CN116916362B - 一种多目标优化的lte-r基站通信质量预测方法 - Google Patents
一种多目标优化的lte-r基站通信质量预测方法 Download PDFInfo
- Publication number
- CN116916362B CN116916362B CN202311168549.7A CN202311168549A CN116916362B CN 116916362 B CN116916362 B CN 116916362B CN 202311168549 A CN202311168549 A CN 202311168549A CN 116916362 B CN116916362 B CN 116916362B
- Authority
- CN
- China
- Prior art keywords
- data
- communication quality
- base station
- lte
- prediction
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 26
- 239000002245 particle Substances 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000002349 favourable effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 24
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种多目标优化的LTE‑R基站通信质量预测方法,包括:S1,构建LTE‑R基站通信质量数据集;S2,对目标LTE‑R基站通信质量数据进行预处理;S3,利用坐标注意力机制和时间卷积网络构建多步预测基础模型;S4,基于排列重要性指标和二进制粒子群优化算法进行特征筛选;S5,重新训练基础模型并利用NSGA‑III算法进行参数优化;S6,利用TOPSIS方法挑选最优解。该方法实现了对LTE‑R基站通信质量的多步预测,对LTE‑R基站的主动维护提供了有力的决策支持;提高了多步时间序列预测模型的训练效果和效率;提高了模型的预测精度,同时保证了模型数值预测及趋势预测的准确性。
Description
技术领域
本发明涉及轨道交通信息技术领域,具体涉及一种基于NSGA-III多目标优化方法以及神经网络技术的LTE-R基站通信质量预测方法。
背景技术
随着铁路运输技术的不断发展,“货运重载化”成为我国铁路货运列车的一个重要发展方向。重载列车的载重大、长度长,操控不易,对承载着列车控制信息的无线网络提出了更高的要求。作为新一代铁路无线通信技术的LTE-R,具有高带宽、低时延以及高安全性的特点,目前已在重载铁路上进行了成熟的应用。由于LTE-R承载着重载列车控制、紧急通信以及无线重联等核心通信业务,因此,LTE-R网络的通信质量直接关系着重载列车的运行安全,如何更加有效地对LTE-R网络进行维护成为一种需求。
目前,LTE-R网络运维人员主要通过现场人员反馈,周期性地路测以及查看LTE-R网络运行维护中心系统的记录等方式来确定需要运维的基站,这种运维方式通常具有滞后性,即,在通信质量下降以后才能够发现问题。因此,通过预测未来LTE-R基站的通信质量、实现对LTE-R基站主动运维的辅助决策是一个需要研究的方向。但现有的针对LTE-R基站通信质量进行预测的方法均是单步预测,预测时间较短且缺乏对通信质量变化趋势的判断能力,对LTE-R网络运维辅助决策的参考价值有限。
发明内容
为了解决现有技术存在的问题,本发明提供一种面向LTE-R基站通信质量预测的多目标优化方法,该方法能够在保证预测结果精度的同时强化模型对数据变化趋势的预测能力,从而为LTE-R基站的主动运维提供更加有力的决策支持。
为此,本发明采用以下技术方案:
一种多目标优化的LTE-R基站通信质量预测方法,包括以下步骤:
S1,构建LTE-R基站通信质量数据集:
从LTE-R网络的操作维护中心系统中获取LTE-R网络各类型通信业务历史上每天的E-RAB异常释放比率,并将其中具有最高服务优先级的通信业务类型的E-RAB异常释放比率作为目标基站的通信质量指标,将目标基站其它类别通信业务以及相邻基站所有通信业务的E-RAB异常释放比率作为目标基站通信质量的相关特征,共同构成面向目标LTE-R基站通信质量预测的多维时间序列数据集;
S2,对所述LTE-R基站通信质量数据集中的数据进行预处理:
对S1得到的LTE-R基站通信质量数据集中的数据进行最大最小值拉伸,使各个维度的时间序列数据均分布在0~1的范围内;采用EEMD方法对所述拉伸后的时序数据进行分解并计算各分量及余量与原始数据的皮尔逊相关系数,保留相关系数大于阈值的分量或余量,合并构成新的通信质量数据;
S3,利用坐标注意力机制和时间卷积网络构建多步预测模型:
在TCN网络输出层之前增加一个CA层,以强化TCN对通道信息的捕获能力;之后,对S2预处理后的LTE-R基站通信质量数据进行处理,通过过去l天的数据来预测未来w天的通信质量,以此构建训练数据,包括输入数据X和相应的真实通信质量指标Y;在训练时,以均方误差MSE为损失函数,假设训练集的数据大小为s,真实通信质量指标值Y=(y1,y2,y3,...,ys),模型预测出的通信质量指标值面向多步预测的损失函数为lossM(·),则有:
最终训练得到一个能够预测未来w天LTE-R基站通信指标值的多步预测模型;
S4,基于排列重要性指标和二进制粒子群优化算法进行特征筛选:
基于排列重要性指标的原理,利用二进制粒子群优化方法,在每一轮迭代中随机选择S2预处理后的LTE-R基站通信质量数据集中一个或多个维度的时序数据,打乱其顺序;之后,分别将打乱后和打乱前的数据输入S3得到的多步预测模型进行预测,将这两个预测结果的差值作为二进制粒子群优化方法的优化目标值,通过最小化该目标函数值得到一组对模型预测正向影响效果最大的特征集合,将其作为需要选择使用的特征集合;
S5,重新训练多步基础模型并利用NSGA-III算法进行参数优化:
利用S4筛选出的特征调整S3中所构造的多步预测模型的输入层并重新训练该模型,采用NSGA-III算法对多步预测模型的参数进行多目标优化,最终得到一组满足优化目标要求的非支配解;
S6,利用TOPSIS方法挑选最优解:
使用TOPSIS方法,基于步骤S5优化的目标,对步骤S5得到的非支配解进行排序,排名最高的解为满足要求的最优解。
上述的步骤S2包括以下分步骤:
S21,对原始LTE-R通信质量数据中各维度的时序数据进行最大最小值拉伸,第i维的时序数据X=(x1,x2,x3,...,xN),拉伸后的数据为则有:
其中,xmin为时序数据X中的最小值,xmax为时序数据X中的最大值;
S22,对步骤S21得到的拉伸后的时序数据Xs进行EEMD分解,则有:
其中,拉伸后的时序数据Xs经过EEMD分解后,得到n个本征模态函数分量和一个余量R(Xs);
S23,分别计算S22中分解得到的n个本征模态函数分量及余量R(Xs)与数据Xs的皮尔逊相关系数,去除相关系数小于阈值的分量或余量,并将剩余的本征模态函数分量或余量相加,最终得到预处理后的序列数据,作为步骤S3的输入。
优选的是,S23中所述阈值为0.2。
在步骤S4中,优化目标定义如下:
其中,θ(·)为步骤S3中训练得到的多步时间序列预测模型,lossM(·)为步骤S3中定义的损失函数,Xs为打乱所选特征组特征序列数据后的输入数据,X为训练数据中的输入数据,fs(·)为离散二进制粒子群优化的优化目标函数,通过最小化该函数值,挑选出一组有利于LTE-R基站通信质量预测的特征数据,所选特征数据作为步骤S5的输入。
上述的步骤S5包括以下分步骤:
S51,根据步骤S4筛选出的特征的数目,调整步骤S3构建的多步预测模型的输入层,并重新训练该预测模型;
S52,设置两个优化目标,其中:
第一个优化目标的目标函数与S3中提出的损失函数相同,优化目标f1如下:
式中,θ′(X,p)能够计算将步骤S3中所训练模型的参数调整为p,且输入数据为X时的预测值;
第二个优化目标基于Mann-Kendall检验的原理来设置,以优化模型在捕获序列趋势信息方面的性能,令fmk(y)表示序列y经过Mann-Kendall检验后得到的正态分布统计量,则第二个优化目标函数f2(·)如下:
其中,X为训练集的输入数据,Y为相应的真实结果集合,s为训练集的大小,能够判断预测值/>和真实值yi是否具有相同的变化趋势,若趋势相同则返回0,若趋势不同则返回1;
S53,利用NSGA-III对模型参数进行多目标优化,生成一组满足优化目标的非支配解,作为步骤S6的输入。本发明的方法利用机器学习的相关技术,根据目标基站以及相邻基站的通信质量相关历史数据,预测未来目标基站通信质量的数值及变化趋势。
与现有技术相比,本发明具有以下优点和积极效果:
1.本发明充分考虑了LTE-R基站通信质量数据的特点,将目标基站及当前基站通信质量相关特征综合起来进行考虑,利用机器学习的相关方法,实现了对LTE-R基站通信质量的多步预测,对LTE-R基站的主动维护提供了有力的决策支持;
2.本发明将排列重要性指标的概念扩展到特征组合上,并利用离散二进制粒子群优化算法,有效地对原始LTE-R通信指标数据进行了特征筛选,从而提高了多步时间序列预测模型的训练效果和效率;
3.本发明通过引入坐标注意力机制提高了TCN网络对通道注意力信息的捕获能力,从而提高了模型的预测精度;
4.本发明基于Mann-Kendall检验的原理设计优化目标,并利用NSGA-III多目标优化算法来对训练后的模型参数进行调整,最后利用TOPSIS方法来确定最合适的一组参数,从而能同时保证模型数值预测及趋势预测的准确性,提升了算法的实用价值。
附图说明
图1为本发明LTE-R基站通信质量预测方法的流程图;
图2为本发明LTE-R基站通信质量预测方法的总体框架;
图3为本发明一个实施例中的目标基站的通信质量数据集;
图4为本发明一个实施例中通信质量数据经过数据预处理后的效果;
图5为本发明一个实施例中利用离散二进制粒子群优化算法实现特征筛选的优化过程;
图6为本发明一个实施例中模型参数经过NSGA-III优化所得的非支配解集。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明。
参见图1及图2,本发明的多目标优化的LTE-R基站通信质量预测方法包括以下步骤:
S1,构建LTE-R基站通信质量数据集:
参见图3,从LTE-R网络的操作维护中心系统中获取LTE-R网络各类型通信业务历史上每天的E-RAB异常释放比率,并将其中具有最高服务优先级(通常QCI(QoS classidentifier)为1)的通信业务类型的E-RAB异常释放比率作为目标基站的通信质量指标,将目标基站其它类别通信业务以及相邻基站所有通信业务的E-RAB异常释放比率作为目标基站通信质量的相关特征,从而构建出一个面向LTE-R基站通信质量预测的多维时间序列数据集,即:LTE-R基站通信质量数据集,该数据集D=XT∪M,其中,XT为目标基站的历史通信质量指标;M=[X1,X2,X3,...,Xn],是由目标基站通信质量相关特征的历史数据构成的特征矩阵。
S2,对所述多维时间序列数据集中的数据进行预处理:
为了提高模型的训练效果,需要对原始通信质量数据进行预处理:首先,为了统一通信质量数据各维度特征的数据分布范围、提高预测精度,需要对S1得到的多维时间序列数据集中各个维度的数据进行最大最小值拉伸,使各个维度的时间序列数据均分布在0~1的范围内。
此外,由于LTE-R基站通信质量数据受天气、车流量以及温湿度等诸多因素的影响,数据波动频繁,不利于预测模型捕获数据的时序变化特征,因此采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法对所述拉伸后的时序数据进行分解并计算各分量及余量与原始数据的皮尔逊相关系数,保留相关系数大于阈值的分量或余量,合并构成新的通信质量数据,从而完成对LTE-R基站通信质量数据的预处理。具体步骤如下:
S21,对原始LTE-R通信质量数据中各维度的时序数据进行最大最小值拉伸,第i维的时序数据X=(x1,x2,x3,...,xN),拉伸后的时序数据则有:
其中,xmin为时序数据X中的最小值,xmax为时序数据X中的最大值;
S22,对步骤S21得到的拉伸后的时序数据Xs进行EEMD分解,则有:
其中,拉伸后的时序数据Xs经过EEMD分解后得到n个本征模态函数(IntrinsicMode Function,IMF)分量和一个余量R(Xs);
S23,分别计算S22中分解得到的n个IMF(本征模态函数)分量及余量R(Xs)与拉伸后的时序数据Xs的皮尔逊相关系数,去除相关系数小于阈值(0.2)的分量或余量,并将剩余的IMF分量或余量相加,最终得到预处理后的序列数据。数据预处理后的效果参见图4。
从图4中可以看到,预处理后的数据相比原始数据分布更加均匀,也更为平滑,数据的变化趋势也变得更为明显,从而有利于后续步骤构建精确的预测模型
S3,利用坐标注意力机制和时间卷积网络构建多步预测模型:
参见图2,为了提高TCN网络的性能,引入坐标注意力机制,在TCN网络输出层之前增加一个CA(coordinate attention,坐标注意力)层,从而强化TCN(TemporalConvolutional Network,时间卷积网络)对通道信息的捕获能力。之后,再对S2预处理后的LTE-R基站通信质量数据进行处理,通过过去l天的数据来预测未来w天的通信质量,以此构建训练数据,包括输入数据X和相应的真实通信质量指标Y。在训练时,以均方误差(MeanSquare Error,MSE)为损失函数,假设训练集大小为s,真实通信质量指标值Y=(y1,y2,y3,...,ys),模型预测出的通信质量指标值面向多步预测的损失函数为lossM(·),则有:
最终,训练得到一个能够预测未来w天LTE-R基站通信指标值的多步预测模型。
S4,基于排列重要性指标和二进制粒子群优化算法进行特征筛选:
参见图2,基于排列重要性指标的原理,利用二进制粒子群优化方法,在每一轮迭代中随机选择S2预处理后的LTE-R基站通信质量数据集中一个或多个维度的时序数据,打乱其顺序。之后,分别将打乱后和打乱前的数据输入S3得到的多步预测模型进行预测,将这两个预测结果的差值作为二进制粒子群优化方法的优化目标值,优化目标定义如下:
其中,θ(·)为步骤S3中训练得到的多步时间序列预测模型,lossM(·)为步骤S3中定义的损失函数,Xs为打乱所选特征组特征序列数据后的输入数据,X为训练数据中的输入数据,fs(·)为离散二进制粒子群优化的优化目标函数,通过最小化该函数值,就能够挑选出一组有利于LTE-R基站通信质量预测的特征数据,所选特征数据作为步骤S5的输入。利用二进制粒子群优化算法进行特征筛选时的优化过程,参见图5。
S5,重新训练多步预测模型并利用NSGA-III算法进行参数优化:
参见图2,利用步骤S4所筛选出的特征调整步骤S3中所构造的多步预测模型的输入层并重新训练该模型。为了在强化该模型趋势预测能力的同时保证该网络仍能够尽可能得到与真实数据数值相近的预测结果,采用NSGA-III算法对多步预测模型的参数进行多目标优化。具体内容如下:
S51,根据步骤S4筛选出的特征数目,调整步骤S3构建的多步预测基础模型的输入层,并重新训练该预测模型;
S52,为了在保证预测值尽可能与真实值相近的同时,强化模型对序列数据变化趋势的捕获能力,设置了两个优化目标。其中:
第一个优化目标的目标函数与S3中提出的损失函数相同,优化目标f1如下:
式中,,θ′(X,p)能够计算将步骤S3中所训练模型的参数调整为p,且输入数据为X时的预测值。设置该优化目标的目的是为了保证预测目标和真实数据在数值上的相似性。
第二个优化目标则基于Mann-Kendall检验的原理来设置,其目的在于优化模型在捕获序列趋势信息方面的性能。令fmk(y)表示序列y经过Mann-Kendall检验后得到的正态分布统计量,则第二个优化目标函数f2(·)如下:
其中,X为训练集的输入数据,Y为相应的真实结果集合,s为训练集的大小,
能够判断预测值/>和真实值yi是否具有相同的变化趋势,若趋势相同则返回0,若趋势不同则返回1。因此,目标函数f2(·)反映了模型对序列变化趋势预测的准确性,通过最小化该目标,就能够增强模型预测序列变化趋势的能力。
(3)参见图6,利用NSGA-III对模型参数进行多目标优化,生成一组满足优化目标的非支配解,即非支配解集。
S6,利用TOPSIS方法挑选最优解:
为了挑选出能够兼顾数值预测和趋势预测准确性的解,使用TOPSIS方法基于步骤S5设置的两个优化目标,对步骤S5得到的非支配解集进行排序,其中,排名最高的解即为满足要求的最优解。
Claims (4)
1.一种多目标优化的LTE-R基站通信质量预测方法,其特征在于,包括以下步骤:
S1,构建LTE-R基站通信质量数据集:
从LTE-R网络的操作维护中心系统中获取LTE-R网络各类型通信业务历史上每天的E-RAB异常释放比率,并将其中具有最高服务优先级的通信业务类型的E-RAB异常释放比率作为目标基站的通信质量指标,将目标基站其它类别通信业务以及相邻基站所有通信业务的E-RAB异常释放比率作为目标基站通信质量的相关特征,共同构成面向目标LTE-R基站通信质量预测的多维时间序列数据集;
S2,对所述LTE-R基站通信质量数据集中的数据进行预处理:
对S1得到的LTE-R基站通信质量数据集中的数据进行最大最小值拉伸,使各个维度的时间序列数据均分布在0~1的范围内;采用EEMD方法对所述拉伸后的时序数据进行分解并计算各分量及余量与原始数据的皮尔逊相关系数,保留相关系数大于阈值的分量或余量,合并构成新的通信质量数据;
S3,利用坐标注意力机制和时间卷积网络构建多步预测模型:
在TCN网络输出层之前增加一个CA层,以强化TCN对通道信息的捕获能力;之后,对S2预处理后的LTE-R基站通信质量数据进行处理,通过过去l天的数据来预测未来w天的通信质量,以此构建训练数据,包括输入数据X和相应的真实通信质量指标Y;在训练时,以均方误差MSE为损失函数,假设训练集的数据大小为s,真实通信质量指标值Y=(y1,y2,y3,...,ys),模型预测出的通信质量指标值面向多步预测的损失函数为lossM(·),则有:
最终训练得到一个能够预测未来w天LTE-R基站通信指标值的多步预测模型;
S4,基于排列重要性指标和二进制粒子群优化算法进行特征筛选:
基于排列重要性指标的原理,利用二进制粒子群优化方法,在每一轮迭代中随机选择S2预处理后的LTE-R基站通信质量数据集中一个或多个维度的时序数据,打乱其顺序;之后,分别将打乱后和打乱前的数据输入S3得到的多步预测模型进行预测,将这两个预测结果的差值作为二进制粒子群优化方法的优化目标值,通过最小化该目标函数值得到一组对模型预测正向影响效果最大的特征集合,将其作为需要选择使用的特征集合;
S5,重新训练多步预测模型并利用NSGA-III算法进行参数优化:
利用S4筛选出的特征调整S3中所构造的多步预测模型的输入层并重新训练该模型,采用NSGA-III算法对多步预测模型的参数进行多目标优化,最终得到一组满足优化目标要求的非支配解;
S6,利用TOPSIS方法挑选最优解:
使用TOPSIS方法,基于步骤S5优化的目标,对步骤S5得到的非支配解进行排序,排名最高的解为满足要求的最优解;
所述步骤S5包括以下分步骤:
S51,根据步骤S4筛选出的特征的数目,调整步骤S3构建的多步多步预测模型的输入层,并重新训练该预测模型;
S52,设置两个优化目标,其中:
第一个优化目标的目标函数与S3中提出的损失函数相同,优化目标f1如下:
式中,θ′(X,p)能够计算将步骤S3中所训练模型的参数调整为p,且输入数据为X时的预测值;
第二个优化目标基于Mann-Kendall检验的原理来设置,以优化模型在捕获序列趋势信息方面的性能,令fmk(y)表示序列y经过Mann-Kendall检验后得到的正态分布统计量,则第二个优化目标函数f2(·)如下:
其中,X为训练集的输入数据,Y为相应的真实结果集合,s为训练集的大小,能够判断预测值/>和真实值yi是否具有相同的变化趋势,若趋势相同则返回0,若趋势不同则返回1;
S53,利用NSGA-III对模型参数进行多目标优化,生成一组满足优化目标的非支配解,作为步骤S6的输入。
2.根据权利要求1所述的多目标优化的LTE-R基站通信质量预测方法,其特征在于,步骤S2包括以下分步骤:
S21,对原始LTE-R通信质量数据中各维度的时序数据进行最大最小值拉伸,第i维的时序数据X=(x1,x2,x3,...,xN),拉伸后的数据为则有:
其中,xmin为时序数据X中的最小值,xmax为时序数据X中的最大值;
S22,对步骤S21得到的拉伸后的时序数据Xs进行EEMD分解,则有:
其中,拉伸后的时序数据Xs经过EEMD分解后,得到n个本征模态函数分量和一个余量R(Xs);
S23,分别计算S22中分解得到的n个本征模态函数分量及余量R(Xs)与数据Xs的皮尔逊相关系数,去除相关系数小于阈值的分量或余量,并将剩余的本征模态函数分量或余量相加,最终得到预处理后的序列数据,作为步骤S3的输入。
3.根据权利要求1所述的多目标优化的LTE-R基站通信质量预测方法,其特征在于,S23中所述阈值为0.2。
4.根据权利要求1中所述的多目标优化的LTE-R基站通信质量预测方法,其特征在于:在步骤S4中,优化目标定义如下:
其中,θ(·)为步骤S3中训练得到的多步时间序列预测模型,lossM(·)为步骤S3中定义的损失函数,Xs为打乱所选特征组特征序列数据后的输入数据,X为训练数据中的输入数据,fs(·)为离散二进制粒子群优化的优化目标函数,通过最小化该函数值,挑选出一组有利于LTE-R基站通信质量预测的特征数据,所选特征数据作为步骤S5的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168549.7A CN116916362B (zh) | 2023-09-12 | 2023-09-12 | 一种多目标优化的lte-r基站通信质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168549.7A CN116916362B (zh) | 2023-09-12 | 2023-09-12 | 一种多目标优化的lte-r基站通信质量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116916362A CN116916362A (zh) | 2023-10-20 |
CN116916362B true CN116916362B (zh) | 2023-12-12 |
Family
ID=88368112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311168549.7A Active CN116916362B (zh) | 2023-09-12 | 2023-09-12 | 一种多目标优化的lte-r基站通信质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116916362B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117295096B (zh) * | 2023-11-24 | 2024-02-09 | 武汉市豪迈电力自动化技术有限责任公司 | 基于5g短共享的智能电表数据传输方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109617765A (zh) * | 2019-01-02 | 2019-04-12 | 中国联合网络通信集团有限公司 | 一种物联网连接质量的预测方法和装置 |
CN113256022A (zh) * | 2021-06-16 | 2021-08-13 | 广东电网有限责任公司 | 一种台区用电负荷预测方法及系统 |
CN114330863A (zh) * | 2021-12-23 | 2022-04-12 | 中国电信股份有限公司 | 时间序列预测处理方法、装置、存储介质及电子装置 |
CN114357869A (zh) * | 2021-12-22 | 2022-04-15 | 华东师范大学 | 一种基于数据关系学习和预测的多目标优化代理模型设计方法及系统 |
CN114861533A (zh) * | 2022-04-26 | 2022-08-05 | 东南大学 | 基于时间卷积网络的风功率超短期预测方法 |
CN114881475A (zh) * | 2022-05-09 | 2022-08-09 | 长江水资源保护科学研究所 | 一种面向多目标需求的湖泊适宜水位确定方法 |
CN115190546A (zh) * | 2021-04-01 | 2022-10-14 | 中铁二院工程集团有限责任公司 | 基于神经网络预测的lte-m系统越区切换方法 |
CN115589369A (zh) * | 2022-10-26 | 2023-01-10 | 太原理工大学 | 一种基于双注意力机制的基站流量预测方法及系统 |
CN116107279A (zh) * | 2023-02-20 | 2023-05-12 | 合肥城市云数据中心股份有限公司 | 基于注意力深度神经网络的流程工业能耗多目标优化方法 |
CN116170843A (zh) * | 2022-12-30 | 2023-05-26 | 信通院车联网创新中心(成都)有限公司 | 一种基于自注意力机制残差复合网络的c-v2x通信辅助系统 |
CN116347504A (zh) * | 2023-04-12 | 2023-06-27 | 程杰 | 基于emd-mwoa-lstm的通信基站流量预测方法 |
CN116362464A (zh) * | 2022-12-09 | 2023-06-30 | 国网上海市电力公司 | 基于碳达峰目标的能源系统优化方法 |
CN116579447A (zh) * | 2022-12-15 | 2023-08-11 | 重庆邮电大学 | 一种基于分解机制和注意力机制的时间序列预测方法 |
CN116629417A (zh) * | 2023-05-16 | 2023-08-22 | 湖南大学 | 一种结合卷积注意力模块的轨道交通牵引负荷预测方法 |
-
2023
- 2023-09-12 CN CN202311168549.7A patent/CN116916362B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109617765A (zh) * | 2019-01-02 | 2019-04-12 | 中国联合网络通信集团有限公司 | 一种物联网连接质量的预测方法和装置 |
CN115190546A (zh) * | 2021-04-01 | 2022-10-14 | 中铁二院工程集团有限责任公司 | 基于神经网络预测的lte-m系统越区切换方法 |
CN113256022A (zh) * | 2021-06-16 | 2021-08-13 | 广东电网有限责任公司 | 一种台区用电负荷预测方法及系统 |
CN114357869A (zh) * | 2021-12-22 | 2022-04-15 | 华东师范大学 | 一种基于数据关系学习和预测的多目标优化代理模型设计方法及系统 |
CN114330863A (zh) * | 2021-12-23 | 2022-04-12 | 中国电信股份有限公司 | 时间序列预测处理方法、装置、存储介质及电子装置 |
CN114861533A (zh) * | 2022-04-26 | 2022-08-05 | 东南大学 | 基于时间卷积网络的风功率超短期预测方法 |
CN114881475A (zh) * | 2022-05-09 | 2022-08-09 | 长江水资源保护科学研究所 | 一种面向多目标需求的湖泊适宜水位确定方法 |
CN115589369A (zh) * | 2022-10-26 | 2023-01-10 | 太原理工大学 | 一种基于双注意力机制的基站流量预测方法及系统 |
CN116362464A (zh) * | 2022-12-09 | 2023-06-30 | 国网上海市电力公司 | 基于碳达峰目标的能源系统优化方法 |
CN116579447A (zh) * | 2022-12-15 | 2023-08-11 | 重庆邮电大学 | 一种基于分解机制和注意力机制的时间序列预测方法 |
CN116170843A (zh) * | 2022-12-30 | 2023-05-26 | 信通院车联网创新中心(成都)有限公司 | 一种基于自注意力机制残差复合网络的c-v2x通信辅助系统 |
CN116107279A (zh) * | 2023-02-20 | 2023-05-12 | 合肥城市云数据中心股份有限公司 | 基于注意力深度神经网络的流程工业能耗多目标优化方法 |
CN116347504A (zh) * | 2023-04-12 | 2023-06-27 | 程杰 | 基于emd-mwoa-lstm的通信基站流量预测方法 |
CN116629417A (zh) * | 2023-05-16 | 2023-08-22 | 湖南大学 | 一种结合卷积注意力模块的轨道交通牵引负荷预测方法 |
Non-Patent Citations (4)
Title |
---|
LTE-R 网络智能故障诊断与预测方法研究;渠涧涛;《中国博士学位论文全文数据库 (基础科学辑)》;第2-6章 * |
基于BP神经网络的南宁市公路货运量预测;安然;华光;董娜;;交通运输研究(02);全文 * |
基于粒子群优化径向基神经网络的水质指标预测;操建华;林宏伟;张实诚;;煤炭技术(02);全文 * |
多目标粒子群优化的非线性预测解耦策略;戴永彬;;控制工程(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116916362A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116916362B (zh) | 一种多目标优化的lte-r基站通信质量预测方法 | |
CN109447275B (zh) | Udn中基于机器学习的切换方法 | |
Han et al. | Train timetabling in rail transit network under uncertain and dynamic demand using advanced and adaptive NSGA-II | |
Ma et al. | A back-pressure-based model with fixed phase sequences for traffic signal optimization under oversaturated networks | |
TWI700649B (zh) | 基於深度強化學習之無線通訊網路波束選擇方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN113283657B (zh) | 一种电力应急物资需求的预测方法 | |
CN113487860A (zh) | 一种智能交通信号控制方法 | |
CN114885388B (zh) | 联合rss预测的多业务类型自适应切换判决方法 | |
CN113205223A (zh) | 一种电量预测系统及其预测方法 | |
CN109190786A (zh) | 一种光伏发电效率的组合预测方法 | |
Yan et al. | Look-Ahead Unit Commitment with Adaptive Horizon Based on Deep Reinforcement Learning | |
CN114204675A (zh) | 一种基于云边协同的配电台区电能数据采集终端 | |
CN102541032B (zh) | 一种可重入制造系统瓶颈设备预测方法 | |
Panahazari et al. | A hybrid optimization and deep learning algorithm for cyber-resilient der control | |
Lang et al. | A novel two‐stage interval prediction method based on minimal gated memory network for clustered wind power forecasting | |
CN115864459A (zh) | 结合鲁棒优化的构网型储能容量配置方法及装置 | |
Wang et al. | A cooperative outage detection approach using an improved RBF neural network with genetic ABC algorithm | |
Parera et al. | Anticipating mobile radio networks key performance indicators with transfer learning | |
Hong et al. | 6G based intelligent charging management for autonomous electric vehicles | |
CN115081609A (zh) | 一种智能决策中的加速方法、终端设备及存储介质 | |
Li et al. | Train arrival delay prediction based on spatial-temporal graph convolutional network to sequence model | |
CN115225986A (zh) | 一种osu带宽自适应调整的方法和装置 | |
Zúñiga et al. | Probabilistic multistep time series forecasting using conditional generative adversarial networks | |
Cheng et al. | Multistep electricity load forecasting method based on the hybrid GRU neural network |
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 |