深度学习在移动业务预测中的研究与应用

发布时间：2022-02-08 13:33

　　随着移动通信技术的发展和智能手机的普及,移动业务量呈现爆发式增长态势。为了在移动资源受限的情况下满足大规模移动用户数量和业务流量的需求,准确的移动业务量预测,可以为移动网络资源的合理分配提供有效的解决方案,从而保证用户良好的服务质量。因此,找到合理有效的移动业务量预测方法,意义重大。移动业务预测问题作为一种时间序列问题,具有多样性和时变性特征,传统统计方法难以满足要求。深度学习在各个领域的蓬勃发展为移动业务预测问题提出了新的思路,利用其深度、多层次的特性提取可以挖掘数据之间隐含的关联性。基于此,本文研究了如何将深度学习的思想用于解决时间序列预测问题,提出了两种模型,并应用到移动业务预测场景中。本文基于深度学习的两种典型神经网络循环神经网络（Recurrent Neural Network,RNN）和深度信念网络（Deep Belief Nets,DBN）分别提出了两种时间序列模型。首先基于RNN的一种常用变型LSTM（Long-Short-Term Memory）,分别提出了基于LSTM的一步时间序列预测模型和多步时间序列预测模型,并通过对序列进行差分处理获得了输入稳定性,最后基于标准... 

【文章来源】：北京邮电大学北京市211工程院校教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

图２－２阶跃Ａ数与ｓｉｇｍｏｉｄ函数??

由于感知机只有一个带激活函数的神经元，所以它的学习能力非常有限，只??能学习线性可分的数据，对异或这类非线性可分的数据无法处理。因此，如果把??多个神经元按照一定层级连接起来，便可以得到一个多层网络，如图２－４所示。??这些网络每层神经元与下一层全连接，层内和跨层都没有连接，这样的网络通常??成为前馈神经网络（ＦｅｅｄｆｏｒｗａｒｄＮｅｕｒａｌＮｅｔｗｏｒｋ，ＦＮＮ），是最基本的深度神经网??络。多层ＦＮＮ的学习能力比感知机要强得多。??Ｍ??醫—??（ａ）单层前馈网络?（ｂ）双隐层前馈神经网络??图２－４多层网络结构图??在上图（ａ）中，最底层神经元又叫输入层，接收模型的输入，最顶层神经??元又叫输出层，他们的输出就是模型的最终输出。在输入层和输出层中间的一层??１４??

?输入层?６??图２－６?ＲＮＮ的结构示意图??ＲＮＮ的结构如图２－６所示。ＲＮＮ通过添加一个拥有自连接的隐层来达到这??个目的。相比于ＦＮＮ的隐层节点不同的是，ＲＮＮ的隐层节点有一条指向自己的??路线。换句话说，以时间序列为例，前一个时刻的隐层节点的输出会作用于当前??时刻的隐层节点上。当前时刻的隐层节点同时接受来自当前时刻输入层的输入和??前一时刻隐层的输出，将两部分一起处理之后，又传向下一时刻的隐层节点和当??１７??

【参考文献】：
期刊论文
[1]深度学习:开启大数据时代的钥匙[J]. 余滨,李绍滋,徐素霞,纪荣嵘.  工程研究-跨学科视野中的工程. 2014(03)
[2]近年来我国短期气候预测中动力相似预测方法研究与应用进展[J]. 李维京,郑志海,孙丞虎.  大气科学. 2013(02)
[3]基于改进粒子群优化算法的灰色神经网络模型[J]. 马军杰,尤建新,陈震.  同济大学学报(自然科学版). 2012(05)
[4]基于粗糙集的BP神经网络在震例中的应用研究[J]. 董晓娜,苏道磊,李希亮,曲利,张慧峰,吴晨.  地震研究. 2012(02)
[5]混沌算子网络在经济数据预测中的应用研究[J]. 邹晓玫,修春波.  广西大学学报(自然科学版). 2011(05)
[6]我国短期气候预测的物理基础及其预测思路[J]. 魏凤英.  应用气象学报. 2011(01)
[7]组合人工神经网络在地震预测中的应用研究[J]. 陈以,王颖,张晋魁.  计算机仿真. 2011(01)
[8]基于遗传BP网络的股市预测模型研究与仿真[J]. 邓凯,赵振勇.  计算机仿真. 2009(05)
[9]基于PCA和改进BP网络的降雨预报模型研究[J]. 刘乐,王洪国,王宝伟.  计算机工程与应用. 2008(12)
[10]大气随机动力学与可预报性[J]. 周秀骥.  气象学报. 2005(05)

博士论文
[1]时间序列数据挖掘中的维数约简与预测方法研究[D]. 孙友强.中国科学技术大学 2014



本文编号：3615157