[發(fā)明專利]一種基于數(shù)據(jù)驅(qū)動的無線網(wǎng)絡(luò)流量預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202110240274.8
• 申請日: 2021-03-04
• 公開（公告）號: CN113159109A
• 公開（公告）日: 2021-07-23
• 發(fā)明（設(shè)計）人: 邢旭東;高暉;許文俊;陸月明
• 申請（專利權(quán)）人: 北京郵電大學(xué)
• 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

精確的流量預(yù)測在智能無線網(wǎng)絡(luò)中至關(guān)重要，這使得智能無線網(wǎng)絡(luò)作可以提高用戶的體驗質(zhì)量。本發(fā)明提出了一種基于序列波動模式聚類的無線流量預(yù)測架構(gòu)。首先從原始流量中提取波動模式(基線特征)，同時保留噪聲分量(殘差特征)。然后采用一種層次化密度聚類策略對基線特征聚類。進而采用一種基于LSTM的神經(jīng)網(wǎng)絡(luò)模型來學(xué)習(xí)每個聚類簇中的基線特征。同時，在本發(fā)明中，我們假設(shè)聚類簇中每個采樣時刻的殘差特征服從正太分布。通過對殘差特征做概率參數(shù)估計，以保證整個架構(gòu)的完備程度。本發(fā)明使用真實數(shù)據(jù)進行實驗，因此能夠更好地適應(yīng)真實場景。實驗結(jié)果表明，與對相關(guān)照方案相比，本發(fā)明所提方案有效地提高了預(yù)測性能。

技術(shù)領(lǐng)域

本發(fā)明涉及一種數(shù)據(jù)挖掘和建模業(yè)務(wù)，旨在通過深入對移動運營商后臺的歷史流量數(shù)據(jù)進行深入地分析和系統(tǒng)地理論抽象。從數(shù)據(jù)的角度出發(fā)，挖掘基站流量隨時間變化的內(nèi)在規(guī)律，歸納和提取城市區(qū)域中流量序列的典型波動模式，進而對每種典型模式建立針對性的預(yù)測模型。最大限度地保證區(qū)域內(nèi)無線基站流量預(yù)測性能，屬于大數(shù)據(jù)分析與深度學(xué)習(xí)領(lǐng)域。

背景技術(shù)

隨著移動通信技術(shù)的發(fā)展和無線信息傳輸服務(wù)的不斷普及，近年來移動用戶和設(shè)備的數(shù)量呈爆炸式增長。根據(jù)思科的最新數(shù)據(jù)，2016年至2021年，無線傳輸流量預(yù)計將增長7倍。無線業(yè)務(wù)的快速增長對移動運營商在合理配置基站資源、提高用戶體驗等方面提出了更高的要求。可靠的流量預(yù)測可以使網(wǎng)絡(luò)盡早平衡用戶之間的物理資源分配，從而保證用戶的QoS。如果能夠預(yù)見到流量擁塞或閑置，進而及時進行相應(yīng)的資源調(diào)整，提高資源利用效率，保證網(wǎng)絡(luò)穩(wěn)定，提高用戶體驗。另外，如果提前預(yù)測基站未來將有一段時間處于閑置狀態(tài)，可以提前適當(dāng)關(guān)閉基站，減少不必要的能量損失。

無線流量預(yù)測是網(wǎng)絡(luò)智能化運維的研究熱點之一。通常可以將其建模為一般的時間序列預(yù)測問題。其中，季節(jié)自回歸滑動平均(SARIMA)作為經(jīng)典的時間序列分析方法被廣泛應(yīng)用。然而，SARIMA缺乏對非線性波動的捕捉能力限制了其性能上限。近年來，深度學(xué)習(xí)的興起使得許多學(xué)者嘗試將神經(jīng)網(wǎng)絡(luò)應(yīng)用于流量預(yù)測。其中，一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的變體結(jié)構(gòu)：長短期記憶網(wǎng)絡(luò)(LSTM)被廣泛應(yīng)用。此外，也有一些研究引入基于梯度提升法的集成學(xué)習(xí)模型應(yīng)用于流量預(yù)測，例如XGBoost、LightGBM等。

從本質(zhì)上講，流量預(yù)測問題是一個時間序列擬合問題，以上研究雖然在一定程度上取得了一些成果，但應(yīng)用于真實運維場景中仍存在以下問題：(1)缺少對原始數(shù)據(jù)的預(yù)處理，真實的運維數(shù)據(jù)通常帶有大量突發(fā)噪聲，這些噪聲若不加以提取和剝離，會嚴(yán)重限制模型的擬合性能。(2)僅使用單條時間序列建模，即一次訓(xùn)練只能針對一座基站，缺乏對整個服務(wù)區(qū)域內(nèi)不同基站流量波動的共性特征進行挖掘和提取，訓(xùn)練開銷過大。(3)相對應(yīng)地，也有一些研究者將全部基站流量數(shù)據(jù)共同訓(xùn)練一個預(yù)測模型，這樣又忽視了部分基站流量波動之間的差異性，不同波動規(guī)律的流量序列相互影響，限制了模型的擬合性能。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的是提供一種基于數(shù)據(jù)驅(qū)動的城市蜂窩網(wǎng)絡(luò)流量預(yù)測方法。需要先從數(shù)據(jù)庫中提取基站的歷史流量數(shù)據(jù)，去除無效記錄后，保存記錄周期完整的流量數(shù)據(jù)和對應(yīng)的基站信息。進而對流量數(shù)據(jù)進行預(yù)處理，剔除原始數(shù)據(jù)中的殘差(residual)分量、保留基線(baseline)特征分量。進而采用基于密度的聚類方法：挖掘不同基站baseline特征之間的相似性和差異性，將波動規(guī)律相似的baseline特征對應(yīng)的基站劃分至有限的聚類簇中。最后，針對不同的聚類簇，使用baseline特征和訓(xùn)練對應(yīng)的流量預(yù)測模型，實現(xiàn)對流量波動規(guī)律的擬合及預(yù)測；將residual分量視為隨機變量，根據(jù)時間特征將隨機變量分組，每組隨機變量均視為服從正太分布的樣本，采用極大似然估計法獲得正態(tài)分布參數(shù)，實現(xiàn)對不同時刻下噪聲分量的預(yù)估。

1.蜂窩基站流量數(shù)據(jù)預(yù)處理方法