【技术实现步骤摘要】
一种移动流量预测方法、装置、计算机设备及存储介质
本专利技术涉及计算机
,尤其涉及一种移动流量预测方法、装置、计算机设备及存储介质。
技术介绍
目前,移动通信技术高度发展,以智能手机和智能应用为代表的移动通信市场的爆发式增长,由此可见,移动通信网络流量在现在和未来将保持高速増长。增长的流量给其网络架构带来极大的压力,无线网络的突发信令、话务和数据流量会导致基站设备无法正常工作,轻则用户上网感知速度变慢,手机主被叫出现个别不通畅的情况。重则手机用户无法进行主被叫和上网,手机接通率急剧下降。而人们往往在这样的情况下会不停的尝试与网络进行连接,这样会给无线网络和核心网络带来二次冲击。快速、准确的预测具体场景的的移动流量,按照人员流动流向和业务量的潮汐效应,可以快速准确的预测关键公共场景的用户规模和移动流量,可以帮助运营商预测即将到来的拥塞,提前做好网络扩容、调整、优化,用有限的无线载波资源来满足可能到来的网络高峰冲击,以保证网络安全、稳定的运行。极限学习机(ExtremeLearningMachine,ELM)是一种新型高性能单隐层前馈神经网络,显著优点就是速度快,且克服了人工神经网络训练速率慢、易陷入局部最优及对学习敏感等不足,极大地提高了算法学习速度以及泛化能力,具有较强的非线性拟合能力;为实现多场景移动流量快速准确预测,本文提出一种基于松鼠搜索算法(Squirrelsearchalgorithm,SSA)优化的核极限学习机(kernel-ELM)流量快速预测方法,将先进的元启发算法松鼠搜索算法用于搜索预
【技术保护点】
1.一种移动流量预测方法,其特征在于,包括:/n获取预定场景下的序列化的流量初始数据,对每个所述流量初始数据进行处理生成流量目标数据,并将序列化的所述流量目标数据转换成等长的核极限学习机输入数据以及与所述核极限学习机输入数据对应的核极限学习机输出数据;/n基于核极限学习机算法构建流量预测模型;/n将所述核极限学习机输入数据和所述核极限学习机输出数据作为所述流量预测模型的输入和输出序列,用松鼠搜索算法优化模型搜索所述流量预测模型的最优参数;/n将所述最优参数代入核极限学习机流量预测模型中,预测所述预定场景下的流量数据。/n
【技术特征摘要】
1.一种移动流量预测方法,其特征在于,包括:
获取预定场景下的序列化的流量初始数据,对每个所述流量初始数据进行处理生成流量目标数据,并将序列化的所述流量目标数据转换成等长的核极限学习机输入数据以及与所述核极限学习机输入数据对应的核极限学习机输出数据;
基于核极限学习机算法构建流量预测模型;
将所述核极限学习机输入数据和所述核极限学习机输出数据作为所述流量预测模型的输入和输出序列,用松鼠搜索算法优化模型搜索所述流量预测模型的最优参数;
将所述最优参数代入核极限学习机流量预测模型中,预测所述预定场景下的流量数据。
2.根据权利要求1所述的移动流量预测方法,其特征在于,所述对每个所述流量初始数据进行处理生成流量目标数据包括:
根据预设处理公式对所述流量初始数据进行处理生成所述流量目标数据;
所述预设处理公式为:
其中,s为流量初始数据,s′为流量目标数据,smax和smin分别为所述流量初始数据里的流量最大值和流量最小值;
对于给定的序列化的流量初始数据s1,s2,…,sn,其经过所述预设处理公式处理后的序列化的流量目标数据为s′1,s′2,...,s′n;
所述核极限学习机输入数据和对应的核极限学习机输出数据为:
其中I为核极限学习机输入数据,O为核极限学习机输出数据。
3.根据权利要求2所述的移动流量预测方法,其特征在于,所述基于核极限学习机算法构建流量预测模型包括:
设定对于给定数据集D={(s′i,ti)|si∈Rd,ti∈Rm,i=1,2,…,n},kernel-ELM的隐藏层节点为L,隐藏层输出函数为h(s′)=[h1(s′),h2(s′),…hL(s′)],隐藏层到输出层的权值向量为b=[b1,b2,…bL],ELM模型的输出函数为:
核极限学习机模型的训练目标为:
其中ζi代表理论输出值ti与预测值f(s′)的误差,C为惩罚系数;
其对偶问题为:
其中αi为拉格朗日乘子;
再根据KKT条件:
其中H=[hT(s′1),hT(s′2),…,hT(s′n)]T,α=[α1,α2,…,αn]T,求解得:
核极限学习机的输出为;
将核函数引入核极限学习机,定义核函数矩阵为:
Ω=HHT,Ωi,j=h(s′i)h(s′j)=K(s′i,s′j)
核极限学习机输出为:
使用高斯核函数:令为核函数参数;
模型的预测误差为:
其中F为实际值,f(s′)为预测值。
4.根据权利要求3所述的移动流量预测方法,其特征在于,所述用松鼠搜索算法优化模型搜索所述流量预测模型的最优参数包括:
初始化种群,根据初始位置公式获取松鼠在森林中的初始位置;
所述初始位置公式为:
FSi=FSL+U(0,1)×(FSU-FSL)
其中,FSU和FSL分别为种群的上界和下界,U(0,1)介于0和1之间的随机数;
对松鼠进行分类,设定松鼠个数以及包含与松鼠个数相对应的树木的森林,并要求每棵树上有且只有一只松鼠,森林内包括一棵食物资源最佳...
【专利技术属性】
技术研发人员:郑晓亮,来文豪,薛生,陈华亮,李重情,李尧斌,江丙友,郑春山,
申请(专利权)人:安徽理工大学,
类型:发明
国别省市:安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。