[發(fā)明專利]基于深度學(xué)習(xí)的區(qū)域網(wǎng)絡(luò)流量預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202011201026.4
• 申請日: 2020-11-02
• 公開（公告）號: CN112291808B
• 公開（公告）日: 2022-12-23
• 發(fā)明（設(shè)計(jì)）人: 潘志文;徐佳璐;劉楠;尤肖虎
• 申請（專利權(quán)）人: 東南大學(xué);網(wǎng)絡(luò)通信與安全紫金山實(shí)驗(yàn)室
• 主分類號: H04W24/06
• 分類號: H04W24/06;H04W28/16;H04L41/14;H04L41/147;G06N3/04;G06N3/08
• 代理公司: 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 沈廉

本發(fā)明的一種基于深度學(xué)習(xí)的區(qū)域網(wǎng)絡(luò)流量預(yù)測方法為：1.獲取區(qū)域網(wǎng)絡(luò)流量序列，統(tǒng)計(jì)其在每個(gè)時(shí)刻使用的流量值：2.根據(jù)區(qū)域流量序列的空間相關(guān)性以及時(shí)間相關(guān)性，抽取對應(yīng)特性的流量矩陣序列作為深度學(xué)習(xí)預(yù)測模型的輸入；其中時(shí)間相關(guān)性包括包括緊密性、周期性、趨勢性：3.對于步驟2得到的三個(gè)輸入流量矩陣序列，分別用3D卷積神經(jīng)網(wǎng)絡(luò)和ConvLSTM進(jìn)行時(shí)間和空間相關(guān)性的提取；4.融合三個(gè)流量矩陣序列各自由3D卷積和ConvLSTM提取的特征，基于注意力機(jī)制進(jìn)行最終的流量預(yù)測；本發(fā)明通過時(shí)間序列抽取的方法在有限的輸入長度下涵蓋了流量序列的周期變化特性，以較高的準(zhǔn)確率預(yù)測下一時(shí)刻的區(qū)域網(wǎng)絡(luò)流量值，有利于無線資源的合理分配，提高資源利用率。

技術(shù)領(lǐng)域

本發(fā)明屬于無線通信技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的區(qū)域網(wǎng)絡(luò)流量預(yù)測方法。

背景技術(shù)

近年來，隨著第五代(5G)移動(dòng)通信技術(shù)的飛速發(fā)展，諸如AR(Augmented Reality,增強(qiáng)現(xiàn)實(shí))/VR(Virtual Reality,虛擬現(xiàn)實(shí))，高清視頻，自動(dòng)駕駛等創(chuàng)新業(yè)務(wù)的應(yīng)用，使得用戶對網(wǎng)絡(luò)流量的需求激增。為了滿足這些業(yè)務(wù)嚴(yán)格的性能需求，精確的流量工程以及網(wǎng)絡(luò)資源分配變得極為重要。因此基于大數(shù)據(jù)對移動(dòng)流量進(jìn)行預(yù)測和理解是實(shí)現(xiàn)無線資源智能分配，提高無線資源利用率的重要手段。現(xiàn)有的對區(qū)域流量預(yù)測的方法較多為單一的時(shí)間序列模型，沒有考慮區(qū)域流量預(yù)測中的空間相關(guān)性，并且在有限的輸入流量序列中沒有涵蓋流量的周期變化性，導(dǎo)致預(yù)測的準(zhǔn)確度較低。本發(fā)明基于深度學(xué)習(xí)來提取流量序列的時(shí)間和空間相關(guān)性，通過流量序列分解來涵蓋周期變化特性以提高預(yù)測的準(zhǔn)確性。

發(fā)明內(nèi)容

技術(shù)問題：為了解決上述問題，本發(fā)明提出一種基于深度學(xué)習(xí)的區(qū)域網(wǎng)絡(luò)流量預(yù)測方法。針對區(qū)域流量中的時(shí)間相關(guān)性和空間相關(guān)性，采用3D卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionNeural Network,CNN)和卷積長短期記憶網(wǎng)絡(luò)(Convolution Long Short Term MemoryNetwork,ConvLSTM)來進(jìn)行時(shí)空相關(guān)性的特征提取。根據(jù)流量序列具有的緊密性、周期性、趨勢性，抽取對應(yīng)時(shí)刻的流量矩陣，使得神經(jīng)網(wǎng)絡(luò)預(yù)測模型在有限的輸入流量序列長度上能夠?qū)W習(xí)區(qū)域流量的周期變化特性。最后將不同部分的流量序列提取到的特征進(jìn)行融合，得到最終的區(qū)域網(wǎng)絡(luò)流量預(yù)測結(jié)果，可以有效提高區(qū)域網(wǎng)絡(luò)流量預(yù)測的準(zhǔn)確性。

技術(shù)方案：本發(fā)明的一種基于深度學(xué)習(xí)的區(qū)域網(wǎng)絡(luò)流量預(yù)測方法包括如下步驟：

步驟1：獲取區(qū)域網(wǎng)絡(luò)流量序列，統(tǒng)計(jì)其在每個(gè)時(shí)刻使用的流量值：

步驟2：根據(jù)區(qū)域流量序列的空間相關(guān)性以及時(shí)間相關(guān)性，抽取對應(yīng)特性的流量矩陣序列作為深度學(xué)習(xí)預(yù)測模型的輸入；其中時(shí)間相關(guān)性包括包括緊密性、周期性、趨勢性：

(2.1)空間相關(guān)流量矩陣序列的獲得：任一坐標(biāo)為(x,y)區(qū)域的流量值不僅與該區(qū)域過去時(shí)刻的流量值相關(guān)，還與附近r個(gè)區(qū)域的流量值也存在相關(guān)，即區(qū)域流量之間存在空間相關(guān)性，其中r的取值與模型復(fù)雜度和預(yù)測精度有關(guān)，可根據(jù)預(yù)測需求確定；為預(yù)測t+1時(shí)刻區(qū)域(x,y)的流量值將t＝1,2,3…時(shí)刻目標(biāo)區(qū)域(x,y)的流量值與其周圍共(2r+1)×(2r+1)個(gè)區(qū)域的流量一起，得到空間相關(guān)性流量矩陣序列其中任一時(shí)刻t的流量矩陣如下

(2.2)不同時(shí)間相關(guān)特性流量矩陣序列的獲得：為了預(yù)測t+1時(shí)刻區(qū)域(x,y)的流量值可利用時(shí)間序列的相關(guān)性，包括緊密性、周期性、趨勢性，抽取對應(yīng)特性的流量矩陣作為輸入，得到三個(gè)輸入流量矩陣序列，即緊密性流量矩陣序列、周期性流量矩陣序列、趨勢性流量矩陣序列；

步驟3：對于步驟2得到的三個(gè)輸入流量矩陣序列，分別用3D卷積神經(jīng)網(wǎng)絡(luò)和卷積長短期記憶人工神經(jīng)網(wǎng)絡(luò)ConvLSTM進(jìn)行時(shí)間和空間相關(guān)性的提取；