[發明專利]一種基于數據驅動的無線網絡流量預測方法

在審

• 申請號: 202110240274.8
• 申請日: 2021-03-04
• 公開（公告）號: CN113159109A
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 邢旭東;高暉;許文俊;陸月明
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;H04W24/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于數據驅動的城市蜂窩網絡流量預測架構，該架構通過從原始流量數據中提取基線特征。進而提出一種層次聚類的思想，將不同基站的基線特征歸納為若干典型的流量波動模式。進而使用不同聚類的典型模式數據訓練基于雙向(bi-directional)LSTM的神經網絡模型，實現對無線網絡的流量預測。其中主要包括以下模塊：

(1)原始數據的特征提取：使用滑動窗口平均法對原始流量數據做平滑處理，即對于序列中的任意時刻的采樣，首先獲取該時刻的流量值與相應得前后各若干固定長度的采樣流量值，取這些采樣得平均值替換對應時刻的原始數據；隨著窗口不斷滑動，最終可以得到平滑的且能反映流量平均波動特性的基線(baseline)特征；此外，通過將原始的流量特征與基線特征做差運算獲取殘差(residual)特征另作處理。

(2)基于多層次密度聚類的小區劃分：本發明采用一種基于對比時間序列的形態距離(shape-based distance，SBD)度量不同基站流量特征序列之間的相似度；進而，本發明提出了層次化的密度聚類思想，以SBD作為距離度量指標，從整個基線特征數據集中提取出當前相似度最高的聚類簇，將剩余的基線特征集作為新的數據，遞歸地執行密度聚類，不斷地提取聚類簇，最終余下的特征集作為離群特征單獨作為一個集合。

(3)基于Bi-LSTM模型的預測：對不同的聚類簇中的基線特征集分別訓練預測模型，模型結構基于Bi-LSTM的神經網絡設計；使用Tensorflow部署和訓練模型，實現對流量的波動趨勢預測。

(4)殘差特征參數估計：對于每個聚類簇中與基線特征對應的殘差特征數據，將殘差特征根據采樣時刻分組，假設每個時刻的特征數據服從正態分布，采用極大似然估計法計算正態分布的參數，實現對殘差分量的建模；基于殘差分量建立的概率模型將作為對基線特征預測結果的補充。