基于图卷积神经网络的无线基站流量预测研究

最新推荐文章于 2024-07-19 23:42:07 发布
最新推荐文章于 2024-07-19 23:42:07 发布
阅读量170 收藏
点赞数
分类专栏： 网络通信安全及科学技术专栏 文章标签： cnn 人工智能 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/fzq0625/article/details/139597043
版权
该研究采用图神经网络方法，结合GCN与GRU，对无线基站流量进行多时刻预测。相较于传统预测模型，该模型在中国联通某市基站数据上的验证结果显示预测误差降低，准确率大幅提升，证明了图神经网络在处理基站间关系时的优越性。
摘要由CSDN通过智能技术生成

摘  要

采用图神经网络方法对无线网络基站进行流量预测，首先基于基站地理距离构建预定义网络拓扑图，其次利用GCN提取基站之间的空间依赖关系，然后将结果输入到门控循环单元GRU提取基站之间的时间依赖关系，最后通过全连接层对基站未来多个时刻的流量做出精确预测。利用中国联通某市基站数据进行模型验证，实验结果表明，该模型相对于其他主流预测模型进一步降低了预测误差，模型预测准确率大幅度提升。

   0 1   

研究背景

为支撑无线网络基站License资源动态调配及基站智能节能场景，需要对无线基站未来多个时刻流量做出精准预测，根据预测的结果可以提前部署进行网络资源优化、设备降耗节能以及精准运维。而当前对无线网络基站的通信流量预测主要是单个节点预测，很少考虑节点与节点之间的连接关系，模型的预测准确度不高，严重制约智能化运营策略的实施效能。随着人工智能技术在通信领域的应用愈加广泛，可表示为节点之间复杂关系的拓扑图结构数据要素价值愈发凸显，加上通信网络设备之间天然的拓扑连接结构，图神经网络算法在复杂网络场景下可表现出更优的决策能力，大幅度提高网络智能运营效能。

   0 2   

研究综述

2.1 多变量时序预测方法

当前对无线网络基

了解本专栏 订阅专栏 解锁全文 超级会员免费看
MathorCup大数据挑战赛第一届A题-移动通信基站流量预测赛题解析
getusushu的博客
07-27 799
随着移动通信技术的发展，4G、5G给人们带来了极大便利。移动互联网的飞速发展，使得移动流量呈现爆炸式增长，从而基站的流量负荷问题变得越来越重要。一方面，在流量高峰期，大量基站呈现出负荷超过容量的问题，使得即使信号条件很好，网络速度也非常的慢，给用户带来非常差的体验。为了改善这个问题，需要给基站增加载频的数量来扩容，使基站可以承载更多的流量；另一方面，由于基站潮汐现象，使得在某些时段，用户数量会大幅降低。如图1所示，是某基站下行流量随时间变化的曲线。...
【CNN回归预测】基于matlab卷积神经网络CNN数据回归预测【含Matlab源码 2003期】
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
08-01 5165
卷积神经网络CNN数据回归预测 完整代码和数据，数据可直接替换，适合小白！可提供运行操作视频！
traffic_prediction:分别使用三种图卷积做一个简单的交通流量预测模型
05-11
说明： 使用三种图卷积做一个简单的交通流量预测模型。 我所用的环境： PyTorch=1.4.0 torchvision=0.5.0 cudatoolkit=10.1 cudnn=7.6.3 若哪里不足请指出来，共同学习。
2020年MathorCup高校数学建模挑战赛—大数据竞赛A题移动通信基站流量预测求解全过程文档及程序
weixin_43292788的博客
01-09 2028
2020年MathorCup高校数学建模挑战赛—大数据竞赛A题 移动通信基站流量预测。
流量预测_MLP模型_keras
郭小儒的博客
01-02 1505
训练集在建模过程中会被大量经常使用，验证集用于对模型少量偶尔的调整，而测试集只作为最终模型的评价出现，因此训练集，验证集和测试集所需的数据量也是不一致的，在数据量不是特别大的情况下一般遵循。为了使模型“训练”效果能合理泛化至“测试”效果，从而推广应用至现实世界中，因此一般要求训练集，验证集和测试集数据分布近似。我在预测一个名字叫做elborn基站的下行链路流量，用过去29天的数据预测未来10天的数据。在训练监督学习（深度学习）模型前，要把time series数据转化成samples的形式。
面向5G需求的人群流量预测模型研究
01-14
5G 网络中超密集基站的部署规划、多维资源管理、活跃/休眠切换等方面都依赖于对区域内用户数量的准确预测。针对这一需求，提出了一种基于移动网络用户位置信息的区域人群流量预测的深度时空网络模型。通过建模不同尺度的时空依赖关系，融合各种外部特征信息，并以短时局部流量信息降低对实时全局信息传输的要求，实现了城市范围的区域人群流量预测，对提高5G网络性能具有重要意义。通过基于呼叫详单数据的区域人群流量预测实验表明，与现有流量预测模型相比，所提模型具有更高的预测精度。
【CNN回归预测】基于matlab卷积神经网络CNN数据回归预测【含Matlab源码 2384期】
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
02-20 526
卷积神经网络CNN数据回归预测 完整代码和数据，数据可直接替换，适合小白！可提供运行操作视频！
【CNN回归预测】基于matlab贝叶斯优化卷积神经网络数据回归预测【含Matlab源码 2563期】.zip
09-10
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命...
基于卷积神经网络的NOMA增强D2D和蜂窝混合网络资源管理算法
03-15
主要提出了一个基于卷积神经网络（Convolutional Neural Network, CNN）的资源管理算法来近似传统的优化方法，解决了传统方法中计算复杂度高的问题。在这样一个混合网络中，NOMA技术能够允许多个用户共享同一频谱...
图神经网络实战——利用节点回归预测网络流量
盼小辉丶的博客
04-15 3298
在机器学习中，回归指的是对连续值的预测。通常与分类形成鲜明对比，分类的目标是找到正确的类别(即离散值，而非连续值)。在图数据中，分类和回归分别对应于节点分类和节点回归。在本节中，我们将尝试预测每个节点的连续值，而非分类变量。
机器学习基于GCN图神经网络实现的交通流量预测（深度学习）.rar
07-16
以上使用了GCN, ChebNet, GAT三种图卷积来预测交通流量，只考虑了空间上的影响，没有考虑时序上的影响，所以效果有进一步提升空间。这里只是为了实现基于上述三种图卷积预测交通流量。 可以很明显看出三种模型在处理数据时的快慢和准确率。 三种模型都具有处理结构化时间序列的通用框架。它不仅能够解决交通网络建模和预测问题，而且可以应用于更一般的时空序列学习任务。 时空卷积块结合了图卷积和门控时间卷积，能够提取出最有用的空间特征，并连贯地捕捉到最基本的时间特征。 该模型完全由卷积结构组成，在输入端实现并行化，参数更少，训练速度更 快。更重要的是，这种经济架构允许模型以更高的效率处理大规模网络。
交通流量预测：T-GCN A Temporal Graph Convolutional Network for Traffic Prediction
日常发呆
01-16 1327
为了同时捕捉时空相关性，将图卷积网络(GCN)和门控递归单元(GRU)相结合，提出了一种新的基于神经网络的流量预测方法–时态图卷积网络(T-GCN)模型。具体地，GCN用于学习复杂的拓扑结构以捕获空间相关性，而门控递归单元用于学习交通数据的动态变化以捕获时间相关性。G = (V, E) 邻接矩阵A（1表示两个路有连接，反之没有），把路当作结点，N是结点的数量XN×PX^{N×P}XN×P特征矩阵，P是结点特征的数量，也就是历史时间序列的长度Xt∈RN×iXt​∈RN。
图网络在车辆识别与流量预测中的应用探索
最新发布
技术栈：C++、go、python，方向：软开，测开
07-19 884
图网络是一类专门用于处理图结构数据的神经网络模型。图结构数据由节点（nodes）和边（edges）组成，节点表示实体，边表示实体之间的关系。图网络通过节点之间的信息传递与聚合，实现对图结构数据的特征提取与任务处理。车辆识别是计算机视觉领域的一个重要问题，旨在从图像或视频中提取车辆的特征信息，实现车辆的识别与跟踪。传统的车辆识别方法主要依赖于手工设计的特征提取器与分类器，如SIFT、SURF等特征点与SVM、随机森林等分类器。然而，这些方法在处理复杂场景时往往表现不佳。
【时空流量预测笔记1】基于相关卷积LSTM和自注意网络的蜂窝网络流量预测
m0_58916821的博客
01-25 1697
预测网络流量未来动态性能，提出了一种基于相关性的ConvLSTM和基于自注意的网络（CCSANet）来准确预测复杂的蜂窝网络流量。
图神经网络 | Python实现STGCN时空图卷积网络交通流量预测
前程算法屋的博客
01-07 2273
图神经网络 | Python实现STGCN时空图卷积网络交通流量预测
Pytorch-基于GCN/GAT/Chebnet图神经网络实现的交通流预测(附代码)
热门推荐
yilulvxing的博客
11-29 2万+
Pytorch代码地址 1:目录结构 基于图神经网络实现的交通流量预测，主要包括：GCN、GAR、ChebNet算法。 2:数据集信息 数据来自美国的加利福尼亚州的洛杉矶市，CSV文件是关于节点的表示情况，一共有307个节点，npz文件是交通流量的文件，每5分钟输出节点数据信息。 数据集信息： PEMS-04 数据时间范围：2018.1.1—2018.2.28 节点信息：共307个检测器，即Nodes数量为307 3个特征：流量值，占有率，速度值。 3:数据探索 dataView.py 文件为数据可视
【文献阅读】ST-GDN——图神经网络预测交通流量（Xiyue Zhang等人，ArXiv，2021）
QQ704630835的博客
10-14 2744
一、背景 文章题目：《Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network》 文献下载地址：2110.04038.pdf (arxiv.org)https://arxiv.org/pdf/2110.04038.pdf 文献引用格式：Xiyue Zhang, Chao Huang, Yong Xu, Lianghao Xia, Peng Dai,Liefeng Bo,...
MathorCup高校数学建模挑战赛——大数据竞赛 赛道A 移动通信基站流量预测baseline
wherewegogo的博客
12-27 1万+
文章目录前言一、简单分析二、具体程序1.引入库2.读入数据3.数据处理4.模型训练和预测5.结果文件输出总结 前言 本文给出2020年MathorCup高校数学建模挑战赛——大数据竞赛中的赛道A移动通信基站流量预测的baseline，这个题目的具体描述和数据集请见链接。 整个程序是用python写的，步骤包括文件读取、数据处理、特征构造、模型训练和预测、输出文件保存。读者可以在本文的基础上进行模型的提升。 一、简单分析 本文的训练数据有9G左右的大小，且特征字段是中文的，panda读取的时候需要注意。另外
无线传感网络节点能量消耗分析与优化算法研究
这些应用通常依赖于大量数据集和复杂的神经网络结构，比如卷积神经网络（CNN）、长短时记忆网络（LSTM）、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、深度信念网络...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

罗思付之技术屋

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值