CN110267292A - 基于三维卷积神经网络的蜂窝网络流量预测方法 - Google Patents

基于三维卷积神经网络的蜂窝网络流量预测方法 Download PDF

Info

Publication number
CN110267292A
CN110267292A CN201910408711.5A CN201910408711A CN110267292A CN 110267292 A CN110267292 A CN 110267292A CN 201910408711 A CN201910408711 A CN 201910408711A CN 110267292 A CN110267292 A CN 110267292A
Authority
CN
China
Prior art keywords
data
network
short
training
long
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.)
Granted
Application number
CN201910408711.5A
Other languages
English (en)
Other versions
CN110267292B (zh
Inventor
陈岑
符潇
李肯立
李克勤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN201910408711.5A priority Critical patent/CN110267292B/zh
Publication of CN110267292A publication Critical patent/CN110267292A/zh
Application granted granted Critical
Publication of CN110267292B publication Critical patent/CN110267292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于三维卷积神经网络的蜂窝网络流量预测方法，包括以下步骤：将网络流量数据建模为三维张量输入形式得到三维网络流量数据模型；根据三维网络流量数据，获取训练集数据和测试集数据；构造基础三维卷积神经网络；对短时依赖数据进行三维卷积神经网络的训练得到短时特征，对长时依赖数据进行三维卷积神经网络的训练得到长时特征；对短时特征以及长时特征进行融合训练，得到特征矩阵，作为基础三维卷积神经网络的输出，形成训练模型；使用训练模型对待预测的网络流量数据进行预测，得到网络流量预测结果。本发明提供的预测方法同时考虑网络流量数据的短期相关性和长时趋势性，捕获网络流量数据时序上的特征相关性。

Description

基于三维卷积神经网络的蜂窝网络流量预测方法
【技术领域】
本发明涉及计算机时序预测应用领域，尤其涉及一种基于三维卷积神经网络的蜂窝网络流量预测方法。
【背景技术】
近年来，随着移动设备以及移动应用的普及，无线网络技术在全球范围内对人们的日常生活发挥着关键作用，越来越多的人使用移动设备接入蜂窝网络，蜂窝网络通信量及网络流量的需求迅速增长。最新的行业预测显示，到2021年，全球移动设备的蜂窝网络流量预计将超过每人48.3EB,，是目前使用量的7倍，并且智能手机流量将在同年超过PC流量。对于蜂窝网络服务提供商和基础设施提供商来说，为了应对日益增长的需求，向用户提供稳定的蜂窝网络服务和有保障的服务质量(Qos)，准确预测移动通信需求是至关重要的。例如，通过对蜂窝网络流量需求的准确预测，可以实现及时的流量调度，将部分需求从繁忙的发射塔分散到空闲的发射塔，从而避免网络拥堵，影响用户体验。显然，进行流量预测可以优化资源配置，提高能源效率，为实现智能蜂窝网络奠定良好的基础。
相关技术中，蜂窝网络流量预测通常作为一般的时间序列分析问题进行建模。对此类问题进行研究从而产生的线性统计模型中，应用最为广泛的是自回归综合移动平均法(ARIMA)和支持向量回归法(SVR)。然而ARIMA方法仅仅倾向于关注历史序列数据的平均值，从而无法捕获底层流量负载的快速变分过程，而且无法对真实***中的非线性关系进行建模；而SVR方法虽然可以对非线性关系进行处理，但需要对关键参数进行调优，才能获得准确的预测结果。同时，考虑到蜂窝网络用户移动性、到达模式以及用户需求多样性等因素的影响，此类方法大部分都忽略了蜂窝网络中的流量序列之间的潜在相关性。例如，蜂窝网络中的空间依赖性，用户的移动显然会带动流量需求进行转移，导致不同基站之间的交通存在显著的空间依赖性，而且每一个区域的基本交通需求也会有被周边环境所影响，繁华区域的交通需求明显要大于偏远区域，而这些依赖都是传统方法所无法捕获的。近年来，深度学习模型在各个领域的最新进展也为流量预测等问题提供了新的思路。
因此，有必要提供一种基于三维卷积神经网络的蜂窝网络流量预测方法来解决上述问题。
【发明内容】
本发明要解决的技术问题是提供一种同时考虑网络流量数据的短期相关性和长时趋势性，捕获网络流量数据时序上的特征相关性的基于三维卷积神经网络的蜂窝网络流量预测方法。
为解决上述技术问题，本发明提供了一种基于三维卷积神经网络的蜂窝网络流量预测方法，包括以下步骤：
S1：将网络流量数据建模为三维张量输入形式，得到三维网络流量数据模型，所述三维网络流量数据模型包括长时依赖数据和短时依赖数据；
S2：根据所述三维网络流量数据，获取训练集数据和测试集数据；
S3：构造基础三维卷积神经网络；
S4：对所述短时依赖数据进行三维卷积神经网络的训练得到短时特征，对所述长时依赖数据进行三维卷积神经网络的训练得到长时特征；
S5：对所述短时特征以及长时特征进行融合训练，得到特征矩阵，并将所述特征矩阵作为所述基础三维卷积神经网络的输出，形成训练模型；
S6：使用所述训练模型对待预测的网络流量数据进行预测，得到网络流量预测结果。
优选的，所述步骤S1包括如下步骤：
S11：将城市划分为一个H×W的网格图，以15分钟为一个间隔，记录网格图内所有区域的网络流量数据，并合并成1个小时的网络流量数据，其中无网络流量数据的网格区域填充为数值0；
S12：令张量Xt∈RH×W代表在t时间槽内整个城市所有网格内传递的总网络流量值；令张量代表在坐标为(i,j)的网格区域内所产生的网络流量，其中一个时间槽代表一个小时的间隔；
S13：对网络流量的时间相关性从短时依赖和长时依赖出发进行建模，其中短时依赖是指在一个时间槽间隔内网络流量所体现的时间相关性；长时依赖是指二十四个时间槽间隔内网络流量所体现的时间相关性。
优选的，所述步骤S2包括如下步骤：
S21：定义测试集数据长度为n，从所述三维网络流量数据模型中提取m个样本作为测试样本集，将剩余n-m个样本作为训练样本集；
S22：分别对所述训练样本集和所述测试样本集中的数据进行最小-最大规范化，使所述训练样本集和所述测试样本集最终输入的数据向量值映射在[0,1]范围内。
优选的，所述步骤S22中数据向量的转换过程为：
其中min为所述训练样本集或所述测试样本集中的数据的最小值，max为所述训练样本集或所述测试样本集中的数据的最大值。
优选的，所述步骤S4包括如下步骤：
S41：基于步骤S3构造两个结构相同的基础三维卷积神经网络c_3DCNN以及p_3DCNN，分别训练短时依赖数据流以及长时依赖数据流。
S42：初始化c_3DCNN和p_3DCNN网络的参数；
S43：设置c_3DCNN以及p_3DCNN的训练迭代次数均为epochs，对测试集上的均方根误差val_RMSE作为监控数据，并设置pt数值；
S44：将短时依赖张量以及长时依赖张量分别作为c_3DCNN以及p_3DCNN的输入数据，分别提取短时特征Vc以及长时特征Vp。
优选的，epochs＝50，pt＝10。
优选的，所述步骤S5中融合训练具体为：
其中，Vfusion代表融合之后得到的特征，Wc和Wp分别代表需要学习的权重矩阵来拟合短时依赖与长时依赖产生的影响，Vc和Vp表示步骤S4中提取到的短时特征与长时特征，表示向量间的点乘运算。
与相关技术相比，本发明提供的基于三维卷积神经网络的蜂窝网络流量预测方法的有益效果在于：
1)不同于传统预测方法仅能捕获流量数据的短时相关性，本发明不仅考虑到网络流量数据的短期相关性，同样还考虑了长时的趋势性，能够更完善地捕获网络流量数据时序上的特征相关性；
2)充分利用深度神经网络模型的优势，充分挖掘城市网格之间的空间相关性。将网络流量数据序列建模为三维张量模型，将从城市内收集的流量数据看作一张全景图片，从而利用卷积神经网络可以挖掘城市网格之间的空间相关性，将时序预测问题转换为图像识别问题，充分发挥卷积神经网络的优势；
3)使用基础三维卷积神经网络替代传统的时序预测网络LSTM(长短时记忆神经网络)，大大减少网络参数，有效提升了网络训练时间以及预测精度。
【附图说明】
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
图1为本发明提供的基于三维卷积神经网络的蜂窝网络流量预测方法的步骤流程图；
图2为图1所示的步骤S1的步骤流程图；
图3为图1所示的步骤S2的步骤流程图；
图4为图1所示的步骤S4的步骤流程图。
【具体实施方式】
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请结合参阅图1至图4，本发明提供一种基于三维卷积神经网络的蜂窝网络流量预测方法，包括如下步骤：
S1：将网络流量数据建模为三维张量输入形式，得到三维网络流量数据模型，所述三维网络流量数据模型包括长时依赖数据和短时依赖数据。
在本实施方式中，选定一个城市M，将所述城市M内的网络流量数据建模为三维张量输入形式。
具体的，所述步骤S1包括如下步骤：
S11：将城市划分为一个H×W的网格图，以15分钟为一个间隔，记录网格图内所有区域的网络流量数据，并合并成1个小时的网络流量数据，其中无网络流量数据的网格区域填充为数值0。
具体的，在本实施方式中H＝W＝100，在其他实施方式中，所述H和W的值还可以根据实际需要进行调整，本发明对此不做限制。
S12：令张量Xt∈RH×W代表在t时间槽内整个城市所有网格内传递的总网络流量值；令张量代表在坐标为(i,j)的网格区域内所产生的网络流量，其中一个时间槽代表一个小时的间隔。
因此可以将每个张量Xt视为一张通道为1的图像，从而实现网络流量的空间依赖性。
S13：对网络流量的时间相关性从短时依赖和长时依赖出发进行建模，其中短时依赖是指在一个时间槽间隔内网络流量所体现的时间相关性；长时依赖是指二十四个时间槽间隔内网络流量所体现的时间相关性。
具体的，定义c为短时依赖序列的长度，构建短时依赖三维张量流表示为[Xt-c，Xt-(c-1)，…，Xt-1]。将每个时间槽的网络流量沿着第一个轴连接起来，同样地，定义p为长时依赖序列的长度，构建长时依赖三维张量流表示为[Xt-p*24，Xt-(p-1)*24，…，Xt-24]。将每个时间槽的网络流量沿着第一个轴连接起来，即可获得作为城市蜂窝网络流量数据模型，分别表示为短时依赖张量Xc∈Rc×H×W以及长时依赖张量Xp∈Rp×H×W。
S2：根据所述三维网络流量数据，获取训练集数据和测试集数据。
具体的，所述步骤S2包括如下步骤：
S21：定义测试集数据长度为n，从所述三维网络流量数据模型中提取m个样本作为测试样本集，将剩余n-m个样本作为训练样本集。
S22：分别对所述训练样本集和所述测试样本集中的数据进行最小-最大规范化，使所述训练样本集和所述测试样本集最终输入的数据向量值映射在[0,1]范围内。
具体的，所述数据向量的转换过程为：
其中min为所述训练样本集或所述测试样本集中的数据的最小值，max为所述训练样本集或所述测试样本集中的数据的最大值。
步骤S3：构造基础三维卷积神经网络。
构造一个三维卷积神经网络，顺序连接三个卷积核大小为(3,3,3)的卷积层，使用ReLU函数f(x)＝max{0,X}作为激活函数，将卷积后的得到的输出特征图作为最大池化层的输入，并且使用DropOut随机抑制一部分网络神经元，防止过拟合。
S4：对所述短时依赖数据进行三维卷积神经网络的训练得到短时特征，对所述长时依赖数据进行三维卷积神经网络的训练得到长时特征。
具体的，所述步骤S4包括如下步骤：
S41：基于步骤S3构造两个结构相同的基础三维卷积神经网络c_3DCNN以及p_3DCNN，分别训练短时依赖数据流以及长时依赖数据流。
S42：初始化c_3DCNN和p_3DCNN网络的参数。
将两个三维卷积神经网络网络输入层以及隐藏层内的权重矩阵Wi和bi初始化为范围为[0,1]的随机数，方便训练过程中的参数调整。
S43：设置c_3DCNN以及p_3DCNN的训练迭代次数均为epochs，对测试集上的均方根误差val_RMSE作为监控数据，并设置pt数值。
若在pt个迭代次数内，val_RMSE没有提升，即使没有达到设定的迭代次数epochs，也立即停止网络训练，防止过拟合的发生。
具体的，在本实施方式中，epochs＝50，pt＝10，即若在10个迭代次数内，val_RMSE没有提升，即使没有达到10次迭代，也立即停止网络训练，防止过拟合的发生。
S44：将短时依赖张量以及长时依赖张量分别作为c_3DCNN以及p_3DCNN的输入数据，分别提取短时特征Vc以及长时特征Vp。
S5：对所述短时特征以及长时特征进行融合训练，得到特征矩阵，并将所述特征矩阵作为所述基础三维卷积神经网络的输出，形成训练模型。
由于城市中每个网格均受短时依赖和长时依赖的影响，且影响程度不一，故将步骤S4中获得的短时特征Vc以及长时特征Vp进行融合再训练，如下所示：
其中，Vfusion代表融合之后得到的特征，Wc和Wp分别代表需要学习的权重矩阵来拟合短时依赖与长时依赖产生的影响，Vc和Vp表示步骤S4中提取到的短时特征与长时特征，表示向量间的点乘运算。
融合后得到的特征矩阵Vfusion被拉平成一个特征向量Vout，作为整个网络的输出。再通过反向传播算法最小化整个网络的交叉熵，以优化函数为Adam优化器对网络进行优化，设置优化器的学习率为lr。
步骤6：使用所述训练模型对待预测的网络流量数据进行预测，得到网络流量预测结果。
对测试集中的样本输入到已经训练完成的网络中，得到归一化的网络流量预测结果Ypre，并对其进行反归一化操作，从而得到网络流量预测测试结果。
与相关技术相比，本发明提供的基于三维卷积神经网络的蜂窝网络流量预测方法的有益效果在于：
1)不同于传统预测方法仅能捕获流量数据的短时相关性，本发明不仅考虑到网络流量数据的短期相关性，同样还考虑了长时的趋势性，能够更完善地捕获网络流量数据时序上的特征相关性；
2)充分利用深度神经网络模型的优势，充分挖掘城市网格之间的空间相关性。将网络流量数据序列建模为三维张量模型，将从城市内收集的流量数据看作一张全景图片，从而利用卷积神经网络可以挖掘城市网格之间的空间相关性，将时序预测问题转换为图像识别问题，充分发挥卷积神经网络的优势；
3)使用基础三维卷积神经网络替代传统的时序预测网络LSTM(长短时记忆神经网络)，大大减少网络参数，有效提升了网络训练时间以及预测精度。
以上所述的仅是本发明的实施方式，在此应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出改进，但这些均属于本发明的保护范围。

Claims (7)

1.一种基于三维卷积神经网络的蜂窝网络流量预测方法，包括以下步骤：
S1：将网络流量数据建模为三维张量输入形式，得到三维网络流量数据模型，所述三维网络流量数据模型包括长时依赖数据和短时依赖数据；
S2：根据所述三维网络流量数据，获取训练集数据和测试集数据；
S3：构造基础三维卷积神经网络；
S4：对所述短时依赖数据进行三维卷积神经网络的训练得到短时特征，对所述长时依赖数据进行三维卷积神经网络的训练得到长时特征；
S5：对所述短时特征以及长时特征进行融合训练，得到特征矩阵，并将所述特征矩阵作为所述基础三维卷积神经网络的输出，形成训练模型；
S6：使用所述训练模型对待预测的网络流量数据进行预测，得到网络流量预测结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括如下步骤：
S11：将城市划分为一个H×W的网格图，以15分钟为一个间隔，记录网格图内所有区域的网络流量数据，并合并成1个小时的网络流量数据，其中无网络流量数据的网格区域填充为数值0；
S12：令张量Xt∈RH×W代表在t时间槽内整个城市所有网格内传递的总网络流量值；令张量代表在坐标为(i,j)的网格区域内所产生的网络流量，其中一个时间槽代表一个小时的间隔；
S13：对网络流量的时间相关性从短时依赖和长时依赖出发进行建模，其中短时依赖是指在一个时间槽间隔内网络流量所体现的时间相关性；长时依赖是指二十四个时间槽间隔内网络流量所体现的时间相关性。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括如下步骤：
S21：定义测试集数据长度为n，从所述三维网络流量数据模型中提取m个样本作为测试样本集，将剩余n-m个样本作为训练样本集；
S22：分别对所述训练样本集和所述测试样本集中的数据进行最小-最大规范化，使所述训练样本集和所述测试样本集最终输入的数据向量值映射在[0,1]范围内。
4.根据权利要求3所述的方法，其特征在于，所述步骤S22中数据向量的转换过程为：
其中min为所述训练样本集或所述测试样本集中的数据的最小值，max为所述训练样本集或所述测试样本集中的数据的最大值。
5.根据权利要求1所述的方法，其特征在于，所述步骤S4包括如下步骤：
S41：基于步骤S3构造两个结构相同的基础三维卷积神经网络c_3DCNN以及p_3DCNN，分别训练短时依赖数据流以及长时依赖数据流。
S42：初始化c_3DCNN和p_3DCNN网络的参数；
S43：设置c_3DCNN以及p_3DCNN的训练迭代次数均为epochs，对测试集上的均方根误差val_RMSE作为监控数据，并设置pt数值；
S44：将短时依赖张量以及长时依赖张量分别作为c_3DCNN以及p_3DCNN的输入数据，分别提取短时特征Vc以及长时特征Vp。
6.根据权利要求5所述的方法，其特征在于，epochs＝50，pt＝10。
7.根据权利要求1所述的方法，其特征在于，所述步骤S5中融合训练具体为：
其中，Vfusion代表融合之后得到的特征，Wc和Wp分别代表需要学习的权重矩阵来拟合短时依赖与长时依赖产生的影响，Vc和Vp表示步骤S4中提取到的短时特征与长时特征，表示向量间的点乘运算。
CN201910408711.5A 2019-05-16 2019-05-16 基于三维卷积神经网络的蜂窝网络流量预测方法 Active CN110267292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910408711.5A CN110267292B (zh) 2019-05-16 2019-05-16 基于三维卷积神经网络的蜂窝网络流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910408711.5A CN110267292B (zh) 2019-05-16 2019-05-16 基于三维卷积神经网络的蜂窝网络流量预测方法

Publications (2)

Publication Number Publication Date
CN110267292A true CN110267292A (zh) 2019-09-20
CN110267292B CN110267292B (zh) 2022-07-08

Family

ID=67914727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910408711.5A Active CN110267292B (zh) 2019-05-16 2019-05-16 基于三维卷积神经网络的蜂窝网络流量预测方法

Country Status (1)

Country Link
CN (1) CN110267292B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159149A (zh) * 2019-12-13 2020-05-15 国网浙江省电力有限公司紧水滩水力发电厂 一种基于三维卷积神经网络的河流流量预测方法
CN111327453A (zh) * 2020-01-19 2020-06-23 国网福建省电力有限公司经济技术研究院 一种考虑网格化动态、静态分量的通信带宽估算方法
CN111404942A (zh) * 2020-03-18 2020-07-10 广东技术师范大学 一种基于深度学习的垂直类恶意爬虫流量识别方法
CN111866024A (zh) * 2020-08-05 2020-10-30 国家计算机网络与信息安全管理中心 一种网络加密流量识别方法及装置
CN111949704A (zh) * 2020-07-17 2020-11-17 网络通信与安全紫金山实验室 一种可解释的多维时序数据分析方法
CN112291807A (zh) * 2020-10-15 2021-01-29 山东科技大学 一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法
CN114726745A (zh) * 2021-01-05 2022-07-08 ***通信有限公司研究院 网络流量预测方法、装置及计算机可读存储介质
CN116566841A (zh) * 2023-05-09 2023-08-08 北京有元科技有限公司 一种基于网络流量查询的流量趋势预测方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451552A (zh) * 2017-07-25 2017-12-08 北京联合大学 一种基于3d‑cnn和卷积lstm的手势识别方法
US20180033144A1 (en) * 2016-09-21 2018-02-01 Realize, Inc. Anomaly detection in volumetric images
CN109508375A (zh) * 2018-11-19 2019-03-22 重庆邮电大学 一种基于多模态融合的社交情感分类方法
CN109697852A (zh) * 2019-01-23 2019-04-30 吉林大学 基于时序交通事件的城市道路拥堵程度预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180033144A1 (en) * 2016-09-21 2018-02-01 Realize, Inc. Anomaly detection in volumetric images
CN107451552A (zh) * 2017-07-25 2017-12-08 北京联合大学 一种基于3d‑cnn和卷积lstm的手势识别方法
CN109508375A (zh) * 2018-11-19 2019-03-22 重庆邮电大学 一种基于多模态融合的社交情感分类方法
CN109697852A (zh) * 2019-01-23 2019-04-30 吉林大学 基于时序交通事件的城市道路拥堵程度预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CEN CHEN; KENLI LI; SIN G. TEO; GUIZI CHEN; XIAOFENG ZOU; XULEI: "Exploiting Spatio-Temporal Correlations with Multiple 3D Convolutional Neural Networks for Citywide Vehicle Flow Prediction", 《 2018 IEEE INTERNATIONAL CONFERENCE ON DATA MINING (ICDM)》 *
XI OUYANG; SHUANGJIE XU; CHAOYUN ZHANG; PAN ZHOU; YANG YANG; GUA: "A 3D-CNN and LSTM Based Multi-Task Learning Architecture for Action Recognition", 《IEEE ACCESS》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159149A (zh) * 2019-12-13 2020-05-15 国网浙江省电力有限公司紧水滩水力发电厂 一种基于三维卷积神经网络的河流流量预测方法
CN111159149B (zh) * 2019-12-13 2023-06-30 国网浙江省电力有限公司紧水滩水力发电厂 一种基于三维卷积神经网络的河流流量预测方法
CN111327453B (zh) * 2020-01-19 2023-04-07 国网福建省电力有限公司经济技术研究院 一种考虑网格化动态、静态分量的通信带宽估算方法
CN111327453A (zh) * 2020-01-19 2020-06-23 国网福建省电力有限公司经济技术研究院 一种考虑网格化动态、静态分量的通信带宽估算方法
CN111404942A (zh) * 2020-03-18 2020-07-10 广东技术师范大学 一种基于深度学习的垂直类恶意爬虫流量识别方法
CN111949704A (zh) * 2020-07-17 2020-11-17 网络通信与安全紫金山实验室 一种可解释的多维时序数据分析方法
CN111866024A (zh) * 2020-08-05 2020-10-30 国家计算机网络与信息安全管理中心 一种网络加密流量识别方法及装置
CN111866024B (zh) * 2020-08-05 2022-10-14 国家计算机网络与信息安全管理中心 一种网络加密流量识别方法及装置
CN112291807A (zh) * 2020-10-15 2021-01-29 山东科技大学 一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法
CN114726745A (zh) * 2021-01-05 2022-07-08 ***通信有限公司研究院 网络流量预测方法、装置及计算机可读存储介质
CN114726745B (zh) * 2021-01-05 2024-05-17 ***通信有限公司研究院 网络流量预测方法、装置及计算机可读存储介质
CN116566841A (zh) * 2023-05-09 2023-08-08 北京有元科技有限公司 一种基于网络流量查询的流量趋势预测方法和装置
CN116566841B (zh) * 2023-05-09 2023-12-01 北京有元科技有限公司 一种基于网络流量查询的流量趋势预测方法

Also Published As

Publication number Publication date
CN110267292B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN110267292A (zh) 基于三维卷积神经网络的蜂窝网络流量预测方法
Feng et al. Deeptp: An end-to-end neural network for mobile cellular traffic prediction
Zhang et al. Deep transfer learning for intelligent cellular traffic prediction based on cross-domain big data
Fang et al. Mobile demand forecasting via deep graph-sequence spatiotemporal modeling in cellular networks
CN109376969A (zh) 基于深度学习的城市精细化人口分布动态预测方法及装置
Larios et al. Energy efficient wireless sensor network communications based on computational intelligent data fusion for environmental monitoring
CN110807230B (zh) 一种自主学习优化物联网拓扑结构鲁棒性的方法
CN112911626B (zh) 基于多图卷积的无线网络流量预测方法
CN105340311B (zh) 网络设备、网络业务预测装置和方法
Dou et al. Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition
Zhang et al. LNTP: An end-to-end online prediction model for network traffic
CN109116299B (zh) 一种指纹定位方法、终端、计算机可读存储介质
CN113469325A (zh) 一种边缘聚合间隔自适应控制的分层联邦学习方法、计算机设备、存储介质
Kumari et al. An energy efficient smart metering system using edge computing in LoRa network
He et al. Graph attention spatial-temporal network for deep learning based mobile traffic prediction
CN111242292A (zh) 基于深度时空网络的od数据预测方法及***
CN110381515A (zh) 基于合分模式实现小区网络流量资源指标预测的方法
CN109816144A (zh) 分布式内存并行计算优化深度信念网络的短期负荷预测方法
CN115775085A (zh) 一种基于数字孪生的智慧城市管理方法及***
Fang et al. Idle time window prediction in cellular networks with deep spatiotemporal modeling
Muccini et al. Leveraging machine learning techniques for architecting self-adaptive iot systems
Zou et al. Aiming in harsh environments: A new framework for flexible and adaptive resource management
CN116843069A (zh) 一种基于人群活动强度特征的通勤流量估计方法及***
CN115860153B (zh) 基于个性化分组联邦学习的无线流量预测方法及***
CN117332227A (zh) 一种多时空尺度注意力机制的环境变量预测方法及设备

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