一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法技术

本发明专利技术公开了一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法，属于智能通信技术领域，解决了无线蜂窝网络流量的预测问题。首先，将无线蜂窝流量数据按其周期特性分成近邻数据、日周期数据、周周期数据；然后通过conv‑LSTM结构或conv‑GRU结构对近邻数据、日周期数据、周周期数据进行建模；在经过attention层对三种特征数据自适应的分配不同权重，提高其特征提取能力，并抑制对预测时刻产生干扰的特征信息；最后，结合时间戳特征嵌入，多种跨域数据融合，共同辅助模型进行流量预测。该模型能够有效利用无线蜂窝流量数据的周期特性，在节省了模型训练时间、大大减少了工作量的同时，进一步提高了网路流量的预测性能。

【技术实现步骤摘要】
一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法
本专利技术属于智能通信
，具体涉及一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法。
技术介绍
随着5G/B5G时代的到来，移动设备和物联网的数量在全球范围内呈现指数增长，人们对无线移动数据需求快速增长。如何科学合理地对现有蜂窝网络资源进行分配和优化，提高资源的利用率，减少蜂窝基站的能耗是通信行业需要思考和解决的问题。精准的预测无线蜂窝流量，有助于开展基站选址、城市区域规划以及区域流量预测等工作。但是，无线业务流量的精准预测是一个非常有挑战性的问题，这主要是由于以下3个原因。第一，无线通信网络流量的产生源是具有移动性的用户，而无线用户的移动性使得多个区域之间的流量具有空间依赖性。特别是新型交通的出现，使得人们能够在短时间内从城市的一端到达另一端。这使得无线业务流量的空间依赖性不仅仅是局部的，更是具有大尺度的全局依赖性。另一方面，无线业务流量在时间维度上也具有依赖性，某个时刻的流量值与其相近时刻(短期依赖)和某一天相对应时刻(周期性)的流量值具有高度相关性本文档来自技高网...

【技术保护点】
1.一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法，其特征在于，包括如下步骤：/n(1)对短信、电话、互联网三种业务数据进行皮尔逊相关性分析和矩阵化处理；/n(2)对不同区域进行网格化划分，并对其进行聚簇分类；/n(3)对三种业务的无线蜂窝流量按照其近邻性、日周期性、周周期性的特性划分成近邻数据、日周期数据、周周期数据；/n(4)对跨域数据进行相关性分析和矩阵化处理，并进行融合；/n(5)对无线蜂窝流量的时间戳进行特征提取；/n(6)将多种跨域数据和业务数据融合并输入到注意力多组件时空跨域神经网络模型，最终输出无线蜂窝网路流量预测结果。/n

【技术特征摘要】
1.一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法，其特征在于，包括如下步骤：
(1)对短信、电话、互联网三种业务数据进行皮尔逊相关性分析和矩阵化处理；
(2)对不同区域进行网格化划分，并对其进行聚簇分类；
(3)对三种业务的无线蜂窝流量按照其近邻性、日周期性、周周期性的特性划分成近邻数据、日周期数据、周周期数据；
(4)对跨域数据进行相关性分析和矩阵化处理，并进行融合；
(5)对无线蜂窝流量的时间戳进行特征提取；
(6)将多种跨域数据和业务数据融合并输入到注意力多组件时空跨域神经网络模型，最终输出无线蜂窝网路流量预测结果。


2.根据权利要求1所述的一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法，其特征在于，所述步骤(1)具体包括如下步骤：
(1-1)分析短信、电话、互联网三种业务数据之间的相关性，分析不同业务数据的周期性、差异性和不同区域数据的差异性；
(1-2)将短信、电话、互联网三种业务数据处理成大小相同的三个100×100矩阵，矩阵中的每一个元素代表某一种业务的流量数据值。


3.根据权利要求2所述的一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法，其特征在于，所述步骤(2)具体包括如下步骤：
(2-1)将所预测区域划分成100×100的栅格区域，每个栅格对应某个业务的无线蜂窝流量的数据值；
(2-2)根据不同区域的无线蜂窝流量的相似性和差异性，将相似的区域聚到一起，得到三个不同的类，然后对不同的类进行模型训练。


4.根据权利要求1所述的一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法，其特征在于，所述步骤(3)具体包括如下步骤：
(3-1)提取无线蜂窝流量数据的近邻数据，所述近邻数据是与预测t时刻前直接相邻的一段历史时间的蜂窝流量数据序列片段；
(3-2)提取无线蜂窝流量数据的日周期数据，所述日周期数据是与预测t时刻前n天中与预测目标时刻相同的蜂窝流量数据序列片段；
(3-3)提取无线蜂窝流量数据的周周期数据，所述周周期数据是与预测t时刻的前n周与预测目标星期属性相同且时刻相同的蜂窝流量数据序列片段。


5.根据权利要求1所述的一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法，其特征在于，所述步骤(4)具体包括如下步骤：
(4-1)对获取到的社交信息Social、基站分布BS和兴趣点分布POI三种跨域数据集进行皮尔逊相关系数分析，得到跨域数据和不同业务数据的相关性、相似性及相关度特征。
(4-2)将这三种跨域数据处理成100×100的三个矩阵；
(4-3)将矩...

【专利技术属性】
技术研发人员：陈赓，曾庆田，孙强，段华，邵睿，徐先杰，张旭，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东;37