一种基于Kmenas-EMD-BiLSTM组合模型的多基站流量预测方法技术

本发明专利技术公开了一种基于Kmenas

【技术实现步骤摘要】
一种基于Kmenas
‑
EMD
‑
BiLSTM组合模型的多基站流量预测方法


[0001]本专利技术涉及通信
，具体涉及一种基于Kmenas
‑
EMD
‑
BiLSTM组合模型的多基站流量预测方法。

技术介绍

[0002]近年来，随着网络通信技术快速发展，移动终端设备的普及，数据流量爆炸式增长，导致基站的网络负荷问题愈发凸显。基站的网络负荷能力与网络质量、用户体验等密切关联，准确地预测基站流量对提高网络资源利用率，加速网络智能化建设等方面有重要作用。
[0003]基站流量可以看作是等时间间隔采集的时间序列，传统的基站流量预测方法通常采用线性的时间序列预测模型。然而，由于受各种外部环境的影响，流量趋势往往不是线性的，且较为复杂，时间序列模型无法灵活地捕捉复杂模式的非线性关系。现代随着深度学习技术的快速发展，具有记忆单元的循环神经网络模型如RNN、LSTM等模型已被广泛应用于时序预测中，并取得了一定的效果。但单一模型预测方法对于随机波动强、周期性不明显的基站流量序列的预测效果并不理想。为此，提出一种基于Kmenas
‑
EMD
‑
BiLSTM组合模型的多基站流量预测方法。

技术实现思路

[0004]本专利技术所要解决的技术问题在于：如何解决现有通过单一模型预测方法对于随机波动强、周期性不明显的基站流量序列的预测效果不理想的问题，提供了一种基于Kmenas
‑
EMD
‑
BiLSTM组合模型的多基站流量预测方法，通过聚类和经验模态分解增强数据特征，提高数据的稳定性和模型的预测能力，然后采用双向的长短期记忆神经网络实现基站流量的准确预测。
[0005]本专利技术是通过以下技术方案解决上述技术问题的，本专利技术包括以下步骤：
[0006]S1：多基站聚类
[0007]利用Kmeans算法对多个原始基站流量数据进行聚类，将具有相似趋势性的基站合成一组；
[0008]S2：平稳化处理
[0009]通过EMD法对基站流量序列进行平稳化处理，得到平稳分量序列；
[0010]S3：基站流量预测
[0011]基于BiLSTM网络对平稳分量进行预测并重组，得到基站流量预测结果。
[0012]更进一步地，在所述步骤S1中，具体处理过程如下：
[0013]S11：获取多个基站按小时采集的历史流量数据,基站个数记为n，每个基站的历史流量序列记为x
t
，即原始流量序列；
[0014]S12：计算每个基站0点到23点的日平均流量X
i
＝{x0,x1,
…
,x
23
}，得到所有基站的
日平均流量数据样本X＝{X
i
|i＝1,2,
…
,n}，并对每个基站的日平均流量进行归一化处理；
[0015]S13：初始化k个聚类中心{C1,C2,
…
,C
k
}，1<k≤n，计算每个样本X
i
到每个聚类中心的欧式距离；
[0016]S14：比较每个样本与聚类中心的欧氏距离，将不同样本分配到与其距离最近的聚类中心的类簇中，并将类簇内样本的均值向量作为新的簇类中心，通过不断迭代得到最终聚类个数，以此将多个基站聚类成k个组。
[0017]更进一步地，在所述步骤S13中，每个样本X
i
到每个聚类中心的欧式距离的计算公式为：
[0018][0019]其中，C
j
表示第j个聚类中心，1<j≤k，X
im
表示第i个样本的第m个属性，C
jm
表示第j个聚类中心的第m个属性，1≤m≤24。
[0020]更进一步地，在所述步骤S2中，具体处理过程如下：
[0021]S21：对于每个基站，先获取原始流量序列x
t
在每个时刻上的极大值点和极小值点，组成原始流量序列的上、下包络函数x
max
(t)和x
min
(t)，并计算上、下包络函数的均值，记为h1(t)：
[0022][0023]S22：原始流量序列x
t
减去上、下包络线的均值，得到新函数，记为f1(t)：
[0024]f1(t)＝x
t
‑
h1(t)
[0025]S23：用新函数f1(t)代替原始流量序列x
t
，重复上述步骤得到f
k
(t)，k＝2,3,
…
，直到满足平稳性条件为止，得到平稳分量序列IMF
k
(t)：
[0026]IMF
k
(t)＝f
k
(t)
[0027]其中，平稳性条件为：序列的极值点个数与零点个数相等，或差值不超过1个；任意时刻的上下包络函数的均值都为0；
[0028]S24：将平稳分量序列从原始流量序列中分离出来，得到残差分量r(t)，至此，原始流量序列x
t
通过EMD经验模态分解得到K个平稳分量序列IMF
k
(t)和一个残差分量r(t)：
[0029][0030]更进一步地，在所述步骤S3中，具体处理过程如下：
[0031]S31：对于每组基站，先构建双向LSTM网络，包括前向LSTM网络、后向LSTM网络，其中，前向LSTM用于对数据进行正向学习，后向LSTM用于对数据进行反向学习；
[0032]S32：然后将经过EMD平稳化处理后的每组基站流量的平稳分量序列分别输入双向LSTM网络中，分别得到前向通道与后向通道的隐藏状态和
[0033]S33：将前向通道与后向通道的隐藏状态结合起来作为双向LSTM网络的输出，通过激活函数RELU(
·
)得到每个平稳分量的预测值y
i
(t)，并对所有分量重组得到每个基站流量的最终预测结果y
t
。
[0034]更进一步地，在所述步骤S32中，前向通道与后向通道的隐藏状态和的计算公式如下：
[0035][0036][0037]其中，和分别表示前向LSTM网络和后向LSTM网络的隐藏层参数，和分别表示前向LSTM网络和后向LSTM网络的隐藏层偏置值，和分别表示前向LSTM网络和后向LSTM网络在t时刻的输出。
[0038]更进一步地，在所述步骤S33中，预测值y
i
(t)、最终预测结果y
t
的计算公式分别如下：
[0039][0040][0041]其中，W和b分别为激活函数的权重和偏置参数，K与EMD分解得到的平稳分量序列的个数保持一致，通过相加的方式进行重组得到最终的预测结果。
[0042]本专利技术相比现有技术具有以下优点：该基于K本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Kmenas
‑
EMD
‑
BiLSTM组合模型的多基站流量预测方法，其特征在于，包括以下步骤：S1：多基站聚类利用Kmeans算法对多个原始基站流量数据进行聚类，将具有相似趋势性的基站合成一组；S2：平稳化处理通过EMD法对基站流量序列进行平稳化处理，得到平稳分量序列；S3：基站流量预测基于BiLSTM网络对平稳分量进行预测并重组，得到基站流量预测结果。2.根据权利要求1所述的一种基于Kmenas
‑
EMD
‑
BiLSTM组合模型的多基站流量预测方法，其特征在于：在所述步骤S1中，具体处理过程如下：S11：获取多个基站按小时采集的历史流量数据,基站个数记为n，每个基站的历史流量序列记为x
t
，即原始流量序列；S12：计算每个基站0点到23点的日平均流量X
i
＝{x0,x1,
…
,x
23
}，得到所有基站的日平均流量数据样本X＝{X
i
|i＝1,2,
…
,n}，并对每个基站的日平均流量进行归一化处理；S13：初始化k个聚类中心{C1,C2,
…
,C
k
}，1<k≤n，计算每个样本X
i
到每个聚类中心的欧式距离；S14：比较每个样本与聚类中心的欧氏距离，将不同样本分配到与其距离最近的聚类中心的类簇中，并将类簇内样本的均值向量作为新的簇类中心，通过不断迭代得到最终聚类个数，以此将多个基站聚类成k个组。3.根据权利要求2所述的一种基于Kmenas
‑
EMD
‑
BiLSTM组合模型的多基站流量预测方法，其特征在于：在所述步骤S13中，每个样本X
i
到每个聚类中心的欧式距离的计算公式为：其中，C
j
表示第j个聚类中心，1<j≤k，X
im
表示第i个样本的第m个属性，C
jm
表示第j个聚类中心的第m个属性，1≤m≤24。4.根据权利要求2所述的一种基于Kmenas
‑
EMD
‑
BiLSTM组合模型的多基站流量预测方法，其特征在于：在所述步骤S2中，具体处理过程如下：S21：对于每个基站，先获取原始流量序列x
t
在每个时刻上的极大值点和极小值点，组成原始流量序列的上、下包络函数x
max
(t)和x
min
(t)，并计算上、下包络函数的均值，记为h1(t)：S22：原始流量序列x
t...

【专利技术属性】
技术研发人员：王颜颜，黄友志，冯强中，范文斌，周源，李凌悦，王檬，
申请(专利权)人：科大国创云网科技有限公司，
类型：发明
国别省市：