基于机器学习的流量预测及基站休眠方法研究

发布时间：2021-09-03 02:56

　　随着信息技术的高速发展,无线通信系统中的数据业务需求呈指数型增长。为了满足业务需求,宏基站和小基站等网络基础设施数量大幅增加,网络结构也发展成层叠式的异构网络,通过在宏基站周围大量部署低功耗接入节点,有效提升了网络容量。与此同时,无线通信系统也面临着更严峻的能源消耗问题。无线网络业务量随时间变化,具有明显的“潮汐效应”,在网络流量负载较低的时段,仍保持全部基站开启,会造成不必要的能源消耗。打造节能高效的无线通信系统,实现绿色通信成为当今通信行业的重点研究方向。本文在此背景下展开,以提升网络能效为目标,依据网络流量特性,对网络流量预测技术和基站休眠技术进行研究。首先,针对网络流量的特性和网络流量预测模型进行分类介绍,对网络能效的度量标准依照器件级、设备级和网络级进行归纳总结,对基站休眠技术进行研究分析。其次,针对网络流量预测技术进行深入研究,提出一种将基于时变滤波的经验模态分解（Time Varying Filtering Based Empirical Mode Decomposition,TVF-EMD）与长短期记忆网络（Long Short-Term Memory,LSTM）相结合... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

014-2019年工信部全国基站数目统计

吉林大学硕士学位论文2全球多个电信行业机构对移动通信系统未来的数据流量情况进行预测，预测情况显示，移动通信网络的数据流量将持续高速增长。根据思科对移动网络趋势预测[2]，从2017年到2022年，全球移动设备连接数量将从86亿增长到123亿，复合年均增长率为7.5％，全球移动数据流量预计从每月12艾字节增至77艾字节，移动数据流量的复合年均增长率将达到46%，六年预计增长近7倍，如图1.2所示；2018年到2023年，移动网络的平均连接速度预计从13.2Mbps升至43.9Mbps，复合年均增长率预计达到29%。图1.22017-2022年全球月均移动数据流量增长趋势为了提高网络容量，满足不断增长的数据业务需求，宏基站（MarcoBaseStation，MarcoBS）与低功耗的小型化基站（SmallBaseStation，SmallBS）协同部署的异构蜂窝网络成为主流的网络架构。小基站的类型主要包括微基站（MicroBaseStation，MicroBS）、皮基站（PicoBaseStation，PicoBS）、飞基站（FemtoBaseStation，FemtoBS）以及中继节点（RelayNodes，RN）。每类小基站的覆盖范围、传输功率各不相同，适用于不同的场景。低功耗小基站的应用场景包括：提升热点地区的网络容量、提高用户服务质量、对宏蜂窝覆盖的盲点进行补充以及室内覆盖等。异构网络中各类型基站的具体参数如表1.1所示：

吉林大学硕士学位论文22图3.1经典的RNN结构图3.2RNN时间域展开形式图中x是RNN输入，h是隐藏层输出，y是RNN输出，1W是输入层与隐藏层间的权重矩阵，2W是隐藏层节点前后时刻输出间的权重矩阵，3W是隐藏层与输出层间的权重矩阵。网络输出通过以下公式进行计算：121()ttthfWxWhb································(3.1)3()ttygWhb······································(3.2)其中f和g分别是隐藏层和输出层的激活函数，b是偏置参数。RNN的训练过程包括前向推算和后向传播两部分，下面对RNN的训练过程进行详细介绍：

【参考文献】：
期刊论文
[1]Femtocell中基于负载预测的基站休眠节能方案[J]. 代红英,孙霞,周朋光.  计算机应用研究. 2019(08)
[2]基于混沌理论与改进回声状态网络的网络流量多步预测[J]. 田中大,李树江,王艳红,王向东.  通信学报. 2016(03)
[3]基于小波分析的ARMA-SVR网络流量预测方法[J]. 刘亮,江汉红,王洁,芮万智.  计算机工程与设计. 2015(08)
[4]基于流量特征的网络流量预测研究[J]. 张凤荔,赵永亮,王丹,王豪.  计算机科学. 2014(04)
[5]小波分析和AR-LSSVM的网络流量预测[J]. 冯华丽,刘渊.  计算机工程与应用. 2011(20)
[6]基于RBF神经网络的网络流量建模及预测[J]. 王俊松,高志伟.  计算机工程与应用. 2008(13)
[7]基于递归神经网络的网络流量组合预测模型[J]. 刘渊,姚萌.  计算机工程与设计. 2008(03)



本文编号：3380260