基于宽度学习的多变量时间序列预测研究及应用
发布时间：2021-07-11 13:43
时间序列在现实生活中普遍存在,是一种常见的数据表达形式,应用范围极其广泛,利用各种数学模型或算法挖掘出序列的内在特性,以此对生产生活进一步指导,也逐渐成为学术和工业上的热点,尤其在当今大数据、云计算的时代条件下,时间序列也越来越呈现出高维度、长数据、维度高相关、信息冗余等特点。因此,研究如何通过新的高效的分析和计算方法来预测多变量时间序列具有重要意义。本论文的主要研究工作和创新点如下:首先,本论文提出了基于改进的广义回归神经网络的多变量时间序列预测算法。利用广义回归神经网络算法对多变量时间序列进行预测,调节参数少,节省了计算资源。接着,结合粒子群算法,更精准地找到合适的平滑因子,实验结果表明,该算法的预测精度与常用的主流模型相比有明显的提升。其次,本论文设计了基于受限玻尔兹曼机-宽度学习的多变量时间序列预测算法。采用宽度学习扁平化神经网络结构,通过求伪逆方法,避免了深度学习梯度下降带来的问题,加快了运算速度。同时,在映射层使用受限玻尔兹曼机,通过无监督学习,获得降维或者加深维度的映射单元,得到丰富而分散的映射特征。与典型受限玻尔兹曼机相比,高斯伯努利受限玻尔兹曼机在处理实值输入数据集方...
【文章来源】：南京邮电大学江苏省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
流量观测图
Mean_Num_RRC_User RRC 连接平均用户数 表 3.4 中呈现了采集的 LTE 话务量数据集变量及其含义。“DL_Volume”表示 LTE 网络中，蜂窝小区下行 PDCP 进行数据接收，PDCP SDU 解析的 LTE 话务量值，单位是 KByte。“Max_Num_RRC_User”表示无线资源控制（Radio Resource Control，RRC）连接的最大用户数。“Max_Active_User”表示用户面上最大激活用户数，“DL_64QAM_Usage”表示 LTE 网络中下行调制 64 正交幅相调制（Quadrature Amplitude Modulation，简化为 QAM）占比。“Avg_Active_User”用户面上平均激活用户数，“DL_Uti_Rate”表示 FDD-LTE 下行 PRB 利用率，“Traffic_Avg_Rate”表示 LTE 整个小区下行 PDCP 平均速率，“Mean_Num_RRC_User”表示无线资源控制连接的平均用户数。
XGBOOST模型流量预测
【参考文献】：
期刊论文
[1]基于LSH的时间序列DTW相似性查询[J]. 李敏,于长永,张峰,马海涛,赵宇海. 小型微型计算机系统. 2019(10)
[2]基于GRU-RNN模型的城市主干道交通时间预测[J]. 张铭坤,王昕. 北京信息科技大学学报(自然科学版). 2019(04)
[3]基于EMD改进的Elman神经网络对股票的短期预测模型[J]. 吴曼曼,徐建新. 计算机工程与科学. 2019(06)
[4]基于全注意力机制的多步网络流量预测[J]. 郭佳,余永斌,杨晨阳. 信号处理. 2019(05)
[5]全球5G发展综述[J]. 武文星,刘瑞婷. 数字通信世界. 2019(05)
[6]时间序列预测技术综述[J]. 何亚磊,许乾坤. 信息通信. 2018(11)
[7]下一代移动通信技术发展趋势[J]. 王鹏. 中国新通信. 2018(17)
[8]利用二次移动平均法的GM（1,1）模型和Kalman滤波在沉降监测应用中的比较分析[J]. 伍锡锈. 测绘与空间地理信息. 2018(07)
[9]基于迭代决策树（GBDT）短期负荷预测研究[J]. 郑凯文,杨超. 贵州电力技术. 2017(02)
[10]基于粒子群-支持向量机的时间序列分类诊断模型[J]. 张涛,张明辉,李清伟,张玥杰. 同济大学学报(自然科学版). 2016(09)
博士论文
[1]基于EMD和BoF模型的时间序列数据挖掘及应用[D]. 黄炜平.浙江大学 2018
[2]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
硕士论文
[1]基于循环神经网络的时间序列预测方法研究[D]. 张旭.南京大学 2019
[2]基于生成对抗网络的流量预测研究[D]. 戴文倩.上海师范大学 2019
[3]基于WI-FI技术的网络电话通信系统的设计与研究[D]. 杨震.天津工业大学 2017
[4]移动通信网流量数据分析及预测研究[D]. 张雁钦.中国科学技术大学 2016
[5]基于分布式计算的时间序列异常检测[D]. 吴亚飞.上海交通大学 2016
[6]时间序列指数平滑算法的改进研究[D]. 李颖.辽宁工程技术大学 2009
本文编号：3278206
【文章来源】：南京邮电大学江苏省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
流量观测图
Mean_Num_RRC_User RRC 连接平均用户数 表 3.4 中呈现了采集的 LTE 话务量数据集变量及其含义。“DL_Volume”表示 LTE 网络中，蜂窝小区下行 PDCP 进行数据接收，PDCP SDU 解析的 LTE 话务量值，单位是 KByte。“Max_Num_RRC_User”表示无线资源控制（Radio Resource Control，RRC）连接的最大用户数。“Max_Active_User”表示用户面上最大激活用户数，“DL_64QAM_Usage”表示 LTE 网络中下行调制 64 正交幅相调制（Quadrature Amplitude Modulation，简化为 QAM）占比。“Avg_Active_User”用户面上平均激活用户数，“DL_Uti_Rate”表示 FDD-LTE 下行 PRB 利用率，“Traffic_Avg_Rate”表示 LTE 整个小区下行 PDCP 平均速率，“Mean_Num_RRC_User”表示无线资源控制连接的平均用户数。
XGBOOST模型流量预测
【参考文献】：
期刊论文
[1]基于LSH的时间序列DTW相似性查询[J]. 李敏,于长永,张峰,马海涛,赵宇海. 小型微型计算机系统. 2019(10)
[2]基于GRU-RNN模型的城市主干道交通时间预测[J]. 张铭坤,王昕. 北京信息科技大学学报(自然科学版). 2019(04)
[3]基于EMD改进的Elman神经网络对股票的短期预测模型[J]. 吴曼曼,徐建新. 计算机工程与科学. 2019(06)
[4]基于全注意力机制的多步网络流量预测[J]. 郭佳,余永斌,杨晨阳. 信号处理. 2019(05)
[5]全球5G发展综述[J]. 武文星,刘瑞婷. 数字通信世界. 2019(05)
[6]时间序列预测技术综述[J]. 何亚磊,许乾坤. 信息通信. 2018(11)
[7]下一代移动通信技术发展趋势[J]. 王鹏. 中国新通信. 2018(17)
[8]利用二次移动平均法的GM（1,1）模型和Kalman滤波在沉降监测应用中的比较分析[J]. 伍锡锈. 测绘与空间地理信息. 2018(07)
[9]基于迭代决策树（GBDT）短期负荷预测研究[J]. 郑凯文,杨超. 贵州电力技术. 2017(02)
[10]基于粒子群-支持向量机的时间序列分类诊断模型[J]. 张涛,张明辉,李清伟,张玥杰. 同济大学学报(自然科学版). 2016(09)
博士论文
[1]基于EMD和BoF模型的时间序列数据挖掘及应用[D]. 黄炜平.浙江大学 2018
[2]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
硕士论文
[1]基于循环神经网络的时间序列预测方法研究[D]. 张旭.南京大学 2019
[2]基于生成对抗网络的流量预测研究[D]. 戴文倩.上海师范大学 2019
[3]基于WI-FI技术的网络电话通信系统的设计与研究[D]. 杨震.天津工业大学 2017
[4]移动通信网流量数据分析及预测研究[D]. 张雁钦.中国科学技术大学 2016
[5]基于分布式计算的时间序列异常检测[D]. 吴亚飞.上海交通大学 2016
[6]时间序列指数平滑算法的改进研究[D]. 李颖.辽宁工程技术大学 2009
本文编号：3278206
本文链接：https://www.wllwen.com/kejilunwen/yysx/3278206.html
