[發(fā)明專利]基于三維卷積神經(jīng)網(wǎng)絡的蜂窩網(wǎng)絡流量預測方法

有效

• 申請?zhí)枺?/td>: 201910408711.5
• 申請日: 2019-05-16
• 公開（公告）號: CN110267292B
• 公開（公告）日: 2022-07-08
• 發(fā)明（設計）人: 陳岑;符瀟;李肯立;李克勤
• 申請（專利權）人: 湖南大學
• 主分類號: H04W24/06
• 分類號: H04W24/06;H04L41/147;H04L41/14;G06N3/04;G06N3/08
• 代理公司: 深圳市中原力和專利商標事務所(普通合伙) 44289
• 代理人: 胡國良

1.一種基于三維卷積神經(jīng)網(wǎng)絡的蜂窩網(wǎng)絡流量預測方法，包括以下步驟：

S1：將網(wǎng)絡流量數(shù)據(jù)建模為三維張量輸入形式，得到三維網(wǎng)絡流量數(shù)據(jù)模型，所述三維網(wǎng)絡流量數(shù)據(jù)模型包括長時依賴數(shù)據(jù)和短時依賴數(shù)據(jù)；

S2：根據(jù)所述三維網(wǎng)絡流量數(shù)據(jù)，獲取訓練集數(shù)據(jù)和測試集數(shù)據(jù)；

S3：構造基礎三維卷積神經(jīng)網(wǎng)絡；

S4：對所述短時依賴數(shù)據(jù)進行三維卷積神經(jīng)網(wǎng)絡的訓練得到短時特征，對所述長時依賴數(shù)據(jù)進行三維卷積神經(jīng)網(wǎng)絡的訓練得到長時特征；

S5：對所述短時特征以及長時特征進行融合訓練，得到特征矩陣，并將所述特征矩陣作為所述基礎三維卷積神經(jīng)網(wǎng)絡的輸出，形成訓練模型；

S6：使用所述訓練模型對待預測的網(wǎng)絡流量數(shù)據(jù)進行預測，得到網(wǎng)絡流量預測結果；

所述步驟S1包括如下步驟：

S11：將城市劃分為一個H×W的網(wǎng)格圖，以15分鐘為一個間隔，記錄網(wǎng)格圖內所有區(qū)域的網(wǎng)絡流量數(shù)據(jù)，并合并成1個小時的網(wǎng)絡流量數(shù)據(jù)，其中無網(wǎng)絡流量數(shù)據(jù)的網(wǎng)格區(qū)域填充為數(shù)值0；

S12：令張量X_t∈R^H×W代表在t時間槽內整個城市所有網(wǎng)格內傳遞的總網(wǎng)絡流量值；令張量代表在坐標為(i,j)的網(wǎng)格區(qū)域內所產生的網(wǎng)絡流量，其中一個時間槽代表一個小時的間隔；

S13：對網(wǎng)絡流量的時間相關性從短時依賴和長時依賴出發(fā)進行建模，其中短時依賴是指在一個時間槽間隔內網(wǎng)絡流量所體現(xiàn)的時間相關性；長時依賴是指二十四個時間槽間隔內網(wǎng)絡流量所體現(xiàn)的時間相關性；

所述步驟S4包括如下步驟：

S41：基于步驟S3構造兩個結構相同的基礎三維卷積神經(jīng)網(wǎng)絡c_3DCNN以及p_3DCNN，分別訓練短時依賴數(shù)據(jù)流以及長時依賴數(shù)據(jù)流；

S42：初始化c_3DCNN和p_3DCNN網(wǎng)絡的參數(shù)；

S43：設置c_3DCNN以及p_3DCNN的訓練迭代次數(shù)均為epochs，對測試集上的均方根誤差val_RMSE作為監(jiān)控數(shù)據(jù)，并設置pt數(shù)值；

S44：將短時依賴張量以及長時依賴張量分別作為c_3DCNN以及p_3DCNN的輸入數(shù)據(jù)，分別提取短時特征Vc以及長時特征Vp；

所述步驟S5中融合訓練具體為：

其中，V_fusion代表融合之后得到的特征，W_c和W_p分別代表需要學習的權重矩陣來擬合短時依賴與長時依賴產生的影響，V_c和V_p表示步驟S4中提取到的短時特征與長時特征，表示向量間的點乘運算。

2.根據(jù)權利要求1所述的方法，其特征在于，所述步驟S2包括如下步驟：

S21：定義測試集數(shù)據(jù)長度為n，從所述三維網(wǎng)絡流量數(shù)據(jù)模型中提取m個樣本作為測試樣本集，將剩余n-m個樣本作為訓練樣本集；

S22：分別對所述訓練樣本集和所述測試樣本集中的數(shù)據(jù)進行最小-最大規(guī)范化，使所述訓練樣本集和所述測試樣本集最終輸入的數(shù)據(jù)向量值映射在[0,1]范圍內。

3.根據(jù)權利要求2所述的方法，其特征在于，所述步驟S22中數(shù)據(jù)向量的轉換過程為：

其中min為所述訓練樣本集或所述測試樣本集中的數(shù)據(jù)的最小值，max為所述訓練樣本集或所述測試樣本集中的數(shù)據(jù)的最大值。

4.根據(jù)權利要求1所述的方法，其特征在于，epochs＝50，pt＝10。