本发明专利技术公开一种基于空时压缩感知的蜂窝网络流量预测方法，该方法基于空时压缩感知的蜂窝网络流量预测方法：首先从蜂窝网络的核心网络层提取基站流量构造二维流量矩阵，将待估计的流量值设置为0，得到要处理的蜂窝网络流量矩阵；其次，根据流量矩阵构造具有约束等距性特征的流量观测矩阵；再次，根据流量的日夜规律性以及基站的空间分布、属性特性构造空间和时间约束矩阵，利用基于系数正则化矩阵分解的控释压缩感知方法对流量矩阵进行精确重构，得到矩阵中以0代替的流量值的真实值的估计数据，从而实现网络流量预测目的。该方法充分利用了蜂窝网络流量的冗余性以及蜂窝网络流量矩阵的低秩特性，大大提高了蜂窝网络流量的预测精度。
【技术实现步骤摘要】
本专利技术涉及通信
，尤其涉及。
技术介绍
近年来,全球变暖已经成为各国政府的一个极为重要的议题。目前，信息与通信产业(ICT产业)消耗全球3%_4%的电能，而且由于用户数的急剧攀升以及网络规模的逐渐扩大，ICT产业正逐步成为未来能量消耗的有力贡献者，其能耗比例在现有能源使用模式下正在以每十年翻一番的速度增长。ICT产业对生态环境不断增加的潜在影响和破坏力使得提高通信系统的能量效率势在必行。此外，除了减少ICT产业对生态环境的影响以外，通信系统的绿色节能还有其经济上的动力和必要性。提高通信系统的能量效率有利于运营商增加利润收成。在各种网络运营成本中，电能损耗成本占据了极大的一部分，改善能量利用等于间接增加运营商的利润。作为ICT产业链的一个重要组成部分，蜂窝网络的能量消耗占据了整个ICT产业的极大一部分。典型的蜂窝网络基本上都是基于满足峰值期用户容量需求的原则而设计。 然而，蜂窝网络用户峰值时刻很少出现，由于用户的行为模式具有白天-夜晚差异性以及用户在办公区与住宅区之间的规律往返活动，蜂窝网络的负载流量在不同时刻不同地点波动较大，呈现出明显的时空差异性特征。网络负载的这种时空差异性特征正好与蜂窝网络的最大化容量的设计准则背道而驰。这样一来，当网络中的负载流量较低时(例如，白天住宅区的负载流量或者晚上办公区的负载流量)，大量蜂窝基站虽然没有用户接入却维持工作状态，以维持峰值流量，从而造成整个网络能量的极大浪费。如果能够让蜂窝网络根据网络流量的变化动态调整各个基站的工作状态，使得在网络负载较低时关闭部分不必要的基站，将大大的减少网络能量的浪费，改善网络能量的利用效率。而这其中最关键的部分就是对整个网络的负载流量的精确分析和预测，它是基站合理调节自身工作状态的前提条件和依据。在蜂窝网络中，网络流量一般通过流量矩阵来描述它记录了不同小区在不同时刻的流量数据，该矩阵的行代表不同时隙，列则表示不同的蜂窝小区，该矩阵每一行元素反映了各个小区流量在不同时刻的波动趋势。这种矩阵形式表示的网络流量数据具有十分广泛的应用，例如，网络推测，网络容量规划，节点异常检测诊断等等。在现实环境中，通常不可能实现对数据的直接地、完整地、准确地、不间断地的观测采样。因此，通过流量矩阵记录网络流量数据是总是会出现数据的缺失和不完全现象，而应用这类流量数据的一个重大挑战便是精确重构和预测缺失的流量数据信息。由于许多需要利用网络流量数据的应用常常要求精确的数据或者对数据缺失比较敏感，所以根据部分间接观测值准确恢复缺失的原始数据十分重要。压缩感知(Compressive Sensing)是一种利用现实数据的特殊结构性特征或冗余信息处理和精确重构缺失数据的通用性方法。它是近几年来的一项新兴信号处理技术，其核心思想是将数据采样和压缩合并进行，首先采集信号的非自适应线性投影(测量值)，然后根据相应的重构算法由测量值复原信号。近年来，压缩感知在各个领域都受到了普遍关注与广泛研究，已经产生了许多利用数据稀疏性特征和低秩信息的启发式算法。同时，压缩感知的理论证明，原始数据信号必须满足以下技术条件信号的稀疏性，观测基(观测矩阵) 与变换基(变换矩阵)的非相关性。尽管在压缩感知领域已经取得了不少成果，但现有的压缩感知算法应用在实际数据上，恢复其缺失数据时往往性能很差，尤其当数据的丢失率较高，且数据缺失呈现出某些结构性特征时。主要原因是实际数据信号往往不符合使现有的压缩感知算法性能最优的数学约束条件。这些最优化约束条件包括1)矩阵元素服从高斯或近似高斯分布；2)矩阵具有严格低秩 特征；3)不同矩阵元素的缺失完全独立；4)矩阵的观测值约束满足一定的技术条件，例如各向同性性质。不幸的是，这些约束条件对实际流量矩阵一般都不适用，实时流量矩阵元素常常呈现出高度非正态特性，即最大元素和最小元素之间相差几个数量级。此外，实时流量矩阵只能满足近似的低秩特点，数据也具有高度的结构性，最后，实时流量矩阵的观测值约束也不一定满足提出的技术条件。综上所述，以往的网络流量预测存在较大的差错率，并且对于有数据丢失的流量矩阵难以从训练数据中得到精确的预测流量值，因此，研究通过以矩阵形式表示的实时蜂窝网络流量数据的精确重构恢复来实现基于空时压缩感知的蜂窝网络流量的预测十分必要。这样，我们才能进一步对各个蜂窝小区流量进行相关分析预测，并依据预测结果调整蜂窝小区基站的工作状态，提高蜂窝网络整体能量利用效率。
技术实现思路
本专利技术的目的是针对现有技术的不足，提供一种基于空时压缩感知的蜂窝网流量预测方法，以精确地恢复未知流量值的大小，使基站可以在目前时刻对未来工作时段的流量进行预测，以合理调节基站的工作状态来保证提供满足质量的通信服务的同时降低基站能耗。本专利技术的目的是通过以下技术方案来实现的，它包括以下步骤(I)从蜂窝网的核心层采样基站流量变化的观测数据，构成流量矩阵，包括以下子步骤；(1.1)记录网络中M个观测基站在一段连续时间段π内的流量值，该值为非负的连续实数；(1. 2)取At为时隙长度，将步骤1.1中提到的时间段π划分成N个不同的时隙， 将每个基站在每个时隙内的流量值求和取平均作为在该基站在该时隙内的流量值大小，记为训练数据V (i,j)，表示第i个基站在第j个时隙内的网络流量值的观测值；(1.3)将步骤1.2中得到的观测值X' (i，j)组成一个流量训练矩阵X'如下权利要求1.，其特征在于，它包括以下步骤 (1)从蜂窝网的核心层采样基站流量变化的观测数据，构成流量矩阵，包括以下子步骤； (I. I)记录网络中M个观测基站在一段连续时间段π内的流量值，该值为非负的连续实数； (I. 2)取At为时隙长度，将步骤I. I中提到的时间段π划分成N个不同的时隙，将每个基站在每个时隙内的流量值求和取平均作为在该基站在该时隙内的流量值大小，记为训练数据V (i, j)，表示第i个基站在第j个时隙内的网络流量值的观测值； (1.3)将步骤1.2中得到的观测值X' (i，j)组成一个流量训练矩阵X'如下X (U) Xt(Il)…Jt(IN) --··I Χ'(ΜΛ) X (Μ.2}…Χ,(Μ、Ν) _L 」， 记为=…,1(1，#)]，表示第i个基站在不同训练时隙内的流量值向量；矩阵每一列所组成的向量，记为>；(/)=\表示第」_个训练时隙内不同基站的流量均值快照； (I. 4)将步骤I. I中提到的时间段Ti后连续的时间段= 内(共η个时隙，η为自然数)的网络流量值作为待预测的对象，将预测流量值置O插入到步骤I. 3中提到的流量训练矩阵Γ中，构成包含训练数据与待观测数据的流量矩阵X，如下Γ-￥(12) — Α·(].Λ<·) O O" * I ··* * TPI·9 ** /% * · * *[Ζ(Μ 1) -V (Λ/, 2)…I (Μ, N) O O _ H 流量矩阵构造完成，矩阵每一行所组成的向量，记为尤={X(iAlX(i,2)--,X(i,N)}，表示第i个基站在不同时隙内(包含训练时隙与待预测时隙)的流量值向量；矩阵每一列所组成的向量，记为？,，表示第j个时隙内不同基站的流量均值快照； (2)根据步骤I中的流量矩阵构造具有约束等距本文档来自技高网...
【技术保护点】
一种基于空时压缩感知的蜂窝网络流量预测方法，其特征在于，它包括以下步骤：（1）从蜂窝网的核心层采样基站流量变化的观测数据，构成流量矩阵，包括以下子步骤；（1.1）记录网络中M个观测基站在一段连续时间段π内的流量值，该值为非负的连续实数；（1.2）取Δt为时隙长度，将步骤1.1中提到的时间段π划分成N个不同的时隙，将每个基站在每个时隙内的流量值求和取平均作为在该基站在该时隙内的流量值大小，记为训练数据X′(i,j)，表示第i个基站在第j个时隙内的网络流量值的观测值；（1.3）将步骤1.2中得到的观测值X′(i,j)组成一个流量训练矩阵X′如下：记为表示第i个基站在不同训练时隙内的流量值向量；矩阵每一列所组成的向量，记为表示第j个训练时隙内不同基站的流量均值快照；（1.4）将步骤1.1中提到的时间段π后连续的时间段内（共n个时隙，n为自然数）的网络流量值作为待预测的对象，将预测流量值置0插入到步骤1.3中提到的流量训练矩阵X′中，构成包含训练数据与待观测数据的流量矩阵X,如下：流量矩阵构造完成，矩阵每一行所组成的向量，记为表示第i个基站在不同时隙内（包含训练时隙与待预测时隙）的流量值向量；矩阵每一列所组成的向量，记为表示第j个时隙内不同基站的流量均值快照；（2）根据步骤1中的流量矩阵构造具有约束等距性特征（Restricted?Isometry?Property,RIP）的流量观测矩阵Φ：设原始矩阵为X，观测矩阵为Φ，当原始 矩阵与观测矩阵之间满足下列条件关系时，观测矩阵Φ具有约束等距性：(1-δ)||X||l22≤||ΦX||l22≤(1-δ)||X||l22;其中，δ是一个任意无限小的正实数；（3）根据步骤1中的训练流量数据，确定步骤1中提到的流量矩阵X中存在的空间分布特征以及时间变化特征，并因此为基础构造空间约束矩阵与时间约束矩阵，该步骤包括以下子步骤；（3.1）应用线性回归求得矩阵中行向量之间的相关性，构建空间约束矩阵；（3.1.1）对i＝1~M，依次用其他j≠i行的行向量线性拟合如下：Xi→=Σj≠iMwi,j·X→j;wi，j即为表示两者空间变化相关性的系数；（3.1.2）然后按以下方式将wi，j赋值到空间约束矩阵S中：S(i,j)=1,j=i-wi,j,j≠i,j≤M0,other;因此，S是一个M×M的矩阵，空间约束矩阵构造完毕；（3.2）应用线性回归求得矩阵中行向量之间的相关性，构建空间约束矩阵:（3.2.1）首先，对j＝1~N+n，依次用其他k≠j列的列向量线性拟合如下：Y→j=Σi≠jNθi,j·Y→i;其中，θk,j为表示两者时间变化相关性的参数；（3.2.2）然后按以下方式将θk，j赋值到时间约束矩阵T中：T(k,j)=1,k=j-wk,j,k≠j,k≤M+n0,other;因此，T是一个(N+n)×(N+n)的矩阵，时间约束矩阵构造完毕；（4）根据流量矩阵的低秩特点，结合步骤2中提到的流量观测矩阵Φ以及步骤3中构造的空间约束矩阵S和时间约束矩阵T,应用空时压缩感知对步骤1中提到的流量矩阵进行矩阵分解，得到分解因式L和R：构造以下凸优化函数对矩阵分解进行迭代求解，并得到矩阵分解的近似值L和R：在上式中，‖·‖F表示Frobenius范数，对任意矩阵Z，量化了网络流量的局部观测值约束，表示低秩近似分解观测点处的数据误差值；正则型包含了网络流量矩阵的低秩近似分解的复杂度信息，防止在原始流量数据重构过程中出现过度拟合现象；和则代表原始网络流量数据中包含的特殊结构性信息或冗余性质，即原始网络流量数据的空间?时间平稳性特征；μ、α、β、γ是均衡系数，体现了在正确估计测量数据、获得低秩特点、继承原始矩阵空时相关性三者之间的权衡：如果μ增大，则表示在矩阵分解过程中，更加倾向于精确恢复原始矩阵数值；如果α增大，则表示在矩阵分解过程中，更加倾向于获得具有低秩特性的原始矩阵估计值；如果β、γ增大，则表示在矩阵分解过程中，更加倾向于获得继承了原始矩阵空时相关性的估计矩阵；（5）进行蜂窝网络流量预测；利用步骤4中分解所得的矩阵因子L和R，精确恢复原始流量矩阵的近似低秩矩阵如下：其中，即为蜂窝网中所有基站在未来时刻的待预测流量值的估计值，至此...
【技术特征摘要】
【专利技术属性】
技术研发人员：文倩，张宏纲，赵志峰，
申请(专利权)人：浙江大学，
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。