公开(公告)号：CN116566842A

公开(公告)日：2023-08-08

申请号：CN202310600496.5

申请日：2023-05-25

Applicant: 大连海事大学

Inventor： 王丽 ,  车林笑 ,  郑宇航 ,  张宇

IPC: H04L41/147 ,  H04L41/14 ,  H04L41/16 ,  H04W24/06

Abstract: 本发明提供一种基于集中式的云边协同无线通信流量预测方法，包括：将移动流量预测描述为离散小波变换过程，通过机器学习实现线性部分预测；构建残差网络，以区域内具有相似特征的社区用户为一个集群，边缘服务器快速聚合同集群数据，形成集群的全局模型；通过Lasso算法分解模型数据多源和跨域的复杂特性，计算时空特征之间相关性，结合XGboost构建社区流量特征的最优权重分配机制；XGBoost通过CART树处理模型中的非线性关系和变量之间的相互依赖，捕捉深层特征，对移动流量进行非线性预测；通过小波重构对线性与非线性部分的预测结果进行重构。本发明能够提高基于机器学习训练得到的用于预测无线通信流量的全局模型性能，提高无线通信流量预测的准确性及实时性。

公开(公告)号：CN118338359A

公开(公告)日：2024-07-12

申请号：CN202410435847.6

申请日：2024-04-11

Applicant: 大连海事大学

Inventor： 王丽 ,  车林笑 ,  葛建成 ,  张兴强

IPC: H04W28/10 ,  H04W72/1263 ,  H04W24/06

Abstract: 本发明提供一种基于注意力的深度学习无线通信流量预测方法，包括：将移动流量预测描述为时序分解过程，通过ARIMA预测自回归部分，根据残差校验更新ARIMA参数，构建残差序列；构建CNN‑LSTM网络挖掘流量序列内的深层特征，捕捉非线性趋势，采用LSTM层处理流量的长期依赖性，预测当前时间步的目标值；添加残差序列作为卷积网络新特征，通过注意力机制关注编码器中不同时间步的重要特征，指导解码器生成目标序列；XGBoost通过CART树处理解码器输出的数值特征向量寻找最佳分割点，挖掘非线性关系；加权聚合ARIMA线性部分预测值与XGBoost预测值，得到最终预测结果。本发明能够提高基于机器学习训练得到的用于预测无线通信流量的全局模型性能，提高无线通信流量预测的准确性及实时性。