基于机器学习的蜂窝网络基站流量分析与预测研究

发布时间：2020-05-22 10:48

【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。
【图文】：

模型图,数据挖掘,学科知识,输入输出

逦北京邮电大学工程硕士学位论文逦逡逑２．２．１数据挖掘技术的概念与原理逡逑数据挖掘（Ｄａｔａ邋Ｍｉｎｉｎｇ），是从大量的实际应用数据中提取隐含的、潜在有逡逑用的信息与知识的过程。数据挖掘基于各种类型的数据库，挖掘后获得的知识包逡逑括关联规则、区分规则、特征规则、总结规则、分类规则、偏差规则、聚类规则、逡逑趋势分析等。数据挖掘技术的特点概括如下：逡逑１）数据规模庞大，达到ＧＢ、ＴＢ数量级甚至更大；逡逑２）数据查询要求不精确，依赖系统本身寻找感兴趣的潜在信息；逡逑３）数据变化迅速，数据挖掘需快速做出反应以随时提供决策支持；逡逑４）规则的发现基于统计规律，所发现的规律不一定适用于所有数据；逡逑５）数据挖掘所发现的规则是动态的，会随数据的更新而改变。逡逑数据挖掘的实质是综合应用各种技术，对于业务相关的数据进行一系列科学逡逑的处理，，这个过程中需要用到多种学科的知识［２２］，具体如图２－１所示。逡逑

预测方法,神经网络预测,数据挖掘,角度

预测是指根据发展趋势和变化规律对事物未来发展趋势或状态作出科学的逡逑判断与推断，即根据过去和现在估计未来。预测方法可以分为定性预测方法和定逡逑量预测方法，其关系如图２－２所示。逡逑「专家会议法／Ｄｅｌｐｈｉ法逡逑？？定性预测方法主观概率法逡逑Ｌ邻先指标法逦「移动平均逡逑预测■＜逦ｆ时间序列分析—指数平滑逡逑Ｌ邋Ｂｏｘ－Ｊｅｎｋｉｎｓｆｔ逡逑－？定量预测方法—逦「回归方法逡逑计量经济模型逡逑、因果关系分析＾神经网络预测法逡逑灰色预测逡逑＇？马尔科夫预测逡逑图２－２预测方法分类逡逑从数据挖掘角度，本论文采用的是定量分析方法中的神经网络预测法。神经逡逑网络预测是预测技术中的重要方法之一。人工神经网络是一种应用类似于大脑神逡逑经突触联接的结构进行信息处理的数学模型，大量节点之间相互连接构成网络，逡逑以达到处理信息的目的。神经网络的优势在于：１）可以任意精度逼近任意函数：逡逑２）属于非线性模型，能适应各种复杂的数据关系；３）具备很强的学习能力，能逡逑适应数据空间的变化；４）借鉴人脑的物理结构和机理，能够模拟人脑的某些功逡逑能，具备“智能”的特点。逡逑递归神经网络（Ｒｅｃｕｒｒｅｎｔ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ，邋ＲＮＮ）是人工神经网络的一种，逡逑ＬＳＴＭ是其变体。ＬＳＴＭ与传统ＲＮＮ区别最大的是其隐藏层模块的结构［２９Ｌ逡逑ＬＳＴＭ隐藏层模块又被称之为记忆模块，具体结构如图２－３所示。记忆模块是由逡逑１４逡逑
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN929.5;TP181

【相似文献】