【技术实现步骤摘要】
基于深度学习的长期网络流量预测方法
本专利技术属于无线通信
，具体涉及了基于深度学习的长期网络流量预测方法。
技术介绍
近年来，第五代移动通信技术(5thGeneration,5G)得到了迅速的发展，代表着未来网络发展的主要方向，将驱动社会从人与人之间的宽带互联逐步扩展到万物互联，从而更加深刻地影响人类社会的生活和工作方式。移动网络的飞速发展，流量数据的倍增不断影响着网络性能和用户体验，并且对运营商合理配置基站资源，有效保障网络稳定性和用户体验等提出了新的挑战。为了满足巨大的流量需求，网络运营商和管理者必须花费更多的时间和资本来分配管理网络资源，以防止资源供应不足或供应过剩，资源配置不足可能会导致移动用户的不满，而资源过剩会导致频谱等昂贵网络资源的浪费，因此对网络流量预测的研究显得越发重要。得益于机器学习和深度学习技术的飞速发展，深度学习能够自动学习数据内部潜在特征的能力，对于流量数据难以预测的突发性、随机性和非线性天然适用，使得网络流量预测领域取得了突破性的进展。但现有的流量预测模型虽然在短期预测时取得了不错的效果，...
【技术保护点】
1.一种基于深度学习的长期网络流量预测方法，其特征在于，包括以下步骤：/n步骤1：获取区域网络流量序列，统计区域在每个时刻内使用的流量值：/n步骤1.1、将网络覆盖面积划分成n×m个1km×1km的网格区域，记左上角区域坐标为(0,0)，右下角区域坐标为(n-1,m-1)，n和m的取值由网络覆盖面积决定；对每个区域内的各用户网络流量值以时间间隔l
【技术特征摘要】
1.一种基于深度学习的长期网络流量预测方法，其特征在于，包括以下步骤：
步骤1：获取区域网络流量序列，统计区域在每个时刻内使用的流量值：
步骤1.1、将网络覆盖面积划分成n×m个1km×1km的网格区域，记左上角区域坐标为(0,0)，右下角区域坐标为(n-1,m-1)，n和m的取值由网络覆盖面积决定；对每个区域内的各用户网络流量值以时间间隔lT分钟进行采样，并对各时刻下各用户的采样进行求和，得到每个区域对应的区域流量序列：
其中，上标(x,y)表示对应区域的坐标，表示在时刻t区域(x,y)内各用户的网络流量值，T为时间维度即流量序列长度；
步骤1.2、对区域流量序列进行尺度压缩和归一化，即对进行如下处理：
其中，ε为常数，取1×10-6，为区域(x,y)在时刻t的对数流量值，μ表示区域(x,y)历史流量的平均值，σ表示区域(x,y)历史流量的标准差，为区域(x,y)在时刻t的归一化流量；
步骤1.3、构建流量矩阵序列：选取不同时刻区域(x,y)的归一化流量与其周围共(2r+1)×(2r+1)个区域的归一化流量，组成流量矩阵序列其中任一时刻t的流量矩阵如下：
其中，r为区域(x,y)附近的区域数量，根据预测需求确定；
步骤2：对流量矩阵序列F(x,y)进行处理，得到二维矩阵数据X，具体过程如下：
流量矩阵序列F(x,y)∈RH×W×T，其中H和W为空间维度，H和W等于2r+1，首先以P×P大小的窗口进行分割，得到N个数据块，记为αi，其中i＝1,...,N；其中N＝(H×W)/(P×P)，每个数据块αi的维度为P×P×T；其次，将分割得到的数据块αi转换成向量βi即βi＝vector(αi)，其中vector(αi)表示按列排序，将αi展开成列矢量；然后将N个向量βi，i＝1,...,N组成二维矩阵数据其中二维矩阵数据X的第i行为向量βi的转置；
步骤3：建立Transformer模型，利用Transformer模型对输入的二维矩阵数据X进行时间相关性和空间相关性的自适应提取，具体包括以下步骤：
步骤3.1、对二维矩阵数据X进行线性映射，并与可学习的位置编码向量相加，如下式所示：
其中，Xi为二维矩阵数据X的第i行，表示P×P的小区域内的历史流量信息；E是线性矩阵，通过随机初始化确定，并在训练过程中学习得到；Bpos为位置编码向量，用于表示各个数据块在整个空间区域的位置信息，在模型的训练过程中自动进行位置的学习；dmodel为线性映射维度；
整理得到流量特征Z0：
其中表示流量特征Z0的第i维特征；
步骤3.2、采用Transformer编码器对流量特征Z0进行时空相关性的提取；Transformer编码器由L层相同的注意力模块组成，每层计算方式如下：
Z′l＝MSA(LN(Zl-1))+Zl-1,l＝1...L
Zl+1＝MLP(LN(Z′l))+Zl,l＝1...L
其中，MSA表示多头注意力机制模型，LN表示层标准化，MLP表示全连接前馈神经网络，Zl...
【专利技术属性】
技术研发人员：潘志文，徐佳璐，刘楠，尤肖虎，
申请(专利权)人：东南大学，网络通信与安全紫金山实验室，
类型：发明
国别省市：江苏;32
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。