基于互信息聚类的联邦学习无线流量预测方法技术

本发明专利技术提出一种基于互信息聚类的联邦学习无线流量预测方法，包括构建客户端模型、模型聚类和模型聚合；首先，使用滑动窗口机制将本地的原始流量数据构造为临近型流量序列和周期型流量序列；然后，使用双LSTM模型分别学习这两个流量序列对应的临近性特征和周期性特征，并融合这两种特征，再通过一个线性层映射得到预测值；增强客户端模型学习能力以提高预测准确度。其次，使用基于互信息的谱聚类算法将客户端流量预测模型进行聚类，得到聚类集群；以捕获每个集群模型的个性化特征。最后，使用基于注意力机制的模型聚合算法对模型进行分层聚合得到用于流量预测的全局模型，提高了全局模型的泛化能力。本发明专利技术预测误差小，具有优秀的流量预测性能。

【技术实现步骤摘要】

本专利技术涉及无线流量预测，特别是指一种基于互信息聚类的联邦学习无线流量预测方法。

技术介绍

1、移动通信技术的飞速发展和网络规模的不断扩大，导致流量数据爆炸性的增长，网络的负载量也随之高速增长。如何优化通信网络结构，保障网络服务质量和提升网络性能是新一代网络重点关注的问题。无线流量预测可以帮助运营商预估网络的变化趋势，从而提前制定网络管理方案，智能化的分配网络资源，来改善网络服务和提升用户的上网体验，在网络负载均衡、基站休眠、接入控制等应用场景可以发挥重要作用。

2、针对网络流量预测问题，一些研究人员采用线性模型预测，例如autoregressiveintegrated moving average model(arima)模型及其变体，但是这类模型要求数据平稳，而实际网络流量具有突发性的特征，使用这类模型精准度较低。随着人工智能的发展，深度学习模型已经大量用于流量预测任务中，文献[nie l,jiang d,yu s,et al.networktraffic prediction based on deep belief network i本文档来自技高网...

【技术保护点】

1.一种基于互信息聚类的联邦学习无线流量预测方法，其特征在于，其步骤如下：

2.根据权利要求1所述的基于互信息聚类的联邦学习无线流量预测方法，其特征在于，所述模型聚类的具体实现方法为：

3.根据权利要求2所述的基于互信息聚类的联邦学习无线流量预测方法，其特征在于，所述模型聚合的具体实现方法为：

【技术特征摘要】

1.一种基于互信息聚类的联邦学习无线流量预测方法，其特征在于，其步骤如下：

2.根据权利要求1所述的基于互信息聚类的联邦学习无线流量预测方法，其特征...

【专利技术属性】
技术研发人员：张建伟，蔡增玉，胡新华，朱亮，谭春宸，孙海燕，乔鑫洋，韩洋，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：