[發明專利]基于三維卷積神經網絡的蜂窩網絡流量預測方法

有效

• 申請號: 201910408711.5
• 申請日: 2019-05-16
• 公開（公告）號: CN110267292B
• 公開（公告）日: 2022-07-08
• 發明（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

本發明提供了一種基于三維卷積神經網絡的蜂窩網絡流量預測方法，包括以下步驟：將網絡流量數據建模為三維張量輸入形式得到三維網絡流量數據模型；根據三維網絡流量數據，獲取訓練集數據和測試集數據；構造基礎三維卷積神經網絡；對短時依賴數據進行三維卷積神經網絡的訓練得到短時特征，對長時依賴數據進行三維卷積神經網絡的訓練得到長時特征；對短時特征以及長時特征進行融合訓練，得到特征矩陣，作為基礎三維卷積神經網絡的輸出，形成訓練模型；使用訓練模型對待預測的網絡流量數據進行預測，得到網絡流量預測結果。本發明提供的預測方法同時考慮網絡流量數據的短期相關性和長時趨勢性，捕獲網絡流量數據時序上的特征相關性。

【技術領域】

本發明涉及計算機時序預測應用領域，尤其涉及一種基于三維卷積神經網絡的蜂窩網絡流量預測方法。

【背景技術】

近年來，隨著移動設備以及移動應用的普及，無線網絡技術在全球范圍內對人們的日常生活發揮著關鍵作用，越來越多的人使用移動設備接入蜂窩網絡，蜂窩網絡通信量及網絡流量的需求迅速增長。最新的行業預測顯示，到2021年，全球移動設備的蜂窩網絡流量預計將超過每人48.3EB,，是目前使用量的7倍，并且智能手機流量將在同年超過PC流量。對于蜂窩網絡服務提供商和基礎設施提供商來說，為了應對日益增長的需求，向用戶提供穩定的蜂窩網絡服務和有保障的服務質量(Qos)，準確預測移動通信需求是至關重要的。例如，通過對蜂窩網絡流量需求的準確預測，可以實現及時的流量調度，將部分需求從繁忙的發射塔分散到空閑的發射塔，從而避免網絡擁堵，影響用戶體驗。顯然，進行流量預測可以優化資源配置，提高能源效率，為實現智能蜂窩網絡奠定良好的基礎。

相關技術中，蜂窩網絡流量預測通常作為一般的時間序列分析問題進行建模。對此類問題進行研究從而產生的線性統計模型中，應用最為廣泛的是自回歸綜合移動平均法(ARIMA)和支持向量回歸法(SVR)。然而ARIMA方法僅僅傾向于關注歷史序列數據的平均值，從而無法捕獲底層流量負載的快速變分過程，而且無法對真實系統中的非線性關系進行建模；而SVR方法雖然可以對非線性關系進行處理，但需要對關鍵參數進行調優，才能獲得準確的預測結果。同時，考慮到蜂窩網絡用戶移動性、到達模式以及用戶需求多樣性等因素的影響，此類方法大部分都忽略了蜂窩網絡中的流量序列之間的潛在相關性。例如，蜂窩網絡中的空間依賴性，用戶的移動顯然會帶動流量需求進行轉移，導致不同基站之間的交通存在顯著的空間依賴性，而且每一個區域的基本交通需求也會有被周邊環境所影響，繁華區域的交通需求明顯要大于偏遠區域，而這些依賴都是傳統方法所無法捕獲的。近年來，深度學習模型在各個領域的最新進展也為流量預測等問題提供了新的思路。

因此，有必要提供一種基于三維卷積神經網絡的蜂窩網絡流量預測方法來解決上述問題。

【發明內容】

本發明要解決的技術問題是提供一種同時考慮網絡流量數據的短期相關性和長時趨勢性，捕獲網絡流量數據時序上的特征相關性的基于三維卷積神經網絡的蜂窩網絡流量預測方法。

為解決上述技術問題，本發明提供了一種基于三維卷積神經網絡的蜂窩網絡流量預測方法，包括以下步驟：

S1：將網絡流量數據建模為三維張量輸入形式，得到三維網絡流量數據模型，所述三維網絡流量數據模型包括長時依賴數據和短時依賴數據；

S2：根據所述三維網絡流量數據，獲取訓練集數據和測試集數據；

S3：構造基礎三維卷積神經網絡；

S4：對所述短時依賴數據進行三維卷積神經網絡的訓練得到短時特征，對所述長時依賴數據進行三維卷積神經網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網絡的輸出，形成訓練模型；

S6：使用所述訓練模型對待預測的網絡流量數據進行預測，得到網絡流量預測結果。

優選的，所述步驟S1包括如下步驟：