[發明專利]一種基于深度遷移學習和跨域數據融合的無線蜂窩網絡流量預測方法

有效

• 申請號: 202011099886.1
• 申請日: 2020-10-15
• 公開（公告）號: CN112291807B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 陳賡;曾慶田;孫強;段華;邵睿;徐先杰;張旭
• 申請（專利權）人: 山東科技大學
• 主分類號: H04W24/06
• 分類號: H04W24/06;H04L41/14;H04L41/147;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 青島智地領創專利代理有限公司 37252
• 代理人: 肖峰

本發明公開了一種基于深度遷移學習和跨域數據融合的無線蜂窩網絡流量預測方法，屬于智能通信技術領域。本發明通過分析短信、電話、互聯網三種業務間的相似性和不同區域間的相似性，融合多個跨域數據集并采用時空跨域神經網絡模型對無線蜂窩流量進行預測；提出一種基于時空跨域神經網絡模型(STC?N)的跨業務和區域融合遷移學習策略，根據源域的數據特征提高目標域的預測精度。該方法可以驗證考慮的數據集越全面，模型的預測精度越高；此外，提出的遷移學習策略可以降低構建深度學習模型所需的訓練數據、計算能力和泛化能力。

技術領域

本發明屬于智能通信技術領域，具體涉及一種基于深度遷移學習和跨域數據融合的無線蜂窩網絡流量預測方法。

背景技術

隨著5G/B5G時代的到來，移動設備和物聯網的數量在全球范圍內呈現指數增長，人們對無線移動數據需求快速增長。如何科學合理地對現有蜂窩網絡資源進行分配和優化，提高資源的利用率，減少蜂窩基站的能耗是通信行業需要思考和解決的問題。

目前，無線蜂窩流量預測的主要方法有：(1)整合移動平均自回歸模型(ARIMA)；(2)指數平滑方法(ES)；(3)線性回歸方法(LR)；(4)支持向量機回歸方法(SVR)；(5)多層感知機方法(MLP)；(6)基于長短時記憶網絡方法(LSTM)；(7)基于卷積神經網絡方法(CNN)。這些解決無線蜂窩網絡流量預測的方法，分別從空間因素、時間因素及時空因素等方面加以考慮。精準的預測無線蜂窩流量，有助于開展基站選址、城市區域規劃以及區域流量預測等工作。但是，無線業務流量的精準預測是一個非常有挑戰性的問題，這主要是由于以下3個原因。第一，無線通信網絡流量的產生源是具有移動性的用戶，而無線用戶的移動性使得多個區域之間的流量具有空間依賴性。特別是新型交通的出現，使得人們能夠在短時間內從城市的一端到達另一端。這使得無線業務流量的空間依賴性不僅僅是局部的，更是具有大尺度的全局依賴性。另一方面，無線業務流量在時間維度上也具有依賴性，某個時刻的流量值與其相近時刻(短期依賴)和某一天相對應時刻(周期性)的流量值具有高度相關性。第二，多源跨域數據對無線業務流量產生的空間約束性問題。影響某個區域無線業務流量產生的原因是多樣化的。當進行流量預測時，不僅僅只從歷史數據的角度去挖掘無線業務流量隱含的規律模式，還應該考慮其它跨域跨源數據對流量產生的空間約束性因素。比如某個區域的基站數據，興趣點信息，區域的社交活動水平等因素都會對流量的變化產生影響。所以，如何對這些看似跟無線業務流量沒有直接關系的多源跨域數據進行高效融合，是一個目前尚待解決的難題。第三，如何在考慮時空因素并結合跨域數據的情況下達到較高的無線蜂窩流量預測精度也是一個困難的問題。

發明內容

針對現有技術中存在的上述問題，本發明提出了一種基于深度遷移學習和跨域數據融合的無線蜂窩網絡流量預測方法，解決了無線蜂窩流量預測不精準的問題。

為了實現上述目的，本發明采用如下技術方案：

一種基于深度遷移學習和跨域數據融合的無線蜂窩網絡流量預測方法，包括如下步驟：

步驟1：對短信、電話、互聯網三種業務數據進行矩陣化處理和皮爾遜相關性分析；

步驟2：對不同區域進行網格化劃分，并對其進行聚簇分類；

步驟3：對跨域數據進行相關性分析和矩陣化處理，并進行融合；

步驟4：對無線蜂窩流量的時間戳進行特征提取；

步驟5：將多種數據和業務數據融合并輸入到時空跨域神經網絡模型；

步驟6：采用跨業務和區域融合遷移學習策略進一步提高無線蜂窩流量預測的精度。

優選地，所述步驟1具體包括如下步驟：