基于深度学习的城市尺度无线流量预测

发布时间：2025-01-14 01:06

　　5G/6G无线通信系统正在加速拥抱AI,不断朝着智能化的方向发展。无线业务流量精准预测是通信系统迈向智能化,实现自组织管理、自优化配置的必经之路。无线业务流量预测不仅能够服务于动态网络拥塞控制,提升管理效率,还能辅助基站实现业务感知的动态覆盖,增强网络能效。然而,由于人的移动行为的复杂性、业务请求的随机性以及多源跨域数据对流量产生的空间约束性,无线业务流量的精准预测面临着诸多挑战。特别是当进行城市尺度无线业务流量预测时,涉及众多小区流量间的复杂时空依赖关系,需要精准捕捉。现有的解决方案还有较多不足,存在预测不准确、不能联合跨域数据分析以及预测趋于均值等问题,无法满足未来智能通信系统中高精度流量感知和预测的需求。因此,对无线业务流量的时空特性进行深度理解并联合跨域数据来提升城市尺度无线业务流量预测的准确性是本文研究的关键问题。本文将详细阐述如何借助深度学习技术实现无线业务流量的精准预测。主要聚焦在如何用卷积网络对无线业务流量的时空依赖性进行捕捉、如何借助跨域大数据和迁移学习对预测性能进行提升以及如何设计高效的预测框架解决城市尺度无线流量预测趋于均值的问题。具体创新点总结如下:1)为同时捕捉...

【文章页数】：132 页

【学位级别】：博士

【部分图文】：

图１－３卷积神经网络示意图??

并使得训练更深层的网络成为了可能。等变表示能够使得网络学习??到更加鲁棒的特征表示。目前的ＣＮＮ—般有卷积层、汇聚层（池化或者下采??样）和全连接层组成，典型的ＣＮＮ架构如图１－３所示。??输入?第一Ｍ特征?第二层特征?第三层特征?第四＝特征输出??３２Ｘ３２?４＾２８Ｘ２８?４....

图１－５卷积神经网络的变种形式??

［７２］。这两种网络架构的出现，使得神经网络可训练的深度大大提升，甚至可达??上千层。残差网络和密集连接卷积网络与经典ＣＮＮ网络的结构对比如图１－５所??示。??图１－５最左侧是经典的ＣＮＮ架构，中间部分表示残差网络，最右??侧是密集连接卷积网络。假定第／层的输出为Ｘ，，非线性变....

图１－８基站服务不同类型的业务??

ＭＮＣ）、基站编号（Ｃｅｌｌ?ＩＤ）以及经纬度、信号强度等。通过基站对应的编号，??可以得到每个基站层面在全时段所负载的情况。并且可以做到细粒度（不同时??间尺度、不同业务类型）的存储。如图１－８所示，不同的基站服务不同的用户，??用户产生的无线业务数据被各基站记录。此外，由于地....

图２－２无线业务流量在时间尺度上的变化??？？??

２．１．２数据预分析??通过对无线业务流量数据集的探索和深度分析，可获得无线业务流量的空??间和时间特征，如图２－２到图２－５所示。下面就无线业务流量空间域特征和时??间域特征进行详细说明。??３００?Ｉ?Ｉ?Ｉ?Ｉ?１?Ｉ???ＳＭＳ－ｉｎ??！：無她脇??〇?ｗ?．?Ｗ?，?....

本文编号：4026172