[發明專利]一種基于空時壓縮感知的蜂窩網絡流量預測方法

無效

• 申請號: 201210329676.6
• 申請日: 2012-09-07
• 公開（公告）號: CN102982386A
• 公開（公告）日: 2013-03-20
• 發明（設計）人: 文倩;張宏綱;趙志峰
• 申請（專利權）人: 浙江大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F17/16
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 周烽

1.一種基于空時壓縮感知的蜂窩網絡流量預測方法，其特征在于，它包括以下步驟：

（1）從蜂窩網的核心層采樣基站流量變化的觀測數據，構成流量矩陣，包括以下子步驟；

（1.1）記錄網絡中M個觀測基站在一段連續時間段π內的流量值，該值為非負的連續實數；

（1.2）取Δt為時隙長度，將步驟1.1中提到的時間段π劃分成N個不同的時隙，將每個基站在每個時隙內的流量值求和取平均作為在該基站在該時隙內的流量值大小，記為訓練數據X′(i,j)，表示第i個基站在第j個時隙內的網絡流量值的觀測值；

（1.3）將步驟1.2中得到的觀測值X′(i,j)組成一個流量訓練矩陣X′如下：

記為表示第i個基站在不同訓練時隙內的流量值向量；矩陣每一列所組成的向量，記為表示第j個訓練時隙內不同基站的流量均值快照；

（1.4）將步驟1.1中提到的時間段π后連續的時間段內（共n個時隙，n為自然數）的網絡流量值作為待預測的對象，將預測流量值置0插入到步驟1.3中提到的流量訓練矩陣X′中，構成包含訓練數據與待觀測數據的流量矩陣X,如下：

流量矩陣構造完成，矩陣每一行所組成的向量，記為表示第i個基站在不同時隙內（包含訓練時隙與待預測時隙）的流量值向量；矩陣每一列所組成的向量，記為表示第j個時隙內不同基站的流量均值快照；

（2）根據步驟1中的流量矩陣構造具有約束等距性特征（Restricted?Isometry?Property,RIP）的流量觀測矩陣Φ：設原始矩陣為X，觀測矩陣為Φ，當原始矩陣與觀測矩陣之間滿足下列條件關系時，觀測矩陣Φ具有約束等距性：

(1-δ)||X||l22≤||ΦX||l22≤(1-δ)||X||l22;]]>

其中，δ是一個任意無限小的正實數；

（3）根據步驟1中的訓練流量數據，確定步驟1中提到的流量矩陣X中存在的空間分布特征以及時間變化特征，并因此為基礎構造空間約束矩陣與時間約束矩陣，該步驟包括以下子步驟；

（3.1）應用線性回歸求得矩陣中行向量之間的相關性，構建空間約束矩陣；

（3.1.1）對i＝1~M，依次用其他j≠i行的行向量線性擬合如下：

Xi→=Σj≠iMwi,j·X→j;]]>

w_i，j即為表示兩者空間變化相關性的系數；

（3.1.2）然后按以下方式將w_i，j賦值到空間約束矩陣S中：

S(i,j)=1,j=i-wi,j,j≠i,j≤M0,other;]]>

因此，S是一個M×M的矩陣，空間約束矩陣構造完畢；

（3.2）應用線性回歸求得矩陣中行向量之間的相關性，構建空間約束矩陣:

（3.2.1）首先，對j＝1~N+n，依次用其他k≠j列的列向量線性擬合如下：

Y→j=Σi≠jNθi,j·Y→i;]]>

其中，θ_k,j為表示兩者時間變化相關性的參數；

（3.2.2）然后按以下方式將θ_k，j賦值到時間約束矩陣T中：

T(k,j)=1,k=j-wk,j,k≠j,k≤M+n0,other;]]>

因此，T是一個(N+n)×(N+n)的矩陣，時間約束矩陣構造完畢；

（4）根據流量矩陣的低秩特點，結合步驟2中提到的流量觀測矩陣Φ以及步驟3中構造的空間約束矩陣S和時間約束矩陣T,應用空時壓縮感知對步驟1中提到的流量矩陣進行矩陣分解，得到分解因式L和R：構造以下凸優化函數對矩陣分解進行迭代求解，并得到矩陣分解的近似值L和R：

在上式中，‖·‖_F表示Frobenius范數，對任意矩陣Z，量化了網絡流量的局部觀測值約束，表示低秩近似分解觀測點處的數據誤差值；正則型包含了網絡流量矩陣的低秩近似分解的復雜度信息，防止在原始流量數據重構過程中出現過度擬合現象；和則代表原始網絡流量數據中包含的特殊結構性信息或冗余性質，即原始網絡流量數據的空間-時間平穩性特征；μ、α、β、γ是均衡系數，體現了在正確估計測量數據、獲得低秩特點、繼承原始矩陣空時相關性三者之間的權衡：如果μ增大，則表示在矩陣分解過程中，更加傾向于精確恢復原始矩陣數值；如果α增大，則表示在矩陣分解過程中，更加傾向于獲得具有低秩特性的原始矩陣估計值；如果β、γ增大，則表示在矩陣分解過程中，更加傾向于獲得繼承了原始矩陣空時相關性的估計矩陣；

（5）進行蜂窩網絡流量預測；利用步驟4中分解所得的矩陣因子L和R，精確恢復原始流量矩陣的近似低秩矩陣如下：

其中，即為蜂窩網中所有基站在未來時刻的待預測流量值的估計值，至此，基于空時壓縮感知的蜂窩網流量預測方法步驟完畢。