基于宽度&深度学习的基站网络流量预测方法

作者：陈浩杰; 黄锦; 左兴权^*; 韩静; 张百胜

来源：郑州大学学报(工学版), 2022, 43(01): 7-13.

DOI：10.13705/j.issn.1671-6833.2022.01.011

• 宽度&深度模型
• 深度学习
• 基站网络流量
• 流量预测
• 时间序列预测
• 神经网络

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。

• 单位
  中兴通讯股份有限公司; 北京邮电大学