avatar avatar 我的文献 基于机器学习的蜂窝网络基站流量分析与预测研究 作者 蒋品 单位 北京邮电大学 关键词 基站流量; 机器学习; 聚类分析; 神经网络; 流量预测
摘要
随着移动通信技术不断发展,移动蜂窝网络应用日益增多,社会生活越来越依赖于移动通信,蜂窝网络流量的需求也越来越大。而蜂窝网络产生了海量的数据,这些数据蕴含了用户、网络甚至是社会发展的信息,对这些信息进行挖掘,可以为通信技术的进一步发展、运营商公司战略的部署、社会行业的进步提供重要的参考意见。本论文选题于企业科研项目,着重进行蜂窝网络基站流量数据的分析与预测研究。由于不同基站流量序列之间具有时空相关性,本论文对基站进行聚类分析研究,得到每类基站的流量变化特性;在此基础上,利用神经网络算法进行基站流量预测研究。主要工作内容如下:1)本论文综述了蜂窝网络数据挖掘相关研究,总结了蜂窝网络数据的特征及相关研究方向,梳理了数据挖掘常用方法以及数据挖掘方法应用于蜂窝网络流量分析与预测领域的相关研究现状。2)针对不同基站的流量序列之间具有时空相关性的特征,本论文利用聚类算法对基站进行聚类分析。将基站流量序列包含的趋势信息融入到聚类算法的距离度量中,得到新的距离度量TBD(Trend-Based Distance)。由于距离度量可表征序列间的时空相关性,进而提出基站流量时间序列的K趋势(K-Trend)聚类算法,将基站按照流量序列间的时空相关程度聚成不同类簇,并结合地理位置信息对每个类簇的基站进行流量变化特性分析。利用实际基站流量数据集对所提算法进行性能验证,结果表明,所提算法比传统K均值(K-Means)算法的聚类性能更优。3)针对单基站与全局基站的流量预测问题,本论文提出了两种基于长短时记忆(Long-Short Time Memory,LSTM)神经网络的基站流量预测算法。第一种是TBD-LSTM单基站流量预测算法,该算法在预测单基站的未来流量时,计算该基站与其他基站的流量序列时空相关性,选取相关性较高的基站,将这些基站的流量值与待预测基站的流量值共同作为预测模型的输入,训练神经网络,最终得到单基站的流量预测模型;第二种是K-Trend-LSTM全局基站流量预测算法,该算法对K-Trend聚类后的每个类簇都训练一个预测模型,将类簇内所有基站流量序列作为该类簇预测模型的输入,每个类簇的预测模型可以预测出这个类簇中所有单基站的未来流量值。将所提算法应用于实际数据集中预测基站的未来流量,结果表明,所提两种算法比传统LSTM算法的预测精度更高。
下载 cnki {{liketext}}
©2020 - iData {{ message }} 关闭