改进GAN模型在基站流量预测及5G节能中的应用

【目的】为了更精准地预测5G基站的流量,分析潮汐现象,提出一种优化的生成对抗网络(generative adversarial network,GAN)模型流量预测方法,并将其用于实际基站的定时控制中。【方法】GAN的生成器利用差分演化灰狼算法优化长短时记忆网络(long short term memory networks,LSTM),判别器使用门控循环神经网络(gated recurrent unit,GRU)进行判别,生成器和判别器利用不断地对抗训练达到均衡从而提高了5G基站流量的预测精度;其次,利用改进人工蜂群优化k-means++算法,将其用于输出最优基站定时时间,达到最大限度节能的目的。【结果】实验结果表明,与现有模型相比,所提预测模型有更高的预测精度,定时控制功能可极大地节约能耗。

基于深度强化学习的基站动态开关研究

随着5G移动互联网的快速发展,为了满足用户不断增长的流量需求,5G基站大规模部署,导致能耗急剧增加。针对以上问题,通过采用流量预测与深度强化学习相结合的方法,建立基站动态开关模型。具体而言,该模型通过密集卷积神经网络(Densely Connected Convolutional Networks, DenseNet)对基站流量进行预测;进一步地,基于精确的移动流量预测,将基站开关控制问题建模为一个马尔科夫决策过程(Markov Decision Process, MDP),然后通过强化学习方法进行求解。此外,强化学习的reward函数设计在优化基站开关成本时综合考虑了多方面的因素,包括能耗和用户服务质量(Quality of Service, QoS)下降成本,目标是在降低能耗的前提下,最小化长期的基站能量消耗。最终通过对真实数据集的大量实验验证,提出的模型与当前使用的基站常开策略相比,能够节约37%的能量消耗,且节能效果也优于传统启发式算法。

基于多头自注意力机制的LSTM-TCN基站流量预测算法

基站流量预测对于蜂窝网络的规划、资源分配和用户体验优化至关重要。为提高基站流量预测精度,文中设计一种结合多头自注意机制(MHSA)的LSTM-TCN基站流量预测算法。其中:MHSA能够从多个角度强化基站流量数据的内在关联,增强了模型对流量数据重要特征的表达能力;LSTM-TCN模型中长短期记忆(LSTM)网络捕捉流量数据中的长短时依赖性;时间卷积网络(TCN)进一步捕捉流量数据中的全局特征,使得模型能够提取基站流量数据在不同时间尺度上的变化模式和时间依赖关系,提高基站流量预测模型的拟合能力和预测精度。实验结果表明,该流量预测算法与其他算法相比,在运营商基站流量数据的预测中有效降低了均方根误差和平均绝对误差,提高了决定系数,验证了该流量预测算法的有效性,从而为基站休眠节能提供决策支持。

图智能AI技术在基站流量预测中的探索与实验

5G网络以其高速率、广泛连接和低时延为新技术领域提供支持,但面临着严峻的能耗问题。研究了AI技术在提升基站能效方面的应用,提出了基于图神经网络的流量预测方法,考虑了流量数据的空间关联和时间依赖性。该方法结合图卷积网络和时序卷积模块,优化了基站流量分布,显著提升了流量预测准确性。准确的流量预测能够为基站关停策略提供科学依据,从而有效降低能耗,提升能源效率,减少成本,促进可持续发展。

基于定量递归联合熵特征重构的缓冲区流量预测算法

对网络基站缓冲区的短时网络流量的准确预测是缓解和控制拥堵的关键。基站缓冲区的短时网络流量时间序列具有非线性混沌特征,其自相关特性较弱,而传统方法采用线性时间序列分析方法没能有效挖掘流量序列的非线性特征信息,流量序列预测性能不好。提出了一种基于非线性时间序列分析的定量递归联合熵特征重构网络基站缓冲区的短时网络流量预测算法,该算法提取流量序列的定量递归联合熵特征,并对特征序列进行相空间重构;把网络流量信号模型进行高维映射,在高维相空间对短时网络流量序列进行定量递归分析;采用自相关特征奇异分解对流量序列进行聚合后的线性叠加,采用平均互信息算法和虚假最近邻点算法计算最佳时延参数和最小嵌入维;进行插值拟合形成时频分析特征分流控制,实现对网络流量的预测。仿真结果表明,该算法预测精度较高,稳定性较好,预测偏差较传统方法低,具有较好的应用价值。

多基站调度网话务量模型

通过对某市公安集群专网19个基站251万条原始呼叫数据的统计分析,基于跨站呼叫话务量分摊方法,总结出调度型无线通信系统的话务量规律和特性,建立了多基站调度专网话务量模型,首次为调度网的网络规划、信道数设计提供了有效的算法。

基于宽度&深度学习的基站网络流量预测方法

针对无线网络流量长期预测问题,提出一种基于宽度&深度学习的基站网络流量预测方法。首先,利用S-H-ESD算法和数据平滑方法对网络流量数据进行预处理,以降低噪声数据对预测的影响;然后,将网络流量作为宽度&深度模型的深度部分(神经网络)的输入,将无线资源控制(RRC)连接数和物理资源块(PRB)利用率作为模型的宽度部分(线性模型)输入,通过结合深度部分和宽度部分来预测网络流量。所提方法为所有基站的网络流量建立一个预测模型,预测结果的均方根对数误差(RMSLE)为0.985,明显优于传统的季节性差分自回归滑动平均模型(RMSLE为2.095)和长短期记忆网络模型(RMSLE为3.281)。实验结果表明:宽度&深度模型通过结合线性模型的记忆能力和深度模型的泛化能力,能够更好地解决无线网络流量的长期预测问题。

基于基站切换的交通信息采集技术应用研究

基于移动通信网络基站切换的交通信息采集技术,突破传统交通信息采集技术许多的局限性,仅需增加少量处理设备情况下,能够实时、广域范围内采集交通数据,表现出了良好的实用性、经济性,是一种新型的交通信息采集技术。分析这种新型技术的实现原理、关键技术、影响要素,并结合实践应用给出了技术评估指标体系,多方面评估该技术推广发展可行性,提出该技术应用、发展、完善重点,为规模性应用提供研究基础。

基于SVD和ARIMA的时空序列分解与预测

针对传统时空序列建模过程中估计空间权重矩阵时难度较高的问题,提出一种基于奇异值分解(SVD)的时空序列分解模型ST-SVD。对原始时空序列矩阵进行平稳性检测并中心化为零均值平稳时空序列,在假设时间和空间没有交互作用的前提下,利用SVD技术将时空序列分解为空间模式、时间模式以及模式强度的乘积,通过ARIMA模型对平稳的时间模式进行建模并得到其预测结果,在此基础上,将时间模式的预测结果与分解得到的空间模式相结合,利用SVD技术对真实的时空序列进行重建,得到各个空间点的最终预测结果。实验结果表明,与ARIMA、Lasso-VAR、LSTM和STARMA模型相比,ST-SVD模型的训练时间成本降低50%以上,预测精度提升10%以上,其在实际工程应用中能够有效完成时空序列预测任务。

考虑基站选址的UAV交通巡视路径超级时空网络模型

针对考虑基站选址的无人机交通巡视路径优化问题,提出一个超级网络与时空网络相结合的方法,并通过该方法建立模型。通过在时空网络添加虚拟起降点,与全部时刻的备选基站相连接构成超级时空网络,可将考虑基站选址的路径规划转换为一个单纯的多UAV路径规划问题。与不考虑基站选址的路径规划相比,考虑基站选址能够使最大单机飞行时间和总飞行时间分别减少5. 71%和11. 59%。数值分析表明,基站选址和交通巡视路径规划整合可有效减少UVA的巡视成本。

GSM高楼基站通信质量的优化

上海现网GSM网络存在一定数量的高站,这些高站话务高,对周围小区有一定干扰。优化这些高站可以降低配置、减小干扰、提高质量、增强保障。本文按照顶层小区覆盖来实施优化,尽量减小载频配置,根据现网高站的话务量情况提出分类优化方案。实验证明本优化方案能有效改善高站相关指标。

基于无线基站数据流量的WLAN热点网络规划

随着互联网、物联网等技术的发展和3G/4G技术的成熟,移动数据流量会持续翻倍式增长,因此需按照集团公司的"GSM+TD+LTE+WLAN"四网协调发展总体策略,才能构筑中国移动持续领先的优势。本文首先对基于无线基站数据流量的WLAN热点网络规划进行了可行性分析,然后对WLAN规划体系步骤进行说明,最后验证规划结果的有效性,从而提升客户无线带宽感知,弥补宽带接入短板。

上海贝尔lightRadio无线产品方案

针对移动通信数据流量的增长现状及网络建设面临的困境,从平滑的网络融合、优化基站容量、优化的技术演进模式、频谱资源利用最大化、优化的天线功能等方面详细介绍了LightRadio方案的特点。

基于双向门控循环单元的通信基站流量预测研究

现有的通信基站流量调节方法多基于单向神经网络预测调配,边缘信息的缺失导致精度不高。为解决此问题,提出一种基于双向门控循环单元的通信基站流量智能化预测方法。该方法选择门控循环单元,有效捕获时间序列的潜在规律,并突破单向调配方法的缺点,从前后两个方向独立进行训练,利用完整历史信息,实现更精准的预测效果。根据北京国测星绘采集的约8GB的小区上行流量数据,使用单、双向长短期记忆网络以及单向门控循环单元进行比较实验,结果表明,双向门控循环单元方法较对照算法在R;上平均提高约0.1,预测精度也有显著提升,对基站流量调节起到决策支持作用,具有一定现实意义。

手机定位协查事故逃逸船舶可能性探讨

文中试图在水上交通事故发生地(由已知船舶提供)为中心的一定区域(半径R的圆)内确定一定数量的手机使用情况,缩小协查范围,再用手机定位确定船舶后续停泊位置,具体协查这些嫌疑船舶,为确定事故逃逸船舶提供一种新的思路。