D运营商城域网流量预测与扩容工程优化研究
发布时间：2021-11-16 23:39
随着工信部向三大运营商颁发了5G商用牌照,中国的5G通信网络基础设施建设正式拉开序幕,在2020年3月的中共中央政治局常委会议提出加快5G网络、数据中心新型技术设施建设,即新基建将进入大规模建设阶段。无论在5G通信基础设施建设还是在新基建工程中均涉及通信网络、数据中心等网络工程的建设,而对城市网络流量预测,是此类工程项目进行科学规划的前提和关键。在进行新的通信基础设施建设时,对原有通信设施的扩容建设是一种必不可少的手段,通过对扩容工程进行优化,能够在工程建设目标的基础上大大减少工程的建设成本,同时提高工程的建设效率。以科学准确的预测城域网流量为基础,依据预测结果对网络扩容工程进行优化,对城域网扩容工程具有非常重要的意义。本文首先对D运营商城域网建设情况进行介绍,并对流量预测和扩容工程优化的方法进行了介绍和分析,然后对城域网流量预测进行研究,分析传统的预测方法和智能预测方法,并确定使用循环神经网络,建立了基于循环神经网络的城域网流量预测模型,选择合适的误差分析方法,对相关函数及优化器进行分析,选择最优组合,从而提高了城域网流量预测的准确性。在流量预测的基础上对城域网网络扩容工程的优化进行...
【文章来源】：华北电力大学河北省 211工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
研究内容框架图
华北电力大学硕士学位论文17图2-2LeNet5结构图该网络是由YannLeCun于1998年提出，它最早是应用于手写体字的识别的卷积神经网络，在手写体数据集合上可以达到约为98%的正确率。LeNet网络总共有7层，其中卷积层为C1层，C3层，C5层，池化层为S2，S4，全连接层为F6。卷积层的主要作用是提取输入数据集合中的特征，它的内部包含有多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元。在卷积层完成特征提取后，输出的特征图将被传递至池化层进行特征选择和信息过滤。在某种意义上，池化层的工作方式非常类似于离散卷积。池化层主要采用降采样操作，将特征图中单个点的结果替换为其相邻区域的特征图统计量。这样减少了后续层需要处理的参数量，降低了特征的维度，加快了网络的学习速率[51]。目前，常见的池化方式有最大值池化，平均值池化等。全连接层位于卷积神经网络隐含层的最后部分，它只向其它全连接层进行信号的传递。其主要的作用是将神经网络中所学到的“特征表示”映射到样本标记空间。（2）支持向量机支持向量机（SVM）是近几年被人们十分关注的一种算法，是以统计学为基础，能够解决传统统计学所需的无限样本的缺陷以及有限样本的机器学习中存在的局部极小值和高维数等问题。在处理高维数据时该模型具有非常优质的性能，并且具有良好的泛化性能。支持向量机从发展起来以后一直被广泛的用于解决分类及回归问题，其支持向量机回归模型通常被用于数据预测领域，并且预测的精准度较高，具很好的应用价值[52]。SVM就是通过非线形变换将样本空间映射到高维特征空间H（Hilbert空间），
的时序信息和词语含义信息的深度表达的能力。循环神经网络最初设计就是为了表示一个序列当前的输出与之前输入的信息关系。从网络结构上看，循环神经网络会保存前面输入的信息，并利用之前的信息对后面结点的输出进行影响。也就是说，循环神经网络的隐藏层之间的结点是有连接的，隐藏层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出[53]。这样做相当于赋予网络记忆，使得当前的输出依赖于当前的输入和记忆。RNN 有如下特点 1)能够处理序列化数据，隐层神经元之间也有权连接 2)权值共享，输入层，隐层，输出层的权值在不同序列中都相同 3)每一个输入值只与它本身的那条线路建立权连接，不与别的神经元连接 经典 RNN 结构图如下图。
【参考文献】：
期刊论文
[1]基于CNN-XGBoost的短时交通流预测[J]. 叶景,李丽娟,唐臻旭. 计算机工程与设计. 2020(04)
[2]一种基于卷积神经网络模型融合的织物疵点检测方法[J]. 蔡鹏,杨磊,罗俊丽. 北京服装学院学报(自然科学版). 2020(01)
[3]基于改进粒子群算法的月地转移轨道优化[J]. 李远平,蔡远利,李济生. 工程力学. 2020(03)
[4]TD-LTE网络扩容策略及方法[J]. 程璇. 中国新通信. 2020(03)
[5]基于LSTM循环神经网络的泊位需求短时预测研究[J]. 裘瑞清,周后盘,吴辉,阮益权,石敏. 自动化技术与应用. 2019(11)
[6]面向5G业务承载的新型智能城域网重构与思考[J]. 王明蓉,王斌,王林. 通信与信息技术. 2019(06)
[7]5G确定性网络的应用和传送技术[J]. 赵福川,刘爱华,周华东. 中兴通讯技术. 2019(05)
[8]基于卷积神经网络的人脸识别研究与设计[J]. 王立凯. 通信电源技术. 2019(07)
[9]提升4G无线网扩容方案准确度研究[J]. 刘诗虎,王勇. 信息通信. 2019(06)
[10]基于MAWILab数据集的短期网络流量预测[J]. 强延飞,刘雅婷,王永程,谷源涛. 计算机仿真. 2019(05)
硕士论文
[1]基于支持向量机煤灰熔融特性及低温受热面积灰监测[D]. 陈裕辉.华北电力大学(北京) 2019
本文编号：3499787
【文章来源】：华北电力大学河北省 211工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
研究内容框架图
华北电力大学硕士学位论文17图2-2LeNet5结构图该网络是由YannLeCun于1998年提出，它最早是应用于手写体字的识别的卷积神经网络，在手写体数据集合上可以达到约为98%的正确率。LeNet网络总共有7层，其中卷积层为C1层，C3层，C5层，池化层为S2，S4，全连接层为F6。卷积层的主要作用是提取输入数据集合中的特征，它的内部包含有多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元。在卷积层完成特征提取后，输出的特征图将被传递至池化层进行特征选择和信息过滤。在某种意义上，池化层的工作方式非常类似于离散卷积。池化层主要采用降采样操作，将特征图中单个点的结果替换为其相邻区域的特征图统计量。这样减少了后续层需要处理的参数量，降低了特征的维度，加快了网络的学习速率[51]。目前，常见的池化方式有最大值池化，平均值池化等。全连接层位于卷积神经网络隐含层的最后部分，它只向其它全连接层进行信号的传递。其主要的作用是将神经网络中所学到的“特征表示”映射到样本标记空间。（2）支持向量机支持向量机（SVM）是近几年被人们十分关注的一种算法，是以统计学为基础，能够解决传统统计学所需的无限样本的缺陷以及有限样本的机器学习中存在的局部极小值和高维数等问题。在处理高维数据时该模型具有非常优质的性能，并且具有良好的泛化性能。支持向量机从发展起来以后一直被广泛的用于解决分类及回归问题，其支持向量机回归模型通常被用于数据预测领域，并且预测的精准度较高，具很好的应用价值[52]。SVM就是通过非线形变换将样本空间映射到高维特征空间H（Hilbert空间），
的时序信息和词语含义信息的深度表达的能力。循环神经网络最初设计就是为了表示一个序列当前的输出与之前输入的信息关系。从网络结构上看，循环神经网络会保存前面输入的信息，并利用之前的信息对后面结点的输出进行影响。也就是说，循环神经网络的隐藏层之间的结点是有连接的，隐藏层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出[53]。这样做相当于赋予网络记忆，使得当前的输出依赖于当前的输入和记忆。RNN 有如下特点 1)能够处理序列化数据，隐层神经元之间也有权连接 2)权值共享，输入层，隐层，输出层的权值在不同序列中都相同 3)每一个输入值只与它本身的那条线路建立权连接，不与别的神经元连接 经典 RNN 结构图如下图。
【参考文献】：
期刊论文
[1]基于CNN-XGBoost的短时交通流预测[J]. 叶景,李丽娟,唐臻旭. 计算机工程与设计. 2020(04)
[2]一种基于卷积神经网络模型融合的织物疵点检测方法[J]. 蔡鹏,杨磊,罗俊丽. 北京服装学院学报(自然科学版). 2020(01)
[3]基于改进粒子群算法的月地转移轨道优化[J]. 李远平,蔡远利,李济生. 工程力学. 2020(03)
[4]TD-LTE网络扩容策略及方法[J]. 程璇. 中国新通信. 2020(03)
[5]基于LSTM循环神经网络的泊位需求短时预测研究[J]. 裘瑞清,周后盘,吴辉,阮益权,石敏. 自动化技术与应用. 2019(11)
[6]面向5G业务承载的新型智能城域网重构与思考[J]. 王明蓉,王斌,王林. 通信与信息技术. 2019(06)
[7]5G确定性网络的应用和传送技术[J]. 赵福川,刘爱华,周华东. 中兴通讯技术. 2019(05)
[8]基于卷积神经网络的人脸识别研究与设计[J]. 王立凯. 通信电源技术. 2019(07)
[9]提升4G无线网扩容方案准确度研究[J]. 刘诗虎,王勇. 信息通信. 2019(06)
[10]基于MAWILab数据集的短期网络流量预测[J]. 强延飞,刘雅婷,王永程,谷源涛. 计算机仿真. 2019(05)
硕士论文
[1]基于支持向量机煤灰熔融特性及低温受热面积灰监测[D]. 陈裕辉.华北电力大学(北京) 2019
本文编号：3499787
本文链接：https://www.wllwen.com/guanlilunwen/sjfx/3499787.html
