公开(公告)号：CN115051925B

公开(公告)日：2023-07-18

申请号：CN202210683711.8

申请日：2022-06-16

Applicant: 北京邮电大学

Inventor： 朱新宁 ,  田楚杰 ,  胡铮 ,  张春红

IPC: H04L41/14 ,  H04L41/147 ,  H04L41/16 ,  H04W4/14 ,  H04W4/20 ,  H04W24/06 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于迁移学习的时空序列预测方法，属于时空序列预测领域和迁移预测领域；具体为：首先，收集待预测城市的无线业务流量，作为时空序列源数据，基于时空预测模型的局部卷积网络和残差网络，学习时空特征；同时提取外部信息源数据，基于局部卷积学习外部信息特征；然后，将时空特征输入对抗生成网络，学习得到时空共性特征；通过融合时空特征、时空共性特征和外部信息特征，得到时空预测模型的预测值；并通过最小化预测损失函数，优化预测模型的参数。最后，将该时空预测模型迁移到与源数据具备同时空的共性特征的目标域数据，得到目标域模型参数，并进一步对目标域进行预测。本发明提高了预测准确度和稳定性。

公开(公告)号：CN115051925A

公开(公告)日：2022-09-13

申请号：CN202210683711.8

申请日：2022-06-16

Applicant: 北京邮电大学

Inventor： 朱新宁 ,  田楚杰 ,  胡铮 ,  张春红

IPC: H04L41/14 ,  H04L41/147 ,  H04L41/16 ,  H04W4/14 ,  H04W4/20 ,  H04W24/06 ,  G06N3/04

Abstract: 本发明公开了一种基于迁移学习的时空序列预测方法，属于时空序列预测领域和迁移预测领域；具体为：首先，收集待预测城市的无线业务流量，作为时空序列源数据，基于时空预测模型的局部卷积网络和残差网络，学习时空特征；同时提取外部信息源数据，基于局部卷积学习外部信息特征；然后，将时空特征输入对抗生成网络，学习得到时空共性特征；通过融合时空特征、时空共性特征和外部信息特征，得到时空预测模型的预测值；并通过最小化预测损失函数，优化预测模型的参数。最后，将该时空预测模型迁移到与源数据具备同时空的共性特征的目标域数据，得到目标域模型参数，并进一步对目标域进行预测。本发明提高了预测准确度和稳定性。