一种基于区域时空特征的移动流量预测系统及方法技术方案

本发明专利技术公开了一种基于区域时空特征的移动流量预测系统及方法，预测系统包括数据预处理模块、邻近序列处理模块和周期序列处理模块、权重融合模块、时间特征提取模块和预测及结果处理模块。本发明专利技术预测方法包括以下步骤：(1)获取目标区域移动流量数据，对数据进行预处理，清除异常值，使用均值插补法处理数据中的缺失值；(2)根据时间戳将移动流量数据转换成数据序列；(3)将根据数据邻近性和周期性序列分为邻近输入序列和周期输入序列；(4)将邻近输入序列和周期输入序列作为输入数据送入移动流量时空预测模型中进行预测；(5)根据移动流量时空预测模型输出的目标区域未来时间段的预测结果进行可视化。本发明专利技术解决了现有技术中预测未考虑空间特征及时空特征考虑不全面，导致预测结果存在误差的问题。导致预测结果存在误差的问题。导致预测结果存在误差的问题。

【技术实现步骤摘要】
一种基于区域时空特征的移动流量预测系统及方法


[0001]本专利技术涉及时空预测，尤其涉及一种基于区域时空特征的移动流量系统及方法。

技术介绍

[0002]精准预测移动流量可以帮助运营商提前规划网络资源，加强网络资源的管理与运用。移动流量预测的精度受到周边区域人流量改变和历史流量等时空因素的影响，大多数方法是对只对移动流量数据的时间特征建模，忽略了数据的空间特征或者时空特征考虑不全，预测结果存在一定误差。
[0003]移动流量在时间维度和空间维度都具有复杂的非线性关系，要实现移动流量的精准预测，需要充分挖掘移动流量的时间相关性和空间相关性，构建具备提取时空特征的能力、预测精度高的移动流量预测模型。采取传统时序分析方法的移动流量预测技术要求时序数据是稳定的，但在实际情况中，移动流量数据不稳定，并且将数据处理为稳定序列时会丢失部分重要特征，无法学习到移动流量数据的突变性特征，导致预测值与真实值差距大。同时时序分析方法预测模型只能捕捉线性关系，而不能捕捉非线性关系，将导致模型预测精度下降。
[0004]采用基于机器学习方法的移动流量预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区域时空特征的移动流量预测系统，其特征在于：包括：对数据进行清洗、均值插补处理缺失值的数据预处理模块：提取邻近输入序列数据邻近性、周期性和空间特征的邻近序列和周期序列处理模块：用于融合不同序列处理模块的输出的权重融合模块：提取移动流量数据的长期时间特征的时间特征提取模块；对预测结果进行可视化的预测及结果处理模块。2.根据权利要求1所述的基于区域时空特征的移动流量预测系统，其特征在于：数据预处理模块采取均值插补法处理移动流量数据中的缺失值，根据数据具有的邻近性和相关性，组成邻近输入序列和周期输入序列作为预测模型输入。3.根据权利要求2所述的基于区域时空特征的移动流量预测系统，其特征在于：所述邻近输入序列由预测天数的预测时刻相邻的前一个时刻目标区域移动流量历史值组成。4.根据权利要求2所述的基于区域时空特征的移动流量预测系统，其特征在于：所述周期输入序列由预测天数相邻的前一天，与预测时刻相同的时刻目标区域移动流量历史值组成。5.根据权利要求1所述的基于区域时空特征的移动流量预测系统，其特征在于：所述邻近序列处理模块和周期序列模块通过二维卷积分别提取临近输入与周期输入移动流量的局部空间特征，将经过二维卷积处理的不同输入模块的数据输入至残差单元中。6.根据权利要求1所述的基于区域时空特征的移动流量预测系统，其特征在于：所述权重融合模块使用可学习的权重矩阵从历史数据中学习权重值，进行加权融合，两个序列融合后连接激活函数进行输出。7.根据权利要求1...

【专利技术属性】
技术研发人员：马健，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：