CN109831801B - 基于深度学习神经网络的用户行为预测的基站缓存方法 - Google Patents
基于深度学习神经网络的用户行为预测的基站缓存方法 Download PDFInfo
- Publication number
- CN109831801B CN109831801B CN201910006278.2A CN201910006278A CN109831801B CN 109831801 B CN109831801 B CN 109831801B CN 201910006278 A CN201910006278 A CN 201910006278A CN 109831801 B CN109831801 B CN 109831801B
- Authority
- CN
- China
- Prior art keywords
- user
- base station
- neural network
- model
- users
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习神经网络的用户行为预测的基站缓存算法,包括如下步骤:记录一段时间基站服务用户的需求,对需求进行整理、预处理后确定神经网络的训练集U;利用深度学习中的神经网络算法,包括DNN以及RNN,对训练集数据U进行训练拟合,建立用户需求行为模型。使用用户需求行为模型,对用户下一时间的需求进行预测。使用基站缓存策略,将模型预测所得的数据预缓存在基站的缓存之中,以保证在用户需求时,可以直接从基站缓存中获取。记录用户真实的需求与预测数据对比,不断完善模型并继续步骤3‑5,使得对用户的需求行为模型不断完善,预测精准度提高。
Description
技术领域
本发明属于无线通信领域,涉及一种基站缓存策略的通信技术,尤其涉及一种基于深度学习神经网络的用户行为预测的基站缓存算法。
背景技术
随着4G网络的商用和广泛部署,用户可以享受到越来越高速的数据业务。这进一步刺激了用户对移动设备(智能机、平板电脑等)的使用,因此蜂窝网的流量负载急剧增长。最近的一项预测显示,2018年无线网络上的数据流量将高达190艾字节,更为重要的是其中超过一半都将通过4G/LTE网络进行传输。4G中广泛采用的还是传统蜂窝结构式的无线接入网,尽管采用了一些先进的技术,如中继、 OFDM、MIMO、抗干扰措施等来增大***容量和提高服务质量,仍然无法满足不断增长的用户和网络需求,单一的传统蜂窝结构式无线接入网越来越成为严重影响用户体验的瓶颈。因此,异构蜂窝技术成为了目前较为优秀的解决办法之一。
虽然通过低成本低功耗实现了更广的网络覆盖,但由于小蜂窝自身负载能力与传统蜂窝相比相对较弱,高峰时段如何保持小蜂窝基站的运载能力成为技术的瓶颈。有人提出了在这些小蜂窝基站处进行缓存,其中流行文件被预取并存储在本地,以便避免有限容量的到核心网络的回程连接链路的瓶颈的优化策略。预计异构蜂窝将成为提高即将到来的5G蜂窝网络的网络性能和功效的关键特征,使得宏蜂窝与小蜂窝一起部署。在异构蜂窝网络的基站中部署缓存,缓存流行度高的文件成为了主流的解决方式。而我们针对这个基站的缓存策略提出全新的基于神经网络的用户行为预测模型,对用户的行为分析,提前预缓存,以达到更高的性能要求。
神经网络作为深度学习的载体,通过对大量的训练数据的学习拟合,便可以建立与训练数据集相匹配的数据模型。神经网路可以主要分为深度神经网络Deep NeuralNetwork(DNN)以及递归神经网络Recurrent Neural Network(RNN)。并且由于神经网络可以较好的对非线性数据进行拟合,其在用户行为模型建立方面有着不错的效果。
发明内容
发明目的:本发明提供了一种基于深度学习神经网络的用户行为预测的基站缓存算法。
技术方案:为达到此目的,本发明采用以下技术方案:
一种基于深度学习神经网络的用户行为预测的基站缓存算法,包括如下步骤:
S1.假设基站为K个用户提供服务,对服务的每个用户,记录用户向该基站提出的需求,对需求进行整理、并对文件进行编号,同时记录每个被需求的文件的编号的预处理方法后确定神经网络的训练集U;
S2.利用深度学习中的神经网络算法,包括DNN以及RNN,对任意用户的训练集数据,将用户的前段时间的需求作为输入,下一时刻的需求作为输出;利用梯度下降法拟合,损失函数为预测与真实之间的差值;在多次训练拟合后,建立用户需求行为模型;
S3.运用建立的用户需求行为模型,输入前一段时间的用户需求,对用户下一时间的需求进行预测;获得用户下一时刻的需求;
S4.将所得的需求预缓存在j基站缓存中,使用基站缓存策略,将多个用户的需求合理的缓存在基站中,以保证在用户需求时,可以直接从基站缓存中获取;
S5.当用户真实需求时,记录用户真实的需求与预测数据对比,更新数据集,继续训练,不断完善模型并继续步骤S3-S5,使得对用户的需求行为模型不断完善,预测精准度提高。
进一步地,所述步骤S2的基于神经网络的模型建立是通过多层RNN神经网络来对用户行为建立模型,其中每层节点数的设计可以参考公式如下
m=log2n
其中m为隐藏节点数,n为输入节点数,l为输出节点数,但最终要通过测试确定w为常数,并运用该模型对用户行为、文件流行度进行的预测。
进一步地,所述步骤S2中,梯度下降法具体为:
将已经转化为转化为数字信号的用户真实需求代入f(θ)可以得到下降梯度,将该梯度导入神经网络结构,便可得知该网络的最优下降速度,以完成更好的拟合;每次梯度下降后,要计算损失函数,若损失函数依旧很大,便再次使用梯度下降。
进一步地,所述步骤S4中,基站缓存策略为以下两种中的任意一种,其中a为任意常数:
1)在基站中缓存用户未来的a个需求,每当用户需求时,如果与预缓存不符,便更新基站的所有a个预缓存内容。若需求与预缓存相符,不更新缓存内容,直到出现不符或者a个预缓存都被需求之后,更新缓存内容;
2)在基站中缓存用户的a个需求,每当用户需求时,如果与预缓存不符,记录用户需求更新模型。当用户a个需求之后,更新基站缓存内容。
进一步地,所述步骤S5更新数据集并继续训练是指该用户行为预测模型会随着时间自己优化,并不断完善接近用真实行为。
进一步地,对于每个用户都建立了行为模型,每个用户的模型都不相同。
有益效果:本发明利用深度学习针对用户建立行为模型,并会跟随用户习惯修改,更贴和用户行为。同时,只需要用户的历史行为进行拟合就可以了。优化了算法的运行速度,拟合效果,大大降低了算法的迭代次数,能够更快的接近用户的真实行为。利用深度学习的神经网络,降低了所需的反馈量。深度学习的神经网络的用户行为模型具有极高的拟合度;具体可以见附图2。
附图说明
图1为本发明具体实施方式的算法流程图;
图2为本发明使用5层神经网络结构对用户行为预测的损失率与训练次数关系曲线示意图;
图3为本发明使用5层神经网络结构对用户行为预测的准确率与训练次数关系曲线示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步的介绍。
一种基于深度学习神经网络的用户行为预测的基站缓存算法,包括如下步骤:
S1.假设基站为K个用户提供服务,对服务的每个用户,记录用户向该基站提出的需求,对需求进行整理、并对文件进行编号,同时记录每个被需求的文件的编号的预处理方法后确定神经网络的训练集U;
S2.利用深度学习中的神经网络算法,包括DNN以及RNN,对任意用户的训练集数据,将用户的前段时间的需求作为输入,下一时刻的需求作为输出;利用梯度下降法拟合,损失函数为预测与真实之间的差值;在多次训练拟合后,建立用户需求行为模型;
基于神经网络的模型建立是通过多层RNN神经网络来对用户行为建立模型,其中每层节点数的设计可以参考公式如下
m=log2n
其中m为隐藏节点数,n为输入节点数,l为输出节点数,但最终要通过测试确定w为常数,并运用该模型对用户行为、文件流行度进行的预测。
梯度下降法具体为:
将已经转化为转化为数字信号的用户真实需求代入f(θ)可以得到下降梯度,将该梯度导入神经网络结构,便可得知该网络的最优下降速度,以完成更好的拟合;每次梯度下降后,要计算损失函数,若损失函数依旧很大,便再次使用梯度下降。
S3.运用建立的用户需求行为模型,输入前一段时间的用户需求,对用户下一时间的需求进行预测;获得用户下一时刻的需求;
S4.将所得的需求预缓存在j基站缓存中,使用基站缓存策略,将多个用户的需求合理的缓存在基站中,以保证在用户需求时,可以直接从基站缓存中获取;
基站缓存策略为以下两种中的任意一种,其中a为任意常数:
1)在基站中缓存用户未来的a个需求,每当用户需求时,如果与预缓存不符,便更新基站的所有a个预缓存内容。若需求与预缓存相符,不更新缓存内容,直到出现不符或者a个预缓存都被需求之后,更新缓存内容;
2)在基站中缓存用户的a个需求,每当用户需求时,如果与预缓存不符,记录用户需求更新模型。当用户a个需求之后,更新基站缓存内容。
S5.当用户真实需求时,记录用户真实的需求与预测数据对比,更新数据集,继续训练,不断完善模型并继续步骤S3-S5,使得对用户的需求行为模型不断完善,预测精准度提高。
更新数据集并继续训练是指该用户行为预测模型会随着时间自己优化,并不断完善接近用真实行为。
对于每个用户都建立了行为模型,每个用户的模型都不相同。
实施例
如图1所示,在一个异构蜂窝网络中。将用户的需求预缓存在微基站中,从而减少高峰期的网络压力。其具体工作步骤如下。
S1:假设一个异构蜂窝网络,其中微基站中布置了高速缓存。对于任意用户,我们优先使用微基站为其服务。同时我们运用用户之前的行为习惯,利用深度学习的神经网络对用户行为进行拟合建立模型。
S2:具体建立模型的方式为利用DBN神经网络运用户数据集运用BP神经网络的梯度下降算法,进行大量训练。
S3:当用户上一个请求结束后,通过神经网络模型,获得用户的下一个行为的预测数据,将该数据通过宏基站获取后,预缓存在微基站的缓存中。
S4:当用户有请求时,与及微基站中预缓存的数据对比。如果预测的正确,直接从微基站中获取。如果不正确,则将从宏基站中直接获取。
S5:将用户的需求带入模型,进行拟合训练,获得更精准的模型。
Claims (5)
1.一种基于深度学习神经网络的用户行为预测的基站缓存方法,其特征在于:包括如下步骤:
S1.假设基站为K个用户提供服务,对服务的每个用户,记录用户向该基站提出的需求,对需求进行整理、并对文件进行编号,同时记录每个被需求的文件的编号的预处理方法后确定神经网络的训练集U;
S2.利用深度学习中的神经网络算法,包括DNN以及RNN,对任意用户的训练集数据,将用户的前段时间的需求作为输入,下一时刻的需求作为输出;利用梯度下降法拟合,损失函数为预测与真实之间的差值;在多次训练拟合后,建立用户需求行为模型;
S3.运用建立的用户需求行为模型,输入前一段时间的用户需求,对用户下一时间的需求进行预测;获得用户下一时刻的需求;
S4.将所得的需求预缓存在j基站缓存中,使用基站缓存策略,将多个用户的需求合理的缓存在基站中,以保证在用户需求时,可以直接从基站缓存中获取;
S5.当用户真实需求时,记录用户真实的需求与预测数据对比,更新数据集,继续训练,不断完善模型并继续步骤S3-S5,使得对用户的需求行为模型不断完善,预测精准度提高;
所述步骤S4中基站缓存策略为以下两种中的任意一种,其中a为任意常数:
1)在基站中缓存用户未来的a个需求,每当用户需求时,如果与预缓存不符,便更新基站的所有a个预缓存内容;若需求与预缓存相符,不更新缓存内容,直到出现不符或者a个预缓存都被需求之后,更新缓存内容;
2)在基站中缓存用户的a个需求,每当用户需求时,如果与预缓存不符,记录用户需求更新模型;当用户a个需求之后,更新基站缓存内容。
4.根据权利要求1所述的基于深度学习神经网络的基站缓存方法,其特征在于,所述步骤S5更新数据集并继续训练是指该用户行为预测模型会随着时间自己优化,并不断完善接近用户真实行为。
5.根据权利要求1所述的基于深度学习神经网络的基站缓存方法,其特征在于,对于每个用户都建立了行为模型,每个用户的模型都不相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910006278.2A CN109831801B (zh) | 2019-01-04 | 2019-01-04 | 基于深度学习神经网络的用户行为预测的基站缓存方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910006278.2A CN109831801B (zh) | 2019-01-04 | 2019-01-04 | 基于深度学习神经网络的用户行为预测的基站缓存方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109831801A CN109831801A (zh) | 2019-05-31 |
CN109831801B true CN109831801B (zh) | 2021-09-28 |
Family
ID=66860069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910006278.2A Active CN109831801B (zh) | 2019-01-04 | 2019-01-04 | 基于深度学习神经网络的用户行为预测的基站缓存方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109831801B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111865863B (zh) * | 2020-07-20 | 2021-07-20 | 山东大学 | 一种基于rnn神经网络的ofdm信号检测方法 |
CN114338416B (zh) * | 2020-09-29 | 2023-04-07 | ***通信有限公司研究院 | 一种时空多指标预测方法、装置和存储介质 |
CN112947959A (zh) * | 2021-01-29 | 2021-06-11 | 京东方科技集团股份有限公司 | 一种ai服务平台的更新方法、装置、服务器及存储介质 |
CN112819523B (zh) * | 2021-01-29 | 2024-03-26 | 上海数鸣人工智能科技有限公司 | 结合内/外积特征交互和贝叶斯神经网络的营销预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106658598A (zh) * | 2016-12-08 | 2017-05-10 | 南京邮电大学 | 一种基于内容缓存和网络状态感知的业务迁移方法 |
CN107241790A (zh) * | 2017-05-24 | 2017-10-10 | 沈阳航空航天大学 | 基于内容缓存的基站协作节能策略 |
CN108153830A (zh) * | 2017-12-13 | 2018-06-12 | 东南大学 | 无线通信网络中基于学习的主动缓存控制方法 |
CN108307446A (zh) * | 2018-01-05 | 2018-07-20 | 华中科技大学 | 一种基于软件定义的无线网络边缘协作缓存***与方法 |
CN108668287A (zh) * | 2018-04-19 | 2018-10-16 | 西安交通大学 | 一种基于用户内容流行度和移动规则的主动缓存方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102392510B1 (ko) * | 2016-05-09 | 2022-04-29 | 스트롱 포스 아이오티 포트폴리오 2016, 엘엘씨 | 산업용 사물 인터넷을 위한 방법들 및 시스템들 |
US10866584B2 (en) * | 2016-05-09 | 2020-12-15 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data processing in an industrial internet of things data collection environment with large data sets |
US20180046920A1 (en) * | 2016-08-10 | 2018-02-15 | Paypal, Inc. | User Data Learning Based on Recurrent Neural Networks with Long Short Term Memory |
CN110298443B (zh) * | 2016-09-29 | 2021-09-17 | 中科寒武纪科技股份有限公司 | 神经网络运算装置及方法 |
CN108462605B (zh) * | 2018-02-06 | 2022-03-15 | 国家电网公司 | 一种数据的预测方法和装置 |
-
2019
- 2019-01-04 CN CN201910006278.2A patent/CN109831801B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106658598A (zh) * | 2016-12-08 | 2017-05-10 | 南京邮电大学 | 一种基于内容缓存和网络状态感知的业务迁移方法 |
CN107241790A (zh) * | 2017-05-24 | 2017-10-10 | 沈阳航空航天大学 | 基于内容缓存的基站协作节能策略 |
CN108153830A (zh) * | 2017-12-13 | 2018-06-12 | 东南大学 | 无线通信网络中基于学习的主动缓存控制方法 |
CN108307446A (zh) * | 2018-01-05 | 2018-07-20 | 华中科技大学 | 一种基于软件定义的无线网络边缘协作缓存***与方法 |
CN108668287A (zh) * | 2018-04-19 | 2018-10-16 | 西安交通大学 | 一种基于用户内容流行度和移动规则的主动缓存方法 |
Non-Patent Citations (3)
Title |
---|
B-CaB: Optimizing the SP"s Bidding for Cache and Band Resources in Virtualized Wireless Networks;Yuwei Yan等;《2016 International Conference on Network and Information Systems for Computers (ICNISC)》;20170612;全文 * |
Profiling user behaviour for efficient and resilient cloud management;C. People等;《2014 International Conference on Advances in Computing, Communications and Informatics (ICACCI)》;20140927;全文 * |
Synthesizing 3D Shapes via Modeling Multi-view Depth Maps and Silhouettes with Deep Generative Networks;Amir Arsalan Soltani等;《2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20171109;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109831801A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109831801B (zh) | 基于深度学习神经网络的用户行为预测的基站缓存方法 | |
CN110809306B (zh) | 一种基于深度强化学习的终端接入选择方法 | |
Hu et al. | Twin-timescale artificial intelligence aided mobility-aware edge caching and computing in vehicular networks | |
CN112020103B (zh) | 一种移动边缘云中的内容缓存部署方法 | |
CN114071484A (zh) | 基于人工智能的通信方法和通信装置 | |
CN108093435B (zh) | 基于缓存流行内容的蜂窝下行链路网络能效优化***及方法 | |
CN112218337A (zh) | 一种移动边缘计算中的缓存策略决策方法 | |
CN108668287B (zh) | 一种基于用户内容流行度和移动规则的主动缓存方法 | |
CN110213776B (zh) | 一种基于Q学习和多属性决策的WiFi卸载方法 | |
Ren et al. | Fine-grained elastic partitioning for distributed dnn towards mobile web ar services in the 5g era | |
CN111339554A (zh) | 基于移动边缘计算的用户数据隐私保护方法 | |
Zhao et al. | A TP-DDPG algorithm based on cache assistance for task offloading in urban rail transit | |
CN107787015A (zh) | 基于大数据的网络调整方法和装置 | |
WO2024065903A1 (zh) | 多约束边环境下计算卸载与资源分配联合优化***及方法 | |
Zhang et al. | Toward intelligent resource allocation on task-oriented semantic communication | |
Wang et al. | Reinforcement learning-based optimization for mobile edge computing scheduling game | |
Feng et al. | Proactive content caching scheme in urban vehicular networks | |
Dai et al. | MAPCaching: A novel mobility aware proactive caching over C-RAN | |
CN109842912A (zh) | 一种基于集成学习的多属性切换决策方法 | |
CN107231224B (zh) | 一种最大传输时限下lte wlan网络动态聚合决策方法 | |
Zhang et al. | On-device intelligence for 5g ran: Knowledge transfer and federated learning enabled ue-centric traffic steering | |
CN111901833A (zh) | 一种面向不可靠信道传输的联合服务调度以及内容缓存方法 | |
CN109874154B (zh) | 一种基于深度强化学习的c-ran用户关联和计算资源分配方法 | |
Zhou et al. | User‐centric data communication service strategy for 5G vehicular networks | |
Yang et al. | A resource allocation method based on the core server in the collaborative space for mobile edge computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |