论文部分内容阅读
随着移动通信技术的不断发展以及5G时代的到来,人们对于移动数据流量的需求不断增加,移动互联网也在极大地满足人们在任意时间、任意地点快速便捷地接入互联网的需求;使用智能设备和移动业务的用户数量也在持续增长。目前,中国有着世界上最大的移动通信市场,伴随着激增的移动用户量,移动通信运营商需要更智能地管理无线网络,以提供更加优质的服务,而准确的预测蜂窝网络基站的流量,能够有效地推动无线网络的智能化建设。伴随着人工智能以及互联网大数据的发展,一方面,越来越多的研究者研究利用神经网络去进行蜂窝网络基站流量的预测,含有多个隐藏层的神经网络模型在理论上,可以近似拟合任意的非线性函数;另一方面,越来越多的分析工作也发现,蜂窝网络基站流量不仅在时间维度上具有很强的自相关性,在空间维度上也与周围的其它基站流量存在较强的互相关性。本文通过挖掘现网真实的蜂窝网络数据,分析基站流量的空时相关性,以及基站流量与非流量特征存在的潜在相关性,基于神经网络模型,提出适用于蜂窝网络基站流量的空时预测模型,并在此基础上研究模型在一维高速铁路场景中的简化问题,以及引入非流量特征后,对空时模型预测效果的影响。论文主要工作包括:一、基于蜂窝网络基站流量数据进行数据挖掘以及空间建模研究。基于某运营商提供的现网真实数据,首先分析蜂窝网络基站流量的时间自相关性和空间互相关性,并利用统计学分析方法和基于集成学习的分析方法,分析上下行流量特征与下行利用率PDCCH等非流量特征之间的相关性;发现蜂窝网络基站流量存在明显的空时相关性以及与其它非流量特征存在潜在相关性,同时发现不同时刻基站数据对蜂窝网络基站流量预测的贡献也不同。此外,基于蜂窝网络的空间特点,提出一种对区域级别基站数据进行建模的空间建模方法。二、提出基站流量的空时预测模型DI-DenseNet模型。将输入数据分组为临近依赖数据和周期依赖数据,分别输入到两个并列的卷积神经网络结构,融合输出结果,实现了高精度的空时多步预测。DI-DenseNet模型一次预测即可得到预测区域内所有基站的流量预测结果,实验结果表明,在二维城镇场景中,DI-DenseNet模型的平均单个基站训练开销比LSTM模型减少约59.3%,上下行流量的五步预测平均精度与LSTM模型相似,比SVR模型分别高约17.9%和5.0%,比CNN模型高约3.2%和6.9%。同时,研究DI-DenseNet模型在一维高速铁路场景的简化,使得简化后的模型在预测高速铁路场景的蜂窝网络基站流量时,能够在预测精度基本不变的情况下,模型的计算复杂度下降约82.0%。三、研究引入非流量特征对空时模型预测效果的影响。提出两级标准化操作,消除相邻基站相同特征具有的不同量级对模型预测带来的潜在影响,保留了基站数据的时序变化趋势,实验表明,两级标准化有效地提高了引入非流量特征后的流量预测精度。随后开展引入非流量特征的单步预测实验,发现引入上行利用率PUSCH等特征有助于提高流量预测精度,同时提出一种基于辅助特征预测模型的多步预测策略,来进行引入非流量特征后的多步预测,实验结果显示,在引入非流量特征后,上行流量五步预测平均误差下降约4.3%,下行流量五步预测平均误差下降约4.6%。