论文部分内容阅读
随着智能手机时代的来临,巨量的移动流量数据给运营商和基站带来巨大的压力,网络管理人员需要事先预测到移动网络流量的使用状况以便对移动网络态势进行预估和调整,因此移动网络流量态势预测的研究变得越来越重要。早期的移动网络流量小,预测方法主要是学者们根据经验和一些简单的数理模型进行建模预测,预测精度不高。随着深度学习的兴起,基于深度学习的移动网络流量态势预测成为了移动网络流量预测领域的研究重点。但大量的研究主要集中在使用单一神经网络模型提取移动网络流量的时间相关性,而在移动网络流量空间相关性上的研究并未深入。本文考虑到移动网络流量的时空特性,设计了一种新型的移动网络流量态势时空预测模型,具有比以往的移动网络流量预测模型更好的预测性能。本文设计了新型的移动网络流量态势时空预测模型,在移动网络流量空间特征提取方法中,设计了一种相关性算子对卷积过程进行改进,对输入卷积网络的数据进行相关性度量,将输入数据按照相关性顺序进行排列,而不是像普通卷积网络一样随机排列,这种根据相关性顺序的排列方式,使卷积网络更大概率卷积到对要预测结果影响较大的数据,提高对移动网络流量特征提取的准确度。在移动网络流量时间特征提取方法中,设计基于栅格循环单元的时间特征提取模型。传统长短时记忆网络中状态流和当前输入流共享参数矩阵,本文的基于栅格循环单元的结构将状态流和输入流分开不再共享权值,则状态流和输入流的输出门都会提取到不同的时间特征,使提取到的时间特征更丰富。为了验证本文提出的预测模型是否比普通深度学习方法有更好的准确度,需要移动网络流量数据的验证,但真实移动网络流量数据难以获取。本文在ON/OFF网络流量模型的基础上,使用马尔科夫行人流模型对ON/OFF网络流量模型进行改进。ON/OFF网络流量模型生成的流量主要表现出时间相关性,使用马尔科夫行人流模型增加了对移动网络流量用户的移动状况的考虑,建立了基于时间和空间的移动网络流量生成模型。该模型生成的数据拥有时空双重特性,与现实移动网络流量的特性比较相似。