基于个性化联邦学习的无线通信流量预测

提出一种基于分布式的城市全域通信流量预测算法Fed-DenseNet,各个边缘计算服务器在中心服务器的协调下进行协同训练,中心服务器利用KL散度挑选出流量分布相似的区域流量模型,并采用联邦平均算法对具有相似流量分布的区域流量模型的参数进行融合,以较低的复杂度和通信开销实现城市全域流量预测。此外,城市范围内不同地区流量具有高度差异化的特征,为此,在Fed-DenseNet算法基础上,提出基于合作博弈的个性化联邦学习算法p-Fed-DenseNet,将本地区的各个区域性数据特征作为合作博弈的参与者,通过合作博弈的超可加性准则,进行本地区特征的筛选,从而达到既能提高模型的泛化性,又能够保持对本地流量精准刻画的目的。

基于联邦学习的无线通信流量预测

无线通信网络流量预测对运营商建设网络、管理基站无线资源和提升用户体验具有重要意义。然而,现有的集中式算法模型面临着复杂性和时效性问题,难以满足城市全域尺度的通信流量预测需求。因此,提出一个分布式的云边协同下的无线通信流量预测框架,以较低的复杂度和通信开销实现基于单栅格基站的流量预测。在分布式架构的基础上,提出了基于联邦学习的无线通信流量预测模型。各个栅格流量预测模型同步训练,通过中心云服务器利用JS(Jensen-Shannon)散度挑选出流量分布相似的栅格流量模型,并采用联邦平均(FedAvg)算法融合具有相似流量分布的栅格流量模型的参数,从而在提高模型泛化性的同时达到保持对本地流量精准刻画的目的。此外,由于城市范围内不同地区流量具有高度差异化的特征,在FedAvg的基础上,提出了基于合作博弈的联邦训练方法,将栅格作为合作博弈的参与者,结合超可加性准则筛选栅格,并引入合作博弈的核和夏普利值分配收益以确保联盟的稳定性,提高模型预测的准确性。实验结果表明,以短消息业务(SMS)流量为例,与栅格独立式训练相比,所提模型的预测误差下降在郊区最为明显,下降范围在26.1%~28.7%,在市区下降范围在0.7%~3.4%,在市中心下降范围在0.8%~4.7%;与栅格集中式训练相比,3个区域的模型预测误差下降范围在49.8%~79.1%。

多源跨域数据融合的无线通信网络流量预测

精准地预测无线通信网络流量能够辅助运营商进行精细化运营,更高效地配备与部署基站资源,从而满足大量涌现的各种业务需求。然而,高度复杂的时空依赖性以及多源跨域因素的影响使得无线通信流量的精准预测面临着巨大的挑战。首先,对无线通信流量从时间属性、空间属性、社会属性、以及自然属性进行相关性分析,数据分析表明,无线通信流量具有多源跨域性;其次,基于对无线通信流量多重属性的全面分析,提出了一种改进的密集全连接网络模型MST-DenseNet。该模型利用单个DenseUnit结构的卷积操作捕获无线通信流量的空间相关性,利用多个并列的DenseUnit结构捕获无线通信流量在不同时间尺度上的相关性,同时考虑跨域数据对流量的影响,最终将通信流量自身的时空特征与跨域数据中的社会特征、自然特征高效融合,实现对无线通信流量的精准预测。在实际蜂窝数据集上与现有模型进行预测误差的对比,结果表明MST-DenseNet具有更高的预测精度。

基于改进神经网络的无线网络流量预测

考虑到无线网络流量具有极强的分散性、随机性以及混沌等特性,使用传统的ARIMA预测模型和BP神经网络模型难以对其进行精确的预测等,该文使用粒子群优化算法对BP神经网络预测模型进行优化以解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题,引入遗传算法中的自适应变异因子来以一定概率初始化部分变量解决粒子群优化算法会出现陷入局部最优解以及早熟收敛等问题。最后使用经典的CRAWDAD数据库中的无线网络流量数据对该文预测方法性能进行测试,使用稳定小波变换方法将无线网络流量数据分解,得到由1个近似分量以及3个细节分量组成的数据流。测试结果表明,该预测算法在预测性能上要优于ARIMA预测模型和BP神经网络模型。

基于深度学习的矿井无线网络流量预测研究

为准确预测矿井无线网络流量变化情况,确保井下无线网络安全稳定运行,保障矿井安全生产。在分析无线网络流量特征的基础上提出一种时空卷积全连接网络(CL-FCCNet),它是基于残差网络(ResNets)和循环神经网络(RNN)的无线网络流量预测模型。预测模型能够针对复杂的无线网络工作环境进行流量预测,及流量数据中存在的时空特征,帮助实现流量监控异常自动报警。试验结果表明:模型的预测效果较现有预测方法具有一定的提升。

无线通信网络流量预测综述

本文针对无线网络流量预测这一核心问题,通过分析流量数据特征,介绍和对比了基于传统模型、基于用户行为、基于压缩感知、基于数据挖掘和基于混合模型等流量预测算法的优缺点。借助NMSE、NMAE和MAPE的性能评估方法来评估各种网络流量预测算法的性能。评估显示基于神经网络的混合模型预测算法取得了最优的预测结果。文章最后对现有的网络流量预测方面的研究做了总结和展望,指出结合深度学习、数据挖掘、混合模型的流量预测技术将是未来的一个趋势和热点。

聚类分析和神经网络的无线网络流量预测研究

针对当前无线网络流量预测精度低、预测结果可信度低等问题,为了获得理想的无线网络流量预测结果,设计了聚类分析和神经网络的无线网络流量预测模型。首先,针对无线网络流量预测建模过程中的训练样本选择难题,采用聚类分析算法构建最优的训练样本集合;然后,引入神经网络对训练样本进行学习;最后进行了无线网络流量预测仿真实验。结果表明,设计模型克服了当前无线网络流量预测模型存在的一些弊端,可以描述无线网络流量变化特点,无线网络流量预测精度可以满足实际应用的要求,而且无线网络流量预测建模的效率高,整体预测效果要优于当前经典模型,为无线网络流量预测建模提供了一种新的研究思路。