基于多通道稀疏LSTM的蜂窝流量预测研究

下一代蜂窝网络在网络管理和服务供应场景中发挥着重要的作用,对移动网络流量的预测分析正变得越来越重要。文中针对城市蜂窝流量的预测,设计了一个基于多通道稀疏长期短期记忆网络(Long Short-Term Memory, LSTM)的流量预测模型。相对于多层感知器网络或其他神经网络结构,LSTM非常适合处理时间序列数据问题。所设计的多通道方式能够有效捕获多源网络流量信息,其稀疏方式使其自适应地对不同的流量时间节点赋予不同的权重,提高了深度神经网络模型捕捉重要特征的能力。在意大利米兰城市蜂窝流量数据上进行了实验,评估了所提方法对单步和多步预测的性能。实验结果展示出所提方法比基准方法更精准。此外,实验还报告了蜂窝流量中不同持续时间采样设置对LSTM网络模型的可存储长度及预测精度的影响。

基于空时压缩感知算法的蜂窝流量预测

针对蜂窝网络中,基站发射功率不能有效根据小区内峰值流量实时调整而造成蜂窝网络能量浪费这一问题,提出一种基于阈值控制的正则化正交匹配追踪(BT-ROMP)蜂窝流量预测算法。该算法利用小区内用户行为在时间与空间上的周期平稳变化特性,构建蜂窝流量块稀疏模型;利用阈值有效筛选出正则化漏掉的次优原子,扩大原子候选集,达到减少算法迭代次数与提高重构精度的目的。仿真结果表明,本文算法较正则化正交匹配追踪算法(ROMP),算法预测精度平均提高0. 01。

基于EWT和NeuralProphet-MLP的蜂窝网络流量长期预测方法

蜂窝网络流量长期预测对网络扩展和优化具有重要意义,针对长期预测中数据可用性低以及非线性等弊端所带来的诸多挑战,提出一种基于分解的分频预测模型。分别采用NeuralProphet模型和多层感知机对分解出的低频分量和中高频分量进行预测,最后对各分量预测结果进行逆经验小波变换得到最终结果。在真实的蜂窝网络流量数据集上进行验证,结果表明所提方法相较于传统预测模型在准确度上有较大提升,具有较好的应用价值。

一种基于合作缓存的D2D通信缓存策略

用户可利用终端直通(Device-to-Device,D2D)技术进行缓存数据共享,以应对未来全球移动数据流量的爆炸式增长。在D2D无线缓存网络中,一个良好的缓存策略至关重要,但目前的缓存策略存在缓存命中率不高、数据过度冗余的问题。针对该问题,论文先以最大化蜂窝网络流量卸载为目标建立优化问题,再结合临近节点缓存情况,引入合作缓存,有效预测数据请求概率,然后将缓存问题视为背包问题,用贪心算法求解,最后得出一种基于合作缓存的缓存策略。仿真实验表明,该缓存策略能有效提高缓存命中率和卸载率至60%。