的流量预测。
将这些数据的流量预测结果叠加，重构得到通信基站未来流量预测值。
进一步，在步骤1)中，对通信基站过去T时间的流量数据进行预处理，是利用经验模态分解方法对通信基站过去T时间的流量数据进行分解，得到若干本征模态函数分量和残差分量。
利用经验模态分解方法对通信基站过去T时间的流量数据进行分解的步骤包括：
1.1)计算通信基站过去T时间流量数据序列x(t)的所有极小值与极大值。
1.2)通过三次样条插值法拟合出流量数据序列x(t)的下包络线和上包络线，并计算下包络线和上包络线对应点的平均值，绘制平均包络线mn(t)。令本征模态函数分量编号n初始值为1。
1.3)计算流量数据序列x(t)与平均包络线mn(t)对应点的差值，记为序列yn(t)。
1.4)判断序列yn(t)是否满足本征模态函数成立的条件。若满足本征模态函数成立的条件，则进入步骤1.5)，否则，令流量数据序列x(t)＝yn(t)，并返回步骤1.2)。
1.5)令第n个本征模态函数分量IMFn(t)＝yn(t)，令剩余流量数据序列rw(t)＝x(t)-IMFn(t)。
1.6)判断剩余流量数据序列rw(t)是否为单调函数，若是，则完成经验模态分解，否则，令迭代次数n＝n+1，将将剩余流量数据序列作为新的流量数据序，即令x(t)＝rw(t)，迭代次数n＝n+1，并返回步骤1.2)。
完成经验模态分解后，流量数据序列x(t)如下所示：
式中，N为分量总数。t为时间。
进一步，所述本征模态函数的条件包括：1、序列上极值点的个数与过零点的个数之差不超过1。2、任意选取的序列上，任意一点的上包络与下包络的均值为零。
进一步，在对通信基站过去T时间的流量数据进行分解后，还对若干本征模态函数分量和残差分量进行标准化处理。
其中，标准化处理的公式如下所示：
式中，x(t)为标准化处理前的数据。
为标准化处理前数据的均值，σ(x)为标准化处理前数据的标准差。xs(t)为标准化处理后的数据。
进一步，在步骤2)中，将训练集中t-1时刻的数据作为模型输入，t时刻的数据作为模型输出，利用改进鲸鱼算法对长短期记忆网络中的隐藏层节点数、学习率和正则化系数进行寻优，构建MWOA-LSTM预测模型的步骤包括：
2.1)设置改进鲸鱼算法和长短期记忆网络的初始参数。
2.2)利用训练集、设定的改进鲸鱼算法和长短期记忆网络的初始参数，对MWOA-LSTM网络模型进行训练，得到均方根误差RMSE，将训练得到的均方根误差作为改进鲸鱼算法的适应度函数。
2.3)搜索改进鲸鱼算法的全局最优适应度及最优位置，并迭代计算所有鲸鱼的适应度值。
2.4)若达到最大迭代次数或得到最优解，则输出优化后的LSTM的隐藏层节点数，学习率和正则化系数。若没有达到最大迭代次数或得到最优解，则继续迭代计算所有鲸鱼的适应度值，并更新最优适应度及最优位置，直至符合结束条件。
最优位置通过反向学习机制进行解算，即：
rexi＝rand×(li(t1)+ui(t1))-xi (3)
式中，rexi表示反向解。
是n1维空间中的个体。i为n1维空间中的个体编号，i＝1,2,…,n1，n1为n1维空间中的个体总数。ui(t1)、li(t1)分别是t1次迭代时的动态上、下界。ui(t1)＝max(xi)，li(t1)＝min(xi)，rand是[0,1]之间的随机数。
2.5)将输出的长短期记忆网络中的隐藏层节点数、学习率和正则化系数带入MWOA-LSTM网络模型，构建MWOA-LSTM预测模型。
进一步，所述改进鲸鱼算法的初始参数包括鲸鱼种群数量、改进鲸鱼算法的最大迭代次数和种群维度。
所述长短期记忆网络的初始参数包括长短期记忆网络的最大迭代次数和激活函数。
进一步，在步骤2.3)中，鲸鱼个体的位置通过动态螺旋参数进行更新，如下所示：
式中，
代表鲸鱼的最佳位置。l为[-1,1]之间的随机数。/>
分别表示第t1、t1+1次迭代时鲸鱼的位置。t1为迭代次数。
其中，动态螺旋系数b如下所示：
式中，λ是螺旋更新系数，w为常数。t1为迭代次数。Maxiter为最大迭代次数。
进一步，所述改进鲸鱼算法的适应度函数frmse如下所示：
式中，yi为原始值、y’i为预测值。
进一步，在步骤3)中，利用MWOA-LSTM预测模型对测试集中的元素进行预测，得到若干数据的流量预测。将这些数据的流量预测结果叠加，重构得到通信基站未来流量预测值的步骤包括：
3.1)利用MWOA-LSTM预测模型对测试集中的各个分量进行预测。
3.2)将各个分量的预测结果经过逆标准化转换，得到各个分量的预测值。
3.3)将所有分量的预测值相加，得到通信基站流量预测值yp(t)，如下所示：
yp(t)＝yp1(t)+yp2(t)+···+ypN(t) (7)
式中，ypj(t)为各分量经逆标准化后的预测值，j为分量编号，j＝1,2,…,N，N为分量总数。
进一步，所述逆标准化转换的计算公式如下所示：
式中，
为所有通信基站流量数据的均值，σ(x)所有通信基站流量数据的标准差，yvj(t)为各分量经模型预测出的结果。
本发明的技术效果是毋庸置疑的，本发明提出了一种基于EMD-MWOA-LSTM神经网络的通信基站流量预测模型。在数据处理阶段，引入经验模态分解方法(Empirical ModeDecomposition，EMD)对基站流量数据进行处理，通过将数据分解为一系列的分量，使得预测模型的输入从复杂、非平稳的基站流量数据转变为较为平滑的固有模态函数(IntrinsicMode Function，IMF)分量和残差分量。
相较于直接输入原始数据，EMD算法的引入使得模型在预测的过程中可以更有效地学习数据在不同尺度下的特征。在模型的构建阶段，为了解决人工调整神经网络超参数初值的盲目性，通过引入动态螺旋更新和广义反向学习机制对鲸鱼算法进行改进得到改进鲸鱼算法(Modified Whale Optimization Algorithm，MWOA)并采用该算法对长短期记忆网络(Long Short-Term Memory，LSTM)模型的超参数进行优化。
通过MWOA算法的优化，LSTM模型获得了更好的拟合效果。将EMD分解后的分量依次作为MWOA-LSTM的输入并依次收集预测结果进行逆标准化处理，将处理后的预测结果进行相加来获得通信基站流量的预测值。通过与多种现有预测模型的对比，本发明提出的EMD-MWOA-LSTM模型有着更好的预测效果。
本发明实现了对数据特征的有效提取并避免了人为选择预测模型超参数的盲目性，可有效提高整体的预测精度。
附图说明
图1为基于EMD-MWOA-LSTM神经网络的通信基站流量预测方法的流程图；
图2为通信基站流量数据示意图；
图3为通信基站流量数据的EMD分解示意图；
图4为各模型与原数据误差对比图。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
参见图1至图4，基于EMD-MWOA-LSTM的通信基站流量预测方法，包括以下步骤：
1)采集通信基站过去T时间的流量数据，并对通信基站过去T时间的流量数据进行预处理，得到训练集和测试集。
2)基于训练集，将t—1时刻数据作为模型输入，t时刻数据作为模型输出，利用改进鲸鱼算法对长短期记忆网络中的隐藏层节点数、学习率和正则化系数进行寻优，构建MWOA-LSTM预测模型。
3)利用MWOA-LSTM预测模型对测试集中的元素进行预测，得到若干数据的流量预测。
将这些数据的流量预测结果叠加，重构得到通信基站未来流量预测值。
实施例2：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例1，进一步，在步骤1)中，对通信基站过去T时间的流量数据进行预处理，是利用经验模态分解方法对通信基站过去T时间的流量数据进行分解，得到若干本征模态函数分量和残差分量。
利用经验模态分解方法对通信基站过去T时间的流量数据进行分解的步骤包括：
1.1)计算通信基站过去T时间流量数据序列x(t)的所有极小值与极大值。
1.2)通过三次样条插值法拟合出流量数据序列x(t)的下包络线和上包络线，并计算下包络线和上包络线对应点的平均值，绘制平均包络线mn(t)。令本征模态函数分量编号n初始值为1。
1.3)计算流量数据序列x(t)与平均包络线mn(t)对应点的差值，记为序列yn(t)。
1.4)判断序列yn(t)是否满足本征模态函数成立的条件。若满足本征模态函数成立的条件，则进入步骤1.5)，否则，令流量数据序列x(t)＝yn(t)，并返回步骤1.2)。
1.5)令第n个本征模态函数分量IMFn(t)＝yn(t)，令剩余流量数据序列rw(t)＝x(t)-IMFn(t)。
1.6)判断剩余流量数据序列rw(t)是否为单调函数，若是，则完成经验模态分解，否则，令迭代次数n＝n+1，将将剩余流量数据序列作为新的流量数据序，即令x(t)＝rw(t)，迭代次数n＝n+1，并返回步骤1.2)。
完成经验模态分解后，流量数据序列x(t)如下所示：
式中，N为分量总数。t为时间。
实施例3：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例2，进一步，所述本征模态函数的条件包括：1、序列上极值点的个数与过零点的个数之差不超过1。2、任意选取的序列上，任意一点的上包络与下包络的均值为零。
实施例4：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例2，进一步，在对通信基站过去T时间的流量数据进行分解后，还对若干本征模态函数分量和残差分量进行标准化处理。
其中，标准化处理的公式如下所示：
式中，x(t)为标准化处理前的数据。
为标准化处理前数据的均值，σ(x)为标准化处理前数据的标准差。xs(t)为标准化处理后的数据。
实施例5：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例1-4中任一项，进一步，在步骤2)中，将训练集中t-1时刻的数据作为模型输入，t时刻的数据作为模型输出，利用改进鲸鱼算法对长短期记忆网络中的隐藏层节点数、学习率和正则化系数进行寻优，构建MWOA-LSTM预测模型的步骤包括：
2.1)设置改进鲸鱼算法和长短期记忆网络的初始参数。
2.2)利用训练集、设定的改进鲸鱼算法和长短期记忆网络的初始参数，对MWOA-LSTM网络模型进行训练，得到均方根误差RMSE，将训练得到的均方根误差作为改进鲸鱼算法的适应度函数。
2.3)搜索改进鲸鱼算法的全局最优适应度及最优位置，并迭代计算所有鲸鱼的适应度值。
2.4)若达到最大迭代次数或得到最优解，则输出优化后的LSTM的隐藏层节点数，学习率和正则化系数。若没有达到最大迭代次数或得到最优解，则继续迭代计算所有鲸鱼的适应度值，并更新最优适应度及最优位置，直至符合结束条件。
最优位置通过反向学习机制进行解算，即：
rexi＝rand×(li(t1)+ui(t1))-xi (3)
式中，rexi表示反向解。
是n1维空间中的个体。i为n1维空间中的个体编号，i＝1,2,…,n1，n1为n1维空间中的个体总数。ui(t1)、li(t1)分别是t1次迭代时的动态上、下界。ui(t1)＝max(xi)，li(t1)＝min(xi)，rand是[0,1]之间的随机数。
2.5)将输出的长短期记忆网络中的隐藏层节点数、学习率和正则化系数带入MWOA-LSTM网络模型，构建MWOA-LSTM预测模型。
实施例6：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例5，进一步，所述改进鲸鱼算法的初始参数包括鲸鱼种群数量、改进鲸鱼算法的最大迭代次数和种群维度。
所述长短期记忆网络的初始参数包括长短期记忆网络的最大迭代次数和激活函数。
实施例7：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例5，进一步，在步骤2.3)中，鲸鱼个体的位置通过动态螺旋参数进行更新，如下所示：
式中，
代表鲸鱼的最佳位置。l为[-1,1]之间的随机数。/>
分别表示第t1、t1+1次迭代时鲸鱼的位置。t1为迭代次数。
其中，动态螺旋系数b如下所示：
式中，λ是螺旋更新系数，w为常数。t1为迭代次数。Maxiter为最大迭代次数。
实施例8：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例5，进一步，所述改进鲸鱼算法的适应度函数frmse如下所示：
式中，yi为原始值、y’i为预测值。
实施例9：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例1-8中任一项，进一步，在步骤3)中，利用MWOA-LSTM预测模型对测试集中的元素进行预测，得到若干数据的流量预测。将这些数据的流量预测结果叠加，重构得到通信基站未来流量预测值的步骤包括：
3.1)利用MWOA-LSTM预测模型对测试集中的各个分量进行预测。
3.2)将各个分量的预测结果经过逆标准化转换，得到各个分量的预测值。
3.3)将所有分量的预测值相加，得到通信基站流量预测值yp(t)，如下所示：
yp(t)＝yp1(t)+yp2(t)+···+ypN(t) (7)
式中，ypj(t)为各分量经逆标准化后的预测值，j为分量编号，j＝1,2,…,N，N为分量总数。
实施例10：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例9，进一步，所述逆标准化转换的计算公式如下所示：
式中，
为所有通信基站流量数据的均值，σ(x)所有通信基站流量数据的标准差，yvj(t)为各分量经模型预测出的结果。
实施例11：
参见图1至图4，基于EMD-MWOA-LSTM的通信基站流量预测方法，包括以下步骤：
1)采集通信基站过去T时间的流量数据，并对通信基站过去T时间的流量数据进行预处理，得到训练集和测试集。
2)基于训练集，将t—1时刻数据作为模型输入，t时刻数据作为模型输出，利用改进鲸鱼算法对长短期记忆网络中的隐藏层节点数、学习率和正则化系数进行寻优，构建MWOA-LSTM预测模型。
3)利用MWOA-LSTM预测模型对测试集中的元素进行预测，得到后109条数据的流量预测。
将这些数据的流量预测结果叠加，重构得到通信基站未来流量预测值。
实施例12：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例11，进一步，EMD所依据的假设如下：
1、数据只会在极端值之间波动，上限是数据的最大值，下限是数据的最小值。
2、不同的时间尺度将导致数据的局部特征发生变化。
3、可以用微分法解决数据只有拐点而没有极端点的问题，构建极端点，然后用积分法将数据还原为分解值。
在步骤1)中，对通信基站过去T时间的流量数据进行预处理，是利用经验模态分解方法对通信基站过去T时间的流量数据进行分解，得到若干本征模态函数分量和残差分量。
利用经验模态分解方法对通信基站过去T时间的流量数据进行分解的步骤包括：
1.1)计算通信基站过去T时间流量数据序列x(t)的所有极小值与极大值。
1.2)通过三次样条插值法拟合出流量数据序列x(t)的下包络线和上包络线，并计算下包络线和上包络线对应点的平均值，绘制平均包络线mn(t)。令本征模态函数分量编号n初始值为1。
1.3)计算流量数据序列x(t)与平均包络线mn(t)对应点的差值，记为序列yn(t)。
1.4)判断序列yn(t)是否满足本征模态函数成立的条件。若满足本征模态函数成立的条件，则进入步骤1.5)，否则，令流量数据序列x(t)＝yn(t)，并返回步骤1.2)。
1.5)令第n个本征模态函数分量IMFn(t)＝yn(t)，令剩余流量数据序列rw(t)＝x(t)-IMFn(t)。
1.6)判断剩余流量数据序列rw(t)是否为单调函数，若是，则完成经验模态分解，否则，令迭代次数n＝n+1，将将剩余流量数据序列作为新的流量数据序，即令x(t)＝rw(t)，迭代次数n＝n+1，并返回步骤1.2)。
完成经验模态分解后，流量数据序列x(t)如下所示：
式中，N为分量总数。t为时间。
实施例13：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例12，进一步，所述本征模态函数的条件包括：1、序列上极值点的个数与过零点的个数之差不超过1。2、任意选取的序列上，任意一点的上包络与下包络的均值为零。
实施例14：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例12，进一步，在对通信基站过去T时间的流量数据进行分解后，还对若干本征模态函数分量和残差分量进行标准化处理；
其中，标准化处理的公式如下所示：
式中，x(t)为标准化处理前的数据；
为标准化处理前数据的均值，σ(x)为标准化处理前数据的标准差；xs(t)为标准化处理后的数据。
实施例15：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例11-14中任一项，进一步，在步骤2)中，将训练集中t-1时刻的数据作为模型输入，t时刻的数据作为模型输出，利用改进鲸鱼算法对长短期记忆网络中的隐藏层节点数、学习率和正则化系数进行寻优，构建MWOA-LSTM预测模型的步骤包括：
2.1)设置改进鲸鱼算法和长短期记忆网络的初始参数。
2.2)利用训练集、设定的改进鲸鱼算法和长短期记忆网络的初始参数，对MWOA-LSTM网络模型进行训练，得到均方根误差RMSE，将训练得到的均方根误差作为改进鲸鱼算法的适应度函数。
所述MWOA-LSTM网络模型的结构包括：遗忘门、更新门和输出门。
通过遗忘门筛选上一个单元记忆细胞需要保留的信息，通过更新门更新当前隐藏层信息，将上一个记忆细胞保留的信息与当前的信息加起来得到当前的记忆细胞，通过输出门更新当前记忆细胞得到当前时刻的输出。
2.3)搜索改进鲸鱼算法的全局最优适应度及最优位置，并迭代计算所有鲸鱼的适应度值。
2.4)若达到最大迭代次数或得到最优解，则输出优化后的LSTM的隐藏层节点数，学习率和正则化系数。若没有达到最大迭代次数或得到最优解，则继续迭代计算所有鲸鱼的适应度值，并更新最优适应度及最优位置，直至符合结束条件。
最优位置通过反向学习机制进行解算，即：
rexi＝rand×(li(t1)+ui(t1))-xi (3)
式中，rexi表示反向解。
是n1维空间中的个体。i为n1维空间中的个体编号，i＝1,2,…,n1，n1为n1维空间中的个体总数。ui(t1)、li(t1)分别是t1次迭代时的动态上、下界。ui(t1)＝max(xi)，li(t1)＝min(xi)，rand是[0,1]之间的随机数。
2.5)将输出的长短期记忆网络中的隐藏层节点数、学习率和正则化系数带入MWOA-LSTM网络模型，构建MWOA-LSTM预测模型。
实施例16：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例15，进一步，所述改进鲸鱼算法的初始参数包括鲸鱼种群数量、改进鲸鱼算法的最大迭代次数和种群维度。
所述长短期记忆网络的初始参数包括长短期记忆网络的最大迭代次数和激活函数。
设置激活函数为Sigmoid函数、LSTM最大迭代次数为300。MWOA最大迭代次数为500、种群数量N＝30、种群维度D＝30。
实施例17：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例15，进一步，传统鲸鱼算法主要分为3个阶段：包围捕食、气泡网攻击和搜索觅食。
(1)包围捕食
鲸鱼算法假设当前的最优解为种群中最优个体，如果想最佳鲸鱼的位置游去，鲸鱼位置的更新公式为：
式中
代表鲸鱼的最佳位置，A的每个维度都是一个随机数，分布在(-a,a)，a的初始值为2，随着迭代次数的增加，将线性减少到0，C是分布在(0,2)的随机数。
(2)气泡网攻击
收缩包围：迭代次数越大，a的值越小，使得鲸鱼个体不断更新位置以接近猎物，其公式如下：
螺旋更新：鲸鱼个体在搜索期间，采用螺旋上升的方式调整位置，其公式如下：
式中b是一个恒定值，l是分布在[-1,1]的一个随机数。
每个鲸鱼都有同样的可能性包围或发射气泡驱赶猎物，公式如下：
(3)搜索觅食
当|A|＞1时，种群不再追随最优鲸鱼，将随机选一个鲸鱼寻优，鲸鱼位置的更新公式为：
传统鲸鱼算法中，螺旋系数b是一个固定值，这使得个体在进入螺旋搜索阶段时遵循固定螺旋，导致容易陷入早熟。传统鲸鱼算法将当前的最佳个体作为其搜索方向，并将其与其他个体进行比较以更接近最佳个体。如果当前最优个体的位置是非全局最优解，则其他个体将被错误定向到该位置，从而导致算法下沉局部最优解。
在步骤2.3)中，鲸鱼个体的位置通过动态螺旋参数进行更新，如下所示：
式中，
代表鲸鱼的最佳位置。l为[-1,1]之间的随机数。/>
分别表示第t1、t1+1次迭代时鲸鱼的位置。t1为迭代次数。
其中，动态螺旋系数b如下所示：
式中，λ是螺旋更新系数，w为常数。t1为迭代次数。Maxiter为最大迭代次数。
使用动态螺旋系数和反向学习机制改进的鲸鱼算法的测试结果如图4所示，采用动态螺旋系数和反向学习机制改进的算法提高了种群搜索能力。
实施例18：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例15，进一步，所述改进鲸鱼算法的适应度函数frmse如下所示：
式中，yi为原始值、y’i为预测值。
适应度函数取RMSE误差最小值，RMSE误差越小意味着预测的精度越高。
实施例19：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例11-18中任一项，进一步，在步骤3)中，利用MWOA-LSTM预测模型对测试集中的元素进行预测，得到若干预测结果。将这些预测结果叠加，重构得到通信基站未来流量预测值的步骤包括：
3.1)利用MWOA-LSTM预测模型对测试集中的各个分量进行预测。
3.2)将各个分量的预测结果经过逆标准化转换，得到各个分量的预测值。
3.3)将所有分量的预测值相加，得到通信基站流量预测值yp(t)，如下所示：
yp(t)＝yp1(t)+yp2(t)+···+ypN(t) (7)
式中，ypj(t)为各分量经逆标准化后的预测值，j为分量编号，j＝1,2,…,N，N为分量总数。
实施例20：
基于EMD-MWOA-LSTM的通信基站流量预测方法，主要步骤见实施例19，进一步，所述逆标准化转换的计算公式如下所示：
式中，
为所有通信基站流量数据的均值，σ(x)所有通信基站流量数据的标准差，yvj(t)为各分量经模型预测出的结果。
实施例21：
参见图1至图4，基于EMD-MWOA-LSTM的通信基站流量预测方法，包括以下步骤：
S1：对收集到的通信基站流量数据进行预处理，预处理过程中首先使用经验模态分解方法收集分解出的本征模态函数分量和残差分量，然后对所有分量进行标准化处理并将所有分量划分为训练集和测试集。
S2：结合训练集中的分量，利用改进鲸鱼算法(MWOA)对LSTM中的隐藏层节点数，学习率和正则化系数进行寻优，构建MWOA-LSTM预测模型。
S3：利用MWOA-LSTM预测模型对测试集中的各个分量逐一预测，并将预测结果叠加重构为通讯基站流量预测值。
所述步骤S1的详细步骤如下所示：
(1)计算原始数据序列x(t)的所有极小值与极大值。
(2)使用三次样条插值拟合出原始序列x(t)的下包络线和上包络线。上下包络线的平均值即为平均包络线m1(t)。
(3)令y1(t)为原始序列x(t)与平均包络线m1(t)相减所形成的差值。
(4)将IMF的条件与y1(t)相比较，若满足条件则y1(t)即可作为新的IMF分量，若不满足则将再次回到步骤(1)并循环执行步骤(1)～步骤(3)直至其满足IMF条件。
(5)再重复计算IMF分量的过程中，若原始序列x(t)与y1(t)的相减的余量为单调函数，即可结束EMD分解过程。原始数据序列x(t)也将在此过程中被分解为一系列IMF分量IMFn(t)和1个残差分量D(t)。
(6)分解后，原始数据序列x(t)将由IMFn(t)和D(t)组成，
所述步骤S2的详细步骤如下所示：
S2.1:设置改进鲸鱼算法和LSTM的初始参数；其中改进鲸鱼算法的初始参数种群数量、最大迭代次数和种群维度，LSTM的初始参数包括迭代次数和激活函数；
S2.2:利用训练集中的各个分量以及设定的改进鲸鱼算法和LSTM的初始参数，进行MWOA-LSTM预测模型训练；并获取训练输出的均方根误差RMSE作为改进鲸鱼算法的适应度函数；
S2.3:搜索改进鲸鱼算法的全局最优适应度及最优位置，并迭代计算所有鲸鱼的适应度值；
若符合结束条件，则输出优化后的LSTM的隐藏层节点数，学习率和正则化系数；若不符合条件，则继续迭代计算所有鲸鱼的适应度值，并更新最优适应度及最优位置，直至符合结束条件；
S2.4:将输出的最优隐藏层节点数，学习率和正则化系数带入LSTM预测模型中，构建MWOA-LSTM预测模型。
步骤S2.2中适应度函数为：
所述步骤S2.3中符合条件或迭代次数最大时，输出优化后的隐藏层节点数，学习率和正则化系数。
实施例22：
由图1可知，本实施方式提供了一种基于EMD-MWOA-LSTM的通信基站流量预测方法，具体步骤如下。
S1:对收集到的通信基站流量数据进行预处理，预处理过程中首先使用经验模态分解，收集分解出的本征模态函数分量和残差分量，然后对所有分量进行标准化处理并将所有分量划分为训练集和测试集。
S2:结合训练集中的分量，利用改进鲸鱼算法对LSTM中的隐藏层节点数，学习率和正则化系数进行寻优，构建MWOA-LSTM预测模型。
S3:利用MWOA-LSTM预测模型对测试集中的各个分量逐一预测，并将预测结果叠加重构为通讯基站流量预测值。
在本实施方式中先对改进鲸鱼算法(MWOA)进行说明，所述改进鲸鱼算法与传统的鲸鱼算法(WOA)的不同之处仅在于:所述改进鲸鱼算法采用动态螺旋系数，并且采用反向学习机制；关于改进鲸鱼算法其余未在实施方式中说明之处，请参阅传统改进鲸鱼算法的相关内容。
传统鲸鱼算法主要分为3个阶段：包围捕食、气泡网攻击和搜索觅食。
(1)包围捕食
鲸鱼算法假设当前的最优解为种群中最优个体，如果想最佳鲸鱼的位置游去，鲸鱼位置的更新公式为：
式(1)中
代表鲸鱼的最佳位置，A的每个维度都是一个随机数，分布在(-a,a)，a的初始值为2，随着迭代次数的增加，将线性减少到0，C是分布在(0,2)的随机数。
(2)气泡网攻击
收缩包围：迭代次数越大，a的值越小，使得鲸鱼个体不断更新位置以接近猎物，其公式如下：
螺旋更新：鲸鱼个体在搜索期间，采用螺旋上升的方式调整位置，其公式如下：
式(2)中b是一个恒定值，l是分布在[-1,1]的一个随机数。
每个鲸鱼都有同样的可能性包围或发射气泡驱赶猎物，公式如下：
(3)搜索觅食
当|A|＞1时，种群不再追随最优鲸鱼，将随机选一个鲸鱼寻优，鲸鱼位置的更新公式为：
传统鲸鱼算法中，螺旋系数b是一个固定值，这使得个体在进入螺旋搜索阶段时遵循固定螺旋，导致容易陷入早熟。传统鲸鱼算法将当前的最佳个体作为其搜索方向，并将其与其他个体进行比较以更接近最佳个体。如果当前最优个体的位置是非全局最优解，则其他个体将被错误定向到该位置，从而导致算法下沉局部最优解。
因此，为了解决传统鲸鱼算法存在容易陷入局部最优解的问题，本实施方式中对传统鲸鱼算法进行改进，分别用动态螺旋系数和反向学习机制进行改进。
动态螺旋更新：
对于传统鲸鱼算法，螺旋系数是具有恒定的值。这使得个体在进入螺旋搜索阶段时遵循固定螺旋，导致容易陷入过早状态，削弱算法的全局搜索能力，因此可以螺旋系数b设置为随迭代次数变化的动态值，其公式为：
式(8)中，λ是螺旋更新系数，设置为10，w＝0.5
引入反向学习机制：
传统鲸鱼算法将当前的最佳个体作为其搜索方向，并将其与其他个体进行比较以更接近最佳个体。如果当前最优个体的位置是非全局最优解，则其他个体将被错误定向到该位置，从而导致算法陷入局部最优解，因此可以使用反向学习机制，增加种群个体的搜索能力和种群多样性，给予算法跳出局部最优解的能力，其公式为：
rexi＝rand×(li(t)+ui(t))-xi (9)
式(9)中，rexi表示反向解，xi＝(x1,x2,…,xn)是n维空间中的个体，ui(t)，li(t)是t次迭代时的动态上下界。其中，ui(t)＝max(xi)，li(t)＝min(xi)，rand是[0,1]之间的随机数。
使用动态螺旋系数和反向学习机制改进的鲸鱼算法的测试结果如图4所示，采用动态螺旋系数和反向学习机制改进的算法提高了种群搜索能力。
下面接着对本实施方式中的基于EMD-MWOA-LSTM的通信基站流量预测方法的各步骤进行详细的说明：
以下为对S1的具体执行步骤：
EMD所依据的假设如下：
(1)数据只会在极端值之间波动，上限是数据的最大值，下限是数据的最小值。
(2)不同的时间尺度将导致数据的局部特征发生变化。
(3)可以用微分法解决数据只有拐点而没有极端点的问题，构建极端点，然后用积分法将数据还原为分解值。
依据上述假设，对通信基站流量数据进行EMD分解：
(1)计算原始通信基站流量数据x(t)(如图2)的所有极小值与极大值。
(2)使用三次样条插值拟合出原始序列x(t)的下包络线和上包络线。上下包络线的平均值即为平均包络线mn(t)。
(3)令yn(t)为原始通信基站流量数据x(t)与平均包络线mn(t)相减所形成的差值。
yn(t)＝x(t)-mn(t) (10)
(4)将IMF的条件与yn(t)相比较，若满足条件则y1(t)即可作为新的IMF分量并将此时的yn(t)存储在数据wn(t)中。若不满足则将重复上述三个步骤，直至其满足IMF条件。
wn(t)＝yn(t) (11)
步骤(4)中IMF分量所必须满足的条件为：
序列上极值点与过零点的个数之差不超过1；
任意选取序列上一点其上包络与下包络的均值为零
当且仅当yn(t)满足上述两个条件时yn(t)可以成为IMF分量
(6)重复上述四个步骤，直至x(t)与y1(t)的相减的余量rw(t)为单调函数，即可结束EMD分解过程。原始数据序列x(t)也将在此过程中被分解为一系列IMF分量IMFn(t)和1个残差分量rw(t)。
图3中的数据即为通信基站流量数据经EMD分解后产生的IMF分量和残差分量。
所有经过EMD分解产生的分量在进行后续的预测前都需要进行标准化处理，标准化公式如下所示。
式(13)中
为所有通信基站流量数据的均值，σ(x)所有通信基站流量数据的标准差。
以下为对S2的具体执行步骤：
S2.1:设置改进鲸鱼算法和LSTM的初始参数；其中改进鲸鱼算法的初始参数包括种群数量、最大迭代次数和种群维度，LSTM的初始参数包括迭代次数和激活函数；
本实施方式中，设置激活函数为Sigmoid函数、LSTM最大迭代次数为300。MWOA最大迭代次数500、种群数量为N＝30、种群维度D＝30；
S2.2:利用训练集中的各个分量以及设定的改进鲸鱼算法和LSTM的初始参数，进行MWOA-LSTM预测模型训练；并获取训练输出的均方误差RMSE作为改进鲸鱼算法的适应度函数，适应度函数具体为：
适应度函数取RMSE误差最小值，RMSE误差越小意味着预测的精度越高。
在进行S2时，训练集用于MWOA-LSTM预测模型训练，验证集则用于对训练好的模型进行验证。
S2.3:搜索改进鲸鱼算法的全局最优适应度及最优位置，并迭代计算所有鲸鱼的适应度值；
若符合结束条件，则输出优化后的LSTM的隐藏层节点数，学习率和正则化系数；若不符合条件，则继续迭代计算所有鲸鱼的适应度值，并更新最优适应度及最优位置，直至符合结束条件；
本实施方式中得到最优解或达到最大迭代次数，则输出优化后的LSTM的最优隐藏层节点数，学习率和正则化系数。
S2.4:将输出的最优隐藏层节点数，学习率和正则化系数带入LSTM预测模型中，构建MWOA-LSTM预测模型。
以下为对S3的具体执行步骤。
(1)通信基站流量数据通过EMD分解技术所产生的分量(见图3)都将被送入MWOA-LSTM模型进行预测
(2)预测后的各分量预测结果需要经过逆标准化为预测值，逆标准化公式如下所示
其中
为所有通信基站流量数据的均值，σ(x)所有通信基站流量数据的标准差，ypn(t)为各分量经逆标准化后的预测值，yvn(t)为各分量经模型预测出的结果。
(3)相加所有的预测值以获得通信基站流量预测值。
yp(t)＝yp1(t)+yp2(t)+···+ypn(t) (17)
其中yp(t)即为通信基站流量预测值。
实施例23：
本实施例中以中国北部地区某地通信基站流量为例，选取2020年11月3日0时至2020年11月17日23时，每隔一小时获取一次数据。
将上述数据经处理后进行EMD分解，得到六个IMF分量和一个残差分量，如图三所示。从IMF1到IMF6，频率降低，波动放缓，六个IMF分量反映了不同影响因素在不同尺度上对通信基站流量数据的影响，而残差分量则表示数据的长期趋势。选取所有分量的前70％的数据作为训练集数据输入MWOA-LSTM模型进行训练，后30％的数据作为验证集数据对训练模型进行验证，获得训练完备的MWOA-LSTM模型，收集各分量的预测结果并进行逆标准化处理，将处理过后的预测值相加生成通信基站流量的预测数值。
本实施例中将EMD-MWOA-LSTM模型与LSTM模型、EMD-LSTM模型、MWOA-LSTM模型、Transformer模型、N-BEATS模型的预测结果进行对比，为了全面分析预测模型的有效性和准确性，通过平均绝对误差(MAE)、均方根误差(RMSE)两项模型评价指标来判断模型精度，具体见表1。
表1.各预测模型结果对比
由表1可知，EMD-MWOA-LSTM预测模型预测的效果最好。其中，经过EMD分解和重构后的MWOA-LSTM预测模型的RMSE、MAE与未经EMD处理的MWOA-LSTM预测模型相比分别降低了14.1％、11.6％；相较于Transformer预测模型分别降低了15.8％、13.9％；相较于N-BEATS预测模型分别降低了10.9％、8.3％；相较于传统LSTM预测模型分别降低了29.5％、30％。
Claims (10)
1.基于EMD-MWOA-LSTM的通信基站流量预测方法，其特征在于，包括以下步骤：
1)采集通信基站过去T时间的流量数据，并对通信基站过去T时间的流量数据进行预处理，得到训练集和测试集。
2)基于训练集，将t—1时刻数据作为模型输入，t时刻数据作为模型输出，利用改进鲸鱼算法对长短期记忆网络中的隐藏层节点数、学习率和正则化系数进行寻优，构建MWOA-LSTM预测模型。
3)利用MWOA-LSTM预测模型对测试集中的元素进行预测，得到若干数据的流量预测；
将这些数据的流量预测结果叠加，重构得到通信基站未来流量预测值。
2.根据权利要求1所述的基于EMD-MWOA-LSTM的通信基站流量预测方法，其特征在于，在步骤1)中，对通信基站过去T时间的流量数据进行预处理，是利用经验模态分解方法对通信基站过去T时间的流量数据进行分解，得到若干本征模态函数分量和残差分量；
利用经验模态分解方法对通信基站过去T时间的流量数据进行分解的步骤包括：
1.1)计算通信基站过去T时间流量数据序列x(t)的所有极小值与极大值；
1.2)通过三次样条插值法拟合出流量数据序列x(t)的下包络线和上包络线，并计算下包络线和上包络线对应点的平均值，绘制平均包络线mn(t)；令本征模态函数分量编号n初始值为1；
1.3)计算流量数据序列x(t)与平均包络线mn(t)对应点的差值，记为序列yn(t)；
1.4)判断序列yn(t)是否满足本征模态函数成立的条件；若满足本征模态函数成立的条件，则进入步骤1.5)，否则，令流量数据序列x(t)＝yn(t)，并返回步骤1.2)；
1.5)令第n个本征模态函数分量IMFn(t)＝yn(t)，令剩余流量数据序列rw(t)＝x(t)-IMFn(t)；
1.6)判断剩余流量数据序列rw(t)是否为单调函数，若是，则完成经验模态分解，否则，令迭代次数n＝n+1，将将剩余流量数据序列作为新的流量数据序，即令x(t)＝rw(t)，迭代次数n＝n+1，并返回步骤1.2)；
完成经验模态分解后，流量数据序列x(t)如下所示：
式中，N为分量总数；t为时间。
3.根据权利要求2所述的基于EMD-MWOA-LSTM的通信基站流量预测方法，其特征在于，所述本征模态函数的条件包括：1、序列上极值点的个数与过零点的个数之差不超过1；2、任意选取的序列上，任意一点的上包络与下包络的均值为零。
4.根据权利要求2所述的基于EMD-MWOA-LSTM的通信基站流量预测方法，其特征在于，在对通信基站过去T时间的流量数据进行分解后，还对若干本征模态函数分量和残差分量进行标准化处理；
其中，标准化处理的公式如下所示：
式中，x(t)为标准化处理前的数据；
为标准化处理前数据的均值，σ(x)为标准化处理前数据的标准差；xs(t)为标准化处理后的数据。
5.根据权利要求1所述的基于EMD-MWOA-LSTM的通信基站流量预测方法，其特征在于，在步骤2)中，将训练集中t-1时刻的数据作为模型输入，t时刻的数据作为模型输出，利用改进鲸鱼算法对长短期记忆网络中的隐藏层节点数、学习率和正则化系数进行寻优，构建MWOA-LSTM预测模型的步骤包括：
2.1)设置改进鲸鱼算法和长短期记忆网络的初始参数；
2.2)利用训练集、设定的改进鲸鱼算法和长短期记忆网络的初始参数，对MWOA-LSTM网络模型进行训练，得到均方根误差RMSE，将训练得到的均方根误差作为改进鲸鱼算法的适应度函数；
2.3)搜索改进鲸鱼算法的全局最优适应度及最优位置，并迭代计算所有鲸鱼的适应度值；
2.4)若达到最大迭代次数或得到最优解，则输出优化后的LSTM的隐藏层节点数，学习率和正则化系数；若没有达到最大迭代次数或得到最优解，则继续迭代计算所有鲸鱼的适应度值，并更新最优适应度及最优位置，直至符合结束条件；
最优位置通过反向学习机制进行解算，即：
rexi＝rand×(li(t1)+ui(t1))-xi (3)
式中，rexi表示反向解；
是n1维空间中的个体；i为n1维空间中的个体编号，i＝1,2,…,n1，n1为n1维空间中的个体总数；ui(t1)、li(t1)分别是t1次迭代时的动态上、下界；ui(t1)＝max(xi)，li(t1)＝min(xi)，rand是[0,1]之间的随机数；
2.5)将输出的长短期记忆网络中的隐藏层节点数、学习率和正则化系数带入MWOA-LSTM网络模型，构建MWOA-LSTM预测模型。
6.根据权利要求5所述的基于EMD-MWOA-LSTM的通信基站流量预测方法，其特征在于，所述改进鲸鱼算法的初始参数包括鲸鱼种群数量、改进鲸鱼算法的最大迭代次数和种群维度；
所述长短期记忆网络的初始参数包括长短期记忆网络的最大迭代次数和激活函数。
7.根据权利要求5所述的基于EMD-MWOA-LSTM的通信基站流量预测方法，其特征在于，在步骤2.3)中，鲸鱼个体的位置通过动态螺旋参数进行更新，如下所示：
式中，
代表鲸鱼的最佳位置；l为[-1,1]之间的随机数；/>
分别表示第t1、t1+1次迭代时鲸鱼的位置；t1为迭代次数；
其中，动态螺旋系数b如下所示：
式中，λ是螺旋更新系数，w为常数；t1为迭代次数；Maxiter为最大迭代次数。
8.根据权利要求5所述的基于EMD-MWOA-LSTM的通信基站流量预测方法，其特征在于，所述改进鲸鱼算法的适应度函数frmse如下所示：
式中，yi为原始值、y′i为预测值。
9.根据权利要求1所述的基于EMD-MWOA-LSTM的通信基站流量预测方法，其特征在于，在步骤3)中，利用MWOA-LSTM预测模型对测试集中的元素进行预测，得到若干数据的流量预测；将这些数据的流量预测结果叠加，重构得到通信基站未来流量预测值的步骤包括：
3.1)利用MWOA-LSTM预测模型对测试集中的各个分量进行预测；
3.2)将各个分量的预测结果经过逆标准化转换，得到各个分量的预测值；
3.3)将所有分量的预测值相加，得到通信基站流量预测值yp(t)，如下所示：
yp(t)＝yp1(t)+yp2(t)+…+ypN(t) (7)
式中，ypj(t)为各分量经逆标准化后的预测值，j为分量编号，j＝1,2,…,N，N为分量总数。
10.根据权利要求9所述的基于EMD-MWOA-LSTM的通信基站流量预测方法，其特征在于，所述逆标准化转换的计算公式如下所示：
式中，
为所有通信基站流量数据的均值，σ(x)所有通信基站流量数据的标准差，yvj(t)为各分量经模型预测出的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310388134.4A CN116347504A (zh) | 2023-04-12 | 2023-04-12 | 基于emd-mwoa-lstm的通信基站流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310388134.4A CN116347504A (zh) | 2023-04-12 | 2023-04-12 | 基于emd-mwoa-lstm的通信基站流量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116347504A true CN116347504A (zh) | 2023-06-27 |
Family
ID=86885794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310388134.4A Pending CN116347504A (zh) | 2023-04-12 | 2023-04-12 | 基于emd-mwoa-lstm的通信基站流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116347504A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116916362A (zh) * | 2023-09-12 | 2023-10-20 | 中国铁路设计集团有限公司 | 一种多目标优化的lte-r基站通信质量预测方法 |
-
2023
- 2023-04-12 CN CN202310388134.4A patent/CN116347504A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116916362A (zh) * | 2023-09-12 | 2023-10-20 | 中国铁路设计集团有限公司 | 一种多目标优化的lte-r基站通信质量预测方法 |
| CN116916362B (zh) * | 2023-09-12 | 2023-12-12 | 中国铁路设计集团有限公司 | 一种多目标优化的lte-r基站通信质量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886498B (zh) | 一种基于特征选择的emd-gru短期电力负荷预测方法 | |
| Wang et al. | Deep learning method based on gated recurrent unit and variational mode decomposition for short-term wind power interval prediction | |
| Zhang et al. | Long short-term memory network based on neighborhood gates for processing complex causality in wind speed prediction | |
| CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
| CN113905391B (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
| CN113053115B (zh) | 一种基于多尺度图卷积网络模型的交通预测方法 | |
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| CN110084424A (zh) | 一种基于lstm与lgbm的电力负荷预测方法 | |
| Chen et al. | Short-term wind speed forecasting with principle-subordinate predictor based on Conv-LSTM and improved BPNN | |
| CN112910690A (zh) | 基于神经网络模型的网络流量预测方法、装置及设备 | |
| CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及系统 | |
| CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
| CN109583588B (zh) | 一种短期风速预测方法及系统 | |
| CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
| CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
| CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
| Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
| CN116316591A (zh) | 基于混合双向门控循环的短期光伏功率预测方法及系统 | |
| CN116347504A (zh) | 基于emd-mwoa-lstm的通信基站流量预测方法 | |
| Sun et al. | A composite uncertainty forecasting model for unstable time series: Application of wind speed and streamflow forecasting | |
| CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
| CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
| CN110782013A (zh) | 一种基于广义互熵自编码器的火电厂NOx排放量预测方法 | |
| CN117155806A (zh) | 一种通信基站流量预测方法与装置 | |
| CN117439069A (zh) | 一种基于神经网络的电量预测方法 |
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 |