【技术实现步骤摘要】
本专利技术涉及无线通信领域和人工智能，尤其涉及一种基于动态稀疏化联邦学习的无线流量预测方法。
技术介绍
1、无线流量预测是在无线通信网络中对未来时间段内的流量进行准确预测的关键任务。准确地流量预测可以帮助网络运营商优化网络资源分配、提高网络性能，并满足用户需求。
2、然而传统无线流量预测方法存在一些局限性，限制了其在实际应用中的效果和可扩展性。传统的无线流量预测方法通常要求数据集中式收集，面临着数据分布不均和大规模数据处理问题。集中式方法涉及隐私和安全风险，且对于大规模网络效果不佳。非独立同分布数据难以处理，而频繁的模型更新也是挑战。
3、为了克服这些问题，联邦学习作为一种特殊的分布式机器学习方法被应用于无线流量预测。它允许参与方在保护数据隐私的前提下进行本地模型训练，并通过全局模型聚合实现协作学习和参数更新。这种方法提高了预测精度和可扩展性，同时保护了数据隐私。同时相对于集中式方法也大幅降低了通信开销。
4、然而，联邦学习在无线流量预测中仍然需要较高的通信频率，所以降低通信开销，提高通信效率仍然是现...
【技术保护点】
1.一种基于动态梯度稀疏化联邦学习的无线流量预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于动态梯度稀疏化联邦学习的无线流量预测方法，其特征在于，所述无线流量预测方法运行于无线流量预测系统；无线流量预测系统包括多个本地基站设备即基站，以及一个中央服务器。
3.根据权利要求1所述的一种基于动态梯度稀疏化联邦学习的无线流量预测方法，其特征在于，所述全局模型为线性回归模型或者神经网络模型。
4.根据权利要求1所述的一种基于动态梯度稀疏化联邦学习的无线流量预测方法，其特征在于，本地基站设备在本地数据集上训练接收到的全局模型；包
5...
【技术特征摘要】
1.一种基于动态梯度稀疏化联邦学习的无线流量预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于动态梯度稀疏化联邦学习的无线流量预测方法，其特征在于，所述无线流量预测方法运行于无线流量预测系统；无线流量预测系统包括多个本地基站设备即基站，以及一个中央服务器。
3.根据权利要求1所述的一种基于动态梯度稀疏化联邦学习的无线流量预测方法，其特征在于，所述全局模型为线性回归模型或者神经网络模型。
4.根据权利要求1所述的一种基于动态梯度稀疏化联邦学习的无线流量预测方法，其特征在于，本地基站设备在本地数据集上训练接收到的全局模型；包括：
5.根据权利要求1所述的一种基于动态梯度稀疏化联邦学习的无线流量预测方法，其特征在于，本地基站设备在本地数据集上更新接收到的全局模型；包括：
6.根据权利要求1所述的一种基于动态梯度稀疏化联邦学习的无线...
【专利技术属性】
技术研发人员：张传亭，乔静萍，高付炜，李新，窦蕾，
申请(专利权)人：山东大学，
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。