一种基于数据驱动的无线网络流量预测方法技术

精确的流量预测在智能无线网络中至关重要，这使得智能无线网络作可以提高用户的体验质量。本发明专利技术提出了一种基于序列波动模式聚类的无线流量预测架构。首先从原始流量中提取波动模式(基线特征)，同时保留噪声分量(残差特征)。然后采用一种层次化密度聚类策略对基线特征聚类。进而采用一种基于LSTM的神经网络模型来学习每个聚类簇中的基线特征。同时，在本发明专利技术中，我们假设聚类簇中每个采样时刻的残差特征服从正太分布。通过对残差特征做概率参数估计，以保证整个架构的完备程度。本发明专利技术使用真实数据进行实验，因此能够更好地适应真实场景。实验结果表明，与对相关照方案相比，本发明专利技术所提方案有效地提高了预测性能。

【技术实现步骤摘要】
一种基于数据驱动的无线网络流量预测方法
本专利技术涉及一种数据挖掘和建模业务，旨在通过深入对移动运营商后台的历史流量数据进行深入地分析和系统地理论抽象。从数据的角度出发，挖掘基站流量随时间变化的内在规律，归纳和提取城市区域中流量序列的典型波动模式，进而对每种典型模式建立针对性的预测模型。最大限度地保证区域内无线基站流量预测性能，属于大数据分析与深度学习领域。
技术介绍
随着移动通信技术的发展和无线信息传输服务的不断普及，近年来移动用户和设备的数量呈爆炸式增长。根据思科的最新数据，2016年至2021年，无线传输流量预计将增长7倍。无线业务的快速增长对移动运营商在合理配置基站资源、提高用户体验等方面提出了更高的要求。可靠的流量预测可以使网络尽早平衡用户之间的物理资源分配，从而保证用户的QoS。如果能够预见到流量拥塞或闲置，进而及时进行相应的资源调整，提高资源利用效率，保证网络稳定，提高用户体验。另外，如果提前预测基站未来将有一段时间处于闲置状态，可以提前适当关闭基站，减少不必要的能量损失。无线流量预测是网络智能化运维的研究热点之一。通常可本文档来自技高网...

【技术保护点】
1.一种基于数据驱动的城市蜂窝网络流量预测架构，该架构通过从原始流量数据中提取基线特征。进而提出一种层次聚类的思想，将不同基站的基线特征归纳为若干典型的流量波动模式。进而使用不同聚类的典型模式数据训练基于双向(bi-directional)LSTM的神经网络模型，实现对无线网络的流量预测。其中主要包括以下模块：/n(1)原始数据的特征提取：使用滑动窗口平均法对原始流量数据做平滑处理，即对于序列中的任意时刻的采样，首先获取该时刻的流量值与相应得前后各若干固定长度的采样流量值，取这些采样得平均值替换对应时刻的原始数据；随着窗口不断滑动，最终可以得到平滑的且能反映流量平均波动特性的基线(baseli...

【技术特征摘要】
1.一种基于数据驱动的城市蜂窝网络流量预测架构，该架构通过从原始流量数据中提取基线特征。进而提出一种层次聚类的思想，将不同基站的基线特征归纳为若干典型的流量波动模式。进而使用不同聚类的典型模式数据训练基于双向(bi-directional)LSTM的神经网络模型，实现对无线网络的流量预测。其中主要包括以下模块：
(1)原始数据的特征提取：使用滑动窗口平均法对原始流量数据做平滑处理，即对于序列中的任意时刻的采样，首先获取该时刻的流量值与相应得前后各若干固定长度的采样流量值，取这些采样得平均值替换对应时刻的原始数据；随着窗口不断滑动，最终可以得到平滑的且能反映流量平均波动特性的基线(baseline)特征；此外，通过将原始的流量特征与基线特征做差运算获取残差(residual)特征另作处理。
(2)基于多层次密度聚类的小区划分：本发明采用一种基于对比时间序列的形态...

【专利技术属性】
技术研发人员：邢旭东，高晖，许文俊，陆月明，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11