【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
...
【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:
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。